基于决策融合与机器学习的铁路道岔故障诊断.pdf

Microcomputer Applications Vol.39,No.10,2023文章编号：10 0 7-7 57 X(2023)10-0030-05基金项目基于决策融合与机器学习的铁路道岔故障诊断微型电脑应用2 0 2 3年第39 卷第10 期张玉霞（陕西交通职业技术学院，轨道交通学院，陕西，西安7 10 0 18）摘要：基于决策融合思想，构建包含PNN、BP和决策树的铁路道岔故障诊断模型，以应对单一模型失效导致诊断准确率不高的问题。仿真结果表明：在某一模型失效情况下，基于PNN网络模型的诊断率高达9 4.5%，均高于另外2 种模型；在初始模型完好的状况下，基于决策融合的诊断模型诊断准确率保持在9 8.1%左右，诊断效果最佳。由此说明，提出的基于PNN决策级融合的铁路道岔故障诊断模型具有较高的诊断准确率。关键词：铁路道岔；故障诊断；决策融合；机器学习中图分类号：TP392文献标志码：AFault Diagnosis of Railway TurnoutBased on Decision Fusion and Machine LearningZHANG Yuxia(Rail Transportation College,Shaanxi College of Communications Technology,Xian 71oo18,China)Abstract:To improve the fault diagnosis accuracy and detection efficiency of railway turnout,a fault diagnosis model of railwayturnout based on decision fusion and machine learning is constructed.For the fault diagnosis model based on PNN,a decisionfusion diagnosis model containing PNN,BP and decision tree is designed,and the turnout fault data of a railway system are col-lected to test the performance.The test results show that:When one model fails,accuracy of the diagnosis model based onPNN network is up to 94.5%,which is higher than the other two models;When the initial model is intact,the diagnosis accu-racy of diagnosis model based on decision fusion remains at about 98.1%,and the diagnosis effect is the best.This indicatesthat the fault diagnosis model of railway turnout based on PNN decision level fusion has good fault tolerance and the accuracy issignificantlyimproved.Key words:railway turnout;fault diagnosis;decision fusion;machine learning诊断，降低安全事故发生概率。0引言1PNN道岔故障诊断模型构建在铁路运输中，铁路道岔故障严重影响了铁路运行效率和安全，若不及时对道岔进行识别和诊断，极易出现重大交通事故。因此，对道岔健康进行实时诊断和提前预防具有重要意义。然而，传统的铁路道岔故障诊断依旧采用人工诊断方式，存在诊断时间长、效率低和准确率低的问题。针对此问题进行的研究有：杨菊花等I提出了基于CNN-GRU模型的道岔故障诊断算法研究，利用CNN网络的深层特征学习特性，与GRU网络相结合，很大程度上提升了道岔故障的准确率；谢博才等2 深入探索了基于机器学习的道岔故障诊断与预测，利用机器学习中的BP神经网络对道岔故障进行特征提取，实现了道岔故障诊断的有效性；李婉婉等3提出基于GMM聚类和PNN的道岔故障诊断研究，将GMM聚类与PNN进行决策融合，发挥两者的优势，使得故障诊断误差减小，诊断效率和准确率提升。结合以上学者研究成果，本文提出将机器学习和决策融合技术相结合，构建基于PNN决策融合道岔故障诊断模型，通过该模型实现道岔故障准确基金项目：陕西交通职业技术学院院级科研项目（YJ18012）作者简介：张玉霞（198 5一），女，硕士，讲师，研究方向为轨道交通信号。概率神经网络(PNN)是根据统计原理进行分析的前馈网络，具备分类准确率高的优点，其网络结构主要分为输人层、模式层、求和层和输出层等4个部分，具体结构如图1所示。