专利名称：一种基于神经网络的地铁列车故障诊断装置的制作方法
技术领域：
本实用新型涉及一种故障诊断装置，尤其是一种应用于地铁列车的基于径向基函数神经网络RBFNN (Radial Basis Function Neural Network，径向基函数神经网络)能对故障进行分类处理的故障诊断装置。
背景技术：
随着我国城市轨道交通的快速发展，如何保障地铁列车的安全运营成为越来越紧迫的难点问题。目前我国已经部署了大量的城轨监控系统，在保障运营安全等方面发挥了重要作用。但是现有的技术无法对地铁列车的故障诊断等方面提供理想的解决方案，这也成为了制约我国城市轨道交通继续发展的瓶颈。现有的基于数据融合模式识别的嵌入式故障智能诊断装置，采用神经网络，结合基于数据融合模式识别的传感器群信息，借助多神经网络局部诊断及决策级融合模式识别故障智能诊断机制，实现数据存储、图形显示及数据远程传输的功能，完成故障诊断任务。现有的基于数据融合模式识别的嵌入式故障智能诊断装置，只利用来自传感器的信息，数据量不够丰富。未充分利用如表征地铁列车运行状态的开关量信息等，这些信息往往是准确、快速作出故障诊断所必须的。现有的基于数据融合模式识别的嵌入式故障智能诊断装置，对所有数据进行融合，而不是按功能单元等加以分类，导致效率不高。现有的基于数据融合模式识别的嵌入式故障智能诊断装置，其故障诊断结果模块采用的模型为BP (Back !Propagation，反向传播)模型。尽管该模型研究比较成熟，但算法里有冗长的迭代计算过程，而且容易陷入局部极值。
实用新型内容本实用新型提供一种基于神经网络的地铁列车故障诊断装置，该实用新型可以很好地克服现有技术存在的采集分析数据量不够丰富，数据处理效率不高，计算过程复杂的技术问题，提供一种能够全面收集地铁列车运行状态的相关数据，分类处理后再进行智能分析处理，从而能准确的输出地铁列车发生的故障和将要发生的故障的地铁列车故障诊断装置。本实用新型提供一种基于神经网络的地铁列车故障诊断装置的具体实施方式
，一种基于神经网络的地铁列车故障诊断装置，包括数据采集底层，故障诊断结果模块，下位机和上位机，下位机按照功能单元对来自数据采集底层的地铁列车状态信息数据进行分类采集，并将数据集中后再汇总给上位机，上位机负责接收、处理并存储下位机汇总的地铁列车状态数据，上位机包括数据集合模块和神经网络模块，数据集合模块首先完成对采集到的地铁列车状态信息数据的分类处理；在训练阶段，神经网络模块把分类处理好后的数据作为各个神经网络的训练样本，然后利用训练样本生成地铁列车故障诊断所需的各个神经网络；[0010]在应用阶段，下位机不断采集地铁列车的实时数据信息，当地铁列车发生故障或将要发生故障时，上位机的神经网络模块依据在训练阶段建立的神经网络的输出作出相应的判断和预判，并将故障信息结果输出至故障诊断结果模块。作为本实用新型一种基于神经网络的地铁列车故障诊断装置进一步的实施方式， 神经网络模块为基于径向基函数的神经网络，神经网络模块包括输入层、隐含层和输出层， 隐含层对输入层的激励产生局部化响应，隐含层的特性函数采用非线性的径向基函数，输出层对隐含层的基函数输出进行线性组合。作为本实用新型一种基于神经网络的地铁列车故障诊断装置进一步的实施方式， 下位机包括采集转换模块、模拟量采集模块、数字量采集模块和总线接口模块，采集转换模块采集地铁列车加装传感器反馈的数据信息；模拟量采集模块采集表征地铁列车运行状态的模拟量信息；数字量采集模块采集表征地铁列车运行状态的数字量信息；总线接口模块采集地铁列车总线上的数据信息。作为本实用新型一种基于神经网络的地铁列车故障诊断装置进一步的实施方式， 数据集合模块包括系统级数据集合模块、中央控制单元数据集合模块、牵引单元数据集合模块、制动单元数据集合模块和门控单元数据集合模块，数据集合模块将采集到的传感器数据、模拟量数据、数字量数据和地铁列车总线数据按照功能单元分类集合成系统级数据、 中央控制单元数据、牵引单元数据、制动单元数据和门控单元数据。