CN110188837A - 一种基于模糊神经的mvb网络故障诊断方法 - Google Patents

Abstract

本发明涉及一种MVB网络故障诊断的算法，特别是一种基于模糊神经的MVB网络故障诊断方法。包括MVB通信故障模型及网络故障诊断算法，根据故障种类的不同建立故障模型，通过减法聚类找到聚类中心，确定模糊规则数、输入变量的隶属度函数数目及其位置，最后应用T‑S模糊神经网络诊断MVB网络故障类别，从而达到MVB网络故障诊断的目的。本发明应用在列车MVB网络中，可以提高网络故障诊断的准确率及稳定性，从而提高了网络的安全性，在车辆总线领域有良好的研究发展前景。

Description

一种基于模糊神经的MVB网络故障诊断方法

技术领域

本发明涉及一种MVB网络故障诊断的算法，特别是一种基于模糊神经的MVB网络故障诊断方法。该方法通过分析MVB网络的故障类型，建立了MVB网络故障诊断模型，采用减法聚类生成模糊规则，应用T-S模糊神经网络诊断故障类别，达到MVB网络故障诊断的目的。

背景技术

多功能车辆总线(Multifunction Vehicle Bus，MVB)网络是列车通信网络的重要组成部分，主要用于列车车辆间及车辆内控制设备之间的数据通信，其工作是否正常对列车的安全运行具有重要影响，因此对MVB总线网络故障的在线监测与准确诊断十分必要。

故障注入技术具有控制灵活，价格低廉等的优点，通过挂载的故障注入设备可以产生各种故障项模拟MVB总线故障，利用故障注入技术将MVB网络故障分为电气层、物理层和协议层三个层面，且给出了MVB总线故障注入部分驱动程序。现代工业系统及轨道车辆呈现向大型化、复杂化的方向发展，因此，在大数据背景下的智能故障诊断理论的挑战，分别从信号获取、特征提取以及通过人工智能模型与方法识别并预测故障对智能故障诊断这三个环节展开研究工作。在此基础上，有人分析了真空断路器的特征数据与故障类型的对应关系，提出一种基于自组织映SOM的故障诊断方法，但是该方法仅适用于小样本训练，对大量数据难以进行准确诊断。有人提出一种应用聚类算法分析调试数据的MVB网络故障诊断方法，MVB网卡采集的原始故障数据经聚类算法分析，进行故障的分类储存，形成案例库与故障案例库。还有人提出了一种基于聚类算法与主成分分析方法的改进传感器网络故障诊断和估算方法，但是，传感器网络故障诊断的准确率与诊断速度难以保证。人工神经网络采用分布存贮和并行处理的方式，神经元之间的连接具有可塑性、自适应性及自组织性，因此，人工神经网络技术越来越多的应用于故障在线检测和实时故障诊断中。有部分学者采用遗传算法对BP神经网络结构和参数优化，将由小波提取的电路故障状态特征输入到遗传算法优化的BPNN故障诊断系统。针对旋转机械故障特征需要专家经验及故障复杂的问题，还有学者提出一种多卷积层和多池化层的一维深度卷积神经网络的故障诊断模型。但是卷积神经网络全连接模式过于冗余而低效，浪费了大量CPU资源。

可见，现有的MVB故障诊断算法很难满足MVB网络系统的要求，且其诊断结果稳定性与准确率等也较低，这对列车MVB网络系统的故障诊断算法提出了更高的要求。

发明内容

本发明所要解决的技术问题是针对目前已有多功能车辆总线故障诊断算法中诊断结果的准确定及稳定性的问题，提出了一种基于模糊神经的MVB网络故障诊断方法，通过分析MVB网络的故障类型，建立MVB网络故障诊断模型。然后采用减法聚类生成模糊规则，应用T-S模糊神经网络诊断MVB网络故障类别。

本发明一种基于模糊神经的MVB网络故障诊断方法包括MVB通信故障模型及网络故障诊断算法。首先根据MVB主要故障种类的不同，通过非线性方程的方式建立故障诊断模型，然后通过减法聚类对输入空间非线性划分找到聚类中心，根据聚类中心个数来确定模糊规则数和输入变量的隶属度函数的数目及隶属度函数的位置，最后应用T-S模糊神经网络诊断MVB网络故障类别，从而达到MVB网络故障诊断的目的。

