基于BP_Adaboost的道岔故障诊断研究

于苡健

摘要 文章根据道岔内的控制电路和开关状态，分析监测系统的道岔动作电流，提取道岔特征输入值，对五线制道岔和交流转辙机建立道岔故障模型。先通过BP神经网络对数据训练测试分类，再通过优化过的Adaboost组成强分类器，对道岔特征量与道岔故障类型之间进行匹配分类。经过实验仿真，BP_Adaboost算法的故障识别率达到95.8%，对道岔故障诊断具有重要研究意义。

关键词 铁路信号系统;道岔;故障诊断;BP_Adaboost

中图分类号 U284.72 文献标识码 A 文章编号 2096-8949（2022）10-0056-03

0 引言

随着电子技术和信息技术的快速发展，国内外近些年一直开展对铁路信号的全电子化和智能化研究工作。其中道岔设备在联锁系统中有着至关重要的作用。在全电子计算机联锁系统中，道岔的可靠性虽然比传统的继电器高，但也会出现故障。所以对全电子联锁系统的道岔故障分析有着重要研究意义，对提高维修人员的维修效率和车站运输能力有很大的帮助。

现在对于道岔故障诊断的方法很多，但至今没有应用到实际车站的有效方法。针对道岔故障诊断国内外研究方法丰富，薛艳青等人建立专家系统对道岔故障进行分析，张凯等人应用BP神经网络的道岔故障诊断方法，翟永强等人利用贝叶斯网络分析道岔故障，还有赵林海等人基于灰关联的道岔故障诊断方法。虽然诸多方法对道岔故障诊断有不错的效果，但在实际应用中有许多不便。论文在现有的研究方法上，提出一种基于BP_Adaboost强分类器的道岔故障诊断方法。原有的利用BP神经网络对道岔故障诊断方法有着解决非线性问题的优势，并且可以通过自学习和自适应能力不断优化网络。但是BP神经网络的隐含层无法精准确定，只能通过估计和实验所得。所以应用强分类器的效果，通过降低BP神经网络的训练次数，以达到补充单独使用BP神经网络的缺点，使用Adaboost算法增强分类效果，减少输出误差，获得更好的诊断效果。该文以计算机联锁系统的五线制道岔为研究对象，应用基于BP_Adaboost强分类器对五线制道岔进行故障诊断分析。采集道岔动作电流、道岔的开关和表示电路的状态，作为BP神经网络的特征输入，通过实验仿真，得到算法预测输出。结论表明对比单独使用BP神经网络，BP_Adaboost算法对道岔故障有较高的故障识别率。

1 五线制道岔电路分析和常见故障

1.1 五线制道岔电路分析

五线制道岔模块采用“二取二”硬件结构，能够实现三相交流转辙机的驱动和采集控制，内包括转辙机驱动电路、表示采集电路和道岔微控制电路等。联锁计算机和冗余通信电路CANA、CANB进行信息交换，检测通道CANC和维修监测机连接。电源屏提供动作电路和信号采集电路的电源输入，电路的输出与转辙机的X1-X5相连。

五线制道岔动作驱动电路见图1，用于控制三相交流转辙机的正反转，微控制系统通过控制电源开关和换相开关的闭合，从而控制转辙机的正反转。当转辙机向正转时，电源开关K1、K2、K3全部闭合，同时换相开关中的K4、K6闭合，接通X1、X2、X5;同理，向反向转时，电源开关K1、K2、K3全部闭合，换相开关的K5、K7闭合，接通X1、X3、X4。

五线制道岔表示采集电路（见图2），用于实时检查转辙机的位置。表示采集电路输入为两相电，电路由变压器、定位反位表示检测电路和表示电路控制开关等组成。当检测表示信号时，通过定位和反位表示检测电路同时确定转辙机的位置。定位表示检测电路有信号而反位表示检测电路没有信号时，会确定转辙机在定位;同理，反位表示检测电路有信号而定位表示检测电路没有信号，确定转辙机在反位，而定位和反位同时有信号或者同时没有信号，确定转辙机在四开状态。

