蝙蝠算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的25 Hz相敏軌道電路故障診斷研究

鄭云水，牛行通，康毅軍

(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.吉林鐵道職業(yè)技術(shù)學(xué)院,吉林吉林 132200；3.成都地鐵運(yùn)營有限公司,四川成都 610036)

隨著鐵路行業(yè)的快速發(fā)展，對鐵路信號設(shè)備技術(shù)性能的要求不斷提高。鐵路運(yùn)輸作為主要的運(yùn)輸方式之一，其安全性與可靠性問題得到了普遍關(guān)注。軌道電路作為鐵路運(yùn)輸?shù)幕A(chǔ)之一，其工作狀態(tài)與性能對鐵路的運(yùn)營效率及保證人員安全至關(guān)重要。因此，面對軌道電路發(fā)生故障，如何及時(shí)定位故障原因，并進(jìn)行迅速維修，減少經(jīng)濟(jì)損失及人員傷亡，保證軌道電路正常工作至關(guān)重要。

現(xiàn)階段25 Hz相敏軌道電路故障診斷主要有以下3種診斷方式：人工診斷、數(shù)學(xué)模型診斷、信號集中監(jiān)測系統(tǒng)。人工診斷主要通過儀器儀表測量相關(guān)參數(shù)，并根據(jù)所測數(shù)值，依靠維修人員的維修經(jīng)驗(yàn)進(jìn)行故障處理。此方法不能快速、準(zhǔn)確地定位故障原因，判斷故障并及時(shí)維修，嚴(yán)重影響維修效率和設(shè)備的使用率，無法達(dá)到故障狀態(tài)修和準(zhǔn)確修的要求[1]。數(shù)學(xué)模型診斷是依靠傳感器和動(dòng)態(tài)測試，以信號為基礎(chǔ)的診斷方法，由于25 Hz相敏軌道電路故障本身的復(fù)雜性，建立故障診斷的模型是一個(gè)難點(diǎn)，達(dá)不到預(yù)期結(jié)果。信號集中監(jiān)測系統(tǒng)能夠?qū)崿F(xiàn)軌道電路各參數(shù)的實(shí)時(shí)采集，并具有一定的故障診斷能力，但該診斷方法以傳統(tǒng)的閾值法為思想，其診斷定位難且誤差率較高，需要提高其智能診斷水平。隨著智能故障診斷技術(shù)的迅速發(fā)展，有效克服了傳統(tǒng)故障診斷技術(shù)無法解決的一些問題，為解決復(fù)雜的故障診斷問題提供了新的思路與方法[2]。

為了解決復(fù)雜的軌道電路故障診斷問題，文獻(xiàn)[3]提出了鐵路設(shè)備故障診斷專家系統(tǒng)的實(shí)現(xiàn)方案；文獻(xiàn)[4]提出組合模型的25 Hz相敏軌道電路故障診斷方法，克服了單項(xiàng)診斷方法的信息單一和診斷片面等不足，提高了故障診斷精度；文獻(xiàn)[5]將模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)應(yīng)用于軌道電路故障診斷中，取得了較好的效果。具有反向傳播的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單、易實(shí)現(xiàn)，具有強(qiáng)大的反復(fù)自行組織學(xué)習(xí)和能以任意精度逼近故障診斷問題的非線性映射能力，成為應(yīng)用廣泛的故障診斷方法之一。如果BP網(wǎng)絡(luò)中的相關(guān)參數(shù)選擇不恰當(dāng)，就會(huì)使25 Hz相敏軌道電路故障診斷結(jié)果不準(zhǔn)確，容易陷入局部極小點(diǎn)和收斂速度慢等不足。本文將蝙蝠算法應(yīng)用于25 Hz相敏軌道電路的故障診斷，使用蝙蝠算法優(yōu)化BP網(wǎng)絡(luò)中的相關(guān)參數(shù)。蝙蝠算法[6]是一種模擬蝙蝠飛行來逐步尋優(yōu)的新型群智能算法，利用蝙蝠算法對模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行修正，此方法可以防止FNN陷入局部極小點(diǎn)。相比較傳統(tǒng)智能算法、遺傳算法、粒子群算法等，蝙蝠算法吸收了他們的優(yōu)點(diǎn)，能發(fā)揮更大的潛能，是一種新興的全局尋優(yōu)算法[7]。利用蝙蝠算法構(gòu)造的BA-FNN可以縮短神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)，為神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化提供了一種新的研究方法[8-9]。

