改進的道岔智能故障診斷系統(tǒng)建模研究

翟　琛,肖　蒙

(蘭州交通大學自動化與電氣工程學院, 蘭州　730070)

?

改進的道岔智能故障診斷系統(tǒng)建模研究

翟琛,肖蒙

(蘭州交通大學自動化與電氣工程學院, 蘭州730070)

摘要：鐵路系統(tǒng)轉轍機維修方式仍沿用故障修模式,無法提高故障排除速度和準確性,提出利用改進遺傳算法優(yōu)化貝葉斯網絡的方法建立故障診斷模型。利用遺傳算法搜索能力強,不易陷入局部最優(yōu)的特點,采用連接矩陣代替網絡結構的編碼方式,通過修改適應度函數、更新遺傳操作方式、修正非法圖等方法改進遺傳算法,最終解決貝葉斯網絡結構學習算法容易縮小搜索空間及易陷入局部最優(yōu)的缺點。最后利用標準Asia網絡驗證本文算法比K2和GA算法有更好的搜索結果和更快的收斂速度,以道岔失去表示故障為例驗證改進算法對轉轍機故障診斷的優(yōu)越性。

關鍵詞：鐵路道岔；轉轍機；故障診斷；遺傳算法；結構學習；貝葉斯網絡模型

隨著列車不斷提速及高鐵技術的引進吸收，鐵路運輸安全問題已被人們普遍關注，信號設備擔負著保障運輸安全的重要任務，對電務部門的要求不僅是正確處理故障，還要盡量縮短故障處理時間。目前我國的轉轍機維修仍沿用傳統(tǒng)的故障修方式，已不能適應鐵路發(fā)展的需求，由于作業(yè)人員處理方法不當或處理速度太慢，導致轉轍機故障處理延時，對鐵路運輸秩序造成重大影響。因此，如果能提出一種智能故障診斷方法，在轉轍機故障時，快速、準確判斷故障類型，對現(xiàn)場維修人員給予指導，則可以將設備故障延時降到最低。

轉轍機的故障原因和故障征兆呈隨機性、不確定性，傳統(tǒng)的貝葉斯網絡算法在構建網絡結構時容易出現(xiàn)縮小搜索空間和陷入局部最優(yōu)等缺點。已經有文獻提出諸如專家系統(tǒng)、人工神經網絡、模糊理論、標準貝葉斯網絡等方法，這幾種故障診斷方法各有優(yōu)勢，但同時存在缺點。專家系統(tǒng)推理和解釋能力強，但獲取知識困難、容錯能力差；人工神經網絡學習能力和容錯能力較強，但易陷入局部最優(yōu)；模糊理論容錯性較強，但不具備學習能力；標準貝葉斯網絡對處理不確定性知識推理問題具有較強的計算能力，但容易陷入局部最優(yōu)和縮小搜索空間。針對該問題，提出基于改進遺傳算法優(yōu)化的貝葉斯網絡故障診斷模型，用線性調整方法調整適應度函數，并通過修正非法圖減少對下一代進化的影響，利用自學習得到最優(yōu)的貝葉斯網絡模型。

1貝葉斯網絡理論

貝葉斯網絡是一種基于概率推理的圖形化網絡，適用于處理不確定性問題。與Petri網、神經網絡、專家系統(tǒng)等故障診斷方法相比，貝葉斯網絡具有診斷模型清晰直觀、容錯能力強、診斷速度快、能綜合先驗和后驗信息來消除主觀偏見和噪聲影響等優(yōu)勢。貝葉斯網絡結構學習算法，是將現(xiàn)場獲取數據中的依賴關系和因果關系，用圖形化的模型表達出來，則貝葉斯網絡的結構空間函數如式(1)所示?？梢钥闯鲐惾~斯網絡結構空間，隨著節(jié)點數量的增加成指數增長。

(1)

貝葉斯網絡結構學習分為數據完整和不完整兩種情況，針對轉轍機的網絡結構學習考慮數據完整，使用基于搜索評分的方法，用貝葉斯信息標準測度(BIC)作為打分函數如式(2)所示，得到的最優(yōu)網絡結構判別標準即為是否得到最高的計分值。

(2)

