李 娜，董海鷹，2

(1.蘭州交通大學(xué)自動化與電氣工程學(xué)院，甘肅 蘭州 730070;2.蘭州交通大學(xué)光電技術(shù)與智能控制教育部重點實驗室，甘肅 蘭州 730070)

近年來，隨著行車速度不斷提高，為了滿足鐵路提速、提效以及向長鋼軌、電氣化發(fā)展的需要，ZPW－2000A作為鐵路軌道電路的一項新技術(shù)，已被逐步推廣應(yīng)用。軌道電路多采用人工定期進行檢修和維護的方式，由于軌道電路包含設(shè)備數(shù)量較多，加之室外環(huán)境的復(fù)雜性，軌道電路出現(xiàn)的故障現(xiàn)象也多種多樣，因此，單憑經(jīng)驗處理故障難免會有盲目性或顧此失彼，且維護人員的理論水平和實際經(jīng)驗也直接影響故障處理的效率和正確率。如何快速有效地診斷軌道電路故障，仍是擺在技術(shù)人員面前的一個重要難題。近幾年來，國內(nèi)外學(xué)者們運用了一些智能控制診斷方法對ZPW－2000A設(shè)備進行研究［1－5］。文獻［3］運用遺傳算法對軌道電路中多個補償電容故障及道砟電阻波動等情況作了綜合評判。文獻［4］用D－S證據(jù)理論對軌道電路位于發(fā)送器和接收器之間的一系列微調(diào)電容進行故障檢測。文獻［5］提出了一種基于神經(jīng)網(wǎng)絡(luò)的故障診斷網(wǎng)絡(luò)對軌道電路進行故障診斷，解決了單獨設(shè)計網(wǎng)絡(luò)帶來的運算量問題。但是軌道電路其故障類型、故障征兆和故障產(chǎn)生機理之間存在著復(fù)雜性和不確定性，僅靠單一診斷方法已無法完成診斷任務(wù)。為了克服現(xiàn)有技術(shù)的不足，本文采用信息融合技術(shù)，信息融合可以綜合利用多傳感器獲得同一對象的多維故障信息并進行故障診斷，因而可以提高故障診斷的確定性［6－9］。文獻［6］采用信息融合故障診斷方法對離心式風(fēng)機進行了故障診斷。文獻［7］提出了基于證據(jù)理論的列車智能控制系統(tǒng)多信息融合故障診斷方法。采用信息融合技術(shù)對軌道電路進行故障診斷，診斷結(jié)果驗證了該方法的有效性。

1 ZPW－2000A軌道電路原理及故障分析

1.1 ZPW－2000A無絕緣軌道電路原理

ZPW－2000A型無絕緣軌道電路系統(tǒng)構(gòu)成如圖1所示。

ZPW－2000A型無絕緣軌道電路分為主軌道電路和調(diào)諧區(qū)小軌道電路兩部分，小軌道電路視為列車運行前方主軌道電路的所屬“延續(xù)斷”。主軌道電路的發(fā)送器由編碼條件控制產(chǎn)生不同含義的低頻調(diào)制的移頻信號，該信號經(jīng)電纜通道傳給匹配變壓器及調(diào)諧單元，因為鋼軌是無絕緣的，該信號既向主軌道傳送，也向調(diào)諧區(qū)小軌道傳送，主軌道信號經(jīng)鋼軌送到軌道電路受電端，然后經(jīng)調(diào)諧單元、匹配變壓器、電纜通道。將信號傳至本區(qū)段接收器。調(diào)諧區(qū)小軌道信號由運行前方相鄰軌道電路接收器處理，并將處理結(jié)果形成小軌道電路繼電器執(zhí)行條件送至本區(qū)段接收器，本區(qū)段接收器同時接收到主軌道移頻信號及小軌道電路繼電器執(zhí)行條件，判斷無誤后驅(qū)動軌道電路繼電器吸起，并由此來判斷區(qū)段的空閑與占用情況。

