亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于粗糙集和模糊認知圖的ZPW-2000軌道電路故障診斷

        2018-06-30 06:46:20昱,陳
        鐵道學報 2018年6期
        關(guān)鍵詞:軌道電路約簡分類器

        董 昱,陳 星

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

        鐵路是人們出行、旅游必不可少的一種交通工具,時時刻刻與人民的生活緊密相關(guān)。鐵路運輸又涉及到安全,為此需要更加可靠的運行來保證人們的生命安全。中國鐵路普遍采用ZPW-2000型無絕緣移頻軌道電路,ZPW-2000軌道電路的正常運行直接關(guān)乎鐵路的運輸效率。目前,現(xiàn)場對于軌道電路的故障處理仍然是根據(jù)工作人員的經(jīng)驗進行診斷,這便導致故障處理速率較慢,工作效率較低,從而影響行車效率,并且使維修人員工作量增大,容易診斷出錯。因此,利用計算機進行故障診斷變得越來越重要。

        近幾年,國內(nèi)外學者提出將智能算法和計算機相結(jié)合進行軌道電路故障診斷,來提高軌道電路故障診斷的效率。文獻[1]在車站信號設(shè)備故障的維修中引入專家系統(tǒng)進行故障的判別。文獻[2]對于軌道電路常見的電容及道砟故障情況,利用遺傳的理念進行判別。文獻[3]將常見的幾種軌道電路故障,通過模糊理論和神經(jīng)網(wǎng)絡(luò)結(jié)合,進行診斷并對其驗證。文獻[4]將模糊故障診斷法、遺傳算法和灰色算法相結(jié)合,并建立模型,對ZPW-2000軌道電路進行診斷。文獻[5]直接將軌道電路復雜網(wǎng)絡(luò)分解為許多小的神經(jīng)網(wǎng)絡(luò)組態(tài),并對常見的6種故障進行診斷。

        本文以ZPW-2000軌道電路的故障作為對象進行研究,對其所產(chǎn)生的故障類別、特征以及原因進行分析,并利用粗糙集理論中的屬性約減提取特征屬性,利用遺傳算法對模糊認知圖權(quán)值進行求解,建立故障診斷模型,進行軌道電路故障診斷。

        1 故障類別

        1.1 軌道電路原理

        ZPW-2000軌道電路原理如圖1所示。ZPW-2000軌道電路通過發(fā)送器發(fā)送信息,并沿著軌道傳輸,一部分信息通過主軌道送到接收端的接收器,并檢查所屬調(diào)諧區(qū)短小軌道電路狀態(tài)(XGJ、XGJH)條件,另一部分信息通過小軌道傳送給相鄰區(qū)段的接收器,并向本區(qū)段提供小軌道電路狀態(tài)(XG、XGH)條件。

        圖1 ZPW-2000軌道電路原理

        1.2 ZPW-2000軌道電路設(shè)備故障類型及原因分析

        依據(jù)現(xiàn)場提供的故障數(shù)據(jù)資料,同時查閱關(guān)于ZPW-2000軌道電路故障診斷的文獻資料,得到一些常見的故障類別見表1。

        表1 ZPW-2000A軌道電路設(shè)備故障

        依據(jù)ZPW-2000軌道電路各設(shè)備工作原理和電壓特性,并通過現(xiàn)場維修人員經(jīng)驗分析,得到如表2所示的軌道電路故障原始特征參數(shù)。

        表2 軌道電路故障原始特征參數(shù)

        2 基于主分量啟發(fā)式約簡算法的特征提取

        屬性約簡RS(Reduction Attribute)是屬于粗糙集理論中的重要部分,它通過對主要屬性的分析,去除原始數(shù)據(jù)中的不必要屬性,保留盡可能少的屬性,同時保證原始數(shù)據(jù)的分類能力不變。

        定義1信息系統(tǒng):S=(U,R,V,f)是一個四元組,其中,U={x1,x2,…,xn}為論域;R=C∪D為有限的非空集合,C為條件屬性,C={c1,c2,…,cm},D為決策屬性;V為所有屬性的集合;f為決策函數(shù),即f:U×R→V,代表論域U中每個對象x的屬性值,即f(xi,ri)∈vi。稱S為信息系統(tǒng)[6]。

