基于IBOA-PNN的道岔控制电路故障诊断方法

宋 丹，汪 浩

(中车青岛四方车辆研究所有限公司，山东 青岛 266011)

1 概述

目前诸多学者将智能算法应用在道岔故障诊断领域，且取得了较好的诊断效果。文献[1]提出一种基于灰关联的道岔故障诊断方法，该方法准确率较高，但其主观性强，最优值难以确定。文献[2-3]提出一种基于BP神经网络的道岔故障智能诊断算法，诊断效果好，但算法陷入局部极值，易导致网络训练失败。文献[4]建立一种基于BP神经网络和模糊综合评判的决策级融合诊断系统，对S700K转辙机进行故障诊断，该方法诊断正确率高，但算法复杂度高。文献[5]结合粗糙集与灰色理论，通过预测电流特征实现S700K转辙机故障诊断，该方法故障诊断精度高，可操作性高，更具实用性，不足之处是不适用于数据量多的情况。文献[6]将灰色关联分析和神经网络技术相结合，实现S700K转辙机的故障诊断，该方法有效提高了故障识别率，但诊断精度仍有待提高。上述智能诊断方法以及现下的一些智能诊断方法虽都能诊断出道岔故障范围，但仍存在类似算法复杂度高、诊断精度低、诊断时间长的一些不足。

针对以上不足，本文提出一种IBOA-PNN方法对道岔控制电路进行故障诊断，该方法能降低算法复杂度并对其存在的不足进行改进。仿真结果表明，改进的算法避免陷入局部最优和训练过程中的震荡，且算法复杂度低、诊断精度高。

2 道岔控制电路及故障分析

2.1 道岔控制电路

本文以S700K型转辙机控制电路为研究对象，利用本文提出的IBOA-PNN算法对其进行故障诊断。S700K转辙机道岔控制电路结构如图1所示。

图1 S700K转辙机道岔控制电路Fig.1 S700K switch machine switch turnout control circuit

2.2 故障分析

S700K道岔电路故障主要是由电阻开路或短路、配线电缆断线和表示继电器开路(定位)等引起的电气故障。常见的电气故障及其电气特征如表1所示。

3 IBOA-PNN故障诊断模型

3.1 BOA算法简述

BOA算法[7]是Arora等人于2018年提出的一种新型智能优化算法，其算法简单、收敛速度快、寻优精度高。算法思想来源于蝴蝶觅食、寻偶行为过程。每只蝴蝶会产生一定强度的香味传播到被其他蝴蝶感觉到的地方，当感受到此香味，便会向其移动并散发更多香气，从而交互个人信息；若无法感知香味，则随机游走。感知强度与寻优适应度有关，且决定其大小，随着蝴蝶位置的变化而变化。

表1 S700K道岔控制电路故障时电气特征Tab.1 Electrical characteristics of S700K turnout control circuit failure

数学描述简述如下：

1）初始化阶段。设N维搜索空间中，利用公式（1）随机生成m个初始解：

公式（1）中，i=1,2,…,m,xi为蝴蝶i的空间位置；Ua、Lb分别为搜索空间的上、下界。r表示[0,1]之间的随机数。

2）定义目标函数。BOA利用公式（2）描述香味的感知强度。

公式（2）中，x=(x1,x2,…,xn)，c为感官形态系数；I为刺激强度；a为强度指数系数。c、a的取值影响BOA的寻优能力。

3）迭代阶段。BOA通过全局搜索策略和局部搜索策略利用迭代次数获得最优解，并利用切换概率p决定BOA所选择的搜索策略。

全局搜索策略描述如下：

局部搜索策略描述如下：

公式（3）、（4）中，xik、xjk、xtk分别为第k次迭代蝴蝶i、j和t的位置；g*为当前迭代群体最佳位置；fi为蝴蝶i的适应度值。

3.2 改进BOA算法

类似其他智能算法，BOA也存在易陷入局部最优和收敛速度慢的不足。目前对其有几种改进方式，例如引入混沌映射、提出动态自适应惯性权重和扰动策略、改进迁移及调整算子以及提出改进离散蝴蝶优化算法等。

以改进后的算法复杂度低且能实现最佳诊断为目标，本文对公式(2)中的强度指数系数a的取值进行改进。当a=1时，蝴蝶香味以相同容量被感知；当a=0时，香味不能被感知分析。感官形态系数c的取值由待优化目标的特殊性决定。通过验证，当c=0.01，a采用下式动态更新时，BOA能获得更佳的寻优性能。

公式（5）中，amax、amin分别为a的最大、最小值。本文amax=0.02，amin=0.01；k、kmax分别为迭代次数及其最大值。

3.3 IBOA优化PNN的可调参数

PNN以径向基(RBF)神经网络为基础，采用贝叶斯最小风险准则，广泛应用于模式分类问题[8]。其网络在学习过程中不需要训练，比BP神经网络等操作更简单、鲁棒性更高。

