宋 云朱明年

（1.广州地下铁道总公司运营事业总部，510150，广州；2.上海自仪泰雷兹交通自动化系统有限公司，201206，上海∥第一作者，工程师）

基于神经网络的地铁列车速度传感器故障诊断方法

宋 云1朱明年2

（1.广州地下铁道总公司运营事业总部，510150，广州；2.上海自仪泰雷兹交通自动化系统有限公司，201206，上海∥第一作者，工程师）

为了改善城市轨道交通列车设备安装空间和确保列车运行安全，提出一种基于径向基神经网络的双通道速度传感器在线故障检测诊断方法。通过建立双通道速度传感器神经网络故障检测模型，提出3种故障检测策略，并且对模型进行调试试验。试验结果表明所提出的方法能够准确检测传感器故障，为地铁列车提出一种新的故障检测方法。

地铁列车；径向基函数；双通道速度传感器；神经网络

First-author'saddressGMC Metro operation Department，510150，Guangzhou，China

城市轨道交通的信号系统是保障行车安全、提高运输能力的关键技术装备。在轨道交通信号系统中以列车速度作为衡量系统发展阶段，大致分为三个发展阶段，从采用阶梯式速度控制的模拟轨道电路，经历采用一次模式曲线式安全防护的数字轨道电路的ATC（列车运行自动控制）系统，发展到通过安全数据传输，将前行列车的位置信息安全传递给后续列车，可实现一次模式曲线式安全防护，并且其防护点能够随前车移动而实时更新，有利于进一步缩小行车间隔提高运输效率的基于通信的列车运行控制系统。因此，列车速度是衡量轨道交通安全及运行状态的重要参数。

双通道速度传感器是列车测量速度重要设备，系统利用其对列车的速度及其运行方向进行判断，并且系统利用其参数对列车整体测控系统进行精确控制。在这一过程中，双通道速度传感器的输出信息是否准确直接影响地铁列车运行状态和安全［1］。由于地铁列车的运行环境比较恶劣，运行过程中的列车强烈的振动及周边器械的电磁干扰等因素的存在，对传感器软、硬件的干扰非常严重，会造成传感器的输出信号发生故障，传感器输出故障信号将导致列车的控制系统分析、处理和控制功能发生紊乱，造成系统无法正常的运行，严重威胁到列车运行安全问题，带来无法估计的安全隐患和严重后果［2］。因此，双通道速度传感器故障诊断方法的研究对保证列车的安全具有重要的意义。

目前，工程中对速度传感器的故障诊断技术主要有试验对比法和测试经验法两种方法。试验对比法具有不依赖传统经验，可行性高，检测速度快的优点；但也带来试验平台搭建繁琐，建造成本过高的弊端［3-4］。测试经验法以检测波形为依据，通过传统经验判断故障原因，减少试验成本，但对于操作者提出很高的技术要求，由于运行环境复杂带来的判断误差将对故障诊断结果产生很大的影响。

近些年来，人工神经网络已广泛用于传感器故障诊断中，其中径向基神经网络的逼近能力，分类能力和学习速度优于其他的神经网络［5-6］，本文采用径向基神经网络构成双通道速度传感器输出预测器。

1 地铁列车传感器诊断系统的建立

对地铁车辆运行状态进行实时性检测，并且建立了硬件冗余故障检测系统，用于保证列车运行状

态的正确性。硬件冗余故障检测系统具有检测速度快、不依赖系统数学模型的特点，但是也存在建设成本高、不能准确检测出某个传感器发生故障和硬件系统复杂等缺点。当列车运行途中某传感器发生故障以后，硬件冗余故障检测系统将使列车立即停车，将给维修带来很大的困难。

本文建立人工智能神经网络传感器故障检测法对列车传感器状态进行检测，与传统的列车硬件冗余检测系统相比，此系统具有以下优点：①能够实时检测传感器状态，判断其使用状况是否完好；②当某传感器发生故障以后，能够准确判读出故障传感器的位置，便于维修；③为了列车进站维修方便，人工智能神经网络能够通过训练学习，提供此传感器补偿信号（即正常信号）给列车监控系统，确保列车能够运行到检修地点。

