论文部分内容阅读
【摘要】应用BP神经网络良好的泛化能力对动车组（EMU）监控系统加以改进，使动车组监控系统具备检测潜在故障源并预警的能力，同时将无线射频识别技术（RFID）应用到动车组监控系统，定时获取并快速传输动车组设备的运行数据。本文以动车组受电弓工作电压为例建立BP神经网络模型。模拟和仿真结果表明，该BP神经网络能够准确判断故障趋势并起到预警的作用，具有较高的应用价值。
【关键词】监控系统；BP神经网络；无线射频识别技术
目前，动车组大多采用机车微机控制监视系统[1]（TCMS），其主要功能是实现机车特性控制、逻辑控制、故障监视和自我诊断，并将信息传送到司机操纵台上的微机显示屏给司机以直观的反映机车实时状态。但该监控系统对故障判断的准确性和快速性存在不足。
基于BP神经网络的动车组预警系统是在机车微机控制监视系统的基础上，运用BP神经网络对机车系统运行参数发展趋势具有很强的学习能力的特性，对机车微机控制监视系统加以改进，使得机车微机控制监视系统具备一定的预警能力。同时，将无线射频识别技术应用到动车组监控系统中，实现对动车组设备运行状态数据的采集和传输[2]，提高数据传输的安全性，实现潜在故障源的精确定位，很好地提高监控系统对动车组监控的快速性和准确性。完善后的动车组监控系统，可减少人为误差、减少工作人员工作量，在发生故障时，可使铁路监控中心及时做出决策，降低事故造成的损失，在很大程度上保障旅客的生命和财产安全。
１．BP神经网络
2.2系统设备选型及主要性能
（1）采用UHF频段的RFID标签。UHF频段包括433.92MHz和860～930MHz两个不同范围，该频段的RFID标签最远识别距离可达6m，能够满足动车组车厢内设备运行数据的识别与采集，且该频段的DFID标签具有识别速度快和通讯品质佳的优点[4]，能满足动车组RFID系统的要求。
（2）采用有源可读写标签电子标签，有源电子标签发射功率大，传输速度、传输距离、稳定性均比无源电子标签好，锂电池寿命在10年以上。同时，可读写标签内部的存储器除了RAM，ROM和缓冲存储器之外，还有非活动可编程记忆存储器，可实现对原有数据的擦除及数据的重新写入。
（3）采用发射功率小于100mW的阅读器，符合国际微波卫生安全防护标准。
2.3系统工作原理
在动车组中，各设备均装有监控设备，如温度、压力、电压、电流、速度传感器等。将传感器产生的电信号进行预处理，获得行车数据，将数据写入RFID系统的应答器中储存。控制RFID系统的阅读器定时与应答器进行通讯，获取应答器中的数据，将数据传送至监控终端电脑，将采集到的行车数据通过BP神经网络对行车数据进行计算。判断动车组设备是否存在潜在的危险，并将预测结果及时地传送至动车机组及铁路运行监控部门。
3.系统建模及仿真
3.1训练样本的选取
动车组运行中的重要参数有：受电弓电压[5]、主断路器开端容量、高压电流互感器变流比、牵引电机功率等。由动车组在运行中各个设备运行状态变化非常复杂，难以判断某个或某些设备运行参数的某个发展趋势能够引起设备故障。
本文以某一车厢受电弓工作电压为例，研究了BP神经网络在动车组在线监控[6]中的应用。
动车组受电弓工作电压变化选取以下基本趋势：
（1）受电弓工作电压发生较大突变（突变范围大于额定工作电压的4%），系统报警。
（2）受电弓工作电压超过额定工作电压长时间持续升高或低于额定工作电压长时间持续降低，系统报警。
（3）受电弓工作电压超过额定工作电压短时间持续升高或低于额定工作电压短时间持续减低，最后返回额定工作电压，系统不报警。
（4）受电弓工作电压为额定工作电压上下小范围浮动，此时不报警。
4.结论
本次BP神經网络对故障趋势的模拟结果与训练样本误差小于1%，能够准确地判断出故障趋势，可在故障发生前，在动车组上报警，可减少动车组故障所造成的损失。
由于动车组为一个复杂的运行系统，其中拥有许多极为复杂的运行设备。因此，为了能设计出功能更为完整、判断更为准确的动车组监控预警系统，需采集更多各类动车组设备的运行数据，组建动车组监控预警系统的BP神经网络训练样本数据库，优化BP神经网络模型，进行大量的训练，使得建立的网络模型具有很好的稳定性和准确性。 [科]
【参考文献】
［１］谢维达，邵德荣.城市地铁与轻轨列车的微机控制系统[J].电力机车技术，2001，24（3）：10-48.
［２］纪大伟，徐抒岩，胡君，等.基于FPGA的多通道高速数据采集系统[J].仪表技术与传感器，2011，12：69-71.
［３］韩力群.人工神经网络理论、设计与应用.第二版[M].北京：化学工业出版社，2007.
［４］卢瑞文.自动识别技术[M].北京：化工工业出版社，2005：77-99.
［５］李芾，金学松，张继业，等.摆式列车受电弓基座导轨设计及运动分析[J].铁道学报，2001，6（3）：23-28.
