宋 云朱明年

（1.廣州地下鐵道總公司運(yùn)營(yíng)事業(yè)總部，510150，廣州；2.上海自儀泰雷茲交通自動(dòng)化系統(tǒng)有限公司，201206，上?！蔚谝蛔髡?，工程師）

基于神經(jīng)網(wǎng)絡(luò)的地鐵列車(chē)速度傳感器故障診斷方法

宋 云1朱明年2

（1.廣州地下鐵道總公司運(yùn)營(yíng)事業(yè)總部，510150，廣州；2.上海自儀泰雷茲交通自動(dòng)化系統(tǒng)有限公司，201206，上?！蔚谝蛔髡撸こ處煟?/p>

為了改善城市軌道交通列車(chē)設(shè)備安裝空間和確保列車(chē)運(yùn)行安全，提出一種基于徑向基神經(jīng)網(wǎng)絡(luò)的雙通道速度傳感器在線故障檢測(cè)診斷方法。通過(guò)建立雙通道速度傳感器神經(jīng)網(wǎng)絡(luò)故障檢測(cè)模型，提出3種故障檢測(cè)策略，并且對(duì)模型進(jìn)行調(diào)試試驗(yàn)。試驗(yàn)結(jié)果表明所提出的方法能夠準(zhǔn)確檢測(cè)傳感器故障，為地鐵列車(chē)提出一種新的故障檢測(cè)方法。

地鐵列車(chē)；徑向基函數(shù)；雙通道速度傳感器；神經(jīng)網(wǎng)絡(luò)

First-author'saddressGMC Metro operation Department，510150，Guangzhou，China

城市軌道交通的信號(hào)系統(tǒng)是保障行車(chē)安全、提高運(yùn)輸能力的關(guān)鍵技術(shù)裝備。在軌道交通信號(hào)系統(tǒng)中以列車(chē)速度作為衡量系統(tǒng)發(fā)展階段，大致分為三個(gè)發(fā)展階段，從采用階梯式速度控制的模擬軌道電路，經(jīng)歷采用一次模式曲線式安全防護(hù)的數(shù)字軌道電路的ATC（列車(chē)運(yùn)行自動(dòng)控制）系統(tǒng)，發(fā)展到通過(guò)安全數(shù)據(jù)傳輸，將前行列車(chē)的位置信息安全傳遞給后續(xù)列車(chē)，可實(shí)現(xiàn)一次模式曲線式安全防護(hù)，并且其防護(hù)點(diǎn)能夠隨前車(chē)移動(dòng)而實(shí)時(shí)更新，有利于進(jìn)一步縮小行車(chē)間隔提高運(yùn)輸效率的基于通信的列車(chē)運(yùn)行控制系統(tǒng)。因此，列車(chē)速度是衡量軌道交通安全及運(yùn)行狀態(tài)的重要參數(shù)。

雙通道速度傳感器是列車(chē)測(cè)量速度重要設(shè)備，系統(tǒng)利用其對(duì)列車(chē)的速度及其運(yùn)行方向進(jìn)行判斷，并且系統(tǒng)利用其參數(shù)對(duì)列車(chē)整體測(cè)控系統(tǒng)進(jìn)行精確控制。在這一過(guò)程中，雙通道速度傳感器的輸出信息是否準(zhǔn)確直接影響地鐵列車(chē)運(yùn)行狀態(tài)和安全［1］。由于地鐵列車(chē)的運(yùn)行環(huán)境比較惡劣，運(yùn)行過(guò)程中的列車(chē)強(qiáng)烈的振動(dòng)及周邊器械的電磁干擾等因素的存在，對(duì)傳感器軟、硬件的干擾非常嚴(yán)重，會(huì)造成傳感器的輸出信號(hào)發(fā)生故障，傳感器輸出故障信號(hào)將導(dǎo)致列車(chē)的控制系統(tǒng)分析、處理和控制功能發(fā)生紊亂，造成系統(tǒng)無(wú)法正常的運(yùn)行，嚴(yán)重威脅到列車(chē)運(yùn)行安全問(wèn)題，帶來(lái)無(wú)法估計(jì)的安全隱患和嚴(yán)重后果［2］。因此，雙通道速度傳感器故障診斷方法的研究對(duì)保證列車(chē)的安全具有重要的意義。

