吕洪武, 赵 航, 王宏志, 胡黄水

(1.长春工业大学 计算机科学与工程学院, 长春 130012; 2.吉林建筑科技学院 计算机科学与工程学院, 长春 130114)

多功能车辆总线(multifunction vehicle bus, MVB)是列车通信网络的重要组成部分, 主要用于列车车辆间及车辆内控制设备间的数据通信[1], 其工作是否正常对列车的安全运行有重要影响, 因此对MVB总线故障的在线监测与准确诊断十分必要[2].目前这方面的研究主要关注故障注入及故障诊断方法等, 以提高MVB可靠性.故障注入技术具有控制灵活、 价格低廉等优点, 通过挂载的故障注入设备可产生各种故障项模拟MVB总线故障.仲康正等[3]利用故障注入技术将MVB故障分为电气层、 物理层和协议层, 并给出了MVB总线故障注入部分驱动程序; 石君友等[4]设计了用于MVB的故障注入设备, 并对设备各模块进行了分析.随着轨道车辆向大型化、 复杂化方向的发展, 雷亚国等[5]基于大数据从MVB信号获取、 特征提取以及故障识别与预测等环节展开了研究; 刘艳等[6]提出了一种自组织映射SOM(self-organization map)的轨道车辆真空断路器故障诊断方法, 但该方法仅适用于小样本训练, 对大量数据难以进行准确诊断; 文献[7]提出了一种应用聚类算法分析调试数据的MVB网络故障诊断方法, MVB网卡采集的原始故障数据经聚类算法分析, 进行故障的分类储存, 形成案例库与故障案例库; 文献[8]提出了一种基于主成分分析和支持向量机的故障诊断方法, 经主成分分析简化系统模型结构并提高学习速率, 但支持向量机方法对多分类能力存在不足, 训练大规模网络故障样本会耗费大量机器内存和运算时间; 文献[9]提出了一种基于聚类算法与主成分分析方法的改进传感器网络故障诊断和估算方法, 但传感器网络故障诊断的准确率与诊断速度难以保证.

人工神经网络采用分布式存贮和并行处理的方式, 具有极强的容错性、 健壮性和大规模并行处理能力, 因此人工神经网络技术越来越多地应用于故障在线检测和实时故障诊断中.谢宏等[10]采用遗传算法对BP(back propagation)神经网络结构和参数优化, 将由小波提取的电路故障状态特征输入到遗传算法优化的BPNN(back propagation neural network)故障诊断系统; 文献[11]针对转台故障类型的多样性和复杂性, 设计了转台的粗糙神经网络故障诊断系统.但BP神经网络与粗糙神经网络在训练样本较大时计算量大, 收敛能力较弱.文献[12]针对旋转机械故障特征需要专家经验及故障复杂的问题, 提出了一种多卷积层和多池化层的一维深度卷积神经网络的故障诊断模型, 但卷积神经网络全连接模式过于冗余且低效, 浪费了大量资源.

为了提高MVB网络故障诊断模型的拟合能力和诊断准确率, 本文提出一种融合减法聚类算法和T-S模糊神经网络的MVB网络故障诊断方法.首先根据MVB网络故障类型给出MVB网络故障诊断模型, 然后采用减法聚类算法生成模糊规则, 最后应用T-S模糊神经网络推理得出故障类型.

1 故障诊断算法设计

MVB待诊断模式共有5种[3-5]: 线路故障、 设备故障、 中继器故障、 非物理故障和正常工作, 其模型可表示为非线性方程：

y=f(BERi,Ni,ΔTPi,PLRi,ΔAi,Δti),

(1)

其中：BERi为总线误码率；Ni为错误计数; ΔTPi为网络帧周期变化；PLRi为丢包率；ΔAi为中继器电平幅值超常量；Δti为中继器电平幅值超常时间；y为故障诊断结果输出.

1.1 模糊规则

为了确定优化的模糊规则数量, 采用减法聚类实现对输入空间非线性划分, 从而找到聚类中心, 再根据聚类中心个数确定模糊规则数以及隶属函数特性, 最终得到初始模糊神经网络.

由式(1)构建如下数据样本点集合矩阵：

(2)

其中前6列为各输入变量的离散值, 第7列为系统输出,i=1,2,…,n,j=1,2,…,6.求解步骤如下：

1)首先假设每个点都为聚类中心, 根据欧氏距离指标, 计算样本点Xi={xi1,xi2,…,xi6}的密度指标为

(3)

选取密度指标最高的样本点xc1为第一个聚类中心, 其中ra为聚类半径, 表示该样本点的邻域范围, 不在该范围的样本对该样本点的密度指标基本无影响.

