第43卷第2期2022年4月
大连交通大学学报
JOURNAL OF DALIAN JIAOTONG UNIVERSITY
Vol.43No.2
Apr.2022
文章编号:1673-9590(2022)02-0115-05
基于GA-KELM的ZPW-2000A型
轨道电路故障预测研究
李晓艳
(陕西铁路工程职业技术学院铁道动力学院，陕西渭南714000)
摘要：针对轨道电路维修维护中存在维修不足和维修过剩的问题，建立一种基于遗传算法优化核极限学习机(ELM)的轨道电
路故障预测模型.首先，通过在ELM的基础上以核函数映射取代隐含层节点映射，改进为核极限学习机(KELM)；其次，以遗传(GA)算法优化核函数的参数及正则化系数，改进KELM 的学习性能形成新的GA-KELM算法.通过实例验证了GA-KELM相比于其他算法在轨道电路故障预测中的高效性•最后，选择GA-KELM算法对两个实例进行了实际应用验证，表明了改进算法的可用性.
关键词：轨道电路；极限学习机；故障预测
文献标识码:A DOI：10.13291/jki.djdxac.2022.02.021
伴随着设计时速350km，正线全长174km的京张高铁“精品工程、智能高铁”的建设，铁路线路针对轨道电路所采用的“天窗修(TBM)”秋，故障修”的维修维护模式［切已不能满足行车安全和运输效率的提高.
当前已有不少文献对轨道电路进行了深入研究：文献［3］就轨道电路锈蚀、集污造成轨面电阻超高导致分路不良进行研究；文献［4］就轨道电路检测精度低、耗时长等方面进行算法改进；文献［5］针对轨道电路中红光带故障的多样性及复杂性问题进行故障诊断；文献［6-10］中对道祚信号、多故障诊断方法等方面进行了研究.
随着智能技术及PHM(Prognosticsand Health Management，故障预测与健康管理)理论的发展，基于状态修(CBM)的故障预测方法成为当前的研究热点曲切.典型故障预测的方法主要有：统计法、数学法、智能法和传统基于梯度的学习迭代策略，选择正则化最小二乘法调整输出矩阵，在网络训练速度及泛化速度方面都有很大的改善［⑷•本文选择ELM及其优化
算法对我国铁路线路上广泛采用的ZPW-2000A型轨道电路进行故障预测研究，最后通过两个实例验证了模型的可行性与有效性.
1ZPW-2000A结构分析
图1为ZPW-2000A型轨道电路的结构图.室外由调谐区、机械绝缘节、匹配变压器、补偿电容、电缆和调谐区引线构成•室内主要有发送设备和接收设备组成.
•主轨道电路相邻轨道电路的小轨道
|匹配变压器||匹配变压器|
相
邻
轨
道
电
路
设
备室|匹配变压器|电缆绝缘新
I空豎I型当总长相当总长I吉堕缆I I岂噌I
I曲蟲|10km10km|i i窈忑i
室i i~~i i—
|枚器"(XGJ'XGJH)--------------------扌如#2I
6d GJ
图1ZPW-2000A型频轨道电路原理图本文数据来自微机检测室，具体参数指标如表1所示.
收稿日期：2020-11-20
基金项目：陕西省渭南市科技计划资助项目(2019-ZDYF-JCYJ-127)
作者简介：李晓艳(1979-)，女，副教授，硕士，主要从事铁路信号自动控制的研究E-mail:3496501536@qq.
com.
116大连交通大学学报第43卷
表1轨道电路集中监测基本数据
序号名称最小值最大值
1功出电压/V0300
2功岀电流/mA01000
3送端电缆侧电压/v0200
4送端电缆电流/mA01000
5受端电缆侧主轨电压/v015
6受端电缆侧小轨电压/mV03000
7受端设备侧主轨电压/mV03000
8受端设备侧小轨电压/mV03000
9接收入口轨出1电压/mV03000
10接收入口轨出2电压/mV03000
严(衍)]~v(w1x1+bj
H=:=•
_h(x N)__v(w1x N+bj 2ELM及其改进算法
elm是一种单隐层前馈神经网络，包括输入、隐层和输出3层.若有N组训练样本数据集5，tj),&j,tj)e R"x R”，隐含层节点数L，激励函数"，则：
L
齐(亏)=丫0評(叫亏+仇)=吗(1)
1=1
其中,j=1,…,N，風为第i个隐层节点和输出层节点间的权重向量.