        定義2相容度:設(shè)(C,D)為信息系統(tǒng)中的一個CD算法,屬性ai的相容度為kai,若kai=1,說明算法相容,若kai≠1,說明D部分依賴于C,則D對C的依賴度為kai,即為相容度,其計算式定義為[7]

        ( 1 )

        式中:POSC-{ai}(D)為去除屬性a后算法的正區(qū)域。

        定義3設(shè)決策表S=(U,R,V,f),差別矩陣為M=(mij),mij是差別矩陣中第i行第j列的元素,f(x)為屬性a上的值,D(x)為D上的值。差別矩陣中的元素定義為[8]

        ( 2 )

        式中:i=1,2,…,n;j=1,2,…,m。

        主分量啟發(fā)式算法主要是分量函數(shù)的構(gòu)造,而這個分量函數(shù)通過差別矩陣得出,屬性a的分量函數(shù)為[9]

        ( 3 )

        式中:count(ai)為屬性ai出現(xiàn)的次數(shù);card為集合基數(shù);當ai∈mij時,tai=1,當ai?mij時,tai=0。

        由于通過差別矩陣來獲取核屬性時很難得到,本文依據(jù)相容度和主分量啟發(fā)式算法來進行屬性約減,其具體過程為:

        輸入:信息系統(tǒng)S=(U,R=C∪D,V,f),參數(shù)kai,fmc(ai)。

        輸出:最優(yōu)約簡集合。

        步驟1根據(jù)式( 1 ),得出屬性集合中每個屬性的kai。

        步驟2在上一步得到的每個屬性的相容度中選出kai≠1的屬性,并記為Core(P)={ai|kai≠1},作為其核屬性集合。

        步驟3對kai=1的屬性,執(zhí)行如下過程:

        (1)利用式( 2 )求解M,并計算相對核,如果不存在,以步驟2計算得到的核屬性為準。

        (2)利用上一步得出的每個分量值,選出mij≠0的值代入M*,M*={mij|mij∩Core=?,mij≠0,?i,j}。

        (3)對M*中的每個值進行從大到小的排序。

        (4)依據(jù)上一步所得到的排序,選取前n個值放到Core(P)中,作為核屬性。若fmc(ai)相等,則去掉其他的屬性。若只選取前n個值,則所得到屬性為主分量。

        (5)輸出最優(yōu)約簡集合。

        通過屬性約簡得到的最終特征參數(shù)見表3。表3列出了15組數(shù)據(jù)樣本信息。其中編號T1為主軌道輸入電壓,T2為小軌道輸入電壓,T3為軌出1電壓,T4為軌出2電壓,T5為XG電壓,T6為發(fā)送功出電壓。

        表3 經(jīng)特征提取后的部分樣本信息

        3 基于模糊認知圖分類器的故障診斷

        3.1 模糊認知圖

        模糊認知圖FCM(Fuzzy Cognitive Maps)是具備模糊和神經(jīng)網(wǎng)絡(luò)兩大特性的一種在認知理論基礎(chǔ)上進行推理表示的方法,依據(jù)圖論的理念,將每個屬性表示成節(jié)點連接圖的形式,具有很強的推理能力。

        定義4模糊認知圖M=(C,W,A,f)是一個四元組,其中C={c1,c2,…,cn}是有向圖的頂點集合,設(shè)ci為原因節(jié)點,cj為結(jié)果節(jié)點,則(ci,cj)→wij為一個映射關(guān)系,wij表示概念節(jié)點ci對cj的權(quán)重;將wij所構(gòu)成的矩陣W=(wij)n×n,稱為鄰接矩陣;Aci(t)表示ci在t時刻的狀態(tài)值;f為激活函數(shù)。由此可知,F(xiàn)CM可以認為是通過屬性節(jié)點相連的有向圖[10]。

