基于WPA優(yōu)化神經(jīng)網(wǎng)絡(luò)的扼流適配變壓器故障診斷研究

鄭云水，李程

?

基于WPA優(yōu)化神經(jīng)網(wǎng)絡(luò)的扼流適配變壓器故障診斷研究

鄭云水，李程

(蘭州交通大學(xué) 自動化與電氣工程學(xué)院，甘肅 蘭州 730070)

針對傳統(tǒng)鐵路扼流適配變壓器故障診斷模型結(jié)構(gòu)復(fù)雜和精度不高的問題，運(yùn)用狼群算法(WPA)、粗糙集(RS)理論和神經(jīng)網(wǎng)絡(luò)(NN)相融合的方法對其進(jìn)行故障診斷研究。用粗糙集理論對故障樣本數(shù)據(jù)進(jìn)行約簡處理，減少樣本數(shù)據(jù)的監(jiān)測及關(guān)鍵特征量的輸入個數(shù)；利用約簡后的數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)訓(xùn)練。利用狼群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù)，提出WPA-BPNN故障診斷模型，以侯馬電務(wù)段扼流適配變壓器故障數(shù)據(jù)為例進(jìn)行驗(yàn)證。研究結(jié)果表明：WPA-BPNN故障診斷模型相比傳統(tǒng)方法，簡化了網(wǎng)絡(luò)結(jié)構(gòu)，縮短了訓(xùn)練所需時間，提高了故障診斷精度，保證了列車行車安全及線路的高效運(yùn)行。

扼流適配變壓器；故障診斷；粗糙集；狼群算法；神經(jīng)網(wǎng)絡(luò)

扼流適配變壓器已被廣泛使用在我國的電氣化鐵路中，是站內(nèi)軌道電路的重要組成設(shè)備，安裝于強(qiáng)弱電結(jié)合部位，為牽引電流和信號電流回流提供通路[1]；對不平衡電流給軌道電路正常作業(yè)造成的影響具有明顯的抗干擾作用，確保列車行車穩(wěn)定、安全、可靠非常重要。由于扼流適配變壓器本身結(jié)構(gòu)的復(fù)雜性及作業(yè)環(huán)境的多變性，當(dāng)其出現(xiàn)故障時導(dǎo)致“紅光帶”現(xiàn)象頻繁發(fā)生。鐵路扼流適配變壓器出現(xiàn)故障時，單純地依靠工作人員的維修經(jīng)驗(yàn)，已不能滿足時代發(fā)展的需求，因?yàn)槠洳荒芸焖佟?zhǔn)確地定位故障發(fā)生的位置及故障發(fā)生的原因，嚴(yán)重影響了線路營運(yùn)效率和行車安全。王惠中等[2?3]指出，隨著人工智能、信息化技術(shù)的不斷進(jìn)步，智能故障診斷技術(shù)快速發(fā)展，現(xiàn)已廣泛應(yīng)用于鐵路信號設(shè)備故障診斷領(lǐng)域中，逐步取代了人工排查故障的手段，如利用蝙蝠算法、粒子群算法、神經(jīng)網(wǎng)絡(luò)等算法和技術(shù)，其可單獨(dú)使用也可與其他算法相結(jié)合，使得故障診斷的網(wǎng)絡(luò)性能更加優(yōu)化，從而保證了故障診斷準(zhǔn)確率和效率[4]。工作狀態(tài)可分為調(diào)整狀態(tài)、分路狀態(tài)；選取某線路區(qū)段逐步測量并記錄扼流適配變壓器13個考察點(diǎn)的電壓電流。故障診斷的核心是對現(xiàn)場采集數(shù)據(jù)關(guān)鍵特征值的準(zhǔn)確提取，本文用粗糙集理論對采集到的故障樣本數(shù)據(jù)進(jìn)行處理；為了改善神經(jīng)網(wǎng)絡(luò)的缺陷，用WPA優(yōu)化BP網(wǎng)絡(luò)的結(jié)構(gòu)，然后利用RS處理過的樣本對WPA-BPNN模型進(jìn)行訓(xùn)練。最后，Matlab仿真結(jié)果表明經(jīng)WPA優(yōu)化的BP網(wǎng)絡(luò)，其訓(xùn)練效率和收斂速度有了明顯提高，使得故障診斷結(jié)果更加精確，驗(yàn)證該了算法較其他算法的高可靠性和有效性。

