盧 皎，禹建麗，黃春雷，陳洪根

(1.鄭州航空工業(yè)管理學(xué)院 管理工程學(xué)院，河南 鄭州 450046；2.黑龍江瑞興科技股份有限公司，黑龍江 哈爾濱 150030)

我國鐵路建設(shè)高速發(fā)展，極大地方便了人們的出行，同時推動了國民經(jīng)濟(jì)的發(fā)展。鐵路運(yùn)輸?shù)陌踩允菍?shí)現(xiàn)鐵路整體高效運(yùn)行的基本保證[1]。鐵路區(qū)間廣泛鋪設(shè)的ZPW-2000系列無絕緣移頻軌道電路是列車運(yùn)行控制系統(tǒng)的基礎(chǔ)設(shè)備，主要用于實(shí)現(xiàn)對區(qū)間的占用檢查、斷軌檢查以及地車通訊。軌道電路的正常工作是列車安全運(yùn)行的重要保障。軌道電路室外設(shè)備易受溫度、濕度等復(fù)雜環(huán)境因素影響，同時也因系統(tǒng)各個部件運(yùn)行狀況等，使得軌道電路故障時有發(fā)生[2]，其結(jié)果會影響鐵路運(yùn)營效率甚至行車安全[3]。

目前，ZPW-2000R軌道電路發(fā)生故障時，現(xiàn)場人員主要依賴工作經(jīng)驗(yàn)，對設(shè)備相關(guān)部位進(jìn)行數(shù)據(jù)測試，或利用微機(jī)監(jiān)測數(shù)據(jù)，根據(jù)系統(tǒng)應(yīng)用邏輯分析、電路的電氣特性等對故障位置進(jìn)行定位[4]。當(dāng)遇到較為罕見的故障模式，故障特征較為復(fù)雜時，僅依據(jù)已有經(jīng)驗(yàn)難以進(jìn)行準(zhǔn)確的快速故障診斷。

為了擺脫軌道電路故障診斷對人的依賴，提高故障診斷效率，增加軌道電路信號系統(tǒng)的安全性和可靠性，很多學(xué)者進(jìn)行了軌道電路故障自動診斷方法研究。胡永杰等[5]將ZPW-2000A信號設(shè)備作為研究對象，對常見故障類型和故障原理進(jìn)行分析。張振海等[6]將圖論與粗糙集應(yīng)用于鐵路故障診斷，減少了模型的復(fù)雜度，提高了準(zhǔn)確性。隨著大數(shù)據(jù)、人工智能的發(fā)展，機(jī)器學(xué)習(xí)在故障診斷中的應(yīng)用越來越廣泛，如人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)、支持向量機(jī)((support vector machines, SVM)、隨機(jī)森林(random forest, RF)等在故障診斷中都有廣泛應(yīng)用[7-9]。卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)算法之一，解決了誤差反向傳播(back propagation, BP)神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)網(wǎng)絡(luò)容易過擬合，提取特征缺失等缺陷，可有效減少網(wǎng)絡(luò)的復(fù)雜度，具有更為強(qiáng)大的分類能力[10]，廣泛應(yīng)用于信號和信息處理中[11]。許多學(xué)者嘗試在故障診斷領(lǐng)域應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)，并取得了較高的診斷精度。Zhang等[12]將卷積神經(jīng)網(wǎng)絡(luò)用于高鐵轉(zhuǎn)向架的故障診斷中，可快速診斷轉(zhuǎn)向架常見故障，對高速鐵路的安全運(yùn)行具有重要意義。卷積神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的泛化能力，Zhu等[13]用一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)研究飛機(jī)發(fā)動機(jī)的超音速燃燒器，解決復(fù)雜的超音速燃燒器燃燒模式問題。趙冰等[14]、周雯等[15]應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)解決鐵路關(guān)鍵部位缺陷檢查及行車安全檢查，提高了缺陷檢測的準(zhǔn)確率。

