CN113139335B - 一种基于bp神经网络的轨道电路故障智能诊断方法 - Google Patents

一种基于bp神经网络的轨道电路故障智能诊断方法 Download PDF

Info

Publication number
CN113139335B
CN113139335B CN202110380464.XA CN202110380464A CN113139335B CN 113139335 B CN113139335 B CN 113139335B CN 202110380464 A CN202110380464 A CN 202110380464A CN 113139335 B CN113139335 B CN 113139335B
Authority
CN
China
Prior art keywords
neural network
training
fault
sample data
circuit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110380464.XA
Other languages
English (en)
Other versions
CN113139335A (zh
Inventor
禹建丽
卢皎
孙可心
刘苏晓
赵国正
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou Youxin Algorithm Intelligent Technology Co ltd
Original Assignee
Zhengzhou Youxin Algorithm Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhengzhou Youxin Algorithm Intelligent Technology Co ltd filed Critical Zhengzhou Youxin Algorithm Intelligent Technology Co ltd
Priority to CN202110380464.XA priority Critical patent/CN113139335B/zh
Publication of CN113139335A publication Critical patent/CN113139335A/zh
Application granted granted Critical
Publication of CN113139335B publication Critical patent/CN113139335B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Water Supply & Treatment (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明涉及轨道电路故障诊断技术领域，本发明公开了一种基于BP神经网络的轨道电路故障智能诊断方法，步骤一、轨道电路区段变量的实时监测；骤二、训练样本和测试样本的划分；步骤三、训练样本数据集和测试样本数据集的归一化处理；步骤四、BP神经网络net的训练；步骤五、利用BP神经网络net对轨道电路故障的诊断。该发明通过BP神经网络对轨道电路中29种故障数据进行测试，测试准确率较高；当故障发生时，可首先迅速定位故障发生的位置，准确率可达99.9%，同时可具体判断故障类型，准确率为97.13%~99.4%；可以为现场维修人员提供指导，减少维修时间，提高信号***的可靠性。

