基于神经网络的道岔智能故障诊断方法研究

基于神经网络的道岔智能故障诊断方法研究 杨栋 （兰州交通大学自动化与电气工程学院，甘肃 兰州  730070） 摘要：本文将神经网络信息融合技术运用在铁路道岔故障诊断领域，为铁路信号领域提出了一种新型的道岔智能故障诊断方法。该方法能快捷、准确地融合从各传感器得到的故障信息，通过人工智能处理，自动诊断出故障原因，为维修人员提供技术参考，从而降低故障发生率和故障处理时间，确保运行安全．提高运行效率。 关键词：道岔智能故障诊断；BP神经网络；道岔监测系统 Research on Turnout Intelligent Fault Diagnosis Method Based on Neural Network yang dong (School of Automation and Electrical Engineering，Lan Zhou Jiao Tong University，Lan Zhou 730070，China) Abstract：This thesis is the application of neural network information fusion technology in fault diagnosis of railway turnouts, railway signal field have come up with a new method of Intelligent fault diagnosis for turnout. This method can be fast, and accurate fusion fault information received from the sensor through artificial intelligence, diagnose faults automatically, provides technical reference for service personnel, thereby reducing the incidence of failure and trouble shooting time, ensure safe operation. To improve operating efficiency. Key words：turnout intelligent fault diagnosis ;BP neural network; rail monitoring system 0引言 随着我国多条客运专线的开通，列车最高时速可达394公里/小时,时，我国铁路实现了一次飞跃式发展。更高的列车运行速度．特别是，“7·23”甬温线特别重大铁路交通事故的发生，对铁路信号设备安全与铁路关键设备道岔提出了更高的要求。然而我国目前道岔设备维修模式依旧是传统的故障修模式．已经不能适应铁路发展的要求。为了指导维修工作．进一步完善道岔监测系统的功能．智能故障诊断已成为道岔监测设备的重中之重。传统的故障诊断方法对于非线性关系，数学模型较难建立并且诊断结果不够理想。而BP神经网络则具有很好的非线性映射、自学习能力和对环境的自适应能力等特点，能较好满足道岔故障诊断领域的要求。为了指导维修工作，对道岔设备状态 修提供完善的技术支持，智能故障诊断，已成为道岔监测设备的重中之重[1]。因此，在道岔监测系统提供的 数据基础上，提出一种基于BP神经网络的道岔智能故障诊断方法。该方法可用来估计故障的发展程度和区分故障的类型，指导维修工作。 1道岔智能故障诊断在道岔监测系统中的重要性 道岔监测设备是监测道岔运用状态的必要设备，是实现状态修的重要手段。我国的道岔监测设备主要为微机监测系统和已经上道实验的道岔监测系统。两个系统目前只提供道岔各组成设备的在线信息监测和 故障报警，缺少对设备的智能故障诊断功能，并不能为道岔设备状态修提供完善的技术支持。 