1.2 五线制道岔常见故障

通过分析道岔电路，总结以下故障模式，并为每一种故障类型标上代码，见表1，以方便在仿真图中查看。

为了准确定位故障原因，该文根据微机监测系统的道岔动作曲线和道岔模块的特性，选取16个可分离的故障特征输入，包括道岔转换时间，道岔启动、转换和表示等各阶段的三相相电流值，还有动作电路、表示采集电路中各个开关的状态等，特征输入见表2。

2 基于BP_Adaboost的道岔故障诊断算法

AdaBoost算法的思想是将多个“弱”分类器的输出进行组合以产生有效的分类。主要步骤如下：首先给出一个弱学习算法和样本空间（x，y），从样本空间中找出n组训练数据，每组训练数据具有1/n的权重，然后利用弱学习算法迭代K次，得到权值。根据每次迭代后的分类结果更新训练数据的分布，对未分类的训练个体赋予更大的权重，并在下一次迭代中对这些训练个体给予更多的关注。BP_Adaboost模型采用BP神经网络作为弱分类器，反复训练BP神经网络预测样本输出，通过Adaboost算法得到由多个BP神经网络弱分类器组成的强分类器[1]。

基于BP_Adaboost模型的道岔故障诊断算法首先将数据作为BP神经网络的输入，在BP_Adaboost算法中，降低了BP神經网络的训练次数，目的是降低它的分类效果以体现Adaboost算法的强分类效果。算法的每组数据输入为16维，代表上述的16个故障特征，输出为1维，代表道岔故障类型。最后根据实验和训练确定隐含层数为8，最后根据数据维数，BP神经网络结构采用16-8-1，BP神经网络结构见图3。

将数据输入到10个相同模型的BP神经网络中，再将输出通过Adaboost算法进行决策分析，同时训练生成10个BP神经网络组成的弱分类器，最后用10个弱分类器组成强分类器对道岔故障进行分类诊断，以提高诊断准确率。

3 仿真分析

通过MATLAB仿真分别验证弱分类器和强分类器对于道岔故障分类的准确率，将仿真中的1 000组样本数据分成两组，分别用来训练和测试，在相同数据下，分别对两种方法测试计算故障诊断率。

首先用弱分类器—BP神经网络进行故障诊断，神经网络结构采用16-8-1，对相同数据重复训练测试。数据整理后，测试结果见图4。

在200组测试数据中，BP神经网络单独测试准确率为90.5%（181/200）。

在使用弱分类器训练后，由10组弱分类器组成的强分类器对分析样本进行故障诊断，在相同样本下，同样进行测试，测试结果见图5。

在相同样本下，使用强分类的测试准确率为96%（192/200）。

从两组仿真实验中可以看到，单独使用BP神经网络，故障类型2、3、4之间会错误识别，从数据输入上看，定位表示电路故障（X2，X4）、反位表示电路故障（X3，X5）和表示电源故障之间，数据具有相似性，不易分别，用Adaboost算法得到由多个BP神经网络组成的强分类器，对以上三种故障类型的识别率有提高，能够在多个BP神经网络中找到正确的分类。仿真结果验证了将BP_Adaboost算法应用到道岔故障诊断中是可行的。

4 结语

在对道岔的动作电流和模块内开关状态的采集，进行故障特征提取，建立合适的BP神经网络模型，并用BP_Adaboost算法对道岔故障进行诊断。在和单独的BP神经网络进行对比后，使用强分类器的故障诊断率有明显的提高。由于算法中的BP神经网络的训练次数由实验和估计所得，如果能精准确定，并增加训练次数，再使用Adaboost算法会对故障识别率有很大提升。

参考文献

[1]吕雁飞， 侯子骄， 张凯. 多分类BP-AdaBoost算法研究与应用[J]. 高技术通讯， 2015（5）： 437-444.