摘要：運(yùn)行環(huán)境復(fù)雜多變，極大地增加了城市軌道交通電氣設(shè)備發(fā)生故障的概率，但目前其故障診斷仍主要依靠人工經(jīng)驗(yàn)，存在診斷實(shí)時(shí)性低、精度不足等問(wèn)題。因此，提出了基于自適應(yīng)細(xì)菌覓食算法（adaptive bacterial foraging algorithm，ABFA）的電氣設(shè)備故障診斷方法，旨在提高故障診斷的效率與精度。首先，詳細(xì)分析了城市軌道交通電氣設(shè)備的工作原理、分類和故障造成的影響；其次，基于細(xì)菌覓食算法（bacterial foraging algorithm，BFA）構(gòu)建了ABFA；最后，通過(guò)實(shí)驗(yàn)驗(yàn)證該算法的有效性和可靠性。實(shí)驗(yàn)結(jié)果表明，所提出方法的診斷準(zhǔn)確率高達(dá)99.71%，在發(fā)現(xiàn)故障方面具備明顯的優(yōu)勢(shì)。

關(guān)鍵詞：城市軌道交通；電氣設(shè)備；故障診斷；自適應(yīng)細(xì)菌覓食算法

中圖分類號(hào)：TM507 文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

在快速城市化進(jìn)程中，城市軌道交通不僅承擔(dān)著大量的乘客運(yùn)輸任務(wù)，也在促進(jìn)城市經(jīng)濟(jì)發(fā)展方面發(fā)揮著越來(lái)越重要的作用。隨著社會(huì)對(duì)城市軌道交通服務(wù)質(zhì)量要求的不斷提高，電氣設(shè)備作為城市軌道交通系統(tǒng)的核心組成部分，其安全性和穩(wěn)定性愈發(fā)受到重視[1]。電氣設(shè)備在城市軌道交通系統(tǒng)中負(fù)責(zé)供電、信號(hào)控制以及自動(dòng)化管理等關(guān)鍵環(huán)節(jié)，因此研究和探討高效的電氣設(shè)備故障診斷方法顯得尤為重要。

1 城市軌道交通電氣設(shè)備工作原理及分類

軌道交通電氣設(shè)備的電路是連接車站聯(lián)鎖系統(tǒng)和列車控制系統(tǒng)的重要橋梁，主要在檢查相應(yīng)的軌道電路區(qū)段是否被列車占用、給出正確的反饋信息、確保列車的運(yùn)行安全等方面發(fā)揮重要作用。電氣設(shè)備電路的兩種工作狀態(tài)分別為空閑狀態(tài)和占用狀態(tài)。電路處于空閑狀態(tài)時(shí)，表示該軌道電路區(qū)段中無(wú)列車通過(guò)，繼電器的銜鐵被吸起，電路中的狀態(tài)指示燈顯示綠燈；電路處于占用狀態(tài)時(shí)，表示有列車通過(guò)該軌道電路區(qū)段，此時(shí)繼電器的銜鐵落下，電路中的狀態(tài)指示燈顯示紅燈[2]。

城市軌道交通中，安置在室外的常見電氣設(shè)備包括補(bǔ)償電容、單絕緣連體扁線類電纜以及匹配變壓器等；安置在室內(nèi)的常見電氣設(shè)備有發(fā)送器、接收器、衰耗器以及電纜模擬網(wǎng)絡(luò)等。從硬件的角度對(duì)這些設(shè)備進(jìn)行分類，可劃分為發(fā)送端設(shè)備、接收端設(shè)備和鋼軌線路[3]。

2 城市軌道交通電氣設(shè)備故障分析

城市軌道交通電氣設(shè)備出現(xiàn)的故障主要可以概括為紅光帶故障和分路不良故障兩大類。紅光帶故障是指無(wú)車占用路段的城市軌道交通電氣設(shè)備被短接，導(dǎo)致繼電器銜鐵失磁落下，因而出現(xiàn)紅光帶或者紅光帶閃爍現(xiàn)象。此時(shí)，無(wú)列車通過(guò)的路段會(huì)顯示有列車經(jīng)過(guò)，致使行車效率下降[4]。分路不良故障是指列車運(yùn)行到某城市軌道電路區(qū)段時(shí)，鋼軌輪與軌道接觸不良，導(dǎo)致繼電器仍處于勵(lì)磁狀態(tài)，使該區(qū)段顯示無(wú)列車通過(guò)，從而危及列車的運(yùn)行安全。造成城市軌道交通電氣設(shè)備出現(xiàn)故障的原因有很多，在不考慮外在因素的影響下，將城市軌道交通電氣設(shè)備中的基礎(chǔ)設(shè)備作為研究對(duì)象，分析其不同故障狀態(tài)造成的影響[5]，分析結(jié)果如表1所示。