模式层：计算输入向量与训练集间关系，输出为公式（6）：

公式（6）中：Wi为第一、二层间的权值；S为平滑因子。

求和层：将属于某故障类型的概率累加，由公式(6)得到概率密度函数；

输出层：输出每个神经元对应的故障类型。可表示为：

公式（7）中：Xni为故障模式n的第i个训练向量；m为故障模式n的训练样本数目。

IBOA优化PNN可调参数的过程如下：

对比酶联免疫法与胶体金法检测假阳性率，18例阳性标本经市艾滋病确诊实验室确认后，17例为HIV感染者，酶联免疫法检测假阳性率为0%，胶体金法检测假阳性率为5.56%。通过比对可以看出 酶联免疫法准确性相对更高，胶体金法敏感性更好。

1) 设置IBOA种群规模sizeb，切换概率p、参数c、amax、amin、k和算法终止条件；将平滑因子S作为蝴蝶种群粒子。

2) 对蝴蝶位置、速度进行初始化。

3) 计算适应度值，以PNN的输出误差作为适应度函数，记为f。

4) 若蝴蝶f优于以前任一时刻的f，则以该f作为个体极值；若该蝴蝶的f优于以前所有蝴蝶的f，则将该f作为群体极值。

5) 更新蝴蝶的位置与速度。

6) 判断终止条件，若达到则输出最优S训练IBOA-PNN模型后转7)，否则转2)继续执行。

7) 将测试数据进行归一化处理后，输入到已训练好的IBOA-PNN模型中，以检验模型的诊断准确率和泛化能力。

4 仿真实验与结果分析

4.1 数据处理

因为道岔控制电路故障诊断特征值数量级不同，为避免IBOA-PNN模型训练过程中出现病态矩阵，同时使程序加快收敛，因此对训练和测试样本进行归一化预处理[9]。具体如公式(8)所示。

公式（8）中：Y为归一化后的数据，X为原始数据。处理后的数据位于[0,1]区间。

采集500组道岔控制电路故障数据，其中，300组训练样本，200组测试样本；一个样本点为8维。部分归一化样本数据以及故障类型如表2所示。

表2 部分归一化样本数据Tab.2 Partial normalized sample data

其中，P1～P8为道岔控制电路故障特征向量，将其作为系统输入，P1～P8分别为：具体如表1中所示参数：X1～X2的交流电压；X2～X4的交流电压；X1～X2的直流电压；X2～X4的直流电压；R1两端的交流电压；R1两端的直流电压；继电器1～4线圈交流电压；继电器1～4线圈直流电压。F1～F8为道岔控制电路的故障类型，将其作为系统输出，F1～F8分别为：X1开路；X2开路；R开路；Z开路；Z击穿；R1开路；R短路；继电器开路。

4.2 诊断流程

具体IBOA-PNN的道岔控制电路故障诊断流程如图2所示。

在诊断过程中，需要注意以下几个问题。

1) 输入变量

输入量对输出影响大且相关性很小、能够检测。考虑到运算复杂度，输入量常取5～8个为宜。本文选择P1～P8为输入变量构造特征向量。

图2 道岔控制电路故障诊断框架Fig.2 Fault diagnosis framework of turnout control circuit

图3 IBOA-PNN算法诊断结果Fig.3 IBOA-PNN algorithm diagnosis results

2) 参数设置

选择合适的参数可以加速算法收敛，提高IBOAPNN模型的故障诊断准确率。本文个别参数经过多次仿真验证后具体设置为：c=0.01；amax=0.02；amin=0.01；p=0.8；kmax=20；sizeb=15。

由于迭代次数过多或过少都会对实验结果的精度造成影响，分别在5～100次迭代下，利用Matlab对本文算法故障诊断准确率的变化进行仿真分析。经过仿真，在迭代次数为20、蝴蝶数目为15时，诊断效果最佳，达到100%。具体诊断情况如图3所示。并在同种参数下，将本文算法与较为典型的PSO-PNN算法的诊断效果进行对比，如图4所示。其算法对应的适应度曲线分别如图5、6所示。

从图3可以看出， IBOA-PNN算法能最大程度正确识别各种故障状态，诊断准确率达到100%，达到预期效果。如图5所示，平均适应度曲线由发散状态趋于收敛，说明算法进行顺利，最终与最佳适应度曲线趋于拟合，说明算法达到成熟，最佳适应度值为0，此时最佳参数S=1.429 9。与图4所示的PSO-PNN算法进行对比，其在多种故障类型下都发生一次或多次误诊断，其最佳适应度为0.053 0，参数S=1.531 5。

图4 PSO-PNN算法诊断结果Fig.4 PSO-PNN algorithm diagnosis results

图5 IBOA-PNN适应度曲线Fig.5 IBOA-PNN fitness curve

5 结论

针对道岔控制电路常见故障模式所对应的功率曲线，提出基于改进IBOA-PNN的道岔故障诊断方法。

图6 BOA-PNN算法适应度曲线Fig.6 PSO-PNN fitness curve

改进后的BOA-PNN模型，使分类更加准确，误判率更低，进一步提高道岔控制电路的故障诊断准确率。

从仿真结果上看：该故障诊断算法的诊断准确率达到100%。针对目前高速铁路提速道岔区段，采用的转辙设备包括 S700K 型、ZDJ9 型、ZYJ7等类型转辙机，控制电路原理基本相同，对其进行故障分析、诊断和处理的方法也基本一致，故可将该方法应用到其他型号转辙机上，同时在故障诊断领域也有着良好的应用前景。