        3.2 ZPW-2000軌道電路故障類別與FCM

        通常在數(shù)據(jù)集系統(tǒng)中,我們可以將其中的數(shù)據(jù)分為類、類值、屬性和屬性值4種形式[11],因此,也可以用這4種形式來描述ZPW-2000的數(shù)據(jù)。將類別和特征參數(shù)作為模糊認知圖的節(jié)點,并建立模糊認知圖模型,其示意圖如圖2所示。

        圖2 FCM示意圖

        圖2中T1、T2、T3、T4表示特征參數(shù)節(jié)點,C1、C2、C3表示類別節(jié)點,其相互之間的關(guān)系用權(quán)重來表示。

        3.3 FCM分類器的構(gòu)造及分類

        定義5基于故障類別與特征參數(shù)的FCM分類模型Model_class是一個五元組,Model_class={X,F(xiàn),L,E,Y},其中X為原始樣本,F(xiàn)為激活函數(shù),L為學習算法,E為推理原則,Y為最終類別。通過輸入X利用E進行推理迭代,計算得到Y(jié)=f(x)。

        由此得出的FCM分類器模型FCMCM(FCM Classifier Model)如圖3所示。

        圖3 模糊認知圖分類器模型

        圖3中,T1,T2,T3,…,Tn為特征,C1,C2,C3,…,Cm為類型。

        (1)激活函數(shù)

        激活函數(shù)主要用于將節(jié)點的值變換到[0,1]上,當選擇不一樣的F函數(shù)時,會有不一樣的結(jié)果。常用的激活函數(shù)有3種,本文采用Sigmod函數(shù)作為激活函數(shù),其公式為[12]

        ( 4 )

        試驗中取λ的值為1。

        (2)推理規(guī)則

        FCM推理過程是將節(jié)點的狀態(tài)值輸入到模糊認知圖中,并且將A(t)與M相乘,通過F獲得A(t+1),即為該節(jié)點在t+1時刻的狀態(tài)值。然而在每次變換迭代中將t+1的輸出作為t+2的輸入進行循環(huán),直到趨于穩(wěn)定。其計算公式為[13]

        ( 5 )

        (3)學習方法

        學習方法主要是對于權(quán)值的學習,本文中采用自適應(yīng)的遺傳算法對FCM進行學習得到權(quán)重。適應(yīng)度g為

        ( 6 )

        為了放大Error的值,避免適應(yīng)度函數(shù)的值集中在1附近,試驗中取α的值為10。

        FCM模擬值與實際值之間的誤差Error為

        ( 7 )

        采用賭輪盤選擇法進行個體選擇。

        ( 8 )

        Pc為交叉算子,Pm為變異算子,利用這兩個自適應(yīng)算子保證交叉概率和變異概率的自適應(yīng)變化。當種群個體趨向于收斂狀態(tài)時,為防止種群過早成熟,需減小交叉概率,增大變異概率,當種群個體趨向于發(fā)散狀態(tài)時,則需要增大交叉概率,減小變異概率,使得算法趨向于收斂的趨勢[14]。交叉和變異概率為

        ( 9 )

        (10)

        式中:g′為適應(yīng)度大于個體平均適應(yīng)度的個體適應(yīng)度;g″為適應(yīng)度小于個體平均適應(yīng)度的個體適應(yīng)度;k1>0;k2<0。利用遺傳算法求解FCM權(quán)值,具體算法如下:

        步驟2利用激活函數(shù)和推理規(guī)則計算節(jié)點i在t時刻的模擬值[9]。

        步驟3計算FCM模擬值與實際值之間的誤差。

        步驟4計算個體的適應(yīng)度gi。

        步驟5進行選擇、交叉和變異。

        步驟6利用總錯誤率對算法進行終止。

        (11)

        步驟7由于wij=0,有W=W′,得到W。

        (4)FCM分類過程

        模糊認知圖的分類從本質(zhì)上說是對原始樣本進行迭代推理,當整個系統(tǒng)穩(wěn)定時,所輸出的最大狀態(tài)值標記則為所屬類別[15]。其過程為:

        步驟1數(shù)據(jù)的歸一化。

        (12)