圖1 ZPW－2000A無絕緣軌道電路原理圖Fig.1 Track circuit schematic of ZPW －2000A

1.2 ZPW－2000A無絕緣軌道電路故障分析

根據(jù)對ZPW－2000A型無絕緣軌道電路故障機理分析和對其實際發(fā)生故障的總結(jié)，歸納出主要的幾種故障類型:主軌道故障、共用發(fā)送通道故障、小軌道故障、室內(nèi)故障以及衰耗盒故障。本文選擇主軌道輸入電壓、小軌道輸入電壓、軌出電壓、衰耗器測空電壓以及模擬盤電壓這5個量作為故障特征信號量。

2 基于信息融合的軌道電路故障診斷

BP神經(jīng)網(wǎng)絡(luò)具有很好的非線性映射，自學(xué)習(xí)能力和對環(huán)境的自適應(yīng)能力等特點，它可以有效地解決設(shè)備的各種故障征兆參數(shù)之間關(guān)系復(fù)雜并且非線性的問題［10－11］。模糊綜合評判可以有效解決設(shè)備故障和故障產(chǎn)生機理之間存在著復(fù)雜性和不確定性的問題［12］，可以建立精確的數(shù)學(xué)模型。將BP神經(jīng)網(wǎng)絡(luò)和模糊綜合評判對軌道電路故障診斷結(jié)果用D－S證據(jù)理論進行融合可以提高診斷的精確度。計算結(jié)果更加可信。

2.1 基于BP神經(jīng)網(wǎng)絡(luò)的軌道電路故障診斷

BP神經(jīng)網(wǎng)絡(luò)選用三層前向神經(jīng)網(wǎng)絡(luò)，將主軌道輸入電壓B1，小軌道輸入電壓B2，軌出電壓B3，衰耗盒“XGJ”測試空電壓B4，模擬盤電壓作B5作為BP神經(jīng)網(wǎng)絡(luò)的輸入，輸入層神經(jīng)元個數(shù)為5，將定義的故障類型作為BP神經(jīng)網(wǎng)絡(luò)的輸出，輸出層神經(jīng)元個數(shù)為5，分別是主軌道故障A1、共用發(fā)送通道故障A2、小軌道故障A3、室內(nèi)故障A4、衰耗盒故障A5，根據(jù)式(1)以及訓(xùn)練結(jié)果對比來確定隱含層神經(jīng)元的個數(shù)為12。式中:l為隱層節(jié)點數(shù);m為輸入節(jié)點數(shù);n為輸出節(jié)點數(shù);α為1～10之間的常數(shù)。BP網(wǎng)絡(luò)模型如圖2所示。

圖2 BP網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 BP network structure

在故障診斷過程中，一般把輸入樣本歸一化處理，輸出樣本值的元素是0或1，隱含層和輸出層均選用S型對數(shù)logsig作為神經(jīng)元傳遞函數(shù)。針對建立的網(wǎng)絡(luò)，選擇訓(xùn)練誤差目標(biāo)為0.01，初始設(shè)置學(xué)習(xí)率為0.01，初始權(quán)值取(0，1)之間的隨機數(shù)，對網(wǎng)絡(luò)進行初始化，建立好神經(jīng)網(wǎng)絡(luò)模型后，用traingd函數(shù)訓(xùn)練。用建立的樣本數(shù)據(jù)對網(wǎng)絡(luò)模型進行訓(xùn)練。

2.2 基于模糊綜合評判的軌道電路故障診斷

軌道電路故障診斷模糊綜合評判是根據(jù)各種故障原因與征兆之間不同的程度關(guān)系，利用模糊變換原理和診斷決策，在綜合考慮所有的因素下最終來診斷其發(fā)生故障的可能原因。

2.2.1 因素集和征兆集

在軌道電路設(shè)備中，設(shè)用一個集合來定義軌道電路所有可能發(fā)生故障的各種原因，可以用一個向量A來表示這個集合如式(2)所示。

式中:m表示故障原因的總數(shù)。以ZPW－2000A型無絕緣軌道電路主要的5種故障作為故障原因，則它們組成的故障原因向量為:{主軌道故障、共用發(fā)送通道故障、小軌道故障、室內(nèi)故障、衰耗盒故障}，以主軌道輸入電壓、小軌道輸入電壓、軌出電壓、衰耗盒“XGJ”測試空電壓、模擬盤電壓作為故障征兆。由于這些故障原因所引起的各種征兆，也被定義為1個集合，用向量B表示，其中n表示故障征兆的總數(shù)。