ELM随机选择隐层节点的输入权重W和偏置6，再计算出权重0的最小二乘解，保证训练错误率最小.式(1)可被重新写为：
Hfi=T(2)则有：
…v(w L x1+b L y
…v(w L x N+6l)J N x L
其中，H为隐层节点输出，其特征映射为：h(%j)=[”(吗亏+6』，v{w L x s+b L)]
其中，"为输出权重矩阵，T为目标矩阵.
在训练数据集中EUI训练过程包含3步，即：
Stepl：随机产生输入权重处与偏置b；,lWiWL；
Step2：求取隐层的输出矩阵H；
Step3：计算输出权重矩阵"=H+T.
其中，H+为隐层输出矩阵H的Moore-Penrose广义逆.当HH1为非奇异时，H+=H\HH T)l.为消除“病态矩阵”造成的误差引入正则化系数4，网络的输出权重最小二乘解可表述为：
P^H\HH t+7)1)-l T(3)则ELM相应输出矩阵为：
y(x)(4)将核函数引入到ELM中，形成新的核函数KELM.
KELMOf定义核函数俎=HH1，其屎为:
Q elm GJ)=h(%)h(:Xj)=K(叭，:X j)(5)网络输出表示为：
/(%)==(朮+Q e G"T(6)
_K(x,x N)_
核函数K(Xi,Xj)的类型确定为径向基核函数，即：
Kd“)=exp(-⑺
y
其中，y为径向基核函数的核参数.
2.1O-KELM方法及其算法
核极限学习机的优化过程主要在于确定正则化系数v与径向基核参数y.在O-KELM过程中适应度评价函数越小，网络性能越好，则均方误差值E rmse V)可表述为：
E rmse",y)=J亓若[y*(0-y(0]2⑻其中,y”G)为方法的预测输出，曲)为实际输出.
待优化的决策变量由7与4共同组成，形成种个体，即a h=,h=1,2,•••,〃，其中m 表示种个体数目•变量归一化过程可表述为：Stepl：将个体h的第I个决策变量变换为实数型如式(9)，其中疔"W加W%汽为参数界限.
力=(谱"-力貯)汕+好"(9) Step2；为方便计算个体评价函数，将个体的
决策量转化到真实范围.
第2期李晓艳，等：基于GA-KELM 的ZPW-2000A 型轨道电路故障预测研究117
2.2 GA-KELM 算法
选择遗传(GA)、微分(DE)与模拟退火(SA)
3种算法对ELM 的核参数了、正则化系数rj 进行
优化.再分别与典型算法:SVM 、ELM 、KELM 在应 用对象预测中进行等条件比对.
GA 主要累积的信息在可行域中进行，具体 GA-KELM 的实现如下.
Stepl ：初始化种人：
A = [©，…，仏] (10)Ah =
…，a 加]
(11)
其中,0 W % W 1，仇二1,2,…,F 代表种容 量,Z 为待优化决策的数目.
Step2：根据式(8)计算个体的适应度.
Step3：由算法结合个体适应度值选择双亲，
再以概率亿进行均匀交叉操作产生新一代种.
Step4：以概率p m 进行均匀变异操作.
3预测结果验证方式
O-KELM 模型中的时间序列表述如式(12),
式中D 为预测步长，△为嵌入维数；兀包括历史 数据(兀一 1，儿一 2,…，小)因素•
心DHW …丄
(12)
选择平均绝对误差(MAE)、平均绝对百分比 误差(MAPE)、均方误差(NMSE)和相对误差百分
比(REP)作为预测结果的评价指标，具体如式
(13)〜式(16)所示.
AE
N n
/k
A 7311z /v
%
00
_
1
1y
N s
1
一 N
一一
y(
y
X
(14)
1 N
E nmse
二丽若 0(，) _ y*(0 ]2
(15)
X [y(0 -y*(0]2
E rep = ——帀-------------------X 100% (16)
J J/2(0
其中：yd)为时间序列对应的实际输出为
相应模型预测输出；N 为预测样本点数;F 为待预 测时间序列方差.
4模型高效性验证
选择某区段2016年1月-2018年1月ZPW-
2000A 数据台账中轨出1和轨出2的电压值进行
改进算法样本值的训练•通过预测2018年2月
(28天)的输出结果，对各算法的预测性能进行评
判，具体数据如下：区段名称J 128 G ；载频2 300 Hz ；
发送电源24.7 V ；接收电源25.8 V ；功出电压154 V ；
主轨入电压997 mV ；小轨入电压115 mV ；轨出1 电压656 mV ；轨出2电压147 mV.
