改进的道岔智能故障诊断系统建模研究

翟　琛,肖　蒙

(兰州交通大学自动化与电气工程学院, 兰州　730070)



改进的道岔智能故障诊断系统建模研究

翟琛,肖蒙

(兰州交通大学自动化与电气工程学院, 兰州730070)

摘要：铁路系统转辙机维修方式仍沿用故障修模式,无法提高故障排除速度和准确性,提出利用改进遗传算法优化贝叶斯网络的方法建立故障诊断模型。利用遗传算法搜索能力强,不易陷入局部最优的特点,采用连接矩阵代替网络结构的编码方式,通过修改适应度函数、更新遗传操作方式、修正非法图等方法改进遗传算法,最终解决贝叶斯网络结构学习算法容易缩小搜索空间及易陷入局部最优的缺点。最后利用标准Asia网络验证本文算法比K2和GA算法有更好的搜索结果和更快的收敛速度,以道岔失去表示故障为例验证改进算法对转辙机故障诊断的优越性。

关键词：铁路道岔；转辙机；故障诊断；遗传算法；结构学习；贝叶斯网络模型

随着列车不断提速及高铁技术的引进吸收，铁路运输安全问题已被人们普遍关注，信号设备担负着保障运输安全的重要任务，对电务部门的要求不仅是正确处理故障，还要尽量缩短故障处理时间。目前我国的转辙机维修仍沿用传统的故障修方式，已不能适应铁路发展的需求，由于作业人员处理方法不当或处理速度太慢，导致转辙机故障处理延时，对铁路运输秩序造成重大影响。因此，如果能提出一种智能故障诊断方法，在转辙机故障时，快速、准确判断故障类型，对现场维修人员给予指导，则可以将设备故障延时降到最低。

转辙机的故障原因和故障征兆呈随机性、不确定性，传统的贝叶斯网络算法在构建网络结构时容易出现缩小搜索空间和陷入局部最优等缺点。已经有文献提出诸如专家系统、人工神经网络、模糊理论、标准贝叶斯网络等方法，这几种故障诊断方法各有优势，但同时存在缺点。专家系统推理和解释能力强，但获取知识困难、容错能力差；人工神经网络学习能力和容错能力较强，但易陷入局部最优；模糊理论容错性较强，但不具备学习能力；标准贝叶斯网络对处理不确定性知识推理问题具有较强的计算能力，但容易陷入局部最优和缩小搜索空间。针对该问题，提出基于改进遗传算法优化的贝叶斯网络故障诊断模型，用线性调整方法调整适应度函数，并通过修正非法图减少对下一代进化的影响，利用自学习得到最优的贝叶斯网络模型。

1贝叶斯网络理论

贝叶斯网络是一种基于概率推理的图形化网络，适用于处理不确定性问题。与Petri网、神经网络、专家系统等故障诊断方法相比，贝叶斯网络具有诊断模型清晰直观、容错能力强、诊断速度快、能综合先验和后验信息来消除主观偏见和噪声影响等优势。贝叶斯网络结构学习算法，是将现场获取数据中的依赖关系和因果关系，用图形化的模型表达出来，则贝叶斯网络的结构空间函数如式(1)所示。可以看出贝叶斯网络结构空间，随着节点数量的增加成指数增长。

(1)

贝叶斯网络结构学习分为数据完整和不完整两种情况，针对转辙机的网络结构学习考虑数据完整，使用基于搜索评分的方法，用贝叶斯信息标准测度(BIC)作为打分函数如式(2)所示，得到的最优网络结构判别标准即为是否得到最高的计分值。

(2)

