基于SaCE-ELM的地鐵牽引控制單元快速故障診斷

岳 忠 奇，　吳 　 濤,2，　顧 　 宏*

( 1.大連理工大學(xué) 控制科學(xué)與工程學(xué)院, 遼寧 大連　116024；2.中車大連電力牽引研發(fā)中心有限公司， 遼寧 大連　116052 )

?

基于SaCE-ELM的地鐵牽引控制單元快速故障診斷

岳 忠 奇1，吳 濤1,2，顧 宏*1

( 1.大連理工大學(xué) 控制科學(xué)與工程學(xué)院, 遼寧 大連116024；2.中車大連電力牽引研發(fā)中心有限公司， 遼寧 大連116052 )

摘要：地鐵牽引控制單元(TCU)在地鐵運(yùn)行過程中有重要的作用，及時(shí)有效地對其進(jìn)行故障診斷，是保證地鐵正常運(yùn)行的重要環(huán)節(jié)．針對傳統(tǒng)故障診斷方法的學(xué)習(xí)速度慢、易陷入局部最優(yōu)、預(yù)測精度較差等缺點(diǎn)，提出一種使用自適應(yīng)差分進(jìn)化算法(SaCE)進(jìn)行優(yōu)化的極限學(xué)習(xí)機(jī)(SaCE-ELM)，即通過自適應(yīng)差分進(jìn)化算法對極限學(xué)習(xí)機(jī)的輸入權(quán)重、隱含層參數(shù)和輸出權(quán)重進(jìn)行優(yōu)化．其中，差分進(jìn)化算法的變異策略通過基于混沌序列的自適應(yīng)機(jī)制產(chǎn)生，其他參數(shù)使用正態(tài)分布隨機(jī)生成；網(wǎng)絡(luò)的輸出權(quán)重使用Moore-Penrose廣義逆矩陣計(jì)算得出．SaCE-ELM 不需要人工選擇變異策略和參數(shù)，自適應(yīng)策略比SaE-ELM更加簡單．實(shí)驗(yàn)結(jié)果表明，與E-ELM、SaE-ELM、LM-NN、SVM相比，SaCE-ELM具有更好的預(yù)測精度．此外，SaCE-ELM 在所有數(shù)據(jù)集上訓(xùn)練時(shí)間比SaE-ELM和SVM更少，有效地改善了生成模型的效率．

關(guān)鍵詞：牽引控制單元；故障診斷；極限學(xué)習(xí)機(jī)；差分進(jìn)化算法

0引言

隨著我國現(xiàn)代化進(jìn)程的加快，軌道交通的發(fā)展取得了長足的進(jìn)步．地鐵作為各大城市的主要交通工具，其可靠性和安全性受到了多方的重視．在地鐵運(yùn)營過程中，牽引控制單元(traction control unit，TCU)作為控制地鐵運(yùn)行的核心組成部分，通過接收列車的指令信息對整車實(shí)施牽引控制．因此，對TCU進(jìn)行快速且有效的故障診斷，是列車保持長期穩(wěn)定運(yùn)行的重要環(huán)節(jié)．

故障診斷的目的是對設(shè)備及系統(tǒng)中出現(xiàn)的故障進(jìn)行檢測和識別，從而定位發(fā)生故障的部位及其種類．文獻(xiàn)[1]將現(xiàn)有的故障診斷方法分為3類：基于分析模型的故障診斷方法、基于定性經(jīng)驗(yàn)知識的故障診斷方法和基于數(shù)據(jù)驅(qū)動的故障診斷方法．基于分析模型的故障診斷方法需要詳細(xì)了解設(shè)備的機(jī)理結(jié)構(gòu)進(jìn)而建立精確的定量數(shù)學(xué)模型，如狀態(tài)估計(jì)法、參數(shù)估計(jì)法等；基于定性經(jīng)驗(yàn)知識的故障診斷方法適用于不易建模的系統(tǒng)，如有向圖、專家系統(tǒng)等；基于數(shù)據(jù)驅(qū)動的故障診斷方法是利用設(shè)備運(yùn)行過程中產(chǎn)生的數(shù)據(jù)信息來進(jìn)行故障診斷．

對于大多數(shù)設(shè)備而言，由于其復(fù)雜性往往難以建立精確的數(shù)學(xué)模型，導(dǎo)致基于分析模型的方法不適用．基于定性經(jīng)驗(yàn)知識的方法需要掌握較深的專業(yè)知識，這無疑增加了故障診斷的困難．然而在設(shè)備運(yùn)行的過程中，時(shí)刻都會產(chǎn)生大量運(yùn)行數(shù)據(jù)，利用這些數(shù)據(jù)進(jìn)行故障診斷，是現(xiàn)在許多研究者所關(guān)注的．近年來，隨著基于數(shù)據(jù)驅(qū)動方法的不斷發(fā)展，人工智能方法[2-4](如人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、模糊邏輯等)在故障診斷中得到了廣泛的應(yīng)用．

