基于改进FNN的道岔电路故障诊断方法

高亚丽 陈光武

摘  要：道岔是直接关系到高速铁路安全运营的关键信号设备，目前对其控制电路故障诊断方式主要是依靠简单仪器与人的以往经验。针对道岔控制电路故障的模糊性与不确定性特点和实现道岔控制电路故障诊断的高准确率与智能化，文章提出一种基于模糊推理法与模糊神经网络（Fuzzy Neural Network，FNN）相结合的诊断方法：首先在总结S700K道岔控制电路常见的8种故障类型、建立模糊规则和选择隶属函数的基础上，建立基于模糊推理法FNN诊断模型;其次为避免算法收敛慢和陷入局部最优，文章通过引入改进的动态学习速率和附加动量项的學习调整法，实现对算法的改进，并比较算法改进前后的误差曲线;最后将文中算法和BP神经网络进行诊断准确率对比。仿真实验结果表明，该算法对道岔控制电路故障诊断的准确率高并且能达到99.6%以上。

关键词：道岔控制电路;故障诊断;模糊推理法;模糊神经网络

中图分类号：U284.92       文献标志码：A              文章编号：2095-2945（2020）15-0125-03

Abstract： Turnout is a key signal device directly related to the safe operation of high-speed railways. At present， the fault diagnosis method of its control circuit mainly relies on the past experience of simple instruments and people. Aiming at the ambiguity and uncertainty of turnout control circuit faults and the high accuracy and intelligence of turnout control circuit fault diagnosis， this paper proposes diagnosis method combiningFuzzy Inference Method and Fuzzy Neural Network （FNN）： Firstly， based on the summary of the eight common fault types of S700K turnout control circuit， the establishment of fuzzy rules and the selection of membership functions， a FNN diagnosis model based on fuzzy inference is established; secondly， in order to avoid the algorithm's slow convergence and falling into local optimum， this paper introduces an improved dynamic learning rate and a learning adjustment method with additional momentum terms， then the algorithm is improved， and the error curves before and after the algorithm improvement are compared. Finally， the diagnostic accuracy of the algorithm in this paper is compared with the BP neural network. Simulation results show that the algorithm has high accuracy for the turnout control circuit fault diagnosis and can reach more than 99.6%.

Keywords： switch control circuit; fault diagnosis; Fuzzy Inference Method; Fuzzy Neural Network （FNN）

现如今，对于铁路关键信号设备之一的转辙机，如何对其高效、准确的故障诊断已经成为一个刻不容缓的课题。目前现场其故障诊断主要依靠工作人员观察微机监测系统所采集的转辙机动作电流或功率曲线来实现故障识别，这样的方法既不能智能化的分析出其故障类型，也不能智能化分析出其故障原因。

近年来，针对道岔故障诊断，国内外专家和学者提出不同方法，但都有不足。文献[1]提出灰关联道岔故障诊断方法，该方法无需训练即可对道岔故障进行诊断，不足之处是所建模型不具备自组织、自适应能力。文献[2-3]提出基于支持向量机的道岔故障诊断方法，该方法分类速度较慢，并且在故障模式较多的情况下，分类时间会更长。文献[4]以S700K道岔控制电路为研究对象，以团树传播作为推理计算的算法，分别给出无证据和有证据输入下的诊断结果，不足之处是先验概率的确定较困难。文献[5]将模糊理论、神经网络和支持向量机视作三位决策专家，综合评判得出诊断结果，优点是实现信息融合，提高故障诊断准确率，不足之处是算法复杂，实现较为困难。文献[6]提出基于BP神经网络的道岔故障诊断方法，该方法能够快捷、准确、自动地诊断出故障原因，降低故障处理时间，提高运行效率，不足之处是易陷入局部最优、结构不易确定且需要大量训练样本。文献[7]提出基于模糊神经网络的道岔故障诊断，不足之处是网络训练收敛速度慢，甚易陷入局部最优。