ZPW-2000R型軌道電路鋪設(shè)在全國數(shù)千公里的鐵路線上，工作環(huán)境復(fù)雜，故障類型、數(shù)目多，實(shí)現(xiàn)快速準(zhǔn)確的故障智能診斷難度大。鑒于卷積神經(jīng)網(wǎng)絡(luò)在特征提取與模式識別方面的獨(dú)特優(yōu)勢，本文將其應(yīng)用于ZPW-2000R型軌道電路故障智能診斷研究，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的故障診斷方法。利用維護(hù)機(jī)監(jiān)測的軌道電路實(shí)時數(shù)據(jù)對包括室內(nèi)、室外設(shè)備的29種故障類型進(jìn)行快速智能診斷。

1 卷積神經(jīng)網(wǎng)絡(luò)

1.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

卷 積 神 經(jīng) 網(wǎng) 絡(luò)(convolutional neural network,CNN)，是受哺乳動物的視覺皮層細(xì)胞啟發(fā)而提出的前饋性神經(jīng)網(wǎng)絡(luò)，目前廣泛應(yīng)用于圖像識別領(lǐng)域[16]。CNN基本結(jié)構(gòu)如圖1所示，包括輸入層、卷積層、池化層、全連接層和輸出層。

圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Figure 1 Structure of convolutional neural network

卷積層相當(dāng)于圖像處理中的“濾波器運(yùn)算”，當(dāng)圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)后通過卷積層不斷提取特征。卷積層的計算公式為

池化層即下采樣，通常采用最大值池化和平均值池化，通過池化稀疏參數(shù)簡化網(wǎng)絡(luò)結(jié)構(gòu)。池化層的計算公式為

其中，down為池化函數(shù)；β為第l層的網(wǎng)絡(luò)乘性偏置。

全連接層與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的全連接方式相同，輸出為其中，f為激活函數(shù)；WT為全連接層的權(quán)值矩陣。通常在全連接層之后連接softmax、adam、optimizer等分類函數(shù)。將數(shù)值轉(zhuǎn)化為對應(yīng)類別的概率，softmax的輸出為

其中， xn為 輸出節(jié)點(diǎn)個數(shù)，即分類數(shù)； xm為第m個節(jié)點(diǎn)的輸出值； Pm為網(wǎng)絡(luò)預(yù)測出的結(jié)果，屬于第m類的概率值。

本文所使用的一維卷積神經(jīng)網(wǎng)絡(luò)方法與卷積神經(jīng)網(wǎng)絡(luò)原理相似，具體操作過程如圖2所示。

圖2 一維卷積神經(jīng)網(wǎng)絡(luò)具體操作圖Figure 2 Operation of 1D convolution neural network

1.2 基于CNN的軌道電路故障診斷模型

根據(jù)神經(jīng)網(wǎng)絡(luò)具有監(jiān)督學(xué)習(xí)的特點(diǎn)，將軌道電路診斷主機(jī)的實(shí)時變化數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，將實(shí)際使用中常見的故障類型作為輸出，建立輸入與輸出之間的映射關(guān)系。模型分為訓(xùn)練階段和故障診斷階段，如圖3所示。首先，將訓(xùn)練數(shù)據(jù)集的實(shí)時監(jiān)測數(shù)據(jù)作為輸入，故障類型作為輸出，訓(xùn)練網(wǎng)絡(luò)的參數(shù)，不斷調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，尋找最優(yōu)參數(shù)。然后，將測試集的監(jiān)測變量輸入訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)，以此來判斷網(wǎng)絡(luò)性能。和圖像處理不同，本文對ZPW-2000R的29種故障類型進(jìn)行故障診斷用的是診斷主機(jī)實(shí)時監(jiān)測的變量數(shù)據(jù)，用一維卷積神經(jīng)網(wǎng)絡(luò)處理更為合理。一維卷積神經(jīng)網(wǎng)絡(luò)是處理一維序列數(shù)據(jù)的一種卷積神經(jīng)網(wǎng)絡(luò)，與卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相似，包括卷積層、池化層和全連接層[17]。當(dāng)一維序列 X=[x1,x2,···,xn]T作為輸入傳入卷積層時，輸出為

圖3 基于CNN的軌道電路故障診斷模型圖Figure 3 Fault diagnosis model of track circuit based on CNN

池化層通常選用最大池化(max-pooling)將序列長減小。

其中，p為池化層的層數(shù)。

全連接層與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)一樣，有多個隱含層，傳遞函數(shù)可選擇sigmoid函數(shù)

