基于樣條插值與RBF網(wǎng)絡(luò)的道岔故障診斷系統(tǒng)

梅 歡，馬艷東，單九思，彭 曄

(1.河北省科學(xué)院 應(yīng)用數(shù)學(xué)研究所，河北 石家莊 050081；2.河北省信息安全認(rèn)證工程技術(shù)研究中心，河北 石家莊 050081；3.石家莊鐵道大學(xué)，河北 石家莊 050043)

基于樣條插值與RBF網(wǎng)絡(luò)的道岔故障診斷系統(tǒng)

梅 歡1,2，馬艷東1,2，單九思3，彭 曄3

(1.河北省科學(xué)院 應(yīng)用數(shù)學(xué)研究所，河北 石家莊 050081；2.河北省信息安全認(rèn)證工程技術(shù)研究中心，河北 石家莊 050081；3.石家莊鐵道大學(xué)，河北 石家莊 050043)

隨著列車(chē)運(yùn)行速度與行車(chē)密度的不斷提高，道岔將面臨更加嚴(yán)峻的考驗(yàn)，而傳統(tǒng)依靠維護(hù)人員研讀相關(guān)監(jiān)測(cè)數(shù)據(jù)進(jìn)行故障診斷的手段，越來(lái)越不能夠適應(yīng)鐵路對(duì)運(yùn)行安全的高要求。為快速、準(zhǔn)確診斷出道岔故障，特建立基于三次樣條插值與RBF神經(jīng)網(wǎng)絡(luò)的智能道岔故障診斷模型。利用基于三次樣條插值的數(shù)據(jù)整合模塊將不同維數(shù)的道岔動(dòng)作電流數(shù)據(jù)劃歸成統(tǒng)一的數(shù)據(jù)維數(shù)。采用新型RBF神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行故障診斷。利用某火車(chē)站道岔動(dòng)作的真實(shí)歷史監(jiān)測(cè)數(shù)據(jù)對(duì)所提模型的有效性與可行性進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明,所提出的模型不僅能夠適應(yīng)不同數(shù)據(jù)維數(shù)的道岔動(dòng)作曲線數(shù)據(jù)，而且還可以快速、準(zhǔn)確地對(duì)道岔故障進(jìn)行診斷，從而幫助維護(hù)人員縮短故障處理時(shí)間，提高鐵路行車(chē)的安全性。

道岔故障診斷；人工智能；RBF神經(jīng)網(wǎng)絡(luò)；三次樣條插值；道岔動(dòng)作電流

0 引 言

隨著列車(chē)運(yùn)行速度與行車(chē)密度的不斷提高，作為限制火車(chē)運(yùn)行速度的關(guān)鍵設(shè)備之一—道岔[1-5]將面臨更加嚴(yán)峻的考驗(yàn)。如果能夠及時(shí)發(fā)現(xiàn)道岔故障、準(zhǔn)確診斷故障類(lèi)型，不僅可以預(yù)防重大事故，避免人員傷亡和財(cái)產(chǎn)損失,而且可以減少維修成本，避免維修盲目性，以獲得最大經(jīng)濟(jì)效益。目前，國(guó)內(nèi)的道岔故障診斷手段主要是依靠相關(guān)業(yè)務(wù)人員分析微機(jī)監(jiān)測(cè)系統(tǒng)現(xiàn)場(chǎng)采集的道岔各組成設(shè)備的檢測(cè)信息，依靠其工作經(jīng)驗(yàn)、業(yè)務(wù)水平、精力與責(zé)任心。這種傳統(tǒng)的發(fā)現(xiàn)問(wèn)題和解決問(wèn)題的手段越來(lái)越不能滿(mǎn)足鐵路發(fā)展的現(xiàn)狀。如何采用智能化手段及時(shí)、準(zhǔn)確地診斷故障是亟待解決的問(wèn)題。