其中，B表示學習得到的貝葉斯網絡結構；D為訓練集；Dim(B)貝葉斯網絡維度。

2改進的遺傳貝葉斯網絡建模分析

用遺傳算法優(yōu)化貝葉斯網絡，就是利用遺傳算法搜索能力強、不易陷入局部最優(yōu)的特點，對貝葉斯網絡結構算法進行優(yōu)化。遺傳算法雖然有自身優(yōu)點，但在應用過程中也容易出現(xiàn)早熟、搜索遲鈍等缺點。改進遺傳算法的方法通常有3種：①編碼；②確定適應度函數；③設定遺傳算法自身參數。遺傳算法自身參數包括：種群大小n，交叉率pc和變異率pm。

2.1用矩陣編碼確定初始種群

針對貝葉斯網絡的結構，本文采用節(jié)點間的連接矩陣E=(Cij)進行編碼，其中，Cij=1表示i為父節(jié)點，j為子節(jié)點，有向邊為i指向j，Cij=0表示i和j節(jié)點之間無連接。如圖1所示為貝葉斯網絡矩陣表示和圖形表示之間的關系。

圖1　簡單貝葉斯網絡結構圖

2.2調整適應度函數

從原始種群中選取適應度高的個體作為新的初始種群，可以減少遺傳代數，加快遺傳算法計算速度。因此合理選取適應度函數非常重要，它能夠表明個體或解的優(yōu)劣性。

選取適應度函數如式(3)所示

(3)

其中，F(xiàn)(X)為經線性變換得到的適應度函數；Favg為種群個體的平均適應度；Fmax為最佳個體適應度；常數c決定了適應度函數的好壞。

用線性調整法對適值進行調整，則調整后的適值F與原個體適值f應滿足以下關系，fmax=cmultFavg，正常的線性調整方法如圖2所示，c取1～2。由于個體適值可能遠小于平均適值和最大適值，而平均適值和最大適值又比較接近，此時可采用圖3的方法，將cmult原始適值伸展為負值。

圖2　正常條件下的線性調整

圖3　特殊條件下的線性調整

2.3更新操作方法

(1)選擇算子

(4)

(2)交叉算子

其作用是在選擇算子得到的新種群中，任意選兩個個體交叉，從而獲得新的個體。將矩陣的n×n個元素分別用一個長度為L的二進制串表示，然后把合并成長度為L×n×n的二進制編碼串轉換為由L個n×n的二進制矩陣構成的矩陣串，把結構矩陣變?yōu)樾邢蛄?，同時進行多列之間的交叉，這樣種群交叉次數減少，加快了收斂速度。

(3)變異算子

針對貝葉斯網絡結構學習，采取了新的優(yōu)化變異操作方法，即增加邊、刪除邊和反向邊操作。然而優(yōu)化變異操作往往會產生非法拓撲結構，為了不影響種群下一代的遺傳進化，需要對交叉變異后產生的非法拓撲結構進行修正。

非法圖修正步驟如下：

①根據傳遞閉包公式求解網絡結構的傳遞閉包；

②檢查連接矩陣主對角線上的元素，如全為0則該網絡不存在非法圖；

③若主對角線出現(xiàn)不為0元素，找出該元素對應節(jié)點的父節(jié)點，對父節(jié)點指向該節(jié)點的邊進行刪除或反向操作，得到有效的拓撲結構圖。

3算例驗證

為驗證改進遺傳算法對貝葉斯網絡結構優(yōu)化的有效性，論文利用經典的Asia網絡，用Matlab7.0進行編程仿真，并分別用K2算法、GA算法和改進遺傳算法優(yōu)化后的貝葉斯網絡對Asia數據庫進行學習，得到相應的貝葉斯網絡結構。遺傳算法自身參數設置：選取種群個體數目為80，連續(xù)無效迭代次數10，選擇概率為0.9，交叉概率為0.35，最大迭代次數200次。本文貝葉斯網絡結構學習算法流程如下。

(1)將網絡結構用連接矩陣進行編碼，并選取一定數量鄰近圖進行編碼確定初始種群。

(2)用貝葉斯標準信息測度對網絡結構打分，并找出全局最大計分值。開始循環(huán)。

(3)計算個體適應度，并淘汰適應度低的個體。

(4)通過選擇、交叉、變異操作生成新種群，并將新種群還原成連接矩陣形式。

(5)修正非法圖，得到有效拓撲結構圖。

(6)重新計算更新后個體的計分值，如果與原對應個體計分值不相等，則更新原計分值，同時計算全局最大計分值。

(7)如果全局最大計分值不變，則為無效迭代。當達到規(guī)定的重復迭代次數后，跳出循環(huán)，輸出全局最優(yōu)個體，得到最優(yōu)的貝葉斯網絡結構。