極限學(xué)習(xí)機(jī)(extreme learning machine，ELM)是Huang等[5]根據(jù)Moore-Penrose(MP)廣義逆矩陣?yán)碚撎岢龅囊环N單隱含層前饋神經(jīng)網(wǎng)絡(luò)算法．相比于經(jīng)典的反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)[6]在訓(xùn)練過程中容易陷入局部最優(yōu)、因反復(fù)迭代不能快速且準(zhǔn)確獲取模型等，ELM克服了這些缺點(diǎn)，只需隨機(jī)指定隱含層參數(shù)進(jìn)而通過最小二乘算法得出輸出層參數(shù)，極大地提高了學(xué)習(xí)速度，容易滿足對預(yù)測精度高、結(jié)構(gòu)簡單的故障診斷模型快速獲取的要求．由于隱含層節(jié)點(diǎn)在訓(xùn)練之前先指定，最終會導(dǎo)致獲得的模型中存在某些對網(wǎng)絡(luò)性能貢獻(xiàn)較少的節(jié)點(diǎn)．而且通常情況下，相對于其他需要進(jìn)行節(jié)點(diǎn)調(diào)整的算法，極限學(xué)習(xí)機(jī)需要更多的隱含層節(jié)點(diǎn)．

本文提出一種改進(jìn)的自適應(yīng)差分進(jìn)化算法(SaCE)，對極限學(xué)習(xí)機(jī)的輸入權(quán)重、隱含層偏置和輸出權(quán)重進(jìn)行優(yōu)化．其中，進(jìn)化算法中每一代群體變異策略、交叉因子和縮放因子通過自適應(yīng)機(jī)制進(jìn)行選擇，進(jìn)而通過MP廣義逆矩陣求得輸出層參數(shù)．為了驗(yàn)證SaCE的有效性，在10個基準(zhǔn)函數(shù)上和SaDE[7-8]進(jìn)行比較．通過和E-ELM[9]、SaE-ELM[10]、LM-NN[11]、SVM[12]在5個UCI數(shù)據(jù)集上進(jìn)行比較驗(yàn)證本文算法SaCE-ELM的有效性．最后，對7種典型的TCU故障類型進(jìn)行定位，以驗(yàn)證本文算法對TCU故障診斷的有效性．

1極限學(xué)習(xí)機(jī)(ELM)

對于分類問題，當(dāng)給定訓(xùn)練數(shù)據(jù)集{(xi,yi)}，其中xi=(xi1xi2…xin)?Rn為示例的特征向量，yi=(yi1yi2…yim)?Rm為示例標(biāo)簽，i=1,2,…,N，那么對于具有L個隱含層節(jié)點(diǎn)的單隱含層前饋神經(jīng)網(wǎng)絡(luò)(SLFN)的輸出為

(1)

式中：wj∈Rd(j=1,2,…,L)是輸入層與隱含層第j個節(jié)點(diǎn)的連接權(quán)重，bj∈R是第j個隱含層節(jié)點(diǎn)偏置參數(shù)，wj·xi表示向量內(nèi)積，βj∈Rm是隱含層第j個節(jié)點(diǎn)與輸出層的連接權(quán)重．g(·)為隱含層所采用的輸出函數(shù)，如sigmoid函數(shù)、徑向基函數(shù)等．

計(jì)算輸出與實(shí)際輸出之間的誤差即為損失函數(shù)：

(2)

記θ=(w,b,β)代表所有參數(shù)，那么對損失函數(shù)最小化，通常采用基于梯度學(xué)習(xí)算法將參數(shù)θ經(jīng)過反復(fù)迭代更新來求解，更新法則如下：

(3)

其中η為學(xué)習(xí)速率．雖然反向傳播神經(jīng)網(wǎng)絡(luò)在眾多領(lǐng)域得到了廣泛的應(yīng)用，但仍然存在如學(xué)習(xí)速率取值困難、易陷入局部最優(yōu)、過擬合、收斂速度慢等缺點(diǎn)．

Hβ=Y

(4)

式中：H=H(w,b)=(hij)N×L為隱含層輸出矩陣，hij=g(wj·xi+bj)，β為輸出權(quán)重矩陣，Y=(y1y2…yN)為輸出矩陣．不同于傳統(tǒng)的梯度下降法需要經(jīng)過反復(fù)迭代調(diào)整網(wǎng)絡(luò)所有參數(shù)，文獻(xiàn)[5]指出，ELM算法只需隨機(jī)生成參數(shù)w和b，當(dāng)w和b固定之后，求解最小范數(shù)最小二乘解即得到輸出權(quán)重：

