基于多域特征提取与改进PSO-PNN的道岔故障诊断

2020-07-13孔令刚焦相萌陈光武范多旺

铁道科学与工程学报 2020年6期

孔令刚，焦相萌，陈光武，范多旺

孔令刚3，焦相萌1, 2，陈光武1, 2，范多旺1, 2

(1. 兰州交通大学自动控制研究所，甘肃兰州 730070；2. 甘肃省高原交通信息工程及控制重点实验室，甘肃兰州 7300703；3. 兰州交通大学国家绿色镀膜技术与装备工程技术研究中心，甘肃兰州 730070)

针对S700K常见的8种故障模式和正常模式所对应功率曲线，提出一种基于概率神经网络(PNN)与改进的粒子群算法(PSO)相结合的道岔故障诊断方法。首先，在9种功率曲线上分别提取时域、频域特征统计量和时频域小波系数，并用主成分分析法降维每个域的特征量，得到特征向量；其次，以3个改进的PSO-PNN做分类器，并对分类器进行训练和预测；最后，3个分类器的预测结果做三取二表决。仿真结果表明：该方法能有效提高道岔故障诊断的准确率，具有良好的容错性。

道岔故障诊断；S700K转辙机；概率神经网络；粒子群算法；三取二表决

随着我国高速铁路持续提升运营速度和增加运营里程，道岔的应用数量也伴随着增加。而目前现场主要依靠微机监测系统实现对道岔工作状态的监测，依靠相关铁路职工分析微机监测系统采集的电流或者功率曲线，以实现对道岔故障类型的判断。这种方法既增加劳动强度，又存在时延和低准确率等缺点。为顺应铁路领域故障诊断智能化和自动化的发展趋势，不少国内外专家与学者对道岔智能故障诊断进行研究。钟志旺等[1]提出基于支持向量机的故障诊断方法，但该方法每次只能两两分类，且耗时长。赵林海等[2]应用灰关联方法，该方法无需训练，不足之处是主观性强和难确定最优值。董炜等[3]提出群决策的方法，该方法融合多专家意见，提高准确率，不足之处是算法复杂，实现困难。董海鹰等[4]提出基于D-S证据理论的故障诊断方法，不足之处是缺乏自学习能力。翟永强[5]提出贝叶斯网络的方法，该方法优点是能对各种故障信息进行处理且诊断效率高，不足之处是可行先验概率的确定非常困难。针对以上各方法不足，笔者提出一种基于改进PSO-PNN的道岔故障诊断方法。概率神经网络(PNN)具备一系列优点，如分类能力强、收敛速度快和不存在陷入局部最优；缺点是：在样本有限的情况下，难以找出能体现整个故障空间的平滑因子。故本文使用改进的粒子群算法搜寻平滑因子的最优值。本文主要工作：首先，在9种功率曲线上提取时域、频域特征统计量和时频域特征小波系数，并用主成分分析法降维每个域的特征量，得到特征向量；其次，以3个改进的PSO- PNN做分类器，并使用分类器进行训练和预测；最后，3个分类器的取整预测结果做三取二表决。仿真结果表明，改进后的故障诊断系统，具有更高的诊断准确率和良好的容错性。

1 S700K转辙机

S700K转辙机是高速铁路和提速段常用的交流式转辙机。由现场可知：不仅转辙机输出拉力可反映道岔工作状态(是否故障)，而且转辙机输出功率也可反映道岔工作状态。另外，不同类型转辙机的输出功率规律相似，即S700K转辙机具有一定的代表性。

1.1 S700K正常工作状态

S700K转辙机正常运行的功率曲线如图1所示。图中包括5个阶段：依次为启动、解锁、转换、锁闭和构通表示。启动时，转辙机输出较大功率，图中出现较大的峰值；之后进入解锁、转换、锁闭阶段，输出功率相对稳定，保持在0.5 kW左右；锁闭阶段结束后，切断道岔控制电路电源，接通表示电路，此时，输出功率下降至0.2 kW左右(“小尾巴”)；道岔位置表示后，切断表示电路，功率变为0 kW。

图1 S700K正常运行的功率曲线

表1 道岔常见故障现象及原因

1.2 S700K故障工作状态

通过现场调查和查阅资料，目前高速铁路上的道岔主要有8种故障模式[2]。道岔常见故障现象及原因如表1所示。各故障分别标记为{G1,G2,G3,G4, G5,G6,G7,G8}，正常状态的“故障号”标记为{G0}。分别在9种功率曲线上抽取350个数据点(0~7 s内，抽取时间间隔为0.02 s)，得到图2。如图2所示，将功率曲线分成5段，各段采样点的数目分别为{50,50,100,50,100}，各段分别记作为{,,,,}。