3 基于自適應(yīng)細(xì)菌覓食算法的電氣設(shè)備故障診斷方法

3.1 細(xì)菌覓食算法

細(xì)菌覓食算法（bacterial foraging algorithm，BFA）誕生于2002年，是K. M. Passinos 受到大腸桿菌在人體腸道內(nèi)覓食行為的啟發(fā)而提出的一種仿生類算法。BFA模擬了細(xì)菌在覓食過(guò)程中由于自身所處環(huán)境的變化而不斷尋找最優(yōu)食物的過(guò)程，該算法主要包括趨化、復(fù)制和驅(qū)散3個(gè)步驟。

細(xì)菌趨化是指細(xì)菌在覓食過(guò)程中會(huì)不斷向營(yíng)養(yǎng)資源比較豐富的區(qū)域靠近，在趨化過(guò)程中細(xì)菌主要的行為方式是翻轉(zhuǎn)和前進(jìn)。翻轉(zhuǎn)過(guò)程是指細(xì)菌在鞭毛的作用下向任意方向翻轉(zhuǎn)，同時(shí)檢測(cè)搜索環(huán)境中的適應(yīng)度值變化。適應(yīng)度值改善的方向就是細(xì)菌前進(jìn)的方向。在細(xì)菌前進(jìn)的過(guò)程中，若適應(yīng)度值不再發(fā)生變化，細(xì)菌會(huì)再次向任意方向翻轉(zhuǎn)，尋找適應(yīng)度值更優(yōu)的方向。細(xì)菌趨化操作的表達(dá)式

如下：

θ i（j+1，k，l）=θ i（j，k，l）+

c（i） 。" " " " " " " " " " " " " " " " " " " " " " （1）

式中，i為細(xì)菌個(gè)體，i=1，2，…，s，其中s為細(xì)菌種群中細(xì)菌的總數(shù)；θ i（j，k，l）為細(xì)菌菌落中第i個(gè)細(xì)菌所處的位置；j、k、l則分別為此時(shí)第i個(gè)細(xì)菌個(gè)體所經(jīng)歷趨化、復(fù)制和驅(qū)散的次數(shù)；c（i）為細(xì)菌個(gè)體前進(jìn)時(shí)的步長(zhǎng)；?（i）為隨機(jī)方向上的單位向量。

細(xì)菌復(fù)制是指細(xì)菌菌落在尋優(yōu)的過(guò)程中，性能較差的一半細(xì)菌被淘汰，性能較好的一半細(xì)菌通過(guò)分裂產(chǎn)生與自身性能相同（細(xì)菌位置和趨化步長(zhǎng)）的子細(xì)菌。該過(guò)程能夠確保細(xì)菌菌群中所包含的細(xì)菌總體個(gè)數(shù)不變，同時(shí)以新生細(xì)菌個(gè)體代替舊的細(xì)菌個(gè)體，有利于提高細(xì)菌種群的尋優(yōu)速度。當(dāng)細(xì)菌個(gè)體的復(fù)制和驅(qū)散次數(shù)為一個(gè)確定值時(shí)，細(xì)菌個(gè)體i的健康度表達(dá)式如下：

J ihealth=J（i，j，k，l） 。" " " " " " " " " " " " " " " " " " " " " （2）

式中，Nc為細(xì)菌個(gè)體i的最大趨化次數(shù)，J（i，j，k，l） 為細(xì)菌個(gè)體的適應(yīng)度。

細(xì)菌菌群在復(fù)制過(guò)程中會(huì)按照個(gè)體的健康度大小進(jìn)行排序，淘汰掉一半健康度較小的菌群個(gè)體，保留一半健康度較大的菌群個(gè)體。BFA屬于全局尋優(yōu)算法，能夠在解空間中對(duì)最優(yōu)解進(jìn)行“地毯式”搜索，但存在收斂性差、效率低等問(wèn)題，需對(duì)其進(jìn)一步改進(jìn)。

