BP神经网络在轨道电路分路不良预警中的应用＊

米根锁，王彦快，马学霞

（兰州交通大学自动化与电气工程学院，甘肃 兰州 730070）

1 引言

所谓预警是指测度某一警素的现状和未来状况，预报不正常状态的危害程度和范围，从而提出防范措施[1]。由于轨道电路的两根钢轨设在线路道床的基础上，其工作性能受自然条件的影响较大，尤其对于煤炭、石油等货物运输铁路站场而言，受其环境和工作性质的影响，部分轨道区段处于极端恶劣的工作环境之中，产生分路电阻增大问题，从而造成轨道分路灵敏度降低，致使轨道电路分路不良而出现“车压不死区段”的现象[2]。由于以上问题所引起的故障有着长期潜在的因素，不易掌握和控制，若不及时发现并采取措施，将影响行车效率，更为严重的会导致重大事故发生[3]。针对以上问题，本文以站内25Hz相敏轨道电路为例，建立轨道电路分路不良预警系统，在对轨道区段调整电压、现场温度、湿度进行实时监测的基础上，采用BP神经网络方法对其监测数据进行智能处理、报警，以便通知电务人员及时解决轨道电路故障，保证轨道电路的正常工作。

2 预警指标体系的建立

2.1 基本思路

轨道电路分路不良预警是通过判断基本指标信息和预警知识库中的信息是否匹配来实现的，基于以上思想，建立轨道电路分路不良预警知识库，其中存有轨道电路分路不良时的各指标的典型特征值。通过实时监测这些特征信息，并与预警知识库进行对比，从而判断发生轨道电路分路不良可能性的大小。传统的预警方法是通过设置数条预警线实现的，受人为因素影响较大，而且在列车行驶的过程中，情况非常复杂，与预警知识库中的信息完全匹配几乎是不可能的，所以本文将采用BP神经网络构建BP 神经网络预警模型，利用改进BP算法中常用的L-M（Levenberg-Marquardt）算法预测故障发生的可能性。

2.2 预警指标的选择

影响轨道区段端电压大小的因素有钢轨阻抗、道砟电阻、轨道电路的类型及长度等。对于具体的车站，轨道区段性能、轨道电路类型及长度是确定的，所以道砟电阻起着主导作用。道砟电阻值的大小，一方面取决于线路上部建筑的结构，即与道砟的材料、道砟层的厚度与清洁度、轨枕的材质与数量有关；另一方面，还取决于温度和湿度的变化[4]。综上所述，通过定量分析和定性分析相结合的方法，对影响轨道电路分路不良的指标进行筛选，从而选用4个输入变量作为预警指标，即轨道电压、车站所处环境的温度、湿度以及故障累计次数；1个网络输出作为警兆指标，即故障危险性程度。

2.3 预警警限区域界定

轨道电压的预警警限区域界定如图1所示。a表示道砟电阻取最大值时轨道继电器端电压（根据轨道电路的四端网络模型计算得到，与轨道电路类型以及长度有关[5]）；b 表示调整状态下轨道区段正常工作的电压值；c表示道砟电阻取最小值时轨道继电器端电压；d 表示二元二位轨道继电器稳定落下值（根据具体车站而定）[6]。

报警区1表示轨道端电压值大于调整状态的上限值，相当危险；报警区2表示无车占用但轨道区段反应为有车占用，通常由于道砟电阻低，漏泄电流大而引起的“红光带”故障，从而影响行车效率；调整状态正常区与分路状态正常区表示轨道电路工作正常，但是不能避免故障发生，例如：当轨道电压值的变化范围在19～22V 内波动，虽然在调整状态正常区，但是电压的不正常波动将表明有发生故障的趋势，所以将此区域定义为预警区。

Figure 1 Definition of warning limit district图1 警限区域界定

3 预警模型的构建及分析

3.1 BP神经网络预警模型

BP神经网络是一种采用误差反向传播算法的多层前向神经网络，其主要特点是信息正向传播，误差反向传播[7]。在传递过程中，输入信号经过输入层、隐含层的逐层处理，直至输出层，若在输出层得不到期望值，则反向传播，根据预测误差调整权值和阈值，使BP神经网络的输出不断逼近预测输出值。其网络结构如图2所示。

Figure 2 BP neural network structure图2 BP神经网络结构

在图2 中，系统的输入向量为：P＝（p1，p2，…，pn）T，隐含层输出向量为：Y＝（y1，y2，…，ym）T，输出层输出向量为：O＝（o1，o2，…，ol）T，输入层至隐含层的连接权值向量为：V＝（v1，v2，…，vm）T，阈值为θ；隐含层至输出层的连接权值向量为：W＝（w1，w2，…，wl）T，阈值为θ′。

