翟　琛,肖　蒙

(蘭州交通大學(xué)自動化與電氣工程學(xué)院, 蘭州　730070)

?

改進(jìn)的道岔智能故障診斷系統(tǒng)建模研究

翟琛,肖蒙

(蘭州交通大學(xué)自動化與電氣工程學(xué)院, 蘭州730070)

摘要：鐵路系統(tǒng)轉(zhuǎn)轍機(jī)維修方式仍沿用故障修模式,無法提高故障排除速度和準(zhǔn)確性,提出利用改進(jìn)遺傳算法優(yōu)化貝葉斯網(wǎng)絡(luò)的方法建立故障診斷模型。利用遺傳算法搜索能力強(qiáng),不易陷入局部最優(yōu)的特點(diǎn),采用連接矩陣代替網(wǎng)絡(luò)結(jié)構(gòu)的編碼方式,通過修改適應(yīng)度函數(shù)、更新遺傳操作方式、修正非法圖等方法改進(jìn)遺傳算法,最終解決貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法容易縮小搜索空間及易陷入局部最優(yōu)的缺點(diǎn)。最后利用標(biāo)準(zhǔn)Asia網(wǎng)絡(luò)驗(yàn)證本文算法比K2和GA算法有更好的搜索結(jié)果和更快的收斂速度,以道岔失去表示故障為例驗(yàn)證改進(jìn)算法對轉(zhuǎn)轍機(jī)故障診斷的優(yōu)越性。

關(guān)鍵詞：鐵路道岔；轉(zhuǎn)轍機(jī)；故障診斷；遺傳算法；結(jié)構(gòu)學(xué)習(xí)；貝葉斯網(wǎng)絡(luò)模型

隨著列車不斷提速及高鐵技術(shù)的引進(jìn)吸收，鐵路運(yùn)輸安全問題已被人們普遍關(guān)注，信號設(shè)備擔(dān)負(fù)著保障運(yùn)輸安全的重要任務(wù)，對電務(wù)部門的要求不僅是正確處理故障，還要盡量縮短故障處理時(shí)間。目前我國的轉(zhuǎn)轍機(jī)維修仍沿用傳統(tǒng)的故障修方式，已不能適應(yīng)鐵路發(fā)展的需求，由于作業(yè)人員處理方法不當(dāng)或處理速度太慢，導(dǎo)致轉(zhuǎn)轍機(jī)故障處理延時(shí)，對鐵路運(yùn)輸秩序造成重大影響。因此，如果能提出一種智能故障診斷方法，在轉(zhuǎn)轍機(jī)故障時(shí)，快速、準(zhǔn)確判斷故障類型，對現(xiàn)場維修人員給予指導(dǎo)，則可以將設(shè)備故障延時(shí)降到最低。

轉(zhuǎn)轍機(jī)的故障原因和故障征兆呈隨機(jī)性、不確定性，傳統(tǒng)的貝葉斯網(wǎng)絡(luò)算法在構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)時(shí)容易出現(xiàn)縮小搜索空間和陷入局部最優(yōu)等缺點(diǎn)。已經(jīng)有文獻(xiàn)提出諸如專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、模糊理論、標(biāo)準(zhǔn)貝葉斯網(wǎng)絡(luò)等方法，這幾種故障診斷方法各有優(yōu)勢，但同時(shí)存在缺點(diǎn)。專家系統(tǒng)推理和解釋能力強(qiáng)，但獲取知識困難、容錯能力差；人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力和容錯能力較強(qiáng)，但易陷入局部最優(yōu)；模糊理論容錯性較強(qiáng)，但不具備學(xué)習(xí)能力；標(biāo)準(zhǔn)貝葉斯網(wǎng)絡(luò)對處理不確定性知識推理問題具有較強(qiáng)的計(jì)算能力，但容易陷入局部最優(yōu)和縮小搜索空間。針對該問題，提出基于改進(jìn)遺傳算法優(yōu)化的貝葉斯網(wǎng)絡(luò)故障診斷模型，用線性調(diào)整方法調(diào)整適應(yīng)度函數(shù)，并通過修正非法圖減少對下一代進(jìn)化的影響，利用自學(xué)習(xí)得到最優(yōu)的貝葉斯網(wǎng)絡(luò)模型。