Description

一种基于BP神经网络的轨道电路故障智能诊断方法
技术领域
本发明涉及轨道电路故障诊断技术领域，尤其涉及ZPW-2000R型轨道电路的一种基于BP神经网络的轨道电路故障智能诊断方法。
背景技术
铁路运输的安全性是实现铁路整体高效运行的基本保证。铁路区间广泛铺设的ZPW-2000系列无绝缘移频轨道电路是列车运行控制***的基础设备，主要用于实现对区间的占用检查，断轨检查以及地车通讯。轨道电路的正常工作是列车安全运行的重要保障。由于轨道电路室外设备易受温度、湿度等复杂环境因素影响，同时也因***各个部件运行状况等原因，使得轨道电路故障时有发生，其结果会影响铁路运营效率甚至行车安全。
目前，ZPW-2000R型轨道电路铺设在全国数千公里的铁路线上，工作环境复杂，故障类型数目多，实现快速准确的故障智能诊断难度大。现有技术中对轨道电路中故障诊断主要存在的问题是：ZPW-2000R轨道电路发生故障时，主要依赖现场人员的工作经验，对设备相关部位进行数据测试或利用微机监测数据，根据电路的电气特性等应用逻辑分析对故障位置进行定位。当遇到较为罕见的故障模式时，故障特征较为复杂，难以依据已有经验进行准确的快速故障诊断。发明人基于现有技术中的上述缺陷研发了一种基于BP神经网络的轨道电路故障智能诊断方法，能够很好地解决现有技术中存在的上述问题。
发明内容
本发明的目的是为了解决上述现有技术问题存在的不足，提供了一种基于BP神经网络的轨道电路故障智能诊断方法，为了摆脱轨道电路故障诊断对人的依赖，提高故障诊断效率，增加轨道电路信号***的安全性和可靠性。
本发明所采用技术方案如下：一种基于BP神经网络的轨道电路故障智能诊断方法，步骤一、轨道电路区段变量的实时监测：1、利用ZPW-2000R型轨道电路原理，将轨道电路中的故障划分为三大类，分别为发送通道故障、接受通道故障和轨道故障三大类；2、根据轨道电路原理及实际运行环境设计正交实验表，通过模拟实验对每个轨道电路区段的供出电压、供出电流、发送电缆的电压、发送电缆电流40个变量进行监测并记录；
步骤二、训练样本和测试样本的划分：步骤一中的三大故障类型共16个场景的10860组数据，每组数据由本区段和前后两区段的监测变量共120个数据组成，将10860组数据分组，取数据的30％作为测试样本数据集，70％作为训练样本数据集；
步骤三、训练样本数据集和测试样本数据集的归一化处理：将步骤二中整理后的训练样本数据集和测试样本数据集中的各个监测变量进行归一化处理，归一化的公式为：
Figure GDA0004089771030000021
其中，x为归一化前的数据，xnorrm为归一化后的数据，xmin，xmax为原始数据的最大值和最小值；
步骤四、BP神经网络net的训练：1、将步骤三中归一化的训练样本数据集的三大故障类型共16个场景的7602组数据，通过BP神经网络net1的前向传播、误差反向传播以及参数的调节，正向传播时，输入的信息从输入层传递到输出层，通过计算期望输出向量D和实际输出向量O之间的误差e，若没有达到所需要的精度，则进行反向传播，对各层神经元的权值和阈值进行调整，使实际输出向量不断逼近期望输出向量，直到误差e满足BP神经网络net1模型故障参数的误差设置，如果满足，完成BP神经网络netl的训练，并确定BP神经网络net1模型的权值和参数；
误差e的计算公式为：
Figure GDA0004089771030000022
其中D为期望输出向量；O为实际输出向量；e为期望输出向量和实际输出向量之间的误差；
2、如果实际输出向量与目标输出向量之间的误差e与BP神经网络net1模型设置的误差不符合时，通过调整隐含层权值Wij，使得误差e达到最小值，并同时检查BP神经网络net1的误差e是否达到所设定的误差值，如果到达则完成BP神经网络net1模型训练，如果不能到达，则将训练样本数据集的三大故障类型共16个场景的7602组训练样本数据重新输入到BP神经网络net1中重新训练；
步骤五、利用BP神经网络net对轨道电路故障的诊断：
1、首先，将划分好的训练样本数据共7602组，其中包含三大类故障数据5922组和正常样本数据1680组作为BP神经网络net1的输入，将发送通道故障、接收通道故障、轨道故障以及正常情况作为神经网络的四种输出，分别用1000、0100、0010、0001表示；训练BP神经网络，训练步长为10000，目标精度为0.01，输出层神经元个数为4，隐层与输出层神经元传递函数选择S型的正切函数tansig，网络训练采用Levenberg-Marquar算法trailm；