2.2.2 單因素和多因素故障模糊評判

單獨對某個故障進行評判，以確定評判對象對評判集征兆的隸屬程度，稱為單故障模糊評判。對故障集A中第i個故障Ai進行評判，確定該故障對征兆集B中第j個元素Bj的隸屬度為rij則得出第i個故障 Ai單故障集 ri=(ri1，ri2，…，rin)。顯然，它是征兆集B上的一個子集。把m個故障評價集組合就構(gòu)成了故障集與征兆集上的模糊關(guān)系矩陣R。其中:0 ≤rij= μR(Ai，Bj)≤1;i=1，2，…，m;j=1，2，…，n。

R是A×B上的模糊子集，它反應(yīng)軌道電路中某種故障與某種征兆的關(guān)系程度，同時上式滿足歸一化條件，即:

模糊關(guān)系矩陣R的確立通過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)來獲取，征兆隸屬度集B由測試的記錄數(shù)據(jù)經(jīng)過分析獲得，已知R和B，就可以求得故障原因隸屬度集A，這就是多因素綜合評判:A=B°RT。

2.3 基于D－S證據(jù)理論融合的軌道電路診斷模型

本文中，基于D－S證據(jù)理論的決策級信息融合診斷模型主要包括數(shù)據(jù)處理、特征級局部診斷和決策級融合三大模塊，結(jié)構(gòu)如圖3所示。

D－S證據(jù)理論基本策略是把證據(jù)集合劃分為若干個不相關(guān)的部分，并分別利用它們對識別框架進行獨立判斷，然后利用組合規(guī)則將它們組合起來［10－12］。

圖3 基于D－S證據(jù)理論信息融合診斷模型Fig.3 Fusion diagnosis model based on D－S evidence theory

以二元情況為例，假設(shè)Bel1和Bel2是同一識別框架Θ上的2個置信函數(shù)，其中Θ是樣本空間，即是由1個互不相容陳述集合的冪集2Θ構(gòu)成的命題集合。m1和m2為對應(yīng)基本概率賦值函數(shù)，m1和m2的焦元分別為 A1，A2，…，An和 B1，B2，…，Bn，并假設(shè):

其中:K表示2個證據(jù)之間的沖突程度。當(dāng)K=1時，為全沖突，此時D－S組合規(guī)則不能使用;當(dāng)K＜1時，為非完全沖突，此時，D－S組合規(guī)則可以使用。則有概率賦值函數(shù)m:2Θ→［0，1］對于所有基本概率賦值的非空集A有命題A的基本概率分配函數(shù)(對命題A的信任度):

將上述兩兩融合規(guī)則推廣到多證據(jù)組合時，多個置信度函數(shù)對應(yīng)的聯(lián)合作用結(jié)果可以同樣用多個置信度函數(shù)的直和表示:

D－S證據(jù)理論融合中關(guān)鍵是如何構(gòu)造各焦元的基本概率，將神經(jīng)網(wǎng)絡(luò)和模糊綜合評判的輸出結(jié)果作為D－S證據(jù)理論組合證據(jù)的可信度。BP網(wǎng)絡(luò)的實際輸出與理想輸出之間的網(wǎng)絡(luò)誤差為:

式中:En為第n個表征矢量的網(wǎng)絡(luò)誤差;tnj為第n個表征矢量的第j個輸出神經(jīng)元的期望值;ynj為第n表征矢量的第j個輸出神經(jīng)元的實際值。

將歸一化處理后的神經(jīng)網(wǎng)絡(luò)診斷結(jié)果代入式(9)，得到每個樣本中第i種故障模式的基本概率值m(Ai)，把網(wǎng)絡(luò)誤差進行同樣處理，作為D－S證據(jù)理論的不確定程度m(Θ)，構(gòu)造的D－S證據(jù)理論概率分配值:

式中:Ai表示故障模式;i=1，2，…，n;y(Ai)為BP網(wǎng)絡(luò)的診斷結(jié)果。

對于模糊綜合評判，構(gòu)造的D－S證據(jù)理論的概率分配為:

用D－S證據(jù)理論的方法將BP網(wǎng)絡(luò)和模糊綜合評判診斷結(jié)果在決策級融合，從而得到能完全反映設(shè)備運行狀態(tài)的診斷結(jié)果。

3 仿真實驗與結(jié)果分析

本文以現(xiàn)場某區(qū)段ZPW－2000A歷史故障數(shù)據(jù)為實例，選擇主軌道輸入電壓、小軌道輸入電壓、軌出電壓、衰耗盒“XGJ”測試空電壓、模擬盤電壓這5個量作為故障特征信號量，經(jīng)歸一化處理后形成樣本進行分析，建立檢測數(shù)據(jù)庫。由于網(wǎng)絡(luò)的各個輸入量常常具有不同的物理意義和不同的量綱，需要對輸入樣本進行歸一化處理，歸一化處理公式如下:

式中:X為原始數(shù)據(jù);Xmax和Xmin為原始數(shù)據(jù)的最大值和最小值;T為變換數(shù)據(jù)，即目標(biāo)數(shù)據(jù);本文從實例數(shù)據(jù)中選擇200組樣本，其中10組歸一化處理后的樣本數(shù)據(jù)如表1所示。

定義主要的5類故障類型:主軌道故障A1、共用發(fā)送通道故障A2、小軌道故障A3、室內(nèi)故障A4、衰耗盒故障A5建立樣本數(shù)據(jù)庫。將檢測數(shù)據(jù)送入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，期望輸出和仿真結(jié)果分別見表2和表3，利用式(9)提供的方法構(gòu)造各故障的基本概率見表4。

同樣，將檢測數(shù)據(jù)用基于模糊綜合評判的故障診斷進行仿真，其結(jié)果見表5所示，再用式(10)構(gòu)造基本概率分配結(jié)果見表6。

表1 經(jīng)處理后的歸一化樣本Table 1 One of a sample treated normalized

表2 檢測數(shù)據(jù)的期望輸出Table 2 The desired output of the detection data

表3 BP神經(jīng)網(wǎng)絡(luò)故障診斷模型仿真結(jié)果Table 3 Model simulation results of BP neural network fault diagnosis

表4 用神經(jīng)網(wǎng)絡(luò)輸出求得的基本概率分配Table 4 Basic probability distribution obtained by the neural network output

最后將以上2種方法的診斷結(jié)果進行決策級融合，即將表4與表6進行融合，形成基于D－S證據(jù)理論的決策級融合診斷模型，融合結(jié)果見表7，將表4、表6和表7進行比較，可以發(fā)現(xiàn)融合之后大幅度地提高了診斷決策的置信度。如第1組數(shù)據(jù)故障 A1(主軌道故障)置信度由0.743118，0.678783提高到了0.924255。

表5 糊綜合評判的故障診斷結(jié)果Table 5 Fault diagnosis results of paste comprehensive evaluation

表6 糊綜合評判的構(gòu)造概率分配函數(shù)Table 6 Structure probability distribution function of paste comprehensive evaluation

表7 D－S證據(jù)理論決策級融合結(jié)果Table 7 Level fusion results of D－S evidence theory decision

4 結(jié)論

對ZPW－2000A無絕緣軌道電路進行故障診斷時，針對D－S證據(jù)理論在應(yīng)用時難以確定基本概率分配的問題，利用神經(jīng)網(wǎng)絡(luò)輸出和模糊綜合評判輸出來構(gòu)造D－S證據(jù)理論中的基本概率分配。然后，將基于BP神經(jīng)網(wǎng)絡(luò)和模糊綜合評判對ZPW－2000A無絕緣軌道電路的兩種診斷結(jié)果用D－S證據(jù)理論進行決策級融合。仿真結(jié)果表明:基于BP神經(jīng)網(wǎng)絡(luò)和模糊綜合評判的決策級融合診斷系統(tǒng)可以有效的解決ZPW－2000A無絕緣軌道電路故障的不確定性，并提高了對軌道電路的診斷精度，計算結(jié)果更加可靠。

［1］趙林海，穆建成.基于AOK－TFR的軌道電路故障診斷方法［J］.西南交通大學(xué)學(xué)報，2011，46(1):84 －91.ZHAO Lin-hai，MU Jing-cheng.Fault diagnosis method for jointless track circuit based on AOK －TFR［J］.Journal of Southwest University，2011，46(1):84 －91.