β=H?Y

(5)

其中H?是H的廣義逆矩陣．

由此可知，不同于建立精確的數(shù)學(xué)模型或?qū)＜蚁到y(tǒng)等復(fù)雜的系統(tǒng)，經(jīng)過訓(xùn)練后的極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)可以將規(guī)則抽象地存儲于權(quán)重及偏置等網(wǎng)絡(luò)參數(shù)中，極大地減少了對于設(shè)備結(jié)構(gòu)及運(yùn)行原理的詳細(xì)了解．

2差分進(jìn)化算法及其改進(jìn)

差分進(jìn)化算法是由Storn等提出的一種進(jìn)化算法[13]．與傳統(tǒng)進(jìn)化算法相同，它們均有種群初始化、變異、交叉、選擇等步驟．然而，差分進(jìn)化算法結(jié)構(gòu)更加簡單，容易實(shí)現(xiàn)，具有更好的全局搜索能力．

基本思想及步驟如下：

(1)初始化種群

設(shè)種群規(guī)模為Np，每個個體是D維向量．則第G代中的滿足上下界的個體可表示為xi,G=(xi1,Gxi2,G…xiD,G),i=1,2,…,Np．

(2)變異

利用第G代不同個體之間的偏差擾動產(chǎn)生第G代的候選個體．如下即為幾種使用最多的變異策略，其中，F(xiàn)為縮放因子，K∈[0,1]為隨機(jī)生成，r1，r2，r3，r4，r5∈[1,Np]為隨機(jī)產(chǎn)生的不重疊個體序號．

vi,G=xr1,G+F·(xr2,G-xr3,G)

(6)

vi,G=xr1,G+F·(xbest,G-xr1,G)+F·(xr2,G-

xr3,G)+F·(xr4,G-xr5,G)

(7)

vi,G=xr1,G+F·(xr2,G-xr3,G)+

F·(xr4,G-xr5,G)

(8)

vi,G=xr1,G+K·(xr1,G-xr2,G)+

F·(xr3,G-xr4,G)

(9)

研究表明，變異策略對于不同的優(yōu)化問題具有不同的效果[7-8]．式(6)的全局搜索能力強(qiáng)，但收斂速度較慢；式(7)局部搜索能力強(qiáng)并且能夠快速收斂，但容易陷入局部最優(yōu)從而導(dǎo)致早熟；式(8)比式(6)搜索能力更強(qiáng)，但計(jì)算量隨之增大；式(9)可以有效地解決多目標(biāo)優(yōu)化問題．

(3)交叉

將變異個體vi,G+1與當(dāng)前個體xi,G進(jìn)行交叉，得到當(dāng)前個體的候選個體ui,G+1．

(10)

其中i=1,2,…,Np,j=1,2,…,D,rand∈[0,1]是一個均勻分布隨機(jī)數(shù)，Rc∈[0,1]為交叉概率．R(i)是[1,D]內(nèi)的隨機(jī)整數(shù)，采用這種方法可確保下一代個體中至少有一條染色體來自變異個體．

(4)選擇

通過對第G代個體xi,G以及候選個體ui,G+1適應(yīng)度的評價(jià)，根據(jù)下式?jīng)Q定個體的進(jìn)化方向：

(11)

雖然差分進(jìn)化算法已經(jīng)在眾多領(lǐng)域取得了廣泛的應(yīng)用，但它仍有不可避免的缺點(diǎn)．比如，對于特定的問題，選擇最佳的變異策略尤其困難．文獻(xiàn)[14]將每種策略的概率參數(shù)預(yù)先指定，從而進(jìn)行自動的策略選??；文獻(xiàn)[7-8]所提出的SaDE算法根據(jù)前G代變異策略的使用情況獲得選擇每種策略的概率；文獻(xiàn)[10]成功地將SaDE應(yīng)用于ELM產(chǎn)生SaE-ELM并且取得了良好的實(shí)驗(yàn)效果，但程序編碼過程較為煩瑣；文獻(xiàn)[15]提出的多策略差分進(jìn)化算法，采用父個體作為索引的方式從策略庫中選取策略；文獻(xiàn)[16]提出了一種簡單的多策略自適應(yīng)選擇機(jī)制，通過設(shè)定自適應(yīng)策略參數(shù)實(shí)現(xiàn)種群中每個個體的策略選?。?/p>

文獻(xiàn)[16]中策略計(jì)算方式如下：

Si=

δi×K

+1

(12)

