TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol. 12, No. 11, Novembe r   2014, pp. 78 5 4  ~ 786 2   DOI: 10.115 9 1 /telkomni ka. v 12i11.60 24          7854     Re cei v ed Ma rch 2 7 , 2013;  Re vised Ma y 30, 2014; Accepted June 1 5 , 2014   Fault Diagnosis of Tuning Area Based on Wavelet  Neural Network      Dong Yu* 1 , Li Ya-Lan 1 , Na n Jie-Nong 2   1 School of Aut o matio n  an d El ectrical En gin e e rin g , Lanz hou  Jiaoton g Un iversit y , L anzh o u  7300 70, Ch ina ;   2 Rail De partme n t, Nanji ng NRI ET  Industrial C o ., Ltd. Nanji n g  2111 00, Ch ina )   *Corres p o ndi n g  author, e-ma i l : 6327 45 140 @ qq.com       A b st r a ct  W i th the r api d  dev elo p m e n t  of chi na r a ilw a y , Z P W - 2000A  track circu i t h a s b een  w i de l y  use d .  T unin g   ar ea, w h ich  is an i m p o rtant  part  of the Z P W - 2 000A  track cir c uit, is n o t on ly the r e lati on shi p   betw een t he s i gn al tra n s m is sion  qu aliti e s,  an d d e ter m i n es the  effect  of el ectrical  in sulati on  betw e en   adj acent secti o ns. T herefore,   the study of fa ult dia g n o sis a s pects fo r tuni ng ar ea is ur ge nt and si gn ifica n t.   In this pa per, usin g the the o r y  of transmissi on li ne a  mo d e l of track circ uit is bu ilt, the  comparis on  of the   actual d a ta an d exper i m ent al  data of the track surf ace vo ltage e n ve lop e  curve show s the correctn e ss  of  this  mo del. O w ning to  the  goo d ti me-fre q uency  char ac teristics of w a v e let  and  the  n onli n e a r  ma pp i n g   features of ne ural n e tw ork,  a  fault dia g n o s is of Z P W - 2000A tuni ng ar ea bas ed o n  the w a velet n e u ra l   netw o rk (W NN ) is  prop ose d .  Co mbi n e d  w i th  the  practic a l fa ilure  situ atio n o f  railw ay s i te, the fa ult  dia g n o s is   meth od i n  this pap er can acc u rately  i dentify failur e   modes of  tuning area.     Ke y w ords :  Z P W - 2000A track  circuit, tuning  area, fault di ag nosis, w a velet  neur al netw o rk     Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  With the rapi d spread of Z P W-2 000A track circuit, which ha s be e n  used a s  th e se ction   block  sig nalin g eq uipme n t i n  the  normal  operation  of the  whole  roa d  was unive rsal  appli c atio n.  Therefore, th e no rmal o p e r ation of th e  equipm ent  is cruci a l for transportatio n   and p r od ucti on.  From th e current point of t he a c tual  su rvey, the  track circuit failu re s a r e m a inly  con c e n trated   in   the tuning  uni t disconn ecte d, bro k e n  o r   cap a cita nce value d e cre a ses of  co mpen sation  ca pa cito r  and p o o r  in sulation of  rail -to-g r ou nd  ect. Among th e m , the fault  of tuning  unit  will  redu ce  the  input sig nal v o ltage of tra c k ci rcuit re cei v er ca us i ng a  feint of track occupie d  wh ich i s  se riou sly  affect drivin g  efficien cy. Moreove r , If the train  re ceiv ed a  sign al of  adja c ent track ci rcuit which is  beyond it s tra n smi ssi on  ra nge  sin c e th e  tuning  unit fa ilu re, a nd thu s  the  sig nal  d e co ded, thi s   will  cau s e  a eme r gen cy b r a k in g be cau s e th e sp eed  of  the train ex cee d s the  sp eed  limit value, a s   we all kn ow, this is very da ngerou s. In summary,  the impact cau s e d  by the failures of tuning u n it  is mo re  se rio u s o n  trai n o peratio n, therefore, it  is  ne ce ssary to  study the fault  diagn osi s  me thod   of tuning unit.  