［2］趙林海，蔡伯根.基于HHT、DBWT的無絕緣軌道電路補償電容故障診斷［J］.鐵道學(xué)報，2011，33(3):49－54.ZHAO Lin-hai，CAI Pei-gen.The method of diagnosis of compensation capacitor failures with jointless track circuits based on genetic algorithm［J］.Journal of the China Railway Society，2011，33(3):49 －54.

［3］趙林海，冉義奎，穆建成.基于遺傳算法的無絕緣軌道電路故障綜合診斷方法［J］.中國鐵道科學(xué)，2010，31(3):107－113.ZHAO Lin-hai，RAN Yi-kui，MU Jing-cheng.The method of diagnosis of failures with jointless track circuits based on genetic algorithm［J］.Journal of the China Railway Science，2010，31(3):107 －113.

［4］Oukhellou L.Fault diagnosis in railway track circuits using Dempster－ Shafer classifier fusion［J］.Engineering Applications of Artificial Intelligence，2010(23):117 －128.

［5］楊世武，魏學(xué)業(yè).基于數(shù)據(jù)的軌道電路故障診斷的混合算法［J］.北京交通大學(xué)學(xué)報，2012，36(2):40 －46.YANG Shi-wu，WEI Xue-ye.Study of data－based hybridalgorithm on track circuit fault diagnosis［J］.Journal of Beijing University，2012，36(2):40 －46.

［6］饒 泓，扶名福.基于決策級信息融合的設(shè)備故障診斷方法研究［J］.中國機械工程，2009，20(4):433 －437.RAO Hong，F(xiàn)U Ming-fu.Research on the equipment fault diagnosis on the basis of decision level informiation fusion［J］.Chinese Mechanical Engineering，2009，20(4):433－437.

［7］李若瓊，李 欣，董海鷹.基于證據(jù)理論的多信息融合故障診斷研究［J］.自動化儀表，2006，27(12):1 －4.LI Ruo-qiong，LI Xin，DONG Hai-ying.Study on the multi information fusion fault diagnosis based on evidential theory［J］.Process Automation Instrumentation，2006，27(12):1－4.

［8］徐志強，劉明光.基于證據(jù)理論的鐵路電力線路故障定位方法［J］.鐵道學(xué)報，2008，30(5):31 －35.XU Zhi-qiang，LIU Ming-guang.Study on fault locating method for railway power lines with evidencetheory［J］.Journal of the China Railway Society，2008，30(5):31 －35.

［9］DONG Ming，YAN Zhang，YANG Li，et al.An evidential reasoning approach to transformer fault diagnosis［J］.Proceedings of the CSEE，2006，26(1):106 －114.

［10］駱志明，馮庚斌.機車車輛滾動軸承故障BP網(wǎng)絡(luò)診斷方法［J］.中國鐵道科學(xué)，1998，19(4):26 －31.LUO Zhi-ming，F(xiàn)ENG Geng-bin.BP neural network nased on genetic algorithm for fault diagnosis of rolling bearing［J］.Journal of the China Railway Science，1998，19(4):26－31.

［11］Chen C Z，Li Q，Song H Y.Wear fault diagnosis of machinery based on neural networks and gray relationships［J］.International Journal of Plant Engineering and Man Agement，2001，6(3):164 －169.

［12］李小彭，羅躍綱，白秉三.模糊綜合評判在機械故障診斷中的應(yīng)用［J］.沈陽工業(yè)大學(xué)學(xué)報，2002，24(5):439－442.LI Xiao-peng，LUO Yue-gang，BAI Bing-san.Applica －tion of fuzzy comprehensive evaluation to fault diagnosis for machinery equipment［J］.Journal of Shenyang University of Technology，2002，24(5):439 －442.