其中δi∈[0,1)為策略參數(shù)，文獻(xiàn)[16]提出了3種策略參數(shù)的選擇方法，K為策略數(shù)量．如δi∈(0,0.25)且K=4，則Si=1，表明當(dāng)前個體xi應(yīng)選擇第一種策略．

不同于文獻(xiàn)[12]提出的策略參數(shù)自適應(yīng)機(jī)制，本文提出一種基于混沌序列的參數(shù)自適應(yīng)機(jī)制．混沌序列(chaotic sequence)具有隨機(jī)性、遍歷性、普適性等特點(diǎn)．最近，一些學(xué)者成功地將混沌序列與進(jìn)化算法結(jié)合應(yīng)用到了優(yōu)化問題中，并取得了較好的結(jié)果．文獻(xiàn)[17]將混沌序列作為進(jìn)化算法控制參數(shù)選擇的策略；文獻(xiàn)[4,18]將混沌序列作為進(jìn)化算法種群初始化的有利工具．

作為混沌序列的典型模型，邏輯映射公式如下：

δk+1=μδk(1-δk)；k=1,2,…,N

(13)

其中δ∈(0,1)，δ≠0.25,0.50,0.75，k為迭代次數(shù)，μ為混沌參數(shù)，設(shè)μ=4．

本文將上述邏輯映射作為式(12)中策略參數(shù)δi的生成機(jī)制．根據(jù)上文所述可知，單一的變異策略在很多情況下無法滿足要求，故而采用多策略相互配合能夠獲得更滿意的效果．選取式(6)～(9)4種策略作為本文策略池．縮放因子通過正態(tài)分布N(0.7,0.3)隨機(jī)產(chǎn)生．對于交叉概率，首先通過多次迭代保存較優(yōu)值，待達(dá)到一定迭代次數(shù)后，將之前保存的較優(yōu)值取均值Rcmean，之后的新種群中根據(jù)正態(tài)分布N(Rcmean,0.1)隨機(jī)生成每個個體的交叉概率．綜上所述，本文提出了基于混沌序列的自適應(yīng)差分進(jìn)化算法SaCE．

3自適應(yīng)差分進(jìn)化極限學(xué)習(xí)機(jī)(SaCE-ELM)

為了克服E-ELM人工選擇變異策略的產(chǎn)生耗時(shí)、選擇不當(dāng)?shù)葐栴}，采用基于混沌序列的自適應(yīng)策略機(jī)制來實(shí)現(xiàn)差分進(jìn)化算法的多策略自適應(yīng)選取，并將其應(yīng)用到優(yōu)化極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)參數(shù)中．

給定數(shù)據(jù)集{(xi,yi)}，i=1,2,…,N，將其分為訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集、測試數(shù)據(jù)集，隱含層節(jié)點(diǎn)個數(shù)為L，激活函數(shù)g(·)采用sigmoid函數(shù)，種群數(shù)量為Np，指定縮放因子F和交叉概率Rc的初始值，隨機(jī)生成符合定義域策略參數(shù)δ，歸納SaCE-ELM算法步驟如下：

(1)初始化種群

將輸入權(quán)重和隱含層偏置作為個體進(jìn)行種群初始化，個體如下：

其中wj和bj(j=1,2,…,L)在范圍[-1,1]內(nèi)隨機(jī)初始化，G代表種群代數(shù)，i=1,2,…,Np代表種群個體序號．

(2)計(jì)算輸出權(quán)重及個體適應(yīng)度

(3)變異和交叉

通過自適應(yīng)策略分別對每個個體進(jìn)行變異策略的選擇，縮放因子和交叉概率根據(jù)上文所述方法進(jìn)行選取，進(jìn)而獲得候選個體ui,G+1．

(4)選擇

(14)

其中f(xi,G)和f(ui,G)分別為父個體和候選個體適應(yīng)度．不斷重復(fù)步驟(3)和(4)直到達(dá)到適應(yīng)度目標(biāo)值或者最大迭代次數(shù)．算法流程圖如圖1所示．

圖1　SaCE-ELM算法流程圖

4算法有效性評估

4.1基準(zhǔn)函數(shù)實(shí)驗(yàn)

基于表1中列出的10個基準(zhǔn)函數(shù)，對自適應(yīng)差分進(jìn)化算法SaCE與SaDE進(jìn)行比較，其中每個函數(shù)均在維數(shù)D=30進(jìn)行測試，對每個函數(shù)分別進(jìn)行5次實(shí)驗(yàn)后取平均值，并列出最優(yōu)值、最差值、均值、標(biāo)準(zhǔn)差，以均值為評判標(biāo)準(zhǔn)進(jìn)行比較，實(shí)驗(yàn)結(jié)果見表2．