1 25 Hz相敏軌道電路

1.1 25 Hz相敏軌道電路的基本結(jié)構(gòu)和工作原理

25 Hz相敏軌道電路的基本結(jié)構(gòu)由兩部分組成：送電端設(shè)備和受電端設(shè)備，各設(shè)備名稱見表1。25 Hz電源屏分別提供25 Hz/220 V軌道電源和25 Hz/110 V的局部電源，由于兩個(gè)分頻器的輸入端反向連接，可使二元二位相敏軌道電路繼電器局部線圈電源相位超前軌道線圈電源相位，即滿足90°±5°的要求。軌道電源從室內(nèi)經(jīng)過其電纜向室外供出，通過送電端的軌道變壓器BG25進(jìn)行電壓調(diào)整，經(jīng)過限流電阻RX及扼流變壓器BE25把信號輸送至軌面，受電端接受軌道信號，經(jīng)過扼流變壓器BE25、軌道變壓器BG25進(jìn)行調(diào)整，然后送回室內(nèi)，并經(jīng)過防護(hù)盒，防雷補(bǔ)償器作用于二元二位軌道繼電器軌道線圈兩端，而局部電源直接作用于局部線圈。當(dāng)軌道區(qū)段空閑且滿足相位要求時(shí)，軌道繼電器得電GJ吸起，當(dāng)軌道電路區(qū)段相位不符合要求或被列車占用時(shí)，軌道繼電器GJ失電落下。

表1 25 Hz相敏軌道電路設(shè)備

1.2 25 Hz相敏軌道電路特征參量

軌道電路故障診斷最重要的是故障預(yù)測，盡可能在其空閑狀態(tài)時(shí)定位故障位置，及時(shí)采取維修措施對軌道電路進(jìn)行維修，從而避免列車經(jīng)過有故障的軌道電路區(qū)段。信號集中監(jiān)測系統(tǒng)作為信號設(shè)備的重要組成部分，現(xiàn)在已相當(dāng)成熟，并成功應(yīng)用于在線測試電氣特性，如測量軌道電路多點(diǎn)電位電壓、電流及相位角等，能實(shí)時(shí)、動(dòng)態(tài)、準(zhǔn)確、量化反映軌道電路的健康狀態(tài)信息，可通過對該數(shù)據(jù)的分析來對軌道電路進(jìn)行診斷。因此，本文應(yīng)用信號集中監(jiān)測系統(tǒng)來完成所需故障特征參數(shù)的采集。

25 Hz相敏軌道電路可分為紅光帶和分路不良兩種故障模式，故障原因多種多樣，與故障特征參量相互影響，尤其各種故障原因會(huì)引起軌道電路繼電器參數(shù)的變化。因此，本文利用信號集中監(jiān)測系統(tǒng)來實(shí)時(shí)獲取軌道電路繼電器相位角φ，二元二位局部電壓Uj，二元二位軌道電壓Ug作為故障診斷的3種特征參量。

2 模糊神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

模糊邏輯神經(jīng)網(wǎng)絡(luò)[10-11]FNN(Fuzzy Neural Network)是神經(jīng)網(wǎng)絡(luò)技術(shù)與模糊邏輯推理相互結(jié)合來處理、解決非線性、模糊性和不確定性等問題。25 Hz相敏軌道電路模糊神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示，其特征參量作為模糊神經(jīng)網(wǎng)絡(luò)的輸入，通過模糊量化部分進(jìn)行模糊化處理，之后輸入到神經(jīng)網(wǎng)絡(luò)部分中進(jìn)行學(xué)習(xí)訓(xùn)練，通過神經(jīng)網(wǎng)絡(luò)各層神經(jīng)元間的邏輯運(yùn)算，輸出帶一定可信度的25 Hz相敏軌道電路故障診斷值。

圖1 25 Hz相敏軌道電路模糊神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

(1)第一層為輸入層：表示變量的模糊輸入?yún)?shù)，此層有x1～xn個(gè)節(jié)點(diǎn)，即軌道電路故障特征參量的輸入。

(2)第二層為模糊化層：此層對特征參量的輸入進(jìn)行模糊化處理，如用“正常N”“偏高H”“偏低L”來劃分，每個(gè)節(jié)點(diǎn)的輸出對應(yīng)于節(jié)點(diǎn)輸入分量的隸屬函數(shù)值。此層采用高斯函數(shù)作為隸屬度函數(shù)，對模糊概念進(jìn)行定量描述。