2、将发送通道的1777组训练样本数据作为神经网络net2的输入，将功出至发送防雷模拟网络盘断线、发送防雷模拟网络盘模拟端子短路、发送防雷模拟网络盘模拟端子断线、发送实际电缆模拟端子短路、发送实际电缆模拟端子断线、FBP电缆侧开路、FBP电缆侧短路、FBP钢轨引接线开路八种故障类型作为输出，分别用1 0 0 0 0 0 0 0、0 1 0 0 0 00 0、0 0 1 00 0 0 0、0 0 0 1 0 0 0 0、0 0 0 0 1 0 0 0、0 0 0 0 0 1 0 0、0 0 0 0 00 1 0、0 0 0 0 0 0 0 1表示，训练BP神经网络；设置训练步长为100000，目标精度为0.01，训练神经网络；实验发现，当采用采用Levenberg-Marquar算法trailm时，由于所分类别较多，训练神经网络时间较长，故选取traingdx算法作为训练函数，输出层神经元个数为8，隐层与输出层神经元传递函数选择S型的正切函数tansig；为了提高神经网络的准确率，分别设置隐含层个数为10，20，40，学习率为0.005、0.001、0.01分组进行实验，并将测试样本代入训练好的神经网路对比准确率，当隐层个数为20个、学习率为0.005时，测试样本数据集诊断轨道电路故障准确率达到97.13％，且训练网络时间最快；
3、将接收通道的1792组训练样本数据作为BP神经网络net3的输入，接收防雷模拟网络盘模拟端子短路、接收防雷模拟网络盘模拟端子断路、接收实际电缆模拟端子短路、接收实际电缆模拟端子断线、JBP电缆侧开路、JBP电缆侧短路、JBP钢轨引接线开路、接收防雷模拟网络盘至衰耗器间配线开路八种故障类型作为输出，分别用1 0 0 0 0 0 0 0、0 1 00 0 0 00、0 0 1 0 0 0 0 0、0 0 0 1 0 0 0 0、0 0 0 0 1 0 0 0、0 0 0 0 0 1 0 0、0 00 0 0 0 1 0、0 0 0 0 0 0 01表示，训练BP神经网络。根据训练网络net2所用参数，选取traingdx算法作为训练函数，输出层神经元个数为8，隐层与输出层神经元传递函数选择S型的正切函数tansig，隐层个数为20个、学习率为0.005；网络测试样本数据集诊断轨道电路故障准确率可达到97.65％；4、将轨道故障的2352组训练样本数据作为BP神经网络net4的输入，FBP钢轨引接线短路、FBA钢轨引接线短路、FBA钢轨引接线开路、JBP钢轨引接线短路、JBA钢轨引接线短路、JBA钢轨引接线开路、接收侧SVA开路、接收侧SVA短路、主轨道断轨、主轨道分路、小轨道断轨、小轨道分路、补偿电容断线十三种故障类型作为输出，分别用1 0 0 0 0 0 0 0 0 0 00 0、0 1 0 0 0 0 0 0 0 0 0 0 0、0 0 1 0 0 0 0 0 0 0 0 0 0、0 0 0 1 0 0 0 0 0 0 0 0 0、0 0 0 0 1 0 0 0 00 0 0 0、0 0 0 0 0 1 0 0 0 0 0 0 0、0 0 0 0 0 0 1 0 0 0 0 0 0、0 0 0 0 0 0 0 1 0 0 0 0 0、0 0 0 0 0 0 00 1 0 0 0 0、0 0 0 0 0 0 0 0 0 1 0 0 0、0 0 0 0 0 0 0 0 0 0 1 0 0、0 0 0 0 0 0 0 0 0 0 0 10、0 0 0 0 00 0 0 0 0 0 0 1表示，训练BP神经网络；根据训练网络net4所用参数，选取traingdx算法作为训练函数，输出层神经元个数为13，隐层与输出层神经元传递函数选择S型的正切函数tansig，隐层个数为20个、学习率为0.005；网络测试样本数据集诊断轨道电路中故障准确率可达到99.4％。
其中步骤二中，将属于发送通道的故障再细分为功出至发送防雷模拟网络盘断线、发送防雷模拟网络盘模拟端子短路等8种故障类型，训练神经网络记为net2；将属于接收通道的故障细分为接收防雷模拟网络盘模拟端子短路、接收防雷模拟网络盘模拟端子断路等8种故障类型，训练神经网络记为net3；将属于轨道故障的分为主轨道断轨、小轨道分路等13种故障类型，训练神经网络记为net4。
其中步骤四、步骤五中的BP神经网络net1、BP神经网络net2、BP神经网络net3和BP神经网络net4由输入层、隐层和输出层组成。
其中步骤一中，1、利用ZPW-2000R型轨道电路原理，将轨道电路中的故障划分为三大类，分别为发送通道故障、接受通道故障和轨道故障三大类；2、采用设计正交实验表的方式进行模拟实验，通过诊断主机对每个轨道电路区段的供出电压、供出电流、发送电缆的电压、发送电缆电流40个变量；这样做的主要目的是：更加全面的采集了轨道电路不同运行环境下的监测数据，使神经网络模型更具有普适性。
其中步骤二中，将步骤一中的三大故障类型共16个场景的10860组数据，每组数据由本区段和前后两区段的监测变量共120个数据组成，并同时将10860组数据分组，取数据的30％作为测试样本数据集，70％作为训练样本数据集；这样做的主要目的是：通过分析轨道电路在实际工作中常见的故障类型，结合电路原理及实际工作经验，将故障类型划分为发送通道故障，接收通道故障和轨道故障三大类的基础上，再区分为29种具体故障类型；这样做的主要目的是：一方面细化了故障的类型，为实际现场故障的判断提供了依据；另一方面，通过对故障类型的细化，为训练样本数据集和检测样本数据集提供了实时监测的故障数据集，为BP神经网络模型的结构建立，提供了参数设置依据，同时为BP神经网络模型的训练提供了条件。