目前，工程中對(duì)速度傳感器的故障診斷技術(shù)主要有試驗(yàn)對(duì)比法和測(cè)試經(jīng)驗(yàn)法兩種方法。試驗(yàn)對(duì)比法具有不依賴(lài)傳統(tǒng)經(jīng)驗(yàn)，可行性高，檢測(cè)速度快的優(yōu)點(diǎn)；但也帶來(lái)試驗(yàn)平臺(tái)搭建繁瑣，建造成本過(guò)高的弊端［3-4］。測(cè)試經(jīng)驗(yàn)法以檢測(cè)波形為依據(jù)，通過(guò)傳統(tǒng)經(jīng)驗(yàn)判斷故障原因，減少試驗(yàn)成本，但對(duì)于操作者提出很高的技術(shù)要求，由于運(yùn)行環(huán)境復(fù)雜帶來(lái)的判斷誤差將對(duì)故障診斷結(jié)果產(chǎn)生很大的影響。

近些年來(lái)，人工神經(jīng)網(wǎng)絡(luò)已廣泛用于傳感器故障診斷中，其中徑向基神經(jīng)網(wǎng)絡(luò)的逼近能力，分類(lèi)能力和學(xué)習(xí)速度優(yōu)于其他的神經(jīng)網(wǎng)絡(luò)［5-6］，本文采用徑向基神經(jīng)網(wǎng)絡(luò)構(gòu)成雙通道速度傳感器輸出預(yù)測(cè)器。

1 地鐵列車(chē)傳感器診斷系統(tǒng)的建立

對(duì)地鐵車(chē)輛運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)性檢測(cè)，并且建立了硬件冗余故障檢測(cè)系統(tǒng)，用于保證列車(chē)運(yùn)行狀

態(tài)的正確性。硬件冗余故障檢測(cè)系統(tǒng)具有檢測(cè)速度快、不依賴(lài)系統(tǒng)數(shù)學(xué)模型的特點(diǎn)，但是也存在建設(shè)成本高、不能準(zhǔn)確檢測(cè)出某個(gè)傳感器發(fā)生故障和硬件系統(tǒng)復(fù)雜等缺點(diǎn)。當(dāng)列車(chē)運(yùn)行途中某傳感器發(fā)生故障以后，硬件冗余故障檢測(cè)系統(tǒng)將使列車(chē)立即停車(chē)，將給維修帶來(lái)很大的困難。

本文建立人工智能神經(jīng)網(wǎng)絡(luò)傳感器故障檢測(cè)法對(duì)列車(chē)傳感器狀態(tài)進(jìn)行檢測(cè)，與傳統(tǒng)的列車(chē)硬件冗余檢測(cè)系統(tǒng)相比，此系統(tǒng)具有以下優(yōu)點(diǎn)：①能夠?qū)崟r(shí)檢測(cè)傳感器狀態(tài)，判斷其使用狀況是否完好；②當(dāng)某傳感器發(fā)生故障以后，能夠準(zhǔn)確判讀出故障傳感器的位置，便于維修；③為了列車(chē)進(jìn)站維修方便，人工智能神經(jīng)網(wǎng)絡(luò)能夠通過(guò)訓(xùn)練學(xué)習(xí)，提供此傳感器補(bǔ)償信號(hào)（即正常信號(hào)）給列車(chē)監(jiān)控系統(tǒng)，確保列車(chē)能夠運(yùn)行到檢修地點(diǎn)。

人工智能神經(jīng)網(wǎng)絡(luò)傳感器故障檢測(cè)系統(tǒng)是一種閉環(huán)的控制系統(tǒng)，其中神經(jīng)網(wǎng)絡(luò)用于估計(jì)傳感器的輸出值，在傳感器故障診斷模塊中，傳感器的輸出值和神經(jīng)網(wǎng)絡(luò)的輸出值進(jìn)行比較，如果差值超過(guò)了某個(gè)閥值θ，就認(rèn)為傳感器發(fā)生了故障，然后用神經(jīng)網(wǎng)絡(luò)的輸出值代替?zhèn)鞲衅鞯妮敵鲞M(jìn)入控制器，神經(jīng)網(wǎng)絡(luò)由一個(gè)主網(wǎng)和n個(gè)子網(wǎng)組成，n個(gè)子網(wǎng)對(duì)應(yīng)于n個(gè)需要進(jìn)行故障診斷的傳感器［7］。主網(wǎng)的輸入是所有n個(gè)傳感器t-1，t-2…t-p時(shí)刻的輸出值，主網(wǎng)的輸出是t時(shí)刻傳感器輸出的估計(jì)值。子網(wǎng)的輸入是除了該子網(wǎng)對(duì)應(yīng)的傳感器以外的其他所用傳感器t-1，t-2…t-p時(shí)刻的輸出，子網(wǎng)的輸出是該子網(wǎng)對(duì)應(yīng)傳感器t時(shí)刻的估計(jì)值［8］。首先，訓(xùn)練主網(wǎng)和各子網(wǎng)使神經(jīng)網(wǎng)絡(luò)的輸出和系統(tǒng)的輸出盡量接近。然后就可以進(jìn)行傳感器故障的檢測(cè)，分離和補(bǔ)償，圖1為故障診斷系統(tǒng)原理圖。本文以建立地鐵列車(chē)對(duì)雙通道速度傳感器的智能神經(jīng)系統(tǒng)故障診斷過(guò)程進(jìn)行詳細(xì)的介紹。

