基于D－S證據(jù)理論信息融合的軌道電路故障診斷方法研究*

李 娜，董海鷹，2

(1.蘭州交通大學(xué)自動(dòng)化與電氣工程學(xué)院，甘肅 蘭州 730070;2.蘭州交通大學(xué)光電技術(shù)與智能控制教育部重點(diǎn)實(shí)驗(yàn)室，甘肅 蘭州 730070)

近年來，隨著行車速度不斷提高，為了滿足鐵路提速、提效以及向長鋼軌、電氣化發(fā)展的需要，ZPW－2000A作為鐵路軌道電路的一項(xiàng)新技術(shù)，已被逐步推廣應(yīng)用。軌道電路多采用人工定期進(jìn)行檢修和維護(hù)的方式，由于軌道電路包含設(shè)備數(shù)量較多，加之室外環(huán)境的復(fù)雜性，軌道電路出現(xiàn)的故障現(xiàn)象也多種多樣，因此，單憑經(jīng)驗(yàn)處理故障難免會有盲目性或顧此失彼，且維護(hù)人員的理論水平和實(shí)際經(jīng)驗(yàn)也直接影響故障處理的效率和正確率。如何快速有效地診斷軌道電路故障，仍是擺在技術(shù)人員面前的一個(gè)重要難題。近幾年來，國內(nèi)外學(xué)者們運(yùn)用了一些智能控制診斷方法對ZPW－2000A設(shè)備進(jìn)行研究［1－5］。文獻(xiàn)［3］運(yùn)用遺傳算法對軌道電路中多個(gè)補(bǔ)償電容故障及道砟電阻波動(dòng)等情況作了綜合評判。文獻(xiàn)［4］用D－S證據(jù)理論對軌道電路位于發(fā)送器和接收器之間的一系列微調(diào)電容進(jìn)行故障檢測。文獻(xiàn)［5］提出了一種基于神經(jīng)網(wǎng)絡(luò)的故障診斷網(wǎng)絡(luò)對軌道電路進(jìn)行故障診斷，解決了單獨(dú)設(shè)計(jì)網(wǎng)絡(luò)帶來的運(yùn)算量問題。但是軌道電路其故障類型、故障征兆和故障產(chǎn)生機(jī)理之間存在著復(fù)雜性和不確定性，僅靠單一診斷方法已無法完成診斷任務(wù)。為了克服現(xiàn)有技術(shù)的不足，本文采用信息融合技術(shù)，信息融合可以綜合利用多傳感器獲得同一對象的多維故障信息并進(jìn)行故障診斷，因而可以提高故障診斷的確定性［6－9］。文獻(xiàn)［6］采用信息融合故障診斷方法對離心式風(fēng)機(jī)進(jìn)行了故障診斷。文獻(xiàn)［7］提出了基于證據(jù)理論的列車智能控制系統(tǒng)多信息融合故障診斷方法。采用信息融合技術(shù)對軌道電路進(jìn)行故障診斷，診斷結(jié)果驗(yàn)證了該方法的有效性。

1 ZPW－2000A軌道電路原理及故障分析

1.1 ZPW－2000A無絕緣軌道電路原理

ZPW－2000A型無絕緣軌道電路系統(tǒng)構(gòu)成如圖1所示。

ZPW－2000A型無絕緣軌道電路分為主軌道電路和調(diào)諧區(qū)小軌道電路兩部分，小軌道電路視為列車運(yùn)行前方主軌道電路的所屬“延續(xù)斷”。主軌道電路的發(fā)送器由編碼條件控制產(chǎn)生不同含義的低頻調(diào)制的移頻信號，該信號經(jīng)電纜通道傳給匹配變壓器及調(diào)諧單元，因?yàn)殇撥壥菬o絕緣的，該信號既向主軌道傳送，也向調(diào)諧區(qū)小軌道傳送，主軌道信號經(jīng)鋼軌送到軌道電路受電端，然后經(jīng)調(diào)諧單元、匹配變壓器、電纜通道。將信號傳至本區(qū)段接收器。調(diào)諧區(qū)小軌道信號由運(yùn)行前方相鄰軌道電路接收器處理，并將處理結(jié)果形成小軌道電路繼電器執(zhí)行條件送至本區(qū)段接收器，本區(qū)段接收器同時(shí)接收到主軌道移頻信號及小軌道電路繼電器執(zhí)行條件，判斷無誤后驅(qū)動(dòng)軌道電路繼電器吸起，并由此來判斷區(qū)段的空閑與占用情況。