1 扼流適配變壓器故障診斷樣本數(shù)據(jù)表

根據(jù)現(xiàn)場工作人員的維修經(jīng)驗(yàn)，并通過查閱扼流適配變壓器故障診斷方面的相關(guān)資料，得到扼流適配變壓器時常發(fā)生的12種故障，如圖1所示。引用文獻(xiàn)[5]中離散化后的故障診斷樣本數(shù)據(jù)表，如表1所示，對其進(jìn)行故障診斷研究。

{1，2，…，15，16}表示扼流適配變壓器的16種故障類別集；GJ為軌道繼電器兩端的電壓，RG受電端軌面電壓，TG送電端軌面電流，RG受電端軌面電流，TG送電端軌面電壓，RS受電端信號側(cè)電壓，TS送電端信號側(cè)電壓，RS受電端信號側(cè)電流，TS送電端信號側(cè)電流，RL受電端適配器電感電壓，U送電端適配器電感電壓，U受電端適配器電容電壓，TC送電端適配器電容電壓，={GJ，TS，RG，…，TL，RG，TC}表示扼流適配變壓器所對應(yīng)的13種故障特征的征兆集。

表1 扼流適配壓器故障診斷樣本數(shù)據(jù)表

611233121213122 711111111111113 811111111113113 911233021213024 1001133010113014 1111223021212124 1211133111113014 1301000000113005 1411111101113105 1511111101113115 1611111111113105

2 扼流適配變壓器故障診斷的規(guī)則約簡

2.1 粗糙集理論

粗糙集RS(Rough Set)理論是一種能有效的處理各種不完備信息的數(shù)學(xué)工具[6]，不用提前給其賦予某些定性或定量的特性來描述指定的方法模型，而是根據(jù)粗糙集理論本身的結(jié)構(gòu)和特點(diǎn)，直接利用所給問題本身的數(shù)據(jù)并結(jié)合其自身強(qiáng)大的自學(xué)習(xí)組織能力直接對樣本數(shù)據(jù)進(jìn)行分析和推理，挖掘出數(shù)據(jù)間隱含的一些潛在的邏輯和規(guī)則，從而提煉出有價值的信息，是一種簡化處理信息的方法[7]。

2.2 決策屬性分析

由于扼流適配變壓器自身結(jié)構(gòu)的復(fù)雜性，故對其工作模式只劃分了正常狀態(tài)和故障狀態(tài)。當(dāng)其發(fā)生故障時，首先要判斷故障發(fā)生的具體位置(是受電端還是送電端)，然后分析出故障原因(是牽引線圈故障或是適派器故障)，最后根據(jù)相應(yīng)的診斷結(jié)果進(jìn)行處理?，F(xiàn)設(shè)置了以下5種決策屬性：1) 正常狀態(tài)(其中包含0.06分路狀態(tài)和0.15分路狀態(tài)，記為1)；2) 受電端牽引線圈故障(記為2)；3) 送電端牽引線圈故障(記為3)；4) 受電端適配器故障(記為4)；5) 送電端適配器故障(記為5)。

