基于改进多分支BP神经网络的ZPW-2000A移频轨道电路故障预测研究

陶汉卿，黄 莺

(柳州铁道职业技术学院，广西 柳州 545616)

0 引言

ZPW-2000A移频轨道电路是我国在引进法国UM71无绝缘轨道电路技术基础上，结合我国实际情况，为提高系统传输性能、安全性和可靠性而开发的。ZPW-2000A移频轨道电路是重要的保证行车安全、提高运营效率的铁路信号设备，具有全程断轨检查、轨道占用检查和传递低频行车信息等功能。当ZPW-2000A移频轨道电路故障时，会传输错误信息，导致信号错误显示，使列车相撞或者追尾，直接出现危及行车安全等一系列问题。因此，需要对ZPW-2000A移频轨道进行故障预测，为电务人员掌握ZPW-2000A移频轨道状态、辅助故障分析和处理提供依据，加强结合部管理，从而提高ZPW-2000A移频轨道电路维护水平和效率，节约维护成本。

ZPW-2000A移频轨道电路由主轨道电路和调谐区小轨道电路两个部分组成。根据故障导向安全的原则，主要有两种故障：红光带故障和分路不良。ZPW-2000A移频轨道电路出现故障的原因很复杂，如发送器功出电压波动、道床电阻随环境变化、钢轨表面的粗糙状况、列车走行和检修施工对引接电缆的影响、绝缘节调谐单元元件损坏、补偿电容不良、室内和箱盒电缆断线故障等[1]。因此，对ZPW-2000A移频轨道电路故障的预测极其复杂。在实际应用中，对ZPW-2000A移频轨道电路故障的预测和处理主要根据信号集中监测系统采集、显示和存储的监测数据、报警数据和故障现象，根据积累的经验进行综合判断，初步判断故障可能出现的范围，随之采用专用移频表和万用表进行参数测试确认，然后进一步分析、确认和处理，把故障隐患排查，做到防患于未然。这样的做法虽然利用了先进的信号集中监测设备，但是对于故障的预测过于依赖电务人员的综合经验和素质，一旦电务人员的知识经验水平和责任心不足，容易预测故障错误，不能有效消除隐患，因此加重了电务人员的劳动强度，使ZPW-2000A移频轨道电路维护的水平和效率下降，所以研究和开发ZPW-2000A移频轨道电路故障预测系统，对于提高设备维护效率和水平是非常有必要的。

不少专家学者对ZPW-2000A移频轨道电路故障预测方法进行了研究，有学者提出采用专家系统对ZPW-2000A轨道电路进行故障预测[2]，但该方法需要存储大量的数据，过于依赖专家知识，无法自适应预测；有学者提出支持向量机ZPW-2000A轨道电路故障预测方法[3]，但支持向量机的二次规划模型求解复杂度较难解决，若样本个数越大，计算速度会显著下降；有学者利用结合粗糙集理论和模糊认知图理论(PCM)进行ZPW-2000A移频轨道电路的故障预测[4]，该方法采用的是单一的分类器，集成训练的分类器难以实现，对故障预测精度影响较大。

本文针对ZPW-2000A移频轨道电路故障参数和特点，提出一种基于改进多分支BP神经网络的ZPW-2000A移频轨道电路故障预测方法。

1 ZPW-2000A移频轨道电路工作原理

ZPW-2000A移频轨道电路设备由室内设备和室外设备组成。室内设备主要有包括发送器、接收器、衰耗器、电缆模拟网络盘等；室外设备主要有：匹配变压器、调谐单元、空心线圈、机械绝缘节空心线圈、补偿电容等[5]。主轨道电路的发送器由载频条件和低频编码条件控制，根据输入的条件可以产生分配不同机车信号信息码的低频信号，共有频率为10.3～29 Hz的18种低频，相邻两种低频之间相差1.1 Hz，然后采用上行(2000-1，2000-2，2600-1，2600-2)和下行(1700-1，1700-2，2300-1，2300-2)8种载频调制移频信号。该信号经两根电缆，经过匹配变压器传输到室外的调谐单元，同时向主轨道和调谐区小轨道传送。主轨道信号通过钢轨传输到接收端，在调谐单元处产生并联谐振，阻抗较大，信号通过匹配变压器放大，经过电缆送至室内的电缆模拟网络盘、衰耗器，然后进行电平调整后送到接收器，调谐区小轨道信号在调谐单元处产生串联谐振，阻抗较小，由前方相邻轨道电路接收端设备处理，接收器接收到规定范围的小轨道信号形成小轨道继电器执行条件，送到本区段的接收器，本区段的接收器要求同时接收到本区段主轨道移频信号和小轨道继电器执行条件，同时满足要求，才能输出电压信号，表示本区段空闲，从而监督列车占用，发送器根据前方3个区段轨道继电器的状态进行低频编码，ZPW-2000A移频轨道电路原理结构如下页图1所示。