實(shí)驗(yàn)結(jié)果表明，與SaDE相比較，SaCE在多數(shù)基準(zhǔn)函數(shù)上的優(yōu)化效果較好．其中f04函數(shù)上表現(xiàn)比SaDE差，f01、f07、f08、f09函數(shù)上表現(xiàn)與SaDE基本相同，f02、f03、f05、f06、f10函數(shù)上表現(xiàn)優(yōu)于SaDE．SaDE所用優(yōu)化時(shí)間t=3 867.73 s，SaCE優(yōu)化時(shí)間t=3 125.96 s，可見，SaCE所用優(yōu)化時(shí)間明顯少于SaDE．

4.2UCI分類數(shù)據(jù)集實(shí)驗(yàn)

為了驗(yàn)證分類器的有效性，本文從UCI數(shù)據(jù)庫選取5個典型的分類數(shù)據(jù)集Disease、Diabetes、Iris、Wine、Segment進(jìn)行實(shí)驗(yàn)驗(yàn)證．首先將所有數(shù)據(jù)集的屬性標(biāo)準(zhǔn)化到[-1,1]．然后將數(shù)據(jù)集分成訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，之后選取訓(xùn)練數(shù)據(jù)集的30%作為驗(yàn)證數(shù)據(jù)集．?dāng)?shù)據(jù)集的詳細(xì)信息見表3．

表2　基準(zhǔn)函數(shù)實(shí)驗(yàn)結(jié)果

表3　UCI分類數(shù)據(jù)集詳述

對以上數(shù)據(jù)集，所有算法均進(jìn)行多次實(shí)驗(yàn)后取平均值，實(shí)驗(yàn)結(jié)果及參數(shù)選取見表4．對于算法SaCE-ELM、SaE-ELM、E-ELM，每次實(shí)驗(yàn)種群Np設(shè)置為20，初始縮放因子F0設(shè)置為1，初始交叉概率Rc0設(shè)置為0.8，每種算法的隱含層節(jié)點(diǎn)首先在較小范圍[5,20]內(nèi)隨機(jī)生成，之后根據(jù)實(shí)驗(yàn)結(jié)果依次遞增，保留最佳節(jié)點(diǎn)個數(shù)．其中，E-ELM人工選擇4種變異策略依次實(shí)驗(yàn)，保留最優(yōu)實(shí)驗(yàn)結(jié)果．LM-NN通過最小二乘法實(shí)現(xiàn)反向傳播神經(jīng)網(wǎng)絡(luò)，隱含層節(jié)點(diǎn)選取方法同上，使用Matlab的神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行實(shí)驗(yàn)．SVM采用徑向基函數(shù)(RBF)作為核函數(shù)，懲罰因子C和核參數(shù)γ在范圍{212,211,…,2-2}和{24,23,…,2-10}內(nèi)采用網(wǎng)格搜索法進(jìn)行最佳參數(shù)選取，從而提高分類器的預(yù)測精度．如表4所示，實(shí)驗(yàn)結(jié)果列出預(yù)測精度、訓(xùn)練時(shí)間、節(jié)點(diǎn)/支持向量個數(shù)．

表4　UCI數(shù)據(jù)集實(shí)驗(yàn)結(jié)果比較

實(shí)驗(yàn)結(jié)果表明，相比于SaE-ELM、E-ELM、LM-NN和SVM，本文算法SaCE-ELM在所有實(shí)驗(yàn)數(shù)據(jù)集上均取得最高的預(yù)測精度．與本文算法相比，SaE-ELM編碼過程比本文算法煩瑣，而且訓(xùn)練時(shí)間較長．在4個較小的數(shù)據(jù)集Disease、Diabetes、Iris和Wine上，E-ELM雖然訓(xùn)練時(shí)間最短，但是其需要通過人工選擇4種變異策略保留最優(yōu)值，因而實(shí)際耗時(shí)明顯多于SaCE-ELM．采用最小二乘法實(shí)現(xiàn)的BP神經(jīng)網(wǎng)絡(luò)LM-NN，雖然在數(shù)據(jù)量較小的數(shù)據(jù)集上訓(xùn)練時(shí)間有了明顯改善，但在較大的數(shù)據(jù)集Segment上訓(xùn)練時(shí)間遠(yuǎn)遠(yuǎn)大于SaCE-ELM等算法，并且預(yù)測精度較差．SVM雖然穩(wěn)定性較好，但從實(shí)驗(yàn)結(jié)果可以得出，隨著數(shù)據(jù)量的增大，其訓(xùn)練時(shí)間增長較快．