X2Xn输入层图1PNN网络结构30.?y2.Yn求和层输出层模式层Microcomputer Applications Vol.39,No.10,2023输人层主要负责对样本数据进行接收，数据维度与神经元相对应，输入层单个神经元的输出表示为_(X-W)T(X-W,)f(X,W,)=exp282式（1)中，W，表示输入层与模式层间的连接权值，表示平滑因子5。通过式(1)可求出求和层样本集类别的概率密度函数(PDF),其类别与求和神经元一一对应。输出层负责将上层的最大的概率密度进行输出，其输出神经元个数与上层对应6。PNN故障诊断中，若故障类别表示为 QA、O B，需判断的故障样本X=（a 1，2,an）表示为hAlAfA(X)hBlBfB(X)XE0AhAlAfA(X)hBlBfB(X)XEOB式（2）式（5）中，hA、h B表示故障类别0 A、O B的先验概率（h A=NA/N,h B=NB/N）,NA、NB分别表示故障类别OA、O B的样本数目7-10 1,N表示样本总数，IA表示属于QA类但划分至OB类的代价因子，lB反之，fA、f B表示故障类别QA、O B的概率密度函数。道岔故障诊断属于非线性问题，通过PNN网络能对非线性数据进行处理因此构建基于PNN网络的道岔故障诊断模型，见图2。训练集建立平滑因子参数建立最终网络结果数据可变PNN网络确定PNN网络测试分析图2 PNN故障诊断模型图2 中，采集训练集数据后，即可建立平滑因子可变的PNN网络，找出最佳平滑因子，确定参数，提升PNN网络故障诊断正确率11；最后建立PNN网络，并利用测试集进行网络测试，由此得到诊断结果。2基于PNN决策级融合的故障诊断2.1PNN决策级融合故障诊断原理为进一步提升故障诊断模型的预测能力，在结合PNN故障诊断基础上，融合BP和决策树的诊断模型，从而发挥决策融合技术和PNN网络的优势，降低错误判断率。具体思路如图3所示。首先采集道岔样本集；然后将样本分别输人至各模型中进行训练和测试，输出各模型的预测数据并进行归一化处理；再利用平滑因子选出最优预测参数；最后将最优平滑因子输人基于PNN网络的故障诊断模型中，最终完成道岔故障诊断。2.2决策级融合的故障诊断模型构建基于图3的模型构建原理，构建基于PNN决策级融合的故障诊断模型如下。（1）对采集的原始数据进行预处理，获得样本集。基金项目(1)基于BP网络故障诊断模型故障诊断模型故障诊断模型支模型预测输出模型预测输出模型预测输出L平滑因子选取立基于PNN网络故障诊断模型结果输出(2)图3基于PNN决策级融合故障诊断模型原理(3)(4)(5)测试集数据微型电脑应用2 0 2 3年第39 卷第10 期道岔动作电流原始数据数据采样与处理构成样本集基于PNN网络PNN决策级融合（2）利用MATLAB构建基于BP网络、决策树和PNN网络的故障诊断模型，进行比较分析后，将训练测试完成的模型用于PNN决策级模型12。（3）将输人层和输出层分别设置为3个和8 个神经元，且输入和输出分别为道岔状态类别编号。PNN决策级融合结构如图4所示。BP输出X1PNN输出x2SVM输出x3输入！图4PNN决策级融合结构（4）最后分别对基于PNN的决策级模型和初始模型在初始模型失效和模型完好的情况下进行模型性能测试，判别此模型故障诊断正确率是否得到提升。3实验结果与分析3.1实验环境为了验证构建模型的有效性，实验开发铁路道岔系统，软件平台选用Pycharm2017，Vi s u a l St u d i o 2 0 17，硬件平台的处理器型号为Intel(R)Corei5，选择Windows7作为操作系统，开发语言为Python,C#。3.2实验数据为了取得更好的实验效果，本次实验数据来自某铁路段监测系统对ZD6型道岔设备采集的故障动作电流数据。正常的ZD6型道岔动作电流如图5所示。通过图5可以看出，道岔动作电流曲线包含10 个关键点，标记为T1T 10。根据道岔控制电路原理，图5的电流曲线可分为3步，总共4个时间段。T1T 2 表示1DQJ吸起到道岔动作点，此时动作时间一般在0.2 0.3s，动作电流一般在6 10 A；T 2 T 9 为道岔动作至锁闭，该阶段电机电流大、转速慢，同时道岔电流通过转换后，此时的曲线比较平滑；T9T 10 为电流记录结束区，此时电流值降为0。通过对动作电流曲线的分析，将道岔状态分为8 类，包含7 种道岔故障和1种正常状态，具体见表1。31基于决策树V2求和层输出层竞争层Microcomputer Applications Vol.39,No.10,20235.65.24.84.44.03.63.22.82.4动作起始点(2DQJ转极)2.0T1:动作电路1.6曲线开始点1.2(1DQJ吸起)0.80.4000T3T4T501A时段：道B时段：道岔解锁区岔动作区图5正常的道岔电流选择t=（0.1,0.3,0.5,0.7,0.9,2.0,3.0,4.0,5.0,5.5，6.0，6.5)共12 个瞬时电流值为特征信息，采集到的数据共12 0 0 条，然后按照8:2 的比例分为训练集96 0 条和测试集2 40 条。