所述的MVB故障主要分为4种:线路故障；设备故障；中继器故障；非物理故障，再加上正常工况共5种待诊断的故障模式。其故障诊断模型可用下列非线性方程表示：

y＝f(BER_i,N_i,ΔTP_i,PLR_i,ΔA_i,Δt_i)

所述的减法聚类首先需要构建数据样本点的数据集矩阵：

根据数据集矩阵，减法聚类的求解步骤是：

1)首先假定每一个数据点都是潜在的聚类中心，按照欧式距离指标，计算样本点X_i＝{x_i1,x_i2,...,x_i6}的密度指标；

选取密度指标最高的样本点x_c1为第一个聚类中心，其中，r_a为聚类半径，定义了该样本点的一个邻域，半径以外的样本对该点的密度指标贡献甚微。

2)假定x_cm为第m次选出的聚类中心，密度指标为D_cm，修正除此样本点外的其他样本点的密集指标。

选出密度指标最高的数据点作为新的聚类中心。由于靠近第m个聚类中心的样本点成为聚类中心的可能性不大，因此，常数r_b一般取1.25～1.5倍的r_a，以此定义出一个密度指标显著减小的领域。

3)重复上述修正过程，判断下式是否成立。

如果上式不成立，则转到步骤2；如果成立则退出。其中，预先给定参数0＜δ＜1，决定最终产生的初始聚类中心数目，δ越小，产生的聚类数越多；反之则聚类数越少。r_a，r_b越大，产生的类数就越少，反之，则产生的类数就越多。

所述的T-S模糊神经网络具有较强的数据处理能力和自学习能力，由前件网络和后件网络组成，T-S模糊神经网络系统用“if-then”规则形式来定义，其第i条模糊推理规则R_i为。

1)在前件网络中，隶属度函数选用高斯函数类型，适用度计算选择相乘运算原则：前件网络的第一层为输入层，与输入向量x_j连接，输入节点与输入向量的维数相同，网络输入量x为：

x＝[x₁,x₂,x₃,x₄,x₅,x₆]

前件网络的第二层为模糊化层，采用隶属度函数对各输入值进行模糊化，得到各输入对模糊子集的隶属度由于高斯型隶属度函数在处理非二值输入以及模糊集输入空间映射方面的优势，因此，采用高斯型的激活函数作为隶属度函数：

前件网络的第三层为规则层，将各隶属度进行模糊计算，采用模糊连乘求得规则层各节点的输出w_i为：

前件网络的第四层为去模糊化层，采用权值平均判别法进行归一化计算求得各输出节点去模糊化过程表示为：

2)后件网络的第一层是输入层，它的作用是将输入变量和常数项传递到下一层，其第0个节点x₀的输入值设置为常数项1，为模糊规则后件提供常数项，其余输入和前件网络的输入层输入一样。

后件网络的第二层为中间层，根据模糊规则计算中间层节点输出y_j为：

后件网络的第三层为输出层，计算前件网络和后件网络的整个系统的输出y，即前件网络的输出用作后件网络中间层和输出层之间的连接权值：

附图说明

图1为本发明的T-S模糊神经网络结构图

图2为本发明的MVB网络故障诊断模型输出误差图

图3为本发明的MVB网络故障诊断模型准确率

图4为本发明的MVB网络运行时间与故障类型关系曲线图

具体实施方式

下面结合附图对本发明作进一步的详细说明，本发明一种基于模糊神经的MVB网络故障诊断方法包括MVB通信故障模型及网络故障诊断算法。首先根据MVB主要故障种类的不同，通过非线性方程的方式建立故障诊断模型，然后通过减法聚类对输入空间非线性划分找到聚类中心，根据聚类中心个数来确定模糊规则数和输入变量的隶属度函数的数目及隶属度函数的位置，最后应用T-S模糊神经网络诊断MVB网络故障类别，从而达到MVB网络故障诊断的目的。

为了提高MVB网络系统传输的可靠性，保证其实时性，需要对硬件设备及结构和软件及信号状态进行分析。MVB总线网络故障可以分为线路故障、中继器故障、设备故障及非物理故障。

