基于粒子群支持向量機(jī)的軌道電路故障診斷

陳 欣

（西南交通大學(xué) 信息科學(xué)與技術(shù)學(xué)院，成都 611756）

基于粒子群支持向量機(jī)的軌道電路故障診斷

陳 欣

（西南交通大學(xué) 信息科學(xué)與技術(shù)學(xué)院，成都 611756）

支持向量機(jī)（SVM）是一種解決小樣本分類(lèi)問(wèn)題的最佳理論算法，它的核函數(shù)的參數(shù)選擇非常重要，直接影響著故障診斷的準(zhǔn)確率。本文將粒子群算法（PSO）用于支持向量機(jī)的參數(shù)優(yōu)化，提出基于粒子群支持向量機(jī)的故障診斷模型，并將其運(yùn)用于軌道電路中。通過(guò)對(duì)比MATLAB仿真結(jié)果得出：經(jīng)過(guò)粒子群尋優(yōu)得到的參數(shù)比隨機(jī)選取的參數(shù)更優(yōu)，所建立的PSO-SVM模型的故障診斷準(zhǔn)確率高于普通的SVM模型。

軌道電路；故障診斷；支持向量機(jī)；粒子群算法

無(wú)絕緣軌道ZPW-2000A在我國(guó)鐵路系統(tǒng)中占據(jù)著非常重要的作用，主要用于站間閉塞區(qū)間和站內(nèi)電碼化。作為鐵路信號(hào)系統(tǒng)中最重要、最關(guān)鍵的基礎(chǔ)設(shè)備之一，軌道電路的結(jié)構(gòu)很復(fù)雜，故障也是多樣化的，設(shè)備運(yùn)用損耗、檢修維護(hù)不到位和環(huán)境因素都可能對(duì)軌道電路造成影響。目前，針對(duì)ZPW-2000A型無(wú)絕緣軌道電路的故障診斷仍然停留在人工階段，主要依靠故障區(qū)段的無(wú)絕緣衰耗盤(pán)指示燈對(duì)故障的定位和對(duì)測(cè)試塞孔進(jìn)行的電氣特性測(cè)試[1]，根據(jù)所測(cè)試的數(shù)據(jù)進(jìn)行故障判斷和分析，依賴(lài)的是維修人員對(duì)設(shè)備故障的處理經(jīng)驗(yàn)和知識(shí)，存在很大的盲目性和復(fù)雜性。因此，軌道電路的故障檢修工作亟待完善。

支持向量機(jī)（SVM）是一種以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)的機(jī)器學(xué)習(xí)方法，相比較人工神經(jīng)網(wǎng)絡(luò)等方法的缺點(diǎn)，如網(wǎng)絡(luò)結(jié)構(gòu)難于確定、過(guò)學(xué)習(xí)、欠學(xué)習(xí)，以及局部極小等問(wèn)題，SVM對(duì)于解決有限樣本更優(yōu)，被認(rèn)為是目前解決有限樣本分類(lèi)問(wèn)題的最佳理論[2]。本文將利用粒子群支持向量機(jī)理論建立更為有效的軌道電路故障診斷模型，實(shí)現(xiàn)多種故障的診斷。