2)设xcm为第m次求得的聚类中心, 且其密度指标为Dcm, 修正除该样本点外的其他样本点的密度指标为

(4)

选出密度指标最高的数据点作为新的聚类中心.由于靠近第m个聚类中心的样本点不可能成为聚类中心, 于是rb通常取1.25ra～1.5ra, 从而定义一个密度指标显著减小的邻域.

3)重复上述过程, 并判断

(5)

是否成立.如果不成立, 则转步骤2)；否则退出.参数0<δ<1, 用于确定产生的初始聚类数,δ越小, 产生的聚类数越多, 反之越少.ra,rb越大, 产生的聚类数越少, 反之则产生的聚类数越多.

1.2 模糊神经网络推理过程

T-S模糊神经网络具有较强的数据处理能力和自学习能力, 由前件网络和后件网络组成, T-S模糊神经网络采用形如“if-then”的规则进行推理, 表示为

(6)

图1 T-S模糊神经网络框架

前件网络中的隶属度函数选用高斯函数类型, 适用度计算选择相乘运算原则：前件网络的第一层为输入层, 与输入向量xj连接, 输入节点与输入向量的维数相同, 网络输入量x为

x=(x1,x2,x3,x4,x5,x6),

(7)

其中：x1,x2,x3,x4,x5,x6分别为网络的6个输入向量, 输入节点的作用是将输入向量的各分量传递到下一层.前件网络的第二层为模糊化层, 采用高斯型隶属度函数对各输入值进行模糊化, 得到各输入对模糊子集的隶属度：

(8)

(9)

(10)

后件网络的首层为输入层, 其将输入变量和常数项传递至第二层, 第0个节点x0的输入值设为常数1, 为模糊规则后件提供常数项, 其余输入与前件网络类似.后件网络的第二层也称为中间层, 其根据模糊规则计算中间层节点输出yj, 表示为

(11)

后件网络的第三层即为输出层, 将前件网络的输出作为后件网络中间层和输出层间的连接权值, 并计算整个系统的输出y, 即

(12)

2 仿真分析

为了评估系统模型的性能, 本文应用MATLAB仿真工具建立基于T-S模糊神经网络的故障诊断系统模型, 注入该故障状态下和正常状态下的数据共400组.提取350组数据作为减法聚类模糊神经网络的训练数据, 取50组数据作为检验数据.算法模型分为两个阶段, 首先通过减法聚类确定模糊规则数, 然后T-S模糊神经网络算法应用经过减法聚类提取的模糊规则, 对故障诊断模型的准确率及运行时间影响进行分析.

图2 MVB网络故障诊断模型输出误差

图2为MVB网络故障诊断模型输出误差.故障类型1为正常工况, 故障类型2为线路故障, 故障类型3为设备故障, 故障类型4为中继器故障, 故障类型5为非物理故障.将检验数据作为输入代入已训练好的基于减法聚类和T-S模糊神经网络的故障诊断模型中, 对比迭代次数为100次诊断模型的系统输出与实际输出.由图2可见, 只有一个样本故障类型判断错误, 并且中继器故障概率比其他故障类型更高, 严重时会影响信号质量和传输速度.

图3为MVB网络故障诊断模型的准确率随迭代次数变化曲线.由图3可见, MVB故障诊断系统的收敛曲线经过最初迭代后不断攀升, 表明MVB故障诊断系统在不断更新最优参数, 当迭代次数达150次后, MVB网络故障诊断系统的准确率整体趋势变化较缓, 准确率均值约为97%, 满足MVB故障诊断的精度要求.图4为MVB故障诊断模型的故障类型与网络运行时间的关系曲线.由图4可见, 非物理故障类型出现较少, MVB运行初期故障类型多为中继器故障, 网络运行中后期多因设备老旧及线路磨损等因素, 从而出现设备故障类型和线路故障类型.

图3 MVB网络故障诊断模型准确率

图4 MVB网络运行时间与故障类型关系曲线

综上所述, 本文通过分类分析MVB故障, 建立输入信号与故障类型的对应关系, 提出了一种基于模糊神经网络的MVB网络故障诊断算法.为减少模糊神经规则数量, 应用减法聚类简化模型, 结合T-S型模糊神经网络结构和功能的分析, 将定性故障诊断转变为定量故障诊断, 从而提高了MVB故障诊断准确率.仿真结果表明, 基于模糊神经网络的MVB故障诊断算法, 在拟合能力与诊断准确率等方面均有提升, 能有效对MVB网络故障进行诊断.