基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)動(dòng)車組塞拉門故障預(yù)測(cè)與診斷*

馬潤(rùn) 秦云 歐紅香

(1.常州大學(xué)環(huán)境與安全工程學(xué)院 江蘇常州213164; 2.江蘇大學(xué)電氣信息與工程學(xué)院 江蘇鎮(zhèn)江 212013)

0 引言

近年來，隨著我國(guó)軌道交通產(chǎn)業(yè)的迅速發(fā)展，高速列車已經(jīng)成為人們出行搭乘的重要交通工具。目前，我國(guó)自主研制的標(biāo)準(zhǔn)動(dòng)車組均采用塞拉門系統(tǒng)。塞拉門系統(tǒng)的主要功能有：開關(guān)門控制功能、車門動(dòng)作警示功能、故障隔離功能、緊急開門功能、障礙檢測(cè)功能、牽引互鎖功能、零速保護(hù)功能、網(wǎng)絡(luò)通訊與故障功能、整列鎖車功能、首次上電自檢功能等。與其它類型的車門相比，塞拉門具有以下特點(diǎn)：①具有良好的密封性能；②平滑美觀且阻力??；③節(jié)約空間，由于塞拉門打開時(shí)，車門外擺并不占據(jù)車廂內(nèi)部空間[1]。但因高速列車運(yùn)行密度大，客流量密集，車輛車門頻繁開關(guān)使門系統(tǒng)各部件之間摩擦加大，極易損壞車門零部件，導(dǎo)致其性能下降，出現(xiàn)較高的故障率，甚至?xí)?duì)乘客人身安全造成威脅[2]。目前，塞拉門故障主要表現(xiàn)為故障部位查找困難，故障隱患難以排除，導(dǎo)致了塞拉門故障概率高，檢修周期長(zhǎng)，維修成本高的塞拉門維護(hù)工作現(xiàn)狀[3]。因此對(duì)動(dòng)車組塞拉門系統(tǒng)進(jìn)行故障安全預(yù)警和診斷具有十分重要的意義。

為實(shí)現(xiàn)對(duì)設(shè)備故障的有效預(yù)測(cè)，關(guān)于設(shè)備故障預(yù)測(cè)的方法也逐漸增多，主要包括回歸樹與時(shí)間序列、灰色系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、實(shí)時(shí)專家系統(tǒng)、粒子濾波器等[4]。隨著信息化時(shí)代的來臨，機(jī)器學(xué)習(xí)算法逐漸成為國(guó)內(nèi)外學(xué)術(shù)界的研究熱點(diǎn)，其中，人工神經(jīng)網(wǎng)絡(luò)算法(Artifical Neural Networks)和支持向量機(jī)(Support Vector Machine, SVM)在預(yù)測(cè)方法中運(yùn)用最多。REZA K K等[5]通過BP神經(jīng)網(wǎng)絡(luò)建立起了AISI1045鋼材疲勞壽命預(yù)測(cè)模型，得到了較好的預(yù)測(cè)結(jié)果。但由于BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值是隨機(jī)獲取的，容易陷入局部極小點(diǎn)的問題，往往需要對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化改進(jìn)。文獻(xiàn)[6]利用粒子群算法(Particle Swarm Optimization, PSO)優(yōu)化網(wǎng)絡(luò)權(quán)值和閾值，對(duì)電鍍金剛石套鉆使用壽命進(jìn)行預(yù)測(cè)，并證明了PSO-BP模型的預(yù)測(cè)精度較高于BP神經(jīng)網(wǎng)絡(luò)模型。除了人工神經(jīng)網(wǎng)絡(luò)以外，基于支持向量機(jī)(SVM)的預(yù)測(cè)方法也廣泛運(yùn)用于故障預(yù)測(cè)中。CHEN Z Z等[7]提出了基于相似理論與SVM的航空發(fā)動(dòng)機(jī)的剩余壽命預(yù)測(cè)模型，并用數(shù)據(jù)驗(yàn)證了該模型的有效性。GAO D等[8]提出了一種基于多項(xiàng)式核和徑向基核函數(shù)的新型多核SVM，運(yùn)用粒子群優(yōu)化算法搜索模型的核函數(shù)、懲罰因子和權(quán)值系數(shù)，將建立好的模型預(yù)測(cè)鋰電池的剩余使用壽命，從而達(dá)到預(yù)測(cè)故障的目的。

