馬艷東，崔能西

（1.河北省科學院 應(yīng)用數(shù)學研究所，石家莊 050081；2.河北省信息安全認證工程技術(shù)研究中心，石家莊 050081；3.石家莊精英中學，石家莊 050081）

道岔運行狀態(tài)的穩(wěn)定與否與列車運行安全息息相關(guān)。鐵路電務(wù)部門從微機監(jiān)測系統(tǒng)讀取道岔動作電流數(shù)據(jù)，人工分析判斷道岔運行狀況。隨著列車運行速度與行車密度的不斷提高，這種單純依靠人腦進行故障診斷的手段面臨著越來越嚴峻的考驗。

傳統(tǒng)機器學習分類算法是以每類樣本的誤分類代價相等為前提，以識別準確率為最終目標，進行優(yōu)化。不同的道岔故障類型對鐵路相關(guān)部門帶來的影響（代價）[1-3]有較大的不同。使用傳統(tǒng)分類算法將無法有效處理這些數(shù)據(jù)。與BP神經(jīng)網(wǎng)絡(luò)（BPNN）相比，RBF神經(jīng)網(wǎng)絡(luò)（R BFNN）[4-5]不僅具有結(jié)構(gòu)簡單、收斂速度快、泛化能力強的特點，還具有優(yōu)異的函數(shù)逼近能力、全局尋優(yōu)能力。但RBFNN非代價敏感，無法直接應(yīng)用到道岔故障診斷領(lǐng)域。本文通過建立基于代價敏感RBFNN模型，將基于遺傳算法的RBFNN導向代價最小方向搜索，使其代價敏感化，并成功地將其應(yīng)用到道岔故障診斷系統(tǒng)中。

1 動作電流分析

道岔動作電流是由微機監(jiān)測系統(tǒng)在轉(zhuǎn)轍機搬動道岔時,實時采集電流數(shù)值按時間先后順序組合而成的曲線如圖1所示。通過對道岔電流動作曲線不同區(qū)段的仔細分析,可對其機械、電氣、狀態(tài)、時間等特性有個比較充分的判斷。

圖1 道岔動作電流曲線

曲線1為正常進行道岔搬動操作的道岔動作電流曲線。其他任何與曲線1不同的曲線都是發(fā)生某種故障的曲線。不同形狀規(guī)律的曲線對應(yīng)不同類型的道岔故障。例如,曲線2表明道岔在解鎖過程中用時過長；曲線3表明在道岔閉鎖階段的阻力過大；曲線4表明轉(zhuǎn)轍機處于抱死狀態(tài)。道岔故障診斷系統(tǒng)就是通過區(qū)分道岔動作曲線所呈現(xiàn)的不同形狀,來辨識其所蘊含的故障信息。

2 基于遺傳算法的代價敏感RBFNN模型

2.1 編碼方案

利用遺傳算法[6]對RBFNN中心與寬度進行優(yōu)化。ci、Widthi分別為第i個隱含節(jié)點的中心向量與寬度。數(shù)據(jù)維數(shù)為Ndim，隱含節(jié)點個數(shù)為Ncent。代價敏感RBFNN的染色體編碼方案為：每個中心向量與其相對應(yīng)的寬度組成“中心-寬度數(shù)據(jù)對”擺放在一起，不同的“中心-寬度數(shù)據(jù)對”依次排放，如圖2所示。

圖2 染色體編碼方案

2.2 適應(yīng)度函數(shù)

為使傳統(tǒng)RBFNN敏感化，定義適應(yīng)度函數(shù)如下：

其中，tx、ox為樣本x的目標輸出與實際輸出；CV(tx)為將類別為tx的樣本誤分成其它類的代價；分別為網(wǎng)絡(luò)在訓練集與測試集上的誤分類代價；α∈[0, 1]平衡因子，負責平衡學習與泛化性能的沖突。

2.3 遺傳算子

2.3.1 最佳保留選擇算子

為保證在遺傳算法搜索結(jié)束時得到的最終結(jié)果一定是歷次迭代中適應(yīng)度值最高的個體，本算法將當前種群中適應(yīng)度最小的個體復制到下一代種群中。