2 實(shí)驗(yàn)方案設(shè)計

最后，經(jīng)過softmax分類器后得到故障類型。

2.1 ZPW-2000R型軌道電路結(jié)構(gòu)

ZPW-2000R型無絕緣移頻軌道電路結(jié)構(gòu)如圖4所示。ZPW-2000R主要由鋼軌、室外設(shè)備和室內(nèi)設(shè)備組成。ZPW-2000R無絕緣移頻軌道電路發(fā)送器通過移頻信號的形式向鋼軌傳輸前方區(qū)段的車輛占用情況。當(dāng)其無列車占用時，接收器接收到足夠強(qiáng)度的軌道信號，軌道繼電器吸起，相應(yīng)設(shè)備顯示該區(qū)段空閑。當(dāng)列車進(jìn)入軌道電路區(qū)間時，列車輪對起到分路軌道信號作用，接收器接收的軌道信號幅值低于軌道繼電器下落門限，軌道繼電器落下，相應(yīng)設(shè)備顯示該區(qū)段占用[18]，ZPW-2000R軌道電路系統(tǒng)通過診斷主機(jī)等設(shè)備對每個軌道電路區(qū)段的各項(xiàng)主要電壓、電流信號等38個變量進(jìn)行實(shí)時監(jiān)測。

圖4 ZPW-2000R型軌道電路拓?fù)浣Y(jié)構(gòu)圖Figure 4 Topological structure of ZPW-2000R track circuit

2.2 實(shí)驗(yàn)

實(shí)驗(yàn)裝置如圖5所示，由ZPW-2000R型移頻自閉系統(tǒng)模擬道床組成，通過模擬29種不同的故障，監(jiān)測發(fā)送器、接收器、發(fā)送端變壓器、發(fā)送端調(diào)諧單元、接收端變壓器、接收端調(diào)諧單元等15個單元器材以及鋼軌附近的電壓電流共38個變量(記為[Z1,Z2,···,Z38])，由診斷主機(jī)讀取并記錄數(shù)據(jù)。在實(shí)際列車運(yùn)行中，區(qū)段長度、載頻、電纜長度以及道砟電阻的不同，都會對各個單元器材的監(jiān)測變量產(chǎn)生影響。因此，根據(jù)不同的影響因素，選擇6種不同的實(shí)用場景進(jìn)行故障模擬仿真實(shí)驗(yàn)，采集對應(yīng)的監(jiān)測變量。

圖5 ZPW-2000R型移頻自閉系統(tǒng)模擬道床Figure 5 Simulation track bed of ZPW-2000R frequency shift self closing system

2.3 數(shù)據(jù)處理

通過監(jiān)測設(shè)備的功出電壓、功出電流、發(fā)送電纜電壓電流等共38個變量，得到正常狀態(tài)的數(shù)據(jù)和29種故障類型的數(shù)據(jù)。各種故障類型名稱如表1所示。用故障名稱序號表示各類故障。通過整理得到數(shù)據(jù)集5 820組，其中，4 074組作為訓(xùn)練和K折驗(yàn)證組；1 746組作為測試組。將數(shù)據(jù)集劃分為網(wǎng)絡(luò)訓(xùn)練樣本和測試樣本，見表2。

表1 ZPW-2000R型移頻軌道電路常見29種故障類型Table 1 29 Common fault types of ZPW-2000R frequency shift track circuit

表2 網(wǎng)絡(luò)訓(xùn)練樣本與測試樣本分組情況Table 2 Grouping of network training samples and test samples