本文以塞拉門運(yùn)行退化趨勢(shì)為研究對(duì)象，針對(duì)開門時(shí)間均值和開門電流均值變化趨勢(shì)提出了一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)故障預(yù)測(cè)方法，用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，加快了算法收斂速度，克服了BP神經(jīng)網(wǎng)絡(luò)易陷入局部極小點(diǎn)的問題。運(yùn)用這種方法克服了傳統(tǒng)設(shè)備維修方式的局限性，采用一種基于狀態(tài)的維修方法在故障發(fā)生前進(jìn)行維修。

1 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)用于塞拉門開關(guān)門故障預(yù)測(cè)

1.1 預(yù)測(cè)模型的建立

以塞拉門開門過程為例，關(guān)門過程與開門過程相似，不做具體分析。實(shí)驗(yàn)平臺(tái)位于常州市某公司塞拉門生產(chǎn)車間?？紤]到正常運(yùn)行狀態(tài)下的塞拉門零部件失效退化需要經(jīng)歷較長(zhǎng)的時(shí)間，實(shí)驗(yàn)采用設(shè)備運(yùn)行狀態(tài)較差，有過故障記錄的塞拉門進(jìn)行加速疲勞實(shí)驗(yàn)。實(shí)驗(yàn)前期分別采集每次開門過程的時(shí)間和電流值，采集1 800次開門過程的時(shí)間和每次開門的電流值，并計(jì)算電流均值。以每20次開門次數(shù)模擬為1天內(nèi)的開門次數(shù)，所以共計(jì)模擬90天內(nèi)的開門電流均值和時(shí)間。以天數(shù)為單位，計(jì)算每天開門電流均值和開門時(shí)間均值。隨著時(shí)間的推移，開門過程時(shí)間和電流呈現(xiàn)逐漸退化的趨勢(shì)。針對(duì)開門過程的退化趨勢(shì)，取開門時(shí)間均值和開門電流均值兩類數(shù)據(jù)分別進(jìn)行預(yù)測(cè)。利用前20天的值預(yù)測(cè)第21天的值，也就是用編號(hào)為1～20的值預(yù)測(cè)編號(hào)為21的值，編號(hào)為2～21的值預(yù)測(cè)編號(hào)為22的值，前20天作為神經(jīng)網(wǎng)絡(luò)的輸入，第21天作為輸出。如此循環(huán)下去，總共形成70組數(shù)據(jù)組，將前60組作為訓(xùn)練數(shù)據(jù)組，后10組作為測(cè)試數(shù)據(jù)組。每預(yù)測(cè)1個(gè)值就在訓(xùn)練集里添加1個(gè)新值，并與測(cè)試集的真實(shí)數(shù)據(jù)比較，同時(shí)替換測(cè)試集里的真實(shí)值進(jìn)行第2次預(yù)測(cè)。部分?jǐn)?shù)據(jù)組如表1所示。

表1 部分開門時(shí)間訓(xùn)練數(shù)據(jù)組

為了能夠?qū)υO(shè)備提前做出故障預(yù)警，提出一種基于狀態(tài)的維修(Condition Based Maintenance, CBM)，也稱為視情維修?；跔顟B(tài)的維修是設(shè)備預(yù)測(cè)初始故障的主動(dòng)維修的一種形式。維修過程示意圖如圖1所示，其中P-F間隔期為“潛在故障—功能故障”間隔期。

圖1 基于狀態(tài)的維修過程示意

1.2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)程序設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)主要分為3個(gè)層次：輸入層、隱含層和輸出層。遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)是在原有的BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上對(duì)權(quán)值和閾值進(jìn)行全局優(yōu)化，選取最佳的權(quán)值和閾值，彌補(bǔ)了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法過于依賴初始權(quán)值以及閾值的短板[9]。

首先對(duì)BP神經(jīng)網(wǎng)絡(luò)程序結(jié)構(gòu)進(jìn)行設(shè)計(jì)。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)主要包括對(duì)層數(shù)以及每層神經(jīng)元數(shù)目的確定、對(duì)神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值的確定、對(duì)神經(jīng)元基函數(shù)的確定和對(duì)激活函數(shù)以及對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)定等。

主要流程設(shè)置如下：

(1)設(shè)置BP神經(jīng)網(wǎng)絡(luò)神經(jīng)層數(shù)為最簡(jiǎn)單的3層結(jié)構(gòu)，即輸入層、隱含層和輸出層。

(2)設(shè)置輸入層神經(jīng)元數(shù)目為20個(gè)，輸出層神經(jīng)元數(shù)目為1個(gè)。

(3)設(shè)置隱含層神經(jīng)元數(shù)目按常用的經(jīng)驗(yàn)公式判定，如式(1)所示：

(1)