3.2 自適應(yīng)細(xì)菌覓食算法

自適應(yīng)細(xì)菌覓食算法（adaptive bacterial foraging algorithm，ABFA）通過(guò)對(duì)細(xì)菌趨化運(yùn)動(dòng)的步長(zhǎng)和驅(qū)散概率進(jìn)行自適應(yīng)調(diào)整，解決了BFA存在的收斂性差、效率低等問(wèn)題。

3.2.1 自適應(yīng)步長(zhǎng)

細(xì)菌在特定的解空間內(nèi)進(jìn)行趨化操作，以搜索最優(yōu)解。趨化過(guò)程中會(huì)出現(xiàn)以下兩種情況：若細(xì)菌個(gè)體趨化的步長(zhǎng)過(guò)大，雖然能在一定程度上提高收斂速度，但容易導(dǎo)致跨度太大，進(jìn)而錯(cuò)失最優(yōu)解；若細(xì)菌個(gè)體趨化的步長(zhǎng)過(guò)小，則會(huì)降低算法的運(yùn)行速度，進(jìn)而增加算法計(jì)算量。因此，尋找最優(yōu)解時(shí)應(yīng)注意調(diào)節(jié)細(xì)菌個(gè)體趨化操作的步長(zhǎng)。由于細(xì)菌個(gè)體在覓食的過(guò)程中也會(huì)受到菌群中其余個(gè)體的影響。假設(shè)菌群中其余個(gè)體距離細(xì)菌個(gè)體i最近的距離為dmin，最遠(yuǎn)的距離為dmax，J為細(xì)菌個(gè)體的適應(yīng)度，細(xì)菌趨化過(guò)程中步長(zhǎng)的調(diào)整參數(shù)為A，其表達(dá)式如下：

A= （dmax-dmin）。" " " " " " " " " " " " " " " " " " " （3）

菌群中細(xì)菌個(gè)體自適應(yīng)調(diào)整趨化過(guò)程中前進(jìn)步長(zhǎng)的計(jì)算公式如下：

c（i）new=c（i）old" A。" " " " " " " " " " " " " " " " " （4）

式中，c為前進(jìn)步長(zhǎng)，T為最大迭代次數(shù)，t為當(dāng)前迭代次數(shù)。

3.2.2 自適應(yīng)驅(qū)散概率

自適應(yīng)細(xì)菌覓食優(yōu)化算法中的驅(qū)散操作是將菌群中的部分個(gè)體以概率P驅(qū)散至解空間中的隨機(jī)位置，該過(guò)程保證了菌群的多樣性。但當(dāng)細(xì)菌個(gè)體距離最優(yōu)解位置較近時(shí)，該過(guò)程很可能將細(xì)菌個(gè)體分配到一個(gè)不利位置，導(dǎo)致算法的尋優(yōu)性能降低。因此，本文采用自適應(yīng)驅(qū)散概率Pself對(duì)菌群中的細(xì)菌個(gè)體進(jìn)行驅(qū)散，其表達(dá)式如下：

Pself（i）=P。" " " " " " " " " " " " " " " " （5）

式中，Jmaxhealth為細(xì)菌菌群中最大的健康度，Jminhealth為細(xì)菌菌群中最小的健康度。

3.3 自適應(yīng)細(xì)菌覓食算法流程

（1）初始化細(xì)菌菌群基本參數(shù)。

（2）根據(jù)菌群中細(xì)菌個(gè)體所處的初始位置，計(jì)算細(xì)菌個(gè)體的適應(yīng)度值J。

（3）細(xì)菌個(gè)體逐步進(jìn)行趨化操作、復(fù)制操作和驅(qū)散操作。

（4）細(xì)菌個(gè)體在進(jìn)行趨化操作時(shí)，會(huì)通過(guò)翻轉(zhuǎn)運(yùn)動(dòng)在適應(yīng)度較好的方向上前進(jìn)，并根據(jù)式（4）至式（5）自適應(yīng)地調(diào)整前進(jìn)的步長(zhǎng)。如果在前進(jìn)方向上適應(yīng)度值增加，則繼續(xù)向該方向前進(jìn)；反之，細(xì)菌個(gè)體將會(huì)通過(guò)翻轉(zhuǎn)，選取新的方向。當(dāng)細(xì)菌個(gè)體達(dá)到最大趨化次數(shù)時(shí)，結(jié)束趨化操作，進(jìn)行下一步。

