基于BP神经网络的动车组智能化控制和诊断研究

樊会星，邹 颖

（1. 中车青岛四方车辆研究所有限公司，青岛 266031；2. 中车唐山机车车辆有限公司，唐山 063035）

在列车运行过程中，车辆的状态往往不只受单一因素的影响，而是多个因素叠加耦合作用的结果，例如，由于车速变化、车厢外温变化和电机温度升高等共同作用引起的温度传感器故障等。另外，由于列车电磁环境复杂，相关传感器受干扰导致采集值突变的现象也时有发生。这些情况可能导致列车控制系统逻辑运行判断错误，产生故障误报和错误控制命令，影响行车安全。因此采用单一元素信息进行控制和诊断，可能会导致列车误动作和误诊断，故障发生时也不能快速准确定位到故障源[1]。此外，列车控制的故障诊断只是依据当前列车状态采集信息进行实时诊断，不能提前进行预判来避免相关损失。综上，采取更有效的方法对列车相关采集信息进行处理和应用是很有必要的。

人工神经网络由于具有优良的非线性逼近特性、较好的鲁棒性和容错性、大规模并行处理能力以及自学习、自组织和自适应性，使其在信号处理和工业控制等领域都得到了广泛的应用[2]。BP（Back Propagation）神经网络是人工神经网络中应用多、具有实用价值的算法之一。如文献[3]采用BP 神经网络对船舱温度进行预警，文献[4]提出应用BP 神经网络对铁路事故进行较长期预测，文献[5]利用 BP神经网络进行铁路客运设备故障监测。基于以上研究，本文提出采用BP 神经网络的方法对列车相关状态采集信息进行分析处理，并结合现有车辆控制逻辑实现动车组智能化控制和故障诊断监控，借此提高列车控制和诊断的准确性。

1 车辆信息数据预处理

1.1 研究对象选取

目前，动车组列车车辆状态采集的相关信息众多，如涉及车厢内部环境的温度、烟雾浓度等，涉及列车车辆运行安全的牵引电机温度、齿轮箱温度、轴承温度和变压器油温等，涉及车辆运行状态的速度、线电压和线电流等。这类信息的处理方式和实际应用方式基本类似，本文选取牵引电机温度作为研究对象，采用BP 神经网络算法进行诊断和控制，其它类似信息采用相同方法进行建模和训练即可。

1.2 数据预处理

动车组每节动车上安装有4 台牵引电机，每台牵引电机上安装有3 个温度传感器和1 个速度传感器，3 个温度传感器分别测量驱动端轴承温度、非驱动端轴承温度和定子温度，列车网络控制系统通过速度及温度条件对牵引电机冷却风机的启停和高低速进行控制，从而达到冷却牵引电机的目的。本文依据实际数据的有效性对获取的传感器数据信息进行预处理，电机温度的合理范围是-50℃～300℃，数据的具体预处理方法如下[6]：

（1）缺失的数据用相邻时刻数据插补；

（2）小于采集合理范围最小值的数据以最小值代替，大于最大值的数据以最大值代替；

（3）对于不合理数据值沿用前一时刻数据。

通过以上数据预处理，预先过滤掉错误的数据信息，增强采集数据的有效性。

2 神经网络模型的建立与运用

2.1 BP神经网络概述

BP 神经网络的拓扑模型包括输入层、隐含层和输出层。BP 神经网络算法包括信号的前向传播和误差的反向传播2 个过程，即计算输出误差时按从输入到输出的方向进行，而调整权值则从输出到输入的方向进行。BP 神经网络的训练过程如下：

（1）计算输出层的实际输出与期望输出间的误差；

（2）通过BP 神经网络将误差信号通过隐含层向输入层逐层反转，并将误差分摊给各层的所有节点，从而获得各层的误差信号；

（3）通过不断调整各层权值，使误差沿梯度方向下降；

（4）经过反复学习训练，确定与最小误差相对应的BP 神经网络权值，完成网络模型的训练[7]。

2.2 模型建立

本文采用BP 神经网络对牵引电机的温度值进行预测和处理。结合理论与应用经验分析结果，采用3层BP 神经网络模型，将列车速度、车厢外温度、牵引力大小、牵引电机电流输入、牵引电机风扇启动全速和牵引电机启动半速作为输入层节点，牵引电机定子温度、牵引电机驱动端温度和牵引电机非驱动端温度作为输出层节点。牵引电机温度的BP 神经网络模型如图1 所示。