In china, the  study in fault diagn osi s  of  tuning a r ea h a s not be en  expand ed in-depth, so  it is very valuable to con duct re se arch in th is are a . This pap e r  pre s e n ts a  method for  fault  diagn osi s  in  tuning area  based on  wa velet neural   netwo rk  (WNN). Currently, there are t w o  bindin g  mod e  of wavelet  analysi s  an d  neural net wo rks: one  way  is a combin ation of wav e let  transfo rm  wi th co nventio nal n e u r al  netwo rk,   typically  u s in g wavelet anal ysis of sign al   prep ro ce ssin g, and th en u s e  conve n tio nal ne ural  net work l earn an d discriminat e; anothe r  wa y is  a  synth e si s o f   wavelet ana lysis and   fee d forward  n e u r al n e two r ks,  namely,  wav e let an alysi s   is   integrate d  in to the neu ral network  comp uti ng. I n  this p ape r both  meth ods  are u s ed.  Experimental  re sults sho w : the two  met hod s b o th ca n a c hieve fa u l t detectio n  a nd lo cation  with   high a c cura cy.      2. Modeling of ZPW-20 00 A Trac k Circ uit  ZPW-2000A t r ack  circuit i s  con s tituted  by tw o pa rts:  the main tra ck  ci rcuit and  tuning  area  whi c h i s  re gard a s  a extensio n  for the se ct ion train  run n ing. The r e  are fou r  carrier   freque ncy of ZPW-2000A   track ci rcuit:  1 700,  2 000,  2 300, 2 600, a nd that i s  a r range d alte rn ately  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Fault Diag no sis of Tu ning  Area Based o n  Wa velet Ne ural Netwo r k (Do ng Yu)  7855 in 170 0 an d  2300  for th e do wnlin k,  while  ca rri er frequ en cy 2000  and  2 600 i s  di spo s ed   alternately in  the uplink. As the rail prese n ts  indu ct ive prope rties, the compen sation  capa ci tor  are  arran ged  at equ al di stan ce s in  a  parallel  way  to re du ce t he atten uatio n of the  sig nal  transmissio n  pro c e ss,  wh a t ’s mo re, the  cap a cito r val ue of  com pen sation  ca pa ci tor is varie s   d u e   to the differe nt ca rrie r  fre q uen cy. The le ngth of  tunin g  regi on i s  2 9 m, and it i s   comp osed by  the  F1-type tuni n g  unit (BA1 ), air  coil, F2 -type t uning  u n it (BA2) a n d  the rails  b e twee n them , as  sho w n i n  Fig u re  1. For lo w carrie r fre quen cy  secti on de ploy F 1 -type, while  high frequ e n cy  se ction d eplo y  F2 type [1]. Tunin g  unit  sho w s the  pa rallel  re son a n c e fo r this se ction  sign al t o   redu ce the at tenuation of the sig nal po wer, at the same time, a seri es  re sona nce for a d ja cent  segm ent sig n a l to prevent cro s s- borde r transmissio n of signal.            Figure 1. System Configu r ati on of ZPW-2000A Track  Circuit       As sh own in  Figure 1, co mpen sation  capa ci tor i s  se t up for equi d i stant metho d ,  and the   first com pen sation cap a cit o r from the b eginni ng of the track circuit  as  δ  / 2m, a s  well as  the las t   one from the  track ci rcuit termin al is  δ  /  2m , while the distan ce be tween the oth e r co mpen sat i on   cap a cit o r is  δ m. Assumin g  that the  δ  / 2 m  track circui t is equivalent  to a four-terminal network, to  comp en satio n  cap a cita nce for the sa me equivale nt. The dash ed box in Figure 1 i s  a fou r   terminal network  unit(T ZF b )  for the m a in t r ack  circuit, if  the num be r  of com pen sat i on capa cito r  is   N, then the e quivalent net work of mai n  track  b is  ca scade d by the sam e  num ber fou r-te r mi nal  netwo rk [2 -3]. The equivale nt param eters of  the four termin al network u n it is:     () ( ) 22 b ZF gd c g d TT T T                                                                             (1)       W h er e T gd  is the tran smi ssi on  pa ram e ters  o f  tr ack  fo ur - t er mina l n e t w o r k ,  T C  is the  transmissio n para m eters o f  compen sati on ca pa citor four-termi nal  netwo rk.      c c       c o sh( )                    Z s in h( )   sinh ( ) /Z                 c o s h ( ) gd ll T ll             0 1   0 2   1 c T jf C                            (2)                          In Equation  (2),  l  repre s e n ts the lengt h of the track qua drip ole,    r e p r es en ts th e   prop agatio n con s tant of track ci rcuit, Z C  is the cha r acteri stic im p edan ce of th e rail, C de n o tes   the capa cito r valu e of   comp