对于以上各方法的不足，本文提出一种基于模糊推理模型的道岔电路故障诊断方法，这种方法融合模糊逻辑与神经网络各自优势，运用专家知识与经验，进一步提高故障诊断的准确率。本文在建立模型、建立模糊规则和S700K道岔控制电路故障数据样本库的基础上，按照变化学习率、引入动量项和误差梯度下降的方法对模糊推理模型中的参数进行训练和优化。仿真结果表明，改进的算法能快速收敛和高准确度的实现故障类型分类，避免陷入局部最优和训练过程中的震荡。

1 模型建立

1.1 模糊理论与神经网络结合

神经网络具有一系列优点，如分布式信息存储、强大的自主学习能力和擅长处理非结构化信息，缺点是不擅长表达基于规则的知识，不能很好地利用现有的经验知识。模糊系统具有处理模糊信息、知识抽取和表达方便、类似人思维模式等一系列优势，适用于处理结构化知识，缺点是缺乏自学习和自适应能力。鉴于以上分析，本文将两者优势相结合，采用FNN进行故障诊断。FNN能够融合专家经验，加快训练速度，提高诊断的准确度，是一种相对完善的诊断模型。由于基于模糊推理的FNN擅长表达专家的知识与经验，因而获得普遍应用。

1.2 Mamdani模糊神经网络模型

网络模型如图1所示，该模型由5层组成。根据误差反向传输和误差梯度下降调整网络节点之间的连接权值和隶属函数参数。

（1）第1层为输入层，将输入向量传送至模糊化层。xi代表输入变量，i=1，2，…，n。

（2）第2层为模糊化层，该层每个节点代表一个语言变量值，如偏低（L）、合适（N）、偏高（H）等，对输入数据进行模糊化处理，计算各输入分量的隶属度函数值。

（3）第3层为模糊规则适用度层，该层每个节点表示一条规则，每条规则的适用度采用与运算。

（4）第4层为反模糊化层，它的目的是实现归一化运算。u=1，2，…，m，m代表规则数。

（5）第5层为输出层，起到解模糊输出的作用。yj代表输出变量，j=1，2，…，r。

2 S700K道岔控制电路

当前，国内铁路干线的道岔转动装置大都采用分动外锁闭转辙机。S700K作为钩式外锁闭的道岔转动装置，常用于提速区段。本文以三相交流转辙机S700K为例以予说明道岔故障诊断过程。

2.1 道岔电路故障

依据以往现场统计，S700K道岔电路故障一般多为电气故障，常见的电气故障主要由电阻开路或短路、配线电缆断线和表示继电器开路等引起的。故S700K常见的道岔电路故障类型可以分为8种，分别是：X1开路、X2或R开路、X4开路、Z开路、Z击穿、R1开路、R短路和表示继电器开路。

2.2 道岔电路故障诊断方法

道岔启动和表示电路的故障类型可以由X1和X2之间的交直流电压、X2和X4之间的交直流电压、R1两端的交直流电压、继电器两端的交直流电压共同间接反映。这是因为对于道岔电路的某种具体故障，各元件都有着相对应的电压，所以可以通过测量各元件的电压来间接实现对道岔电路进行诊断。

3 网络初始化和训练

3.1 训练样本和目标输出

模型如图2所示。输入为X=（x1，…，x8）T，输出为Y=（y1，…，y4）T。目标输出为T=（T1，T2，T3，T4）T，如表1所示，表中的数据为样本的目标输出，例如（0 0 0 1）T代表X1开路（故障类型1的二进制编码）。

3.2 模糊分割数和隶属函数类型

网络的8个输入分量的模糊分割数（隶属函数的个数）分别为{6，6，6，4，5，4，5，2}，例如网络第2个输入变量的语言变量值为（X2_1，X2_2，X2_3，X2_4，X2_5，X2_6）（如图3所示）。网络的4个输出分量的模糊分割数都为2（例如y1的隶属函数2（如图4所示）。

隶属函数采用高斯型如式（3）所示，其中参数c决定函数的均值，参数？滓决定函数的标准平方差。

3.3 网络训练

网络中需学习的参数主要有连接权值wju、隶属函数均值cip和标准平方差？滓ip。FNN其本质是一种前馈网络，故可以仿照BP神经网络学习的方法来调整网络参数，训练样本对为{X，T}，训练样本个数N=8。误差代价函数定义为（r表示输出分量的个数，r=4）：