作为本实用新型一种基于神经网络的地铁列车故障诊断装置进一步的实施方式， 神经网络模块包括系统级径向基函数神经网络、中央控制单元径向基函数神经网络、牵引单元径向基函数神经网络、制动单元径向基函数神经网络和门控单元径向基函数神经网络，系统级径向基函数神经网络与系统级数据集合模块相连，中央控制单元径向基函数神经网络与中央控制单元数据集合模块相连，牵引单元径向基函数神经网络与牵引单元数据集合模块相连，制动单元径向基函数神经网络与制动单元数据集合模块相连，门控单元径向基函数神经网络与门控单元数据集合模块相连。作为本实用新型一种基于神经网络的地铁列车故障诊断装置进一步的实施方式， 故障诊断结果模块包括系统级故障模块、中央控制单元故障模块、牵引单元故障模块、制动单元故障模块和门控单元故障模块，系统级径向基函数神经网络与系统级数据集合模块相连，中央控制单元径向基函数神经网络与中央控制单元数据集合模块相连，牵引单元径向基函数神经网络与牵引单元数据集合模块相连，制动单元径向基函数神经网络与制动单元数据集合模块相连，门控单元径向基函数神经网络与门控单元数据集合模块相连。故障诊断结果模块进一步为外接的显示模块或者是短信提示模块。通过应用本实用新型实施方式所描述的一种基于神经网络的地铁列车故障诊断装置，利用了基于径向基函数神经网络快速收敛、运算量小和非线性逼近能力强的特点，能够全面收集地铁列车运行状态的相关数据，分类处理后再作为神经网络的输入。由于引入了径向基函数神经网络，从而可以对发生的故障和将要发生的故障作出准确的判断和预测。数据信息量更加丰富，故障诊断更加准确。数据信息通过分类处理后，故障诊断的效率得到了进一步提高。采用“底层传感器一下位机一上位机”的层次化结构，使得系统更加结构清晰。
为了更清楚地说明本实用新型实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本实用新型的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本实用新型一种基于神经网络的地铁列车故障诊断装置的结构原理框图；图2为本实用新型一种基于神经网络的地铁列车故障诊断装置的系统结构框图；图3为本实用新型一种基于神经网络的地铁列车故障诊断装置的上位机软件流程图；图4为本实用新型一种基于神经网络的地铁列车故障诊断装置的径向基函数神经网络的基本结构示意图；其中，1-数据采集底层，2-数据集合模块，3-神经网络模块，4-故障诊断结果模块，5-下位机，6-上位机，7-输入层，8-隐含层，9-输出层。
具体实施方式
下面将结合本实用新型实施例中的附图，对本实用新型实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本实用新型的一部分实施例，而不是全部的实施例。基于本实用新型中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本实用新型保护的范围。作为本实用新型一种基于神经网络的地铁列车故障诊断装置的具体实施方式
，如图2所示，基于神经网络的地铁列车故障诊断装置包括数据采集底层1，故障诊断结果模块 4，下位机5和上位机6，数据采集底层1包括各种传感器，主要为现有地铁列车没有而系统需要额外加装的传感器。下位机5按照功能单元对来自数据采集底层1的地铁列车状态信息数据进行分类采集，并将数据集中后再汇总给上位机6，上位机6负责接收、处理并存储下位机5汇总的地铁列车状态数据，上位机6包括数据集合模块2和神经网络模块3，数据集合模块2首先完成对采集到的地铁列车状态信息数据的分类处理；其中，神经网络模块3为基于径向基函数的神经网络。