en satio n  capa cito r,  0 f  d enote s   the carrie r f r equ en cy of  transmissio n sign al. So the equivalent n e twork of the  main rail b i s :    T Z b =(T ZF b ) N                                                                                         (3)    For th e eq uivalent net wo rk of tuning  are a  b,  ea ch  of t he tunin g  u n it and th e ai r  coil will  be  con s ide r e d  a s  a  qua dri pole, which  combin  with th e tra c k four-t ermin a l net work bet wee n  t hem  make u p  the tuning a r ea. T he tran smi ssi on paramete r s is:     Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 11, Novem ber 20 14:  78 54 – 786 2   7856 T TX b =T F1 ×T gd  ( T l /2)× T SVA ×T gd ( T l /2)× T F2                                                   (4)    Whe r e T F1  is  the tran smission pa ramete rs of F1 -type  tuning unit (B A1), T gd  deno tes the  transmissio n  para m eters o f  trac k four-te r minal  network bet wee n  tu ning a r ea  an d air  coil,  T l  is  the len g th of  tuning  a r ea , T SVA  is the  tran smi ssi o n  pa ram e ters of  air coil  qua drip ole,  T F2   rep r e s ent s the transmissio n para m eter s of F2-type tuning unit (BA 2 ).     1 1 1       0 1       1 F BA T Z          1       0 1       1 SV A SVA T Z          2 2 1        0 1       1 F BA T Z                        (5)    Whe r e Z BA1  is the p o le im p edan ce  of F1 -type tunin g  u n it (BA1),  Z SVA  is the  imp e d ance of   air coil, Z BA2  is the ze ro im peda nce of F2-type tuning  unit (BA2).   Take th e section in 170 0 H Z carrie r freque ncy for  example, its  rail impe dan ce(Z ) and   balla st  resi st o r ( R d ) are as f o llows:     Z= 15.1 8 2.3  Ω /k m     R d  =1 Ω k m                                                        (6)    The p r op agat ion  con s tant  and  cha r a c te ristic impe da nce  of the  rai l  are  sho w n b e low [4 - 5]:    2. 92 6 j 2. 55 7 2 Z d Z R      2.926 j 2 .557 2 Z cd ZZ R                  (7)    Since the len g th of tuning area i s  29m, i n  equatio n (4 ),  T l  is  29m, s u bs tituting into  Equation (2), the coeffici en t of T gd  ( T l /2) is   follows :    0.01 45 ( 2 .9 26 j 2 .55 7 ) 0 .0 145 0.042 4  j 0 .037 1    cosh( 0 .014 5 ) =1.000 2 + j0.0016   sinh( 0 .0145 ) =0.0424 + j0.0371   gd 1.000 2 0 .001 6                0.02 92 0.21 70 T=           0.014 5                            1 . 0 002 0.00 16 jj j          As the t r ain  e n tering  the  section, th e track  circuit di splays  shu n t status. When  the trai n  enters the i - th four-termi n a l network, n a mely t he lo cation  of the  i-th co mpe n sation  ca pa ci to r   (T ZFi b ), then the main track is e quivale nt to a fou r-t ermin a l network  ca scad ed  by the i-th four- terminal  net work  and  th e re st of fo u r-te r minal  net work  num ber for  N-i. P r e s umin g that  the   locatio n  of branching p o int  from the be g i nning of t he i - th four-termi nal network i s  x, then the i - th   four-te r min a l  network i s   divided i n to  the follo wi ng  thre e  con d itions a s   sh o w n i n  Fi gu re  2:  shu n ting poi nt on the left of compen sation capa ci tor, the shu n ting point a t  compen sati on   cap a cito r, the shuntin g poi nt on the  right  of compen sa tion cap a cito r.      2 2 2 2 2 2 x x x     Figure 2. Dist ribution of Sh unting Point in the i-th Qua d ripol e       From the Fig u re 2, the tra n smi ssi on pa rame ters  of i-th four-terminal network  is :  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Fault Diag no sis of Tu ning  Area Based o n  Wa velet Ne ural Netwo r k (Do ng Yu)  7857 ( ) ( )              22 2 ( )                                       22 ( )                                         2 b ZF i gd c g d cg d gd Tx T T x TT T x Tx x                                                        (8)        At this point, the entire m a i n  rail equival ent  to a four-t ermin a l network  ca scade d  by the i- th four-te r min a l netwo rk  (T ZFi b ) with the rest four-termi nal  networks i n  N-i nu mbe r s. The  transmissio n para m eters is:     Ni ZZ F i Z F bb b TT T                                                                              (9)       The len g th of  10km tran smissi on  cabl e  can b e  seen  as a u n iform  transmission  line [6],  its tran smissi on matrix is the sam e  as f o rmul a (2 ).  