( 1 )

式中：xi為輸入變量；σij為隸屬度函數(shù)的標(biāo)準(zhǔn)差；dij為隸屬度函數(shù)的均值；uij(x)為輸出變量。

(3)第三層為模糊規(guī)則層：即為神經(jīng)網(wǎng)絡(luò)的診斷學(xué)習(xí)模糊推理規(guī)則條數(shù)，實(shí)現(xiàn)模糊規(guī)則的匹配，在激活函數(shù)的作用下完成模糊運(yùn)算。本層神經(jīng)網(wǎng)絡(luò)非線性的連續(xù)激活函數(shù)采用雙曲正切函數(shù)，即σ(x)=(1-ex)/(1+ex)。設(shè)隱含層輸入為(x1，x2，x3，…,xm)，表示為

Si=σ(∑wijxj+bi) 1≤i≤m

( 2 )

式中：bi為隱含層神經(jīng)元的閾值；wij為當(dāng)前輸入層-隱層的連接權(quán)值。

(4)第四層為輸出層：即完成去模糊化。本層神經(jīng)網(wǎng)絡(luò)的非線性激活函數(shù)采用s型函數(shù)，即為f(x)=1/(1+e-x)。設(shè)此層神經(jīng)元的輸出為(y1，y2，y3，…，yn)，表示為

( 3 )

式中：bko為輸出層神經(jīng)元的閾值；wkj為當(dāng)前隱含層-輸出層的連接權(quán)值。

3 蝙蝠算法

蝙蝠算法BA是一種模擬自然界中蝙蝠通過超聲波覓食、避免障礙物行為特性而發(fā)展來的新穎隨機(jī)搜索算法。蝙蝠具有自身超強(qiáng)的回聲定位能力，利用發(fā)出的超聲波脈沖在復(fù)雜環(huán)境中進(jìn)行精確搜尋獵物以及捕食的行為，類似于算法搜索尋求最優(yōu)解的過程，這一過程與自然界模擬蝙蝠仿生學(xué)機(jī)理的優(yōu)化過程相聯(lián)系，并帶來啟發(fā)[12]。BA具體步驟流程如下：

步驟1基本參數(shù)初始化。具體設(shè)置如下：蝙蝠種群規(guī)模Sizepop，最大迭代次數(shù)Maxgen，搜索脈沖頻率范圍[fmin，fmax]，搜索精度ξ，脈沖頻度增加系數(shù)γ，最大脈沖頻度r0，最大脈沖音強(qiáng)A，衰減系數(shù)α。

步驟2初始化蝙蝠個(gè)體位置xi(i=1，…，m)，評價(jià)蝙蝠個(gè)體，并找出蝙蝠種群中當(dāng)前最優(yōu)位置的蝙蝠個(gè)體x*。

步驟3按式( 4 )初始化蝙蝠搜索脈沖頻率fi，按式( 5 )、式( 6 )分別對蝙蝠空間位置xi、飛行速度vi進(jìn)行迭代更新。

fi=fmin+(fmax-fmin)×rand

( 4 )

( 5 )

( 6 )

步驟4生成隨機(jī)數(shù)rand1。若rand1>ri，選擇最優(yōu)蝙蝠位置個(gè)體，運(yùn)用隨機(jī)擾動(dòng)對蝙蝠個(gè)體位置進(jìn)行更新，得到當(dāng)前局部解。如式( 7 )所示，式中ε是[-1，1]之間均勻分布的隨機(jī)數(shù)[13]。

xnew=xold+εAt

( 7 )

步驟5生成隨機(jī)rand2。若rand2

( 8 )

( 9 )

式中：Ait、Ait-1分別為第i蝙蝠個(gè)體在t次和t-1次時(shí)刻發(fā)射脈沖的音強(qiáng)；rit為i蝙蝠個(gè)體在t時(shí)刻的脈沖頻度。

步驟6按照適應(yīng)度值對每個(gè)蝙蝠個(gè)體進(jìn)行評價(jià)，并且計(jì)算每只蝙蝠個(gè)體的適應(yīng)度值，找出當(dāng)前最優(yōu)蝙蝠個(gè)體空間位置及其適應(yīng)度值。