其中步骤三中，将步骤二中整理后的训练样本和测试样本中的各个监测变量进行归一化处理。这样做的主要目的是：为了提高通过BP神经网络诊断轨道电路中故障诊断的准确率。
其中步骤四中，1、将步骤三中归一化的训练样本数据集的三大故障类型共16个场景的7062组数据，通过BP神经网络net1的前向传播、误差反向传播以及参数的调节，正向传播时，输入的信息从输入层传递到输出层，通过计算期望输出向量D和实际输出向量O之间的误差e，若没有达到所需要的精度，则进行反向传播，对各层神经元的权值和阈值进行调整，使实际输出向量不断逼近期望输出向量，直到误差e满足BP神经网络net1模型故障参数的误差设置，如果满足，完成BP神经网络net1的训练，并确定BP神经网络net1模型的误差阈值；2、如果实际输出向量与BP神经网络net1模型故障参数的误差设置不符合时，通过调整隐含层权值Wij，使得误差e达到最小值，并同时检查BP神经网络net1的误差e是否达到所设定的误差值，如果到达则完成BP神经网络net1模型训练，如果不能到达，则将训练样本数据集的三大故障类型共16个场景的7062组数据重新输入到BP神经网络net1中重新训练；这样做的主要目的是：通过BP神经网络net1的前向传播、误差反向传播以及参数的调节，一方面实现对期望输出向量D和实际输出向量O之间的误差e的优化训练；另一方面，如果实际输出向量与BP神经网络netl模型故障参数的误差设置不符合时，通过调整隐含层权值Wij，使得误差e达到最小值，并同时检查BP神经网络net1的误差e是否达到所设定的误差值，通过误差e是否与设置的误差值相符程度，来判断BP神经网络net1是否训练完成。
其中步骤五中，首先，将划分好的训练样本数据共7602组，其中包含三大类故障数据5922组和正常样本数据1680组作为BP神经网络net1的输入，将发送通道故障、接收通道故障、轨道故障以及正常情况作为神经网络的四种输出，分别用1000、0100、0010、0001表示；训练BP神经网络，训练步长为10000，目标精度为0.01，输出层神经元个数为4，隐层与输出层神经元传递函数选择S型的正切函数tansig，网络训练采用Levenberg-Marquar算法trailm。这样做的主要目的是：通过训练步长、目标精度、输出层神经元个数、隐层与输出层神经元传递函数以及算法的优化选择，实现对训练样本数据共7602组的故障诊断。
其中步骤五中，将发送通道的1777组训练样本数据作为BP神经网络net2的输入，将功出至发送防雷模拟网络盘断线、发送防雷模拟网络盘模拟端子短路、发送防雷模拟网络盘模拟端子断线、发送实际电缆模拟端子短路、发送实际电缆模拟端子断线、FBP电缆侧开路、FBP电缆侧短路、FBP钢轨引接线开路八种故障类型作为输出，分别用10000000、01000000、00100000、00010000、00001000、00000100、00000010、00000001表示，训练BP神经网络；设置训练步长为100000，目标精度为0.01，训练神经网络；实验发现，当采用采用Levenberg-Marquar算法trailm时，由于所分类别较多，训练神经网络时间较长，故选取traingdx算法作为训练函数，输出层神经元个数为8，隐层与输出层神经元传递函数选择S型的正切函数tansig；为了提高神经网络的准确率，分别设置隐含层个数为10、20、40，学习率为0.005、0.001、0.01分组进行实验，并将测试样本代入训练好的神经网路对比准确率，当隐层个数为20个、学习率为0.005时，测试样本数据集诊断轨道电路故障准确率达到97.13％，且训练网络时间最快；这样做的主要目的是：通过选取traingdx算法作为训练函数，输出层神经元个数为8，隐层与输出层神经元传递函数选择S型的正切函数tansig，隐层个数为20个、学习率为0.005时，可以实现对发送通道的1777组训练样本数据训练，并利用BP神经网络net2对发送通道的1777组数据故障的诊断。
其中步骤五中，将接收通道的1792组训练样本数据作为BP神经网络net3的输入，接收防雷模拟网络盘模拟端子短路、接收防雷模拟网络盘模拟端子断路、接收实际电缆模拟端子短路、接收实际电缆模拟端子断线、JBP电缆侧开路、JBP电缆侧短路、JBP钢轨引接线开路、接收防雷模拟网络盘至衰耗器间配线开路八种故障类型作为输出，分别用1 0 0 000 0 0、0 1 0 0 0 0 0 0、0 0 1 0 0 0 0 0、0 0 0 1 0 0 0 0、0 0 0 0 1 0 0 0、0 0 00 0 1 0 0、0 0 0 00 0 1 0、0 0 0 0 0 0 0 1表示，训练BP神经网络。根据训练网络net2所用参数，选取traingdx算法作为训练函数，输出层神经元个数为8，隐层与输出层神经元传递函数选择S型的正切函数tansig，隐层个数为20个、学习率为0.005；网络测试样本数据集诊断轨道电路故障准确率可达到97.65％。这样做的主要目的是：根据训练网络net2所用参数，选取traingdx算法作为训练函数，输出层神经元个数为8，隐层与输出层神经元传递函数选择S型的正切函数tansig，隐层个数为20个、学习率为0.005的选择，实现对接收通道的1792组数据故障的诊断。