(a) 故障类型1；(b) 故障类型2；(c) 故障类型3；(d) 故障类型4；(e) 故障类型5；(f) 故障类型6；(g) 故障类型7；(h) 故障类型8

2 特征提取与降维

本节从时域、频域和时频域提取特征量，并对特征量进行降维，得到特征向量。

2.1 时域特征提取

信号时域分析的方法有统计特征量、多段分析和概率分析等。基于统计特征量和多段分析相结合的方式是解决模式识别问题常见组合；由于道岔故障诊断本质上是模式识别问题，故本节采用这一组合方式。常见时域特征统计量如表2所列。本节将功率曲线各段依次提取特征统计量。设{p}为功率曲线样本，=1,2,…,，其中为各段采样点的数目。

表2 时域特征统计量

2.2 时域向量降维

每条功率曲线每一段的特征统计量构成16维向量，则每条功率曲线(包含5段)的特征量组成80维向量。为降低数据量和减少冗余信息，采用主成分分析法对向量降维，主成分分析法相关理论推导参见文献[6]。当累计贡献率达到75%，包含2个主成分{M1,M2}。M1和段调和平均数相关性最大且M2和段偏度相关性最大。故时域的特征向量为[Dhm Csk]T(如表3所示)。

2.3 频域特征提取

频域分析方法有幅值谱、相角谱和功率谱等。频域常用的统计量如表4所列。本节将功率曲线各段频谱依次提取频域特征统计量。设转辙机功率曲线序列{p}的快速傅里叶变换(FFT)幅值序列为{A}，相角序列为{θ}，=1,2,…,。

表3 时域特征向量

表4 频域特征统计量

2.4 频域向量降维

每条功率曲线每一段的频域特征统计量构成12维向量，则每条功率曲线(包含5段)的特征量组成60维向量。采用主成分分析法降维：当累计贡献率达到78%，包含2个主成分{M1,M2}。M1和段平均相角相关性最大且M2和段均方根频率相关性最大(如表5所示)。故频域的特征向量为[Dmag Crmsf]T。

表5 频域特征向量

2.5 时频域特征提取

时频域分析方法有短时Fourier变换、S变换和小波变换等。本节选择小波变换，离散小波变换常用快速算法为Mallat算法，该算法具体推导过程参见文献[7]。本节对各功率曲线采用5层的“db3”小波分解(得到10组小波系数)，并计算各层小波系数的平方和。

表6 近似系数方和

2.6 时频域向量降维

每条功率曲线的小波分解系数构成10维向量。采用主成分分析法降维：当累计贡献率达到80%，包含2个主成分{M1,M2}。M1和ScA1相关性最大且M2和ScD3相关性最大，故时频域的特征向量为[ScA1 ScD3]T，如表6和表7所示。

表7 细节系数方和

3 故障诊断系统

3.1 诊断系统的整体框图

图3为系统的整体框图，其工作流程为：1) 训练样本和测试样本分别在时域、频域和时频域进行特征提取与降维，得到特征向量；2) 每个域分别构建一个改进的PSO-PNN诊断模型，并对模型进行训练和预测；3) 三取二表决系统表决3个PSO-PNN模型的预测结果，得到最终的诊断结果。

3.2 标准的PNN模型

概率神经网络(Probabilistic Neural Network, PNN)擅长处理分类问题和模式识别问题[8]；是在径向基神经网络的基础上发展而来，是基于贝叶斯最小风险准则和概率密度估计方法的并行算法，其模型如图4所示。概率神经网络模型有4层：输入层、样本层(模式层)、求和层和竞争层(输出层)。

第1层为输入层，接收输入特征向量，并将输入传递给样本层，该层神经元的个数等于输入向量维数。

第2层为样本层，该层核函数为高斯函数，作用是计算输入与各模式匹配程度。该层神经元个数等于训练样本个数。该层输出表达式如式(1)。

其中：X是输入向量，为(x1,x2,…,xd)T；σ为平滑因子；d为输入向量的维数；ij表示第i类模式的第j个神经元，i＝1,2,…,N，N表示训练样本类数；设各故障类型的样本数都为L组，则j=L。