圖1 ZPW－2000A無絕緣軌道電路原理圖Fig.1 Track circuit schematic of ZPW －2000A

1.2 ZPW－2000A無絕緣軌道電路故障分析

根據(jù)對ZPW－2000A型無絕緣軌道電路故障機(jī)理分析和對其實(shí)際發(fā)生故障的總結(jié)，歸納出主要的幾種故障類型:主軌道故障、共用發(fā)送通道故障、小軌道故障、室內(nèi)故障以及衰耗盒故障。本文選擇主軌道輸入電壓、小軌道輸入電壓、軌出電壓、衰耗器測空電壓以及模擬盤電壓這5個(gè)量作為故障特征信號量。

2 基于信息融合的軌道電路故障診斷

BP神經(jīng)網(wǎng)絡(luò)具有很好的非線性映射，自學(xué)習(xí)能力和對環(huán)境的自適應(yīng)能力等特點(diǎn)，它可以有效地解決設(shè)備的各種故障征兆參數(shù)之間關(guān)系復(fù)雜并且非線性的問題［10－11］。模糊綜合評判可以有效解決設(shè)備故障和故障產(chǎn)生機(jī)理之間存在著復(fù)雜性和不確定性的問題［12］，可以建立精確的數(shù)學(xué)模型。將BP神經(jīng)網(wǎng)絡(luò)和模糊綜合評判對軌道電路故障診斷結(jié)果用D－S證據(jù)理論進(jìn)行融合可以提高診斷的精確度。計(jì)算結(jié)果更加可信。

2.1 基于BP神經(jīng)網(wǎng)絡(luò)的軌道電路故障診斷

BP神經(jīng)網(wǎng)絡(luò)選用三層前向神經(jīng)網(wǎng)絡(luò)，將主軌道輸入電壓B1，小軌道輸入電壓B2，軌出電壓B3，衰耗盒“XGJ”測試空電壓B4，模擬盤電壓作B5作為BP神經(jīng)網(wǎng)絡(luò)的輸入，輸入層神經(jīng)元個(gè)數(shù)為5，將定義的故障類型作為BP神經(jīng)網(wǎng)絡(luò)的輸出，輸出層神經(jīng)元個(gè)數(shù)為5，分別是主軌道故障A1、共用發(fā)送通道故障A2、小軌道故障A3、室內(nèi)故障A4、衰耗盒故障A5，根據(jù)式(1)以及訓(xùn)練結(jié)果對比來確定隱含層神經(jīng)元的個(gè)數(shù)為12。式中:l為隱層節(jié)點(diǎn)數(shù);m為輸入節(jié)點(diǎn)數(shù);n為輸出節(jié)點(diǎn)數(shù);α為1～10之間的常數(shù)。BP網(wǎng)絡(luò)模型如圖2所示。

圖2 BP網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 BP network structure

在故障診斷過程中，一般把輸入樣本歸一化處理，輸出樣本值的元素是0或1，隱含層和輸出層均選用S型對數(shù)logsig作為神經(jīng)元傳遞函數(shù)。針對建立的網(wǎng)絡(luò)，選擇訓(xùn)練誤差目標(biāo)為0.01，初始設(shè)置學(xué)習(xí)率為0.01，初始權(quán)值取(0，1)之間的隨機(jī)數(shù)，對網(wǎng)絡(luò)進(jìn)行初始化，建立好神經(jīng)網(wǎng)絡(luò)模型后，用traingd函數(shù)訓(xùn)練。用建立的樣本數(shù)據(jù)對網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

2.2 基于模糊綜合評判的軌道電路故障診斷

軌道電路故障診斷模糊綜合評判是根據(jù)各種故障原因與征兆之間不同的程度關(guān)系，利用模糊變換原理和診斷決策，在綜合考慮所有的因素下最終來診斷其發(fā)生故障的可能原因。

2.2.1 因素集和征兆集

在軌道電路設(shè)備中，設(shè)用一個(gè)集合來定義軌道電路所有可能發(fā)生故障的各種原因，可以用一個(gè)向量A來表示這個(gè)集合如式(2)所示。