2.3.2 交叉與變異操作

交叉操作采用3點算術(shù)交叉方案：（1）以一定概率隨機選擇2個要進行交叉的染色體；（2）隨機選取要交叉的3個位置；（3）針對這2個染色體對應(yīng)的3個位置的分量，根據(jù)下面的公式進行算術(shù)交叉。其中，與分別為中心向量X與Y第i個位置分量在第t次迭代時的數(shù)值；β∈[0, 1]。

變異操作采用3點變異方案：（1）以一定概率隨機選擇要進行變異的染色體；（2）隨機選取該向量的3個分量；（3）隨機生成3個數(shù)，替換染色體的3個分量。

2.4 代價敏感RBFNN的訓練步驟

（1）在參數(shù)取值范圍內(nèi)，隨機生成初始種群；（2）計算種群個體適應(yīng)度；（3）根據(jù)適應(yīng)度數(shù)值，對種群個體由小到大排序；（4）對種群個體，分別以不同的概率進行選擇、交叉、變異、遷移操作；（5）重復步驟（2）～（5），直到達到最大迭代次數(shù)，或種群最佳適應(yīng)度達到閾值。

3 基于代價敏感RBFNN的道岔故障診斷系統(tǒng)

3.1 系統(tǒng)整體設(shè)計

該道岔故障診斷系統(tǒng)[7-8]分為離線學習與在線診斷兩個模塊。離線學習模塊將歷史數(shù)據(jù)按比例隨機拆分成訓練集與測試集；利用訓練集按算法2.4生成代價敏感RBFNN（記為CS_RBF）；在測試集上，判斷網(wǎng)絡(luò)的性能表現(xiàn)。如不滿意，則重新拆分歷史數(shù)據(jù)集，重新訓練網(wǎng)絡(luò)。否則，將其參數(shù)遷移到實時診斷模塊；實時診斷模塊將接收的實時數(shù)據(jù)輸入CS_RBF，得到最終的故障類型。道岔故障診斷系統(tǒng)工作原理如圖3所示。

圖3 基于代價敏感RBFNN的道岔故障診斷系統(tǒng)工作原理圖

3.2 算法實現(xiàn)

（1）對歷史數(shù)據(jù)采用min-max方法，進行標準化；（2）將上述數(shù)據(jù)集，隨機拆分成訓練集與測試集；（3）用訓練集訓練CS_RBF；（4）計算CS_RBF在測試集上性能表現(xiàn)。如果表現(xiàn)太差，則跳到步驟（2）；（5）將CS_RBF參數(shù)拷到在線實時診斷模塊；（6）對實時診斷結(jié)果進行判斷。如果診斷正確，則進入下一條數(shù)據(jù)的診斷流程。否則，將該數(shù)據(jù)添加到歷史數(shù)據(jù)集中，轉(zhuǎn)入步驟（2）。

3.3 仿真實驗

3.3.1 數(shù)據(jù)集描述

道岔動作電流數(shù)據(jù)采集自某車站的真實監(jiān)測數(shù)據(jù)，經(jīng)處理形成100維1 050條的數(shù)據(jù)集，包括啟動電路斷線、外線混線、繼電器接觸不良等12種類型。

3.3.2 實驗方法

在本次仿真實驗中，隨機選擇數(shù)據(jù)集的70%為訓練數(shù)據(jù)，用來訓練CS_RBF；其余數(shù)據(jù)為測試集，用來模擬實時數(shù)據(jù)以判斷整個模型的最終表現(xiàn)。

CS_RBF采用Matlab工具實現(xiàn)，其相關(guān)參數(shù)如下：輸入節(jié)點數(shù)為100；輸出節(jié)點數(shù)為12；隱含層節(jié)點數(shù)為52；最大迭代次數(shù)為100，子種群數(shù)為6，子種群規(guī)模為10，交叉率為1，選擇壓力為2，變異概率為1，遷移概率為0.2。

