譚云

（昌九城際鐵路股份有限公司，江西南昌 330001）

鐵路信號(hào)系統(tǒng)是一個(gè)復(fù)雜的控制系統(tǒng)，故障現(xiàn)象也具有多種特點(diǎn)。一些故障往往具有隨機(jī)性和模糊性的特點(diǎn)，增加了故障診斷的難度。因此，利用現(xiàn)代技術(shù)研究一種故障診斷方法，對(duì)保證鐵路運(yùn)輸安全具有重要意義。

對(duì)此，文獻(xiàn)[1]提出基于混沌序列的電纜故障在線同步診斷方法。將其獨(dú)特的自相關(guān)性用于單根故障診斷中；再根據(jù)混沌序列數(shù)量多的優(yōu)勢(shì)實(shí)現(xiàn)復(fù)雜電纜的故障診斷。文獻(xiàn)[2]在動(dòng)態(tài)自適應(yīng)模糊Petri網(wǎng)基礎(chǔ)上完成電纜故障診斷。以電纜故障診斷的通用模糊Petri 網(wǎng)模型為基礎(chǔ)，采用BP 神經(jīng)網(wǎng)絡(luò)方法對(duì)該模型中的參數(shù)進(jìn)行學(xué)習(xí)與訓(xùn)練，避免人為因素造成誤差，最后通過(guò)Petri 網(wǎng)模型對(duì)電纜進(jìn)行故障診斷，提高系統(tǒng)中模糊知識(shí)更新適應(yīng)程度。

但是以往的研究中，由于外部干擾因素較多，這些特征會(huì)衰減、消失或重合，所以很難獲得全面的特征信息，導(dǎo)致診斷結(jié)果不夠全面。為此，該文在自學(xué)習(xí)算法的基礎(chǔ)上設(shè)計(jì)一種電纜綜合診斷故障自動(dòng)感知系統(tǒng)。自學(xué)習(xí)既可以對(duì)已知樣本進(jìn)行系統(tǒng)參數(shù)調(diào)節(jié)，使其符合問(wèn)題求解需要，又可以對(duì)新樣本進(jìn)行學(xué)習(xí)，提高其環(huán)境適應(yīng)性，對(duì)故障診斷感知系統(tǒng)更為關(guān)鍵。

1 系統(tǒng)設(shè)計(jì)

1.1 模糊基函數(shù)網(wǎng)絡(luò)建立

由于電纜故障具有模糊特性，因此構(gòu)建模糊基函數(shù)網(wǎng)絡(luò)[3]，綜合分析如下模糊規(guī)則組成的模糊系統(tǒng)：

其中，H為模糊基函數(shù)數(shù)量，ωi代表輸出層權(quán)重。

上述構(gòu)建的模糊基函數(shù)網(wǎng)絡(luò)具備較好的非線性函數(shù)逼近特征[4]，可以直接結(jié)合輸入與輸出來(lái)獲取系統(tǒng)動(dòng)態(tài)行為，彌補(bǔ)診斷數(shù)據(jù)不足的問(wèn)題，可更好地體現(xiàn)系統(tǒng)行為特性。

1.2 新增樣本下模糊基函數(shù)自學(xué)習(xí)故障診斷

由于上述網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程與工作過(guò)程是分離的，為避免發(fā)生“突然遺忘”事件，則訓(xùn)練樣本集合必須包含全部舊樣本與新增樣本。但隨著時(shí)間的推移，樣本規(guī)模逐漸增大，訓(xùn)練難度也隨之提高。為解決這一問(wèn)題，提出新增樣本的模糊基函數(shù)自學(xué)習(xí)策略。

1）模糊基函數(shù)網(wǎng)絡(luò)中心與半徑學(xué)習(xí)

將基函數(shù)網(wǎng)絡(luò)中心當(dāng)作原始中心，對(duì)所有新增樣本作一步迭代[5]，不但能降低舊中心遺忘速度，還能避免網(wǎng)絡(luò)出現(xiàn)重新學(xué)習(xí)現(xiàn)象，提高了學(xué)習(xí)效率，滿足了自動(dòng)感知需求。第i個(gè)網(wǎng)絡(luò)單元中，中心矢量新增的第N個(gè)元素可利用下述公式遞推獲得：

其中，α與β分別表示自學(xué)習(xí)算法中獲勝與非獲勝單元的學(xué)習(xí)率，且滿足0<α<1，0<β<1，Ci為第i個(gè)網(wǎng)絡(luò)單元表示的數(shù)據(jù)類型。

則第i個(gè)模糊基函數(shù)網(wǎng)絡(luò)單元的新半徑計(jì)算公式為：

2）新增樣本理想輸出確定

利用新樣本的理想輸出來(lái)反映網(wǎng)絡(luò)已經(jīng)學(xué)習(xí)到的故障分布信息，因此引入具有遺忘因子的加權(quán)平均方法[6]。分析某故障類FC，假設(shè)此類故障存在P個(gè)樣本的加權(quán)平均中心，則表示為：

式中，Xi(i=1,2,…,P)代表樣本矢量，P是樣本個(gè)數(shù)，λ表示遺忘因子，λ∈( 0.95,1) 。則加權(quán)協(xié)方差矩陣表示為：

針對(duì)已知樣本Xj，其期望值輸出可通過(guò)以下正態(tài)型多元模糊分布獲取[7]：

公式中，dj表示Xj和故障類中心vP之間的距離，k屬于正常數(shù)，可以調(diào)節(jié)樣本的理想輸出。一般情況下，離vP最遠(yuǎn)樣本的可能輸出為μj=0.5。

