马润 秦云 欧红香

(1.常州大学环境与安全工程学院 江苏常州213164; 2.江苏大学电气信息与工程学院 江苏镇江 212013)

0 引言

近年来，随着我国轨道交通产业的迅速发展，高速列车已经成为人们出行搭乘的重要交通工具。目前，我国自主研制的标准动车组均采用塞拉门系统。塞拉门系统的主要功能有：开关门控制功能、车门动作警示功能、故障隔离功能、紧急开门功能、障碍检测功能、牵引互锁功能、零速保护功能、网络通讯与故障功能、整列锁车功能、首次上电自检功能等。与其它类型的车门相比，塞拉门具有以下特点：①具有良好的密封性能；②平滑美观且阻力小；③节约空间，由于塞拉门打开时，车门外摆并不占据车厢内部空间[1]。但因高速列车运行密度大，客流量密集，车辆车门频繁开关使门系统各部件之间摩擦加大，极易损坏车门零部件，导致其性能下降，出现较高的故障率，甚至会对乘客人身安全造成威胁[2]。目前，塞拉门故障主要表现为故障部位查找困难，故障隐患难以排除，导致了塞拉门故障概率高，检修周期长，维修成本高的塞拉门维护工作现状[3]。因此对动车组塞拉门系统进行故障安全预警和诊断具有十分重要的意义。

为实现对设备故障的有效预测，关于设备故障预测的方法也逐渐增多，主要包括回归树与时间序列、灰色系统、神经网络、模糊神经网络、实时专家系统、粒子滤波器等[4]。随着信息化时代的来临，机器学习算法逐渐成为国内外学术界的研究热点，其中，人工神经网络算法(Artifical Neural Networks)和支持向量机(Support Vector Machine, SVM)在预测方法中运用最多。REZA K K等[5]通过BP神经网络建立起了AISI1045钢材疲劳寿命预测模型，得到了较好的预测结果。但由于BP神经网络的初始权值和阈值是随机获取的，容易陷入局部极小点的问题，往往需要对BP神经网络进行优化改进。文献[6]利用粒子群算法(Particle Swarm Optimization, PSO)优化网络权值和阈值，对电镀金刚石套钻使用寿命进行预测，并证明了PSO-BP模型的预测精度较高于BP神经网络模型。除了人工神经网络以外，基于支持向量机(SVM)的预测方法也广泛运用于故障预测中。CHEN Z Z等[7]提出了基于相似理论与SVM的航空发动机的剩余寿命预测模型，并用数据验证了该模型的有效性。GAO D等[8]提出了一种基于多项式核和径向基核函数的新型多核SVM，运用粒子群优化算法搜索模型的核函数、惩罚因子和权值系数，将建立好的模型预测锂电池的剩余使用寿命，从而达到预测故障的目的。

本文以塞拉门运行退化趋势为研究对象，针对开门时间均值和开门电流均值变化趋势提出了一种基于遗传算法优化BP神经网络故障预测方法，用遗传算法优化BP神经网络的连接权值和阈值，加快了算法收敛速度，克服了BP神经网络易陷入局部极小点的问题。运用这种方法克服了传统设备维修方式的局限性，采用一种基于状态的维修方法在故障发生前进行维修。

1 遗传算法优化BP神经网络用于塞拉门开关门故障预测

1.1 预测模型的建立

以塞拉门开门过程为例，关门过程与开门过程相似，不做具体分析。实验平台位于常州市某公司塞拉门生产车间。考虑到正常运行状态下的塞拉门零部件失效退化需要经历较长的时间，实验采用设备运行状态较差，有过故障记录的塞拉门进行加速疲劳实验。实验前期分别采集每次开门过程的时间和电流值，采集1 800次开门过程的时间和每次开门的电流值，并计算电流均值。以每20次开门次数模拟为1天内的开门次数，所以共计模拟90天内的开门电流均值和时间。以天数为单位，计算每天开门电流均值和开门时间均值。随着时间的推移，开门过程时间和电流呈现逐渐退化的趋势。针对开门过程的退化趋势，取开门时间均值和开门电流均值两类数据分别进行预测。利用前20天的值预测第21天的值，也就是用编号为1～20的值预测编号为21的值，编号为2～21的值预测编号为22的值，前20天作为神经网络的输入，第21天作为输出。如此循环下去，总共形成70组数据组，将前60组作为训练数据组，后10组作为测试数据组。每预测1个值就在训练集里添加1个新值，并与测试集的真实数据比较，同时替换测试集里的真实值进行第2次预测。部分数据组如表1所示。