式中:m表示故障原因的總數(shù)。以ZPW－2000A型無絕緣軌道電路主要的5種故障作為故障原因，則它們組成的故障原因向量為:{主軌道故障、共用發(fā)送通道故障、小軌道故障、室內(nèi)故障、衰耗盒故障}，以主軌道輸入電壓、小軌道輸入電壓、軌出電壓、衰耗盒“XGJ”測試空電壓、模擬盤電壓作為故障征兆。由于這些故障原因所引起的各種征兆，也被定義為1個(gè)集合，用向量B表示，其中n表示故障征兆的總數(shù)。

2.2.2 單因素和多因素故障模糊評判

單獨(dú)對某個(gè)故障進(jìn)行評判，以確定評判對象對評判集征兆的隸屬程度，稱為單故障模糊評判。對故障集A中第i個(gè)故障Ai進(jìn)行評判，確定該故障對征兆集B中第j個(gè)元素Bj的隸屬度為rij則得出第i個(gè)故障 Ai單故障集 ri=(ri1，ri2，…，rin)。顯然，它是征兆集B上的一個(gè)子集。把m個(gè)故障評價(jià)集組合就構(gòu)成了故障集與征兆集上的模糊關(guān)系矩陣R。其中:0 ≤rij= μR(Ai，Bj)≤1;i=1，2，…，m;j=1，2，…，n。

R是A×B上的模糊子集，它反應(yīng)軌道電路中某種故障與某種征兆的關(guān)系程度，同時(shí)上式滿足歸一化條件，即:

模糊關(guān)系矩陣R的確立通過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)來獲取，征兆隸屬度集B由測試的記錄數(shù)據(jù)經(jīng)過分析獲得，已知R和B，就可以求得故障原因隸屬度集A，這就是多因素綜合評判:A=B°RT。

2.3 基于D－S證據(jù)理論融合的軌道電路診斷模型

本文中，基于D－S證據(jù)理論的決策級信息融合診斷模型主要包括數(shù)據(jù)處理、特征級局部診斷和決策級融合三大模塊，結(jié)構(gòu)如圖3所示。

D－S證據(jù)理論基本策略是把證據(jù)集合劃分為若干個(gè)不相關(guān)的部分，并分別利用它們對識別框架進(jìn)行獨(dú)立判斷，然后利用組合規(guī)則將它們組合起來［10－12］。

圖3 基于D－S證據(jù)理論信息融合診斷模型Fig.3 Fusion diagnosis model based on D－S evidence theory

以二元情況為例，假設(shè)Bel1和Bel2是同一識別框架Θ上的2個(gè)置信函數(shù)，其中Θ是樣本空間，即是由1個(gè)互不相容陳述集合的冪集2Θ構(gòu)成的命題集合。m1和m2為對應(yīng)基本概率賦值函數(shù)，m1和m2的焦元分別為 A1，A2，…，An和 B1，B2，…，Bn，并假設(shè):

其中:K表示2個(gè)證據(jù)之間的沖突程度。當(dāng)K=1時(shí)，為全沖突，此時(shí)D－S組合規(guī)則不能使用;當(dāng)K＜1時(shí)，為非完全沖突，此時(shí)，D－S組合規(guī)則可以使用。則有概率賦值函數(shù)m:2Θ→［0，1］對于所有基本概率賦值的非空集A有命題A的基本概率分配函數(shù)(對命題A的信任度):

將上述兩兩融合規(guī)則推廣到多證據(jù)組合時(shí)，多個(gè)置信度函數(shù)對應(yīng)的聯(lián)合作用結(jié)果可以同樣用多個(gè)置信度函數(shù)的直和表示:

D－S證據(jù)理論融合中關(guān)鍵是如何構(gòu)造各焦元的基本概率，將神經(jīng)網(wǎng)絡(luò)和模糊綜合評判的輸出結(jié)果作為D－S證據(jù)理論組合證據(jù)的可信度。BP網(wǎng)絡(luò)的實(shí)際輸出與理想輸出之間的網(wǎng)絡(luò)誤差為:

式中:En為第n個(gè)表征矢量的網(wǎng)絡(luò)誤差;tnj為第n個(gè)表征矢量的第j個(gè)輸出神經(jīng)元的期望值;ynj為第n表征矢量的第j個(gè)輸出神經(jīng)元的實(shí)際值。