1 ZPW-2000A軌道故障分析

1.1 ZPW-2000A軌道電路構(gòu)成

ZPW-2000A型無(wú)絕緣軌道電路系統(tǒng)由室內(nèi)部分和室外部分組成，室外部分包括調(diào)諧區(qū)、機(jī)械絕緣節(jié)、匹配變壓器、補(bǔ)償電容、傳輸電纜及調(diào)諧設(shè)備引接線(xiàn)，其中,調(diào)諧單元、空心線(xiàn)圈、鋼軌中的電容、電阻、電感等元器件組成的電路實(shí)行串、并聯(lián)諧振，實(shí)現(xiàn)了兩個(gè)相鄰軌道電路之間的電氣絕緣；傳輸電纜采用的是SPT型的國(guó)產(chǎn)鐵路數(shù)字電纜，傳輸控制信息及電能；匹配電壓器是為了使軌道電路和SPT 電纜實(shí)現(xiàn)匹配連接；補(bǔ)償電容則延長(zhǎng)了傳輸?shù)木嚯x，實(shí)現(xiàn)電路的補(bǔ)償，可以獲得最佳的傳輸效果。室內(nèi)部分包括發(fā)送器、接收器、衰耗盤(pán)、電纜模擬網(wǎng)絡(luò)盤(pán)和站防雷，其中,發(fā)送器和接收器都具有較完整的監(jiān)測(cè)功能，發(fā)送器產(chǎn)生穩(wěn)定的移頻信號(hào)，分別向主軌道電路和小軌道電路傳送，再經(jīng)過(guò)鋼軌、匹配變壓器、電纜通道，最后被主軌道電路的接收器接收，而流向小軌道電路的信號(hào)，則由運(yùn)行前方的相鄰的軌道電路接收器接收；衰耗盤(pán)的作用是對(duì)主軌道電路的接收端輸入電平調(diào)整，以及對(duì)小軌道電路正反向的調(diào)整[3]。

1.2 ZPW-2000A軌道電路故障分析

ZPW-2000A軌道電路常見(jiàn)的故障有紅光帶和分路不良兩種[4]，紅光帶是指軌道上本來(lái)沒(méi)車(chē)占用，戰(zhàn)場(chǎng)圖中顯示有車(chē)占用，嚴(yán)重的影響了運(yùn)輸效率；而分路不良則是指本來(lái)有車(chē)占用，戰(zhàn)場(chǎng)圖中卻顯示無(wú)車(chē)占用，可能引發(fā)嚴(yán)重的事故，兩個(gè)方面都應(yīng)該盡量減少和避免。軌道電路的故障有兩種處理方式：有報(bào)警故障處理和無(wú)報(bào)警故障處理[5]，紅光帶故障屬于無(wú)報(bào)警故障，需要通過(guò)一些判斷分析，測(cè)定故障范圍，區(qū)分是室內(nèi)故障還是室外故障，再判斷具體的室內(nèi)或室外故障點(diǎn)。ZPW-2000A無(wú)絕緣軌道電路的常見(jiàn)故障點(diǎn)主要包括主軌道故障、小軌道故障、發(fā)送通道故障和接收通道故障。

2 PSO-SVM算法的實(shí)現(xiàn)

2.1 支持向量機(jī)的基本理論

支持向量機(jī)是由Vapnik提出的一種新型算法，主要思想是建立一個(gè)超平面用于模式分類(lèi)，將正例和反例分隔開(kāi)，并盡量最大化隔離邊緣，SVM是結(jié)構(gòu)風(fēng)險(xiǎn)最小化的近似實(shí)現(xiàn)。線(xiàn)性可分問(wèn)題易于分類(lèi)，對(duì)于線(xiàn)性不可分問(wèn)題，SVM通過(guò)一個(gè)非線(xiàn)性映射φ，把樣本空間映射到一個(gè)高維的特征空間，轉(zhuǎn)化為高維空間中的線(xiàn)性問(wèn)題，在變換空間中求出最優(yōu)分類(lèi)超平面[6]。決策輸出函數(shù)表示為：

其中， a*—拉格朗日乘子；

偏置b*可通過(guò)a*求得； K(x,xi)—核函數(shù)。

SVM中常用的核函數(shù)有多項(xiàng)式函數(shù)k(xi,xj)=(xixj+b)d，徑向基函數(shù)（RBF)，其中，核參數(shù)的選擇問(wèn)題非常重要，一個(gè)好的核參數(shù)構(gòu)成的支持向量機(jī)不但具有很好的推廣能力，還具有更好的分類(lèi)能力，由于RBF中只需要確定一個(gè)參數(shù)σ，因此本文核函數(shù)選用RBF，較少的核參數(shù)需要確定，更有利于參數(shù)優(yōu)化。