其中步骤五中，将轨道故障的2352组训练样本数据作为BP神经网络net4的输入，FBP钢轨引接线短路、FBA钢轨引接线短路、FBA钢轨引接线开路、JBP钢轨引接线短路、JBA钢轨引接线短路、JBA钢轨引接线开路、接收侧SVA开路、接收侧SVA短路、主轨道断轨、主轨道分路、小轨道断轨、小轨道分路、补偿电容断线十三种故障类型作为输出，分别用1 0 0 0 00 0 0 0 0 0 0 0、0 1 0 0 0 0 0 0 0 0 0 0 0、0 0 1 0 0 0 0 0 0 0 0 0 0、0 0 0 1 00 0 0 00 0 0 0、0 0 0 0 1 0 0 0 0 0 0 0 0、0 0 0 0 0 1 0 0 0 0 0 0 0、0 0 0 0 00 1 0 0 0 0 0 0、0 0 0 0 0 0 01 0 0 0 0 0、0 0 0 0 0 0 0 0 1 0 0 0 0、0 0 0 0 00 0 0 0 1 0 0 0、0 0 0 0 0 0 0 0 0 0 1 0 0、0 0 0 0 00 0 0 0 0 0 1 0、0 0 0 0 00 0 0 0 0 0 0 1表示，训练BP神经网络；根据训练网络net4所用参数，选取traingdx算法作为训练函数，输出层神经元个数为13，隐层与输出层神经元传递函数选择S型的正切函数tansig，隐层个数为20个、学习率为0.005；网络测试样本数据集诊断轨道电路中故障准确率可达到99.4％。这样做的主要目的是：根据训练网络net4所用参数，选取traingdx算法作为训练函数，输出层神经元个数为13，隐层与输出层神经元传递函数选择S型的正切函数tansig，隐层个数为20个、学习率为0.005的优化选择，实现对轨道故障的2352组轨道电路故障的诊断，并同时对BP神经网络net4进行训练。
本发明的有益效果：本发明提供了一种基于BP神经网络的轨道电路故障智能诊断方法，本发明通过BP神经网络对轨道电路中29种故障数据进行测试，测试准确率较高；当故障发生时，可首先迅速定位故障发生的位置，准确率可达99.9％，同时可具体判断故障类型，准确率为97.13％～99.4％；可以为现场维修人员提供指导，减少维修时间，提高信号***的可靠性。
附图说明：
图1为本发明现有技术中ZPW-2000R型轨道电路的拓扑结构图；
图2为本发明基于BP神经网络的轨道电路诊断模型图；
图3为本发明BP神经网络结构图；
图4为本发明轨道电路中故障类型以及训练样本和测试样本分组情况；
图5为本发明BP神经网络net1均方误差曲线；
图6为本发明BP神经网络net1拟合度曲线；
图7为本发明BP神经网络诊断准确率对比图；
图8为本发明训练BP神经网络所用时间对比图；
图9为本发明BP神经网络net2均方误差曲线；
图10为本发明BP神经网络net2拟合度曲线；
图11为本发明BP神经网络net3均方误差曲线；
图12为本发明BP神经网络net3拟合度曲线；
图13为本发明诊断轨道电路中29种故障的均方误差曲线；
图14为本发明诊断轨道电路中29种故障的拟合度曲线；
具体实施方式
以下结合具体实施例对本发明做进一步描述，这些实施例仅用于说明本发明而不用于限制本发明的范围。
一种基于BP神经网络的轨道电路故障智能诊断方法，
步骤一、轨道电路区段变量的实时监测：1、利用ZPW-2000R型轨道电路原理，将轨道电路中的故障划分为三大类，分别为发送通道故障、接受通道故障和轨道故障三大类；2、根据轨道电路原理及实际运行环境设计正交实验表，通过模拟实验对每个轨道电路区段的供出电压、供出电流、发送电缆的电压、发送电缆电流40个变量进行监测并记录；
步骤二、训练样本和测试样本的划分：步骤一中的三大故障类型共16个场景的10860组数据，每组数据由本区段和前后两区段的监测变量共120个数据组成，将10860组数据分组，取数据的30％作为测试样本数据集，70％作为训练样本数据集；
步骤三、训练样本数据集和测试样本数据集的归一化处理：将步骤二中整理后的训练样本数据集和测试样本数据集中的各个监测变量进行归一化处理，归一化的公式为：
Figure GDA0004089771030000081
其中，x为归一化前的数据，xnorm为归一化后的数据，xmin，xmax为原始数据的最大值和最小值；
步骤四、BP神经网络net的训练：1、将步骤三中归一化的训练样本数据集的三大故障类型共16个场景的7602组数据，通过BP神经网络net的前向传播、误差反向传播以及参数的调节，正向传播时，输入的信息从输入层传递到输出层，通过计算期望输出向量D和实际输出向量O之间的误差e，若没有达到所需要的精度，则进行反向传播，对各层神经元的权值和阈值进行调整，使实际输出向量不断逼近期望输出向量，直到误差e满足BP神经网络net模型故障参数的误差设置，如果满足，完成BP神经网络net1的训练，并确定BP神经网络net模型的权值和参数；
误差e的计算公式为：
Figure GDA0004089771030000082