由于故障样本相对较少，所以选择其中的7 2 0 条训练函数训练步长均方误差0.0140.0120.0100.0080.0060.0040.00206810隐含层数目图6 不同隐含层数下的网络训练误差综上，BP神经网络的训练函数选择trainlm，隐藏层节点数设定为11。3.3.2PNN参数设置结合PNN网络结构，将输入层维度设定为12，输出层维度为8，同时采用试凑法对PNN平滑因子进行优化，具体结果如图7 所示。通过图7 得出，当SPREAD为0.5时，模型正确率超过95%，因此选其作为最优平滑因子进行最终网络测试。3.3.3决策树参数决策树的参数设定为max_depth=15，m a x _f e a t u r e s=0.999,min_sampe_leaf=1.0,min_sample_split=25。基金项目正常样本和48 0 条故障样本。在完成上述样本数据集构建后，输人MATLAB软件中进行分析仿真。表1本实验道岔故障类型T9:道岔动作编号T2:道岔结束点（室外启动电路断开）T10:动作曲线记录结束点(1DQJ落下)02 T6 T7 T803时间/sC时段：道D时段：道岔锁闭区岔缓放区表2 不同训练函数下的预测均方误差traingdmtrainrp不收敛5340.163 8790.001 235 421214161820微型电脑应用2 0 2 3年第39 卷第10 期故障类型编号1道岔正常状态2锁闭电流超标类3定转子混线4启动延时故障043.3参数设置3.3.1BP神经网络参数为达到最好的故障诊断效果，同时方便进行对比，设定隐含层神经元数目为14，网络训练的精度设定为0.0 0 1，最大训练步长设定为2 0 0 0，网络学习的速率设定为0.1，同时采用均方误差作为评价函数。在以上基础数据下，比较不同训练函数和最佳隐藏层节点对训练结果的影响，具体结果见表2 和图6。通过表2 看出,选择 trainlm训练函数得到的均方误差最小，且当隐含层数为11时网络训练误差最小。trainscgtrainbfg1751630.000967.90.000963.980.0140.0120.0100.0080.0060.0040.00200.5图7不同平滑因子对分类正确率的影响3.4评价指标选用准确率（P）、漏报率（MA)和虚警率（FA)作为故障诊断结果评价指标，具体计算式为TPP=TP+FPFNMA=TP+FNFA=FPTP+FP式(6)式（8)中,TP、T N、FP、FN分别表示真正例、真反例、假正例和假反例。3.5基于PNN决策级融合故障诊断模型验证完成以上单一诊断模型测试后,对基于PNN决策级融合的故障诊断模型进行验证和分析。分别在某一模型失效32故障类型5启动电路断线61DQI不良7自动开闭器不灵活8道岔不锁闭trainlm370.000.598761.01.5平滑因子2.02.53.0（6)(7)(8)Microcomputer Applications Vol.39,No.10,2023和模型完整两种情况下进行验证，通过2 种方式测试决策级模型是否具备容错性以及模型正确率是否得到提升。3.5.1某一模型失效情况下验证与分析(1）BP网络失效或PNN网络失效将测试集的数据应用到基于PNN决策级融合的故障诊断模型中进行测试，当模型正确率低于6 0%时，说明此模型失效。对模型参数进行优化后，得到最终输出的正确率模拟模型失效情况，如图8、表3、表4所示。100r100r9595909085858080%/率工%/率雕工75-BP70-PNN+决策树65一决策融合605550451图8BP网络失效或PNN网络失效关系图表3BP网络失效正确率统计表次数1BP网络51.2PNN网络93.8决策树模型91.6决策融合模塑93.6表4PNN网络失效正确率统计表次数1BP网络91.2PNN网络49.7决策树模型90.8决策融合模型92.6由图8、表3、表4可知，在BP模型或PNN模型失效情况下,决策级融合模型的预测正确率均保持在92%以上，预测效果较好，没有发生明显变化，说明决策级融合模型具有较高的容错性。（2）决策树失效或BP和决策树网络失效利用测试集进行测试，结果如图9、表5和表6 所示。从图9、表5、表6 可知：在决策树失效情况下，决策级融合的预测准确率高达98.7%，均保持在94%以上；而在BP和决策树网络失效情况下，决策级融合的预测准确率依旧在91%以上。由此说明,决策树失效或BP和决策树网络失效对决策级融合的影响较小，该模型具备容错性。基金项目10095908580%/率耻工757065605550451图9决策树失效或BP和决策树网络失效情况下的关系图75BP70-B PNN决策树65一决策融合6055502345次数254.383.591.191.8291.449.291.593.5微型电脑应用2 0 2 3年第39卷第10 期10095908580%/本工BP75O PNN70决策树一决策融合3524次数表5决策树失效情况下正确率统计表次数1BP网络91.6PNN网络94.1决策树模型55.2451348.693.790.493.2392.551.488.794.8BPOPNN一决策树65一决策融合6055504512390.488.792.392.957.152.62345次数单位：%4547.152.994.892.589.790.894.192.9单位：%4590.891.651.756.386.493.392.794.5332345次数单位：%4592.691.296.793.454.849.6决策融合模型98.7表6 BP和决策树网络失效情况下正确率统计表次数1BP网络54.3PNN网络93.8决策树模型48.7决策融合模型93.83.4.2初始模型完好情况下的验证与分析在3种初始模型完好的情况下，通过5次不同测试集对决策级模型进行测试，测试结果如图10、表7 所示。