表1 部分开门时间训练数据组

为了能够对设备提前做出故障预警，提出一种基于状态的维修(Condition Based Maintenance, CBM)，也称为视情维修。基于状态的维修是设备预测初始故障的主动维修的一种形式。维修过程示意图如图1所示，其中P-F间隔期为“潜在故障—功能故障”间隔期。

图1 基于状态的维修过程示意

1.2 遗传算法优化BP神经网络结构程序设计

BP神经网络主要分为3个层次：输入层、隐含层和输出层。遗传算法优化的BP神经网络是在原有的BP神经网络基础上对权值和阈值进行全局优化，选取最佳的权值和阈值，弥补了传统BP神经网络算法过于依赖初始权值以及阈值的短板[9]。

首先对BP神经网络程序结构进行设计。BP神经网络结构设计主要包括对层数以及每层神经元数目的确定、对神经网络初始权值和阈值的确定、对神经元基函数的确定和对激活函数以及对神经网络训练参数设定等。

主要流程设置如下：

(1)设置BP神经网络神经层数为最简单的3层结构，即输入层、隐含层和输出层。

(2)设置输入层神经元数目为20个，输出层神经元数目为1个。

(3)设置隐含层神经元数目按常用的经验公式判定，如式(1)所示：

(1)

式中，n为输入层神经元数目，此时值为20；m为输出层神经元数目，此时值为1；α为经验公式中设置的[0,10]之间常数，此时设定值为6。得出隐含层的神经元数目为10。

(4)对原始数据进行归一化处理，转换为[0,1]之间的值，计算公式如式(2)所示：

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

(2)

(5)设置神经网络初始权值都为[0,1]之间的随机数。

(6)设置Tan-Sigmoid函数作为隐含层神经元激活函数。程序采用MATLAB来编写，主要程序流程如下：①导入样本数据；②设置训练集和测试集；③建立BP神经网络；④设置网络参数(迭代次数设置为100，目标误差为0.001，学习率为0.01)。

(7)遗传算法优化BP神经网络结构图如图2所示：

图2 神经网络结构

由上述第三步可知，该神经网络输入层、隐含层、输出层的神经元个数分别为20、10、1。根据神经网络的结构特点可知，连接权值的个数为20×10+10×1=210，阈值的个数为10+1=11。因此，在本文所用的遗传算法种群内，个体编码的长度为210+11=221。

(8)初始化种群，设定种群规模为50。输入层与隐含层之间的权值编码为W1；隐含层和输出层之间的权值编码为W2；隐含层的阈值编码为B1；输出层的阈值编码为B2。

(9)将每个个体所包含的权值和阈值代入神经网络进行计算，比较所得到的实际输出值与期望值之间的误差，以误差平方和最小作为判定权阈值最优的依据。

(10)进行迭代优化，设定遗传代数为100，每次迭代生成新的种群，再进行遗传交叉，遗传变异，重复此类遗传操作，当满足终止条件时运算结束。

(11)将解码后的最优解赋值给神经网络，即实现了优化过程。

(12)遗传算法优化BP神经网络模型进行仿真预测。

2 仿真预测结果

将每次迭代更新后的输入数据组输入训练网络，每次训练得到1个预测值，经过10次迭代训练，共得到10个预测值并与真实值作比较。开门时间均值和开门电流均值的预测值与真实值如图3、图4所示。为了对该模型的预测精度进行评估，本文采用相对误差(RE)、误差标准差(SD)对遗传算法优化BP神经网络模型的预测性能进行评估。相对误差越小表明预测结果越接近，标准差越小，表明预测效果更稳定。其预测结果对比如表2所示。