1貝葉斯網(wǎng)絡(luò)理論

貝葉斯網(wǎng)絡(luò)是一種基于概率推理的圖形化網(wǎng)絡(luò)，適用于處理不確定性問題。與Petri網(wǎng)、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)等故障診斷方法相比，貝葉斯網(wǎng)絡(luò)具有診斷模型清晰直觀、容錯能力強(qiáng)、診斷速度快、能綜合先驗(yàn)和后驗(yàn)信息來消除主觀偏見和噪聲影響等優(yōu)勢。貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法，是將現(xiàn)場獲取數(shù)據(jù)中的依賴關(guān)系和因果關(guān)系，用圖形化的模型表達(dá)出來，則貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)空間函數(shù)如式(1)所示?？梢钥闯鲐惾~斯網(wǎng)絡(luò)結(jié)構(gòu)空間，隨著節(jié)點(diǎn)數(shù)量的增加成指數(shù)增長。

(1)

貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)分為數(shù)據(jù)完整和不完整兩種情況，針對轉(zhuǎn)轍機(jī)的網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)考慮數(shù)據(jù)完整，使用基于搜索評分的方法，用貝葉斯信息標(biāo)準(zhǔn)測度(BIC)作為打分函數(shù)如式(2)所示，得到的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)判別標(biāo)準(zhǔn)即為是否得到最高的計(jì)分值。

(2)

其中，B表示學(xué)習(xí)得到的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)；D為訓(xùn)練集；Dim(B)貝葉斯網(wǎng)絡(luò)維度。

2改進(jìn)的遺傳貝葉斯網(wǎng)絡(luò)建模分析

用遺傳算法優(yōu)化貝葉斯網(wǎng)絡(luò)，就是利用遺傳算法搜索能力強(qiáng)、不易陷入局部最優(yōu)的特點(diǎn)，對貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)算法進(jìn)行優(yōu)化。遺傳算法雖然有自身優(yōu)點(diǎn)，但在應(yīng)用過程中也容易出現(xiàn)早熟、搜索遲鈍等缺點(diǎn)。改進(jìn)遺傳算法的方法通常有3種：①編碼；②確定適應(yīng)度函數(shù)；③設(shè)定遺傳算法自身參數(shù)。遺傳算法自身參數(shù)包括：種群大小n，交叉率pc和變異率pm。

2.1用矩陣編碼確定初始種群

針對貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)，本文采用節(jié)點(diǎn)間的連接矩陣E=(Cij)進(jìn)行編碼，其中，Cij=1表示i為父節(jié)點(diǎn)，j為子節(jié)點(diǎn)，有向邊為i指向j，Cij=0表示i和j節(jié)點(diǎn)之間無連接。如圖1所示為貝葉斯網(wǎng)絡(luò)矩陣表示和圖形表示之間的關(guān)系。

圖1　簡單貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2調(diào)整適應(yīng)度函數(shù)

從原始種群中選取適應(yīng)度高的個體作為新的初始種群，可以減少遺傳代數(shù)，加快遺傳算法計(jì)算速度。因此合理選取適應(yīng)度函數(shù)非常重要，它能夠表明個體或解的優(yōu)劣性。

選取適應(yīng)度函數(shù)如式(3)所示

(3)

其中，F(xiàn)(X)為經(jīng)線性變換得到的適應(yīng)度函數(shù)；Favg為種群個體的平均適應(yīng)度；Fmax為最佳個體適應(yīng)度；常數(shù)c決定了適應(yīng)度函數(shù)的好壞。

用線性調(diào)整法對適值進(jìn)行調(diào)整，則調(diào)整后的適值F與原個體適值f應(yīng)滿足以下關(guān)系，fmax=cmultFavg，正常的線性調(diào)整方法如圖2所示，c取1～2。由于個體適值可能遠(yuǎn)小于平均適值和最大適值，而平均適值和最大適值又比較接近，此時(shí)可采用圖3的方法，將cmult原始適值伸展為負(fù)值。

圖2　正常條件下的線性調(diào)整

圖3　特殊條件下的線性調(diào)整

2.3更新操作方法

(1)選擇算子

(4)

(2)交叉算子

其作用是在選擇算子得到的新種群中，任意選兩個個體交叉，從而獲得新的個體。將矩陣的n×n個元素分別用一個長度為L的二進(jìn)制串表示，然后把合并成長度為L×n×n的二進(jìn)制編碼串轉(zhuǎn)換為由L個n×n的二進(jìn)制矩陣構(gòu)成的矩陣串，把結(jié)構(gòu)矩陣變?yōu)樾邢蛄?，同時(shí)進(jìn)行多列之間的交叉，這樣種群交叉次數(shù)減少，加快了收斂速度。