2.2 粒子群算法原理

粒子群算法（PSO）的主要思想是在可解空間中初始化一群粒子，每個(gè)粒子由位置、速度和適用度值確定，適用度值由適用度函數(shù)計(jì)算得到。粒子在解空間中運(yùn)動(dòng)，通過(guò)跟蹤個(gè)體極值點(diǎn)和群體極值點(diǎn)來(lái)更新自己的位置，個(gè)體極值Pbest是指?jìng)€(gè)體所經(jīng)歷位置中計(jì)算得到的適應(yīng)度值最優(yōu)位置，群體極值Gbest是指種群中所有粒子搜索到的適應(yīng)度最優(yōu)位置[7]。粒子不斷地更新位置，每更新一次就重新計(jì)算一次適應(yīng)度值，再通過(guò)比較適應(yīng)度值，更新個(gè)體極值Pbest和群體極值Gbest。

在每一次迭代過(guò)程中，粒子通過(guò)個(gè)體極值和全局極值更新自身的速度和位置，更新公式為：

式中，ω—慣性權(quán)重；

d=1,2,…,D；i=1,2,…,n；

t—當(dāng)前迭代次數(shù)；

vid—粒子的速度；

c1和c2—非負(fù)常數(shù)，稱(chēng)為加速度因子；

r1和r2—分部于[0,1]之間的隨機(jī)數(shù)。

2.3 PSO-SVM算法實(shí)現(xiàn)步驟

以RBF為核函數(shù)的支持向量機(jī)中有2個(gè)參數(shù)：懲罰參數(shù)c和核函數(shù)參數(shù)g，其中，懲罰參數(shù)c用于控制超出誤差的樣本懲罰程度，核函數(shù)參數(shù)g表示徑向基函數(shù)RBF的寬度，c、g對(duì)于SVM的分類(lèi)準(zhǔn)確率有著很大的影響。因而，將兩個(gè)參數(shù)（c，g）構(gòu)成一個(gè)微粒，采用粒子群優(yōu)化算法尋求較優(yōu)的參數(shù)，提高SVM算法故障診斷的準(zhǔn)確率和效率，該算法流程圖如圖1所示。

粒子和速度初始化是對(duì)由支持向量機(jī)中的兩個(gè)參數(shù)構(gòu)成的粒子（c，g）賦予隨機(jī)的初始粒子位置和粒子速度，根據(jù)初始粒子適應(yīng)度值確定個(gè)體極值和群體極值，再根據(jù)式（2）和式（3）更新粒子速度和位置，根據(jù)新種群中粒子適應(yīng)度值更新個(gè)體極值和群體極值。對(duì)于本文中的適應(yīng)度值也即軌道電路故障診斷的準(zhǔn)確率。

圖1 PSO-SVM算法流程圖

3 基于PSO-SVM的軌道電路故障診斷模型

3.1 特征提取

為了建立粒子群支持向量故障診斷模型，本文選取正常狀態(tài)、主軌道故障、小軌道故障、發(fā)送通道故障、接收通道故障5種狀態(tài)作為模型的輸出，根據(jù)上述故障發(fā)生后各特征參數(shù)的變化，選擇主軌道輸出電壓、小軌道輸出電壓、軌入電壓、衰耗器測(cè)試空電壓、模擬盤(pán)電壓作為故障診斷特征量作為輸入。

因?yàn)楦鬈壍离娐饭收显\斷特征值具有不同的數(shù)量級(jí)，為了避免對(duì)PSO-SVM模型進(jìn)行訓(xùn)練的過(guò)程中出現(xiàn)病態(tài)矩陣，同時(shí)也方便數(shù)據(jù)處理，使程序加快收斂，因此需要對(duì)訓(xùn)練樣本和測(cè)試樣本進(jìn)行歸一化預(yù)處理，采用的歸一化映射公式如下：