In a four-terminal net wo rk, the relatio n shi p  bet wee n  the two  po rt voltage an d cu rrent  can b e  expre s sed by the followin g  equ a t ion:      12 2 1 2 2 12 2 1 UA U B I UA B U I IC U D I I C D                                                      (10)       Whe n  cal c ul a t ing the voltage at any poi nt in the track surfa c e ， the  entire sectio n  is  divided into two pa rts, left and rig h t, such as Figu re 3.       a     Figure 3. Equivalent Netwo r k at any Poin t (a point)      The input imp edan ce to the  right of the four-te r min a l n e twork T R  is:     11 1 2 21 2 2 RR RR z a z TZ T Z TZ T                                                                               (11)       Whe r e Z z  is t he input impe dan ce of the receive r . For t he left four-te r minal n e two r k T L ,  there a r e voltage-cu rrent relation ship:     11 12 11 2 1 SL a L a SL a L a UT U T I I TU T I                                                                            (12)    Acco rdi ng to voltage-cu rre nt relation shi p   of a point: Ua =Ia×Za, a point cu rrent is  cal c ulatin g as:    11 12 S a La L U I TZ T                                                                                 (13)     Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 11, Novem ber 20 14:  78 54 – 786 2   7858 Thus, voltage  of rail surfa c e in any point  is:    aa a UI Z                                                                                           (14)       This pa pe r calcul ate the voltage of ra il  surfa c e ba sed o n  the above form ul a, the   simulatio n  re sults of rail  surface voltag e and re sid u a l voltage of shu n ting are sho w n in Fig u re 4  and Figu re 5.             Figure 4. Voltage of Rail S u rface   Figure  5. Re sidual Voltage  of Train Shun ting      In Figure 1, whe n  the tuning unit BA1 brea kd ow n, for tra ck  circui t a, the corre spo ndin g   parall e l re so nan ce relatio n shi p  is d e st royed, an d the se rie s  re son a n c e effe ct of seg m e n t a   formed  by th e BA2  still exi s ts,  so  the  si gnal i n  tr ack  circuit  a i s  n o t  tran smitted  across its  ran ge.  Whe n  the failure o c curred  in tuner uni t BA2,  for track circuit b,  the corre s p ondin g  parall e l  resona nce re lationship i s   destroyed, b u t the se rie s   resona nt rel a tionshi p con s tituted by BA1 is   being, a s   a re sult, the p hen omeno n in  se ction  b  of b e yond the  tra n smissi on  doe sn’t occu r; whil e  se ction a, its corre s p ondin g  seri es a nd  parall e l re son ance relatio n s  have bee n destroyed, which   lead to  the  si gnal  of sectio n a t r an smitted into   sectio n b  until it  re ach e s the tu n i ng a r ea  BA2  of  se ction b  pre s entin g its  se ries  re so nan ce ch ar a c te rist ics fo r the  si gnal. When t hese conditio n s  occured, the tran smi ssi on  para m eters fo r the entire netwo rk h a ve  been chan ge d.      3. Fault Diag nosis Ba sed  on WNN  3.1. Basic Pr inciples of  WNN  In rece nt years, sig nal pro c e ssi ng and  f ault diagno si s tech nologi e s  ba sed on  wavelet  analysi s  h a ve achieved  g ood results  with the  co nsta nt improvem ent and  rapi d  developm ent  of  wavelet th eo ry. The  wavel e t tran sform i s  a  n e w conv ersi on  metho d  devel ope d  on the  ba si s  of  the short - time fouri e r tran sform  which  have the  ch a r acte ri stic of multi-re sol u tion  a nalysi s  and   stron g  ability of chara c teri zing the lo cal  featur es of sign al both in time domai n and frequ e n cy  domain.   