(3)變異算子

針對貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)，采取了新的優(yōu)化變異操作方法，即增加邊、刪除邊和反向邊操作。然而優(yōu)化變異操作往往會產(chǎn)生非法拓?fù)浣Y(jié)構(gòu)，為了不影響種群下一代的遺傳進(jìn)化，需要對交叉變異后產(chǎn)生的非法拓?fù)浣Y(jié)構(gòu)進(jìn)行修正。

非法圖修正步驟如下：

①根據(jù)傳遞閉包公式求解網(wǎng)絡(luò)結(jié)構(gòu)的傳遞閉包；

②檢查連接矩陣主對角線上的元素，如全為0則該網(wǎng)絡(luò)不存在非法圖；

③若主對角線出現(xiàn)不為0元素，找出該元素對應(yīng)節(jié)點(diǎn)的父節(jié)點(diǎn)，對父節(jié)點(diǎn)指向該節(jié)點(diǎn)的邊進(jìn)行刪除或反向操作，得到有效的拓?fù)浣Y(jié)構(gòu)圖。

3算例驗(yàn)證

為驗(yàn)證改進(jìn)遺傳算法對貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化的有效性，論文利用經(jīng)典的Asia網(wǎng)絡(luò)，用Matlab7.0進(jìn)行編程仿真，并分別用K2算法、GA算法和改進(jìn)遺傳算法優(yōu)化后的貝葉斯網(wǎng)絡(luò)對Asia數(shù)據(jù)庫進(jìn)行學(xué)習(xí)，得到相應(yīng)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。遺傳算法自身參數(shù)設(shè)置：選取種群個體數(shù)目為80，連續(xù)無效迭代次數(shù)10，選擇概率為0.9，交叉概率為0.35，最大迭代次數(shù)200次。本文貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法流程如下。

(1)將網(wǎng)絡(luò)結(jié)構(gòu)用連接矩陣進(jìn)行編碼，并選取一定數(shù)量鄰近圖進(jìn)行編碼確定初始種群。

(2)用貝葉斯標(biāo)準(zhǔn)信息測度對網(wǎng)絡(luò)結(jié)構(gòu)打分，并找出全局最大計(jì)分值。開始循環(huán)。

(3)計(jì)算個體適應(yīng)度，并淘汰適應(yīng)度低的個體。

(4)通過選擇、交叉、變異操作生成新種群，并將新種群還原成連接矩陣形式。

(5)修正非法圖，得到有效拓?fù)浣Y(jié)構(gòu)圖。

(6)重新計(jì)算更新后個體的計(jì)分值，如果與原對應(yīng)個體計(jì)分值不相等，則更新原計(jì)分值，同時(shí)計(jì)算全局最大計(jì)分值。

(7)如果全局最大計(jì)分值不變，則為無效迭代。當(dāng)達(dá)到規(guī)定的重復(fù)迭代次數(shù)后，跳出循環(huán)，輸出全局最優(yōu)個體，得到最優(yōu)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。

用本文算法優(yōu)化貝葉斯網(wǎng)絡(luò)的理想效果是節(jié)點(diǎn)之間連接關(guān)系明確、模型中不出現(xiàn)反向邊。從圖4可以看出，以Asia網(wǎng)絡(luò)為例，分別用K2算法、GA算法和本文算法對網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，K2和GA都出現(xiàn)多邊、丟邊和反向邊現(xiàn)象，通過對比發(fā)現(xiàn)本文算法學(xué)習(xí)效果較好。

圖4　Asia網(wǎng)絡(luò)仿真結(jié)果

圖5所示為幾種算法對貝葉斯網(wǎng)絡(luò)模型學(xué)習(xí)效果的對比，可以看出，隨著種群規(guī)模增大，K2算法和GA算法在計(jì)分值和迭代次數(shù)方面受到較大影響。而本文算法在遺傳算法迭代次數(shù)較少的情況下，始終能保持較高的計(jì)分值。說明本文算法具有較強(qiáng)的搜索能力和較快的收斂速度，能在最短時(shí)間內(nèi)得到最優(yōu)的貝葉斯網(wǎng)絡(luò)模型。