在训练阶段，神经网络模块 3把分类处理好后的数据作为各径向基函数神经网络的训练样本，然后利用训练样本生成地铁列车故障诊断所需的各个径向基函数神经网络；在应用阶段，下位机5不断采集地铁列车的实时数据信息，当地铁列车发生故障或将要发生故障时，上位机6的神经网络模块3依据在训练阶段建立的径向基函数神经网络的输出作出相应的判断和预判，并将故障信息结果输出至故障诊断结果模块4。其中，故障诊断结果模块4可以是外接的显示屏或者是短信提示方式。神经网络模块3包括输入层7、隐含层8和输出层9，隐含层8对输入层7的激励产生局部化响应，隐含层8的特性函数采用非线性的径向基函数，输出层9对隐含层8的基函数输出进行线性组合。下位机5包括采集转换模块、模拟量采集模块、数字量采集模块和总线接口模块，采集转换模块采集地铁列车加装传感器反馈的数据信息，如加速度、振动等数据；模拟量采集模块采集表征地铁列车运行状态的模拟量信息，如电压、电流、温度等；数字量采集模块采集表征地铁列车运行状态的数字量信息，如开关闭合状态、隔离装置状态等；总线接口模块采集地铁列车总线上的数据信息，主要针对不同的地铁列车总线(如 MVB, WTB等)，通过相应的接口和协议，采集需要的地铁列车相关数据。数据集合模块2进一步包括系统级数据集合模块、中央控制单元数据集合模块、牵引单元数据集合模块、制动单元数据集合模块和门控单元数据集合模块，数据集合模块2将采集到的传感器数据、模拟量数据、数字量数据和地铁列车总线数据按照功能单元分类集合成系统级数据、中央控制单元数据、牵引单元数据、制动单元数据和门控单元数据。神经网络模块3包括系统级径向基函数神经网络、中央控制单元径向基函数神经网络、牵引单元径向基函数神经网络、制动单元径向基函数神经网络和门控单元径向基函数神经网络，系统级径向基函数神经网络与系统级数据集合模块相连，中央控制单元径向基函数神经网络与中央控制单元数据集合模块相连，牵引单元径向基函数神经网络与牵引单元数据集合模块相连，制动单元径向基函数神经网络与制动单元数据集合模块相连，门控单元径向基函数神经网络与门控单元数据集合模块相连。故障诊断结果模块4包括系统级故障模块、中央控制单元故障模块、牵引单元故障模块、制动单元故障模块和门控单元故障模块，系统级径向基函数神经网络与系统级数据集合模块相连，中央控制单元径向基函数神经网络与中央控制单元数据集合模块相连， 牵引单元径向基函数神经网络与牵引单元数据集合模块相连，制动单元径向基函数神经网络与制动单元数据集合模块相连，门控单元径向基函数神经网络与门控单元数据集合模块相连。如图1所示，本实用新型的具体实施方式
充分利用地铁列车各设备间的网络拓扑关系，将各类数据按功能单元分类，如中央控制单元的数据包括地铁列车状态、通信状态、 网络命令、数字输入输出信号和模拟输入信号等，牵引单元的数据包括牵引工作状态、输入指令、电机转速、电机转矩、电机电流、网压、电机温度、级位信号和载荷信号等，制动单元的数据包括轮径、载荷信号、速度信号、制动级位、传感器状态等，门控单元的数据包括车门打开状态、车门开关反馈、门速度反馈、门防夹状态、门切除状态等。再依据各单元的数据通过故障模拟的方式，产生训练样本，利用训练样本建立各单元对应的径向基函数神经网络，可以作出各单元的故障诊断。同时，按照逻辑关系，将单元间有相互关系的信息，如地铁列车状态、通信状态、网络命令、数字输入输出信号、模拟输入信号、速度信号和级位信号等提取出来，同样通过故障模拟的方式，产生训练样本，再利用训练样本建立用于地铁列车故障诊断(系统级)的径向基函数神经网络。通过分类和综合，提高了故障诊断的效率。如图4所示是径向基函数网络的基本结构，它可以实现由输入向量X
H—為}到输出向量r:的映射(或分类)。本实用新型具体实施方式
采用的径