(1)线路故障：包括连接器故障和线缆故障，连接器未紧固或缩针在设备晃动时，将出现较为明显的误码率升高情况。连接器电阻故障会导致通信质量下降，总线空闲电平出现异常，波形出现失真。通信线缆衰减会导致方波上升沿被明显削弱，通信线缆信号反射故障会导致线路波形失真。通信线缆串扰会极大影响信号传输可靠性，通信线缆接地不良会导致丢帧、误码率上升、错误计数极高、网络帧周期变化较大等现象，更严重的是通信电缆处于断路状态，MVB总线提供了线路冗余的功能，当一组通道断开时，还能保证部分功能不受影响，但是由于屏蔽层耦合现象的存在，传输信号反射回到断开处的开放端，这将导致波形奇变或是接受到错误数据

(2)中继器故障：中继器对数据帧进行整形放大，如果在检测到下一个数据帧起始分界符之前的空闲时间内检测到较强的“振铃”现象后，且电平幅值超过中继器的设定阈值，中继器将会输出连续的矩形波，如果主帧帧尾的异常振荡时间超过设定值，将导致响应时间过长，数据过滤不通过，导致网络测试过程中出现数据帧故障，所以中继器的处理机制对数据帧正确传输非常重要。

(3)设备故障：MVB设备接入MVB网络时，会产生设备接入后的插入损耗，须适当考虑布线方式与设备插入数量。设备硬件驱动电路故障会导致该设备相关的主从帧波形失真或无效。主设备故障会导致端口的轮询时间间隔出现抖动，无法发送主帧，整条总线保持空闲状态，从设备导致无法识别主帧信号，数据接收设备无法接到相应端口的数据，当主站轮询该端口时，多个从设备会同时发送该端口的从帧数据，导致出现总线冲突。

(4)非物理故障：包括软件故障和数据帧故障，软件故障是程序存在缺陷、端口冲突，导致总线通信冲突，影响部分设备无法正常通信，此类故障一般批量出现。MVB网络数据编码采用曼彻斯特编码方式，传输的差分信号为方波。利用MVB总线分析仪可以对总线数据错误检查和分析，数据帧故障主要包括帧错误校验(CRC)、两帧之间无明显时间间隔错误(BNI)、帧头未定义或主帧尾错误、主帧错误(EMF)、从帧错误(ESF)等。

针对上述故障原因及正常工况原因，共5种故障模式，所以故障模型可表示为：

y＝f(BER_i,N_i,ΔTP_i,PLR_i,ΔA_i,Δt_i) (1)

式中,BER_i为总线误码率；N_i为错误计数；ΔTP_i为网络帧周期变化；PLR_i为丢包率；ΔA_i为中继器电平幅值超常量；Δt_i为中继器电平幅值超常时间，y为故障诊断结果输出。

为优化模糊神经网络模型，通过减法聚类对输入空间非线性划分找到聚类中心，根据聚类中心个数来确定模糊规则数和输入变量的隶属度函数的数目及隶属度函数的位置，从而确定模糊神经网络模型初始结构。

由式1构建数据样本点的数据集矩阵：

矩阵中前6列为输入变量的离散取值，最后一列为系统的相应输出值。其中，i＝1,2,...,n，j＝1,2,...,6。

减法聚类算法的求解步骤如下：

1)首先假定每一个数据点都是潜在的聚类中心，按照欧式距离指标，计算样本点X_i＝{x_i1,x_i2,...,x_i6}的密度指标。

选取密度指标最高的样本点x_c1为第一个聚类中心，其中，r_a为聚类半径，定义了该样本点的一个邻域，半径以外的样本对该点的密度指标贡献甚微。

2)假定x_cm为第m次选出的聚类中心，密度指标为D_cm，修正除此样本点外的其他样本点的密集指标。

选出密度指标最高的数据点作为新的聚类中心。由于靠近第m个聚类中心的样本点成为聚类中心的可能性不大，因此，常数r_b一般取1.25～1.5倍的r_a，以此定义出一个密度指标显著减小的领域。

3)重复上述修正过程，判断式5是否成立。

如果式5不成立，则转到步骤2；如果成立则退出。其中，预先给定参数0＜δ＜1，决定最终产生的初始聚类中心数目，δ越小，产生的聚类数越多；反之则聚类数越少。r_a，r_b越大，产生的类数就越少，反之，则产生的类数就越多。

T-S模糊神经网络具有较强的数据处理能力和自学习能力，由前件网络和后件网络组成，T-S模糊神经网络系统用“if-then”规则形式来定义，其第i条模糊推理规则R_i为