相對(duì)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)[6-7]不僅具有結(jié)構(gòu)簡(jiǎn)單、收斂速度快、泛化能力強(qiáng)等特點(diǎn)，還具有優(yōu)異的函數(shù)逼近能力、全局尋優(yōu)和最佳逼近能力。研究表明，RBF神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)的寬度、中心、權(quán)重等參數(shù)選取的是否合理將直接影響到RBF神經(jīng)網(wǎng)絡(luò)的性能表現(xiàn)。故而在所提出的道岔故障診斷系統(tǒng)中，采用基于AutoEncoder的RBF神經(jīng)網(wǎng)絡(luò)對(duì)道岔動(dòng)作電流數(shù)據(jù)進(jìn)行建模，以期挖掘?qū)W習(xí)到蘊(yùn)含其中的道岔故障信息。

由于受到鐵路現(xiàn)場(chǎng)溫度、濕度、設(shè)備狀況、天氣狀況等因素的影響，從微機(jī)監(jiān)測(cè)系統(tǒng)中獲取的道岔動(dòng)作電流數(shù)據(jù)的維數(shù)會(huì)在一個(gè)較大的范圍內(nèi)波動(dòng)。如何在盡量保留原始監(jiān)測(cè)數(shù)據(jù)所包含信息的前提下，使其數(shù)據(jù)維數(shù)調(diào)整到固定維數(shù)，從而能夠輸入到智能算法模型中，具有重要的現(xiàn)實(shí)意義。為此，采用基于三次樣條插值的數(shù)據(jù)處理方法將不同數(shù)據(jù)維數(shù)的道岔動(dòng)作電流數(shù)據(jù)劃歸成統(tǒng)一的數(shù)據(jù)維數(shù)，以便將其輸入到RBF神經(jīng)網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)訓(xùn)練。

綜上所述，采用三次樣條插值與新型RBF神經(jīng)網(wǎng)絡(luò)等技術(shù)，將不同數(shù)據(jù)維數(shù)的道岔動(dòng)作電流數(shù)據(jù)劃歸成統(tǒng)一的數(shù)據(jù)維數(shù)，采用新型的RBF神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行故障診斷，以幫助維護(hù)人員快速、準(zhǔn)確地對(duì)道岔故障進(jìn)行診斷，減少故障處理時(shí)間，提高鐵路行車(chē)的安全性。

1 基于三次樣條插值的數(shù)據(jù)整合方法

受設(shè)備自身健康狀況的變化、環(huán)境因素的干擾以及其他未知因素的影響，由微機(jī)監(jiān)測(cè)系統(tǒng)采集的數(shù)據(jù)維數(shù)有可能發(fā)生較大的變化。如道岔動(dòng)作電流的數(shù)據(jù)維數(shù)就很有可能在200～3 000的范圍內(nèi)變化。不管是利用神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)，還是其他人工智能算法，這些算法模型大都要求輸入數(shù)據(jù)的維數(shù)固定不變。否則，會(huì)給模型的建立、算法的實(shí)現(xiàn)帶來(lái)很大困難。為此，提供一種方法——不管傳入數(shù)據(jù)的維數(shù)是如何變化不穩(wěn)定，這種算法都能夠在盡可能保留原始數(shù)據(jù)所包含信息的前提下，將不同維數(shù)的數(shù)據(jù)劃歸到指定的維數(shù)。

1.1 三次樣條插值

設(shè)f(x)是區(qū)間[a,b]上的一個(gè)連續(xù)可微函數(shù)，在區(qū)間[a,b]上給定一組基點(diǎn):

a=x0

設(shè)函數(shù)S(x)滿(mǎn)足條件：

(1)S(x)在每個(gè)子區(qū)間[xi,xi+1](i=0,1,…,n-1)上是次數(shù)不超過(guò)m的多項(xiàng)式;

(2)S(x)在區(qū)間[a,b]上有m-1階連續(xù)導(dǎo)數(shù)。

則稱(chēng)S(x)是定義在[a,b]上的m次樣條函數(shù)[8]。x0，x1，,xn稱(chēng)為樣條節(jié)點(diǎn)，其中x1，x2，,xn-1稱(chēng)為內(nèi)節(jié)點(diǎn)。x0，xn稱(chēng)為邊界節(jié)點(diǎn)。當(dāng)m=3時(shí)，便成為最常用的三次樣條函數(shù)。利用三次樣條函數(shù)作為插值函數(shù)的插值方法即為三次樣條插值。