將整理后的訓(xùn)練樣本和測試樣本中的各個監(jiān)測變量進(jìn)行歸一化處理。歸一化公式為

其中，x為歸一化前的數(shù)據(jù)； xnorm為歸一化后的數(shù)據(jù)； xmin、 xmax為原始數(shù)據(jù)的最大值和最小值。

2.4 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置

將訓(xùn)練集輸入已建立的卷積神經(jīng)網(wǎng)絡(luò)模型，針對模型進(jìn)行超參數(shù)調(diào)整實(shí)驗(yàn)，通過實(shí)驗(yàn)確定故障診斷準(zhǔn)確率較高的網(wǎng)絡(luò)參數(shù)。CNN模型中的超參數(shù)包含卷積層數(shù)、卷積核的大小、池化層數(shù)、全連接層中隱層層數(shù)、不同的優(yōu)化函數(shù)以及批處理數(shù)等。通過K折交叉驗(yàn)證的方式確定最優(yōu)參數(shù)，將訓(xùn)練集中的數(shù)據(jù)按照K折交叉驗(yàn)證的方法進(jìn)行實(shí)驗(yàn)，將數(shù)據(jù)集分成k個子集，選擇其中一個子集作為評估數(shù)據(jù)集，利用剩余k-1個子集訓(xùn)練模型，并用預(yù)留的子集對模型作評估；重復(fù)該過程，直到所有子集被賦予作為被評估數(shù)據(jù)集的機(jī)會，據(jù)此測試模型取不同超參數(shù)下的性能，并最終確定最佳參數(shù)。

1) 針對不同的卷積神經(jīng)網(wǎng)絡(luò)模型，需要選擇不同的優(yōu)化器，常用的優(yōu)化方法有Adam、RMSprop、SGD、Adadelta[19]等。由于該故障診斷問題所需分類數(shù)較多，因此，采用相同的樣本數(shù)，并將其他參數(shù)設(shè)置一致，通過比較分類的準(zhǔn)確率來選取合適的優(yōu)化器。由于分類數(shù)目較多，用SGD法分類效果較差，Adadelta法準(zhǔn)確率僅為65%，而RMSprop法準(zhǔn)確率為93.25%，Adam法準(zhǔn)確率為95.21%，故選擇Adam自適應(yīng)調(diào)整學(xué)習(xí)率法[20]。Adam法的優(yōu)點(diǎn)是使梯度經(jīng)過偏置校正后，每一次迭代學(xué)習(xí)率都有一個固定范圍，參數(shù)比較平穩(wěn)，可加快訓(xùn)練速度。

2) 由于輸入向量是一維數(shù)據(jù)，故設(shè)置一維卷積核。通過調(diào)整卷積層的結(jié)構(gòu)發(fā)現(xiàn)，卷積核大小為2×1時和3×1時的準(zhǔn)確率較為接近，約為95%；而當(dāng)卷積核大小為4×1時，準(zhǔn)確率下降到93%，故選取卷積核大小為3×1，采樣寬度為2×1。卷積層用Rule作為激活函數(shù)，池化層采用MaxPooling的方法。卷積層和池化層交替，可以加深網(wǎng)絡(luò)的深度，也可以通過較少的參數(shù)來提取較全面的特征。由于輸入數(shù)據(jù)為38種監(jiān)測變量，輸出為29種故障類型，故障診斷輸出類型較多，故采用softmax分類函數(shù)得出分類結(jié)果，全連接層設(shè)置層數(shù)為30。

3) 深度學(xué)習(xí)訓(xùn)練的樣本數(shù)較多，如果采取單個樣本的方法更新參數(shù)，會陷入局部最優(yōu)，影響神經(jīng)網(wǎng)絡(luò)的性能和泛化能力，因此本文采用批處理的方式訓(xùn)練網(wǎng)絡(luò)。批處理的數(shù)目較少會嚴(yán)重影響迭代速度，同時極易陷入局部最優(yōu)；而批處理數(shù)目較多會導(dǎo)致無法找到最優(yōu)參數(shù)，本文采用相同的樣本數(shù)，并將其他參數(shù)設(shè)置一致，分別采用批處理數(shù)為16、32、40、64進(jìn)行實(shí)驗(yàn)，分類的準(zhǔn)確率分別為95.26%、94.35%、95.31%、92.02%。因此，選擇既可以保證準(zhǔn)確率又可以提升運(yùn)算速度的批處理數(shù)40。

3 實(shí)驗(yàn)驗(yàn)證及結(jié)果分析

實(shí)驗(yàn)環(huán)境基于Keras的深度學(xué)習(xí)庫，Tensorflow為后端，采用Anaconda的Jupyter Notebook作為Python編譯器，將訓(xùn)練集輸入卷積神經(jīng)網(wǎng)絡(luò)，采用交叉驗(yàn)證的方法，通過K折交叉驗(yàn)證獲得最優(yōu)超參數(shù)，迭代350次后停止訓(xùn)練，此時回檢樣本準(zhǔn)確率達(dá)98.25%，得到訓(xùn)練過程中損失函數(shù)變化曲線，如圖6～7所示。將測試樣本輸入到訓(xùn)練好的網(wǎng)絡(luò)，評估神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率。