        式中:X為原始數(shù)據(jù);Xmin和Xmax為原始數(shù)據(jù)的最小值和最大值;Xavg為目標數(shù)據(jù)。

        步驟2對FCM進行學習得到權(quán)重。

        步驟3根據(jù)上一步計算得到的權(quán)重,利用式( 5 )進行迭代計算,輸出類節(jié)點的狀態(tài)值。

        步驟4求取最大的類節(jié)點值,最大類節(jié)點值的下標為該樣本所屬的類別。

        3.4 基于屬性約簡的FCM ZPW-2000軌道電路故障診斷

        RS-FCM分類流程如圖4所示,包括數(shù)據(jù)的輸入、數(shù)據(jù)歸一化、分類器的訓練、測試以及對分類器進行評價。

        圖4 RS-FCM的軌道電路故障分類整體流程

        具體過程為:

        步驟1從現(xiàn)場所提供的故障數(shù)據(jù)中,經(jīng)過分析得到特征屬性,構(gòu)造軌道電路故障信息系統(tǒng)。

        步驟2利用屬性約減進行特征的提取。

        步驟3對步驟1中信息系統(tǒng)的數(shù)據(jù)進行歸一化處理,保證其處于[0,1]之間。

        步驟4選取訓練的集合和測試的集合。

        步驟5對RS-FCM分類器訓練,得到RS-FCM分類模型。

        步驟6對步驟5中得到的分類器進行測試。

        步驟7對分類的結(jié)果進行分析并評價。

        4 仿真實驗與結(jié)果分析

        實驗中以現(xiàn)場的歷史數(shù)據(jù)為依據(jù),選擇主軌電壓、小軌電壓、軌出1電壓、軌出2電壓、發(fā)送器發(fā)送功出電壓、XG電壓、XGJ電壓、軌道繼電器電壓、發(fā)送電源值為原始特征參數(shù),建立信息系統(tǒng),其樣本數(shù)為145組,表3為部分的樣本信息。

        其中,故障類型有F1~F8,共8種,正常類型為F0,其中F1~F8為表1中的故障類別標號,實驗中將145組數(shù)據(jù)樣本(其中F0為30組,F(xiàn)1為12組,F(xiàn)2為20組,F(xiàn)3為15組,F(xiàn)4為15組,F(xiàn)5為13組,F(xiàn)6為10組,F(xiàn)7為16組,F(xiàn)8為14組)通過屬性約減得到特征屬性,并將其輸入RS-FCM進行分類。在實驗中可以將信息系統(tǒng)數(shù)據(jù)劃分為3個子集,在訓練時任意選取其中的兩個作為訓練集合,另一個則作為測試集合使用,共進行3次測試,選取3次的均值作為最終的結(jié)果進行評價。

        4.1 算法參數(shù)對結(jié)果的影響

        由于迭代次數(shù)過多或過少都會對實驗結(jié)果的精度造成影響[15],為此,在0,50,100,150,200,250,300次迭代的情況下對分類器的平均準確率進行分析,并查看其收斂情況。圖5為不同迭代次數(shù)下的平均正確率。

        圖5 不同迭代次數(shù)下的平均正確率

        從圖5可知,當算法迭代到200次左右時,分類器逐漸變得平穩(wěn),為此本文選取的迭代次數(shù)為200次。

        4.2 故障識別

        根據(jù)上述分析所選的200次迭代次數(shù),最終得到的故障識別率見表4。

        表4 不同類型的FCMCM分類器故障識別率

        由表4可知,利用RS-FCM分類器進行故障診斷時,每一種故障類別的識別率均在77%以上。

        4.3 性能評價

        通過平均正確率、召回率和算法運行時間對其分類器進行評價,具體見表5。

        表5 RS-FCM分類器故障分類評價指標

        由表5可知,分類器的平均正確率為88.41%,運行時間為2.78 s,召回率為87.22%,說明分類器的分類性能良好,相較于由人工分析數(shù)據(jù)進行診斷,診斷效率得到了提高,同時減少了維修人員的勞動強度。