1.2 基于三次樣條插值的數(shù)據(jù)整合算法

前提條件：已知采集上來(lái)的原始數(shù)據(jù)集R是M×1維數(shù)據(jù)。

現(xiàn)場(chǎng)要求：

將R從M×1維調(diào)整到N×1維，其中N為指定自然數(shù)，且N≠M(fèi)；

盡可能使劃歸后的新數(shù)據(jù)與原數(shù)據(jù)的方差保持最?。?/p>

保留原數(shù)據(jù)集中的極值、零值。

算法步驟如下：

Step1：令Q為某個(gè)特定的自然數(shù)，將原始數(shù)據(jù)平均劃分為Q份。

Step2：令Qi為平均劃分后的原始數(shù)據(jù)的第i份數(shù)據(jù)集。

Step3：在Qi份數(shù)據(jù)集的基礎(chǔ)上，利用三次樣條插值算法，生成樣條函數(shù)fi(x)。

Step4:在樣條函數(shù)fi(x)上等間距采樣[N/Q]個(gè)，形成數(shù)據(jù)集Qi*。如果Q不能被N整除，那么，令(int)[N/Q]為N/Q的整數(shù)部分，K為N/Q的余數(shù)部分，則可以隨機(jī)選擇K個(gè)數(shù)據(jù)集。這些選中的數(shù)據(jù)集上選擇(int)[N/Q]+1個(gè)數(shù)據(jù)，其他未被選中的數(shù)據(jù)集上選擇(int)[N/Q]個(gè)數(shù)據(jù)。

Step5：查找數(shù)據(jù)集Qi*的極值點(diǎn)、零點(diǎn)及其位置信息。

Step6：根據(jù)Step5的結(jié)果，在數(shù)據(jù)集Qi*上，查找Qi的極值點(diǎn)與零點(diǎn)與哪個(gè)點(diǎn)的距離最近。并用這些極值點(diǎn)與零點(diǎn)替換這些在Qi*中的數(shù)據(jù)，從而形成新的數(shù)據(jù)集QQi；

Step7：令i遍歷1,2,…,Q，分別執(zhí)行Step3～Step6，得到數(shù)據(jù)子集QQ1，QQ2，…，QQQ。

Step8：將數(shù)據(jù)子集QQ1，QQ2，…，QQQ，按次序依次拼接成新的最終數(shù)據(jù)集QQ。

Step9：跳出。

2 基于AutoEncoder的RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法

RBF神經(jīng)網(wǎng)絡(luò)是一種特殊的三層前饋神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)包括一個(gè)輸入層、一個(gè)隱含層和一個(gè)輸出層。輸入層節(jié)點(diǎn)負(fù)責(zé)將網(wǎng)絡(luò)與外界實(shí)際連接起來(lái)，其個(gè)數(shù)由輸入數(shù)據(jù)的維數(shù)決定。隱含層節(jié)點(diǎn)由徑向基函數(shù)構(gòu)成，其主要作用是輸入空間到隱含層空間之間進(jìn)行非線性變換，在大多數(shù)情況下，隱含層空間有較高的維數(shù)。而輸出層節(jié)點(diǎn)通常是由簡(jiǎn)單的線性函數(shù)構(gòu)成，其作用主要是為輸入層信號(hào)作出最終響應(yīng)。

