地铁车辆牵引控制单元的故障诊断方法

地铁车辆牵引控制单元的故障诊断方法
摘要：作为地铁系统的核心组成部分，牵引控制单元的正常运行对于保证乘客的安全至关重要。

为此，本文提出了一种新的方法来改善FCM的故障诊断，该方法利用人工智能技术，可以有效降低FCM聚类的不稳定性，并且可以避免陷入局部最优的困境。

这种方法不仅能够解决单一故障诊断法的不足，而且还能够利用群智能算法来寻找全局最佳解，并且能够应对FCM算法的复杂问题。

经过UCI 数据集和地铁车辆的实际测试，我们发现，这种新的方法能够比传统的FCM算法更好地找到聚类中心，从而大大提升TCU故障诊断的精度和速度。

关键词：地铁车辆；牵引控制单元；入侵杂草算法；故障诊断
引言
地铁是一种极具吸引力的交通方式，它能够有效地缓解城市交通压力，为了确保地铁的安全运营，对于牵引控制单元（TCU）的定期检查、诊断以及提出有效的维修建议至关重要。

TCU不仅可以接受和传递指令，还可以对整个牵引系统进行精准的控制，以实现最佳的运营状态。

因此，对TCU的故障诊断研究具有重要的实际意义，可以为地铁车辆的安全运行提供有效的保障。

一、IWO-FCM算法
近年来，由于计算机技术的进步，人工智能技术取得了长足的进步，并被广泛应用于工程领域，为解决实际问题带来新的可能性。

人工智能算法具有独特的优势，它们能够自动识别复杂的数据，而且能够同时处理连续和离散的变量，这使它们在故障诊断优化方面的应用更加普遍。

一些常见的人工智能算法，如遗传算法、蚁群算法、人为干扰算法、差分进化算法和粒子群算法，正在被广泛应用于研究和改善环境。

（一）入侵杂草算法
Mehrabian和Lucas于2006年首次提出了一种名为“入侵杂草算法”的启发
式搜索算法四，它以模拟杂草入侵的过程为基础，旨在寻求种群优化，以期达到
更好的效果。

IwO算法是一种高效的优化方法，它具有良好的鲁棒性和易于实现
的算法结构，并且能够自适应地调整参数数量，使得它已经广泛应用于各行各业
的优化问题。

在IwO算法中，可行域代表杂草的生长区域，一个可行解代表一个
杂草种子，而所有杂草的总和则被称为一个种群。

（二）算法检验
通过使用Matlab，我们从3组二维数据点中抽取了150个样本，并将其与传
统的FCM算法和我们提出的IWO-FCM算法进行了比较，以评估它们的可靠性。

结
果显示，IWO-FCM算法在处理2维向量和3维簇时表现优异，具有良好的准确性
和可靠性。

从图3来看，在40代的迭代过程中，算法已经获得了全局最优，而
在54代的迭代过程中，算法的收敛性也得到了显著改善经过算法的调整，系统
已经恢复到了稳定的状态，并取得了理想的效果。

图1 IWO-FCM 适应度函数曲线
根据表1的数据，IWO-FCM算法的聚类准确率达到100%，而且J值也相当低，这表明它的聚类质量极高。

此外，IWO算法的空间扩散操作也使得它的全局搜索
能力得到极大的提升，从而使得它的种群多样性得到良好的保护，从而使得它在
处理复杂的多类别、多特征数据集时，拥有卓越的优势。

通过对比，我们发现，
聚类正确率是评估该算法有效性的重要指标。

我们的实验也得到了证明。

二、TCU 的故障诊断
（一）数据提取与处理
通过对4号线的实际测试，我们可以有效地评估IWO-FCM故障诊断模型的精
度和有效性。

为了更好地收集和分析这些数据，我们使用了PTU软件，如图4所示。

此外，我们还使用了中央控制单元来收集地铁车辆的运行状态和故障信息。

在这篇文章中，我们将对TCU的7种常见故障进行深入的分析和研究。

这些故障
包括：380 为了解决380 V电源、荷载信号、牵引电机超温、逆变器故障、滤波
电压超出2 150 V、电机电流超出2 200A和 HSCB断路等问题，我们正在积极探
索一种可行的解决方案，以期达到最佳的运行状态。

从而有效地改善地铁车辆
TCU的性能。

通过对TCU的研究，我们发现它具有多种独特的特征，这些特征可
以用来描述它的性能。

（二）实验结果及分析
经过现场实验，我们从271组典型的故障数据中精心挑选出217组，这些组
的故障特征清晰可见，而且完全没有冗余，接着，54组被用于检验该算法的可靠
性与精确性。

为了更好地评估该算法的精度，我们调整IWO-FCM的参数，其中包括：样本类别数为7，模糊系数为2.1，种群规模为30，个体维数为D=7x 14=98，最大迭代次数为300。

使用Matlab2010b，我们对地铁车辆的牵引控制系统的故
障情况进行了详细的模拟研究，以期获得有效的解决方案。

并将收集的217组数
据进行了聚类，以确定最佳的聚类中心，并绘制出相应的收敛曲线。

我们还使用
了54组数据来验证这些结果。

通过与传统的FCM算法、遗传算法（GA）以及粒
子群算法（PSO）的比较，我们发现，在相同的实验环境中，前者的优势更加明显，具体的结果可以参见表3。

FCM算法的诊断准确率远远不及4种方法，只有73.9%，这就意味着，当面
对分布更加均衡的数据集时，fcm算法很难有效地进行复杂、多维的故障样本的
聚类。

然而，经过智能搜索算法优化的FCM算法，其诊断准确度显著提升，达到
了85.5%和84.8%，这也证实了它能够有效避免陷入局部最优的问题。

IWO-FCM的
准确性远超过其他检测技术，可以将准确度提升至93.6%。

相比之下，IWO算法
通过空间扩散的方式，可以有效地提升算法的整体搜索能力，并且可以更有效地
保护种群的多样性。

通过实际应用，我们发现，IWO-FCM算法在解决传统FCM算
法的缺陷方面取得了显著进展，特别是在检测地铁车辆牵引控制单元的故障方面。

图2 图5 IWO-FCM 聚类收敛曲线
结束语
在这篇文章中，我们提出了一种新的诊断方法，它将人工智能算法和FCM算
法结合起来，可以更好地诊断地铁车辆牵引控制单元的复杂故障。

通过使用IWO
算法，我们可以找到故障的聚类中心，并使用FCM的模糊规则来更精确地诊断。

这种方法比传统的诊断方法更加高效和可靠。

IWO-FCM算法具备群智能算法的强
大功能，可以有效地克服单一故障诊断法的不足，并且能够从模糊聚类的角度出发，以及入侵杂草算法的全局收敛能力，有效地解决了传统FCM聚类结果的不稳
定性以及受到初始聚类中心的影响的问题。

参考文献
[1] 李梁，马喜成，刘军良，等.地铁车辆牵引系统控制方式的比选[J].电
力机车与城轨车辆，2013, 36 ( 1 ) : 34-37.
[2] 王颖峰，汪国宝，王石刚.地铁车辆牵引控制单元TCU故障诊断建模与应用[J].计算机测量与控制，2004，12 ( 1 ) : 29-31.
[3]陈明可，吴德义，李晓威.地铁车辆DCU牵引控制单元测试装置[J].电力机车与城轨车辆，2010, 33 (5) : 47-49.
[4]张代胜，王悦，陈朝阳.融合实例与规则推理的车辆故障诊断专家系统[J].机械工程学报，2002, 38 (7) : 91-95.。