步驟7進(jìn)行迭代尋優(yōu)時(shí)，如果未達(dá)到搜索精度要求或最大迭代次數(shù)，則轉(zhuǎn)入步驟3；若達(dá)到算法終止條件要求，則轉(zhuǎn)入步驟8。

步驟8終止算法，輸出所處最優(yōu)位置的蝙蝠個(gè)體及對應(yīng)的最優(yōu)函數(shù)值。rand1與rand2均是[0，1]上均勻分布的隨機(jī)數(shù)。

為了驗(yàn)證本文所使用的BA具有良好的尋優(yōu)性能，選取兩種典型的測試函數(shù)Griewank、Rosenbrock作為測試對象，與其他智能優(yōu)化算法、遺傳算法GA、粒子群算法PSO進(jìn)行迭代函數(shù)的對比測試分析。GA參數(shù)設(shè)置為：交叉概率=0.75，變異概率=0.15；PSO參數(shù)設(shè)置為：采用文獻(xiàn)[14]所提出的線性減少的慣性權(quán)重Wmax=0.9，Wmin=0.4，學(xué)習(xí)因子C1=C2=1.496 2。BA參數(shù)設(shè)置為：Sizepop=30，[fmin，fmax]為[-1，1]，A=0.25，r0=0.75，r=0.05，a=0.95，維數(shù)d=90。上述3種算法中，所設(shè)置的參數(shù)考慮了算法的收斂性，使算法不易陷入局部解，符合比較要求。最大的迭代次數(shù)均為100，種群規(guī)模根據(jù)空間搜索維數(shù)分別取m=10，20，50，80，在搜尋過程中達(dá)到最大迭代次數(shù)則搜索停止。

(1)Griewank 函數(shù)。函數(shù)三維空間特征圖如圖2所示，該函數(shù)為激烈多峰極值函數(shù)，變量間由于乘積項(xiàng)之間相互影響，不容易找到全局最優(yōu)值，有許多多峰局部極值。xi=0時(shí)，f1(x)取全局最小值0，xi∈[-600,600]。Griewank函數(shù)對比迭代曲線如圖3所示。

(10)

圖2 Griewank函數(shù)的空間特征

圖3 Griewank函數(shù)迭代曲線

(2)Rosenbrock函數(shù)。函數(shù)三維空間特征圖如圖4所示，該函數(shù)為單模連續(xù)函數(shù)，各變量之間相互影響，不易于求解到最優(yōu)值。其全局最優(yōu)值附近區(qū)域地形平坦，極難收斂到全局最優(yōu)值，是對算法全局收斂性能進(jìn)行測試的經(jīng)典函數(shù)。xi=1時(shí)，f2(x)取全局最小值0，xi∈[-600,600]。Rosenbrock函數(shù)對比迭代曲線如圖5所示。

圖4 Rosenbrock函數(shù)的空間特征

圖5 Rosenbrock函數(shù)迭代曲線

函數(shù)f1、f2獨(dú)立進(jìn)行20次測試實(shí)驗(yàn)，測試結(jié)果列入表2。

表2 BA、GA、PSO性能測試比較

從圖3、圖5對比可以看出，在函數(shù)f1、f2迭代曲線中，GA尋優(yōu)精度與收斂速度都不及PSO、BA；PSO前期收斂速度慢，收斂速度不及BA，但經(jīng)過一段時(shí)間后，能達(dá)到收斂精度要求；BA相較于GA、PSO迭代曲線下降速度很快，在迭代初期便已表現(xiàn)出良好的性能，不僅尋優(yōu)成功率高，而且BA在尋優(yōu)空間內(nèi)能以更快的收斂速度與精度找到全局最優(yōu)解。由表2可以看出，在最優(yōu)值、平均值、最差值及標(biāo)準(zhǔn)差方面，BA都優(yōu)于GA、PSO，其尋優(yōu)精度的平均值得到了大幅度提升，因此BA與其他算法相比能夠更早收斂，使種群有更高的收斂穩(wěn)定性能及更快的收斂速度和尋優(yōu)精度。

4 基于蝙蝠算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)

4.1 基于蝙蝠算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)參數(shù)