將歸一化處理后的神經(jīng)網(wǎng)絡(luò)診斷結(jié)果代入式(9)，得到每個(gè)樣本中第i種故障模式的基本概率值m(Ai)，把網(wǎng)絡(luò)誤差進(jìn)行同樣處理，作為D－S證據(jù)理論的不確定程度m(Θ)，構(gòu)造的D－S證據(jù)理論概率分配值:

式中:Ai表示故障模式;i=1，2，…，n;y(Ai)為BP網(wǎng)絡(luò)的診斷結(jié)果。

對于模糊綜合評判，構(gòu)造的D－S證據(jù)理論的概率分配為:

用D－S證據(jù)理論的方法將BP網(wǎng)絡(luò)和模糊綜合評判診斷結(jié)果在決策級融合，從而得到能完全反映設(shè)備運(yùn)行狀態(tài)的診斷結(jié)果。

3 仿真實(shí)驗(yàn)與結(jié)果分析

本文以現(xiàn)場某區(qū)段ZPW－2000A歷史故障數(shù)據(jù)為實(shí)例，選擇主軌道輸入電壓、小軌道輸入電壓、軌出電壓、衰耗盒“XGJ”測試空電壓、模擬盤電壓這5個(gè)量作為故障特征信號量，經(jīng)歸一化處理后形成樣本進(jìn)行分析，建立檢測數(shù)據(jù)庫。由于網(wǎng)絡(luò)的各個(gè)輸入量常常具有不同的物理意義和不同的量綱，需要對輸入樣本進(jìn)行歸一化處理，歸一化處理公式如下:

式中:X為原始數(shù)據(jù);Xmax和Xmin為原始數(shù)據(jù)的最大值和最小值;T為變換數(shù)據(jù)，即目標(biāo)數(shù)據(jù);本文從實(shí)例數(shù)據(jù)中選擇200組樣本，其中10組歸一化處理后的樣本數(shù)據(jù)如表1所示。

定義主要的5類故障類型:主軌道故障A1、共用發(fā)送通道故障A2、小軌道故障A3、室內(nèi)故障A4、衰耗盒故障A5建立樣本數(shù)據(jù)庫。將檢測數(shù)據(jù)送入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，期望輸出和仿真結(jié)果分別見表2和表3，利用式(9)提供的方法構(gòu)造各故障的基本概率見表4。

同樣，將檢測數(shù)據(jù)用基于模糊綜合評判的故障診斷進(jìn)行仿真，其結(jié)果見表5所示，再用式(10)構(gòu)造基本概率分配結(jié)果見表6。

表1 經(jīng)處理后的歸一化樣本Table 1 One of a sample treated normalized

表2 檢測數(shù)據(jù)的期望輸出Table 2 The desired output of the detection data

表3 BP神經(jīng)網(wǎng)絡(luò)故障診斷模型仿真結(jié)果Table 3 Model simulation results of BP neural network fault diagnosis

表4 用神經(jīng)網(wǎng)絡(luò)輸出求得的基本概率分配Table 4 Basic probability distribution obtained by the neural network output

最后將以上2種方法的診斷結(jié)果進(jìn)行決策級融合，即將表4與表6進(jìn)行融合，形成基于D－S證據(jù)理論的決策級融合診斷模型，融合結(jié)果見表7，將表4、表6和表7進(jìn)行比較，可以發(fā)現(xiàn)融合之后大幅度地提高了診斷決策的置信度。如第1組數(shù)據(jù)故障 A1(主軌道故障)置信度由0.743118，0.678783提高到了0.924255。

表5 糊綜合評判的故障診斷結(jié)果Table 5 Fault diagnosis results of paste comprehensive evaluation

表6 糊綜合評判的構(gòu)造概率分配函數(shù)Table 6 Structure probability distribution function of paste comprehensive evaluation

表7 D－S證據(jù)理論決策級融合結(jié)果Table 7 Level fusion results of D－S evidence theory decision

4 結(jié)論

對ZPW－2000A無絕緣軌道電路進(jìn)行故障診斷時(shí)，針對D－S證據(jù)理論在應(yīng)用時(shí)難以確定基本概率分配的問題，利用神經(jīng)網(wǎng)絡(luò)輸出和模糊綜合評判輸出來構(gòu)造D－S證據(jù)理論中的基本概率分配。然后，將基于BP神經(jīng)網(wǎng)絡(luò)和模糊綜合評判對ZPW－2000A無絕緣軌道電路的兩種診斷結(jié)果用D－S證據(jù)理論進(jìn)行決策級融合。仿真結(jié)果表明:基于BP神經(jīng)網(wǎng)絡(luò)和模糊綜合評判的決策級融合診斷系統(tǒng)可以有效的解決ZPW－2000A無絕緣軌道電路故障的不確定性，并提高了對軌道電路的診斷精度，計(jì)算結(jié)果更加可靠。

