李 強(qiáng)，劉鐵生，崔霆銳，黃 玉，張志亮

(1.北京市地鐵運(yùn)營(yíng)有限公司，北京 100044；2.北京唐智科技發(fā)展有限公司，北京 100097)

直線電動(dòng)機(jī)輪軌交通系統(tǒng)的出現(xiàn)為城市軌道交通開辟了一條新的途徑，它是21世紀(jì)無(wú)人駕駛?cè)詣?dòng)輪軌交通系統(tǒng)的發(fā)展方向。無(wú)縫線路通過(guò)短軌焊接成長(zhǎng)軌條的形式，減少了線路的鋼軌接頭，具有平順性好、行車平穩(wěn)以及旅客乘坐舒適等優(yōu)點(diǎn)，同時(shí)延長(zhǎng)了線路設(shè)備和車輛的使用壽命，減少了線路養(yǎng)護(hù)維修工作量，在城市軌道交通、高鐵線路中應(yīng)用廣泛。然而，受溫度、力、載荷等的影響，無(wú)縫線路的鋼軌焊接接頭極易出現(xiàn)不平順問(wèn)題，嚴(yán)重影響乘客的乘坐舒適性，甚至引發(fā)行車事故。

楊云帆 等[1]對(duì)直線電動(dòng)機(jī)地鐵線路焊接接頭不平順測(cè)試分析及安全限制進(jìn)行了研究，但是沒(méi)有開展接頭不平順檢測(cè)方法研究。張克平 等[2]針對(duì)曲線段鋼軌焊接接頭不平順對(duì)輪軌動(dòng)力響應(yīng)的影響進(jìn)行了研究，并對(duì)《地鐵設(shè)計(jì)規(guī)范》中關(guān)于鋼軌焊接接頭不平順的維修標(biāo)準(zhǔn)進(jìn)行了驗(yàn)證。陳庚 等[3]提出了一種基于機(jī)器視覺的鋼軌對(duì)接焊高精度檢測(cè)方法，通過(guò)圖像特征提取，針對(duì)多種不同特征進(jìn)行了模式識(shí)別，獲得了鋼軌頂部和側(cè)面高度差，但該方法需要加裝黑白面陣CMOS工業(yè)相機(jī)、線激光器等硬件設(shè)備。

車輛行經(jīng)鋼軌焊縫、軌道道岔等位置時(shí)將激起瞬時(shí)的振動(dòng)、沖擊，將車輛軸箱、輪對(duì)視作剛體時(shí)，車輛軸箱上的振動(dòng)信號(hào)沒(méi)有經(jīng)過(guò)減振系統(tǒng)，因此，當(dāng)軌道存在鋼軌接縫、磨耗等軌道短波不平順時(shí)，其引起的沖擊能夠反映在軸箱振動(dòng)信息中[4]。同樣，焊接接頭不平順處引起的沖擊也會(huì)反映在軸箱振動(dòng)信息中。

曹西寧 等[5]使用Hilbert-Huang變換對(duì)軌道車輛軸箱加速度信號(hào)進(jìn)行了分析，能夠有效地對(duì)軌道存在的不平順位置進(jìn)行定位，實(shí)現(xiàn)了軌道區(qū)段內(nèi)一定程度的短波不平順檢測(cè)。楊文忠[6]開展了基于小波的軸箱加速度與軌道不平順關(guān)系的研究，驗(yàn)證了軸箱加速度雙積分與軌道高低不平順的數(shù)值基本一致，而軸箱加速度的測(cè)量具有測(cè)試方便、處理簡(jiǎn)單、成本低廉的優(yōu)點(diǎn)，但實(shí)際運(yùn)用準(zhǔn)確度不高。文獻(xiàn)[7-10]將深度學(xué)習(xí)方法引入了軌道質(zhì)量預(yù)測(cè)領(lǐng)域，通過(guò)建立神經(jīng)網(wǎng)絡(luò)模型對(duì)軌道質(zhì)量進(jìn)行了預(yù)測(cè)，這些預(yù)測(cè)模型相比傳統(tǒng)方法具有更高的準(zhǔn)確度，但未能實(shí)現(xiàn)軌道焊接接頭不平順的識(shí)別。

