基于GA改進(jìn)ANN算法的車載網(wǎng)控系統(tǒng)故障診斷

楊慧榮

(河南工業(yè)貿(mào)易職業(yè)學(xué)院 汽車工程學(xué)院,河南 鄭州 451191)

0 引言

車載網(wǎng)控系統(tǒng)是保證運(yùn)行安全的一類重要控制設(shè)備,也是確保鐵路系統(tǒng)穩(wěn)定運(yùn)行的核心部件。根據(jù)實(shí)際統(tǒng)計(jì)數(shù)據(jù)可知,車載網(wǎng)控系統(tǒng)出現(xiàn)故障的情況較多[1-2]?，F(xiàn)階段,如果還是根據(jù)工作人員自身經(jīng)驗(yàn)來(lái)檢測(cè)車載網(wǎng)控系統(tǒng)故障將無(wú)法適應(yīng)現(xiàn)代化交通運(yùn)輸?shù)母咚龠\(yùn)行要求,必須開(kāi)發(fā)更加高效的車載網(wǎng)控系統(tǒng)故障檢測(cè)才能滿足應(yīng)用需求[3-4]。由于ANN是以隨機(jī)方式來(lái)選擇初始權(quán)值與閾值,從而產(chǎn)生局部極小值,導(dǎo)致每次訓(xùn)練將會(huì)得到差異較大的結(jié)果[5]。最初選擇得到的故障特征具有一定冗余和相容性,RoughSets理論可以實(shí)現(xiàn)定性分析以及遺傳算法功能,從而完成數(shù)據(jù)的降維處理并選擇得到合適的特征[6]。王雪[7]提出了基于系統(tǒng)調(diào)用序列實(shí)現(xiàn)車載主機(jī)設(shè)備,構(gòu)建了基于網(wǎng)格搜索-K近鄰的入侵檢測(cè)模型,試驗(yàn)證明提出方法能夠?qū)崿F(xiàn)網(wǎng)絡(luò)入侵的有效檢測(cè)。聞品[8]針對(duì)動(dòng)車組內(nèi)無(wú)線通信質(zhì)量問(wèn)題,運(yùn)用CST電磁仿真建立車廂內(nèi)部車載天線布局模型,將車內(nèi)傳輸效果與自由空間進(jìn)行對(duì)比,驗(yàn)證了所設(shè)計(jì)天線的有效性及其布局的可靠性。

本文在粗糙集以及遺傳ANN方法基礎(chǔ)上構(gòu)建得到車載故障診斷模型。之后把尋優(yōu)結(jié)果代到神經(jīng)網(wǎng)絡(luò)內(nèi)再以BP算法完成訓(xùn)練。通過(guò)上述方法使ANN泛化方法充分發(fā)揮出來(lái)映射性能,同時(shí)可以防止產(chǎn)生局部極小值的情況,獲得更高的分類精度。該方法可以確保在正常分類能力的基礎(chǔ)上,實(shí)現(xiàn)對(duì)原有樣本集的充分簡(jiǎn)化,從而獲得更高的訓(xùn)練效率。

1 車載網(wǎng)控系統(tǒng)

CTCS-3車載系統(tǒng)通常選擇C2/C3一體化方法,并且基本采用分布式結(jié)構(gòu),對(duì)于300T車載雙系設(shè)備進(jìn)行分析可知,其核心控制模塊屬于一種“單硬件雙軟件”結(jié)構(gòu),通過(guò)車載網(wǎng)控系統(tǒng)Profibus總線跟車輛MVB雙總線連接[9]。在CTCS3-300T車載網(wǎng)控系統(tǒng)中,各組成部分包括CTCS-3控制單元(ATPCU)、測(cè)速測(cè)距單元(SDU)、CTCS-2控制單元(C2CU)、軌道電路信息接收單元(TCR)、應(yīng)答器信息接收模塊(BTM+CAU)、司法記錄單元(JRU)、人機(jī)界面(DMI)、安全無(wú)線傳輸單元((STU-V)、網(wǎng)關(guān)(TSG)、安全數(shù)字輸入輸出單元(VDX)等。

2 GA優(yōu)化ANN

利用GA實(shí)現(xiàn)對(duì)ANN初始權(quán)閾值的優(yōu)化過(guò)程,促進(jìn)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程更快完成收斂過(guò)程,完成ANN優(yōu)化之后可以更加高效輸出預(yù)測(cè)函數(shù),圖1為GA優(yōu)化ANN流程圖[10]。具體步驟如下所示。

圖1 GA優(yōu)化ANN流程圖

利用適應(yīng)度函數(shù)來(lái)評(píng)估種群內(nèi)個(gè)體,表現(xiàn)出來(lái)性能優(yōu)良結(jié)果,當(dāng)適應(yīng)度提高后,被選中的概率也會(huì)提高,先縮小以神經(jīng)網(wǎng)絡(luò)得到的最優(yōu)解范圍,之后利用BP算法實(shí)施精確計(jì)算,避免神經(jīng)網(wǎng)絡(luò)出現(xiàn)局部極小的情況,顯著提高收斂速度,有效控制訓(xùn)練次數(shù)。將神經(jīng)網(wǎng)絡(luò)誤差能量作為目標(biāo)函數(shù)時(shí),應(yīng)盡量控制誤差到較小值;通過(guò)遺傳算法來(lái)優(yōu)化ANN時(shí),需盡量提高適應(yīng)度值,將GA適應(yīng)度函數(shù)F表示為如下形式:

F=(E+α)-1.