Wave  wavel e t is p r e s ent  in a smalle r are a . The  mathemati c al  definition of  wavelet  func tion is : let   t  is a squa re -integ rabl e fu nction s, that i s    2 tL R , if its fourier transform   meet the following  con d itions:      2 R Cd                                                                             (15)      In this  c a s e ,   t  is a ba si c wavelet or mot her  wavelet,  saying the fo rmula  (15 )   i s   permi ssible   con d ition  of  wavelet fu nction. Ta king   stret c hing  a n d  tra n sl ation  of the  mot her   wavelet func tion   t , then gen erate s  a wav e let seq uen ce. Namely:   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Fault Diag no sis of Tu ning  Area Based o n  Wa velet Ne ural Netwo r k (Do ng Yu)  7859   1 2 ,            , ; 0 ab tb ta a b R a a                                                       (16)      Whe r e  a  is  a  stretchin g  fa ctor  (al s o  kno w n a s  scal e fa ctor),  b  is the t r an slation  factor,   , ab t  is  a wavelet func tion.  In the case of the discrete,  wavelet sequ ence is:     /2 , ( ) 2 ( 2 )              , jj jk tt k j k Z                                                            (17)    The co ntinuo us wavelet transfo rm for a n y function  2 () ( ) f tL R  is :      1/ 2 , ,, fa b R tb Wa b f a f t d t a                                                   (18)    Figure 6 i s  th e mo st sig n ificant a nd ve rsatile  rep r e s e n tative for 3-l a yer fee d forward BP  neural network model, which is com p o s e d  by i nput layer, output layer and  seve ra l hidden laye rs.  It shoul d  be  noted th at n e u ron s  in th e  same  laye r d on’t conn ect   each oth e r a nd the  a d jacent  layers co nne cted by  weig hts. In Figu re  6,  j x  rep r e s ent s a in put of t he j-th i nput  l a yer  nod e,  ij   rep r e s ent s the hidden laye r weig hts bet wee n  j-th inp u t layer node  and i-th hid d e n  layer nod e,  i   rep r e s ent s th e threshold  o f  i-th hi dde n  layer n ode,   () x  rep r e s ent s a c tivation fun c tion in th e  hidde n laye r,  ki  represents  the weight s b e twee n  k-th   output layer n ode  and   i-th   hidde n  laye r  node,  k a means the thresh ol d of k-th outp u t layer node ,  () x  denote s  activation function in the  output layer,  k O  denote s  the o u tput of the k-th output layer node.       1 x M x j x ij 1 i j ki 1 a k a L a 1 O k O L O     Figure 6. The  Model of 3-la yer BP Neura l  Netwo r k      The trai ning  pro c e ss  of BP netwo rk i s : firstl y, calculating the  o u tput of ea ch nod e  positively, then calculatin g the  e rro r b a se d on  actu al output, fin a lly, adjustin g  wei ghts  bet wee n   the hid den  la yer an d o u tp ut layer as  well a s   the  wei ghts  between  the in put lay e r a nd t he  hidden  layer in turn a c cordi ng to B P  erro r rul e , in ord e r to red u ce the  error,  makin g  the n e twork o u tput s   meet expecta tions.   Whe n  BP n e twork traini ng, the nu m ber  of  hidd e n  layer  and  node s o n   each, the   activation fun c tion a nd sa mples fo r in put/output  m u st have b e en spe c ified.  This i s  be cause   these p a ram e ters  will aff e ct the conv erge nc e rate  and effectiv ene ss of the  BP network.  The   numbe r of hid den no de s is  giv en by the empiri cal formula:    H ML a                                                                                  (19)       Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 11, Novem ber 20 14:  78 54 – 786 2   7860 Whe r e  M is the nu mbe r  o f  input ne uro n s, L i s  th e  numbe r of  o u tput neu ro n s ,  a  is a  con s tant bet wee n  1 and 1 0 .  