5地鐵牽引控制單元故障診斷

5.1故障診斷流程

列車控制及監(jiān)控系統(tǒng)(TCMS)依據(jù)IEC61375標(biāo)準(zhǔn)規(guī)定的列車通信網(wǎng)絡(luò)組建，該系統(tǒng)具有牽引、制動等控制功能．其中，牽引控制單元通過接收TCMS系統(tǒng)發(fā)送的指令信息，實(shí)現(xiàn)對整車牽引系統(tǒng)的控制．列車故障診斷功能由位于TC車的診斷中央控制單元完成．該診斷系統(tǒng)具有故障信息識別以及故障信息輸出功能．

對于牽引控制單元而言，由于設(shè)備復(fù)雜而難于建立精確的數(shù)學(xué)診斷模型．同時(shí)，只有少數(shù)專家能夠通過較深的專業(yè)知識進(jìn)行故障診斷．然而，在設(shè)備工作的過程中，會不斷產(chǎn)生大量的輸入輸出數(shù)據(jù)，同時(shí)數(shù)據(jù)存儲設(shè)備會將所有數(shù)據(jù)進(jìn)行存儲．因此，基于數(shù)據(jù)分析進(jìn)行故障診斷成為了一種較好的選擇．

牽引控制單元故障診斷流程如圖2所示，其中MVB信息流即為通過MVB總線傳輸?shù)母鱾€數(shù)字量與模擬量．首先對信息流進(jìn)行篩選，將牽引控制單元接收的輸入信息流進(jìn)行特征提取、信息融合后進(jìn)行合理的數(shù)據(jù)處理，通過智能算法進(jìn)行故障診斷后，故障數(shù)據(jù)最終顯示到人機(jī)交互界面，同時(shí)，通過指定格式進(jìn)行數(shù)據(jù)存儲，以便分析．

圖2　牽引控制單元故障診斷流程圖

5.2數(shù)據(jù)提取

文獻(xiàn)[12]將與牽引控制單元有關(guān)的指令信息作為樣本的特征，包含14個數(shù)字量和模擬量，本文選取最終輸入牽引控制單元的11個變量作為樣本特征，如圖3所示．在牽引系統(tǒng)運(yùn)行過程中，如果發(fā)生故障，會產(chǎn)生牽引系統(tǒng)隔離的現(xiàn)象，最終導(dǎo)致牽引系統(tǒng)失去作用．將重要故障分為7類，即HSCB跳閘、電機(jī)電流超過2 200 A、逆變器故障、牽引電機(jī)警告級高溫、濾波電壓超過2 150 V、380 V供電故障和荷載信號故障．

圖3　牽引控制單元輸入變量

機(jī)車在運(yùn)行過程中會不斷產(chǎn)生歷史數(shù)據(jù)和新生數(shù)據(jù)，本文使用中車大連電力牽引研發(fā)中心有限公司研發(fā)的終端維護(hù)軟件PTU對已保存的故障樣本數(shù)據(jù)進(jìn)行特征及類別提?。渲?，特征變量分別位于M存儲區(qū)的M1、M2、M34區(qū)域．詳細(xì)數(shù)據(jù)提取流程如圖4所示，虛框A和B分別為故障類別以及故障特征的生成過程，最后合并成故障樣本數(shù)據(jù)．其中，故障數(shù)據(jù)保存于failure.csv文件中，故障發(fā)生時(shí)間及其指令信息保存于eventdata.csv文件中．

圖4　牽引控制單元故障數(shù)據(jù)提取流程圖

本文根據(jù)上述數(shù)據(jù)提取方式，使用PTU軟件對故障數(shù)據(jù)文件和指令信息文件提取相應(yīng)數(shù)據(jù)集，取得551組數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)集{(xi,yi)}，其中xi=(xi1xi2…xi11)?R11為進(jìn)行信息融合后的11維故障特征，yi=(yi1yi2…yi7)?R7為7類故障類別．各類別樣本均勻分布．將所有樣本屬性歸一化到[-1,1]，隨機(jī)從原始數(shù)據(jù)集中取得371個樣本作為訓(xùn)練集，取得180個樣本用作測試集，再取訓(xùn)練集的30%作為驗(yàn)證數(shù)據(jù)集用作本文算法中適應(yīng)度函數(shù)的評價(jià)樣本集．故障診斷模型經(jīng)過反復(fù)訓(xùn)練后，得出w、b、β分別作為極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的輸入權(quán)重、隱含層偏置、輸出權(quán)重，對于故障特征和故障類別的對應(yīng)關(guān)系，通過極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)進(jìn)行非線性映射．