2 神經(jīng)網(wǎng)絡(luò)故障診斷檢測(cè)模型建立

2.1 神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)原理

由于城軌交通是穿行于城市中的一條快捷的交通工具，并且具有站與站之間距離短的特點(diǎn)，因此速度參數(shù)是城軌列車(chē)在運(yùn)行中監(jiān)控的重要參數(shù)。傳統(tǒng)上，地鐵列車(chē)采用3個(gè)速度傳感器來(lái)檢測(cè)列車(chē)運(yùn)行速度，即所謂的硬件冗余檢測(cè)法。為了節(jié)省地鐵列車(chē)設(shè)備安裝空間及實(shí)現(xiàn)列車(chē)的全面智能化，本文搭建了地鐵列車(chē)速度傳感器人工智能神經(jīng)網(wǎng)絡(luò)監(jiān)測(cè)系統(tǒng)，采用一個(gè)雙通道速度傳感器，將其采集的雙通道數(shù)據(jù)經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)測(cè)試單元進(jìn)行處理，其測(cè)試原理如圖2所示。

圖1 地鐵列車(chē)人工智能神經(jīng)網(wǎng)絡(luò)故障檢測(cè)系統(tǒng)模型

圖2 雙通道速度傳感器神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器模型

圖2 中指出速度傳感器采集的數(shù)據(jù)分別進(jìn)入兩個(gè)基于徑向基函數(shù)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器中，假設(shè)兩通道能夠正常工作，將通道1前k個(gè)時(shí)刻的輸出數(shù)據(jù)x11～x1k和通道2前k個(gè)時(shí)刻的輸出數(shù)據(jù)x21～x2k通過(guò)采樣獲得進(jìn)行保存，分別作為兩通道傳感器神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器的初始學(xué)習(xí)樣本數(shù)據(jù)，因此，兩個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器經(jīng)過(guò)在線訓(xùn)練后開(kāi)始工作。因?yàn)閮蓚€(gè)預(yù)測(cè)器的工作原理相同，下面以神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器為例說(shuō)明其工作原理，預(yù)測(cè)器結(jié)構(gòu)如圖3所示。

圖3 單神經(jīng)元網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)的模型是由多個(gè)神經(jīng)元相互連接而成的一個(gè)多層機(jī)構(gòu)網(wǎng)絡(luò)，它們一般主要由輸入層、隱含層和輸出層三個(gè)部分組成［9-10］。輸入層是用于接

受速度傳感器通道輸入的x11，x12，x13，x14，…，x1k前k個(gè)數(shù)據(jù)節(jié)點(diǎn)的值，作為神經(jīng)網(wǎng)絡(luò)第一組訓(xùn)練樣本；隱含層是由多個(gè)神經(jīng)元構(gòu)成，并且隱含層節(jié)點(diǎn)個(gè)數(shù)的多少對(duì)神經(jīng)網(wǎng)絡(luò)的精確度和魯棒性有很大的影響，它是由圖中非線性激勵(lì)函數(shù)構(gòu)成，也即神經(jīng)元的輸入到輸出的映射函數(shù)f（x），其非線性可用閥值法、分段線性型和連續(xù)型激發(fā)函數(shù)構(gòu)成，本系統(tǒng)中采用閥值型非線性激勵(lì)函數(shù)［11］，形式為：

其中公式范圍值是根據(jù)速度型號(hào)而定，x代表實(shí)際輸入值。圖3中w1，w2，…，wn稱(chēng)為權(quán)值，表達(dá)了輸入信號(hào)對(duì)該神經(jīng)元的貢獻(xiàn)及作用的大小，閥值θ與激勵(lì)函數(shù)f（x）共同控制輸入信號(hào)對(duì)輸出信號(hào)的激活特性，將可能無(wú)限域的輸入變換為指定范圍內(nèi)的輸出。單神經(jīng)元輸入/輸出關(guān)系用數(shù)學(xué)表達(dá)式描述如下：

