熊健

摘要：近年來，城市軌道交通運營里程的快速增長和運營安全要求的提高使得城市軌道列車安全保障技術(shù)面臨著巨大挑戰(zhàn)，轉(zhuǎn)向架處于異常狀態(tài)往往會體現(xiàn)在轉(zhuǎn)向架和車體的異常振動上，根據(jù)該類機械部件在整個系統(tǒng)中所起的作用和性能退化程度的不同，異常振動信號的體現(xiàn)方式也有所不同。

關(guān)鍵詞：轉(zhuǎn)向架；故障診斷；LSTM網(wǎng)絡(luò)模型

1.研究背景

城市軌道列車走行部轉(zhuǎn)向架機械部件的振動信號一直是用來分析轉(zhuǎn)向架穩(wěn)定性的一個重要指標。

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）是深度學(xué)習(xí)中一種善于處理時間序列信息的網(wǎng)絡(luò)框架，它能夠結(jié)合前面時間點的信息來分析當前時間點的信息，以此來提取時序信號內(nèi)部關(guān)聯(lián)性特征。由于轉(zhuǎn)向架振動信號是時序信號，所以利用RNN來對其進行分析是十分符合客觀規(guī)律的。LSTM網(wǎng)絡(luò)可以通過對輸入數(shù)據(jù)量、記憶量及輸出數(shù)據(jù)量的控制，來對信息進行一定地取舍，以此來挖掘時序信號內(nèi)部的關(guān)聯(lián)特征，進而提升分析效率。

城市軌道列車轉(zhuǎn)向架至關(guān)重要的一個結(jié)構(gòu)為二級懸掛系統(tǒng)，即：一系懸掛系統(tǒng)和二系懸掛系統(tǒng)。健康狀況良好的二級懸掛系統(tǒng)在高速列車行駛時，會對列車的安全穩(wěn)定運行起到充分的保障作用，因此本文研究的主要目標就是二級懸掛系統(tǒng)，其本身又包括：空氣彈簧、橫向減振器、垂向減震器、抗側(cè)滾扭桿及一系彈簧等幾個主要部件。

本實驗選擇對列車時速為“120km/h”的轉(zhuǎn)向架振動信號進行故障診斷。其中全拆數(shù)據(jù)每種故障的數(shù)據(jù)規(guī)格為[50370，58]，即：共計50370個時間點，每個時間均有58個通道的故障數(shù)據(jù)。

2. 數(shù)據(jù)預(yù)處理與數(shù)據(jù)集劃分

1. z-score標準化：為了消除訓(xùn)練數(shù)據(jù)之間的尺寸差距，可以更好地訓(xùn)練訓(xùn)練集中的大量數(shù)據(jù)。訓(xùn)練集中的所有數(shù)據(jù)都通過z-score標準化處理，以便訓(xùn)練集中的每個數(shù)據(jù)在處理后符合標準正態(tài)分布，即：標準差歸一，其公式如公式1所示。

（1）

其中 為經(jīng)標準化處理后的訓(xùn)練集數(shù)據(jù)， 為訓(xùn)練集原始數(shù)據(jù)， 和 分別為這個原始數(shù)據(jù)的均值和標準差。經(jīng)處理后的數(shù)據(jù)將作為一個單純的數(shù)值，不再受量綱的約束，更有利于去作為模型的輸入數(shù)據(jù)，也更有利于實驗的分析和評價。

2. One-hot編碼：為了消除數(shù)據(jù)之間的間隙大小對實驗結(jié)果的影響，本文采用One-hot編碼的方式對標簽數(shù)據(jù)進行預(yù)處理。其中N個寄存器的編碼由一個N位寄存器進行處理，每個狀態(tài)都有自己獨立的寄存器，且在任何時候僅僅只有一個寄存器是生效的。這種編碼處理可以減少不同數(shù)據(jù)格式和不同數(shù)據(jù)維度對模型訓(xùn)練的影響，同時也大大提高了模型訓(xùn)練的精度和效率，也有利于擴大樣本容量，便于樣本展開。

3. 數(shù)據(jù)集劃分

圖1 數(shù)據(jù)集劃分流程圖

針對七種不同工況，每種工況均有50370個采樣數(shù)據(jù)，并且每個采樣數(shù)據(jù)均包含58個通道，所以共有352590個實驗數(shù)據(jù)。將實驗數(shù)據(jù)按1：5的比例分為測試集和訓(xùn)練集，即：58765個測試樣本和293825個訓(xùn)練樣本。由于故障類別的數(shù)量為7，所以訓(xùn)練標簽設(shè)定為{1，2，3，4，5，6，7}，具體的數(shù)據(jù)集劃分細節(jié)見圖2。

模型對未知數(shù)據(jù)的認知能力被稱為泛化能力，未經(jīng)特征提取的數(shù)據(jù)視為原始數(shù)據(jù)，將原始數(shù)據(jù)劃分為訓(xùn)練集和測試集，其中訓(xùn)練集為：原始數(shù)據(jù)中劃分出來的所占比重較大的數(shù)據(jù)，作為模型訓(xùn)練的主要數(shù)據(jù)。測試集為：原始數(shù)據(jù)中分出來的小部分的數(shù)據(jù)，相對于訓(xùn)練集，對于所訓(xùn)練的網(wǎng)絡(luò)來說測試集是完全沒有出現(xiàn)過的，所以測試集的表現(xiàn)結(jié)果也最能夠反應(yīng)網(wǎng)絡(luò)模型好壞。