其中，为模糊系统的模糊集；为模糊系统的真值参数；f_i(X)为系统根据规则R_i所得到的输出；i＝1,2,...,m；j＝1,2,3,4,5,6。如图1所示，为6个输入、1个输出和m条模糊规则组成的T-S模糊神经网络结构。

1)在前件网络中，隶属度函数选用高斯函数类型，适用度计算选择相乘运算原则：前件网络的第一层为输入层，与输入向量x_j连接，输入节点与输入向量的维数相同，网络输入量x为：

x＝[x₁,x₂,x₃,x₄,x₅,x₆] (7)

式中，x₁，x₂，x₃，x₄，x₅，x₆分别为网络的6个输入向量，输入节点的作用是将输入向量的各分量传递到下一层。

前件网络的第二层为模糊化层，采用隶属度函数对各输入值进行模糊化，得到各输入对模糊子集的隶属度由于高斯型隶属度函数在处理非二值输入以及模糊集输入空间映射方面的优势，因此，采用高斯型的激活函数作为隶属度函数：

其中，和分别为高斯型隶属度函数的中心和宽度，通过神经网络调整该层的权值和阈值，得到不同形状和位置的隶属函数。

前件网络的第三层为规则层，将各隶属度进行模糊计算，采用模糊连乘求得规则层各节点的输出w_i为：

前件网络的第四层为去模糊化层，采用权值平均判别法进行归一化计算求得各输出节点去模糊化过程表示为：

2)后件网络的第一层是输入层，它的作用是将输入变量和常数项传递到下一层，其第0个节点x₀的输入值设置为常数项1，为模糊规则后件提供常数项，其余输入和前件网络的输入层输入一样。

后件网络的第二层为中间层，根据模糊规则计算中间层节点输出y_j为：

后件网络的第三层为输出层，计算前件网络和后件网络的整个系统的输出y，即前件网络的输出用作后件网络中间层和输出层之间的连接权值：

为了评估系统模型的性能，应用Matlab仿真工具建立基于减法聚类和T-S模糊神经网络的故障诊断系统模型。采集该故障状态下和正常状态下的传感器数据共400组。提取350组数据作为减法聚类模糊神经网络的训练数据，取50组数据作为检验数据。该故障诊断子模型的混合学习算法分为2个阶段：首先应用减法聚类算法提取模糊规则，把所有的数据样本点作为聚类中心的候选点，分析的全局最优结构，聚类结束后，类的数目初始化隶属函数的中心个数即模糊规则数。最后T-S模糊神经网络算法应用经过减法聚类提取的模糊规则，并对故障诊断模型的准确率及运行时间影响进行分析。

如图2所示，故障类型1为正常工况；故障类型2为线路故障；故障类型3为设备故障；故障类型4为中继器故障；故障类型5为非物理故障。将检验数据作为输入代入已经训练好的基于减法聚类和T-S模糊神经网络的故障诊断模型，对比迭代次数为100次诊断模型的系统输出与实际输出，只有1个样本故障类型判断错误,并且从图中可以看出中继器故障概率比其他故障类型更高，严重时会影响信号质量和传输速度，因此，需要重点考虑中继器选型及维修。

准确率随迭代次数变化的曲线如图3所示，MVB网络故障诊断系统的收敛曲线经过最初迭代后就不断往上攀升，这说明MVB网络故障诊断系统在不断的更新最优的参数，当迭代次数达到150次以后，MVB网络故障诊断系统的准确率整体趋势变化较缓，准确率均值约为97％，完全满足MVB网络故障诊断的精度要求。

MVB网络故障诊断模型的故障类型与网络运行时间的关系曲线随如图4所示，由图可见，非物理故障类型出现较少，MVB网络运行初期故障类型多为中继器故障，网络运行中后期多因设备老旧及线路磨损等现象，从而出现设备故障类型和线路故障类型。

可见本发明一种基于模糊神经的MVB网络故障诊断方法，将减法聚类算法和T-S模糊神经网络应用在MVB网络故障诊断中，应用减法聚类简化模型，减少模糊神经规则数量，结合T-S型模糊神经网络结构和功能的分析，将定性故障诊断演变为定量故障诊断，从而提高MVB网络故障诊断准确率。且仿真结果表明，基于减法聚类和模糊神经网络的MVB网络故障诊断算法，在拟合能力与诊断准确率等方面均有提升，诊断结果稳定，网络实用性强，将其应用于MVB网络故障诊断是有效可行的。