图1 ZPW-2000A移频轨道电路原理结构图

2 改进多分支BP神经网络

2.1 多分支BP神经网络模型

BP神经网络是根据后向传播调整网络权值规则的学习算法，具有输入层、隐含层和输出层三层结构，从输入层经过隐含层到输出层的计算，其中输入层和隐含层的权值、阈值均为已知，对输出值和期望值进行比较，如出现误差，将误差反向传播，逐层调整每层的权重系数，通过误差的不断反向传播修正，使误差减少，正确率提高[6]，典型的BP神经网络模型如图2所示。

图2 典型BP神经网络模型图

多分支神经网络是基于模块化和分而治之的思想建立的，可以降低复杂度，具有更好的故障预测性能，应用于故障预测等目标问题。具体思路是：将ZPW-2000A移频轨道电路故障预测问题进行分解，对每个输出故障类型构造为独立的网络，如此形成同等数目的网络分支，使N种故障预测问题转换成了N个并行的两种故障预测问题，用独立的3层结构处理某一类的故障诊断问题，故障提取参数组成输入值向量，判断将多维故障预测问题变为多个并行的两类故障预测问题，然后采用D-S证据决策融合方法进行分类。因此，降低了故障预测问题的复杂度，分类网络可以并行计算，大大加快了处理的速度。改进多分支BP神经网络故障预测结构如图3所示。

图3 改进多分支BP神经网络故障预测模型示意图

2.2 基于D-S证据的决策融合

多分支BP神经网络的D-S证据决策融合思路是把分支BP神经网络的输出集合，组成为焦元属性子集，然后计算焦元属性对目标决策属性的属性层面支持度[7]，将训练样本的已知输出值作为理想状态向量，将训练样本的BP神经网络计算输出值作为决策向量，通过计算两者之间的欧式距离。

其中，tp(i，j)——决策向量；

t*(i，j)——理想状态向量。

欧式距离越小，说明理想状态向量和决策向量接近程度越高，欧式距离越大，说明理想状态向量和决策向量接近程度越低，由上述欧式距离可得目标决策属性的总支持度Sup(Di)。

Sup(Di)=1-D(Tp(Di)，T*(Di))，i=1，2，…，r

(2)

将总支持度最大的目标决策属性放在输出集合中，如集合中只有一个元素即为D-S证据融合决策结果，如集合元素>1个，根据分支BP神经网络计算得到的概率分配函数进行判断；如分支元素只有一个即为决策结果，如分支元素>1个，将焦元属性与计算得到的总支持度的和进行判断，最大值则为结果。

3 ZPW-2000A移频轨道电路故障预测

本文应用改进多分支BP神经网络建立ZPW-2000A移频轨道电路故障预测的模型，通过对ZPW-2000A移频轨道电路影响较大的特征参数进行提取[8]，优选了发送器功出电压US、主轨道输入电压UZR、小轨道输入电压UXR、小轨继电器电压UXG、轨道继电器轨道线圈电压Uj等5个特征作为改进多分支BP神经网络的输入向量，并设定发送器功出电压波动、道床电阻下降、调谐单元损坏、补偿电容不良、电缆断线故障等5种常见故障作为输出，利用D-S证据进行决策融合预测。模型训练学习时，从某电务段信号集中监测系统设备中选取2 000个包含5种故障类型的样本进行模型训练。在测试阶段，采用训练阶段得到的改进多分支BP神经网络模型对1 000个样本进行预测。

在计算机上采用Matlab7.1编程进行模型仿真试验，试验结果如表1所示。

表1 ZPW-2000A移频轨道电路故障各种预测方法的性能比较表

结果表明：在ZPW-2000A移频轨道电路故障预测中，改进多分支BP神经网络的学习时间比支持向量机缩少将近一半，但是识别准确率比支持向量机高4.0%以上，比专家系统、PCM算法等方法具有更大的优势。这说明在有限ZPW-2000A移频轨道电路故障预测的样本条件下，在4种预测方法中，多分支BP神经网络方法具有最优的ZPW-2000A移频轨道电路预测性能。

4 结语

本文根据分而治之和模块化的思想对BP神经网络进行改进，将BP神经网络的故障预测问题划分为多个分支，并行处理，然后采用D-S证据理论进行决策融合求解故障预测问题，建立了改进的多分支BP神经网络模型，并对ZPW-2000A移频轨道电路故障预测进行了仿真，优选了5个ZPW-2000A移频轨道电路的参数作为特征向量，对5类常见故障进行预测。结果表明，本文设计的改进多分支BP神经网络在准确度和计算效率上都优于专家系统、PCM算法和支持向量机，能够有效地提高ZPW-2000A移频轨道电路故障预测的正确性和效率。