向基函数神经网络是一类特殊的三层前馈网络，适合用于函数逼进及分类。其隐含层单元的特性函数采用非线性的径向基函数，可以对输入层的激励产生局部化响应，即仅当输入落在输入空间某一指定的小范围内时，隐含层单元才会作出有意义的非零响应。输出层结点则对隐含层的基函数输出进行线性组合。与BP网相比，结构更简单，学习速度更快。不仅避免了 BP算法里冗长的迭代计算过程和陷入局部极值的可能，而且学习速度比BP算法高3 4个数量级。如图3所示是基于神经网络的地铁列车故障诊断装置的上位机软件流程图，上位
7机的软件流程包括以下步骤下位机5按照地铁列车加装传感器数据、模拟量信息、数字量信息和总线接口信息对来自数据采集底层1的地铁列车状态信息数据进行分类采集，并将数据集中后再汇总给上位机6 ；上位机6接收、处理并存储下位机5汇总的地铁列车状态数据，上位机6的数据集合模块2对采集到的地铁列车状态信息数据按照系统级数据、中央控制单元数据、牵引单元数据、制动单元数据和门控单元数据进行分类和综合处理；神经网络模块3为基于径向基函数的神经网络；在训练阶段，神经网络模块3把分类和综合处理好后的数据分别作为系统级径向基函数神经网络、中央控制单元径向基函数神经网络、牵引单元径向基函数神经网络、制动单元径向基函数神经网络和门控单元径向基函数神经网络的训练样本，然后利用训练样本建立地铁列车故障诊断所需的各个径向基函数神经网络；在应用阶段，下位机5不断采集地铁列车的实时数据信息，当地铁列车发生故障或将要发生故障时，上位机6的神经网络模块3依据在训练阶段建立的径向基函数神经网络的输出作出相应的判断和预判，并将故障信息结果分别输出至系统级故障模块、中央控制单元故障模块、牵引单元故障模块、制动单元故障模块和门控单元故障模块。作为一种典型的实施方式，基于神经网络的地铁列车故障诊断装置首先针对地铁列车的典型故障和临界故障等情况，通过模拟产生η类故障方式，收集来自传感器的检测数据、表征地铁列车状态及车载设备的模拟量、数字量以及地铁列车总线上的相关数据等信息。然后对数据信息按照功能单元(中央控制单元、牵引单元、制动单元、门控单元等)分
类和综合(系统级)，形成建立各径向基函数神经网络所需的训练样本向量、/。例如中央控制单元的训练样本向量为^，牵引单元的训练样本向量力&2制动单元的训练样本向量为，门控单元的训练样本向量为^，系统级的训练样本向量为、S。通过这些训练样
本可以确定各神经网络输入层节点个数为η，输出层的节点个数为Iog3B。隐含层神经元学
习采用了无监督学习的聚类算法；输出层神经元采用有监督的最小二乘法学习方法。训练完成后就得到可用的神经网络，网络参数可存入存储器中存储。下面以中央控制单元径向基函数神经网络的建立为例作具体说明。对于中央控制单元，在模拟产生η类故障后，得到的训练样本向量包括地铁列
车状态、通信状态、网络命令、数字输入输出信号和模拟输入信号等，该训练样本将作为神经网络的输入。针对隐含层神经元的学习采用无监督学习的聚类算法，该方法是最经典的RBF (Radial Basis Function，径向基函数)学习算法。具体步骤如下(1)初始化各个聚类中心^d = IX…，/· , L为聚类个数。初始聚类中心可以从训
练样本中随机选取；(2)输入训练样本若满足条件[0043]
权利要求1.一种基于神经网络的地铁列车故障诊断装置，其特征在于包括数据采集底层(1)， 故障诊断结果模块(4)，下位机(5)和上位机(6)，下位机(5)按照功能单元对来自数据采集底层(1)的地铁列车状态信息数据进行分类采集，并将数据集中后再汇总给上位机(6)，上位机(6)负责接收、处理并存储下位机(5)汇总的地铁列车状态数据，上位机(6)包括数据集合模块(2 )和神经网络模块(3 )，数据集合模块(2 )首先完成对采集到的地铁列车状态信息数据的分类处理；在训练阶段，神经网络模块(3)把分类处理好后的数据作为各个神经网络的训练样本， 然后利用训练样本生成地铁列车故障诊断所需的各个神经网络；在应用阶段，下位机(5)不断采集地铁列车的实时数据信息，当地铁列车发生故障或将要发生故障时，上位机(6)的神经网络模块(3)依据在训练阶段建立的神经网络的输出作出相应的判断和预判，并将故障信息结果输出至故障诊断结果模块(4)。