其中D为期望输出向量；O为实际输出向量；e为为期望输出向量和实际输出向量之间的误差；
2、如果实际输出向量与目标输出向量之间的误差e与BP神经网络net模型设置的误差不符合时，通过调整隐含层权值Wij，使得误差e达到最小值，并同时检查BP神经网络net的误差e是否达到所设定的误差值，如果到达则完成BP神经网络net模型训练，如果不能到达，则将训练样本数据集的三大故障类型共16个场景的7602组训练样本数据重新输入到BP神经网络net中重新训练；
步骤五、利用BP神经网络net对轨道电路故障的诊断：
1、首先，将划分好的训练样本数据共7602组，其中包含三大类故障数据5922组和正常样本数据1680组作为BP神经网络net1的输入，将发送通道故障、接收通道故障、轨道故障以及正常情况作为神经网络的四种输出，分别用1000、0100、0010、0001表示；训练BP神经网络，训练步长为10000，目标精度为0.01，输出层神经元个数为4，隐层与输出层神经元传递函数选择S型的正切函数tansig，网络训练采用Levenberg-Marquar算法trailm；
2、将发送通道的1777组训练样本数据作为神经网络net2的输入，将功出至发送防雷模拟网络盘断线、发送防雷模拟网络盘模拟端子短路、发送防雷模拟网络盘模拟端子断线、发送实际电缆模拟端子短路、发送实际电缆模拟端子断线、FBP电缆侧开路、FBP电缆侧短路、FBP钢轨引接线开路八种故障类型作为输出，分别用1 0 0 0 0 0 0 0、0 1 0 0 0 00 0、0 0 1 00 0 0 0、0 0 0 1 0 0 0 0、0 0 0 0 1 0 0 0、0 0 0 0 0 1 0 0、0 0 0 0 00 1 0、0 0 0 0 0 0 0 1表示，训练BP神经网络；设置训练步长为100000，目标精度为0.01，训练神经网络；实验发现，当采用采用Levenberg-Marquar算法trailm时，由于所分类别较多，训练神经网络时间较长，故选取traingdx算法作为训练函数，输出层神经元个数为8，隐层与输出层神经元传递函数选择S型的正切函数tansig；为了提高神经网络的准确率，分别设置隐含层个数为10，20，40，学习率为0.005、0.001、0.01分组进行实验，并将测试样本代入训练好的神经网路对比准确率，当隐层个数为20个、学习率为0.005时，测试样本数据集诊断轨道电路故障准确率达到97.13％，且训练网络时间最快；
3、将接收通道的1792组训练样本数据作为BP神经网络net3的输入，接收防雷模拟网络盘模拟端子短路、接收防雷模拟网络盘模拟端子断路、接收实际电缆模拟端子短路、接收实际电缆模拟端子断线、JBP电缆侧开路、JBP电缆侧短路、JBP钢轨引接线开路、接收防雷模拟网络盘至衰耗器间配线开路八种故障类型作为输出，分别用1 0 0 0 0 0 0 0、0 1 00 0 0 00、0 0 1 0 0 0 0 0、0 0 0 1 0 0 0 0、0 0 0 0 1 0 0 0、0 0 0 0 0 1 0 0、0 00 0 0 0 1 0、0 0 0 0 0 0 01表示，训练BP神经网络。根据训练网络net2所用参数，选取traingdx算法作为训练函数，输出层神经元个数为8，隐层与输出层神经元传递函数选择S型的正切函数tansig，隐层个数为20个、学习率为0.005；网络测试样本数据集诊断轨道电路故障准确率可达到97.65％；4、将轨道故障的2352组训练样本数据作为BP神经网络net4的输入，FBP钢轨引接线短路、FBA钢轨引接线短路、FBA钢轨引接线开路、JBP钢轨引接线短路、JBA钢轨引接线短路、JBA钢轨引接线开路、接收侧SVA开路、接收侧SVA短路、主轨道断轨、主轨道分路、小轨道断轨、小轨道分路、补偿电容断线十三种故障类型作为输出，分别用1 0 0 0 0 0 0 0 0 0 00 0、0 1 0 0 0 0 0 0 0 0 0 0 0、0 0 1 0 0 0 0 0 0 0 0 0 0、0 0 0 1 0 0 0 0 0 0 0 0 0、0 0 0 0 1 0 0 0 00 0 0 0、0 0 0 0 0 1 0 0 0 0 0 0 0、0 0 0 0 0 0 1 0 0 0 0 0 0、0 0 0 0 0 0 0 1 0 0 0 0 0、0 0 0 0 0 0 00 1 0 0 0 0、0 0 0 0 0 0 0 0 0 1 0 0 0、0 0 0 0 0 0 0 0 0 0 1 0 0、0 0 0 0 0 0 0 0 0 0 0 10、0 0 0 0 00 0 0 0 0 0 0 1表示，训练BP神经网络；根据训练网络net4所用参数，选取traingdx算法作为训练函数，输出层神经元个数为13，隐层与输出层神经元传递函数选择S型的正切函数tansig，隐层个数为20个、学习率为0.005；网络测试样本数据集诊断轨道电路中故障准确率可达到99.4％。
本发明的技术方案并不限于上述的范围内，以上所描述的仅为本发明的较佳实施例，凡本领域技术人员根据以上描述所做的常规修改或等同替换，均属于本发明的保护范围。本发明未详尽描述的技术内容均为公知技术。