圖6 網(wǎng)絡(luò)訓(xùn)練過程中準(zhǔn)確率變化曲線Figure 6 The accuracy curve during the network training procedure

圖7 網(wǎng)絡(luò)訓(xùn)練過程中損失率變化曲線Figure 7 The loss rate curve during the network training procedure

利用精確率、召回率、準(zhǔn)確率和F1-score[21]4個指標(biāo)進(jìn)行模型的性能分析。準(zhǔn)確率可評估出網(wǎng)絡(luò)的總體分類性能；通過精確率、召回率和F1-score可以看出網(wǎng)絡(luò)對每一類型故障的分類性能。具體計算如式(9)～(12)所示。其中，TP為被模型預(yù)測為正的正樣本；FP為被模型預(yù)測為正的負(fù)樣本；FN為被模型預(yù)測為負(fù)的正樣本；TN為被模型預(yù)測為負(fù)的負(fù)樣本。TP、FP、FN、TN構(gòu)成混淆矩陣。

根據(jù)式(9)～(12)可得網(wǎng)絡(luò)的準(zhǔn)確率為96.27%。測試集中各故障類型的預(yù)測準(zhǔn)確個數(shù)和準(zhǔn)確率如圖8～9所示。

圖8 測試集診斷結(jié)果圖Figure 8 Test set diagnosis results

圖9 測試集診斷準(zhǔn)確率Figure 9 Diagnostic accuracy of test set

由圖8～9可以看出，一維卷積神經(jīng)網(wǎng)絡(luò)可以診斷出29種故障類型，總體故障診斷準(zhǔn)確率較高。訓(xùn)練樣本的回檢準(zhǔn)確率可達(dá)98.25%，檢驗(yàn)樣本的故障診斷準(zhǔn)確率達(dá)96%。對檢驗(yàn)樣本，故障類型1、2、3、4、6、7、9、10、11、12、13、14、15、16、17、19、20、21、22、23、24、25、26、27、28、29均有非常高的準(zhǔn)確率(90%～100%)，而對故障5、8、18的診斷準(zhǔn)確率在80%到90%之間。

將相同的樣本數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)調(diào)整網(wǎng)絡(luò)層數(shù)和參數(shù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練。實(shí)驗(yàn)結(jié)果表明，在設(shè)置隱層神經(jīng)元個數(shù)為150時，神經(jīng)網(wǎng)絡(luò)回檢準(zhǔn)確率僅能達(dá)到80%，且神經(jīng)網(wǎng)絡(luò)泛化能力較差，不能給出相應(yīng)準(zhǔn)確率的故障類型診斷。因此，BP等傳統(tǒng)淺層神經(jīng)網(wǎng)絡(luò)對于輸出變量較少的分類問題效果較好，但ZPW-2000R軌道電路故障診斷問題輸入變量和輸出變量均較多，不能使用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，故使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行軌道電路故障診斷，準(zhǔn)確率較高，具有可行性。

4 結(jié)論

深度卷積神經(jīng)網(wǎng)絡(luò)可以挖掘同類數(shù)據(jù)內(nèi)在關(guān)系，使不同類別數(shù)據(jù)之間的界限得以明確，可避免傳統(tǒng)淺層神經(jīng)網(wǎng)絡(luò)故障診斷算法存在的訓(xùn)練耗時，易陷入局部極小值等問題。本文利用深度卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，通過實(shí)驗(yàn)研究提出了一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的ZPW-2000R型軌道電路故障診斷方法。實(shí)驗(yàn)結(jié)果表明，用訓(xùn)練好的一維卷積神經(jīng)網(wǎng)絡(luò)可以直接將現(xiàn)場監(jiān)測到的電壓、電流等38個變量作為神經(jīng)網(wǎng)絡(luò)的輸入，快速診斷出故障類型，且對29種故障都有較高的故障診斷準(zhǔn)確率，有助于現(xiàn)場維護(hù)人員排除故障，恢復(fù)鐵路運(yùn)輸，提高軌道電路維護(hù)維修效率和智能化水平，確保現(xiàn)代化鐵路運(yùn)輸?shù)母咚?、高效和安全可靠?/p>