本文提出一种道岔智能故障诊断方法．旨在完善道岔监测系统的功能．使道岔监测系统能随时了解设备的状态特征，并能根据设备当时状况，预测故障发展程度．区分故障类型，避免维修中的盲目性，减少道岔设备的维修次数和时间，从而提高道岔设备的可靠性和安全性，保证列车和线路的运行效率，适应高速铁路的发展要求[6]。 2人工神经网络概述 2.1人工神经网络定义 人工神经网络是受生物神经网络的启发构造而成，它是在对生物神经网络认识的基上，把分子和细胞技术所达到的微观层次与行为研究所达到的系统层次结合起来，以数学和物理方法以及信息处理的角度对人脑神经网络进行抽象，并建立某种简化模型，称为人工神经网络ANN[2]。其中误差反传网络（BP网络）是常用的一种。 2.2人工神经网络工作原理 ANN由简单的神经元（信息处理单元）互联组成，能接受并处理信息。虽然单个神经元只能进行十分简单的信息处理，但多个神经元连接而成的网络却具有强大的计算能力。网络的信息处理是由处理单元之间的相互作用实现。改变神经元之间的连接方式和连接强度就可以改变神经网络的计算效果，知识与信息的存储，则表现为处理单元之间分布式的物理联系[2]。BP网络是一种多层前馈神经网络。它由3层神经元构成，分别为输入层、隐含层和输出层。输入层神经元节点个数等于采集数据的特征向量维数，输出层神经元节点数取决于所需要的类别数。根据BP网络隐含层设计的经验，隐含层单元数目可根据需要和对神经网络结构的优化而设置。 2.3人工神经网络特点  神经网络是一门高度综合的交叉学科，它涉及到神经生理科学、数理科学、信息科学和计算机科学等众多学科领域。其特点如下：1）分布式存储。其具有良好的容错性与联想记忆功能。神经网络记忆的信息是存储在神经元之间的权值中。个别神经元和权值的损坏不会对信息特征造成太大影响，这使得网络具有良好的容错性。2）相对于专家系统的知识获取“瓶颈”问题，神经网络可以通过训练和学习来获得网络的权值与结构，呈现出很强的自学习能力和对环境的自适应能力。3）诊断耗时少。神经网络将领域专家的启发式知识和经验分布存储于神经元的互连中，不做成专门的知识库，在线诊断时，不再像专家系统和模糊控制那样进行 规则 编码规则下载淘宝规则下载天猫规则下载麻将竞赛规则pdf麻将竞赛规则pdf 的匹配搜索，从而大大减少诊断耗时。 2.4并行BP 神经网络系 并行BP网络是通过多个BP子神经网络对多个特征值分类，每个子神经网络诊断一类故障，结构如图1所示。有多少类故障，就有多少个子网络与之对应。其优点是每个子网络结构相对来说比较简单，训练迅速，而且子网络间互不影响，尤其是当有新的故障发生时，只需要简单地增加一个训练好的子网络，即可识别新故障，而不用像单子网络一样全部重新学习，这样就大大提高网络的扩展能力和学习能力。 图1 并行神经网络示意图 3 智能故障诊断方法的可行性 由于神经网络有如上特点，在道岔现场复杂的环境下，运用BP神经网络诊断故障的方法具有切实的可行性。 3.1 满足诊断道岔设备故障的现场需求 BP神经网络的非线性映射能力和自学习能力，能较好地处理道岔设备的运行状态与其各种故障征兆参数之间的复杂关系。其良好的鲁棒性、实时性，能较好地满足道岔对可靠性、安全性和实时性的要求。 3.2 解决信息融合的不匹配问 道岔监测系统采用的传感器属于异类多传感器类。由于此类各传感器时间或空间不同步、测量维数不匹配和测量数据差距过大等问题，导致各属性层融合达不到理想效果。而运用BP神经网络可以有效避免以上问题，使各传感器信息在公共数据空间内进行融合，在多故障诊断中可得到较好的置信度[3]。 3.3 学习样本充足 神经网络没有任何规则，它通过大量样本对网络进行多次训练来改变网络中的连接权值，只有通过多次训练才能达到理想的效果。因此，充足的学习样本是训练神经网络的关键。