［６］杨彬华，凌球，殷国利，等.基于RFID的放射源在线监管系统设计与实现[J].核电子学与探测技术，2011，31（10）：1135-1139.
［７］于洋.基于Matlab的改进BP神经网络在城市日用水量预测中的应用[J].河南科学，2010，28（10）：3109-13.
【关键词】监控系统；BP神经网络；无线射频识别技术
目前，动车组大多采用机车微机控制监视系统[1]（TCMS），其主要功能是实现机车特性控制、逻辑控制、故障监视和自我诊断，并将信息传送到司机操纵台上的微机显示屏给司机以直观的反映机车实时状态。但该监控系统对故障判断的准确性和快速性存在不足。
基于BP神经网络的动车组预警系统是在机车微机控制监视系统的基础上，运用BP神经网络对机车系统运行参数发展趋势具有很强的学习能力的特性，对机车微机控制监视系统加以改进，使得机车微机控制监视系统具备一定的预警能力。同时，将无线射频识别技术应用到动车组监控系统中，实现对动车组设备运行状态数据的采集和传输[2]，提高数据传输的安全性，实现潜在故障源的精确定位，很好地提高监控系统对动车组监控的快速性和准确性。完善后的动车组监控系统，可减少人为误差、减少工作人员工作量，在发生故障时，可使铁路监控中心及时做出决策，降低事故造成的损失，在很大程度上保障旅客的生命和财产安全。
１．BP神经网络
2.2系统设备选型及主要性能
（1）采用UHF频段的RFID标签。UHF频段包括433.92MHz和860～930MHz两个不同范围，该频段的RFID标签最远识别距离可达6m，能够满足动车组车厢内设备运行数据的识别与采集，且该频段的DFID标签具有识别速度快和通讯品质佳的优点[4]，能满足动车组RFID系统的要求。
（2）采用有源可读写标签电子标签，有源电子标签发射功率大，传输速度、传输距离、稳定性均比无源电子标签好，锂电池寿命在10年以上。同时，可读写标签内部的存储器除了RAM，ROM和缓冲存储器之外，还有非活动可编程记忆存储器，可实现对原有数据的擦除及数据的重新写入。
（3）采用发射功率小于100mW的阅读器，符合国际微波卫生安全防护标准。
2.3系统工作原理
在动车组中，各设备均装有监控设备，如温度、压力、电压、电流、速度传感器等。将传感器产生的电信号进行预处理，获得行车数据，将数据写入RFID系统的应答器中储存。控制RFID系统的阅读器定时与应答器进行通讯，获取应答器中的数据，将数据传送至监控终端电脑，将采集到的行车数据通过BP神经网络对行车数据进行计算。判断动车组设备是否存在潜在的危险，并将预测结果及时地传送至动车机组及铁路运行监控部门。
3.系统建模及仿真
3.1训练样本的选取
动车组运行中的重要参数有：受电弓电压[5]、主断路器开端容量、高压电流互感器变流比、牵引电机功率等。由动车组在运行中各个设备运行状态变化非常复杂，难以判断某个或某些设备运行参数的某个发展趋势能够引起设备故障。
本文以某一车厢受电弓工作电压为例，研究了BP神经网络在动车组在线监控[6]中的应用。
动车组受电弓工作电压变化选取以下基本趋势：
（1）受电弓工作电压发生较大突变（突变范围大于额定工作电压的4%），系统报警。
（2）受电弓工作电压超过额定工作电压长时间持续升高或低于额定工作电压长时间持续降低，系统报警。
（3）受电弓工作电压超过额定工作电压短时间持续升高或低于额定工作电压短时间持续减低，最后返回额定工作电压，系统不报警。
（4）受电弓工作电压为额定工作电压上下小范围浮动，此时不报警。
4.结论
本次BP神經网络对故障趋势的模拟结果与训练样本误差小于1%，能够准确地判断出故障趋势，可在故障发生前，在动车组上报警，可减少动车组故障所造成的损失。
由于动车组为一个复杂的运行系统，其中拥有许多极为复杂的运行设备。因此，为了能设计出功能更为完整、判断更为准确的动车组监控预警系统，需采集更多各类动车组设备的运行数据，组建动车组监控预警系统的BP神经网络训练样本数据库，优化BP神经网络模型，进行大量的训练，使得建立的网络模型具有很好的稳定性和准确性。 [科]
【参考文献】
［１］谢维达，邵德荣.城市地铁与轻轨列车的微机控制系统[J].电力机车技术，2001，24（3）：10-48.
［２］纪大伟，徐抒岩，胡君，等.基于FPGA的多通道高速数据采集系统[J].仪表技术与传感器，2011，12：69-71.
［３］韩力群.人工神经网络理论、设计与应用.第二版[M].北京：化学工业出版社，2007.
［４］卢瑞文.自动识别技术[M].北京：化工工业出版社，2005：77-99.
［５］李芾，金学松，张继业，等.摆式列车受电弓基座导轨设计及运动分析[J].铁道学报，2001，6（3）：23-28.
［６］杨彬华，凌球，殷国利，等.基于RFID的放射源在线监管系统设计与实现[J].核电子学与探测技术，2011，31（10）：1135-1139.
［７］于洋.基于Matlab的改进BP神经网络在城市日用水量预测中的应用[J].河南科学，2010，28（10）：3109-13.