2.3 相對屬性約簡

為了更加精確的提取故障診斷的關(guān)鍵特征值，用粗糙集理論設(shè)計相對屬性約簡算法，對表1的故障樣本數(shù)據(jù)進(jìn)行約簡[8]。

稱()為屬性集的不可分關(guān)系，可用R符號來表示。其中：為條件屬性集；為決策屬性集；為屬性的值域；為信息函數(shù)，是對象中屬性到值域的映射。

2) |{UGJ}()|=0,|{URG}()|=0, |{IRG}()| =1,…, |{UTL}()|=3, |{UTC}()|=3, Redu=Redu+TL={TL},=?{TL}={GJ,RG,RG,…,TS,TC}；

4) |{UTL, IRG, URL, URC, UTG, UGJ}()|=14,…,|{UTL, IRG, URL, URC, UTG, UGJ}()|=16, Redu=Redu+TL={TL,RG,RC,TG,TC},=?{TC}={GJ,RG,…,TS,TS}；

經(jīng)過上述一系列屬性約簡，得到最優(yōu)扼流適配變壓器故障診斷決策表，如表2所示，從表中可得知最終用于本設(shè)備故障診斷的關(guān)鍵特征值Redu= {RG,RL,RC,TG,TL,TC}。

表2 最優(yōu)扼流適配變壓器故障決策表

當(dāng)送受電端監(jiān)測物理量選取一致時，經(jīng)上述算法約簡得到的關(guān)鍵特征量作為狼群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的輸入的最優(yōu)結(jié)果。在Matlab仿真中對該算法進(jìn)行仿真處理，可得出結(jié)論：依據(jù)RG,RL,RC,TG,TL和TC這6種特征關(guān)鍵量作為診斷系統(tǒng)輸入，可辨別扼流適配變壓器所有的故障類型，滿足故障診斷的要求。

3 狼群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

3.1 BP神經(jīng)網(wǎng)絡(luò)擬合函數(shù)的原理

圖2中，[1,2,…, X]和[1,2,…,Y]分別表示BP神經(jīng)網(wǎng)絡(luò)的輸出層輸入量、輸出層的運(yùn)算值，w表示輸入層到隱含層的連接權(quán)值，b則表示BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)輸出閾值[9]。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

3.2 狼群優(yōu)化算法

狼群算法是從自然界狼群生活習(xí)性及其協(xié)作捕獵活動的基礎(chǔ)上提出的一種新的群體智能算 法[10]。算法的主體是模擬狼群分工協(xié)作的4個過程，即由狼群個體的游走、召喚、圍攻和食物分派。本算法中，游走行為體現(xiàn)了狼個體依據(jù)自身能力，對其當(dāng)前所在位置附近局部最優(yōu)值的搜尋；召喚行為體現(xiàn)了頭狼對整個狼群的決策領(lǐng)導(dǎo)能力[11]；圍攻行為狼群利用群體中最優(yōu)個體狼信息搜尋全局最優(yōu)值；而食物分派過程體現(xiàn)了狼群中按勞分配的機(jī)制，這樣就有效地保證了最優(yōu)個體狼的生命力，促使狼群多樣性從優(yōu)延續(xù)，這樣就從源頭上避免了算法陷入局部最優(yōu)解[12]；同時狼群算法的求解過程中，不管是從選擇的方法還是求截域上，都能夠較好地兼顧對解空間的全局尋優(yōu)和局部開發(fā)，從而使狼群算法最優(yōu)解的問題最終轉(zhuǎn)化為狼群位置確定的問題，更加明確地體現(xiàn)了狼群算法具有優(yōu)良的尋優(yōu)性能。

3.3 狼群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)步驟

狼群算法主要針對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，將狼群算法中的個體狼前后2次位置的變化與BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值建立對應(yīng)關(guān)系，編碼成種群中的狼個體[13]。將狼所感知獵物的最小氣味濃度值對應(yīng)的個體狼的位置，賦給BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值[14?15]。狼群中某個體狼的迭代尋優(yōu)，對應(yīng)著神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的更新，同時搜尋出最優(yōu)個體狼位置就可得網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值，從而達(dá)到優(yōu)化神經(jīng)網(wǎng)絡(luò)的目的。最后將樣本數(shù)據(jù)輸入優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。主要步驟如下。