在FNN中，對權(quán)值wij、wkj和閾值bi、bko進(jìn)行優(yōu)化，將模糊神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值與蝙蝠算法中的蝙蝠個(gè)體的位置向量對應(yīng)起來，編碼成種群中的蝙蝠個(gè)體。在訓(xùn)練過程中，蝙蝠個(gè)體前后位置兩次的改變與BP網(wǎng)絡(luò)權(quán)值和閾值相對應(yīng)，即位置改變過程對應(yīng)著權(quán)值和閾值的迭代更新，通過尋找蝙蝠最優(yōu)個(gè)體位置來尋找網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值，通過搜尋網(wǎng)絡(luò)的最優(yōu)解達(dá)到優(yōu)化網(wǎng)絡(luò)的目的。

（2）球蟲種類的感染率。在如東地區(qū)山羊易感染的球蟲分別是山羊艾美耳球蟲62.50%（50/80）、克里氏艾美耳球蟲55.00%（44/80）、阿氏艾美耳球蟲45.00%（36/80）、艾麗艾美耳球蟲6.25%（5/80）、約氏艾美耳球蟲1.25%（1/80），此外還在糞樣中檢查出莫尼氏絳蟲23.75%（19/80）。

定義適應(yīng)度函數(shù)f(x)=E(x)，通過計(jì)算蝙蝠個(gè)體的適應(yīng)度值，將FNN輸出的誤差函數(shù)構(gòu)造為適應(yīng)度函數(shù)來計(jì)算蝙蝠個(gè)體的適應(yīng)度值，并采用均方誤差MSE計(jì)算輸出誤差函數(shù)，即

(12)

式中：N為輸入樣本的規(guī)模；ti為故障診斷目標(biāo)值；yi為故障診斷預(yù)測輸出值。MSE越小故障診斷的精度越高。按照 BA進(jìn)行迭代尋優(yōu)，通過不斷調(diào)整蝙蝠個(gè)體的位置與速度，得到最優(yōu)蝙蝠個(gè)體來優(yōu)化FNN模糊神經(jīng)網(wǎng)絡(luò)參數(shù)。

4.2 蝙蝠算法-模糊神經(jīng)網(wǎng)絡(luò)故障診斷算法步驟

基于BA-FNN的算法流程如下：

步驟1將FNN連接權(quán)值wij、wkj和閾值bi、bko編碼成實(shí)數(shù)向量表示的形式，與種群中的蝙蝠個(gè)體建立一一映射關(guān)系，依據(jù)FNN結(jié)構(gòu)，設(shè)置蝙蝠個(gè)體位置向量，即蝙蝠個(gè)體維數(shù)，將蝙蝠個(gè)體的位置分量與權(quán)值和閾值相對應(yīng)起來，并進(jìn)行基本初始化。

步驟2根據(jù)式( 9 )～式(11)調(diào)整 BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，對每個(gè)蝙蝠的個(gè)體最佳位置和全局最佳位置進(jìn)行迭代更新。

步驟3根據(jù)式( 4 )～式( 6 )對蝙蝠的搜索脈沖頻率、速度和位置進(jìn)行迭代更新，獲得蝙蝠個(gè)體最優(yōu)位置和全局最優(yōu)位置。

步驟4生成隨機(jī)數(shù)rand1，若rand1>r，選擇最優(yōu)蝙蝠個(gè)體，獲得當(dāng)前局部解。生成隨機(jī)rand2，若rand2

步驟5利用式(12)計(jì)算種群中最優(yōu)蝙蝠個(gè)體空間位置和所有蝙蝠的適應(yīng)度值，獲得全局最優(yōu)蝙蝠位置的適應(yīng)度值f(x)，若f(x)滿足網(wǎng)絡(luò)的搜索精度要求f(x)<ξ或達(dá)到當(dāng)前最大迭代次數(shù)N，則迭代結(jié)束轉(zhuǎn)到步驟6；否則，轉(zhuǎn)到步驟1，重新更新蝙蝠的速度與位置。

步驟6輸出全局最優(yōu)蝙蝠位置和最優(yōu)蝙蝠個(gè)體值，把全局最優(yōu)蝙蝠位置與網(wǎng)絡(luò)初始權(quán)值和閾值建立映射關(guān)系。

