謝旭旭, 戴勝華

(北京交通大學 電子信息工程學院，北京 100044)

軌道電路是列車運行控制系統(tǒng)的重要組成部分，對保證列車安全運行起著重要作用。在我國，鐵路區(qū)間普遍采用ZPW-2000A無絕緣軌道電路。軌道電路系統(tǒng)構成復雜且工作環(huán)境惡劣，是鐵路信號系統(tǒng)中的薄弱環(huán)節(jié)，故障發(fā)生概率較高且故障現象存在多樣性[1]。目前，現場主要采用定期維護維修方式排查軌道電路隱患，憑借工作人員經驗進行故障診斷，此種方式會導致故障處理時間長、效率低；另外，維修人員的勞動強度增大，易出現診斷失誤[2]，影響區(qū)間列車運行。因此，引入智能診斷算法來輔助現場人員進行故障診斷就變得尤為重要。

近幾年來，隨著機器學習、智能算法的興起，國內外的學者將大量智能技術引入軌道電路的故障診斷中，取得了眾多研究成果。文獻[3]針對無絕緣軌道電路常見的故障模式，利用粗集理論和組合決策樹進行逐層故障判別。文獻[4]通過在傳統(tǒng)神經網絡的基礎上加入模糊理論的方式，可以準確識別軌道電路故障。文獻[5]在模糊認知圖中加入屬性約簡和自適應遺傳算法對故障數據進行預處理，可以對ZPW-2000A軌道電路的故障進行有效診斷。文獻[6]以TCR接收信號的幅值趨勢為特征，采用分段計算查找特定值和一階導數二次判別相結合的方式實現對補償電容故障的快速診斷。文獻[7]提出利用模糊故障診斷法、遺傳算法以及灰色系統(tǒng)理論相組合的方法對25 Hz相敏軌道電路進行故障診斷。

本文在軌道電路故障模式的基礎上，結合深度信念網絡和BP神經網絡建立軌道電路的故障診斷模型。該模型利用深度信念網絡無監(jiān)督分層訓練算法，重組故障數據網絡體系中的分布，通過有監(jiān)督訓練對整個網絡進行微調，實現最優(yōu)特征參數的提取，再以BP神經網絡作為分類器，實現對軌道電路的故障診斷。仿真測試結果顯示，該組合模型能有效診斷ZPW-2000A軌道電路的多種故障模式。

1 深度信念網絡

近年來，基于傳統(tǒng)神經網絡的深度學習引起了廣泛關注，深度學習是機器學習的一個分支，它使用由多個非線性轉換組成的模型結構對數據中的高級抽象進行建模[8-9]。深度信念網絡由Hinton[10]在 2006年提出，它的出現成功解決了深層結構的參數空間搜索問題。在結構上，DBN由簡單的學習模塊堆疊而成，每個學習模塊是具有兩層特征檢測單元的受限玻爾茲曼機(Restricted Boltzmann Machine, RBM)。圖1是由2個RBM組成的DBN模型，DBN在訓練時采用逐層訓練的方式，學習過程包含前向堆疊RBM學習和反向調優(yōu)學習。

圖1 DBN結構示意

1.1 前向堆疊RBM學習

RBM是基于能量的概率圖模型。由圖1可以看出，RBM由可見層和隱含層連接而成，可見單元v和隱藏單元h通過權重W對稱連接，同一層各神經元之間相互獨立，只有激活和未激活兩種狀態(tài)，利用二進制的0和1表示。對于一個二進制的RBM，給定可見單元v的狀態(tài)和模型參數θ，隱含單元j的激活概率可以表示為

( 1 )

同理，給定隱含單元h的狀態(tài)，可見單元的激活概率為

( 2 )

式中：ai和bj分別為可見層神經元vi和隱含層hj的偏置；Wij為可見層與隱含層神經元之間的權重；m和n為可見層和隱含層神經元的個數；θ={W,a,b}代表模型參數。

可見單元和隱藏單元上的聯(lián)合概率分布被定義為

( 3 )

式中：E(v,h;θ)為RBM的能量函數，定義為

( 4 )

訓練RBM的主要目的是為了在概率分布P(v,h)達到最大值時確定出網絡模型的參數θ={W,a,b}，因此，需采用極大似然法對下式進行最大化，進而求取參數θ[11]。