而道岔监测系统可以提供完善的状态监测信息，使系统训练样本充足，确保了对BP神经网络模型的可靠训练[5]。 4道岔智能故障诊断的实现 根据现场维修人员对道岔设备故障积累的宝贵经验，把道岔的典型故障分为3类：道岔密贴不良、道岔转换故障、道岔电路故障。采用并行BP神经网络建立网络模型，每类故障建立1个子神经网络模型，第三个子神经网络中另建立3个次级子神经网络，总体组建成一个并行BP神经网络的信息融合系统。各子网络均采用改进BP算法以加快收敛速度，最后采用设置双阈值的方法进行故障前预警和故障后诊断。诊断步骤如下：首先从道岔监测系统中获取道岔监测数据，对数据进行特征提取后通过诊断模块得出诊断结果。如果遇到新故障，则通过学习模块对相应子网络进行重新训练以完善诊断模块。如图2所示。 图2 道岔智能故障诊断步骤示意图 以Visual C++和MATLAB作为实现故障诊断的工具软件。用户交互界面由Visual C++开发完成，在与MATLAB进行数据交换后，使用MATLAB神经网络工具箱进行后台运算处理[4]。 4.1 道岔密贴不良故障类诊断 道岔密贴不良是道岔最为常见的故障。据统计，在武广客专联调联试阶段，密贴不良故障占总故障的18.7%。尖轨密贴必须保证4 mm不锁闭、2 mm锁闭要求，否则可能导致道岔不能正常锁闭或列车颠覆等重大事故。 4.1.1 道岔密贴不良故障原因  根据维修人员多年的现场经验，密贴不良常由道岔不方正、尖轨爬行、轨距变化、外锁闭调整不良、缺口不合格5种故障原因导致。当整体道床振动过大时将导致基础螺栓松动，进而导致道岔不方正造成卡阻。尖轨爬行、轨距变化等原因多由于道床不良引起，应积极开展道岔的工电联合整治。而外锁闭调整不良和缺口变化则属电务维修人员调整不当，维修质量不高等人为原因。 4.1.2 道岔密贴不良故障诊断方法  我国某设计院目前正在开发研制道岔监测系统，其所监测的7种电务参数可以从各方面反映出密贴不良的原因。由此，可以选用密贴量、尖轨开口量、转换力、振动加速度、轨温、轨距、缺口监测数据等7种状态数据，进行特征提取并归一化处理后作为神经网络的输入端，以5种密贴不良原因作为输出端，进行故障诊断。当发现影响密贴不良的新故障原因时，可以通过网络学习模块增加输出节点并对连接权值和阈值进行重新训练和学习，以满足诊断要求。 4.2 道岔转换故障类诊断 道岔转换故障是在道岔转换阶段无法正常转动、道岔转换阻力过大、转换不到位造成四开状态以及道岔转换后没有表示等故障。道岔转换故障性质恶劣，将严重影响线路正常运营。 4.2.1 道岔转换故障原因 通过对各时间段道岔动作电流分析，可以诊断出如下6种常见故障原因：电机匝间短路、碳刷与整流子接触不良、尖轨转换障碍、电机转子断线、继电器接点接触不良、自动开闭器动作不灵活。其中转换障碍由根部阻力过大、滑床板缺油、夹异物、吊板、故障电流过小等原因形成，需要电务人员现场核实。 4.2.2 道岔转换故障诊断方法 道岔动作电流曲线，蕴涵了道岔转换过程中丰富的机械特性和电气特性。可对故障动作电流进行多角度分析，并与道岔平时的正常动作电流曲线相对比，寻找出故障曲线反应出的故障信息，得到故障原因。单机牵引正常动作电流曲线如图3所示：电机启动时曲线骤升，形成一个尖峰，峰顶值通常为6～10 A。若峰值过高，说明道岔电机有匝间短路。电流至峰点后迅速回落，弧线应平顺。若有台阶或鼓包则为道岔密贴调整过紧造成解脱困难。回落后的曲线基本呈水平状，前部略微向下，后部略微向上。区段前部应平滑，若电流幅值上下抖动则有如下可能：滑床板凹凸不平、炭刷与整流子面接触不良或有污垢、电机有匝间短路。若有大量的回零点，则为电机转子断线。略微向上的曲线后部为锁闭电流，若过高则可能为道岔密贴调整过紧，转辙机锁闭困难。随后曲线迅速下降再逐渐为零，此时段为自动开闭器转换时间和1DQJ缓放时间，时间若过长则可能是自动开闭器动作不灵活等原因。 继续阅读