（5）菌群中的細(xì)菌個(gè)體進(jìn)行復(fù)制操作。

（6）對(duì)菌群中的細(xì)菌個(gè)體進(jìn)行驅(qū)散操作。根據(jù)式（5）的概率對(duì)細(xì)菌個(gè)體進(jìn)行驅(qū)散。

（7）判斷算法是否達(dá)到收斂條件，若是，則輸出最優(yōu)解并結(jié)束操作；反之，則返回步驟（3）。

4 實(shí)驗(yàn)結(jié)果分析

采用ABFA、高斯混合模型（Gaussian mixture model，GMM）、粒子群優(yōu)化（particle swarm optimization，PSO）算法和自適應(yīng)粒子群優(yōu)化（adaptive particle swarm optimization，APSO）算法分別對(duì)軌道電路中的16種故障模式進(jìn)行診斷。為更好地對(duì)比4種算法的性能，并降低診斷結(jié)果的隨機(jī)性，將4種算法分別運(yùn)行50次。4種算法的故障診斷結(jié)果如圖1所示。

由圖1可知，ABFA的準(zhǔn)確率較GMM、PSO算法和APSO算法更高，波動(dòng)程度更小，表明ABFA更穩(wěn)定。

為了進(jìn)一步驗(yàn)證所提出的ABFA在故障診斷過(guò)程中尋優(yōu)性能的有效性，利用上述4種算法為測(cè)試函數(shù)分別進(jìn)行10次尋優(yōu)，數(shù)據(jù)統(tǒng)計(jì)結(jié)果如表2所示。本文以10次尋優(yōu)結(jié)果中出現(xiàn)次數(shù)最多的值作為4種算法為函數(shù)尋找到的眾數(shù)值。結(jié)果表明，GMM、PSO算法、APSO算法、ABFA尋找到的眾數(shù)分別為-183.811 4、-184.569 1、-185.476 5和-186.230 9，出現(xiàn)的次數(shù)依次是5次、5次、6次、8次，且都與算法多次運(yùn)行后的均值非常接近。PSO算法經(jīng)迭代后尋找到的函數(shù)均值為-184.568 8；APSO算法經(jīng)迭代后尋找到的函數(shù)均值為-185.673 2；ABFA經(jīng)迭代后尋找到的函數(shù)均值為-186.130 9。

5 結(jié)論

本文通過(guò)詳細(xì)分析城市軌道交通電氣設(shè)備的工作原理和常見故障，提出了基于ABFA的電氣設(shè)備故障診斷方法，并對(duì)該方法進(jìn)行了性能驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，該方法的故障診斷準(zhǔn)確率為99.71%，有利于及時(shí)發(fā)現(xiàn)故障，保證電氣設(shè)備的正常運(yùn)行。

參考文獻(xiàn)

[1] 任正國(guó)，黃文琦，梁凌宇，等. 基于高低頻特征融合的電力設(shè)備熱故障模糊檢測(cè)方法[J]. 自動(dòng)化技術(shù)與應(yīng)用，2024，43（11）：39-42，55.

[2] 丁翔，盛堅(jiān). 小波變換在電力設(shè)備故障診斷中的應(yīng)用研究[J]. 光源與照明，2024（10）：75-77.

[3] 王文星. 基于深度學(xué)習(xí)的電力設(shè)備故障診斷與智能預(yù)測(cè)算法的研究[J]. 家電維修，2024（10）：89-91.

[4] 楊丹. 智能化電力設(shè)備故障診斷與預(yù)警系統(tǒng)分析[J]. 電子技術(shù)，2024，53（9）：174-175.

[5] 韓意. 電力設(shè)備故障診斷與預(yù)測(cè)技術(shù)研究[J]. 家電維修，2024（8）：98-100.