基于此，本文針對(duì)城市軌道交通中軌道的鋼軌焊接接頭不平順故障，基于軸箱位置的沖擊振動(dòng)復(fù)合傳感器采集的信息，以深度神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，提出了將特征提取以及分類器2個(gè)環(huán)節(jié)合二為一的焊接接頭不平順故障診斷方法，該方法能夠較為準(zhǔn)確地實(shí)現(xiàn)軌道焊接接頭不平順故障的識(shí)別。

1 深度神經(jīng)網(wǎng)絡(luò)(DNN)

深度神經(jīng)網(wǎng)絡(luò)是全連接的神經(jīng)元結(jié)構(gòu)，其內(nèi)部的神經(jīng)網(wǎng)絡(luò)層可分為輸入層﹑隱藏層和輸出層。圖1所示為一個(gè)5層的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。輸入層和輸出層一般設(shè)計(jì)的比較簡(jiǎn)單，而隱藏層則有許多最優(yōu)設(shè)計(jì)規(guī)則，可以幫助人們?nèi)〉妙A(yù)期的效果。

圖1 某深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

每一個(gè)神經(jīng)元的輸出值是一個(gè)線性關(guān)系和一個(gè)激活函數(shù)的組合，如式(1)所示：

(1)

式中：h——神經(jīng)元的輸出；

f——激活函數(shù)；

xi——神經(jīng)元的各個(gè)輸入；

wi——每個(gè)輸入對(duì)應(yīng)的權(quán)值；

b——輸入的偏置。

深度神經(jīng)網(wǎng)絡(luò)可用于預(yù)測(cè)、分類及視覺識(shí)別等。本文利用深度神經(jīng)網(wǎng)絡(luò)的分類功能來(lái)實(shí)現(xiàn)焊接接頭不平順故障的識(shí)別。

2 基于深度神經(jīng)網(wǎng)絡(luò)的焊接接頭不平順故障診斷方法

2.1 數(shù)據(jù)收集

本文研究的數(shù)據(jù)為車輛軸箱位置的振動(dòng)、沖擊數(shù)據(jù)，傳感器安裝在軸箱體上方(圖2)，采用400倍輪對(duì)轉(zhuǎn)頻為采樣頻率進(jìn)行傳感器信號(hào)采樣。

圖2 傳感器安裝圖

采用城市軌道效能線路實(shí)際運(yùn)營(yíng)監(jiān)測(cè)數(shù)據(jù)對(duì)線路的軌縫、道岔、正常焊接接頭和焊接接頭不平順4類典型情況進(jìn)行分類辨識(shí)。這些數(shù)據(jù)包含沖擊、振動(dòng)、速度、公里標(biāo)信息。根據(jù)不同類別數(shù)據(jù)的區(qū)別，生成4類數(shù)據(jù)集：焊接接頭不平順、軌縫、道岔、正常焊接接頭。上述4類數(shù)據(jù)集的沖擊數(shù)據(jù)如圖3所示。將數(shù)據(jù)集劃分為對(duì)應(yīng)的訓(xùn)練集和測(cè)試集，用于后續(xù)神經(jīng)網(wǎng)絡(luò)分類模型的訓(xùn)練與測(cè)試。

圖3 4類數(shù)據(jù)集的沖擊數(shù)據(jù)圖

根據(jù)TB/T 1632.1—2005《鋼軌焊接 第1 部分：通用技術(shù)條件》規(guī)定：當(dāng)鋼軌焊接采用閃光焊且地鐵車輛運(yùn)營(yíng)速度不超過(guò)120 km/h時(shí)，焊接接頭垂向空間不平順?lè)祽?yīng)小于0.3 mm，且不允許出現(xiàn)下凹現(xiàn)象。因此，本文設(shè)定焊接接頭不平順故障的標(biāo)準(zhǔn)為焊接接頭不平順?lè)怠?.3 mm。