4. 網(wǎng)絡(luò)模型的評測標準

1）識別精確度與loss函數(shù)：估量你模型的預(yù)測值與真實值的一致程度，是一個非負實值函數(shù)，識別精確度越高或loss函數(shù)越小，模型的魯棒性就越好。

2）混淆矩陣

混淆矩陣是一個大小均為待分類別數(shù)的誤差表現(xiàn)矩陣?；煜仃嚨牧袨槟Ｐ皖A(yù)測到相應(yīng)類別的樣本數(shù)，混淆矩陣的行為數(shù)據(jù)中真正屬于該類的樣本數(shù)。通過混淆矩陣可以直觀地看到有多少數(shù)據(jù)被錯誤分類以及錯誤分類為哪一類。

3）AUC值

ROC曲線又稱為受試者（即網(wǎng)絡(luò)模型）工作特征曲線，即：以假陽性概率為橫軸，真陽性為縱軸所組成的坐標圖，在此坐標圖上繪制受試者受到刺激后產(chǎn)生的曲線。AUC曲線就是ROC曲線與橫縱坐標軸所圍區(qū)域的面積，該值越大，說明該網(wǎng)絡(luò)模型越好。

3.基于LSTM網(wǎng)絡(luò)的故障診斷

3.1 訓(xùn)練網(wǎng)絡(luò)·

預(yù)處理后的訓(xùn)練集數(shù)據(jù)用作輸入數(shù)據(jù)以進入LSTM網(wǎng)絡(luò)參與訓(xùn)練。LSTM網(wǎng)絡(luò)的參數(shù)設(shè)置分以下幾種：學(xué)習(xí)率（lr），批量尺寸（batch_size），故障類別數(shù)（n_classes），隱藏層神經(jīng)元數(shù)（n_units）以及總迭代次數(shù)（epoch）。本次試驗中，LSTM網(wǎng)絡(luò)參數(shù)的設(shè)置如表1所示。

其中，lr是一個極其重要的參數(shù)，它的大小決定著目標函數(shù)可否收斂到局部最小值以及何時可以收斂到該值。lr過小會導(dǎo)致網(wǎng)絡(luò)訓(xùn)練速度很慢從而無法達到最小值，本次實驗采用Adam優(yōu)化器逐次遞減的可變lr設(shè)置方法，隨著訓(xùn)練分批進行，lr也隨之遞減，這樣動態(tài)地設(shè)置lr可以更好地讓LSTM網(wǎng)絡(luò)挖掘到時序信號內(nèi)部的有效信息。

batch_size是小批梯度下降算法中每一批的樣本數(shù)量，該算法將數(shù)據(jù)分為大小相等的多個批次，分別計算其損失函數(shù)、更新權(quán)值，batch_size越小則訓(xùn)練速度越快，但是太小的batch_size會導(dǎo)致訓(xùn)練精度急劇降低；batch_size越大則訓(xùn)練速度越慢，導(dǎo)致訓(xùn)練效率極其低下，經(jīng)過大量實驗，本文將batch_size設(shè)置為350。

n_classes是為已知的故障類別數(shù)。訓(xùn)練集中所有數(shù)據(jù)均被計算過一次，叫做一個epoch，epoch不宜過大不宜過小，通常設(shè)置范圍在10-50。n_units為隱藏層神經(jīng)元個數(shù)，即每個隱藏層存在的神經(jīng)元的個數(shù)，具體的數(shù)據(jù)設(shè)置需要按照樣本數(shù)量、網(wǎng)絡(luò)復(fù)雜度以及硬件水平來進行調(diào)整。

LSTM網(wǎng)絡(luò)中的Dropout僅設(shè)置到非循環(huán)的隱藏層中，否則信息會因循環(huán)而逐步丟失，Dropout僅設(shè)置在虛線部分的隱藏層中，而不會加載到參與循環(huán)的部分。

LSTM網(wǎng)絡(luò)搭建如圖3所示。

3.2 實驗結(jié)果

本次基于LSTM網(wǎng)絡(luò)的高速列車轉(zhuǎn)向架故障診斷實驗所得識別精確度為95.6%，識別精度、loss曲線、混合矩陣分別如圖3、4、5所示。

由圖4和5可知，精確率隨著訓(xùn)練的進行從0一直上升到0.956并一直保持，loss值則一直下降，代表訓(xùn)練誤差持續(xù)減小，直到降低為0.18并趨于穩(wěn)定。圖中較暗的曲線是小批量訓(xùn)練產(chǎn)生的震蕩效應(yīng)，在訓(xùn)練的后期震蕩效果逐步下降，趨于穩(wěn)定，實驗的AUC值為0.76。

參考文獻

[1]王剛，徐厚廣. 淺析“一帶一路”倡議對中國高速鐵路發(fā)展的影響[J]. 綜合運輸. 2017，39（09）：6-9.

[2]宿智利. 淺談中國高速鐵路的發(fā)展現(xiàn)狀及未來展望[J]. 才智. 2013（14）：356.

（作者單位：深圳中車軌道車輛有限公司）