用本文算法優(yōu)化貝葉斯網絡的理想效果是節(jié)點之間連接關系明確、模型中不出現(xiàn)反向邊。從圖4可以看出，以Asia網絡為例，分別用K2算法、GA算法和本文算法對網絡進行學習，K2和GA都出現(xiàn)多邊、丟邊和反向邊現(xiàn)象，通過對比發(fā)現(xiàn)本文算法學習效果較好。

圖4　Asia網絡仿真結果

圖5所示為幾種算法對貝葉斯網絡模型學習效果的對比，可以看出，隨著種群規(guī)模增大，K2算法和GA算法在計分值和迭代次數方面受到較大影響。而本文算法在遺傳算法迭代次數較少的情況下，始終能保持較高的計分值。說明本文算法具有較強的搜索能力和較快的收斂速度，能在最短時間內得到最優(yōu)的貝葉斯網絡模型。

圖5　算法收斂性能和搜索精度對比

4用本文算法建立道岔故障診斷模型

通過對標準Asia網絡驗證，證明采用遺傳優(yōu)化的貝葉斯網絡建模方法在處理不確定問題時，不會出現(xiàn)輕易陷入局部極值的可能，并且具有很好的收斂性和較高的搜索精度。通過分析鐵路道岔設備的工作原理及故障特點，總結出典型的道岔故障類型及故障現(xiàn)象。

按職能部門劃分，可分為工務故障和電務故障；按故障類別可分為機械故障和電路故障。其中工務故障易受作業(yè)環(huán)境影響，主要表現(xiàn)為道岔機械故障；電務故障是指電動轉轍機的電路或機械故障。道岔故障診斷模型如圖6所示。

基于貝葉斯網絡的故障診斷在建立診斷模型后，通過Matlab工具箱進行算法參數學習和推理過程，通過推理可以得出道岔故障時各故障原因發(fā)生的概率，對比概率值可知概率大的節(jié)點是引起道岔故障的真正原因。以蘭州鐵路局蘭州電務段2013年道岔故障統(tǒng)計表為例，表1僅列出部分故障。

圖6　道岔故障診斷模型

車站發(fā)生時間恢復時間延時過程陳官營15:3317:251:521月2日15:33,陳官營站25/31號道岔定反位無表示,16:42,臨時恢復定位表示,17:25銷記開通,設備恢復正常使用。原因:29號道岔轉轍機內部齒輪止擋栓折斷河口南21:3321:560:233月27日21:33,河口南10/12號道岔失去表示,21:56銷記開通使用。原因:10/12號道岔熔斷器不良,造成10/12號道岔失去表示玉石9:4010:090:294月14日9:40,玉石站2/4號道岔定位無表示,10:09銷記,恢復正常使用。原因:2號道岔1機處基本軌飛邊大甘谷15:5916:370:326月23日15:59,甘谷站2/4號道岔發(fā)生定反位無表示故障,16:37設備恢復正常使用。原因:2號道岔Ⅰ機定位側鎖鉤脫出,造成該道岔轉換卡阻,發(fā)生定反位無表示故障大路3:444:030:1911月4日3:44,大路站1/3號道岔發(fā)生定位無表示故障,4:03設備恢復正常使用。原因:3號道岔I機定位鎖鉤緊張家祠22:4623:152:4111月18日2:57,張家祠站2/4號道岔反位失去表示,5:38設備恢復正常使用。原因:2號道岔線路北側密貼檢查器電纜盒內3號端子軟配線接觸不良駱駝巷6:427:400:5811月23日6:42,駱駝巷榆鋼東站106號道岔反位無表示,7:40故障恢復。原因:106號道岔反位尖軌翹頭

從中選擇河口南道岔故障進行分析，通過貝葉斯網絡的學習和推理，概率最大的故障原因有兩個：道岔熔斷器不良和表示缺口調整不良，概率值為0.087 43?，F(xiàn)場檢查時發(fā)現(xiàn)表示缺口調整合理，因此可以判斷該站道岔故障的原因是熔斷器失效。經試驗證明基于貝葉斯網絡的道岔故障診斷方法是可行的，但該算法仍需經大量數據試驗來完善和改進。