2.2 數(shù)據(jù)預(yù)處理

由于車體使用迫導(dǎo)向轉(zhuǎn)向架，在列車通過(guò)曲線時(shí)輪軸處于曲線徑向位置，噪聲和輪軌磨耗等性能指標(biāo)也大大降低。

對(duì)于深度學(xué)習(xí)來(lái)說(shuō)，數(shù)據(jù)十分關(guān)鍵。由于數(shù)據(jù)存在缺失、噪聲等情況，極易干擾深度學(xué)習(xí)算法的有效性和魯棒性。尤其是當(dāng)輸入數(shù)據(jù)的單位不一致時(shí)，可能會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)收斂慢、訓(xùn)練時(shí)間長(zhǎng)。因此需在數(shù)據(jù)預(yù)處理階段，采用小波閾值去噪的方法對(duì)數(shù)據(jù)進(jìn)行去噪處理，并選擇z-score標(biāo)準(zhǔn)化處理數(shù)據(jù)，如式(2)所示。這種方法適用于數(shù)據(jù)屬性的最大值和最小值未知的情況，或有超出取值范圍的離群數(shù)據(jù)的情況。經(jīng)過(guò)標(biāo)準(zhǔn)化處理后，縮放了數(shù)值的特征范圍，可以在較短時(shí)間內(nèi)獲得理想的權(quán)重值。

ydata=(xdata-mean)/sigma

(2)

式中：ydata——標(biāo)準(zhǔn)化處理后的數(shù)據(jù)；

xdata——原始數(shù)據(jù)；

mean——原始數(shù)據(jù)的均值；

sigma——原始數(shù)據(jù)的方差。

2.3 深度神經(jīng)網(wǎng)絡(luò)故障識(shí)別模型訓(xùn)練

本文選擇Sigmoid函數(shù)作為激活函數(shù)，該函數(shù)能夠把輸入的連續(xù)實(shí)值變換為0和1之間的輸出，如果是非常大的負(fù)數(shù)則輸出為0；如果是非常大的正數(shù)則輸出為1。函數(shù)公式如式(3)所示：

(3)

本文建立的深度神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層采用單層網(wǎng)絡(luò)結(jié)構(gòu)，隱藏層采用3層網(wǎng)絡(luò)結(jié)構(gòu)，整個(gè)網(wǎng)絡(luò)共5層。輸入層共699個(gè)參數(shù)，第1個(gè)隱藏層有500個(gè)神經(jīng)元，第2個(gè)隱藏層有200個(gè)神經(jīng)元，第3個(gè)隱藏層有50個(gè)神經(jīng)元，輸出層有4個(gè)輸出參數(shù)。

由于用于訓(xùn)練的樣本不夠多，而設(shè)計(jì)采用的神經(jīng)網(wǎng)絡(luò)規(guī)模又比較大，此時(shí)容易發(fā)生過(guò)擬合。本文采用Dropout(隨機(jī)失活)正則化方法[11]避免過(guò)擬合。Dropout方法會(huì)在訓(xùn)練神經(jīng)網(wǎng)絡(luò)的每一輪迭代中，隨機(jī)地關(guān)閉一些神經(jīng)元，以此降低神經(jīng)網(wǎng)絡(luò)的復(fù)雜程度。本文使用反向隨機(jī)失活方法，其計(jì)算步驟如下：

(1) 對(duì)于第k層的結(jié)點(diǎn)，使用變量keep_prob來(lái)表明每個(gè)結(jié)點(diǎn)的存在概率，keep_prob是一個(gè)∈(0，1]的數(shù)；

(2) 在每一輪迭代中，為第k層的所有結(jié)點(diǎn)隨機(jī)分配一個(gè)數(shù)d，d∈(0，1]。若d≤keep_prob，則保存該結(jié)點(diǎn)，否則刪除該結(jié)點(diǎn)，即意味著該結(jié)點(diǎn)在此次迭代中前向傳播的輸出值為0；