其中，B表示学习得到的贝叶斯网络结构；D为训练集；Dim(B)贝叶斯网络维度。

2改进的遗传贝叶斯网络建模分析

用遗传算法优化贝叶斯网络，就是利用遗传算法搜索能力强、不易陷入局部最优的特点，对贝叶斯网络结构算法进行优化。遗传算法虽然有自身优点，但在应用过程中也容易出现早熟、搜索迟钝等缺点。改进遗传算法的方法通常有3种：①编码；②确定适应度函数；③设定遗传算法自身参数。遗传算法自身参数包括：种群大小n，交叉率pc和变异率pm。

2.1用矩阵编码确定初始种群

针对贝叶斯网络的结构，本文采用节点间的连接矩阵E=(Cij)进行编码，其中，Cij=1表示i为父节点，j为子节点，有向边为i指向j，Cij=0表示i和j节点之间无连接。如图1所示为贝叶斯网络矩阵表示和图形表示之间的关系。

图1　简单贝叶斯网络结构图

2.2调整适应度函数

从原始种群中选取适应度高的个体作为新的初始种群，可以减少遗传代数，加快遗传算法计算速度。因此合理选取适应度函数非常重要，它能够表明个体或解的优劣性。

选取适应度函数如式(3)所示

(3)

其中，F(X)为经线性变换得到的适应度函数；Favg为种群个体的平均适应度；Fmax为最佳个体适应度；常数c决定了适应度函数的好坏。

用线性调整法对适值进行调整，则调整后的适值F与原个体适值f应满足以下关系，fmax=cmultFavg，正常的线性调整方法如图2所示，c取1～2。由于个体适值可能远小于平均适值和最大适值，而平均适值和最大适值又比较接近，此时可采用图3的方法，将cmult原始适值伸展为负值。

图2　正常条件下的线性调整

图3　特殊条件下的线性调整

2.3更新操作方法

(1)选择算子

(4)

(2)交叉算子

其作用是在选择算子得到的新种群中，任意选两个个体交叉，从而获得新的个体。将矩阵的n×n个元素分别用一个长度为L的二进制串表示，然后把合并成长度为L×n×n的二进制编码串转换为由L个n×n的二进制矩阵构成的矩阵串，把结构矩阵变为行向量，同时进行多列之间的交叉，这样种群交叉次数减少，加快了收敛速度。

(3)变异算子

针对贝叶斯网络结构学习，采取了新的优化变异操作方法，即增加边、删除边和反向边操作。然而优化变异操作往往会产生非法拓扑结构，为了不影响种群下一代的遗传进化，需要对交叉变异后产生的非法拓扑结构进行修正。

非法图修正步骤如下：

①根据传递闭包公式求解网络结构的传递闭包；

②检查连接矩阵主对角线上的元素，如全为0则该网络不存在非法图；

③若主对角线出现不为0元素，找出该元素对应节点的父节点，对父节点指向该节点的边进行删除或反向操作，得到有效的拓扑结构图。

3算例验证

为验证改进遗传算法对贝叶斯网络结构优化的有效性，论文利用经典的Asia网络，用Matlab7.0进行编程仿真，并分别用K2算法、GA算法和改进遗传算法优化后的贝叶斯网络对Asia数据库进行学习，得到相应的贝叶斯网络结构。遗传算法自身参数设置：选取种群个体数目为80，连续无效迭代次数10，选择概率为0.9，交叉概率为0.35，最大迭代次数200次。本文贝叶斯网络结构学习算法流程如下。

(1)将网络结构用连接矩阵进行编码，并选取一定数量邻近图进行编码确定初始种群。

(2)用贝叶斯标准信息测度对网络结构打分，并找出全局最大计分值。开始循环。

(3)计算个体适应度，并淘汰适应度低的个体。

(4)通过选择、交叉、变异操作生成新种群，并将新种群还原成连接矩阵形式。

(5)修正非法图，得到有效拓扑结构图。

(6)重新计算更新后个体的计分值，如果与原对应个体计分值不相等，则更新原计分值，同时计算全局最大计分值。

(7)如果全局最大计分值不变，则为无效迭代。当达到规定的重复迭代次数后，跳出循环，输出全局最优个体，得到最优的贝叶斯网络结构。

用本文算法优化贝叶斯网络的理想效果是节点之间连接关系明确、模型中不出现反向边。从图4可以看出，以Asia网络为例，分别用K2算法、GA算法和本文算法对网络进行学习，K2和GA都出现多边、丢边和反向边现象，通过对比发现本文算法学习效果较好。