AutoEncoder自動(dòng)編碼器是深度學(xué)習(xí)[9-14]領(lǐng)域的重要算法之一，是利用人工神經(jīng)網(wǎng)絡(luò)具有層次結(jié)構(gòu)的特點(diǎn)，假定其輸出數(shù)據(jù)與輸入數(shù)據(jù)相同，即輸入數(shù)據(jù)的類(lèi)標(biāo)是其本身。然后，訓(xùn)練調(diào)整網(wǎng)絡(luò)各個(gè)參數(shù)，得到每一層節(jié)點(diǎn)的參數(shù)及權(quán)重。通常隱含層節(jié)點(diǎn)的數(shù)目要小于輸入層節(jié)點(diǎn)的數(shù)目。那么，在給定的條件下，隱含層節(jié)點(diǎn)的直接輸出值可以看做是從輸入數(shù)據(jù)抽取出來(lái)的特征。也就是說(shuō)可以利用隱含層直接輸出的數(shù)據(jù)恢復(fù)輸入層的數(shù)據(jù)。這樣AutoEncoder就是一種盡可能復(fù)現(xiàn)輸入信號(hào)的神經(jīng)網(wǎng)絡(luò)。

針對(duì)AutoEncoder自編碼器提取的輸入特征能夠更好地發(fā)現(xiàn)樣本間的相關(guān)性的優(yōu)點(diǎn)，算法[15]擬利用AutoEncoder的訓(xùn)練結(jié)果，替代隨機(jī)初始化RBF神經(jīng)網(wǎng)絡(luò)的各個(gè)參數(shù)，然后利用梯度下降法進(jìn)一步調(diào)整更新網(wǎng)絡(luò)的各個(gè)參數(shù)。

其算法步驟如下：

Step1:設(shè)置算法終止條件：

(1)RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度。

(2)梯度下降更新網(wǎng)絡(luò)參數(shù)的最大迭代次數(shù)。

只要滿(mǎn)足上述兩個(gè)條件的任何一個(gè)即可結(jié)束迭代。

Step2：歸一化訓(xùn)練樣本，這里采用min-max標(biāo)準(zhǔn)化方法，其轉(zhuǎn)換函數(shù)如下：

(1)

其中，x*為樣本數(shù)據(jù)轉(zhuǎn)換后的標(biāo)準(zhǔn)數(shù)據(jù)，且有x*∈[0,1]；xmax為樣本數(shù)據(jù)中的最大值；xmin為樣本數(shù)據(jù)中的最小值；x為樣本數(shù)據(jù)的原始值。

Step3：隨機(jī)抽取樣本數(shù)據(jù)的70%作為訓(xùn)練集，其余30%為測(cè)試集。

Step4：在訓(xùn)練集上，利用AutoEncoder自編碼器進(jìn)行學(xué)習(xí)訓(xùn)練。訓(xùn)練結(jié)束后得到RBF神經(jīng)網(wǎng)絡(luò)NN*。

Step5：在網(wǎng)絡(luò)NN*各個(gè)參數(shù)的基礎(chǔ)上，利用梯度下降法繼續(xù)調(diào)整更新各個(gè)參數(shù)，直至滿(mǎn)足終止條件。

3 基于三次樣條插值與新型RBF神經(jīng)網(wǎng)絡(luò)的道岔故障診斷系統(tǒng)

3.1 系統(tǒng)整體設(shè)計(jì)

基于樣條插值與RBF網(wǎng)絡(luò)的道岔故障診斷系統(tǒng)(其原理圖如圖1所示)包括基于三次樣條插值的數(shù)據(jù)整合模塊與基于AutoEncoder的RBF神經(jīng)網(wǎng)絡(luò)模塊。其中前者負(fù)責(zé)將處于不同數(shù)據(jù)維數(shù)的道岔動(dòng)作電流數(shù)據(jù)劃歸為統(tǒng)一的數(shù)據(jù)維數(shù)。之后，由后者對(duì)該數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練與測(cè)試。