人工智能神经网络传感器故障检测系统是一种闭环的控制系统，其中神经网络用于估计传感器的输出值，在传感器故障诊断模块中，传感器的输出值和神经网络的输出值进行比较，如果差值超过了某个阀值θ，就认为传感器发生了故障，然后用神经网络的输出值代替传感器的输出进入控制器，神经网络由一个主网和n个子网组成，n个子网对应于n个需要进行故障诊断的传感器［7］。主网的输入是所有n个传感器t-1，t-2…t-p时刻的输出值，主网的输出是t时刻传感器输出的估计值。子网的输入是除了该子网对应的传感器以外的其他所用传感器t-1，t-2…t-p时刻的输出，子网的输出是该子网对应传感器t时刻的估计值［8］。首先，训练主网和各子网使神经网络的输出和系统的输出尽量接近。然后就可以进行传感器故障的检测，分离和补偿，图1为故障诊断系统原理图。本文以建立地铁列车对双通道速度传感器的智能神经系统故障诊断过程进行详细的介绍。

2 神经网络故障诊断检测模型建立

2.1 神经网络故障诊断系统原理

由于城轨交通是穿行于城市中的一条快捷的交通工具，并且具有站与站之间距离短的特点，因此速度参数是城轨列车在运行中监控的重要参数。传统上，地铁列车采用3个速度传感器来检测列车运行速度，即所谓的硬件冗余检测法。为了节省地铁列车设备安装空间及实现列车的全面智能化，本文搭建了地铁列车速度传感器人工智能神经网络监测系统，采用一个双通道速度传感器，将其采集的双通道数据经过神经网络测试单元进行处理，其测试原理如图2所示。

图1 地铁列车人工智能神经网络故障检测系统模型

图2 双通道速度传感器神经网络预测器模型

图2 中指出速度传感器采集的数据分别进入两个基于径向基函数的神经网络预测器中，假设两通道能够正常工作，将通道1前k个时刻的输出数据x11～x1k和通道2前k个时刻的输出数据x21～x2k通过采样获得进行保存，分别作为两通道传感器神经网络预测器的初始学习样本数据，因此，两个神经网络预测器经过在线训练后开始工作。因为两个预测器的工作原理相同，下面以神经网络预测器为例说明其工作原理，预测器结构如图3所示。

图3 单神经元网络模型

神经网络的模型是由多个神经元相互连接而成的一个多层机构网络，它们一般主要由输入层、隐含层和输出层三个部分组成［9-10］。输入层是用于接

受速度传感器通道输入的x11，x12，x13，x14，…，x1k前k个数据节点的值，作为神经网络第一组训练样本；隐含层是由多个神经元构成，并且隐含层节点个数的多少对神经网络的精确度和鲁棒性有很大的影响，它是由图中非线性激励函数构成，也即神经元的输入到输出的映射函数f（x），其非线性可用阀值法、分段线性型和连续型激发函数构成，本系统中采用阀值型非线性激励函数［11］，形式为：

其中公式范围值是根据速度型号而定，x代表实际输入值。图3中w1，w2，…，wn称为权值，表达了输入信号对该神经元的贡献及作用的大小，阀值θ与激励函数f（x）共同控制输入信号对输出信号的激活特性，将可能无限域的输入变换为指定范围内的输出。单神经元输入/输出关系用数学表达式描述如下：

2.2 故障诊断策略

取速度传感器的前k个输出数据x11，x12，x13，x14，…，x1k作为径向量神经网络预测器1的输入，x1k作为径向量神经网络预测器1的输出，组成第一组训练样本，x1（k+2）作为径向量神经网络预测器1输出，组成第二组训练样本，即训练样本表示为：

若θ1大于阀值θ，则认为此时通道1不正常工作，依次类推，径向量神经网络预测器一边不断在线学习新的样本，一边对传感器下一时刻输出值进行预测。

诊断决策模块对两通道神经网络预测器的输出预测值及两通道速度传感器的输出实际值进行综合诊断决策：

（1）若θ1、θ2都小于给定某一阀值θ，则输出两通道传感器激励函数设定值。

3 系统试验结果

系统利用MATLAB的神经网络工具箱，在C语言环境下对神经网络预测器进行设计，通过搭建的列车双通道速度传感器检测硬件试验平台，将传感器两通道数据送入到建立好的神经网络预测器中进行试验。并且分别得到丢波、畸变和相位角发生错位3种故障模式。