Claims (2)

1.一种基于BP神经网络的轨道电路故障智能诊断方法，其特征在于：步骤一、轨道电路区段变量的实时监测：1、利用ZPW-2000R型轨道电路原理，将轨道电路中的故障划分为三大类，分别为发送通道故障、接受通道故障和轨道故障三大类；2、根据轨道电路原理及实际运行环境设计正交实验表，通过模拟实验对每个轨道电路区段的供出电压、供出电流、发送电缆的电压、发送电缆电流40个变量进行监测并记录；步骤二、训练样本和测试样本的划分：步骤一中的三大故障类型共16个场景的10860组数据，每组数据由本区段和前后两区段的监测变量共120个数据组成，将10860组数据分组，取数据的30％作为测试样本数据集，70％作为训练样本数据集；步骤三、训练样本数据集和测试样本数据集的归一化处理：将步骤二中整理后的训练样本数据集和测试样本数据集中的各个监测变量进行归一化处理，归一化的公式为：
Figure FDA0004089771020000011
其中，x为归一化前的数据，xnorm为归一化后的数据，xmin，xmax为原始数据的最大值和最小值；步骤四、BP神经网络net的训练：1、将步骤三中归一化的训练样本数据集的三大故障类型共16个场景的7602组数据，通过BP神经网络net的前向传播、误差反向传播以及参数的调节，正向传播时，输入的信息从输入层传递到输出层，通过计算期望输出向量D和实际输出向量O之间的误差e，若没有达到所需要的精度，则进行反向传播，对各层神经元的权值和阈值进行调整，使实际输出向量不断逼近期望输出向量，直到误差e满足BP神经网络net1模型故障参数的误差设置，如果满足，完成BP神经网络net的训练，并确定BP神经网络net模型的权值和参数；误差e的计算公式为：
Figure FDA0004089771020000012
其中D为期望输出向量；O为实际输出向量；e为期望输出向量和实际输出向量之间的误差；2、如果实际输出向量与目标输出向量之间的误差e与BP神经网络net1模型设置的误差不符合时，通过调整隐含层权值Wij，使得误差e达到最小值，并同时检查BP神经网络net的误差e是否达到所设定的误差值，如果到达则完成BP神经网络net模型训练，如果不能到达，则将训练样本数据集的三大故障类型共16个场景的7602组训练样本数据重新输入到BP神经网络net中重新训练；步骤五、利用BP神经网络net1对轨道电路故障的诊断：1、首先，将划分好的训练样本数据共7602组，其中包含三大类故障数据5922组和正常样本数据1680组作为BP神经网络net1的输入，将BP神经网络net1所指的发送通道故障、接收通道故障、轨道故障以及正常情况作为神经网络的四种输出，分别用1 0 0 0、0 1 0 0、0 0 1 0、0 0 0 1表示；训练BP神经网络，训练步长为10000，目标精度为0.01，输出层神经元个数为4，隐层与输出层神经元传递函数选择S型的正切函数tansig，网络训练采用Levenberg-Marquar算法trailm；2、将发送通道的1777组训练样本数据作为神经网络net2的输入，将BP神经网络net2所指的功出至发送防雷模拟网络盘断线、发送防雷模拟网络盘模拟端子短路、发送防雷模拟网络盘模拟端子断线、发送实际电缆模拟端子短路、发送实际电缆模拟端子断线、FBP电缆侧开路、FBP电缆侧短路、FBP钢轨引接线开路八种故障类型作为输出，分别用1 0 0 0 0 0 0 0、01 0 0 0 0 0 0、0 0 1 0 0 0 00、0 0 0 1 0 0 0 0、0 0 0 0 1 0 0 0、0 0 0 0 0 1 0 0、0 0 00 0 0 1 0、0 0 0 0 0 00 1表示，训练BP神经网络；设置训练步长为100000，目标精度为0.01，训练神经网络；实验发现，当采用Levenberg-Marquar算法trailm时，选取traingdx算法作为训练函数，输出层神经元个数为8，隐层与输出层神经元传递函数选择S型的正切函数tansig；为了提高神经网络的准确率，分别设置隐含层个数为10，20，40，学习率为0.005、0.001、0.01分组进行实验，并将测试样本代入训练好的神经网路对比准确率，当隐层个数为20个、学习率为0.005时，测试样本数据集诊断轨道电路故障准确率达到97.13％，且训练网络时间最快；3、将接收通道的1792组训练样本数据作为BP神经网络net3的输入，将BP神经网络net3所指的接收防雷模拟网络盘模拟端子短路、接收防雷模拟网络盘模拟端子断路、接收实际电缆模拟端子短路、接收实际电缆模拟端子断线、JBP电缆侧开路、JBP电缆侧短路、JBP钢轨引接线开路、接收防雷模拟网络盘至衰耗器间配线开路八种故障类型作为输出，分别用1 0 0 0 0 00 0、0 1 0 0 0 00 0、0 0 1 0 0 0 0 0、0 0 0 1 0 0 0 0、0 0 0 0 1 0 0 0、0 0 0 0 01 0 0、0 0 0 0 0 0 1 0、0 0 0 0 0 0 0 1表示，训练BP神经网络；根据训练网络net2所用参数，选取traingdx算法作为训练函数，输出层神经元个数为8，隐层与输出层神经元传递函数选择S型的正切函数tansig，隐层个数为20个、学习率为0.005；网络测试样本数据集诊断轨道电路故障准确率可达到97.65％；4、将轨道故障的2352组训练样本数据作为BP神经网络net4的输入，将BP神经网络net4所指的FBP钢轨引接线短路、FBA钢轨引接线短路、FBA钢轨引接线开路、JBP钢轨引接线短路、JBA钢轨引接线短路、JBA钢轨引接线开路、接收侧SVA开路、接收侧SVA短路、主轨道断轨、主轨道分路、小轨道断轨、小轨道分路、补偿电容断线十三种故障类型作为输出，分别用1 0 0 0 0 0 0 0 0 0 0 0 0、0 1 0 0 0 0 0 0 0 00 0 0、0 0 10 0 0 0 0 0 0 0 0 0、0 0 0 1 0 0 0 0 0 0 0 0 0、0 0 0 0 1 0 0 0 0 00 0 0、0 0 0 0 0 1 0 00 0 0 0 0、0 0 0 0 0 0 1 0 0 0 0 0 0、0 0 0 0 0 0 0 1 0 00 0 0、0 0 0 0 0 0 0 0 1 0 0 0 0、0 0 0 0 0 0 0 0 0 1 0 0 0、0 0 0 0 0 0 0 0 0 01 0 0、0 0 0 0 0 0 0 0 0 0 0 1 0、0 0 0 0 00 0 0 0 0 0 0 1表示，训练BP神经网络；根据训练网络net4所用参数，选取traingdx算法作为训练函数，输出层神经元个数为13，隐层与输出层神经元传递函数选择S型的正切函数tansig，隐层个数为20个、学习率为0.005；网络测试样本数据集诊断轨道电路中故障准确率可达到99.4％。
2.根据权利要求1所述的一种基于BP神经网络的轨道电路故障智能诊断方法，其特征在于：其中步骤四、步骤五中的BP神经网络net1、BP神经网络net2、BP神经网络net3和BP神经网络net4由输入层、隐层和输出层组成。
CN202110380464.XA 2021-04-09 2021-04-09 一种基于bp神经网络的轨道电路故障智能诊断方法 Active CN113139335B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110380464.XA CN113139335B (zh) 2021-04-09 2021-04-09 一种基于bp神经网络的轨道电路故障智能诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110380464.XA CN113139335B (zh) 2021-04-09 2021-04-09 一种基于bp神经网络的轨道电路故障智能诊断方法