Wavelet tra n s form  ha s ad vantage of time-fre que ncy  cha r a c teri sti cs  of local  a nd zoom  feature s , while neu ral  networks can a c hi ev e satisfa c tory perfo rmances,  su ch a s   stron g  ch aracter of robu stn e ss,  fault  tol e ra n c e a nd st udie s  ability  indep ende ntly,  and  h o w  t o   combi ne the  advantag es of both ha s be en an  issue that p eople  ca re  about. In fa ct,  They  com b in e with  each other in  two  ways: one  ki nd is auxiliary combinatio n way, which  use  wavelet anal ysis pre p rocess sign al  p r epro c e s s,  th en the  task  of learning  a nd di scrimin a t ion   transmit to th e ne ural  net work;  anot her  approa ch i s   compa c t  stru cture  (o r  neste d combin atio n),  that is  blen di ng the  wavel e t algo rithm i n  ne ural  net work to fo rm  a  wavelet  neu ral net work. In  this   pape r, two m e thod s we re  use d  re spe c ti vely for fault  diagn osi s  of tuning a r ea.     3.2. Diagnos tic Meth ods  and Re sults   For th e first bin d ing  mode,  th e  cha r a c teri st ic  vecto r   of  rail  su rface  voltage   is  extrac ted by wavelet  trans f orm with  time-fre que ncy  locali zatio n  f eature s , the n  maki ng  use   o f   nonlin ear  ma pping  of BP netwo rk to cl assify featur e  vector i n  various  state to  impleme n t fault   diagn osi s  of tuning a r ea. Its structu r al p r incipl e is sho w n in Figu re  7.          Figure 7. The  Diagn osti c Pr ocess of First Structure       The se con d  combi nation  way  i s   to re pl ace   the nonli near  a c tivation  fun c tion of neuron s  of nonli nea r  wavelet  ba sis functio n , in t h is  articl e, thi s  a r ticle  Mo rl et mothe r   wa velet functio n  wa s   sele cted a s  t he activation  function of hi dden laye r.  The structu r al  pro c e ss  of the se con d  wa y is  s h ow n  in  F i gu r e  8 .           Figure 8. The  Diagn osti c Pr ocess of Second Stru cture       BP algorith m  ha s the  e s sence of  solvi ng the  minim u m e r ror fu n c tion, b u t the r e i s   a  probl em  of lo w le arning  ef ficien cy, slo w  co nver gen ce  and  e a sy to  fall into  lo ca l minimal  stat e  becau se it u s es  stee pest  d e scent m e tho d  in n onlin ea r p r og rammi n g  which  modi fy the weig hts  according  to  the neg ative  gradi ent  direction of  the e r ror fu nctio n .  For a bove  sh ortco m ing s , the  followin g  improvements h a v e two metho d s: additi o nal  momentum a nd ada ptive learni ng rate.  Reg u lating fo rmula for  wei ghts an d thre shol ds  with a dditional mo mentum facto r  is:     (1 ) ( 1 ) ( ) (1 ) ( 1 ) ( ) ij i j ij ii i km c p m c k bk m c m c bk                                                            (20)       Reg u lating fo rmula for a d a p tive learnin g  rate is:     Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Fault Diag no sis of Tu ning  Area Based o n  Wa velet Ne ural Netwo r k (Do ng Yu)  7861 1.05 ( )                   ( 1 ) ( ) ( 1 ) 0 .7 ( )               ( 1 ) 1 .0 4 ( ) ( )                                  othe r s kE k E k k k Ek Ek k                                                     (21)    Whe r e  () E k  is the sum of the squares of the  errors in k-th step,   is the learni ng rate.  Whe n  usi ng t he additio nal  momentum f a ctor m e thod , BP algorithm can find th e global   optimal  soluti on, while  red u ce  traini ng ti me in  ado ptin g ad aptive le arnin g   rate.  Whe n  the s e  two  method s co m b ined, mom e ntum-a daptiv e learni ng  rate adju s tment algorith m  is p r odu ce d.  In this pa per,  BP ne ural  n e twork, im pro v ed BP n eural net wo rk co mbined   with  wavelet  sep a rately  b y  the two  structure u s e d   for tro ubl e s h ooting. Com pari s on  of di agno stic  re sult is  sho w n in Fig u re 9 an d Fig u re 10.             