［1］趙林海，穆建成.基于AOK－TFR的軌道電路故障診斷方法［J］.西南交通大學(xué)學(xué)報(bào)，2011，46(1):84 －91.ZHAO Lin-hai，MU Jing-cheng.Fault diagnosis method for jointless track circuit based on AOK －TFR［J］.Journal of Southwest University，2011，46(1):84 －91.

［2］趙林海，蔡伯根.基于HHT、DBWT的無絕緣軌道電路補(bǔ)償電容故障診斷［J］.鐵道學(xué)報(bào)，2011，33(3):49－54.ZHAO Lin-hai，CAI Pei-gen.The method of diagnosis of compensation capacitor failures with jointless track circuits based on genetic algorithm［J］.Journal of the China Railway Society，2011，33(3):49 －54.

［3］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(xué)，2010，31(3):107－113.ZHAO Lin-hai，RAN Yi-kui，MU Jing-cheng.The method of diagnosis of failures with jointless track circuits based on genetic algorithm［J］.Journal of the China Railway Science，2010，31(3):107 －113.

［4］Oukhellou L.Fault diagnosis in railway track circuits using Dempster－ Shafer classifier fusion［J］.Engineering Applications of Artificial Intelligence，2010(23):117 －128.

［5］楊世武，魏學(xué)業(yè).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(xué)學(xué)報(bào)，2012，36(2):40 －46.YANG Shi-wu，WEI Xue-ye.Study of data－based hybridalgorithm on track circuit fault diagnosis［J］.Journal of Beijing University，2012，36(2):40 －46.

［6］饒 泓，扶名福.基于決策級信息融合的設(shè)備故障診斷方法研究［J］.中國機(jī)械工程，2009，20(4):433 －437.RAO Hong，F(xiàn)U Ming-fu.Research on the equipment fault diagnosis on the basis of decision level informiation fusion［J］.Chinese Mechanical Engineering，2009，20(4):433－437.

［7］李若瓊，李 欣，董海鷹.基于證據(jù)理論的多信息融合故障診斷研究［J］.自動(dòng)化儀表，2006，27(12):1 －4.LI Ruo-qiong，LI Xin，DONG Hai-ying.Study on the multi information fusion fault diagnosis based on evidential theory［J］.Process Automation Instrumentation，2006，27(12):1－4.

［8］徐志強(qiáng)，劉明光.基于證據(jù)理論的鐵路電力線路故障定位方法［J］.鐵道學(xué)報(bào)，2008，30(5):31 －35.XU Zhi-qiang，LIU Ming-guang.Study on fault locating method for railway power lines with evidencetheory［J］.Journal of the China Railway Society，2008，30(5):31 －35.

［9］DONG Ming，YAN Zhang，YANG Li，et al.An evidential reasoning approach to transformer fault diagnosis［J］.Proceedings of the CSEE，2006，26(1):106 －114.

［10］駱志明，馮庚斌.機(jī)車車輛滾動(dòng)軸承故障BP網(wǎng)絡(luò)診斷方法［J］.中國鐵道科學(xué)，1998，19(4):26 －31.LUO Zhi-ming，F(xiàn)ENG Geng-bin.BP neural network nased on genetic algorithm for fault diagnosis of rolling bearing［J］.Journal of the China Railway Science，1998，19(4):26－31.

［11］Chen C Z，Li Q，Song H Y.Wear fault diagnosis of machinery based on neural networks and gray relationships［J］.International Journal of Plant Engineering and Man Agement，2001，6(3):164 －169.

［12］李小彭，羅躍綱，白秉三.模糊綜合評判在機(jī)械故障診斷中的應(yīng)用［J］.沈陽工業(yè)大學(xué)學(xué)報(bào)，2002，24(5):439－442.LI Xiao-peng，LUO Yue-gang，BAI Bing-san.Applica －tion of fuzzy comprehensive evaluation to fault diagnosis for machinery equipment［J］.Journal of Shenyang University of Technology，2002，24(5):439 －442.