圖1 基于樣條插值與RBF網(wǎng)絡(luò)的

該道岔故障診斷系統(tǒng)可分為針對(duì)歷史數(shù)據(jù)的離線學(xué)習(xí)與針對(duì)實(shí)時(shí)數(shù)據(jù)的在線診斷兩個(gè)階段。在其歷史數(shù)據(jù)離線學(xué)習(xí)階段，將歷史數(shù)據(jù)按比例隨機(jī)拆分成訓(xùn)練集與測(cè)試集兩個(gè)部分。該道岔故障診斷系統(tǒng)將訓(xùn)練集數(shù)據(jù)輸入到基于三次樣條插值的數(shù)據(jù)整合模塊中，將原始數(shù)據(jù)維數(shù)劃歸為某個(gè)特定維數(shù)；之后，將整合后的數(shù)據(jù)輸入到RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練；在訓(xùn)練結(jié)束后，將驗(yàn)證集輸入到該RBF神經(jīng)網(wǎng)絡(luò)以驗(yàn)證網(wǎng)絡(luò)的泛化推廣能力；在RBF神經(jīng)網(wǎng)絡(luò)滿(mǎn)足泛化需求之后，將其拷貝到現(xiàn)場(chǎng)進(jìn)行實(shí)時(shí)故障診斷；通過(guò)人機(jī)交互模塊，對(duì)該道岔故障診斷系統(tǒng)的診斷結(jié)果進(jìn)行反饋。如果診斷錯(cuò)誤，則需要將診斷的正確結(jié)果輸入到RBF神經(jīng)網(wǎng)絡(luò)，并啟動(dòng)RBF神經(jīng)網(wǎng)絡(luò)的增量訓(xùn)練模式，對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)，以使其學(xué)習(xí)到新的信息，進(jìn)一步提高網(wǎng)絡(luò)性能。

3.2 算法實(shí)現(xiàn)

步驟1：將道岔動(dòng)作電流數(shù)據(jù)的維數(shù)劃歸為某特定維數(shù)。

步驟2：對(duì)道岔動(dòng)作電流的歷史數(shù)據(jù)采用式(2)進(jìn)行歸一化處理。

(2)

其中，x為原始數(shù)據(jù)；x*為歸一化后的數(shù)據(jù)；μ為所有樣本數(shù)據(jù)的平均值；σ為所有樣本數(shù)據(jù)的標(biāo)準(zhǔn)差。

步驟3：基于訓(xùn)練集，學(xué)習(xí)訓(xùn)練基于AutoEncoder的RBF神經(jīng)網(wǎng)絡(luò)。

步驟4：用步驟3中訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試集進(jìn)行故障診斷，并計(jì)算診斷的精度。如果精度較低，則返回步驟3。否則，進(jìn)入下一步。

步驟5：將RBF網(wǎng)絡(luò)各個(gè)參數(shù)拷貝到對(duì)道岔動(dòng)作電流進(jìn)行實(shí)時(shí)診斷的電腦。

步驟6：對(duì)實(shí)時(shí)診斷結(jié)果進(jìn)行判斷。如果診斷正確，則進(jìn)入對(duì)下一條數(shù)據(jù)進(jìn)行診斷的流程。否則，則將該條道岔動(dòng)作電流數(shù)據(jù)與其正確的故障類(lèi)型輸入到RBF神經(jīng)網(wǎng)絡(luò)，并啟動(dòng)增量學(xué)習(xí)模式，對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)，以使該網(wǎng)絡(luò)學(xué)習(xí)到新的知識(shí)。

3.3 仿真實(shí)驗(yàn)

道岔動(dòng)作電流歷史數(shù)據(jù)集采集自某車(chē)站的——包括正常、啟動(dòng)電路斷線、外線混線、繼電器接觸不良、電機(jī)匝間短路、道岔動(dòng)作困難、未能解鎖、轉(zhuǎn)換不暢、電機(jī)轉(zhuǎn)子斷線、轉(zhuǎn)換阻力增大、道岔不閉鎖與減速器或電機(jī)抱死等12種故障類(lèi)型的——真實(shí)的現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)，共1 050條，數(shù)據(jù)維數(shù)在189～693之間。