1) 狼群初始化：設(shè)在維搜索空間中，人工狼數(shù)量為，個體狼最大迭代次數(shù)為max，最大游走次數(shù)為max，步長因子，距離判定因子，狼群更新比因子，探狼比因子為，其中第只人工狼的位置狀態(tài)為：

2) 確定氣味濃度函數(shù)。將函數(shù)的實(shí)際輸出值和預(yù)測值的差值作為人工狼感知的氣味濃度函數(shù)，計算公式為

式中：神經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)個數(shù)為；y和o分別表示第個節(jié)點(diǎn)的實(shí)際輸出值、預(yù)測輸出值。

通過目標(biāo)函數(shù)可計算出狼群中所有狼感知獵物氣味濃度，依據(jù)目標(biāo)函數(shù)值的大小，將狼群劃分為頭狼、探狼和猛狼。

5) 圍攻行為。以圍攻的獵物為中心按式(6)對狼群位置進(jìn)行更新。

式中：取[?1,1]間的自然數(shù)；stepc為圍攻步長。

6) 輸出全局最優(yōu)狼位置，與網(wǎng)絡(luò)權(quán)值和閾值建立映射關(guān)系；將最優(yōu)權(quán)值和閾值作為BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)優(yōu)化的參數(shù)，進(jìn)行故障診斷看能否滿足誤差要求。算法流程如圖3所示。

圖3 WPA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程圖

3.4 WPA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)故障診斷

WPA-BPNN模型中，經(jīng)過粗糙集對樣本數(shù)據(jù)處理，由表2可知輸入層神經(jīng)元的參數(shù)為6；輸出層神經(jīng)元的參數(shù)為5；經(jīng)過多次仿真比較，當(dāng)隱含層節(jié)點(diǎn)數(shù)為7時，神經(jīng)網(wǎng)絡(luò)對函數(shù)的擬合曲線效果最好，故WPA-BPNN中隱含層的節(jié)點(diǎn)個數(shù)取7；由此可得到WPA-BPNN模型結(jié)構(gòu)為6-7-5。

應(yīng)用Matlab實(shí)現(xiàn)WPA-BPNN訓(xùn)練仿真，設(shè)置BP神經(jīng)網(wǎng)絡(luò)的最小訓(xùn)練誤差平方和為0.000 1，訓(xùn)練次數(shù)的上限為100，初始學(xué)習(xí)速率為0.01，動量常數(shù)=0.92；現(xiàn)從侯馬電務(wù)段現(xiàn)場實(shí)際監(jiān)測的數(shù)據(jù)中隨機(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)，實(shí)驗(yàn)可得WPA優(yōu)化的神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置如下：狼群的種群數(shù)量=200，max=100，max=20，=4，=6，=500，=1 000。為驗(yàn)證此故障診斷設(shè)計的高效性，用余下的30組作為測試樣本數(shù)據(jù)，如表4所示。

表4 故障數(shù)據(jù)實(shí)例表

通過圖4對比可知，在100次內(nèi)的訓(xùn)練中，經(jīng)WPA優(yōu)化的神經(jīng)網(wǎng)絡(luò)相比原始神經(jīng)診斷網(wǎng)絡(luò)，速度及精度有了明顯的提高，滿足預(yù)期設(shè)定的目標(biāo)輸出；圖4(a)表示原始的網(wǎng)絡(luò)需86步學(xué)習(xí)訓(xùn)練后才能收斂，而圖4(b)顯示出經(jīng)WPA優(yōu)化的神經(jīng)網(wǎng)絡(luò)只需47步。仿真結(jié)果表明，WPA不僅優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)同時縮短了訓(xùn)練所需時間，使網(wǎng)絡(luò)的收斂速度更快，提高了故障診斷精度，充分顯示了其優(yōu)越性。

(a) 神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸出誤差曲線；(b) WPA優(yōu)化后的網(wǎng)絡(luò)訓(xùn)練輸出誤差曲線