(3) 對(duì)于保存下來(lái)的結(jié)點(diǎn)，其新輸出值Z為原輸出值A(chǔ)除以keep_prob；

(4) 反向傳播時(shí)，保存下來(lái)的結(jié)點(diǎn)的新輸出值A(chǔ)=dA除以keep_prob。

3 焊接接頭不平順故障診斷方法測(cè)試

本文選取帶標(biāo)簽的樣本作為訓(xùn)練集，進(jìn)行故障識(shí)別模型訓(xùn)練，其信息如表1所示。

表1 訓(xùn)練集樣本信息

為驗(yàn)證本文提出的焊接接頭不平順故障診斷模型的有效性，選擇某城市線路2021年5月的輪軌數(shù)據(jù)作為測(cè)試集進(jìn)行測(cè)試。測(cè)試集樣本信息如表2所示。

表2 測(cè)試集樣本信息

測(cè)試過(guò)程如下：

(1)按照公里標(biāo)依次循環(huán)輸入測(cè)試集數(shù)據(jù)；(2)對(duì)每個(gè)測(cè)試集數(shù)據(jù)進(jìn)行依次強(qiáng)沖擊搜索，并對(duì)每個(gè)強(qiáng)沖擊時(shí)刻數(shù)據(jù)進(jìn)行預(yù)處理，記錄其沖擊、振動(dòng)、速度信息；(3)將預(yù)處理后的測(cè)試集數(shù)據(jù)依次輸入基于深度神經(jīng)網(wǎng)絡(luò)的焊接接頭不平順故障識(shí)別模型進(jìn)行測(cè)試，并輸出識(shí)別結(jié)果，判斷該位置處是否存在焊接接頭不平順故障。

測(cè)試集樣本測(cè)試結(jié)果如表3所示，該模型能夠?qū)y(cè)試集中的各類樣本識(shí)別為正確的類型，識(shí)別準(zhǔn)確率達(dá)到90%以上。

表3 測(cè)試集樣本測(cè)試結(jié)果

在最終的測(cè)試結(jié)果中選擇某2個(gè)區(qū)間進(jìn)行現(xiàn)場(chǎng)勘查驗(yàn)證，該區(qū)間共輸出12個(gè)認(rèn)為存在焊接接頭不平順故障的位置。現(xiàn)場(chǎng)對(duì)這12個(gè)位置進(jìn)行了勘查，結(jié)果如表4所示。對(duì)結(jié)果進(jìn)行統(tǒng)計(jì)，準(zhǔn)確率為83.3%。對(duì)測(cè)試結(jié)果分析，發(fā)現(xiàn)影響其準(zhǔn)確率的因素有以下兩點(diǎn)：(1)訓(xùn)練樣本集數(shù)據(jù)量不夠大；(2)對(duì)數(shù)據(jù)集的預(yù)處理不夠完善。

表4 焊接接頭不平順故障位置及其現(xiàn)場(chǎng)勘查結(jié)果

總體而言，若選擇合適的且大量的訓(xùn)練樣本集，采用本文提出的深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的故障識(shí)別模型能夠較好地實(shí)現(xiàn)焊接接頭不平順故障的診斷。

4 結(jié)束語(yǔ)

本文基于深度神經(jīng)網(wǎng)絡(luò)建立了鋼軌焊接接頭不平順故障診斷模型，對(duì)軌道焊接接頭不平順故障特征進(jìn)行了診斷識(shí)別。以車輛軸箱位置采集的軌道數(shù)據(jù)以及對(duì)應(yīng)線路軌道的軌縫、道岔信息作為輸入，測(cè)試得到該方法的識(shí)別準(zhǔn)確率為83.3%。由此表明，本文所提出的方法能夠較為精確地識(shí)別軌道焊接接頭不平順故障，能夠較好地應(yīng)用于軌道焊接接頭不平順故障診斷。