图1 牵引电机温度的BP 神经网络模型示意图

设定输入层节点为xi（i=1，…，6），隐含层节点为yj（j=1，…，p），其中，p为隐含层的节点总数，输出层的节点为zk（k=1，2，3）。输入层节点xi到隐含层节点yj的权值为ωij，隐含层节点yj到输出层节点zk的权值为ωjk，对于这两种权值中的任一值采用ωab进行通用表示，模型期望输出（测得的实际输出）为rk（k=1，2，3），理论输出与期望输出间的误差为：

输出节点的误差函数定义为：

BP 神经网络的算法推导[8]是调整每个权值ωab的大小、使得输出误差E逐步减小的过程，计算其导数为：

误差调整大小为：

其中，η为学习效率，且0 ＜η＜1。

对于第k个输出层节点：

其中，δk=(rk-zk)zk(1-zk)。

对于第j个隐含层单元：

根据上述运算过程来调整BP 神经网络模型的权值系数，建立起完整的BP 神经网络训练模型，通过该模型可以计算出某一特定数据采集周期的每节车厢的牵引电机定子温度、驱动端温度和非驱动端温度数值。

2.3 智能控制与诊断

假定根据前述训练模型获得t时刻的输出值为zt，而传感器反馈的实际采集值为Zt，则误差为：）

假设最终用于列车控制逻辑判断是否为传感器故障或超温等的温度应用值为Ot，该值的判断逻辑分为以下几种情况。

（1）当Δzt小于设定阈值θ时，则认为采集值有效，可以将采集值和输出值分别乘以加权系数再求和，作为最终的温度应用值Ot。

其中，p为加权系数。

（2）当Δzt值大于设定阈值θ时，则认为采集值异常。如果前一个周期采集值有效，则该周期值的温度应用值采用前一周期的采集值和本周期预测值分别乘以加权系数再求和。

（3）当Δzt值大于设定阈值θ，且Δzt-1值也大于阈值θ时，则判定温度传感器故障，控制逻辑采取显示屏报警，限速，切除牵引、断主断降弓等措施保障车辆安全。

另外，可以将采集数据通过远程传输主机上传到地面列车云数据库。通过大数据运算，判断Δzt的变化趋势，提前发现列车隐性故障和存在问题，便于列车维护。

3 实验验证

3.1 模型训练与测试

通过列车数据记录装置获取车辆总线全部数据作为实验数据源，由于数据记录装置每隔100 ms 进行一次记录, 较短时间内数据变化很微小，因此进行预处理时数据的选取间隔为1 min，同时过滤掉重复数据和无效数据。在处理后的数据包内选取1 000 组数据进行训练，选取200 组数据进行效果验证。本文选取电机定子温度值进行效果验证，选用Matlab中的神经网络工具箱进行神经网络的训练， 模型的具体实现步骤如下：

（1）将训练样本数据归一化后输入网络，设定网络隐含层和输出层传递函数分别为tansig 和purelin 函数, 网络训练函数为trainlm 函数；

（2）隐含层神经元数初始值为7，网络迭代次数为3 000 次，期望误差为0.000 1 ；

（3）完成参数设定后， 开始训练网络。

由于Matlab 工具箱每次训练的初始权值和阈值是随机产生的，因此相同参数下每次验证的输出结果也略有不同，隐藏层节点数分别为7 ～10 的输出结果如图2 所示。

图2 BP 神经网络模型输出结果

3.2 结果分析

根据多次实验训练发现，为了获取最优输出结果，需要多次调整参数并选取最佳训练模型。由图2可以看出，在训练过程中，隐含层的节点数调整为10 时的训练效果最佳，与期望值最为接近，误差在10℃以内，该误差对于牵引电机的温度判断在可接受范围之内。这表明利用BP 神经网络模型综合列车各种运行信息进行预测，并结合传感器采集值综合判断得出车辆状态信息以避免单纯依靠传感器采集导致数据异常情况的方法是可行的。本方案可有效过滤异常的传感器采集数值，避免车辆运行过程中的误动作和误诊断，提高车辆控制和诊断的准确性。

4 结束语

本文针对由列车复杂环境等导致的传感器采集数据异常问题提出了以列车各种运行信息作为输入，通过采用BP 神经网络算法进行模型训练来预测列车状态信息，并将输出结果融入到现有车辆运行控制逻辑中，可有效提高列车控制和诊断的准确性，避免车辆误动作和误诊断。采用列车实际运行数据进行了大量的训练得出较优的网络模型，将模型预测信息与实际采集信息进行对比，验证了其良好的使用效果。

本方案单纯采用BP 神经网络模型进行计算，存在精确度不足的问题，在后续研究中可以融合深度学习和遗传算法等方法优化权值和阈值选择等来进行改进。另外，后续研究中可结合大数据和云计算等手段来预测车辆运行的状态和趋势，提前发现隐性故障并采取积极措施来有效降低列车故障率，保障列车运行安全。