5結論

轉轍機故障現(xiàn)象和故障類型較多，而貝葉斯網絡結構規(guī)模隨變量數目呈指數增長，針對該問題論文提出用改進的遺傳算法優(yōu)化貝葉斯網絡。將每個診斷網絡用連接矩陣方式表示為一個種群，用線性調整方法修改適應度函數，并通過選擇、交叉、變異等方法產生新種群，同時利用傳遞閉包理論消除網絡加邊、減邊、反向邊等現(xiàn)象，使算法能盡快收斂并得到全局最優(yōu)解。通過標準Asia網絡驗證了本文算法比K2和GA算法有更好的搜索結果。最后，運用改進算法，得到了最優(yōu)的道岔失去表示故障診斷模型。

參考文獻：

[1]Sahin F， Yavuz M， Amavu Z, et al. Fault diagnosis for airplane engines using Bayesian network and distributed particle swam optimization[J]. Parallel Computing， 2007，11(33):124-143.

[2]Chickering D. M.. Optimal structure identification with greedy search[J]. Journal of Machine Learning Research， 2002，11(3):507-554.

[3]王雙成，冷翠平，李小琳.小數據集的貝葉斯網絡學習[J].自動化學報，2009，35(8):1064-1070.

[4]孫巖，唐一源.新的貝葉斯網絡結構學習算法[J].計算機工程與設計，2008，29(5):1238-1240.

[5]許麗佳，黃建國，王厚軍，等.混合優(yōu)化的貝葉斯網絡結構學習[J].計算機輔助設計與圖形學報，2009，21(5):633-639.

[6]沈佳杰，林峰.基于混合自適應Memetic算法的貝葉斯網絡結構學習[J].系統(tǒng)工程與電子技術，2012，34(6):1293-1298.

[7]汪春峰，張永紅.基于無約束優(yōu)化和遺傳算法的貝葉斯網絡結構學習方法[J].控制與決策，2013，28(4):618-621.

[8]Tsamardions I， Brown L E， Aliferis C F. The max-min hillclimbing Bayesian network structure learning algorithm[J]. Machine Learning， 2006，65(1):31-78.

[9]王思明，雷燁.一種基于LS-SVM的道岔控制電路故障診斷[J].蘭州交通大學學報，2010，29(4):1-5.

[10]董海鷹，李娜.基于D-S證據理論信息融合的轉轍機故障診斷方法研究[J].測試技術學報，2013，27(1):1-6.

[11]蘇廣宇，陳洪云，歐陽宏志.提速道岔故障的人工智能診斷實現(xiàn)[J].微計算機信息，2007，23(8-1):188-189.

[12]王彤.基于最小二乘支持向量機的軌道電路故障診斷方法[J].鐵道標準設計，2014，58(2):89-93.

Research on Modeling Improved Intelligent Switch Fault Diagnostic SystemZhai Chen, Xiao Meng

(School of Automation & Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China)

Abstract：As the fault repair mode still used in repairing switch in railway system is unable to improve the speed and accuracy of troubleshooting, a fault diagnostic model is established with improved genetic algorithm and Bayesian network. Characterized by genetic algorithm, strong searching capability and independence of local optimal, it replaces the network structure coding with connection matrix to improve genetic algorithm by modifying fitness function, updating genetic operation mode and correcting illegal map and, consequently, overcomes the shortcomings of Bayesian network structure that learns algorithm and tends to reduce the search space and falls into local optimal. Finally, the algorithm is verified with standard Asia network to be faster in convergence speed compared with the algorithm of K2 and GA and the superiority of improved algorithm for fault diagnosis of switch is demonstrated by taking the case of losing fault indication.

Key words：Rail switch; Switch machine; Fault diagnosis; Genetic algorithm; Structure learning; Bayesian network model

中圖分類號：U284.92

文獻標識碼：A

DOI:10.13238/j.issn.1004-2954.2015.02.029

文章編號：1004-2954(2015)02-0118-04

作者簡介：翟琛(1985—)，女，碩士研究生，E-mail：hx0210489@126.com。

基金項目：鐵道部科技研究開發(fā)計劃項目(2012X003-B)

收稿日期：2014-10-23； 修回日期：2014-10-30