其中，y—?dú)w一化后的數(shù)據(jù)；

x—原始數(shù)據(jù)；

min(X)—原始數(shù)據(jù)中的最小值；

man(X)—原始數(shù)據(jù)中的最大值。

這種歸一化的方式稱(chēng)為[0,1]區(qū)間歸一化，處理后的數(shù)據(jù)位于[0,1]區(qū)間。

3.2 模型的構(gòu)建

基本的SVM算法是針對(duì)二類(lèi)別分類(lèi)問(wèn)題提出來(lái)的，是一種二類(lèi)分類(lèi)器，故障診斷屬于多分類(lèi)問(wèn)題，軌道電路的故障診斷選取了5種狀態(tài)，也即5種類(lèi)別，SVM的多分類(lèi)法有“一對(duì)一”、“一對(duì)多”等方法[8]。對(duì)于一個(gè)k類(lèi)分類(lèi)問(wèn)題，“一對(duì)一”方法需要構(gòu)造k(k–1)/2個(gè)SVM子分類(lèi)器，訓(xùn)練速度快，每一個(gè)分類(lèi)問(wèn)題的規(guī)模較??；“一對(duì)多”方法需要構(gòu)造k個(gè)SVM子分類(lèi)器，分類(lèi)速度相對(duì)較快，但是訓(xùn)練時(shí)間過(guò)長(zhǎng)，因此本文采用“一對(duì)一”SVM多分類(lèi)法構(gòu)成軌道電路故障診斷模型?！耙粚?duì)一”方法的主要思想是在 類(lèi)分類(lèi)中，對(duì)每?jī)深?lèi)樣本分別建立一個(gè)支持向量二類(lèi)分類(lèi)器，需要建立k(k–1)/2個(gè)二分類(lèi)器，因此對(duì)于軌道電路故障診斷的5類(lèi)分類(lèi)問(wèn)題，則需要構(gòu)造10個(gè)二類(lèi)分類(lèi)器，測(cè)試時(shí)采用的是投票法，將測(cè)試樣本x分別帶入上述建立的10個(gè)二分類(lèi)器進(jìn)行測(cè)試，如果x屬于第i類(lèi)，則在第i類(lèi)投票上加1，否則在第j類(lèi)投票上加1，直到10個(gè)支持向量二分類(lèi)器完成分類(lèi)，累計(jì)5種類(lèi)別的得票結(jié)果，得票最多的類(lèi)則為測(cè)試樣本所屬的類(lèi)別。

3.3 診斷結(jié)果分析

為了驗(yàn)證算法的正確性，采集 170組軌道電路的相關(guān)數(shù)據(jù)，從中選取100組作為訓(xùn)練樣本，另外70個(gè)作為測(cè)試樣本，進(jìn)行故障診斷。為了驗(yàn)證所建立的PSO-SVM模型更優(yōu)，通過(guò)2種方法選取懲罰參數(shù)c和核函數(shù)參數(shù)g：（1）在一定的范圍內(nèi)隨機(jī)選取15組參數(shù)c、g，得到的最高診斷準(zhǔn)確率為88.57%，此時(shí)，c=5，g=8，診斷時(shí)間約為3 s；（2）采用PSO

快速尋優(yōu)得到最優(yōu)的參數(shù)c、g，設(shè)定粒子個(gè)數(shù)為m=20，學(xué)習(xí)因子c1=1.5，c2=1.7，最大迭代數(shù)t=200，最終得到的最優(yōu)參數(shù)c=12.29，g=3.76，故障診斷準(zhǔn)確率為97.14%，診斷時(shí)間約為29.46 s，結(jié)果如圖2所示。

Track circuit fault diagnosis based on particle swarm optimization and support vector machine

CHEN Xin
( School of Information Science and Technology,Southwest Jiaotong University,Chengdu 611756,China)

Support vector machine (SVM) is one of the best theoretical algorithm to solve the problem of small sample classifcation.Kernel parameter selection is very important,which directly affects the accuracy of fault diagnosis.In this paper,the particle swarm optimization (PSO) was used to optimize the parameters of SVM,the PSO-SVM model was proposed which was applied to fault diagnosis of track circuit.By comparing the MATLAB simulation results,it was concluded that the parameters obtained by PSO were better than the random parameters,and the fault diagnosis accuracy of the established PSO-SVM model was higher than that of the ordinary SVM model.

track circuit;fault diagnosis ;support vector machine(SVM);particle swarm optimization(PSO)

U284.2：TP39

A

1005-8451（2016）08-0056-04

2016-01-22

陳 欣，在讀碩士研究生。