步驟7將最優(yōu)權(quán)值和閾值作為FNN學(xué)習(xí)優(yōu)化的參數(shù)，進(jìn)行故障診斷看是否滿足誤差要求。

5 基于BA-FNN的25 Hz相敏軌道電路故障診斷

5.1 模型參數(shù)的選取

BA-FNN模型中，將25 Hz相敏軌道電路中的3種特征參量相位角φ、二元二位局部電壓Uj、二元二位軌道電壓Ug分別作為BA-FNN模型的3個(gè)輸入量，見表3。將3個(gè)特征參量輸入到模糊化單元，對參數(shù)進(jìn)行模糊化預(yù)處理，它們被劃分為3個(gè)模糊子集，用N、H、L表示正常、偏高、偏低。

BA-FNN模塊中，系統(tǒng)的輸出為5個(gè)神經(jīng)元F1、F2、F3、F4、F5分別代表5種故障原因，見表4。將這5種25 Hz軌道電路常見故障原因的發(fā)生情況轉(zhuǎn)化為相應(yīng)的故障可信度，且用極可能故障(A=0.9)、有可能故障(B=0.6)、偶然故障(C=0.2)、幾乎不可能故障(D=0.05)4個(gè)模糊語言對個(gè)BA-FNN模型輸出進(jìn)行描述，見表5。

結(jié)合其故障模式特點(diǎn)，以及輸入與輸出之間的相關(guān)專家經(jīng)驗(yàn)知識，建立表6所示的故障模糊診斷規(guī)則。

表3 BA-FNN模型輸入特征參量

表4 BA-FNN模型輸出故障原因及類別

表5 故障存在的隸屬度

表6 25 Hz相敏軌道電路故障診斷規(guī)則

5.2 軌道電路模型的確定

由上述可知，BA-FNN模型輸入層參數(shù)為3，分別與軌道電路3種故障特征參數(shù)相對應(yīng)；輸出層的參數(shù)為5，分別與軌道電路故障原因一一對應(yīng)，輸出值范圍為[0，1]，代表故障發(fā)生的可信度(最可能發(fā)生的概率)；隱含層神經(jīng)元個(gè)數(shù)對整個(gè)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的性能影響較大，如今確定隱含層神經(jīng)元個(gè)數(shù)的方法已有很多種，如lbn法、2n+1法、(n-1)l/(n+l-1)法等,其中，l為輸出向量的維數(shù)，n為輸入向量的維數(shù)。本文根據(jù)預(yù)測實(shí)驗(yàn)效果，經(jīng)過多次學(xué)習(xí)訓(xùn)練來測試隱含層節(jié)點(diǎn)個(gè)數(shù)，先用不太大的隱含層節(jié)點(diǎn)數(shù)進(jìn)行測試，如果增加隱含層節(jié)點(diǎn)數(shù)目，仿真測試樣本訓(xùn)練的準(zhǔn)確率比原來有所提升，則應(yīng)該繼續(xù)增加隱含層節(jié)點(diǎn)數(shù)。隨著隱含層節(jié)點(diǎn)數(shù)的增加，樣本訓(xùn)練準(zhǔn)確率的提升不是很明顯，甚至降低時(shí)，則不應(yīng)該繼續(xù)增加，即樣本訓(xùn)練結(jié)果的準(zhǔn)確率開始出現(xiàn)下降時(shí)，之前的隱含層節(jié)點(diǎn)數(shù)是最佳選擇。因此，經(jīng)過測試對比，當(dāng)隱含層的節(jié)點(diǎn)數(shù)為15時(shí)，函數(shù)的擬合曲線效果最好，所以最終確定故障診斷BA-FNN模型的隱含層神經(jīng)元個(gè)數(shù)為15。由此得到BA-FNN模型結(jié)構(gòu)為3-9-15-5。網(wǎng)絡(luò)的權(quán)值為9×15+5×15=210，閾值為15+5=20，因此，蝙蝠算法編碼的維度為210+20=230。

5.3 BA-FNN模型的訓(xùn)練及結(jié)果比較

在確定BA-FNN模型之后，運(yùn)用訓(xùn)練樣本對其仿真訓(xùn)練，訓(xùn)練時(shí)隨機(jī)選取180組樣本中的150組作為訓(xùn)練學(xué)習(xí)樣本數(shù)據(jù)，見表7，余下30組作為測試樣本數(shù)據(jù)。

