径向基函数神经网络在地铁列车故障诊断里的应用

摘要:本文主要针对地铁列车,提出了一种基于径向基函数神经网络的故障诊断方法。该方法采集地铁列车运行状态的相关数据,分类处理后作为训练样本,建立学习好的径向基函数神经网络。实际应用时,采集的地铁列车运行状态实时数据再作为神经网络的输入,借助神经网络的输出,从而能较为准确的判断出地铁列车发生的故障和将要发生的故障。

关键词:故障诊断;神经网络;径向基函数;地铁列车

中图分类号:TM621文献标识码:A文章编号:1007-9599 (2010) 11-0000-02

The RBFNN Application in Fault Diagnosis for the Subway Train

Zhou Qiaolian1,Deng Yabo2,Chen Jianxiao2

(1.Shanghai Shentong Rail Transit Research and Consulting Co,Ltd,Shanghai2011031,China;2.Zhuzhou CSR Times Electric Co,Ltd,Zhuzhou4120012,China)

Abstract:The means is proposed in this paper about subway train malfunction diagnosing system applying RBFNN.Subway train running information is collected and preprocessed,which is used as training sample to build RBFNN.After RBFNN learned well,collected real-time information is inputted into the neural network,and then malfunction and coming malfunction is output correctly.

Keywords:Malfunction diagnosing;Neural network;Radial Basis

Function;Subway train

一、引言

我国城市轨道交通的高速发展,迫切需要保障地铁机车的运营安全。目前对地铁列车的故障诊断等方面还没有理想的解决方案。本文提出了一种方法,试图借助径向基函数神经网络来解决地铁列车的故障诊断的技术难题。

二、径向基函数神经网络

径向基函数神经网络(Radial Basis Function Neural Network,以下简称RBFNN)是一类特殊的三层前馈神经网络。

图1是RBFNN的基本结构。它可以实现由输入向量到输出向量的映射。

三、故障诊断应用

(一)建立神经网络

要把RBFNN运用到地铁列车的故障诊断中去,必须先利用训练样本建立好RBFNN。

1.数据分类:地铁列车的数据信息非常丰富,首先需要根据地铁列车的特点,将各类数据按功能单元分类,如中央控制单元的数据包括地铁列车状态、通信状态、网络命令、数字输入输出信号和模拟输入信号等,牵引单元的数据包括牵引工作状态、输入指令、电机转速、电机转矩、电机电流、网压、电机温度、级位信号和载荷信号等,制动单元的数据包括轮径、载荷信号、速度信号、制动级位、传感器状态等,门控单元的数据包括车门打开状态、车门开关反馈、门速度反馈、门防夹状态、门切除状态等。

2.生成样本数据:针对地铁列车的典型故障和临界故障等情况,通过模拟产生n类故障方式,收集来自传感器的检测数据、表征地铁列车状态及车载设备的模拟量、数字量以及地铁列车总线上的相关数据等信息。然后按照上述的分类方法,对数据信息按照功能单元(中央控制单元、牵引单元、制动单元、门控单元等)分类和综合(系统级),形成建立各径向基函数神经网络所需的训练样本向量,如中央控制单元的训练样本向量为,牵引单元的训练样本向量为,制动单元的训练样本向量为,门控单元的训练样本向量为,系统级的训练样本向量为。

3.建立RBFNN的基本结构。通过上述训练样本可以确定各神经网络输入层节点个数为n,输出层的节点个数为。

(二)训练神经网络

训练时,隐含层神经元学习采用无监督学习的聚类算法;输出层神经元采用有监督的最小二乘法学习方法。下面以中央控制单元RBFNN的建立为例作具体说明。

对于中央控制单元,在模拟产生n类故障后,得到的训练样本的状态向量,包括地铁列车状态、通信状态、网络命令、数字输入输出信号和模拟输入信号等,该训练样本将作为神经网络的输入。

针对隐含层神经元的学习算法的具体步骤如下:

1.从状态向量中选取一组样本作为隐含层的各神经元中心,为隐含层神经元数。

2.然后对所有状态向量进行归类,输入的状态向量若满足条件

(1)

则将其归于第类向量;

3.归类完毕后,再求出隐含层每个神经元的新中心和宽度,即

对输出层神经元的学习的算法如下:记某故障诊断结果为,则对第个故障诊断结果有:

式中,表示隐含层第神经元到输出层第个故障诊断结果的权值,表示距的距离,是选取的高斯函数,

式中是隐含层第个神经元的输出中间向量,为高斯函数的宽度。

定义故障诊断输出的误差函数为

式中,为输出层第个神经元的期望故障诊断值,为其实际故障诊断输出值。将式(4)代入上式可得

求解使故障诊断误差函数最小时的一组权系数,可令

则得到一系列方程组,

求解上述方程组即可得到最优权系数。

最优权系数确定后,中央控制单元RBFNN就训练完毕。

通过相同的方法建立并训练牵引单元、制动单元、门控单元和系统级等的RBFNN。

(三)故障诊断

当地铁列车的单元或系统发生故障或将要发生故障时,采集的实时数据经过分类和综合处理后,输入训练好的各RBFNN,其稳态输出即为已经发生的故障种类或将要发生的故障。

故障诊断系统原理见下图2所示。

四、系统实现

为实现基于RBFNN的地铁列车故障诊断方法,需构建一个三层系统,包括应用层的上位机、采集数据的下位机和底层的传感器等。

底层传感器主要为现有地铁列车没有而故障诊断系统需要额外加装的传感器,如加速度传感器等。

下位机包含采集转换模块、模拟量采集模块、数字量采集模块和总线接口模块等。采集转换模块主要采集加装的传感器反馈的相关数据信息,如加速度、振动等数据。模拟量采集模块主要采集表征地铁列车运行状态的一些模拟量,如电压、电流、温度等。数字量采集模块主要采集表征地铁列车运行状态的数字量,如开关闭合状态、隔离装置状态等。总线接口模块主要采集地铁列车总线上的数据。针对不同的地铁列车总线(如MVB,MTB等),通过相应的接口和协议,采集需要的地铁列车相关数据。下位机将数据集中后再汇总给上位机。

上位机是完成故障诊断的核心部分,主要负责接收、处理并存储下位机汇总的地铁列车状态数据。首先完成对采集到的地铁列车相关数据的分类处理。训练阶段,把分类处理好后的数据作为各RBFNN的训练样本,然后利用训练样本生成地铁列车故障诊断所需的各RBFNN。应用阶段则不断采集地铁列车的实时数据信息。当地铁列车发生故障或将要发生故障时,上位机会依据各RBFNN诊断模块的输出作出相应的判断和预警。

系统结构图如图2所示。

五、结束语

本文从人工智能的角度,提出了一种基于RBFNN的地铁列车故障诊断方法。通过软件编程,建立并应用了故障诊断所需要的RBFNN。从应用效果看,基本能达到预期目的。

参考文献:

[1]W.F.Gabriel,Using Spectral Estimation Techniques in Adaptive Processing Antenna Systems”,IEEE Trans,Antenn.Propagat,1986

[2]靳蕃.神经计算智能基础原理、方法.西南交通大学出版社,2000

注:

1该课题属于国家863计划课题《轨道交通运营安全的关键装备监控预警及应急技术》的子课题,863项目课题编号:2007AA11Z247

作者介绍:

周巧莲,女(1966-)汉族、上海、高级工程师。

邓亚波,男(1978-)侗族、湖南株洲、工程师。

陈建校,男(1973-)汉族、湖南株洲、工程师。