式中，n為輸入層神經(jīng)元數(shù)目，此時(shí)值為20；m為輸出層神經(jīng)元數(shù)目，此時(shí)值為1；α為經(jīng)驗(yàn)公式中設(shè)置的[0,10]之間常數(shù)，此時(shí)設(shè)定值為6。得出隱含層的神經(jīng)元數(shù)目為10。

(4)對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理，轉(zhuǎn)換為[0,1]之間的值，計(jì)算公式如式(2)所示：

y=(x-min)/(max-min)

(2)

(5)設(shè)置神經(jīng)網(wǎng)絡(luò)初始權(quán)值都為[0,1]之間的隨機(jī)數(shù)。

(6)設(shè)置Tan-Sigmoid函數(shù)作為隱含層神經(jīng)元激活函數(shù)。程序采用MATLAB來編寫，主要程序流程如下：①導(dǎo)入樣本數(shù)據(jù)；②設(shè)置訓(xùn)練集和測(cè)試集；③建立BP神經(jīng)網(wǎng)絡(luò)；④設(shè)置網(wǎng)絡(luò)參數(shù)(迭代次數(shù)設(shè)置為100，目標(biāo)誤差為0.001，學(xué)習(xí)率為0.01)。

(7)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2所示：

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

由上述第三步可知，該神經(jīng)網(wǎng)絡(luò)輸入層、隱含層、輸出層的神經(jīng)元個(gè)數(shù)分別為20、10、1。根據(jù)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)可知，連接權(quán)值的個(gè)數(shù)為20×10+10×1=210，閾值的個(gè)數(shù)為10+1=11。因此，在本文所用的遺傳算法種群內(nèi)，個(gè)體編碼的長(zhǎng)度為210+11=221。

(8)初始化種群，設(shè)定種群規(guī)模為50。輸入層與隱含層之間的權(quán)值編碼為W1；隱含層和輸出層之間的權(quán)值編碼為W2；隱含層的閾值編碼為B1；輸出層的閾值編碼為B2。

(9)將每個(gè)個(gè)體所包含的權(quán)值和閾值代入神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算，比較所得到的實(shí)際輸出值與期望值之間的誤差，以誤差平方和最小作為判定權(quán)閾值最優(yōu)的依據(jù)。

(10)進(jìn)行迭代優(yōu)化，設(shè)定遺傳代數(shù)為100，每次迭代生成新的種群，再進(jìn)行遺傳交叉，遺傳變異，重復(fù)此類遺傳操作，當(dāng)滿足終止條件時(shí)運(yùn)算結(jié)束。

(11)將解碼后的最優(yōu)解賦值給神經(jīng)網(wǎng)絡(luò)，即實(shí)現(xiàn)了優(yōu)化過程。

(12)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行仿真預(yù)測(cè)。

2 仿真預(yù)測(cè)結(jié)果

將每次迭代更新后的輸入數(shù)據(jù)組輸入訓(xùn)練網(wǎng)絡(luò)，每次訓(xùn)練得到1個(gè)預(yù)測(cè)值，經(jīng)過10次迭代訓(xùn)練，共得到10個(gè)預(yù)測(cè)值并與真實(shí)值作比較。開門時(shí)間均值和開門電流均值的預(yù)測(cè)值與真實(shí)值如圖3、圖4所示。為了對(duì)該模型的預(yù)測(cè)精度進(jìn)行評(píng)估，本文采用相對(duì)誤差(RE)、誤差標(biāo)準(zhǔn)差(SD)對(duì)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)性能進(jìn)行評(píng)估。相對(duì)誤差越小表明預(yù)測(cè)結(jié)果越接近，標(biāo)準(zhǔn)差越小，表明預(yù)測(cè)效果更穩(wěn)定。其預(yù)測(cè)結(jié)果對(duì)比如表2所示。

圖3 開門時(shí)間均值預(yù)測(cè)結(jié)果

圖4 開門電流均值預(yù)測(cè)結(jié)果

表2 模型預(yù)測(cè)結(jié)果對(duì)比

由圖3、圖4可以看出，利用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)仿真預(yù)測(cè)結(jié)果與真實(shí)值接近，開門時(shí)間均值和開門電流均值相對(duì)誤差的標(biāo)準(zhǔn)差分別為0.003 9和0.008 5，且預(yù)測(cè)值的退化趨勢(shì)與真實(shí)值的退化趨勢(shì)一致。從表2可以看出模型預(yù)測(cè)出來的數(shù)據(jù)與真實(shí)值之間的相對(duì)誤差均在±2%以內(nèi)，驗(yàn)證了該模型的有效性。當(dāng)開門時(shí)間均值預(yù)測(cè)值和開門電流均值預(yù)測(cè)值分別達(dá)到了設(shè)定的標(biāo)準(zhǔn)閾值，即當(dāng)塞拉門退化趨勢(shì)達(dá)到所設(shè)定的預(yù)警范圍時(shí)，可提前采取故障安全預(yù)警，進(jìn)行潛在故障診斷措施，逐一排查可能存在的安全問題，提高塞拉門安全穩(wěn)定運(yùn)行的可靠度。