式中,N代表種群的規(guī)模;y′(k)與y(k)依次對(duì)應(yīng)該神經(jīng)網(wǎng)絡(luò)的第k個(gè)節(jié)點(diǎn)期望輸出值和實(shí)際結(jié)果;α屬于很小的正數(shù)。

3 故障診斷分析

選擇AElog故障數(shù)據(jù)作為測(cè)試樣本,構(gòu)建得到空間向量模型(VSM),數(shù)據(jù)處理通過(guò)主分量啟發(fā)式算法完成。通過(guò)遺傳算法來(lái)實(shí)現(xiàn)對(duì)神經(jīng)網(wǎng)絡(luò)初始權(quán)值及閾值的優(yōu)化處理,之后再利用BP算法完成訓(xùn)練與分類。圖2給出了具體診斷流程。

圖2 車載網(wǎng)控系統(tǒng)故障診斷模型

4 結(jié)果分析

選擇Matlab/simulink來(lái)建立仿真集成環(huán)境并對(duì)ANN進(jìn)行訓(xùn)練,以trainlm作為訓(xùn)練函數(shù),得到圖3所示的訓(xùn)練誤差曲線。經(jīng)測(cè)試發(fā)現(xiàn)到達(dá)第24步時(shí)發(fā)生了收斂。在GA-ANN網(wǎng)絡(luò)結(jié)構(gòu)中使用和ANN網(wǎng)絡(luò)同樣的訓(xùn)練樣本,但ANN網(wǎng)絡(luò)權(quán)值及其閾值在初始化過(guò)程中是通過(guò)系統(tǒng)進(jìn)行隨機(jī)分配得到。設(shè)置初始種群數(shù)目40個(gè),選擇參數(shù)0.09,交叉算子0.75,變異概率0.01。

圖3 誤差曲線

之后對(duì)網(wǎng)絡(luò)性能進(jìn)行評(píng)價(jià),所使用的評(píng)價(jià)指標(biāo)包括收斂步數(shù)與樣本誤差。以支持向量機(jī)SVM和粒子群算法PSO作為參考對(duì)象,根據(jù)測(cè)試結(jié)果獲得表1的結(jié)果。通過(guò)分析表1可知:

表1 實(shí)驗(yàn)結(jié)果對(duì)比

1) 相比較支持向量機(jī)SVM和粒子群算法PSO算法,采用遺傳算法可以有效優(yōu)化平均誤差及數(shù)據(jù)正確率,并且有效降低迭代次數(shù)。表明可以通過(guò)屬性約簡(jiǎn)方法來(lái)提升神經(jīng)網(wǎng)絡(luò)運(yùn)算性能,驗(yàn)證了本文方法的準(zhǔn)確性。

2) 相比較單獨(dú)的BP網(wǎng)絡(luò),經(jīng)過(guò)遺傳算法優(yōu)化處理BP在訓(xùn)練過(guò)程中可以獲得比初始BP更快時(shí)收斂速率。相比較單獨(dú)的ANN網(wǎng)絡(luò),經(jīng)過(guò)遺傳算法優(yōu)化處理ANN在訓(xùn)練過(guò)程中可以獲得比初始ANN更快時(shí)收斂速率。

5 結(jié)論

本文設(shè)計(jì)了一種基于GA改進(jìn)ANN算法的車載網(wǎng)控系統(tǒng)故障診斷方法,研究得到如下有意結(jié)果:

1) 在分析車載網(wǎng)控系統(tǒng)組成結(jié)構(gòu)的基礎(chǔ)上,利用GA來(lái)實(shí)現(xiàn)對(duì)ANN初始權(quán)閾值的優(yōu)化過(guò)程,促進(jìn)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程更快完成收斂過(guò)程,并給出了GA優(yōu)化ANN具體流程。

2) 采用遺傳算法可以有效優(yōu)化平均誤差及數(shù)據(jù)正確率,并且有效降低迭代次數(shù),表明可以通過(guò)遺傳算法方法來(lái)提升神經(jīng)網(wǎng)絡(luò)運(yùn)算性能。經(jīng)過(guò)遺傳算法優(yōu)化處理的ANN在訓(xùn)練過(guò)程中可以獲得比初始ANN更快時(shí)收斂速率。