4 結(jié)論

1) 針對扼流適配變壓器故障診斷，運(yùn)用粗糙集理論對其大量的現(xiàn)場故障樣本數(shù)據(jù)進(jìn)行預(yù)處理，提取特征值，使得輸入BP神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)的特征值數(shù)大大減少；引入狼群算法，利用狼群算法良好的全局搜索能力對神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)進(jìn)行優(yōu)化，從而避免了BP神經(jīng)網(wǎng)絡(luò)陷入局部極小值；最終構(gòu)建狼群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的WPA-BPNN故障診斷模型，提高了BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率及故障診斷準(zhǔn) 確率。

2) 通過現(xiàn)場實(shí)際數(shù)據(jù)仿真結(jié)果表明：本文設(shè)計的方法提高了扼流適配變壓器故障診斷精度，驗(yàn)證了其可行性和高效性，為更近一步研究鐵路扼流適配變壓器故障診斷可選擇性。

3) 構(gòu)建的WPA-BPNN故障診斷模型對扼流適配變壓器進(jìn)行故障診斷，有效地保證了鐵路基礎(chǔ)設(shè)備的安全性能，提高了鐵路運(yùn)營效率，是一種可行可靠的故障診斷方法。

[1] 季廣港, 武曉春. 扼流適配變壓器等效電路模型研究[J]. 制造業(yè)自動化, 2017, 39(8): 127?130.JI Guanggang, WU Xiaochun. Research on equivalent circuit model of choke adapter transformer[J]. Manu- facturing Automation, 2017, 39(8): 127?130.

[2] 王惠中, 夏雨婷, 喬林翰, 等. 關(guān)于電機(jī)故障診斷方法的優(yōu)化研究[J]. 計算機(jī)仿真, 2017, 34(6): 361?366.WANG Huizhong, XIA Yuting, QIAO Linhan, et al. Optimization studies of motor fault diagnosis method[J]. Computer Simulation, 2017, 34(6): 361?366.

[3] 張友鵬, 常高武, 趙斌. 基于SA算法的無絕緣軌道電路故障綜合檢測方法[J]. 鐵道學(xué)報, 2017, 39(4): 68?72.ZHANG Youpeng, CHANG Gaowu, ZHAO Bin. A comprehensive fault detection method for jointless track circuit based on SA algorithm[J]. Journal of the China Railway Society, 2017, 39(4): 68?72.

[4] 陳星, 董昱. 基于模糊認(rèn)知圖模型的軌道電路故障診斷[J]. 鐵道科學(xué)與工程學(xué)報, 2017, 14(9): 1983?1989.CHEN Xing, DONG Yu. Track circuit fault diagnosis based on fuzzy cognitive map model[J]. Journal of Railway Science and Engineering, 2017, 14(9): 1983?1989.

[5] 張楠喬, 楊世武, 徐宗奇, 等. 基于粗糙集和模糊推理的高鐵扼流適配變壓器故障診斷研究[J]. 鐵路計算機(jī)應(yīng)用, 2017, 28(4): 1?5.ZHANG Nanqiao, YANG Shiwu, XU Zongqi, el at. Fault diagnosis of choke adapter transformer based on rough set and fuzzy inference for high-speed railway[J]. Railway Computer Application, 2017, 28(4): 1?5.

[6] 陳覃霞, 劉盾, 梁德翠. 粗糙集理論和信息熵的AHP改進(jìn)方法[J]. 計算機(jī)科學(xué)與探索, 2018, 12(3): 484?493.CHEN Qinxia, LIU Dun, LIANG Decui. Improving AHP approach based on rough set theory and information entropy[J]. Journal of Frontiers of Computer Science & Technology, 2018, 12(3): 484?493.

[7] Ma M, Chakraborty M K.Covering-based rough sets and modal logics. Part II[J]. International Journal of Approximate Reasoning, 2018, 77(14): 55?65.