图4　Asia网络仿真结果

图5所示为几种算法对贝叶斯网络模型学习效果的对比，可以看出，随着种群规模增大，K2算法和GA算法在计分值和迭代次数方面受到较大影响。而本文算法在遗传算法迭代次数较少的情况下，始终能保持较高的计分值。说明本文算法具有较强的搜索能力和较快的收敛速度，能在最短时间内得到最优的贝叶斯网络模型。

图5　算法收敛性能和搜索精度对比

4用本文算法建立道岔故障诊断模型

通过对标准Asia网络验证，证明采用遗传优化的贝叶斯网络建模方法在处理不确定问题时，不会出现轻易陷入局部极值的可能，并且具有很好的收敛性和较高的搜索精度。通过分析铁路道岔设备的工作原理及故障特点，总结出典型的道岔故障类型及故障现象。

按职能部门划分，可分为工务故障和电务故障；按故障类别可分为机械故障和电路故障。其中工务故障易受作业环境影响，主要表现为道岔机械故障；电务故障是指电动转辙机的电路或机械故障。道岔故障诊断模型如图6所示。

基于贝叶斯网络的故障诊断在建立诊断模型后，通过Matlab工具箱进行算法参数学习和推理过程，通过推理可以得出道岔故障时各故障原因发生的概率，对比概率值可知概率大的节点是引起道岔故障的真正原因。以兰州铁路局兰州电务段2013年道岔故障统计表为例，表1仅列出部分故障。

图6　道岔故障诊断模型

车站发生时间恢复时间延时过程陈官营15:3317:251:521月2日15:33,陈官营站25/31号道岔定反位无表示,16:42,临时恢复定位表示,17:25销记开通,设备恢复正常使用。原因:29号道岔转辙机内部齿轮止挡栓折断河口南21:3321:560:233月27日21:33,河口南10/12号道岔失去表示,21:56销记开通使用。原因:10/12号道岔熔断器不良,造成10/12号道岔失去表示玉石9:4010:090:294月14日9:40,玉石站2/4号道岔定位无表示,10:09销记,恢复正常使用。原因:2号道岔1机处基本轨飞边大甘谷15:5916:370:326月23日15:59,甘谷站2/4号道岔发生定反位无表示故障,16:37设备恢复正常使用。原因:2号道岔Ⅰ机定位侧锁钩脱出,造成该道岔转换卡阻,发生定反位无表示故障大路3:444:030:1911月4日3:44,大路站1/3号道岔发生定位无表示故障,4:03设备恢复正常使用。原因:3号道岔I机定位锁钩紧张家祠22:4623:152:4111月18日2:57,张家祠站2/4号道岔反位失去表示,5:38设备恢复正常使用。原因:2号道岔线路北侧密贴检查器电缆盒内3号端子软配线接触不良骆驼巷6:427:400:5811月23日6:42,骆驼巷榆钢东站106号道岔反位无表示,7:40故障恢复。原因:106号道岔反位尖轨翘头

从中选择河口南道岔故障进行分析，通过贝叶斯网络的学习和推理，概率最大的故障原因有两个：道岔熔断器不良和表示缺口调整不良，概率值为0.087 43。现场检查时发现表示缺口调整合理，因此可以判断该站道岔故障的原因是熔断器失效。经试验证明基于贝叶斯网络的道岔故障诊断方法是可行的，但该算法仍需经大量数据试验来完善和改进。