在仿真實(shí)驗(yàn)中，隨機(jī)選擇歷史數(shù)據(jù)集中30%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，用來(lái)學(xué)習(xí)訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)的各個(gè)節(jié)點(diǎn)的參數(shù)；再隨機(jī)抽取該數(shù)據(jù)集另外20%的數(shù)據(jù)作為驗(yàn)證集，用來(lái)檢驗(yàn)RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性能，以決定是否終止網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程；其余50%的數(shù)據(jù)作為測(cè)試集，用來(lái)模擬實(shí)時(shí)數(shù)據(jù)，以判斷整個(gè)模型的最終表現(xiàn)。

設(shè)定數(shù)據(jù)整合后的維數(shù)為100，即將數(shù)據(jù)維數(shù)在189～693之間的歷史監(jiān)測(cè)數(shù)據(jù)，通過(guò)基于三次樣條插值的數(shù)據(jù)整合模塊，統(tǒng)一劃歸為100維。

因此，模型中的RBF神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)個(gè)數(shù)等于輸入數(shù)據(jù)的維數(shù)100；輸出節(jié)點(diǎn)的個(gè)數(shù)等于故障類(lèi)型的數(shù)目12；其隱含層節(jié)點(diǎn)數(shù)目的確定到目前為止沒(méi)有很好的方法，在實(shí)驗(yàn)仿真過(guò)程中，就采用不斷嘗試的方法以確定RBF神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)的最終數(shù)目。并且，在訓(xùn)練過(guò)程中，對(duì)每一個(gè)所嘗試的隱含層節(jié)點(diǎn)數(shù)目都重復(fù)實(shí)驗(yàn)10次，以便從這10次訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)中挑選中表現(xiàn)最好的網(wǎng)絡(luò)。

最終實(shí)驗(yàn)結(jié)果參見(jiàn)圖2與表1。

圖2 故障診斷精度與隱含層節(jié)點(diǎn)

由圖2可知，當(dāng)RBF神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)目為52時(shí)，網(wǎng)絡(luò)的泛化能力最高。

表1 實(shí)驗(yàn)仿真結(jié)果

由表1可知，當(dāng)RBF神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)目等于52時(shí)，該模型在其第10次訓(xùn)練時(shí)，所學(xué)習(xí)訓(xùn)練得到的RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度、驗(yàn)證精度、測(cè)試精度分別高達(dá)99.682 5%、96.190 5%與97.142 9%。也說(shuō)明此時(shí)該神經(jīng)網(wǎng)絡(luò)具有更好的泛化能力，也就是具有更好的識(shí)別未知樣例故障類(lèi)型的能力。

4 結(jié)束語(yǔ)

針對(duì)道岔故障數(shù)據(jù)維數(shù)變化不定且故障數(shù)據(jù)量大，難以實(shí)時(shí)、快速、準(zhǔn)確地進(jìn)行人工診斷這一現(xiàn)實(shí)需求，綜合采用基于三次樣條插值與RBF神經(jīng)網(wǎng)絡(luò)等技術(shù)手段，建立了新型道岔故障診斷系統(tǒng)。通過(guò)應(yīng)用某站真實(shí)歷史監(jiān)測(cè)數(shù)據(jù)進(jìn)行驗(yàn)證，證明所建立的模型不僅能夠適應(yīng)不同數(shù)據(jù)維數(shù)的現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)，而且還可以幫助維護(hù)人員快速、準(zhǔn)確地對(duì)道岔故障進(jìn)行診斷，減少故障處理時(shí)間，提高鐵路行車(chē)的安全性。

[1] 馮琳玲.運(yùn)用微機(jī)監(jiān)測(cè)道岔電流曲線分析提速道岔故障[J].鐵路通信信號(hào)工程技術(shù),2011,8(1):73-75.

[2] 周桂強(qiáng).利用微機(jī)監(jiān)測(cè)道岔動(dòng)作電流曲線指導(dǎo)日常維修[J].鐵道運(yùn)營(yíng)技術(shù),2006,12(3):34-35.

[3] 候志宇,崔澤彬.電動(dòng)轉(zhuǎn)轍機(jī)自動(dòng)開(kāi)閉器故障原因及解決方法[J].鐵道通信信號(hào)，2005,41(6):25.