Claims (5)

1.一种基于模糊神经的MVB网络故障诊断方法，其特征在于：本发明包括MVB通信故障模型及网络故障诊断算法两部分。首先根据MVB主要故障种类的不同，通过非线性方程的方式建立故障诊断模型，然后通过减法聚类对输入空间非线性划分找到聚类中心，根据聚类中心个数来确定模糊规则数和输入变量的隶属度函数的数目及隶属度函数的位置，最后应用T-S模糊神经网络诊断MVB网络故障类别，从而达到MVB网络故障诊断的目的。

2.根据权利要求1所述的一种基于模糊神经的MVB网络故障诊断方法，其特征在于：所述的MVB故障主要分为4种：线路故障；设备故障；中继器故障；非物理故障，再加上正常工况共5种待诊断的故障模式。其故障诊断模型可用下列非线性方程表示：

y＝f(BER_i,N_i,ΔTP_i,PLR_i,ΔA_i,Δt_i)。

3.根据权利要求1所述的一种基于模糊神经的MVB网络故障诊断方法，其特征在于：所述的减法聚类首先需要构建数据样本点的数据集矩阵：

。

4.根据权利要求3所述的一种基于模糊神经的MVB网络故障诊断方法，其特征在于：所述的减法聚类根据所建立的数据集矩阵的求解步骤是：

1)首先假定每一个数据点都是潜在的聚类中心，按照欧式距离指标，计算样本点X_i＝{x_i1,x_i2,...,x_i6}的密度指标；

选取密度指标最高的样本点x_c1为第一个聚类中心，其中，r_a为聚类半径，定义了该样本点的一个邻域，半径以外的样本对该点的密度指标贡献甚微。

2)假定x_cm为第m次选出的聚类中心，密度指标为D_cm，修正除此样本点外的其他样本点的密集指标。

选出密度指标最高的数据点作为新的聚类中心。由于靠近第m个聚类中心的样本点成为聚类中心的可能性不大，因此，常数r_b一般取1.25～1.5倍的r_a，以此定义出一个密度指标显著减小的领域。

3)重复上述修正过程，判断下式是否成立。

如果上式不成立，则转到步骤2)；如果成立则退出。其中，预先给定参数0＜δ＜1，决定最终产生的初始聚类中心数目，δ越小，产生的聚类数越多；反之则聚类数越少。r_a，r_b越大，产生的类数就越少，反之，则产生的类数就越多。

5.根据权利要求1所述的一种基于模糊神经的MVB网络故障诊断方法，其特征在于：所述的T-S模糊神经网络具有较强的数据处理能力和自学习能力，由前件网络和后件网络组成，T-S模糊神经网络系统用“if-then”规则形式来定义，其第i条模糊推理规则R_i为。

1)在前件网络中，隶属度函数选用高斯函数类型，适用度计算选择相乘运算原则：前件网络的第一层为输入层，与输入向量x_j连接，输入节点与输入向量的维数相同，网络输入量x为：

x＝[x₁,x₂,x₃,x₄,x₅,x₆]

前件网络的第二层为模糊化层，采用隶属度函数对各输入值进行模糊化，得到各输入对模糊子集的隶属度由于高斯型隶属度函数在处理非二值输入以及模糊集输入空间映射方面的优势，因此，采用高斯型的激活函数作为隶属度函数：

前件网络的第三层为规则层，将各隶属度进行模糊计算，采用模糊连乘求得规则层各节点的输出w_i为：

前件网络的第四层为去模糊化层，采用权值平均判别法进行归一化计算求得各输出节点去模糊化过程表示为：

2)后件网络的第一层是输入层，它的作用是将输入变量和常数项传递到下一层，其第0个节点x₀的输入值设置为常数项1，为模糊规则后件提供常数项，其余输入和前件网络的输入层输入一样。

后件网络的第二层为中间层，根据模糊规则计算中间层节点输出y_j为：

后件网络的第三层为输出层，计算前件网络和后件网络的整个系统的输出y，即前件网络的输出用作后件网络中间层和输出层之间的连接权值：

。