5结论

转辙机故障现象和故障类型较多，而贝叶斯网络结构规模随变量数目呈指数增长，针对该问题论文提出用改进的遗传算法优化贝叶斯网络。将每个诊断网络用连接矩阵方式表示为一个种群，用线性调整方法修改适应度函数，并通过选择、交叉、变异等方法产生新种群，同时利用传递闭包理论消除网络加边、减边、反向边等现象，使算法能尽快收敛并得到全局最优解。通过标准Asia网络验证了本文算法比K2和GA算法有更好的搜索结果。最后，运用改进算法，得到了最优的道岔失去表示故障诊断模型。

参考文献：

[1]Sahin F， Yavuz M， Amavu Z, et al. Fault diagnosis for airplane engines using Bayesian network and distributed particle swam optimization[J]. Parallel Computing， 2007，11(33):124-143.

[2]Chickering D. M.. Optimal structure identification with greedy search[J]. Journal of Machine Learning Research， 2002，11(3):507-554.

[3]王双成，冷翠平，李小琳.小数据集的贝叶斯网络学习[J].自动化学报，2009，35(8):1064-1070.

[4]孙岩，唐一源.新的贝叶斯网络结构学习算法[J].计算机工程与设计，2008，29(5):1238-1240.

[5]许丽佳，黄建国，王厚军，等.混合优化的贝叶斯网络结构学习[J].计算机辅助设计与图形学报，2009，21(5):633-639.

[6]沈佳杰，林峰.基于混合自适应Memetic算法的贝叶斯网络结构学习[J].系统工程与电子技术，2012，34(6):1293-1298.

[7]汪春峰，张永红.基于无约束优化和遗传算法的贝叶斯网络结构学习方法[J].控制与决策，2013，28(4):618-621.

[8]Tsamardions I， Brown L E， Aliferis C F. The max-min hillclimbing Bayesian network structure learning algorithm[J]. Machine Learning， 2006，65(1):31-78.

[9]王思明，雷烨.一种基于LS-SVM的道岔控制电路故障诊断[J].兰州交通大学学报，2010，29(4):1-5.

[10]董海鹰，李娜.基于D-S证据理论信息融合的转辙机故障诊断方法研究[J].测试技术学报，2013，27(1):1-6.

[11]苏广宇，陈洪云，欧阳宏志.提速道岔故障的人工智能诊断实现[J].微计算机信息，2007，23(8-1):188-189.

[12]王彤.基于最小二乘支持向量机的轨道电路故障诊断方法[J].铁道标准设计，2014，58(2):89-93.

Research on Modeling Improved Intelligent Switch Fault Diagnostic SystemZhai Chen, Xiao Meng

(School of Automation & Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China)

Abstract：As the fault repair mode still used in repairing switch in railway system is unable to improve the speed and accuracy of troubleshooting, a fault diagnostic model is established with improved genetic algorithm and Bayesian network. Characterized by genetic algorithm, strong searching capability and independence of local optimal, it replaces the network structure coding with connection matrix to improve genetic algorithm by modifying fitness function, updating genetic operation mode and correcting illegal map and, consequently, overcomes the shortcomings of Bayesian network structure that learns algorithm and tends to reduce the search space and falls into local optimal. Finally, the algorithm is verified with standard Asia network to be faster in convergence speed compared with the algorithm of K2 and GA and the superiority of improved algorithm for fault diagnosis of switch is demonstrated by taking the case of losing fault indication.

Key words：Rail switch; Switch machine; Fault diagnosis; Genetic algorithm; Structure learning; Bayesian network model

中图分类号：U284.92

文献标识码：A

DOI:10.13238/j.issn.1004-2954.2015.02.029

文章编号：1004-2954(2015)02-0118-04

作者简介：翟琛(1985—)，女，硕士研究生，E-mail：hx0210489@126.com。

基金项目：铁道部科技研究开发计划项目(2012X003-B)

收稿日期：2014-10-23； 修回日期：2014-10-30