图4 概率神经网络模型

第3层为求和层,该层神经元个数等于故障类型个数，该层累加属于某种故障类型的概率并平均概率和，得到该故障类型概率密度函数，该层输出表达式是式(2)。

其中：g表示第类的概率密度函数。

第4层为竞争层，该层只有一个神经元；求和层的最大输出作为该层输出，该层输出表达式如式(3)。

其中：argmax(g)表示为使g达到最大值时，自变量的取值。

3.3 标准的PSO算法

粒子群算法(Particle Swarm Optimization, PSO)是一种群体智慧算法，是对鸟群觅食过程的模拟[9]。该算法假设维空间里有一粒食物，有只鸟组成的鸟群，并假设每只鸟只有2个属性：速度和位置。第只鸟在第次迭代后的位置为X()=(x1(),x2(),x())；第只鸟在第次迭代后的速度为V()=(v1(),v2(),…,v())。每只鸟所在位置X()的适应度值通过目标函数计算得出。每一次迭代，鸟通过跟踪个体最优适应度和群体最优适应度来更新自己的速度和位置(式(4)和式(5))，直至找到全局最优适应度所对应鸟的位置。

其中：惯性权重；1和2均为加速度因子且均大于等于0；=1,2,…,；=1,2,…,；为当前迭代次数；v()为第次迭代第只鸟第维的速度；x()为第次迭代第只鸟第维的位置分量；为个体最优适应度；为群体最优适应度。

3.4 PSO优化PNN

概率神经网络具有一系列优点，如分类能力强、收敛速度快、参数少(只有一个平滑因子)和不存在陷入局部最优，故常用于模式识别和分类问题。但概率神经网络有一个瓶颈：在故障模式样本有限的情况下，难以找出能体现整个故障空间的平滑因子[10−11]。目前只能通过经验估计或有限样本聚类的方法找一个局部较优的平滑因子。平滑因子是概率神经网络重要参数，其值能直接影响故障诊断准确率，故需使用优化算法搜寻最优平滑因子。

3.5 PSO算法的改进

标准PSO虽具有较强寻优能力，但其容易陷入局部最优，故需要对其改进。在标准粒子群算法中，如果鸟的飞翔速度一直保持较大值，则单次迭代中，鸟能够活动的范围大，有可能跳出最优区域，从而找不到最优值，故鸟的速度应随着迭代次数增加而趋于减小，即鸟的速度和迭代次数呈现负相关。影响速度的参数为1，2和。可通过减小这3个参数的值，间接实现飞翔速度由大到小的调整，如式(6)。

其中：为本次惯性权重；max为最大惯性权重，取0.9；min为最小惯性权重，取0.4；为当前迭代次数；max为最大迭代次数；1从2.7非线性减小到1.7；2从2.1非线性减小到1.1。

3.6 PSO-PNN模型的诊断过程

诊断流程如图5所示，其诊断过程包括：1) 建立PNN模型和初始化参数。2) 建立PSO和搜寻最优滑动因子：PSO初始化后，以诊断的准确率作为目标函数(用于计算适应度)，通过跟踪个体最优和群体最优，得到最优滑动因子。3) PNN预测：将最优滑动因子和测试数据代入到PNN，得到预测结果。

图5 PSO-PNN诊断流程图

3.7 n中取k表决系统

中取表决系统是一种冗余结构，其通过增加冗余部件，提高系统整体的可靠性。其工作原理：当系统中至少有个部件正常工作时，则系统正常工作。

图6 可靠性框图

本文选用三取二表决系统，其可靠性框图如图6所示。在诊断系统中，各PSO-PNN预测的准确率可看做是各部件的正常工作概率{P(A),P(B),P(C)}，预测的错误率可看做是各部件的失效的概率{Q(A), Q(B),Q(C)}。当3个部件的可靠度均大于0.5时，三取二表决器的可靠度要大于各部件的可靠度[12]。例如当3个部件的可靠度均为0.9时，则三取二表决器的可靠度为0.972(0.972>0.9)。每个PSO-PNN预测的准确率大于0.5，故可利用表决器提高诊断的准确率。

4 仿真与分析

4.1 仿真的准备工作

4.1.1 样本扩充

为获得更多训练样本、预测样本和测试样本，利用Matlab中的rand函数和各域已有的9组样本，各域扩充45组训练样本(每类增加5组)、36组预测样本(每类增加4组)和36组测试样本；将各域第1～54组作为训练样本，第55～80组作为预测样本，第81～116组作为测试样本。