Publications (2)

Publication Number Publication Date
CN113139335A CN113139335A (zh) 2021-07-20
CN113139335B true CN113139335B (zh) 2023-05-09

Family

ID=76811703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110380464.XA Active CN113139335B (zh) 2021-04-09 2021-04-09 一种基于bp神经网络的轨道电路故障智能诊断方法

Country Status (1)

Country Link
CN (1) CN113139335B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723478A (zh) * 2021-08-17 2021-11-30 中国铁道科学研究院集团有限公司 一种基于先验知识的轨道电路故障诊断方法
CN114021620B (zh) * 2021-10-12 2024-04-09 广东海洋大学 基于bp神经网络特征提取的电潜泵故障诊断方法
CN113971467A (zh) * 2021-11-01 2022-01-25 北京城建智控科技股份有限公司 一种基于bp神经网络的车辆信号设备智能运维方法
CN115047313B (zh) * 2022-06-02 2024-04-26 黑龙江瑞兴科技股份有限公司 基于oc-svm和dnn的zpw-2000r轨道电路故障诊断方法及装置
CN117060353A (zh) * 2023-07-31 2023-11-14 中国南方电网有限责任公司超高压输电公司电力科研院 基于前馈神经网络高压直流输电***故障诊断方法及***

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766143A (zh) * 2019-10-31 2020-02-07 上海埃威航空电子有限公司 基于人工神经网络的设备故障智能诊断方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218662A (zh) * 2013-04-16 2013-07-24 郑州航空工业管理学院 一种基于bp神经网络的变压器故障诊断方法
CN103914735B (zh) * 2014-04-17 2017-03-29 北京泰乐德信息技术有限公司 一种基于神经网络自学习的故障识别方法及***
CN104392071B (zh) * 2014-12-12 2017-09-29 北京交通大学 一种基于复杂网络的高速列车***安全评估方法
CN108875108A (zh) * 2017-05-16 2018-11-23 长春工业大学 一种基于pca和brb的轨道车辆电路故障诊断方法
CN109543814A (zh) * 2018-08-31 2019-03-29 南京理工大学 一种地铁信号***各设备故障预测方法
CN109933881A (zh) * 2019-03-06 2019-06-25 武汉大学 一种基于优化深度信念网络的电力电子电路故障诊断方法
US11544422B2 (en) * 2019-09-16 2023-01-03 Palo Alto Research Center Incorporated Machine learning based systems and methods for real time, model based diagnosis
CN111626416A (zh) * 2020-04-24 2020-09-04 黑龙江瑞兴科技股份有限公司 基于深度卷积神经网络的轨道电路故障自动诊断方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766143A (zh) * 2019-10-31 2020-02-07 上海埃威航空电子有限公司 基于人工神经网络的设备故障智能诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Jianli Yu等.The Fault Diagnosis of Transformer Based on BP Neural Network .《2012 International Conference on Information Management, Innovation Management and Industrial Engineering》.2012,第487-489页. *

Also Published As

Publication number Publication date
CN113139335A (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
CN113139335B (zh) 一种基于bp神经网络的轨道电路故障智能诊断方法
CN106202886B (zh) 基于模糊粗糙集与决策树的轨道电路红光带故障定位方法
WO2015158198A1 (zh) 一种基于神经网络自学习的故障识别方法及***
CN105846780B (zh) 一种基于决策树模型的光伏组件故障诊断方法
CN111626416A (zh) 基于深度卷积神经网络的轨道电路故障自动诊断方法
CN102122133B (zh) 自适应小波神经网络异常检测故障诊断分类***及方法
CN110829417B (zh) 基于lstm双结构模型的电力***暂态稳定预测方法
CN104777410A (zh) 交联聚乙烯电缆局部放电模式识别方法
CN110907755A (zh) 一种输电线路在线监测故障识别方法
CN103810328A (zh) 一种基于混合模型的变压器维修决策方法
CN112051481A (zh) 一种基于lstm的交直流混联电网故障区域诊断方法和***
CN114169237B (zh) 结合eemd-lstm及孤立森林算法的电力电缆接头温度异常预警方法
CN107561407B (zh) 一种分布式的变电站接地网检测和评估方法
CN113109666B (zh) 一种基于深度卷积神经网络的轨道电路故障诊断方法
CN108304567A (zh) 高压变压器工况模式识别与数据分类方法及***
CN105701543B (zh) 一种基于概率神经网络的传统互感器状态监测方法
CN117347796B (zh) 一种基于智能网关的开关设备局部放电诊断***及方法
CN111062569A (zh) 一种基于bp神经网络的小电流故障判别方法
CN113376480A (zh) 配电网接地故障选线方法
CN116840765B (zh) 一种基于多元时序分析的电压互感器误差状态评估方法
CN113610119A (zh) 基于卷积神经网络识别输电线路发展性故障的方法
CN113689307A (zh) 一种基于关联图网络的供电***级故障关联增强认知与诊断
CN117491813A (zh) 新能源汽车动力电池***绝缘异常检测方法
CN113761792B (zh) 一种基于神经网络的六脉冲整流器故障诊断方法
CN114167837B (zh) 一种铁路信号***的智能故障诊断方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant