基于GA-KELM的ZPW-2000A型轨道电路故障预测研究

2022-06-11李晓艳

大连交通大学学报 2022年2期

李晓艳

(陕西铁路工程职业技术学院铁道动力学院,陕西渭南 714000)

伴随着设计时速350 km，正线全长174 km的京张高铁“精品工程、智能高铁”的建设，铁路线路针对轨道电路所采用的“天窗修(TBM)”和“故障修”的维修维护模式[1-2]已不能满足行车安全和运输效率的提高.

当前已有不少文献对轨道电路进行了深入研究：文献[3]就轨道电路锈蚀、集污造成轨面电阻超高导致分路不良进行研究；文献[4]就轨道电路检测精度低、耗时长等方面进行算法改进；文献[5]针对轨道电路中红光带故障的多样性及复杂性问题进行故障诊断；文献[6-10]中对道砟信号、多故障诊断方法等方面进行了研究.

随着智能技术及PHM(Prognosticsand Health Management，故障预测与健康管理)理论的发展，基于状态修(CBM)的故障预测方法成为当前的研究热点[11-12].典型故障预测的方法主要有：统计法、数学法、智能法和传统基于梯度的学习迭代策略，选择正则化最小二乘法调整输出矩阵，在网络训练速度及泛化速度方面都有很大的改善[14].本文选择ELM及其优化算法对我国铁路线路上广泛采用的ZPW-2000A型轨道电路进行故障预测研究，最后通过两个实例验证了模型的可行性与有效性.

1 ZPW-2000A结构分析

图1为ZPW-2000A型轨道电路的结构图.室外由调谐区、机械绝缘节、匹配变压器、补偿电容、电缆和调谐区引线构成.室内主要有发送设备和接收设备组成.

图1 ZPW-2000A型频轨道电路原理图

本文数据来自微机检测室，具体参数指标如表1所示.

表1 轨道电路集中监测基本数据

2 ELM及其改进算法

ELM是一种单隐层前馈神经网络，包括输入、隐层和输出3层.若有N组训练样本数据集(xj,tj)，(xj,tj)∈Rn×Rm，隐含层节点数L，激励函数v，则：

(1)

其中，j=1,…,N，βi为第i个隐层节点和输出层节点间的权重向量.

ELM随机选择隐层节点的输入权重w和偏置b，再计算出权重β的最小二乘解，保证训练错误率最小.式(1)可被重新写为：

Hβ=T

(2)

则有：

其中，H为隐层节点输出，其特征映射为：

h(xj)=[v(w1xj+b1), …,v(wLxj+bL)]

其中，β为输出权重矩阵，T为目标矩阵.

在训练数据集中ELM训练过程包含3步，即：

Step1：随机产生输入权重wi与偏置bi，1≤i≤L； Step2：求取隐层的输出矩阵H；

Step3：计算输出权重矩阵β=H+T.

其中，H+为隐层输出矩阵H的Moore-Penrose广义逆.当HHT为非奇异时，H+=HT(HHT)-1.为消除“病态矩阵”造成的误差引入正则化系数η，网络的输出权重最小二乘解可表述为：

β=HT(HHT+ηI)-1T

(3)

则ELM相应输出矩阵为：

y(x)=h(x)β

(4)

将核函数引入到ELM中，形成新的核函数KELM.

KELM重新定义核函数QELM=HHT，其元素为：

QELM(i,j)=h(xi)h(xj)=K(xi,xj)

(5)

网络输出表示为：

(6)

核函数K(xi，xj)的类型确定为径向基核函数，即：

(7)

其中，γ为径向基核函数的核参数.

2.1 O-KELM方法及其算法

核极限学习机的优化过程主要在于确定正则化系数η与径向基核参数γ.在O-KELM过程中适应度评价函数越小，网络性能越好，则均方误差值ERMSE(y*，y)可表述为：

(8)

其中，y*(i)为方法的预测输出,y(i)为实际输出.