信息正向传播过程中，隐含层中各神经元的输出可表示为[8]：

输出层中各神经元的输出可表示为：

BP神经网络神经元传递函数采用Sigmoid函数：

在预警前，BP 神经网络需要一个误差反向传播的学习过程。在此过程中，网络根据输入的训练样本调整修改连接权值V、W 及阈值θ、θ′，使网络的总误差E 小于设定的允许值，从而得到稳定的各神经元连接权值和阈值。采用梯度法修正权值和阈值，其迭代式为：

其中，η为网络学习速率，α为动量系数。

网络误差E 采用常见的平方误差，如式（5）[9]所示：

式（1）～式（5）构成了BP神经网络模型。

3.2 轨道电路分路不良预警BP神经网络的设计与实现

（1）输入数据的归一化处理。

为使各指标在预警系统中具有可比性，将样本数据处理成[0，1]中无量纲的指标值。指标有正向与负向指标之分，正向指标按式（6）处理，负向指标按式（7）处理[10]。在本文中，正向指标处理后的值越大越安全，危险等级越小；相反，负向指标处理后的值越小越安全，危险等级越小。

轨道电路分路不良预警BP 神经网络模型采用1个输入层、4个输入层节点、1个输出层、1个输出层节点。采用多隐含层可提高精度，降低网络误差，但也会使网络复杂化，增加迭代非收敛的概率，所以在本文中采用单隐含层的网络结构，选择典型的三层BP 神经网络。隐含层节点数通常是根据经验及输入层节点数而确定，常见的经验公式是[11]：

其中，h为隐含层节点数，n 为输入层节点数，m 为输出层节点数。根据式（8）计算得到隐含层节点数为3，所以该网络的拓扑结构为4-3-1。

（3）网络训练。

本文以昆明局拉鲊站的相关情况为例，通过对现有典型轨道电路分路不良时轨道电压、现场温湿度的监测，结合故障累计次数，建立训练样本。由于预警模型的仿真精度与样本数有直接关系，本文建立80个学习样本用于轨道电路分路不良预警网络训练。

随机抽取80个样本中的72个作为训练样本，其余8个作为检验样本。利用MATLAB 7.0训练平台对网络进行训练，并预先设置一些训练参数。BP神经网络神经元传递函数采用tansig（）与purelin（）函数，训练函数采用L-M 算法所对应的trainlm（）函数。某次训练的误差曲线图如图3所示。

（2）网络拓扑结构的确定。

Figure 3 Training sample error'curve图3 训练样本误差曲线图

如图3所示，当网络学习速率η＝0.05、动量系数α＝0.9、训练步长为50、最大训练次数为1 000、目标误差设置为1e-5时，网络训练7次后就已取得较好的收敛效果，训练样本误差随着训练过程的延续而逐渐减小，并趋于目标误差。

（4）预警知识库的建立及完善。

轨道电路分路不良预警知识库包括网络学习后网络结构的输入层节点数、输出层节点数、隐含层节点数以及网络连接权值矩阵的相关数据。经过训练后的BP神经网络，通过输入分路不良各指标值的归一化值后，得到网络输出值，并将其作为新的学习样本输入神经网络结构中，使预警知识库更加完善。

4 预警结果分析

将预警指标的监测值输入到训练后的BP 神经网络中，根据网络输出值预测故障危险性程度。网络输出变量有三种状态，相应地根据故障危险程度划分为三个预警等级和预警信号，其对应关系如表1所示。

Table 1 Pre-warning degrees and numerical evaluation’s relation table表1 预警等级与数值评估关系表

为验证BP 神经网络预警方法的性能，现以XJG 为例，监测并记录XJG 的轨道电压与该站所处环境的温湿度。分别将8组数据归一化处理后输入到已训练好的网络中进行测试，得到相应的网络输出值，其数据与预警结果如表2所示。

根据表2中的网络输出值，结合表1的相关数据信息，可以判断出第1、2、3、6组数据有一般故障危险，系统发出“蓝色”预警信号；第7组数据有重大故障危险，系统发出“红色”预警信号；第4、5、8组数据无故障危险，系统发出“绿色”预警信号。以上预警结果表明，当有发生故障趋势时，系统能够根据网络输出值判断出预警等级，并发出相应预警信号，同现场的实际情况一致，同时证明了将BP神经网络用于轨道电路分路不良预警中具有较高的准确性和应用价值。现场采用传统设置数条轨道电压警线的方法判断故障发生与否而实现报警，即只有当监测到的轨道电压值在图1所示的报警区2中，系统才发出报警信号，此时必须派人到现场检查并确认列车位置及相关情况，所以受人为因素影响较多，效率极低。而BP 神经网络预警方法能够综合影响轨道电路分路不良的多个主要因素，更加准确地预警故障发生的趋势，根据不同的预警信号，实施相应措施，从而实现真正意义上的状态修复。

