近年来，随着信息技术高速发展，故障诊断技术不断应用在各行各业中，像HP打印机、中国南方航空等都采用了该项技术。故障诊断(FD)是一种了解和掌握设备在使用过程中的技术，确定其整体或局部是否正常，早期发现故障及其原因并能预报故障发展趋势的技术。

在诊断过程中，必须利用被诊断对象表现出来的各种有用信息，经过适当地处理和分析，做出正确的诊断结论。远程故障诊断与维护的实现可以使设备的故障诊断更加灵活方便，也能够实现资源共享。

目前，铁路售票窗口的制票终端都是采用传统的服务方式。当设备出现问题时，现场使用人员通知设备管理部门，设备管理部门进行诊断维修，如果设备管理部门不能维修，就报生产厂家售后服务部门维修。这样不但要花费大量的时间来维护设备，而且影响用户的工作。而且在诊断维修过程中，不同的维修人员由于技术水平的差异，维修的效率还不一样。

如果将故障诊断技术应用到铁路客票制票终端故障诊断中，则可以提前采集设备状况，提前预告设备故障发展趋势，提出维护方案，进行维护，从而不影响用户的日常工作。

1 神经网络用于铁路客票制票终端故障诊断的基本原理

人工神经网络(Artificial Neural Network．简称ANN)正是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它实际上是由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。

典型的神经网络结构如图1。

在众多的人工神经网络模型中，最常用的是BP(Back Propagation)模型，即利用误差反向传播算法求解的多层前向神经网络模型。BP网络在故障诊断、模式识别、图像识别和管理系统等方面都得到了广泛的应用。本文讨论利用神经网络中的BP模型进行制票终端的故障诊断。

首先需要进行知识的获取。由专家提供关于各种制票终端故障现象(征兆集)及相应的故障原因(故障集)实例作为学习样本。将数据分为两部分，一部分用于训练网络，另一部分用于测试。将训练网络的数据按一定顺序编码，分别赋给网络输入、输出节点，通过神经网络学习算法对样本进行学习，经过网络内部自适应算法不断修正权值，直到达到所要求的学习精度为止。此时在大量神经元之间联结权值上就分布着专家知识和经验。训练完毕后，再将测试网络的数据从初始状态出发，向前推理，将显示出的故障结果与实际的测试数据结果相比较，如果误差很小，说明网络的权值建立正确，如果误差较大，说明网络的权值建立有误，需要重新进行网络的训练。

将训练样本训练完毕后，即可进行制票终端的故障诊断。只要实际输入模式接近于某一个训练时的学习样本的输入模式，则可产生出接近学习样本的输出结果，也就是所谓的自联想功能。同时，由于网络计算上的大量并行性，当机器运行状况改变，出现网络学习未考虑的情况时，系统亦能给出正确分类结果。同时将新数据并入网络，实现系统的自适应。一般来说，学习的故障实例样本越多，诊断结果的准确率越高。

2 BP学习算法

BP算法因其简单、易行、计算量小、并行性强等优点，是目前神经网络训练采用最多也是最成熟的训练算法之一。BP算法的实质是求解误差函数的最小值问题，由于它采用非线性规划中的梯度下降法(GradientDescent)，按误差函数的负梯度方向修正权值。其主要思路是如果求出训练网络的指标函数误差。

一般的BP算法称为标准误差逆传播算法，也就是对应每一次输入都校正一次权值。这种算法不是全局误差意义上的梯度下降计算。对各个神经元的输出求偏导数，就可以算出误差对所有连接权值的偏导数，从而可以利用梯度下降法来修改各个连接权值。真正的全局误差意义上的梯度下降算法是在全部训练模式都学习完后才校正连接权和阈值。其计算流程如图2。

3 铁路制票终端故障诊断的应用

3，l 铁路制票终端故障诊断的基本结构

铁路客票系统扩充制票终端故障诊断系统后的设想体系结构如图3。

(1)知识获取机构：系统获取和管理知识的主要机构，为修改知识库提供手段，

(2)数据库：用于系统的状态监测，便于测量必要的测量数据，用于实时监测系统正常工作与否。该数据库还可以人为添加，

(3)神经网络知识库：保存故障现象同已有神经网络模型之间的匹配知识，并获取诊断现象的有关信息，为诊断与学习提供证据，

(4)诊断信息的获取：诊断系统的诊断信息可以通过测试的方法获得当前的状态信息，也可以通过人机交互获取，或者是通过人机交互直接输入，

(5)诊断推理：系统的核心部分，用于控制整个系统的运行。根据用户输入的信息或状态监测得到的系统工作信息，利用诊断知识库中的知识，并根据征兆事实按一定的问题求解策略，进行推理诊断，最后给出诊断结果，作出维修对策。

3．2铁路制票终端故障诊断工作原理