        5 結(jié)束語

        本文針對目前人工分析監(jiān)測數(shù)據(jù)判斷ZPW-2000軌道電路設(shè)備故障這一方式所存在的判別時間長、分析數(shù)據(jù)易出錯等問題,提出利用屬性約減進行特征提取,并將粗糙集和模糊認知圖相結(jié)合進行故障診斷。通過對ZPW-2000軌道電路故障原因的分析,并對比監(jiān)測數(shù)據(jù),結(jié)合現(xiàn)場經(jīng)驗,得到故障的特征參數(shù)。利用粗糙集理論對原始數(shù)據(jù)進行特征提取,得到特征參數(shù),應(yīng)用現(xiàn)場數(shù)據(jù)在RS-FCM分類器上進行判別,結(jié)果表明粗糙集和模糊認知圖相結(jié)合的方法有較高的識別率,能夠在較短的時間內(nèi)進行準確診斷,與人工診斷方式相比,診斷效率得到提高。

        參考文獻:

        [1]張喜,杜旭升,劉朝英.車站信號控制設(shè)備故障診斷專家系統(tǒng)的研究與實現(xiàn)[J].鐵道學報,2009,31(3):43-49.

        ZHANG Xi,DU Xusheng,LIU Chaoying.Development of Railway Station Signaling Control Equipment Fault Diagnosis Expert System[J].Journal of the China Railway Socie-ty,2009,31(3):43-49.

        [2]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,2010,31(3):107-113.

        ZHAO Linhai,RAN Yikui,MU Jiancheng.A Comprehensive Fault Diagnosis Method for Jointless Track Circuit Based on Genetic Algorithm[J].China Railway Science,2010,31(3):107-113.

        [3]黃贊武,魏學業(yè),劉澤.基于模糊神經(jīng)網(wǎng)絡(luò)的軌道電路故障診斷方法研究[J].鐵道學報,2012,34(11):54-59.

        HUANG Zanwu,WEI Xueye,LIU Ze.Fault Diagnosis of Railway Track Circuits Using Fuzzy Neural Network[J].Journal of the China Railway Society,2012,34(11):54-59.

        [4]米根鎖,楊潤霞,梁利.基于組合模型的軌道電路復雜故障診斷方法研究[J].鐵道學報,2014,36(10):65-68.

        MI Gensuo,YANG Runxia,LIANG Li.Research on Diagnosis Method of Complex Fault Diagnosis of Track Circuit Based on Combined Model[J].Journal of the China Railway Society,2014,36(10):65-68.

        [5]楊世武,魏學業(yè),范博,等.基于數(shù)據(jù)的軌道電路故障診斷的混合算法[J].北京交通大學學報,2012,36(2):40-46.

        YANG Shiwu,WEI Xueye,FAN Bo,et al.Study of Data-based Hybrid Algorithm on Track Circuit Fault Diagnosis[J].Journal of Beijing Jiaotong University,2012,36(2):40-46.

        [6]江峰,杜軍威,葛艷,等.基于粗糙集理論的序列離群點檢測[J].電子學報,2011,39(2):345-350.

        JIANG Feng,DU Junwei,GE Yan,et al.Sequence Outlier Detection Based on Rough Set theory[J].Acta Flectronica Sinica,2011,39(2):345-350.

        [7]張清華,胡榮德,姚龍洋,等.基于屬性重要度的風險決策粗糙集屬性約簡[J].控制與決策,2016,31(7):1199-1205.

        ZHANG Qinghua,HU Rongde,YAO Longyang,et al.Risk DTRS Attribute Reduction Based on Attribute Importance[J].Control and Decision,2016,31(7):1199-1205.

        [8]葛浩,李龍澍,楊傳健.差別矩陣約簡表示及其快速算法實現(xiàn)[J].控制與決策,2016,31(1):12-20.

        GE Hao,LI Longshu,YANG Chuanjian.Discernibility Matrix-based Reduct Representation and Quick Algorithms[J].Control and Decision,2016,31(1):12-20.

        [9]馬立新,鄭曉棟,尹晶晶.主分量啟發(fā)式約簡算法的短期負荷預測[J].電力科學與工程,2015,31(1):27-30.

        MA Lixin,ZHENG Xiaodong,YIN Jingjing.Short-term Load Forecasting Based on Main Attribute-component Heuristic Algorithm[J].Electric Power Science and Engineering,2015,31(1):27-30.