圖5　算法收斂性能和搜索精度對比

4用本文算法建立道岔故障診斷模型

通過對標(biāo)準(zhǔn)Asia網(wǎng)絡(luò)驗(yàn)證，證明采用遺傳優(yōu)化的貝葉斯網(wǎng)絡(luò)建模方法在處理不確定問題時(shí)，不會出現(xiàn)輕易陷入局部極值的可能，并且具有很好的收斂性和較高的搜索精度。通過分析鐵路道岔設(shè)備的工作原理及故障特點(diǎn)，總結(jié)出典型的道岔故障類型及故障現(xiàn)象。

按職能部門劃分，可分為工務(wù)故障和電務(wù)故障；按故障類別可分為機(jī)械故障和電路故障。其中工務(wù)故障易受作業(yè)環(huán)境影響，主要表現(xiàn)為道岔機(jī)械故障；電務(wù)故障是指電動轉(zhuǎn)轍機(jī)的電路或機(jī)械故障。道岔故障診斷模型如圖6所示。

基于貝葉斯網(wǎng)絡(luò)的故障診斷在建立診斷模型后，通過Matlab工具箱進(jìn)行算法參數(shù)學(xué)習(xí)和推理過程，通過推理可以得出道岔故障時(shí)各故障原因發(fā)生的概率，對比概率值可知概率大的節(jié)點(diǎn)是引起道岔故障的真正原因。以蘭州鐵路局蘭州電務(wù)段2013年道岔故障統(tǒng)計(jì)表為例，表1僅列出部分故障。

圖6　道岔故障診斷模型

車站發(fā)生時(shí)間恢復(fù)時(shí)間延時(shí)過程陳官營15:3317:251:521月2日15:33,陳官營站25/31號道岔定反位無表示,16:42,臨時(shí)恢復(fù)定位表示,17:25銷記開通,設(shè)備恢復(fù)正常使用。原因:29號道岔轉(zhuǎn)轍機(jī)內(nèi)部齒輪止擋栓折斷河口南21:3321:560:233月27日21:33,河口南10/12號道岔失去表示,21:56銷記開通使用。原因:10/12號道岔熔斷器不良,造成10/12號道岔失去表示玉石9:4010:090:294月14日9:40,玉石站2/4號道岔定位無表示,10:09銷記,恢復(fù)正常使用。原因:2號道岔1機(jī)處基本軌飛邊大甘谷15:5916:370:326月23日15:59,甘谷站2/4號道岔發(fā)生定反位無表示故障,16:37設(shè)備恢復(fù)正常使用。原因:2號道岔Ⅰ機(jī)定位側(cè)鎖鉤脫出,造成該道岔轉(zhuǎn)換卡阻,發(fā)生定反位無表示故障大路3:444:030:1911月4日3:44,大路站1/3號道岔發(fā)生定位無表示故障,4:03設(shè)備恢復(fù)正常使用。原因:3號道岔I機(jī)定位鎖鉤緊張家祠22:4623:152:4111月18日2:57,張家祠站2/4號道岔反位失去表示,5:38設(shè)備恢復(fù)正常使用。原因:2號道岔線路北側(cè)密貼檢查器電纜盒內(nèi)3號端子軟配線接觸不良駱駝巷6:427:400:5811月23日6:42,駱駝巷榆鋼東站106號道岔反位無表示,7:40故障恢復(fù)。原因:106號道岔反位尖軌翹頭

從中選擇河口南道岔故障進(jìn)行分析，通過貝葉斯網(wǎng)絡(luò)的學(xué)習(xí)和推理，概率最大的故障原因有兩個：道岔熔斷器不良和表示缺口調(diào)整不良，概率值為0.087 43。現(xiàn)場檢查時(shí)發(fā)現(xiàn)表示缺口調(diào)整合理，因此可以判斷該站道岔故障的原因是熔斷器失效。經(jīng)試驗(yàn)證明基于貝葉斯網(wǎng)絡(luò)的道岔故障診斷方法是可行的，但該算法仍需經(jīng)大量數(shù)據(jù)試驗(yàn)來完善和改進(jìn)。