為驗證模型的有效性，與BPNN、標準RBFNN（STD_RBF）、ELM、SVM等分類器對比驗證。選擇分類精度、誤分類代價、誤識率等指標衡量各分類器的表現(xiàn)。其中，N為樣本個數(shù)，Nt為分類正確樣本數(shù)，Nf2n為故障樣本分類成正常樣本數(shù)，Nf為故障樣本數(shù)。

3.3.3 實驗結(jié)果

依據(jù)各類型道岔故障給鐵路部門所造成的損失大小，電務(wù)專家根據(jù)經(jīng)驗，給定誤分類代價向量CV=[144377648454]。

（1）適應(yīng)度函數(shù)對算法搜索方向的影響

為驗證適應(yīng)度函數(shù)能否將搜索方向?qū)蚓W(wǎng)絡(luò)誤分類代價最小方向，隨著迭代次數(shù)的增加，分別記錄表明種群整體性能的種群適應(yīng)度均值與代表最優(yōu)個體的適應(yīng)度的值。如圖4所示，隨著迭代次數(shù)的增加，種群總體與個體表現(xiàn)都在不斷提高。這說明該適應(yīng)度函數(shù)起到了對搜索方向的監(jiān)督作用，能夠使種群向代價最小的方向搜索。

圖4 最優(yōu)解與種群均值的變化情況

（2）實驗結(jié)果

實驗結(jié)果如表1所示。由表1可知，在分類精度、誤分類代價、誤識率等指標上，STD_RBF的表現(xiàn)要好于ELM、SVM、BPNN等分類器。相對于STD_RBF，CS_RBF可保證在分類精度基本不變的情況下，網(wǎng)絡(luò)的誤分類代價與誤識率都有明顯提高。這說明CS_RBF不論是在識別精度，還是誤分類代價與誤識率上，都有著較大程度的提高。

表1 實驗結(jié)果

4 結(jié)束語

針對道岔故障誤分類代價不同，且難以實時、快速、準確地進行人工診斷這一現(xiàn)實，建立基于代價敏感RBFNN的道岔故障診斷系統(tǒng)。利用某站監(jiān)測數(shù)據(jù)進行驗證，證明該系統(tǒng)不僅能夠獲得比BPNN、ELM、SVM與標準RBFNN更高的識別精度，還在網(wǎng)絡(luò)的誤識率與誤分類代價等指標上有著優(yōu)秀的表現(xiàn)。本系統(tǒng)可幫助維護人員快速、準確地對道岔故障進行診斷，降低故障誤分類的損失，減少故障處理時間，提高鐵路行車的安全性。本系統(tǒng)已經(jīng)在某電務(wù)段投入試運行，現(xiàn)場反應(yīng)良好。

[1]陳振東，肖先勇，李長松，等.基于代價敏感極限學習機的電力系統(tǒng)暫態(tài)穩(wěn)定評估方法[J].電力自動化，2016，36（3）：118-123.

[2]付忠良.多標代價敏感分類集成學習算法[J].自動化學報，2014，40（6）：1075-1085.

[3]廖元秀，周生明.誤差在Cost-Sensitive分類中的應(yīng)用[J].廣西師范大學學報：自然科學版，2011，29（2）.

[4]Friedhelm Schwenker，Hans A.Kestler，Günther Palm.Three learning phase for radial-basis-function networks[J].Neural networks 14 (2001) 439-458, 18 December 2000.

[5]段錄平，周麗娟，王 宇.基于RBF神經(jīng)網(wǎng)絡(luò)的在線分類挖掘系統(tǒng)[J].鐵路計算機應(yīng)用，2007，16（3）：40-42.

[6]葛繼科，邱玉輝，吳春明，等.遺傳算法研究綜述[J].計算機應(yīng)用研究，2008，25（10）：2911-2916.

[7]梅 歡，馬艷東，單九思，等. 基于樣條插值與RBF網(wǎng)絡(luò)的道岔故障診斷系統(tǒng)[J]. 計算機技術(shù)與發(fā)展，2017，27（5）：160-163，169.

[8]李雅美，魏文軍.基于模糊神經(jīng)網(wǎng)絡(luò)的道岔故障診斷系統(tǒng)研究[J].鐵路計算機應(yīng)用，2012，21（1）：35-39.