2.2 故障診斷策略

取速度傳感器的前k個(gè)輸出數(shù)據(jù)x11，x12，x13，x14，…，x1k作為徑向量神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器1的輸入，x1k作為徑向量神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器1的輸出，組成第一組訓(xùn)練樣本，x1（k+2）作為徑向量神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器1輸出，組成第二組訓(xùn)練樣本，即訓(xùn)練樣本表示為：

若θ1大于閥值θ，則認(rèn)為此時(shí)通道1不正常工作，依次類(lèi)推，徑向量神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器一邊不斷在線學(xué)習(xí)新的樣本，一邊對(duì)傳感器下一時(shí)刻輸出值進(jìn)行預(yù)測(cè)。

診斷決策模塊對(duì)兩通道神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器的輸出預(yù)測(cè)值及兩通道速度傳感器的輸出實(shí)際值進(jìn)行綜合診斷決策：

（1）若θ1、θ2都小于給定某一閥值θ，則輸出兩通道傳感器激勵(lì)函數(shù)設(shè)定值。

3 系統(tǒng)試驗(yàn)結(jié)果

系統(tǒng)利用MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱，在C語(yǔ)言環(huán)境下對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器進(jìn)行設(shè)計(jì)，通過(guò)搭建的列車(chē)雙通道速度傳感器檢測(cè)硬件試驗(yàn)平臺(tái)，將傳感器兩通道數(shù)據(jù)送入到建立好的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器中進(jìn)行試驗(yàn)。并且分別得到丟波、畸變和相位角發(fā)生錯(cuò)位3種故障模式。

徑向量神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本采用雙速度傳感器正常工作時(shí)的采樣數(shù)據(jù)，圖4為系統(tǒng)采集試驗(yàn)平臺(tái)中傳感器得到的訓(xùn)練數(shù)據(jù)與真實(shí)數(shù)據(jù)相對(duì)比，采集

數(shù)據(jù)量為2 000個(gè)點(diǎn)，從圖4中可以看出，訓(xùn)練數(shù)據(jù)繪制成的曲線近似平穩(wěn)，無(wú)太大波動(dòng)，這是由于在采集的數(shù)據(jù)處理過(guò)程中，此算法具有濾波的作用；并且采集的數(shù)據(jù)與系統(tǒng)速度傳感器采集的數(shù)據(jù)相比，在同一時(shí)刻，所產(chǎn)生的數(shù)據(jù)誤差在0.2 V以內(nèi)（見(jiàn)圖4），處于系統(tǒng)誤差允許范圍內(nèi)，可以認(rèn)定數(shù)據(jù)具有可靠性。在采集的數(shù)據(jù)中存在波動(dòng)，出現(xiàn)的原因可能由于齒輪轉(zhuǎn)動(dòng)過(guò)程中存在波動(dòng)和采集系統(tǒng)受到外界電磁波或其他信號(hào)的騷擾造成的，解決的主要辦法是加強(qiáng)系統(tǒng)的屏蔽效果。

圖4 系統(tǒng)訓(xùn)練后數(shù)據(jù)與真實(shí)值對(duì)比圖

圖5 為系統(tǒng)通過(guò)數(shù)據(jù)處理后，仿真出雙速度傳感器正常處理波形狀態(tài)，判斷速度傳感器各個(gè)故障模式波形對(duì)應(yīng)于圖6～圖8，出現(xiàn)各故障采用的策略如2.2節(jié)中后半部分介紹。

圖5 正常脈沖波形

圖6 為傳感器輸出故障信號(hào)。該故障為缺失波形，缺失點(diǎn)出現(xiàn)在采樣點(diǎn)800左右。這時(shí)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器預(yù)測(cè)波形如圖5正常波形，故障波形與理論波形不一致，根據(jù)判斷策略將判斷為傳感器故障。圖7為傳感器輸出畸變信號(hào)故障，則這時(shí)波形將產(chǎn)生畸變。為了防止白噪聲的干擾，神經(jīng)網(wǎng)絡(luò)控制器將會(huì)采用前一節(jié)介紹到的決策（2），驗(yàn)證是否為傳感器故障。若輸出值仍然為畸變信號(hào)，將判斷為傳感器故障。圖8為相位角錯(cuò)位，經(jīng)過(guò)采集雙通道輸入，得到其在相同時(shí)基條件下的數(shù)據(jù)，采用前一節(jié)中的決策3判斷傳感器是否故障。