Expand_Sample=*rand+Sample；

其中：Sample为原样本；取不同值时，各域分别得到45组训练样本、36组预测样本和36组测试样本。

4.1.2 建立3个PNN模型

使用函数newpnn建立3个概率神经网络net，spread为平滑因子。

net=newpnn(x0,ind2vec(trlab),spread)；

4.1.3 初始化各域PSO

加速度因子1和2均设置为1.5；最大迭代次数设置为100；鸟的数目设置为20只；随机赋值鸟的初始速度和位置；预测样本的诊断准确率作为适应度函数。

4.2 仿真过程的分析及讨论

4.2.1 各PSO-PNN模型训练与预测

时域最大适应度值设置为0.01；按照式(6)更新惯性权重；使用训练样本和预测样本进行网络训练与优化。经仿真，改进后PSO-PNN经过23次迭代后，预测误差小于最大适应度值，终止迭代，得到最优滑动因子值0.093。测试样本代入优化好的网络，诊断准确率为94.4%。表8是算法改进前后的准确率比较：由仿真过程和表中数据知，未改进的PSO-PNN经过100次迭代后，终止优化，陷于局部最优，测试准确率相对较低；标准PNN中的平滑因子的取值具有主观性，故测试准确率和平滑因子的取值有关，仅作参考。

表8 时域测试准确率

频域最大适应度值设置为0.01；按照式(6)更新惯性权重；使用训练样本和预测样本进行网络训练与优化。经仿真，改进后PSO-PNN经过19次迭代后，预测误差小于最大适应度值，终止迭代，得到最优滑动因子值0.113。测试样本代入优化好的网络，诊断准确率为97.2%。表9是算法改进前后的准确率比较：由仿真过程和表中数据知，未改进的PSO-PNN陷于局部最优，测试准确率相对较低。

表9 频域测试准确率

时频域最大适应度值设置为0.01；按照式(6)更新惯性权重；使用训练样本和预测样本进行网络训练与优化。经仿真，改进后PSO-PNN经过20次迭代后，预测误差小于最大适应度值，终止迭代，得到最优滑动因子值0.108。将测试样本代入优化好的网络，诊断准确率为94.4%。

表10是算法改进前后的准确率比较：由仿真过程和表中数据可知，未改进的PSO-PNN陷于局部最优，测试准确率相对较低。

表10 时频域测试准确率

4.2.2 三取二表决器预测结果

各域的测试结果图如图7(a)，图7(b)和图7(c)所示。图7(a)是时域测试结果：图中，1组故障号为2的样本被误诊为故障号3，1组故障号为3的样本被误诊为故障号2。图7(b)是频域测试结果：2组故障号为1的样本被误诊为故障号9。

(a)时域测试结果；(b)频域测试结果；(c)时频域测试结果；(d)3个域测试结果表决后的最终输出

图7(c)是时频域测试结果：1组故障号为4的样本被误诊为故障号7，1组故障号为7的样本被误诊为故障号4。图7(d)是3个域测试结果表决后的最终输出：由图7可知，经表决器表决后，准确率达100%，说明本文提出的方法能较好的解决道岔故障诊断问题，并且具有较高的诊断准确率和良好的容错性。

5 结论

1) 改进后的PSO-PNN模型，使得分类更加准确。

2) 三取二表决，以少数服从多数为决策原则，进一步提高诊断准确率和可信度，并具有良好的容错性。

3) 从仿真结果上看：该故障诊断系统的诊断准确率达100%，并具有一定的容错性。另外，S700K转辙机和其他型号转辙机输出功率规律基本相似，即S700K转辙机具有一定的代表性。S700K转辙机和其他型号转辙机输出功率主要差别是转辙机动作的各个阶段持续时间长短和幅值大小有些不同，故可将该方法稍微修改，应用到其他型号转辙机上。

[1] 钟志旺, 唐涛, 王峰. 基于PLSA和SVM的道岔故障特征提取与诊断方法研究[J]. 铁道学报, 2018, 40(7): 80−87. ZHONG Zhiwang, TANG Tao, WANG Feng. Research on fault feature extraction and diagnosis of railway switches based on PLSA and SVM[J]. Journal of the China Railway Society, 2018, 40(7): 80−87.

[2] 赵林海, 陆桥. 基于灰关联的道岔故障诊断方法[J].铁道学报, 2014, 36(2): 69−74. ZHAO Linhai, LU Qiao. Method of turnout fault diagnosis based on grey correlation analysis[J]. Journal of the China Railway Society, 2014, 36(2): 69−74.