( 5 )

采用隨機梯度上升算法來最大化對數似然函數，通過迭代的方式進行參數更新，迭代公式為

( 6 )

對參數θ求偏導得

( 7 )

為此，文獻[12]提出了對比散度算法(Contrastive Divergence，CD)。該算法的核心是交錯的吉布斯采樣，計算過程見圖2。首先把訓練數據傳遞給v0，采用式( 1 )計算出隱含層神經元的條件概率，并用Gibbs抽樣確定隱含層神經元的狀態(tài)h0；利用式( 2 )計算可視層神經元的條件概率，再次利用Gibbs抽樣確定可視層神經元狀態(tài)v1，完成一次重構。

圖2 CD算法訓練RBM

參數θ={W,a,b}的更新過程為

ΔWij=α(Edata(vihj)-Erecon(vihj))

( 8 )

Δaij=α(Edata(vi)-Erecon(vi))

( 9 )

Δbij=α(Edata(hj)-Erecon(hj))

(10)

式中：α為學習率；Edata(·)為偏導函數在P(h|v)分布下的期望；Erecon(·)為偏導函數在重構模型分布下的期望。

文獻[12]通過數值實驗證明，CD-1算法在計算時間和計算效果上都有顯著的優(yōu)勢，基于CD-1的RBM訓練過程為：

Step1確定參數，包括樣本集x=[x1,x2,x3,…,xn]T，學習率α，隱含層節(jié)點數m。

Step2參數初始化。

可視層v0=x

Wij=0.1×randn(m,n)

a=zeros(1,m)

b=zeros(1,n)

Step3訓練數據。

forj=1,2,3,…,m

從P(hj0=1|v0)中抽取樣本hj0∈{0,1}

end

fori=1,2,3,…,n

從P(vi1=1|h0)中抽取樣本vi1∈{0,1}

end

forj=1,2,3,…,m

從P(hj1=1|v1)中抽取樣本hj1∈{0,1}

end

Step4參數更新。

W←mW+α(h0v0-h1v1)

b←mb+α(v0-v1)

a←ma+α(h0-h1)

式中：v0為RBM使用CD-1算法前可視層神經元的初始狀態(tài)；v1為CD-1重構后可視層神經元狀態(tài)；h0與h1同理。

1.2 反向調優(yōu)過程

前向RBM的堆疊學習屬于無監(jiān)督學習過程，而有監(jiān)督學習是將無監(jiān)督學習到的結果作為輸入參數的初始化。單層RBM網絡僅能保證網絡層輸入輸出映射的最佳關系，模型的反向傳播函數能對整個DBN網絡和RBM網絡進行微調。反向調優(yōu)是從DBN網絡模型的最后一層出發(fā)，利用已知標簽逐步對每個RBM參數進行微調，重復反向傳播算法直至達到預設的最大迭代次數。反向調優(yōu)可使DBN的分類效果得到進一步的優(yōu)化。

DBN模型的最后一層采用softmax作為分類器，最為典型的為BP神經網絡。當DBN與BPNN進行結合時，RBM無監(jiān)督訓練產生的參數被看作是BP神經網絡參數的初始值，可以很好地解決BP神經網絡訓練過程中的不確定性和局部最優(yōu)化問題[13]。

2 ZPW-2000A軌道電路故障分析

2.1 ZPW-2000A軌道電路構成

ZPW-2000A軌道電路由主軌道和調諧區(qū)兩部分組成，并將調諧區(qū)視為列車運行前方的“延續(xù)區(qū)段”[14]，從發(fā)送端到接收端，分別由發(fā)送器、電纜模擬網絡、匹配變壓器、調諧單元、空閑線圈、補償電容、衰耗器、接收器、軌道繼電器構成[1]。ZPW-2000A軌道電路通過發(fā)送器將不同含義的低頻信號送入主軌道區(qū)段和小軌道電路。低頻信號分兩路進行傳輸，一路直接送至本區(qū)端接收器，另一路通過調諧區(qū)送至運行前方相鄰軌道區(qū)段的接收器，并將檢查后的調諧區(qū)狀態(tài)條件(XG、XGH)送至本區(qū)端接收器。兩路信息判斷無誤后驅動軌道繼電器動作，由此判定軌道區(qū)段的空閑和占用。ZPW-2000A軌道電路結構見圖3。