5.3實(shí)驗(yàn)結(jié)果及分析

所有算法參數(shù)設(shè)置方法與UCI數(shù)據(jù)集實(shí)驗(yàn)基本相同．實(shí)驗(yàn)結(jié)果見表5，表中列出預(yù)測精度、訓(xùn)練時(shí)間以及節(jié)點(diǎn)/支持向量個數(shù)．

表5　TCU故障數(shù)據(jù)集實(shí)驗(yàn)結(jié)果比較

實(shí)驗(yàn)結(jié)果表明，相比其他算法，SaCE-ELM算法在TCU故障數(shù)據(jù)集上具有更好的預(yù)測精度以及較短的訓(xùn)練時(shí)間．LM-NN的訓(xùn)練時(shí)間與SaCE-ELM較為接近，但是預(yù)測精度較差．通過人工選擇E-ELM的4種變異策略并保留最佳實(shí)驗(yàn)結(jié)果后，E-ELM的訓(xùn)練時(shí)間最短，但需要額外的人工選擇時(shí)間．與SaE-ELM相比，SaCE-ELM采用較為簡單的編碼策略實(shí)現(xiàn)了自適應(yīng)策略，訓(xùn)練時(shí)間明顯降低，快速地生成了所需模型．雖然SVM的預(yù)測精度與本文算法較為接近，但訓(xùn)練時(shí)間遠(yuǎn)遠(yuǎn)大于本文算法．總而言之，將本文算法應(yīng)用于TCU故障診斷，取得了良好的實(shí)驗(yàn)結(jié)果，驗(yàn)證了本文算法的有效性．

6結(jié)語

本文提出一種基于混沌序列的自適應(yīng)差分進(jìn)化算法進(jìn)行優(yōu)化的極限學(xué)習(xí)機(jī)SaCE-ELM，作為地鐵牽引控制單元故障分類模型．不同于標(biāo)準(zhǔn)差分進(jìn)化算法的人工選擇變異策略以及參數(shù)，SaCE-ELM采用基于混沌序列的自適應(yīng)機(jī)制有效地對參數(shù)以及變異策略進(jìn)行了自適應(yīng)選擇，而且編碼過程較為簡單．實(shí)驗(yàn)結(jié)果表明，本文算法有效地減少了訓(xùn)練時(shí)間并且改善了模型的預(yù)測精度．最后，將本文算法應(yīng)用到地鐵牽引控制單元故障數(shù)據(jù)上，結(jié)果表明本文算法能有效地對地鐵牽引控制單元進(jìn)行故障診斷．

參考文獻(xiàn)：

[1] 李 晗,蕭德云. 基于數(shù)據(jù)驅(qū)動的故障診斷方法綜述[J]. 控制與決策, 2011, 26(1):1-9.

LI Han, XIAO De-yun. Survey on data driven fault diagnosis methods [J]. Control and Decision, 2011, 26(1):1-9. (in Chinese)

[2]Daley S, Newton D A, Bennett S M,etal. Methods for fault diagnosis in rail vehicle traction and braking systems [J]. IEEE Colloquium (Digest), 1995(79):1-13.

[3]Chen J, Roberts C, Weston P. Fault detection and diagnosis for railway track circuits using neuro-fuzzy systems [J]. Control Engineering Practice, 2008, 16(5):585-596.

[4]徐曉璐,吳 濤,顧 宏. 基于IPSO-SVM的地鐵車輛牽引控制單元故障診斷[J]. 大連理工大學(xué)學(xué)報(bào), 2015, 55(1):67-72.

XU Xiao-lu, WU Tao, GU Hong. Fault diagnosis of metro vehicle traction control unit based on IPSO-SVM [J]. Journal of Dalian University of Technology, 2015, 55(1):67-72. (in Chinese)

[5]Huang G B, Zhu Q Y, Siew C K. Extreme learning machine:A new learning scheme of feedforward neural networks [J]. IEEE International Conference on Neural Networks - Conference Proceedings, 2004, 2:985-990.

[6]WANG Lin, ZENG Yi, CHEN Tao. Back propagation neural network with adaptive differential evolution algorithm for time series forecasting [J]. Expert Systems with Applications, 2015, 42(2):855-863.

[7]Qin A K, Suganthan P N. Self-adaptive differential evolution algorithm for numerical optimization [C] // 2005 IEEE Congress on Evolutionary Computation, IEEE CEC 2005. Proceedings. Edinburgh:IEEE Computer Society, 2005:1785-1791.

[8]Qin A K, Huang V L, Suganthan P N. Differential evolution algorithm with strategy adaptation for global numerical optimization [J]. IEEE Transactions on Evolutionary Computation, 2009, 13(2):398-417.

[9]Zhu Q Y, Qin A K, Suganthan P N,etal. Evolutionary extreme learning machine [J]. Pattern Recognition, 2005, 38(10):1759-1763.