[3] 董炜, 刘明明, 王良顺, 等. 基于群决策的道岔控制电路故障诊断方法[J]. 自动化学报, 2018, 44(6): 1005− 1014. DONG Wei, LIU Mingming, WANG Liangshun, et al. Fault diagnosis for railway turnout control circuit based on group decision making[J]. Acta Automatica Sinica, 2018, 44(6): 1005−1014.

[4] 董海鹰, 李娜. 基于D-S证据理论信息融合的转辙机故障诊断方法研究[J]. 测试技术学报, 2013, 27(1): 1−7. DONG Haiying, LI Na. Fault diagnosis method for switch machine based on D-S evidence theory information fusion[J]. Journal of Test and Measurement Technology, 2013, 27(1): 1−7.

[5] 翟永强. 贝叶斯网络在道岔控制电路故障诊断中的应用研究[D]. 兰州: 兰州交通大学, 2012.Zhai Yongqiang. Application of Bayesian network in fault diagnosis of switching control circuit[D]. Lanzhou: Lanzhou Jiaotong University, 2012.

[6] Hervé Abdi, Williams L J. Principal component analysis [J]. Wiley Interdisciplinary Reviews Computational Statistics, 2010, 2(4): 433−459.

[7] 白润才, 柴森霖, 刘光伟, 等. 基于Mallat算法与ARMA模型的露天矿卡车故障率预测[J]. 中国安全科学学报, 2018, 28(10): 31−37. BAI Runcai, CHAI Senlin, LIU Guangwei, et al. Method for predicting truck’s failure rate in open-pit mine based on Mallat algorithm and ARMA model[J]. China Safety Science Journal, 2018, 28(10): 31−37.

[8] Sami H, Mays Y, Talib M A. Brain tumor classification using probabilistic neural network[J]. Journal of Fundamental and Applied Sciences, 2018, 10(4): 667− 670.

[9] Kennedy J, Eberhart R. Particle swarm optimization[C]// Proceedings of ICNN 95-International Conference on Neural Networks. IEEE, 1995: 1942−1948.

[10] 张建财, 高军伟. 基于VMD与PSO-PNN的滚动轴承故障诊断模型[J]. 自动化与仪表, 2019, 34(3): 33−37. ZHANG Jiancai, GAO Junwei. Rolling bearing fault diagnosis model based on VMD and PSO-PNN[J]. Automation & Instrumentation, 2019, 34(3): 33−37.

[11] 陈波, 郭壮志. 基于优化平滑因子的概率神经网络的变压器故障诊断方法研究[J]. 现代电力, 2007(2): 44−47. CHEN Bo, GUO Zhuangzhi. Fault diagnosis method research of transformer based on optimized smooth factor of probability neural network[J]. Modern Electric Power, 2007(2): 44−47.

[12] 张友鹏. 可靠性理论与工程技术应用[M]. 兰州: 兰州大学出版社, 2003: 113−117. ZHANG Youpeng. Reliability theory and engineering application technology[M].Lanzhou: Lanzhou University Press, 2003: 113−117.

Turnout fault diagnosis based on multi-domain feature extraction and improved PSO-PNN

KONG Linggang3, JIAO Xiangmeng1, 2, CHEN Guangwu1, 2, FAN Duowang1, 2

(1. Automatic Control Institute, Lanzhou Jiaotong University, Lanzhou 730070, China;2. Gansu Provincial Key Laboratory of Traffic Information Engineering and Control, Lanzhou 730070, China;3. National Engineering Research Center for Technology and Equipment of Environmental Deposition, Lanzhou Jiaotong University, Lanzhou 730070, China)

Based on the power curves of the eight failure modes and normal mode common to the S700K, a switch failure diagnosis method was proposed based on Probabilistic Neural Network (PNN) combined with improved Particle Swarm Optimization (PSO). First, the time domain and frequency domain feature statistics and time-frequency domain wavelet coefficients were extracted on the nine power curves, and the feature quantity of each domain was reduced by Principal Component Analysis to obtain the feature vectors. Second, three improved PSO-PNN were used as a classifier, and the classifier was trained and predicted. Finally, the prediction results of the three classifiers were evaluated and voted to select two of them. The simulation results show that the method can effectively improve the accuracy of turnout failure diagnosis and has desired failure tolerance.

turnout failure diagnosis; S700K switch machine; probabilistic neural network; particle swarm optimization; the vote for selecting two from three