在算法优化中,ELM 模型的隐层节点设置为
£ = 200，选择Sigimoid 激活函数，设定核参数初始
值y e (0.1,300]，正则化系数乃丘[0,100].
KELM 核参数 y 为 6,77 = 0.01. GA-KELM 初始种
选择为150，最大进化代数为300. GA 的交叉概
率Pc = 0.4，变异概率Pm = 0. 1.训练后的不同算 法性能如表2.
表2不同方法性能比较
方法
MAE MAPE NMSE REP SVM 11.258 1.8760. 427
2. 877
ELM
11.091 1.6520.419 2.796KELM
10.855 1.6320. 398 2. 562GA-KELM
9. 549
1.522
0. 368
2. 275
通过给出的 SVM 、ELM 、KELM 和 GA-KELM
算法在2018年2月份的轨出1的数据预测图 (图2)，得出GA-KELM 预测效果最优.
图2不同预测算法结果对比
5实例分析
5.1断轨故障预测
理论上ZPW-200A 主轨道的轨出1电压应
不小于落下门限(大于等于170 mV)；小轨道轨 出2电压不低于10 mV，实验数据见表3.针对某 局2018年10月某段发生的ZPW-2000A 断轨
故障，采用GA-KELM 算法对其电压趋势进行
预测验证.
118大连交通大学学报
第43卷
表3实验验证数据
日期
(年/月)
电压值/mV 日期(年/月)
电压值/mV 轨出1
轨出2轨出1
轨出2
2017/106531242018/04486542017/11
651
101
2018/05
463
492017/12645962018/06421422018/01
644842018/07378
40
2018/02562
76
2018/0826630
2018/03
511702018/09
21128
图3说明在2018年10月份轨出1和轨出2
电压值均低于门限值，验证该优化模型具有一定 有效性，便于现场工作人员及时维护保养.
700500300
100
2017/10 2018/02 2018/06 2018/10
2017/12 2018/04 2018/08
日期
150100
50
(a)轨出12017/10
2018/022018/06 2018/102017/12 2018/04 2018/08
日期
田
曲CXI
田霹
(b)轨出2
图3故障预测曲线图5.2红光带故障预测
本例选自 2016 年 2 月 15 0 10： 13： 11 - 10：
13 : 42，京九下行线21793G 在空闲状态时出现红
光带.21793G 属京九线复线自动闭塞区段的一个
中继站，该站区间全部采用ZPW-2000A 无绝缘 轨道电路•如图1中电气绝缘节由调谐单元、匹配
变压器、空芯线圈和29 m 钢轨组成，实现邻轨道 电路间的电气隔离.21793G 轨道电路区段全长
1 335 m，载频为1 700 Hz.图4列出了某站 21793G 设备布置图.
通过调阅数据发现：故障处理人员通过CTC 设备回放确认21793G 在 10： 13： 11 - 10： 13： 42 出红光带31 s，微机监测数据显示：
(1) 10： 13： 11主轨电压由540mv 突变为Omv
(正常为540 mV)，一直持续31 s ;
(2) 217930运行前方相邻区段轨道电路电
压为0mV ；(3) 21793G 区段移频电缆侧电压突然为
134. 6 V(正常为 61.6V)；
(4) 21793G 移频电缆侧接收电压0 mV ；(5) 21793G 区段的发送端匹配变压器电缆
侧短路146.5 V 、电缆侧开路134. 7 V 、钢轨侧开 路 32.7 V.
21793
21807 21821 21831 21845
21857
J
-0
-o -•-ce
-0
o-o-
o-o-o-21796 21810 21822
21836
21848
图4某站21793G 设备布置图
如图5为系统CSM 实时输出的监测曲线，本
文引入GA-KELM 模型与CSM 数据结合，通过监
测当前时刻主轨道和小轨道两个最敏感特征量参 数变化来对设备运行状态进行分析.
140
120100
80
604020
T-主轨由庄 临区段小轨 亠发送器电压 接收器电压
亠移频电缆侧电压
1
4 — — — 4 b F P F F 1
▲▲A ▲A i
， ・1
10:13:11 10:13:42
输出时间/s
图5 CSM 系统输出
如图6, GA-KELM 算法的输出结果显示在
10： 13左右，主轨出现轨点，主轨轨出电压迅速降
为0，预测模型与实际运行情况一致.