[4] 姜 玥,韓麗英,張曉鋒.微機(jī)監(jiān)測(cè)道岔電流采集中的故障分析[J].鐵道通信信號(hào),2011,47(11):45-46.

[5] 王玉芬.S700K1/30提速道岔常見(jiàn)故障分析與對(duì)策[J].上海鐵道科技,2009(1):38-39.

[6] Schwenker F,Kestler H A,Palm G.Three learning phase for radial-basis-function networks[J].Neural Networks,2001,14:439-458.

[7] Roy A,Govil S,Miranda R.An algorithm to generate Radial Basis Function (RBF)-like nets for classification problems[J].NeuralNetworks,1995,8(2):179-201.

[8] 王仁宏.數(shù)值逼近[M].北京:高等教育出版社,1999:220-253.

[9] 孫志軍,薛 磊,許陽(yáng)明,等.深度學(xué)習(xí)研究綜述[J].計(jì)算機(jī)應(yīng)用研究，2012,29(8):2806-2810.

[10]ErhanD,BengioY,CoupvileA,etal.Whydoesunsupervisedpre-traininghelpdeeplearning[J].JournalofMachineLearningResearch,2010,11(3):625-660.

[11]LasersonJ.Fromneuralnetworkstodeeplearing:zeroinginonthehumanbrain[J].XRDS,2011,18(1):29-34.

[12]HintonGE,OsinderoS,TehY.Afastlearningalgorithmfordeepbeliefnets[J].NeuralComputation,2006,18(7):1527-1554.

[13]BengioY.LearningdeeparchitecturesforAI[J].FoundationsandTrendsinMachLearning,2009,2(1):1-127.

[14]LecunY,BottouL,BengioY,etal.Gradient-basedlearningappliedtodocumentrecognition[J].ProceedingsoftheIEEE,1998,86(11):2278-2324.

[15] 馬艷東.一種基于AutoEncoder的RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法[J].中國(guó)科技信息，2015(9):59-60.

Research on Switch Fault Diagnosis System with Cubic SplineInterpolation and RBF Neural Network

MEI Huan1,2，MA Yan-dong1,2，SHAN Jiu-si3，PENG Ye3

(1.Institute of Applied Mathematics,Hebei Academy of Sciences,Shijiazhuang 050081,China；2.Hebei Authentication Technology Engineering Research Center,Shijiazhuang 050081,China;3.Shijiazhuang Tiedao University,Shijiazhuang 050043,China)

The train rail switch is facing more demanding request with the increasing speed and traffic density.The traditional fault diagnosis method which relies on maintenance personnel monitoring data cannot meet the higher safety request for the train operation safety.In order to diagnose the faults of the rail switch rapidly and accurately,the new intelligent rail switch fault diagnosis model based on Cubic Spline Interpolation and RBF neural network is established.The data integration module based on Cubic Spline Interpolation has been used to normalize the electric current curves of the rail switch into the same dimension.Then,the new RBF neural network is used to diagnose the new data of the electric current curves of the rail switch with same dimension.The model has been validated and evaluated with the historical and real monitoring data from certain railway station.The experiment results show that this model can not only be used to process the electric current curves of the rail switch action with different dimensions,but also can be used to diagnose rail switch faults rapidly and accurately.With this model,the fault processing time can be significantly decreased and the railway traffic can be safer.

switch fault diagnosis;artificial intelligence;RBF neural network;Cubic Spline Interpolation;electric curves of switch action

2016-06-06

2016-09-15 網(wǎng)絡(luò)出版時(shí)間：2017-03-07

河北省科技計(jì)劃項(xiàng)目(15210331);河北省科學(xué)院科技計(jì)劃項(xiàng)目(16606)

梅 歡(1981-)，女，助理研究員，CCF會(huì)員，研究方向?yàn)閿?shù)據(jù)挖掘。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170307.0922.072.html

TP182

A

1673-629X(2017)05-0160-04

10.3969/j.issn.1673-629X.2017.05.033