表7 模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本

根據(jù)之前的模糊神經(jīng)網(wǎng)絡(luò)及蝙蝠算法，及表7中模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本，應(yīng)用Matlab編程建立仿真平臺，實(shí)現(xiàn)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)，設(shè)置學(xué)習(xí)速率為0.01，采用增加動(dòng)量梯度下降法訓(xùn)練網(wǎng)絡(luò)，取動(dòng)量常數(shù)為0.95，通過訓(xùn)練仿真，可得到蝙蝠算法優(yōu)化模糊BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)與誤差的關(guān)系曲線如圖6所示，由圖6可以看出，蝙蝠算法優(yōu)化模糊BP神經(jīng)網(wǎng)絡(luò)經(jīng)過78步學(xué)習(xí)訓(xùn)練，便達(dá)到設(shè)定的目標(biāo)精度0.000 01，滿足誤差要求，此時(shí)，可對成功訓(xùn)練的網(wǎng)絡(luò)net進(jìn)行保存。

圖6 BA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線

利用上述保存好的網(wǎng)絡(luò)net，可以進(jìn)行預(yù)測測試。用余下30組作為測試樣本數(shù)據(jù)進(jìn)行預(yù)測，最終得到BA-FNN模型測試樣本的故障診斷輸出結(jié)果見表8。由表8可知，BA-FNN模型故障診斷的可信度和樣本數(shù)據(jù)訓(xùn)練的結(jié)果相符，誤差滿足精度要求。

表8 BA-FNN模型的樣本故障診斷輸出結(jié)果

表8(續(xù))

5.4 對比模型結(jié)果與分析

為了檢驗(yàn)BA-FNN 模型對25 Hz相敏軌道電路故障診斷的性能，采用GA-FNN、PSO-FNN模型進(jìn)行實(shí)驗(yàn)對比，將30組軌道電路故障診斷預(yù)測樣本輸入到 GA-FNN、PSO-FNN 和BA-FNN 模型中分別進(jìn)行學(xué)習(xí)訓(xùn)練，并進(jìn)行對比分析。GA、PSO、BA具體參數(shù)設(shè)置如Griewank、Rosenbrock函數(shù)作為性能測試對象中所示，通過對25 Hz軌道電路故障診斷訓(xùn)練結(jié)果的比較，在所有25 Hz軌道電路故障診斷模型中，BA-FNN模型的軌道電路故障診斷精度高、時(shí)間快，優(yōu)于 GA-FNN、PSO-FNN模型。BA能夠有效克服GA、PSO陷入局部極小值，收斂速度慢等不足，可以找到更優(yōu)的FNN相關(guān)參數(shù)值，運(yùn)用BA-FNN模型能夠使25 Hz軌道電路故障診斷精度得到明顯提高。

為了驗(yàn)證BA-FNN模型在軌道電路中的優(yōu)越性，采用均方誤差MSE，即式(12)作為模型的性能評價(jià)指標(biāo)。由表9可得，本文建立的BA-FNN故障診斷模型均方誤差小于GA-FNN 、PSO-FNN故障診斷模型，誤差分布更為集中，故障診斷結(jié)果更為準(zhǔn)確，其消耗時(shí)間也比GA-FNN 、PSO-FNN所用時(shí)間少。

表9 3種不同算法訓(xùn)練結(jié)果對比

6 結(jié)束語

本文針對25 Hz相敏軌道電路故障診斷，引入蝙蝠算法，并通過標(biāo)準(zhǔn)測試函數(shù)比較GA、PSO、BA的性能，BA具有更高的收斂速度和尋優(yōu)精度；利用蝙蝠算法良好的全局搜索能力對FNN的相關(guān)參數(shù)進(jìn)行優(yōu)化處理，避免了BP網(wǎng)絡(luò)陷入局部極小值，減少了故障診斷誤差，最終構(gòu)建蝙蝠算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的BA-FNN故障診斷模型。仿真結(jié)果表明：BA-FNN模型的收斂速度與診斷精度比GA-FNN、PSO-FNN模型有大幅提高，且BA-FNN模型的均方誤差和所用時(shí)間相對較少。因此，利用構(gòu)建的BA-FNN模型對25 Hz相敏軌道電路進(jìn)行故障診斷，可有效提高鐵路基礎(chǔ)設(shè)備的安全性能與運(yùn)營效率，是一種可行的故障診斷方法。