0.6
0.3
020
0.410:13:1110:13:42
输出时间/s
+主轨电压轨点—临区段小轨
+主轨GA-KELM 预测 小轨GA-KELM 预测
图6实际输出与优化算法输出比对
通过指导现场人工检修，最终发现是由于送
电端匹配变压器钢轨侧开路所致•经测试发现：匹 配变压器内部电解电容C1、C2性能不达标，导致
匹配变压器钢轨侧开路所致•更换发送端匹配变 压器后,793G 设备电压恢复正常，通过预测算法
快速到故障点位置并验证了模型的有效性.
第2期李晓艳，等：基于GA-KELM的ZPW-2000A型轨道电胳故障预测研究119
6结论
(1)本文主要针对传统铁路线路中轨道电路维修维护中存在维修不足和维修过剩的问题，建立了一种基于GA-KELM算法的ZPW-2000A型轨道电路的故障预测模型；
(2)通过实例将改进模型性能与传统的SVM、ELM.KELM算法作比对，验证了改进的GA-KELM 性能最优；
(3)选择GA-KELM算法对两个实例进行预测分析，验证了模型的高效性.
本文方法对铁路信号设备从定时修、故障修和转向状态修的发展过程具有积极意义.
致谢：本文受陕西铁路工程职业技术学院科技计划基金项目(2014-17)资助，特此致谢！
参考文献：
[1]张友鹏，祁欢，赵斌.轨道电路分路态检测方法研究
[J].铁道学报，2017,39(1):70-75.
[2]张友鹏，常高武，赵斌.基于SA算法的无绝缘轨道
电路故障综合检测方法[〕]•铁道学报，2017,39
(4)：68-72.
[3]王秋实，王小敏.基于FTA与改进神经网络的轨道
电路红光带诊断方法[J].铁道标准设计，2017,61
(4)：147-153.
[4]赵林海，刘成波，冉义奎.无绝缘轨道电路道祚电阻
在线监测方法[J].铁道学报，2017,39(8)：101-106.
[5]徐侃，赵林海.无绝缘轨道电路补偿电容多故障的快
速诊断方法[J].铁道学报，2018(2):67-72.
[6]聂荐，谭丽.FFTA与BN在ZPW-2000A轨道电路故
障诊断中的应用分析[J].铁道标准设计，2016,60
正则匹配关键词(6)：138-142.
[7]陈星，董昱.基于模糊认知图模型的轨道电路故障诊
断[J].铁道科学与工程学报，2017,14(9):1983-1989.
[8]贾雷，董炜，孙新亚.基于节点电压增量方程的含容
差轨道电路软故障诊断[J].上海交通大学学报, 2017,51(6)：679-685.
[9]宁滨.智能交通中的若干科学和技术问题[J].中国
科学，2018,48(9)：1264-1269.
[10]CHEN C,JINX Y,JIANG BY,et al.Optimizing extreme
learning machine via generalized hebbian learning and intrinsic plasticity learning[J].Neural Processing Letters,2019,49(3)：1593-1609.
[1叮AN X S,ZHOU X W,Lii X,et al.Sample selected extreme learning machine based intrusion detection in fog computing and MEC[J].Wireless Communications& Mobile Computing,2018,25(8)：l-10.
[12]汪颖，王欢，张姝.基于优化极限学习机的电压暂降
源识别方法[J].电力系统自动化,2020,44(9)：135-143.
[13]GIASSI M,GOTEMAN M.Layout design of wave en
ergy parks by a genetic algorithm[J].Ocean Engineering,2018,154(15):252-261.
[14]KOUZIOKAS G N.SVM kernel based on particle swarm
optimized vector and bayesian optimized SVM in atmospheric particulate matter forecasting[J].Applied Soft Computing,2020(93)：106410.
Research on Fault Prediction Model of ZPW-2000A
Track Circuit based on GA-K ELM
LI Xiaoyan
(College of Railway Power,Shaanxi Railway Institute,Weinan714000,China)
Abstract:Aiming at the problems of insufficient maintenance and excessive maintenance in track circuit maintenance,a track circuit fault prediction model based on genetic algorithm optimized kernel extreme learning machine was established.By replacing the hidden layer node mapping with kernel function mapping on the basis of ELM,the kernel ex
treme learning machine was improved.The genetic algorithm was used to optimize the parameters and regularization coefficient of the kernel function and improve the learning performance of KELM to form a new GA-KELM algorithm.An example is given to verify the high efficiency of the GA-KELM in track circuit fault prediction compared with other algorithms.Finally,the GA-KELM algorithm is selected to verify the practical application of two examples,which shows the availability of the improved algorithm and provides a new way for the intelligent operation and maintenance of railway signals.
Keywords:track circuit;ELM；fault prediction
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论