图3 开门时间均值预测结果

图4 开门电流均值预测结果

表2 模型预测结果对比

由图3、图4可以看出，利用遗传算法优化的BP神经网络仿真预测结果与真实值接近，开门时间均值和开门电流均值相对误差的标准差分别为0.003 9和0.008 5，且预测值的退化趋势与真实值的退化趋势一致。从表2可以看出模型预测出来的数据与真实值之间的相对误差均在±2%以内，验证了该模型的有效性。当开门时间均值预测值和开门电流均值预测值分别达到了设定的标准阈值，即当塞拉门退化趋势达到所设定的预警范围时，可提前采取故障安全预警，进行潜在故障诊断措施，逐一排查可能存在的安全问题，提高塞拉门安全稳定运行的可靠度。

3 塞拉门开关门故障树分析

3.1 故障树建立

故障树分析又称事故树分析，是系统安全工程中重要的分析方法之一。故障树是一种倒立的树状逻辑因果关系图，图中不仅包含树图里的节点而且具有逻辑门符号[10]。它由顶事件以树状结构不断细分故障类型，一直细分至叶子节点(基本事件)为止，位于顶事件和基本事件之间的是中间事件[11]。

针对塞拉门开关门时间长，开关门电流均值大的原因，建立基于故障树的故障诊断方法。依据这种方法提前采取维修措施解决潜在故障点的存在。根据常州市某公司提供的塞拉门历史故障记录初步建立了塞拉门开关门故障树，如图5所示，塞拉门开关门故障的中间事件主要有三大类：电机故障、锁装置故障、开关门阻力过大，直接或间接引起这3个中间事件的共有3个中间事件和13个基本事件。

图5 塞拉门开关门故障树

3.2 结果

由于塞拉门各功能单元均没有贮备单元，所以在进行故障树分析时，并没有出现与门，在进行逻辑算法时，只有逻辑加，没有逻辑乘法，故车门开关门故障的布尔表达式如下所示。

根据某企业现有塞拉门故障资料，统计得到动车组塞拉门开关门故障各基本事件的失效概率λi。在动车组实际运行过程中，每列车每天的运行时间为12 h，因此在计算每个基本事件的发生概率时，取各元件的工作时间t为12 h。计算可得各基本事件的发生概率为F(i)=1-exp(-λit)，则基本事件的发生概率如表3所示。

表3 车门开关门故障基本事件发生概率P(Xi)

将基本事件发生概率输入故障树中。可得故障树最小割集的概率重要度和关键重要度，如表4所示。根据重要度分析，可得出机械锁闭装置卡滞(X5)、锁闭装置故障(X12)、解锁开关信号延时(X3)的概率重要度和关键重要度均比其他组件要高，为影响塞拉门正常开关门可靠性的关键部件，因此在平时需加强对这些部件的维护和管理，可提高塞拉门运行的可靠度。在进行消除潜在故障的维修措施时，可依据关键重要度由大到小的顺序逐一检测排除，即可按照从X5→X12→X3→X2→X13→X11→X1→X7→X8→X9→X4→X6→X10的诊断顺序进行故障排除。从而有效提高故障检测的效率，节约检测成本，为维修人员提供参考和建议。

表4 车门开关门故障基本事件概率重要度、关键重要度

4 结论

本文提出基于遗传算法优化BP神经网络的预测方法，针对塞拉门开关门潜在故障进行提前预警，通过预测设备退化趋势从而选择恰当的预防故障维修点，避免了功能故障点的发生。针对塞拉门故障诊断措施提出基于故障树的故障诊断方法，以基本事件的关键重要度的大小为依据进行故障诊断，提高了维修效率，节省了时间、节约了人力和财力，提高了动车组塞拉门运行的安全性，保障了乘客的乘车安全。