2.根据权利要求1所述的一种基于神经网络的地铁列车故障诊断装置，其特征在于 所述的神经网络模块(3)为基于径向基函数的神经网络，神经网络模块(3)包括输入层 (7)、隐含层(8)和输出层(9)，隐含层(8)对输入层(7)的激励产生局部化响应，隐含层(8) 的特性函数采用非线性的径向基函数，输出层(9)对隐含层(8)的基函数输出进行线性组
3.根据权利要求1所述的一种基于神经网络的地铁列车故障诊断装置，其特征在于 所述的下位机(5)包括采集转换模块、模拟量采集模块、数字量采集模块和总线接口模块， 采集转换模块采集地铁列车加装传感器反馈的数据信息；模拟量采集模块采集表征地铁列车运行状态的模拟量信息；数字量采集模块采集表征地铁列车运行状态的数字量信息；总线接口模块采集地铁列车总线上的数据信息。
4.根据权利要求1、2、3中任一权利要求所述的一种基于神经网络的地铁列车故障诊断装置，其特征在于所述的数据集合模块(2)包括系统级数据集合模块、中央控制单元数据集合模块、牵引单元数据集合模块、制动单元数据集合模块和门控单元数据集合模块，数据集合模块(2 )将采集到的传感器数据、模拟量数据、数字量数据和地铁列车总线数据按照功能单元分类集合成系统级数据、中央控制单元数据、牵引单元数据、制动单元数据和门控单元数据。
5.根据权利要求4所述的一种基于神经网络的地铁列车故障诊断装置，其特征在于 所述的神经网络模块(3)包括系统级径向基函数神经网络、中央控制单元径向基函数神经网络、牵引单元径向基函数神经网络、制动单元径向基函数神经网络和门控单元径向基函数神经网络，系统级径向基函数神经网络与系统级数据集合模块相连，中央控制单元径向基函数神经网络与中央控制单元数据集合模块相连，牵引单元径向基函数神经网络与牵引单元数据集合模块相连，制动单元径向基函数神经网络与制动单元数据集合模块相连，门控单元径向基函数神经网络与门控单元数据集合模块相连。
6.根据权利要求5所述的一种基于神经网络的地铁列车故障诊断装置，其特征在于 所述的故障诊断结果模块(4)包括系统级故障模块、中央控制单元故障模块、牵引单元故障模块、制动单元故障模块和门控单元故障模块，系统级故障模块与系统级径向基函数神经网络相连，中央控制单元故障模块与中央控制单元径向基函数神经网络相连，牵引单元故障模块与牵引单元径向基函数神经网络相连，制动单元故障模块与制动单元径向基函数神经网络相连，门控单元故障模块与门控单元径向基函数神经网络相连。
7.根据权利要求1、2、3、5、6中任一权利要求所述的一种基于神经网络的地铁列车故障诊断装置，其特征在于所述的故障诊断结果模块(4)是外接的显示模块或者是短信提示模块。
专利摘要本实用新型公开了一种基于神经网络的地铁列车故障诊断装置，下位机按照功能单元对采集到的地铁列车状态信息进行分类，并将数据集中后再汇总给上位机，上位机接收，处理和存储下位机汇总的地铁列车状态数据，上位机包括数据集合模块和神经网络模块，数据集合模块完成对采集到的地铁列车状态数据分类处理；下位机采集地铁列车的实时数据信息，当地铁列车发生故障或将要发生故障时，上位机的神经网络模块依据训练时建立的径向基函数神经网络的输出作出相应的判断和预判，将故障信息输出至故障诊断结果模块。该实用新型所描述的实施方式可以很好地克服现有技术存在的采集分析数据量不够丰富，数据处理效率不高，计算过程复杂的技术问题。
文档编号B61L23/00GK202063165SQ20102062984
公开日2011年12月7日 申请日期2010年11月29日 优先权日2010年11月29日
发明者刘黎明, 单晟, 周迥, 杜庆, 沈涛, 王方程, 邓亚波, 陈建校 申请人:上海申通轨道交通研究咨询有限公司, 株洲南车时代电气股份有限公司