97969594%/率聊工93929190891图10初始模型完好情况下正确率由图10、表7 可知，在3种初始模型完好状况下，决策级融合模型的预测效果依旧高于3种初始模型，且该模型的诊断正确率均在95%以上，高达98.1%，说明此模型的正确率得到提升。96.6252.792.151.992.4BP“OPNN决策树“决策融合23次数94.5349.194.356.894.4496.2单位：%4552.655.491.691.754.752.491.392.8595.8Microcomputer Applications Vol.39,No.10,2023表7 初始模型完好情况下正确率统计表次数1BP网络91.6PNN网络93.7决策树模型91.3决策融合模型96.9完成准确率是否提升的测试后，利用测试集对PNN决策级模型进行测试，得到实际类别与预测类别的结果，如图11、图12 所示。2BP网络0.790.83 0.760.840.8891.00137.65SPNN网络0.870.880.850.910.8489.60决策树模型0.75 0.870.890.85 0.9288.60口PNN决策级融合模型0.970.980.950.94 0.9998.00图12 PNN决策级融合模型各类别正确率统计图从图11、图12 可以看出，PNN决策级融合模型的正确率为9 8%，明显高于另外3种模型，漏报率和虚警率仅为3%，由此说明决策级融合模型的正确率得到提升，误判率和漏判率下降，对道岔故障诊断具有较好的识别和分类效果。4总结综上，构建的基于PNN决策级融合故障诊断模型具备可行性和有效性，故障诊断的正确性进一步提升，并具有一定的容错性，模型性能优越。实验结果表明，在单一模型失效情况下，决策级融合模型依旧可以保持较高的准确率。同时，对比完好状况下的模型，决策级融合模型的诊断正确率高达 9 8.1%,比 BP网络、PNN模型和决策树提升了6.3%、4.5%和9.6%，模型预测能力显著提升。1杨菊花，于苡健，陈光武，等.基于CNN-GRU模型的道岔故障诊断算法研究J.铁道学报，2 0 2 0，42（7)：102-109.2 谢博才，宫殿君.基于机器学习的道岔故障诊断与预测研究综述J.铁路通信信号工程技术，2 0 2 1，18(8):93-99.3李婉婉，李国宁.基于GMM聚类和PNN的道岔故障诊断研究J.控制工程，2 0 2 1，2 8（3）：42 9-434.4任永梅，杨杰，郭志强，等.基于多尺度卷积神经网络的自适应炳加权决策融合船舶图像分类方法.电基金项目单位：%2391.493.794.294.989.788.995.897.2参考文献微型电脑应用2 0 2 3年第39 卷第10 期84590.591.894.793.690.188.595.598.11.2斤1.00.80.60.40.27；预测类别。实际类别6432F110204060880100120140160测试集编号图11PNN决策级融合模型实际图与预测图34子与信息学报，2 0 2 1，43（5）：142 4-1431.5张硕.基于数据挖掘的铁路信号设备故障自动诊断研究J.电气应用，2 0 2 0,39（6）：8 5-8 9.6孔令刚，焦相萌，陈光武，等.基于多域特征提取与改进PSO-PNN的道岔故障诊断JI.铁道科学与工程学报,2 0 2 0,17(6)：132 7-1336.7滕红丽，贾树恒，王灏，等。基于深度学习决策融合的非侵入式负荷分类的研究J.河南农业大学学报，2021,55(2):295-305.8 李政，魏文军.基于改进多尺度排列熵的S700K转辙机故障诊断J.兰州交通大学学报，2 0 2 1，40（2）：50-57.9李李宏达，高小红，汤敏.基于决策融合的SPOT-6影像土地覆被分类研究J.地球信息科学学报，2 0 2 1，2 3(5):928-937.10王珍，张涛，丁乐乐，等.高分辨率影像深度学习概率决策融合建筑提取J.测绘科学，2 0 2 1，46（6）：93-101.11刘可兴，黄海于基于DCDAE-BiLSTM模型的转辙机故障诊断方法研究J.铁道通信信号，2 0 2 1，57(8):87-91.12解淑英.基于LMS算法及BP神经网络的汽车发动机故障诊断模型研究J.微型电脑应用，2 0 2 1，37（12）：44-47.（收稿日期：2 0 2 1-12-2 3）3401802005总正确漏报虚警率/%率/%率/%38.12154.5033.00