5結(jié)論

轉(zhuǎn)轍機(jī)故障現(xiàn)象和故障類型較多，而貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)規(guī)模隨變量數(shù)目呈指數(shù)增長，針對該問題論文提出用改進(jìn)的遺傳算法優(yōu)化貝葉斯網(wǎng)絡(luò)。將每個診斷網(wǎng)絡(luò)用連接矩陣方式表示為一個種群，用線性調(diào)整方法修改適應(yīng)度函數(shù)，并通過選擇、交叉、變異等方法產(chǎn)生新種群，同時(shí)利用傳遞閉包理論消除網(wǎng)絡(luò)加邊、減邊、反向邊等現(xiàn)象，使算法能盡快收斂并得到全局最優(yōu)解。通過標(biāo)準(zhǔn)Asia網(wǎng)絡(luò)驗(yàn)證了本文算法比K2和GA算法有更好的搜索結(jié)果。最后，運(yùn)用改進(jìn)算法，得到了最優(yōu)的道岔失去表示故障診斷模型。

參考文獻(xiàn)：

[1]Sahin F， Yavuz M， Amavu Z, et al. Fault diagnosis for airplane engines using Bayesian network and distributed particle swam optimization[J]. Parallel Computing， 2007，11(33):124-143.

[2]Chickering D. M.. Optimal structure identification with greedy search[J]. Journal of Machine Learning Research， 2002，11(3):507-554.

[3]王雙成，冷翠平，李小琳.小數(shù)據(jù)集的貝葉斯網(wǎng)絡(luò)學(xué)習(xí)[J].自動化學(xué)報(bào)，2009，35(8):1064-1070.

[4]孫巖，唐一源.新的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2008，29(5):1238-1240.

[5]許麗佳，黃建國，王厚軍，等.混合優(yōu)化的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)報(bào)，2009，21(5):633-639.

[6]沈佳杰，林峰.基于混合自適應(yīng)Memetic算法的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)[J].系統(tǒng)工程與電子技術(shù)，2012，34(6):1293-1298.

[7]汪春峰，張永紅.基于無約束優(yōu)化和遺傳算法的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法[J].控制與決策，2013，28(4):618-621.

[8]Tsamardions I， Brown L E， Aliferis C F. The max-min hillclimbing Bayesian network structure learning algorithm[J]. Machine Learning， 2006，65(1):31-78.

[9]王思明，雷燁.一種基于LS-SVM的道岔控制電路故障診斷[J].蘭州交通大學(xué)學(xué)報(bào)，2010，29(4):1-5.

[10]董海鷹，李娜.基于D-S證據(jù)理論信息融合的轉(zhuǎn)轍機(jī)故障診斷方法研究[J].測試技術(shù)學(xué)報(bào)，2013，27(1):1-6.

[11]蘇廣宇，陳洪云，歐陽宏志.提速道岔故障的人工智能診斷實(shí)現(xiàn)[J].微計(jì)算機(jī)信息，2007，23(8-1):188-189.

[12]王彤.基于最小二乘支持向量機(jī)的軌道電路故障診斷方法[J].鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2014，58(2):89-93.

Research on Modeling Improved Intelligent Switch Fault Diagnostic SystemZhai Chen, Xiao Meng

(School of Automation & Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China)

Abstract：As the fault repair mode still used in repairing switch in railway system is unable to improve the speed and accuracy of troubleshooting, a fault diagnostic model is established with improved genetic algorithm and Bayesian network. Characterized by genetic algorithm, strong searching capability and independence of local optimal, it replaces the network structure coding with connection matrix to improve genetic algorithm by modifying fitness function, updating genetic operation mode and correcting illegal map and, consequently, overcomes the shortcomings of Bayesian network structure that learns algorithm and tends to reduce the search space and falls into local optimal. Finally, the algorithm is verified with standard Asia network to be faster in convergence speed compared with the algorithm of K2 and GA and the superiority of improved algorithm for fault diagnosis of switch is demonstrated by taking the case of losing fault indication.

Key words：Rail switch; Switch machine; Fault diagnosis; Genetic algorithm; Structure learning; Bayesian network model

中圖分類號：U284.92

文獻(xiàn)標(biāo)識碼：A

DOI:10.13238/j.issn.1004-2954.2015.02.029

文章編號：1004-2954(2015)02-0118-04

作者簡介：翟琛(1985—)，女，碩士研究生，E-mail：hx0210489@126.com。

基金項(xiàng)目：鐵道部科技研究開發(fā)計(jì)劃項(xiàng)目(2012X003-B)

收稿日期：2014-10-23； 修回日期：2014-10-30