[10]Cao J W, Lin Z P, Huang G B. Self-adaptive evolutionary extreme learning machine [J]. Neural Processing Letters, 2012, 36(3):285-305.

[11]Hagan M T, Menhaj M B. Training feedforward networks with the Marquardt algorithm [J]. IEEE Transactions on Neural Networks, 1994, 5(6):989-993.

[12]Hsu C W, Lin C J. A comparison of methods for multiclass support vector machines [J]. IEEE Transactions on Neural Networks, 2002, 13(2):415-425.

[13]Storn R, Price K. Differential evolution-a simple and efficient heuristic for global optimization over continuous spaces [J]. Journal of Global Optimization, 1997, 11(4):341-359.

[14]Zamuda A, Brest J, Bo?kovi

c'

B,etal. Large scale global optimization using differential evolution with self-adaptation and cooperative co-evolution [C] // 2008 IEEE Congress on Evolutionary Computation, CEC 2008. Piscataway:IEEE Computer Society, 2008:3718-3725.

[15]俞國燕,李 鵬,何 真,等. 帶自適應(yīng)動態(tài)變異和二次變異的差分進(jìn)化算法[J]. 計(jì)算機(jī)集成制造系統(tǒng), 2010, 16(5):987-993.

YU Guo-yan, LI Peng, HE Zhen,etal. Differential evolution with adaptive dynamic mutation & second mutation [J]. Computer Integrated Manufacturing Systems, 2010, 16(5):987-993. (in Chinese)

[16]GONG Wen-yin, CAI Zhi-hua, Ling C X,etal. Enhanced differential evolution with adaptive strategies for numerical optimization [J]. IEEE Transactions on Systems, Man, and Cybernetics, Part B:Cybernetics, 2011, 41(2):397-413.

[17]CHEN Guang-yu, DING Xiao-qun. An improved differential evolution method based on the dynamic search strategy to solve dynamic economic dispatch problem with valve-point effects [J]. Abstract and Applied Analysis, 2014, 2014:175417.

[18]Caponetto R, Fortuna L, Fazzino S,etal. Chaotic sequences to improve the performance of evolutionary algorithms [J]. IEEE Transactions on Evolutionary Computation, 2003, 7(3):289-304.

[19]Bartlett P L. Sample complexity of pattern classification with neural networks:the size of the weights is more important than the size of the network [J]. IEEE Transactions on Information Theory, 1998, 44(2):525-536.

Fast fault diagnosis of metro traction control unit based on SaCE-ELM

YUEZhong-qi1,WUTao1,2,GUHong*1

( 1.School of Control Science and Engineering, Dalian University of Technology, Dalian 116024, China；2.CRRC Dalian R&D Co., Ltd., Dalian 116052, China )

Abstract：Metro traction control unit (TCU) plays a key role in the operation of subway. It is important for the normal operation of subway to diagnose the TCU fault timely and effectively. However, the traditional fault diagnosis methods usually have some disadvantages, such as slow learning speed, falling into local optimum easily and poor prediction accuracy. To solve these problems, extreme learning machine based on adaptive differential evolution algorithm (SaCE-ELM) is proposed. The input weights, the implicit layer parameters and the output weights of the extreme learning machine are optimized by adaptive differential evolution algorithm. The variation strategy of differential evolution algorithm is generated by the adaptive mechanism based on chaotic sequence, and other parameters are randomly generated using normal distribution. The output weights of the network are calculated using Moore-Penrose generalized inverse matrix. SaCE-ELM doesn′t need artificial selection of variation strategy and parameters, and its adaptive strategy is simpler than that of SaE-ELM. Experimental results show that SaCE-ELM has better prediction accuracy compared with E-ELM, SaE-ELM, LM-NN and SVM. Moreover, the training time of SaCE-ELM is shorter than that of SaE-ELM and SVM in all experimental datasets,which demonstrates that the efficiency of model generation has been improved.

Key words：traction control unit; fault diagnosis; extreme learning machine; differential evolution algorithm

中圖分類號：U269.9

文獻(xiàn)標(biāo)識碼：A

doi:10.7511/dllgxb201603008

作者簡介:岳忠奇(1990-)，男，碩士生，E-mail:yzq0058@mail.dlut.edu.cn；顧 宏*(1961-)，男，教授，博士生導(dǎo)師，E-mail:guhong@dlut.edu.cn.

基金項(xiàng)目:國家自然科學(xué)基金資助項(xiàng)目(U1560102)；高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金資助項(xiàng)目(20120041110008).

收稿日期：2015-10-21；修回日期: 2016-03-07．

文章編號：1000-8608(2016)03-0270-09