3 塞拉門開關(guān)門故障樹分析

3.1 故障樹建立

故障樹分析又稱事故樹分析，是系統(tǒng)安全工程中重要的分析方法之一。故障樹是一種倒立的樹狀邏輯因果關(guān)系圖，圖中不僅包含樹圖里的節(jié)點(diǎn)而且具有邏輯門符號(hào)[10]。它由頂事件以樹狀結(jié)構(gòu)不斷細(xì)分故障類型，一直細(xì)分至葉子節(jié)點(diǎn)(基本事件)為止，位于頂事件和基本事件之間的是中間事件[11]。

針對(duì)塞拉門開關(guān)門時(shí)間長(zhǎng)，開關(guān)門電流均值大的原因，建立基于故障樹的故障診斷方法。依據(jù)這種方法提前采取維修措施解決潛在故障點(diǎn)的存在。根據(jù)常州市某公司提供的塞拉門歷史故障記錄初步建立了塞拉門開關(guān)門故障樹，如圖5所示，塞拉門開關(guān)門故障的中間事件主要有三大類：電機(jī)故障、鎖裝置故障、開關(guān)門阻力過大，直接或間接引起這3個(gè)中間事件的共有3個(gè)中間事件和13個(gè)基本事件。

圖5 塞拉門開關(guān)門故障樹

3.2 結(jié)果

由于塞拉門各功能單元均沒有貯備單元，所以在進(jìn)行故障樹分析時(shí)，并沒有出現(xiàn)與門，在進(jìn)行邏輯算法時(shí)，只有邏輯加，沒有邏輯乘法，故車門開關(guān)門故障的布爾表達(dá)式如下所示。

根據(jù)某企業(yè)現(xiàn)有塞拉門故障資料，統(tǒng)計(jì)得到動(dòng)車組塞拉門開關(guān)門故障各基本事件的失效概率λi。在動(dòng)車組實(shí)際運(yùn)行過程中，每列車每天的運(yùn)行時(shí)間為12 h，因此在計(jì)算每個(gè)基本事件的發(fā)生概率時(shí)，取各元件的工作時(shí)間t為12 h。計(jì)算可得各基本事件的發(fā)生概率為F(i)=1-exp(-λit)，則基本事件的發(fā)生概率如表3所示。

表3 車門開關(guān)門故障基本事件發(fā)生概率P(Xi)

將基本事件發(fā)生概率輸入故障樹中?？傻霉收蠘渥钚「罴母怕手匾群完P(guān)鍵重要度，如表4所示。根據(jù)重要度分析，可得出機(jī)械鎖閉裝置卡滯(X5)、鎖閉裝置故障(X12)、解鎖開關(guān)信號(hào)延時(shí)(X3)的概率重要度和關(guān)鍵重要度均比其他組件要高，為影響塞拉門正常開關(guān)門可靠性的關(guān)鍵部件，因此在平時(shí)需加強(qiáng)對(duì)這些部件的維護(hù)和管理，可提高塞拉門運(yùn)行的可靠度。在進(jìn)行消除潛在故障的維修措施時(shí)，可依據(jù)關(guān)鍵重要度由大到小的順序逐一檢測(cè)排除，即可按照從X5→X12→X3→X2→X13→X11→X1→X7→X8→X9→X4→X6→X10的診斷順序進(jìn)行故障排除。從而有效提高故障檢測(cè)的效率，節(jié)約檢測(cè)成本，為維修人員提供參考和建議。

表4 車門開關(guān)門故障基本事件概率重要度、關(guān)鍵重要度

4 結(jié)論

本文提出基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法，針對(duì)塞拉門開關(guān)門潛在故障進(jìn)行提前預(yù)警，通過預(yù)測(cè)設(shè)備退化趨勢(shì)從而選擇恰當(dāng)?shù)念A(yù)防故障維修點(diǎn)，避免了功能故障點(diǎn)的發(fā)生。針對(duì)塞拉門故障診斷措施提出基于故障樹的故障診斷方法，以基本事件的關(guān)鍵重要度的大小為依據(jù)進(jìn)行故障診斷，提高了維修效率，節(jié)省了時(shí)間、節(jié)約了人力和財(cái)力，提高了動(dòng)車組塞拉門運(yùn)行的安全性，保障了乘客的乘車安全。