圖3 ZPW-2000A軌道電路結構

2.2 ZPW-2000A軌道電路故障類別

ZPW-2000A軌道電路的故障模式分為有報警故障和無報警故障。發(fā)送器和接收器發(fā)生故障時，移頻報警繼電器YBJ落下，引發(fā)聲光報警，稱為有報警故障，有警故障可以快速鎖定故障范圍。無報警故障則需要維修人員根據實際情況結合自身經驗進行判斷。本文結合現場需求將ZPW-2000A軌道電路典型故障模式歸納如表1所示[15]。

表1 軌道電路典型故障模式

3 基于DBN的軌道電路故障診斷網絡設計

3.1 故障數據獲取

診斷算法所需的數據包含兩部分，即訓練集數據和測試集數據。其中，訓練集數據樣本必須包含所有的故障模式。軌道電路的正常數據可以在信號集中監(jiān)測系統(tǒng)中獲取，其他14種故障樣本則需要通過建立軌道電路理論模型獲得。目前現場信號集中監(jiān)測參量中共有6個監(jiān)測量，主要針對室內設備，分別為發(fā)送電壓、發(fā)送電流、電纜側發(fā)送電壓、電纜側接收電壓、主軌入電壓、主軌出電壓。為了提高軌道電路的監(jiān)測水平，鐵路部門在現有監(jiān)測量的基礎上增加對室外調諧區(qū)的監(jiān)測，主要采集量為：發(fā)送端TU1電流、發(fā)送端SVA電流、發(fā)送端TU2電流、接收端TU1電流、接收端SVA電流、接收端TU2電流[15]。本文把以上12個電壓電流監(jiān)測量作為軌道電路故障數據的特征集。

3.2 故障診斷網絡結構設計

基于DBN的軌道電路故障診斷模型基本結構見圖4。該模型的輸入是由發(fā)送電壓M1、發(fā)送電流M2、電纜側發(fā)送電壓M3、發(fā)送端TU1電流M4、發(fā)送端SVA電流M5、發(fā)送端TU2電流M6、接收端TU1電流M7、接收端SVA電流M8、接收端TU2電流M9、電纜側接收電壓M10、主軌入電壓M11、主軌出電壓M12這12個特征組成的原始故障數據集。中間部分是若干個不同RBM的堆疊，輸出則對應到軌道電路的故障模式F1～F15，由Softmax根據DBN計算結果判定出最終的故障類型。由于本文DBN模型的監(jiān)督學習過程采用了BP神經網絡算法，因此，軌道電路故障診斷網絡模型可稱為DBN-BPNN。

3.3 DBN-BPNN訓練過程

DBN-BPNN整體流程見圖5所示，主要過程為：

Step1設置DBN基本參數，包括RBM模型中連接權重值W，可視層與隱含層神經元的偏置a，b；學習率的設置包括RBM無監(jiān)督學習的學習率和反向微調算法中的學習率，學習率決定著網絡的學習速度。

Step2故障數據歸一化處理，計算公式為[16]

(11)

式中：xi為原始數據；max(X)和min(X)為原始數據的最大值和最小值；yi為歸一化處理后數據。

圖4 DBN故障分類模型

Step3對故障數據劃分訓練集和測試集。

Step4使用CD-1算法對RBM進行逐層學習，完成整個DBN模型的訓練，得到權重值。

Step5以Step4得到的權重值作為BP神經網絡模型的初始參數，根據標簽層結合反向調整算法達到DBN參數微調的目的。

圖5 DBN-BPNN訓練流程

3.4 基于DBN-BPNN的ZPW-2000A軌道電路故障診斷

基于DBN-BPNN的ZPW-2000A軌道電路故障診斷的具體過程為：

Step1建立軌道電路理論模型，根據不同的故障模式采集相應的故障數據，形成故障數據集。

Step2對故障數據集進行歸一化處理，使每一維的數據處于[0,1]之間。

Step3按一定比例劃分出訓練集和測試集。

Step4對DBN-BPNN分類器進行訓練，得到DBN-BPNN故障分類模型。

Step5使用測試集數據對Step4得到的分類模型進行測試。

Step6對診斷結果進行分析。

4 仿真實驗結果分析

在仿真實驗過程中，以軌道電路理論模型故障數據為依據，以3.2節(jié)中的M1～M12作為DBN-BPNN診斷模型的特征參數。故障樣本共1 160組，故障類型為F1～F15，共15種，F1～F15為表1中的故障代碼。在1 160組故障數據中，15種故障類別在訓練集和測試集的具體樣本分布如表2所示。