待优化的决策变量由γ与η共同组成，形成种群个体，即ah=[γ,η],h=1,2,…,m，其中m表示种群个体数目.变量归一化过程可表述为：

(9)

Step2：为方便计算个体评价函数，将个体的决策量转化到真实范围.

2.2 GA-KELM算法

选择遗传(GA)、微分(DE)与模拟退火(SA)3种算法对ELM的核参数γ、正则化系数η进行优化.再分别与典型算法：SVM、ELM、KELM在应用对象预测中进行等条件比对.

GA主要累积的信息在可行域中进行，具体GA-KELM的实现如下.

Step1：初始化种群A:

A=[a1，…，am]

(10)

Ah=[ah1，…，ahl]T

(11)

其中，0≤ahl≤1，h=1,2,…,m，m代表种群容量，l为待优化决策的数目.

Step2：根据式(8)计算个体的适应度.

Step3：由算法结合个体适应度值选择双亲，再以概率pc进行均匀交叉操作产生新一代种群.

Step4：以概率pm进行均匀变异操作.

3 预测结果验证方式

O-KELM模型中的时间序列表述如式(12)，式中D为预测步长，Δ为嵌入维数；xt包括历史数据(yt-1,yt-2,…,yt-Δ)因素.

y(t+D)=f(xt)，∀t=Δ,…,l

(12)

选择平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方误差(NMSE)和相对误差百分比(REP)作为预测结果的评价指标，具体如式(13)～式(16)所示.

(13)

(14)

(15)

(16)

其中：y(i)为时间序列对应的实际输出；y*(i)为相应模型预测输出；N为预测样本点数；δ2为待预测时间序列方差.

4 模型高效性验证

选择某区段2016年1月-2018年1月ZPW-2000A数据台账中轨出1和轨出2的电压值进行改进算法样本值的训练.通过预测2018年2月(28天)的输出结果，对各算法的预测性能进行评判，具体数据如下：区段名称：1 128 G；载频2 300 Hz；发送电源24.7 V；接收电源25.8 V；功出电压154 V；主轨入电压997 mV；小轨入电压115 mV；轨出1电压656 mV；轨出2电压147 mV.

在算法优化中，ELM模型的隐层节点设置为L=200,选择Sigimoid激活函数，设定核参数初始值γ∈(0.1,300]，正则化系数η∈[0,100].KELM核参数γ为6，η=0.01.GA-KELM初始种群选择为150，最大进化代数为300.GA的交叉概率Pc=0.4,变异概率Pm=0.1.训练后的不同算法性能如表2.

表2 不同方法性能比较

通过给出的SVM、ELM、KELM和GA-KELM算法在2018年2月份的轨出1的数据预测图(图2)，得出GA-KELM预测效果最优.

图2 不同预测算法结果对比

5 实例分析

5.1 断轨故障预测

理论上ZPW-200A主轨道的轨出1电压应不小于落下门限(大于等于170 mV)；小轨道轨出2电压不低于10 mV，实验数据见表3.针对某局2018年10月某段发生的ZPW-2000A断轨故障，采用GA-KELM算法对其电压趋势进行预测验证.

表3 实验验证数据

图3说明在2018年10月份轨出1和轨出2电压值均低于门限值，验证该优化模型具有一定有效性，便于现场工作人员及时维护保养.

(a)轨出1

5.2 红光带故障预测

本例选自2016年2月15日10∶13∶11-10∶13∶42，京九下行线21793G在空闲状态时出现红光带.21793G属京九线复线自动闭塞区段的一个中继站，该站区间全部采用ZPW-2000A无绝缘轨道电路.如图1中电气绝缘节由调谐单元、匹配变压器、空芯线圈和29 m钢轨组成，实现邻轨道电路间的电气隔离.21793G轨道电路区段全长1 335 m，载频为1 700 Hz.图4列出了某站21793G设备布置图.