[8] JING S Y, LI G L, ZENG K, et al. Efficient parallel algorithm for computing rough set approximation on GPU[J]. Soft Computing, 2018(10): 1?17.

[9] 潘慶先, 董紅斌, 韓啟龍, 等. 一種基于BP神經(jīng)網(wǎng)絡(luò)的屬性重要性計算方法[J]. 中國科學(xué)技術(shù)大學(xué)學(xué)報, 2017(1): 18?25.PAN Qingxian, DONG Hongbin, HAN Qilong, et al. A method of attribute importance calculation based on BP neural network[J]. Journal of China University of Science and Technology, 2017(1): 18?25.

[10] 薛俊杰, 王瑛, 李浩, 等. 一種狼群智能算法及收斂性分析[J]. 控制與決策, 2016, 31(12): 2131?2139.XUE Junjie, WANG Ying, LI Hao, et al. A smart wolf pack algorithm and its convergence analysis[J]. Control and Decision, 2016, 31(12): 2131?2139.

[11] LI H, WU H. An oppositional wolf pack algorithm for parameter identification of the chaotic systems[J]. Optik- International Journal for Light and Electron Optics, 2016, 127(20): 9853?9864.

[12] ZHU Aijun, XU Xuanpei, LI Zhi. Hybridizing grey wolf optimization with differential evolution for global optimization and test scheduling for 3D stacked SoC[J]. Journal of Systems Engineering and Electronics, 2015, 26(2): 317?328.

[13] 顏學(xué)龍, 丁鵬, 馬峻. 基于狼群算法的RBF神經(jīng)網(wǎng)絡(luò)模擬電路故障診斷[J]. 計算機(jī)工程與應(yīng)用, 2017, 53(19): 152?156.YAN Xuelong, DING Peng, MA Jun. Analog circuit diagnosis based on wolf pack algorithm radical basis function network[J]. Computer Engineering and Applications, 2017, 53(19): 152?156.

[14] Komaki G M, Kayvanfar V. Grey wolf optimizer algorithm for the two-stage assembly flow shop scheduling problem with release time[J]. Journal of Computational Science, 2015(8): 109?120.

[15] 范斌, 劉輝, 汪繁榮, 等. 狼群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的電纜故障測距算法[J]. 云南大學(xué)學(xué)報, 2016, 38(6): 873?878.FAN Bin, LIU Hui, WANG Fanrong, el at. Cable fault location method based on wolf pack algorithm and BP network[J]. Journal of Yunnan University, 2016, 38(6): 873?878.

Fault diagnosis research for choke adaptor transformer based on WPA optimizing neural network

ZHENG Yunshui, LI Cheng

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

In order to solve the problem that the fault diagnosis model of the traditional railway Choke adaptor has the complex structure and the low precision, this paper used the WPA (Wolf Pack Algorithm), RS (Rough Sets) theory and neural network (NN) methods to do research on the fault diagnosis. The RS theory was used to reduce the fault sample data, the sample data monitoring and the number of key feature inputs; then the neural network was trained by using the reduced data. Finally, the parameters of BP neural network were optimized by wolves algorithm, and the WPA-BPNN fault diagnosis model was proposed. Fault data of Choke adaptor in Houma Railway Service Section was used as an example for verification. The results show that the WPA-BPNN fault diagnosis model simplifies the network structure compared to the traditional methods, shortens the training time, improves the fault diagnosis accuracy, and ensures train safety and efficient operation of the line.

choke adaptor; fault diagnosis; rough sets; wolf pack algorithm; neural network

10.19713/j.cnki.43?1423/u.2019.04.030

U224.2

A

1672 ? 7029(2019)04 ? 1067 ? 07

2018?05?18

國家自然科學(xué)基金資助項(xiàng)目(61763023)

鄭云水(1972?)，男，甘肅定西人，副教授，從事交通信息與工程研究；E?mail：1094006476@qq.com

(編輯 蔣學(xué)東)