        [10]陳星.基于FCM的ZPW-2000A軌道電路故障分類研究[D].蘭州:蘭州交通大學,2017.

        [11]張桂蕓,劉洋,王元元.基于模糊認知圖的文本分類推理算法[J].計算機工程與應(yīng)用,2007,43(12):155-157.

        ZHANG Guiyun,LIU Yang,WANG Yuanyuan.Reference Algorithm Text Categorization Based on Fuzzy Cognitive Maps[J].Computer Engineering and Applications,2007,43(12):155-157.

        [12]ZHANG G Y,YANG B R,ZHANG W J.Decomposition and Hierarchical Process for Fuzzy Cognitive Maps of Complex Systems[C]//International Conference on Cognitive Informatics-ICCI.New York:IEEE,2006:732-737.

        [13]SALMERON J L.Fuzzy Cognitive Maps for Artificial Emotions Forecasting[J].Applied Soft Computing,2012,12(12):3704-3710.

        [14]彭勇剛,羅小平,韋巍.一種新的模糊自適應(yīng)模擬退火遺傳算法[J].控制與決策,2009,24(6):843-848.

        PENG Yonggang,LUO Xiaoping,WEI Wei.New Fuzzy Adaptive Simulated Annealing Genetic Algorithm[J].Control and Decision,2009,24(6):843-848.

        [15]周鑫,張化詳.基于相似粗糙集和模糊認知圖的文本分類研究[J].計算機工程與設(shè)計,2008,29(21):5537-5539.

        ZHOU Xin,ZHANG Huaxiang.Research on Text Categorization Based on Similar Rough Setand Fuzzy Cognitive Map[J].Computer Engineering and Design,2008,29(21):5537-5539.

        猜你喜歡
        軌道電路約簡分類器
        基于HHT及LCS的軌道電路傳輸變化識別探討
        基于二進制鏈表的粗糙集屬性約簡
        JXG-50S型相敏軌道電路接收器自動測試臺
        ZPW-2000客專軌道電路掉碼故障分析
        BP-GA光照分類器在車道線識別中的應(yīng)用
        電子測試(2018年1期)2018-04-18 11:52:35
        實值多變量維數(shù)約簡:綜述
        自動化學報(2018年2期)2018-04-12 05:46:01
        基于模糊貼近度的屬性約簡
        加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
        結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機的TSK分類器
        25Hz相敏軌道電路的計算和仿真
        電氣化鐵道(2016年2期)2016-05-17 03:42:36
        亚洲午夜看片无码| 中文亚洲av片在线观看| а√天堂资源8在线官网在线 | 人妻少妇偷人精品久久人妻| 加勒比东京热中文字幕| 免费a级作爱片免费观看美国| 欧美日韩中文国产一区发布| 亚洲国产成人精品无码区在线观看| 五月天婷婷一区二区三区久久| 极品少妇人妻一区二区三区| 97se亚洲国产综合自在线观看| 人人爽人人爽人人爽人人片av| 国产欧美一区二区成人影院| 国内人妖一区二区在线播放| 国产精品视频自拍在线| 熟妇熟女乱妇乱女网站| 日产无人区一线二线三线新版| 黄 色 成 年 人 网 站免费| 一区=区三区国产视频| 国产一区二区av免费观看| av综合网男人的天堂| 天天看片视频免费观看| 久久久久久久尹人综合网亚洲| 亚洲一区二区av天堂| 天堂网站一区二区三区| 精品国模一区二区三区| 99久久免费国产精品2017| 久久久亚洲精品蜜臀av| 激情人妻另类人妻伦| 亚洲精品国产av成拍色拍| 国产亚洲欧美在线播放网站| 少妇一级内射精品免费| 国产精品久久久久久妇女| 青楼妓女禁脔道具调教sm| 亚洲在AV极品无码天堂手机版| 日韩精品免费在线视频| 亚洲精品一区二区网站| 国产亚洲精品美女久久久| 亚洲日本三级| 国产麻豆成人精品av| 亚洲成a人v欧美综合天堂|