径向量神经网络的训练样本采用双速度传感器正常工作时的采样数据，图4为系统采集试验平台中传感器得到的训练数据与真实数据相对比，采集

数据量为2 000个点，从图4中可以看出，训练数据绘制成的曲线近似平稳，无太大波动，这是由于在采集的数据处理过程中，此算法具有滤波的作用；并且采集的数据与系统速度传感器采集的数据相比，在同一时刻，所产生的数据误差在0.2 V以内（见图4），处于系统误差允许范围内，可以认定数据具有可靠性。在采集的数据中存在波动，出现的原因可能由于齿轮转动过程中存在波动和采集系统受到外界电磁波或其他信号的骚扰造成的，解决的主要办法是加强系统的屏蔽效果。

图4 系统训练后数据与真实值对比图

图5 为系统通过数据处理后，仿真出双速度传感器正常处理波形状态，判断速度传感器各个故障模式波形对应于图6～图8，出现各故障采用的策略如2.2节中后半部分介绍。

图5 正常脉冲波形

图6 为传感器输出故障信号。该故障为缺失波形，缺失点出现在采样点800左右。这时神经网络预测器预测波形如图5正常波形，故障波形与理论波形不一致，根据判断策略将判断为传感器故障。图7为传感器输出畸变信号故障，则这时波形将产生畸变。为了防止白噪声的干扰，神经网络控制器将会采用前一节介绍到的决策（2），验证是否为传感器故障。若输出值仍然为畸变信号，将判断为传感器故障。图8为相位角错位，经过采集双通道输入，得到其在相同时基条件下的数据，采用前一节中的决策3判断传感器是否故障。

图6 丢失波形故障

图7 畸变波形故障

图8 相位角误差故障

4 结语

本文通过建立径向基函数智能神经网络预测器，对地铁列车双速度传感器故障诊断系统进行检测。以地铁列车测控系统速度传感器的输出参数作为其神经网络的输入，采用阀值类算法建立传感器径向基神经网络观测器模型对测控系统传感器进行故障诊断；并且经过测试实验表明径向基神经网络具有很强的非线性处理逼近能力，网络运算速度快［12］，能够准确发现和处理故障信号，性能稳定，改善了列车设备安装空间有限及其维修困难的状况。

因此，径向基神经网络故障诊断系统为地铁列车实现自动控制及其改善列车运行环境提供了一种适当的方法。

［1］ Benaicha S，Nait-Said R，Zidani F，et al.Fuzzy fault tolerant control of an induction motor［J］.International Journal of Modeling，Identification and Control，2008，4（2）：160.

［2］ 吴建，张志杰，王文廉.传感器动态误差高速并行修正方法及其FPGA实现［J］.传感器技术学报，2012，25（1）：651.

［3］ 郝涛，唐永哲，任玉清.BP神经网络在飞控系统传感器故障诊断中的应用［J］.计算机测量与控制，2008，16（5）：613.

［4］ 张娅玲，陈伟民.传感器故障诊断技术概述［J］.传感器与微系统，2009，28（1）：4.

［5］ Christopher D，Gadda S M.Generating diagnostic residuals for steer by wire vehicle［J］.IEEE Transactions on Control Systems Technology，2007，15（3）：529.

［6］ 徐向华，周彪，万健.多传感器网络中的分布式故障检测算法［J］.传感技术学报，2010，23（4）：350.

［7］ Anwar S，Lel C.An analytical redundancy—based on fault detection and isolation algorithm for a road-wheel control subsystem in a steer-by-wire system［J］.IEEE Transactions on Vehicular Technology，2007，56（5）：2859.

［8］ 张守桂，王正兵.基于小波变换的传感器故障诊断仿真研究［J］.机械管理开发，2009，24（3）：7.

［9］ 朱晓娟.飞行控制系统多传感器信息融合技术研究［D］.南京：南京航空航天大学，2008.

［10］ 房方，魏乐.传感器故障的神经网络信息融合诊断方法［J］.传感技术学报，2000，13（4）：272.

［11］ 韩逸飞，何琳.径向量神经网络在传感器故障诊断中的应用研究［J］.船舶电子工程2008，28（9）：16.

Subway Sensor Fault Diagnosis Based on Radial Neural Network

Song Yun，Zhu Mingnian

In order to improve the installation space of onboard equipment and ensure the safe operation of urban rail trains，an on-line fault detection diagnosis method of twochannel speed sensor based on radial basis function（RBF）neural network is presented.Through establishing a fault detection model of two-channel speed sensor neural network，three kinds of fault detectionmethod are put forward，by which the model is adguste and tested.The result shows that the proposed method can accurately detect the sensor fault and provide a new testing method of fault detectionin subway trains.

subway train；radial basis function；two-channel speed sensor；neural network

U 284.47

2013-07-12）