5 结束语

本文以站内25Hz相敏轨道电路为例，在建立预警评价指标体系的基础上，构建了轨道电路分路不良BP神经网络预警模型。预警结果表明：

（1）由于影响轨道电路分路不良的因素很多，故障的发生具有一定的模糊性和随机性，而BP神经网络具有良好的模式识别能力和较强的非线性处理能力，能从大量复杂数据中通过学习发现规律，所以基于BP神经网络的轨道电路分路不良预警方法是可行的。

（2）BP神经网络预警方法有效地减少了传统预警方法的人为因素，具有自学能力强、可信度高、速度快等特点，能较好地模拟专家评价方法。

（3）BP神经网络在轨道电路分路不良预警中具有较高的准确性和应用价值，对解决轨道电路分路不良问题提供了有效的技术支持，为轨道电路日常维护和故障的及时发现处理创造了条件。

Table 2 Pre-warning results表2 预警结果

[1]Bian Xi-chen，Chen Li-hua，Wang Peng.Application of BP neural network on health warning of forest ecosystem[J].Bulletin of Soil and Water Conservation，2011，31（4）：108-111.（in Chinese）

[2]Liu Yan.Probe into the problems in and solutions for the track circuit under the conditions of small ballast resistance and large shunt resistance[J].Sci-tech Information Development ＆Economy，2010，2.（25）：200-202.（in Chinese）

[3]Ma Yi-bu.The analysis of the common faults in poor shunting of track circuit[J].Automation ＆Instrumentation，2012，2.（1）：110-111.（in Chinese）

[4]Ren Guo-qiao.The research of the solutions in poor-shunting of track circuit[J].RSCE，2008，5（5）：41-44.（in Chinese）

[5]An Hai-jun，Li Jian-qing，Wu Bao-ying.The 25Hz phase detecting track circuit[M].Beijing：China Railway Publishing House，2006.（in Chinese）

[6]Li Wen-hai.The principle，maintenance and trouble-shooting of the 25Hz phase detecting track circuit[M].Beijing：China Railway Publishing House，2010.（in Chinese）

[7]Li Song，Xie Yong-le，Wang Wen-xu.Application of Ada-Boost＿BP neural network in prediction of railway freight volumes[J].Computer Engineering and Applications，2012，48（6）：233-234.（in Chinese）

[8]Xin Jing，Xia Deng-you，Kang Qing-chun.Application of BP neural network in the fore-warning of vehicle fires[J].China Safety Science Journal，2006，16（11）：29-33.（in Chinese）

[9]Nefti S，Oussalah M.A neural network approach for railway safety prediction[C]∥Proc of International Conference on Systems，Man and Cybemetics，2004，65（7）：3915-3920.

[10]Feng Ji-miao，Hu Li-fang.Accident database early warning based on BP neural network[J].Computer Systems ＆Applications，2011，2.（9）：127-130.（in Chinese）

[11]Liu Zhi-jie，Ji Ling，Ye Yu-ling.Study on prediction of railway freight volumes based on RBF neural network[J].Journal of the China Railway Society，2006，2.（5）：1-5.（in Chinese）

附中文参考文献：

[1]卞西陈，陈丽华，王鹏.BP 神经网络在森林健康预警中的应用[J].水土保持通报，2011，31（4）：108-111.

[2]刘燕.道碴电阻小和分路电阻大情况下轨道电路存在问题的解决方法探讨[J].科技情报开发与经济，2010，2.（25）：200-202.

[3]马义不.轨道电路分路不良常见问题分析[J].自动化与仪器仪表，2012，2.（1）：110-111.

[4]任国桥.基于轨道电路解决站内分路不良方案的研究[J].铁路通信信号工程技术，2008，5（5）：41-44.

[5]安海军，李建清，吴保英.25Hz相敏轨道电路[M].北京：中国铁道出版社，2006.

[6]李文海.25Hz相敏轨道电路原理、维护和故障处理[M].北京：中国铁道出版社，2010.

[7]李松，解永乐，王文旭.AdaBoost＿BP神经网络在铁路货运量预测中的应用[J].计算机工程与应用，2012，48（6）：233-234.

[8]辛晶，夏登友，康青春.BP 神经网络技术在交通工具火灾预警中的应用[J].中国安全科学学报，2006，16（11）：29-33.

[10]冯继妙，胡立芳.基于BP神经网络的车祸库预警技术[J].计算机系统应用，2011，2.（9）：127-130.

[11]刘志杰，季令，叶玉玲.基于径向基神经网络的铁路货运量预测[J].铁道学报，2006，2.（5）：1-5.