3）樣本均值與協(xié)方差矩陣的遞推運(yùn)算

直接計(jì)算存在遺忘因子樣本的均值與協(xié)方差，必須已知全部故障樣本，導(dǎo)致計(jì)算量較大。因此，文中提出了一種迭代計(jì)算方式。

假設(shè)m個(gè)原始樣本的均值與協(xié)方差矩陣分別表示為Om與∑m。新加入Xm+1個(gè)樣本后，則有：

利用式（10）～（13）即可完成遺忘因子樣本的均值Om+1與協(xié)方差矩陣∑m+1的遞推運(yùn)算，獲得樣本中全部故障可能性分布信息，并在此基礎(chǔ)上形成新樣本的目標(biāo)輸出，以此實(shí)現(xiàn)故障感知。

1.3 電纜診斷故障系統(tǒng)硬件模塊化設(shè)計(jì)

該系統(tǒng)包括分布式短路故障采集處理模塊、分布式接地故障與在線測(cè)溫采集處理模塊、后臺(tái)綜合管理模塊。

1）分布式短路故障采集模塊主要負(fù)責(zé)采集電纜重要指標(biāo)參數(shù)[8-10]，處理模塊則負(fù)責(zé)對(duì)電流、負(fù)載電流與故障電流進(jìn)行檢測(cè)，此外結(jié)合電流狀況對(duì)故障進(jìn)行判斷，并做好記錄與上傳工作。

2）分布式接地故障在線測(cè)溫采集處理模塊工作時(shí)采集電纜零序電流與溫度等參數(shù)。當(dāng)電纜出現(xiàn)故障時(shí)，結(jié)合接地時(shí)零序電流暫態(tài)信號(hào)特性對(duì)故障進(jìn)行診斷，并記錄和上傳數(shù)據(jù)。實(shí)時(shí)對(duì)電纜溫度進(jìn)行測(cè)量，實(shí)現(xiàn)24 h 不間斷測(cè)溫。當(dāng)溫度達(dá)到最大門(mén)限值時(shí)立即上報(bào)[11-14]。將測(cè)溫單元安裝在電纜接頭處，每隔100 m 安裝一個(gè)。

3）后臺(tái)綜合管理模塊可以根據(jù)上層故障判斷邏輯，對(duì)電纜拓?fù)溥M(jìn)行管理，并通過(guò)GIS 系統(tǒng)實(shí)時(shí)顯示故障位置，給出綜合檢修意見(jiàn)，提供決策依據(jù)[15-16]。

結(jié)合上述模塊主要功能，設(shè)計(jì)系統(tǒng)組網(wǎng)，如圖1所示。

圖1 系統(tǒng)組網(wǎng)示意圖

分布式短路故障采集和處理設(shè)備參數(shù)如表1所示。

表1 設(shè)備參數(shù)

分布式接地故障在線測(cè)溫采集處理設(shè)備參數(shù)如表2 所示。

表2 硬件單元主要參數(shù)

2 仿真實(shí)驗(yàn)數(shù)據(jù)分析與研究

為驗(yàn)證文中系統(tǒng)的性能，以SPTYWP23 型號(hào)的四芯鐵路數(shù)字信號(hào)電纜作為參考，制作實(shí)驗(yàn)?zāi)０濉?shí)驗(yàn)電纜總長(zhǎng)度為20 km，故障位置分別設(shè)置在5 km、10 km 以及15 km 處。在自學(xué)習(xí)訓(xùn)練開(kāi)始之前，將全部數(shù)據(jù)集合分成訓(xùn)練集、驗(yàn)證集與測(cè)試集三部分。其中，驗(yàn)證集與測(cè)試集都選取初始樣本的四分之一。訓(xùn)練誤差與驗(yàn)證誤差的變化曲線如圖2 所示，可知兩條曲線變換趨勢(shì)是相同的，這表明集合劃分較為合理。

圖2 不同誤差曲線變化趨勢(shì)圖

該次實(shí)驗(yàn)共構(gòu)建四類故障仿真數(shù)據(jù)，每種樣本數(shù)量為30 個(gè)。第一類故障表示為第二類故障表示為第三類故障是第四類故障計(jì)作針對(duì)上述4 種故障類型，利用該文方法、文獻(xiàn)[1]方法、文獻(xiàn)[2]方法對(duì)電纜進(jìn)行故障診斷，診斷結(jié)果如表3 所示。

表3 不同方法對(duì)不同故障類型的診斷準(zhǔn)確率對(duì)比表

由表3 能夠看出，該文故障診斷系統(tǒng)對(duì)不同類型故障感知較為全面，能夠檢測(cè)出更多故障現(xiàn)象。這是因?yàn)樵撐氖褂玫淖詫W(xué)習(xí)算法，通過(guò)對(duì)具有遺忘因子樣本的均值與協(xié)方差矩陣的遞推運(yùn)算，獲得更加全面的故障可能性分布信息，因此對(duì)故障類型診斷非常全面，感知性較好。

3 結(jié)論

該文利用自學(xué)習(xí)算法構(gòu)建一個(gè)故障診斷自動(dòng)感知系統(tǒng)，可以對(duì)不同故障類型進(jìn)行全面診斷，提高故障定位精度[17-18]，以便在故障發(fā)生后，對(duì)系統(tǒng)反饋信息進(jìn)行綜合分析，結(jié)合實(shí)際情況作出合理的解決方案，避免造成較大損失。