Figure 9. The  Improved BP Netwo r k  Combi ned  with Wavelet in  First Way  Figure 10. Th e Improved B P  Netwo r k  Combi ned  with Wavelet in  Secon d  Way       As   c a n be seen from the figures ,  with the firs t   st e p  st r u ct ur e of   W N N o n ly 35  st e p s  nee d   to meet the requireme nts  of the predet ermin ed er ro r 0.002; while  it only takes 33 step s to re ach  the pre-m eet  req u ire m ent s e r ror  of 0 . 002 w hen   adoptin g the  se con d   structure of  WNN.  By  compari s o n , rega rdle ss of the first stru ctur e or t he se co nd  structu r e, bot h of them can  achi eves th e  error re quirement  with f a st  c onve r ge nce  speed.  Simultaneo usly, compa r ed  the   spe ed of im proved  co mb ination al gori t hm with  the  origin al  one, as sho w n  i n   Figure  11   a nd  Figure 12.             Figure 11. Co mpari s o n  of First WNN for the  Origin al Algorithm and Improved Algorith m   Figure 12. Co mpari s o n  of Secon d  WNN for  the Origin al Algorithm a nd Improve d  Algorithm     Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 11, Novem ber 20 14:  78 54 – 786 2   7862 As ca n be se en from the figure s , the re ductio n  of  initial error in both two structures i s   quickly, but a bout 15 0 to  200  step s, d o wn wa rd tr en d in the t r aini ng e rro r b e comes very  sl ow,  however, th e  improved  al gorithm   to  re duce the  e r ror  rate  ha s  b een ve ry fa st. Mean whil e, the  introdu ction  o f  momentu m   item avoid  th e o c curren ce  of sho c k eff e ctively an d  has a  sig n ificant  smoothi ng effect.      4. Conclusio n   This pa per  combine s  wavelet transfo rm  and neu ra l network, produ cing the  wavelet  neural n e two r k  (WNN), a n d  ma king full  u s e  of  the adv antage s of  th em  to diagn o s e ZPW-20 0 0 A  track ci rcuit tuning a r ea. F i rst  of  all, this  thesis  b u ild the model  of  ZPW-2000A t r ack  circuit u s ing   transmissio n  line theo ry a nd the  voltage of  rail  su rface  alo ng  with resi dual  voltage of t r ai n   shu n ting  are  simulate d. T hen th e BP  neural n e two r k i n   co njun ct ion  with im proved BP n e u r al  netwo rk a r e  combi ned  wit h  wavelet an alysis in  two  way s , formi ng different  method s of f ault  diagn osi s . Finally, use ea ch metho d  to diagn ose  tuning are a . Wha t ’s more, exp e rime ntal re sults  sho w  that th e WNN  whi c h formed  by  improve d  BP netwo rk a n d  wavelet an a l ysis is  a mo re   effective diag nosti c metho d s. In additio n , combi ned  with on -site a cci dent cases, the accura cy of  this diag no stic method u p  to 98%.      Referen ces   [1]    Fei  Xika ng. Pr i n cipl e  and  An a l y s is of J o intl e ss T r ack Circui t. Beijin g: C h in a Ra il w a y Pr es s. 199 3: 17- 91.   [2]    Z hao L,  Liu B ,  Xu  X.  Us in g  the w a vel e t ana lysis b a se d no ise c ance ling  techn i q u e  to detect t h e   integr ity of th e  co mp ensati n g  cap a citors of UM71  track  cir c uit . IEEE 2005 International S y m pos ium ,   on Micro w a v e,  Antenna, Pro p agati on a nd E M C  T e chnol og i e s for W i reless  Communic a tio n s. 2005; 2:  126 8-12 74.   [3]    Kim MS, Lee JW , Ko JS.  A study on th e co mp ens ation c a pacitor i n  bal la st track circuit .  International  Confer ence  on  Electrical Mac h in es  an d S y st ems, IEEE. 2008: 418 2-4 187.   [4]    Jin Y, Z hen g X, Di ng T .  A h i gh- accuracy  p a ra meter esti mation  al gorithm for jointl ess frequency-shif t   track circuit . Internati o n a l C o llo qu ium on  Comp uting,  C o mmunic a tio n , Control, an d Mana geme n t,   IEEE. 2008; 1: 750- 753.   [5]    Minin VA, Jo h n ston DA, Le p s k y  NA.  A ge nera l  mode l fo r optimi z a t i on  of track circuit para m eters .  Proceedings of  the 1995 IEEE/ASME Joint  Railroad Confer ence.  1995: 113-117.  [6]    Nikol ov N, Ne d e lch e v N. Stud y o n  centre-fe d  boun dl ess track circuits.  IEE Proceedings-Electric  Power   Appl icatio ns . 2 005; 15 2(5): 10 49-1 054.     Evaluation Warning : The document was created with Spire.PDF for Python.