圖6 丟失波形故障

圖7 畸變波形故障

圖8 相位角誤差故障

4 結(jié)語(yǔ)

本文通過(guò)建立徑向基函數(shù)智能神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器，對(duì)地鐵列車(chē)雙速度傳感器故障診斷系統(tǒng)進(jìn)行檢測(cè)。以地鐵列車(chē)測(cè)控系統(tǒng)速度傳感器的輸出參數(shù)作為其神經(jīng)網(wǎng)絡(luò)的輸入，采用閥值類(lèi)算法建立傳感器徑向基神經(jīng)網(wǎng)絡(luò)觀測(cè)器模型對(duì)測(cè)控系統(tǒng)傳感器進(jìn)行故障診斷；并且經(jīng)過(guò)測(cè)試實(shí)驗(yàn)表明徑向基神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性處理逼近能力，網(wǎng)絡(luò)運(yùn)算速度快［12］，能夠準(zhǔn)確發(fā)現(xiàn)和處理故障信號(hào)，性能穩(wěn)定，改善了列車(chē)設(shè)備安裝空間有限及其維修困難的狀況。

因此，徑向基神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)為地鐵列車(chē)實(shí)現(xiàn)自動(dòng)控制及其改善列車(chē)運(yùn)行環(huán)境提供了一種適當(dāng)?shù)姆椒ā?/p>

［1］ Benaicha S，Nait-Said R，Zidani F，et al.Fuzzy fault tolerant control of an induction motor［J］.International Journal of Modeling，Identification and Control，2008，4（2）：160.

［2］ 吳建，張志杰，王文廉.傳感器動(dòng)態(tài)誤差高速并行修正方法及其FPGA實(shí)現(xiàn)［J］.傳感器技術(shù)學(xué)報(bào)，2012，25（1）：651.

［3］ 郝濤，唐永哲，任玉清.BP神經(jīng)網(wǎng)絡(luò)在飛控系統(tǒng)傳感器故障診斷中的應(yīng)用［J］.計(jì)算機(jī)測(cè)量與控制，2008，16（5）：613.

［4］ 張婭玲，陳偉民.傳感器故障診斷技術(shù)概述［J］.傳感器與微系統(tǒng)，2009，28（1）：4.

［5］ Christopher D，Gadda S M.Generating diagnostic residuals for steer by wire vehicle［J］.IEEE Transactions on Control Systems Technology，2007，15（3）：529.

［6］ 徐向華，周彪，萬(wàn)健.多傳感器網(wǎng)絡(luò)中的分布式故障檢測(cè)算法［J］.傳感技術(shù)學(xué)報(bào)，2010，23（4）：350.

［7］ Anwar S，Lel C.An analytical redundancy—based on fault detection and isolation algorithm for a road-wheel control subsystem in a steer-by-wire system［J］.IEEE Transactions on Vehicular Technology，2007，56（5）：2859.

［8］ 張守桂，王正兵.基于小波變換的傳感器故障診斷仿真研究［J］.機(jī)械管理開(kāi)發(fā)，2009，24（3）：7.

［9］ 朱曉娟.飛行控制系統(tǒng)多傳感器信息融合技術(shù)研究［D］.南京：南京航空航天大學(xué)，2008.

［10］ 房方，魏樂(lè).傳感器故障的神經(jīng)網(wǎng)絡(luò)信息融合診斷方法［J］.傳感技術(shù)學(xué)報(bào)，2000，13（4）：272.

［11］ 韓逸飛，何琳.徑向量神經(jīng)網(wǎng)絡(luò)在傳感器故障診斷中的應(yīng)用研究［J］.船舶電子工程2008，28（9）：16.

Subway Sensor Fault Diagnosis Based on Radial Neural Network

Song Yun，Zhu Mingnian

In order to improve the installation space of onboard equipment and ensure the safe operation of urban rail trains，an on-line fault detection diagnosis method of twochannel speed sensor based on radial basis function（RBF）neural network is presented.Through establishing a fault detection model of two-channel speed sensor neural network，three kinds of fault detectionmethod are put forward，by which the model is adguste and tested.The result shows that the proposed method can accurately detect the sensor fault and provide a new testing method of fault detectionin subway trains.

subway train；radial basis function；two-channel speed sensor；neural network

U 284.47

2013-07-12）