连接权重和函数参数的一阶梯度为：

3.4 算法改进

在影响算法收敛的各因素中，学习速率是一个比较重要的因素。选取太小收敛速度会较慢;选取太大易导致振荡或发散。所以采用可变的学习速率如式（6）所示。在学习的初始阶段，误差一直处于下降状态，此时选取较大的学习率比较合适;在网络学习到最佳点附近位置时，选取较小的学习率能避免误差反复振荡而不能收敛。经仿真测试，参数？姿=1.050、？子=0.217，u=1.14时训练效果较好。确定三个参数的值。参数？姿的取值范围是[1，1.2]，本文取？姿=1.050;参数？子的取值范围是（0，0.4];参数u的取值范围是（1，4]。下面用控制变量的方法获得参数较优值。

确定参数？子的较优值：首先令？子=0.3，设置训练样本的误差限为1e-1;当？子=0.237时，误差能最快到达误差限，故？子=0.237为较优值。同理u的较优值为1.18。将？子取0.237±0.1和u取1.18±0.2的范围内进行筛选，当参数？姿=1.050、？子=0.217，u=1.14时训练效果较好。

为减小学习过程中的振荡趋势，算法引入了附加动量项，如式（7）所示，从而加快了收敛速度。？琢为动量因子，其取值范围是0～1，本文取0.5。

4 仿真

4.1 训练网络

编写Matlab程序，利用学习样本训练模糊神经网络，训练误差设置为1e-3，总训练步数设置为1000，得到训练误差曲线如图5所示。曲线1是改进后的误差曲线。曲线2是没有改进的误差曲线。实验表明，改进前的算法收敛速度慢，进入了局部最优;改进后的算法收敛速度快，并且当网络训练步数达到170步时，误差达到要求，为全局最优。

4.2 准确率比较

利用240组预测样本（每种故障类型30组），用本文方法和BP神经网络进行預测。图6中的Mamdani模糊神经网络预测正确率为100%，BP神经网络预测正确率为96.25%，错误率3.75%。一共分三次测试。最终BP神经网络三次预测平均正确率为96.7%，Mamdani模糊神经网络三次预测平均正确率为99.6%。

仿真实验结果表明，基于模糊推理的FNN比BP神经网络预测准确度要高，并且对道岔电路故障诊断有很好的效果。

5 结论

本文在道岔控制电路各种电压基础上，通过建立模糊规则库，将基于模糊推理的模糊神经网络应用到道岔智能故障诊断。通过引入动态学习率和动量项的模糊推理FNN加快算法收敛速度，避免陷入局部最优的算法缺陷，对于道岔常见的故障，改进的方法诊断精准度高、诊断速度快和具有切实的可行性，能为道岔的日常维护提供一定的参考依据。

参考文献：

[1]赵林海，陆桥.基于灰关联的道岔故障诊断方法[J].铁道学报，2014，36（2）：69-74.

[2]Lee J，Choi H，Park D，et al. Fault Detection and Diagnosis of Railway Point Machines by Sound Analysis[J]. Sensors， 2016，16（4）：549.

[3]钟志旺，陈建译，唐涛，等.基于SVDD的道岔故障检测和健康评估方法[J].西南交通大学学报，2018，53（4）：842-849.

[4]翟永强.贝叶斯网络在道岔控制电路故障诊断中的应用研究[D].兰州交通大学，2012.

[5]董炜，刘明明，王良顺，等.基于群决策的道岔控制电路故障诊断方法[J].自动化学报，2018，44（6）：1005-1014.

[6]王铁军，董昱，马彩霞，等.基于BP神经网络的道岔智能故障诊断方法[J].铁道运营技术，2011，17（2）：4-7.

[7]李雅美，魏文军.基于模糊神经网络的道岔故障诊断系统研究[J].铁路计算机应用，2012，21（1）：35-39.