表2 故障類別樣本分布

DBN-BPNN診斷模型的輸入節(jié)點為M1～M12，輸出層由15個節(jié)點構成診斷結果向量(如發(fā)送器故障(0,1,0,0,0,0,0,0,0,0,0,0,0,0,0))。DBN內部結構的構建目前沒有理論依據和經驗可循，一般而言節(jié)點層數越多越易挖掘數據的特征分布，但超過一定數量后易產生過擬合現象，影響模型分類效果，需單獨研究[13]。

對于隱含層神經元個數的選擇也難于確定，具體數目的選擇具有較強的主觀性，可參考文獻[17]中的經驗公式，為

(12)

式中：m為輸入層神經元個數；n為輸出層神經元個數；c為[0,10]之間的常數。

此外，在進行RBM訓練前，連接權重W以及可視層、隱含層神經元的偏置要進行初始化操作，本文采用極小值隨機初始化，具體如下

Wij=0.1×randn(m,n)

a=zeros(1,m)

b=zeros(1,n)

同時，考慮到算法的穩(wěn)定性和收斂速度，文獻[10]中給出了其他相關參數的設置，其中，前向RBM學習中的學習率和反向微調中的學習率均采用常用值0.1，初步設定迭代次數100次。為避免參數初始化時隨機數對DBN-BPNN模型分類效果的影響，重復進行20次實驗，取其平均值最為最終的識別結果。

4.1 DBN參數對結果的影響

在DBN參數中，隱含層的層數以及網絡的迭代次數均會對實驗結果的精度造成影響，為此，分別對兩者進行研究，選取最佳參數組合。

表3 不同層數下DBN-BPNN分類能力

從表3可以看出，DBN為3層時DBN-BPNN對軌道電路的故障類型識別率較高，當層數為4時，故障識別率達到最高，為94.954%，當層數繼續(xù)增加時，模型出現了過擬合現象，識別率降低。綜合考慮訓練時間和故障識別率，基于DBN-BPNN的軌道電路故障診斷模型最佳結構為4層。

在DBN-BPNN網絡模型訓練過程中，迭代次數是影響故障識別率的另一因素。圖6是在4層DBN模型下，經DBN-BPPNN計算后，軌道電路故障識別率與迭代次數的關系。

圖6 迭代次數與故障識別率的關系

由圖6可知，初始迭代時，故障分類正確率低于60%，隨著迭代次數的增加，正確率逐步提升，當迭代次數超過200次后，正確率趨于穩(wěn)定，因此本文選取的迭代次數為200次。

4.2 DBN-BPNN故障識別結果

通過對隱含層層數和迭代次數的研究，基于DBN-BPNN的軌道電路故障診斷模型最終確定為迭代200次的4層網絡結構，根據此模型得到的故障識別結果見圖7。

圖7 DBN-BPNN故障分類效果

不同故障模式下的故障識別率如表4所示。

表4 不同故障模式下的識別率

從表4可以看出，利用DBN-BPNN網絡模型進行故障診斷時，平均故障識別率可達95.34%，每種故障模式的識別率都高于76%，說明該模型性能良好，故障識別率高。

5 結束語

針對無絕緣軌道電路故障存在復雜性、隨機性等問題，本文提出一種基于DBN-BPNN的無絕緣軌道電路故障診斷方法。根據ZPW-2000A無絕緣軌道電路的構成選取12個監(jiān)測量作為DBN模型的故障證據向量，利用DBN的前向RBM學習算法重組故障數據的特征分布，發(fā)現數據的內部特征，并結合BP神經網絡構建出四層DBN-BPNN分類模型。仿真結果表明，基于DBN-BPNN的ZPW-2000A無絕緣軌道電路故障診斷模型具有較高的故障識別率。