摘 要：鐵路道岔是鐵路運(yùn)輸系統(tǒng)中的關(guān)鍵組成部分，其工作狀態(tài)直接影響著列車運(yùn)行的安全與效率，鐵路道岔故障的及時診斷與檢修對確保鐵路系統(tǒng)正常運(yùn)行至關(guān)重要。本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長短期記憶網(wǎng)絡(luò)（LSTM）混合而成的深度學(xué)習(xí)故障診斷模型，通過采集鐵路道岔動作電流和功率曲線數(shù)據(jù)來組成訓(xùn)練集和測試集，并對模型進(jìn)行訓(xùn)練和測試，結(jié)果表明，與單一的CNN和LSTM診斷模型相比，本文提出的CNN-LSTM混合模型的故障診斷效果更優(yōu)。最后設(shè)計并開發(fā)了一套鐵路道岔故障監(jiān)測和診斷系統(tǒng)，實(shí)現(xiàn)了對鐵路道岔的實(shí)時監(jiān)測和故障診斷。

關(guān)鍵詞：鐵路道岔 卷積神經(jīng)網(wǎng)絡(luò) 長短期記憶網(wǎng)絡(luò)

0 引言

隨著我國高速鐵路網(wǎng)的快速發(fā)展，鐵路運(yùn)輸?shù)陌踩耘c可靠性日益受到社會各界的關(guān)注。鐵路道岔作為鐵路線路中的重要組成部分，其工作性能狀態(tài)直接關(guān)系到列車的安全運(yùn)行和鐵路運(yùn)輸?shù)男省Ｈ欢?，由于道岔結(jié)構(gòu)的復(fù)雜性以及工作環(huán)境的惡劣性，道岔故障時有發(fā)生，給鐵路安全帶來了極大的隱患。因此，開展鐵路道岔故障診斷的研究，對于保障鐵路運(yùn)輸安全具有重要的理論意義和實(shí)用價值。近年來，深度學(xué)習(xí)技術(shù)的發(fā)展為鐵路道岔故障診斷提供了新的解決思路，卷積神經(jīng)網(wǎng)絡(luò)以其在圖像處理領(lǐng)域的卓越性能，被廣泛應(yīng)用于特征提取和模式識別任務(wù)中。而長短期記憶網(wǎng)絡(luò)作為一種特殊類型的循環(huán)神經(jīng)網(wǎng)絡(luò)，能夠有效處理時間序列數(shù)據(jù)，并捕捉數(shù)據(jù)中的長期依賴關(guān)系。國內(nèi)學(xué)者運(yùn)用深度學(xué)習(xí)的方法對鐵路道岔故障的診斷開展了一系列的相關(guān)研究，并取得了許多研究成果，但大部分研究都是使用單一的診斷方法，將多種方法綜合起來使用的研究相對較少。將CNN與LSTM相結(jié)合，組合起來使用可以充分發(fā)揮兩者的優(yōu)勢，實(shí)現(xiàn)對鐵路道岔故障信號的深度特征學(xué)習(xí)和時序分析，從而提高故障診斷的準(zhǔn)確性和效率。

1 相關(guān)原理

1.1 卷積神經(jīng)網(wǎng)絡(luò)（CNN）

在20世紀(jì)80年代，受生物神經(jīng)科學(xué)的啟迪，Yann LeCun及其團(tuán)隊提出了一種基于前饋原理的神經(jīng)網(wǎng)絡(luò)架構(gòu)模型，該模型廣為人知為卷積神經(jīng)網(wǎng)絡(luò)（CNN）[1]，它由五個關(guān)鍵層級構(gòu)成：輸入層、卷積層、池化層、全連接層以及輸出層。特別地，卷積層利用卷積操作作為其核心機(jī)制，旨在從輸入的鐵路道岔信號數(shù)據(jù)中高效地提取出關(guān)鍵特征。池化層通過縮小故障預(yù)測模型的大小來提高計算速度，在保留鐵路道岔信號數(shù)據(jù)重要特征的前提下降低特征的維度，提高所提取數(shù)據(jù)特征的魯棒性。全連接層通過對提取的特征值進(jìn)行整合并將其轉(zhuǎn)換為向量輸出。

卷積層的計算表達(dá)式如下：

在此公式中，第1個卷積層的第i個特征輸出被表達(dá)為，其中j代表了當(dāng)前層輸出特征的總數(shù)，這一數(shù)量是基于上一層輸出向量的計算得出的。偏置項(xiàng)以符號表示，而特征圖矩陣則用j表示。卷積核的權(quán)重則由符號表示，其中n為卷積核的索引值。此外，卷積層的輸出數(shù)量由變量N給出，而激活函數(shù)則通過符號表示。

池化層計算公式如下：

其中，表示池化層的輸出結(jié)果，T，R分別表示池化層的步長和核的大小，r為池化窗口。

1.2 長短期記憶網(wǎng)絡(luò)（LSTM）

在20世紀(jì)90年代，Sepp Hochreiter與Jürgen Schmidhuber針對循環(huán)神經(jīng)網(wǎng)絡(luò)所存在的局限性，創(chuàng)新性地提出了長短期記憶網(wǎng)絡(luò)（LSTM）模型[2]。該模型通過引入獨(dú)特的“門控機(jī)制”，具體包括輸入門、遺忘門、記憶單元以及輸出門，實(shí)現(xiàn)了對歷史信息的精細(xì)化更新與保留策略。這一設(shè)計顯著增強(qiáng)了網(wǎng)絡(luò)處理長時間序列數(shù)據(jù)時的記憶能力，同時有效解決了梯度消失與梯度爆炸這一長期困擾神經(jīng)網(wǎng)絡(luò)訓(xùn)練的難題。圖1為長短期記憶網(wǎng)絡(luò)的基本單元結(jié)構(gòu)。

LSTM單元的向前計算公式如下[3]：

其中，ft表示遺忘門的激活值，it表示輸入門的激活值，Wf表示遺忘門的權(quán)重參數(shù)矩陣，Wi表示輸入門的權(quán)重參數(shù)矩陣，[ht-1，Xt]表示雙向量拼接結(jié)果，bf表示遺忘門的偏置值，bi表示輸入門的偏置值，sigmoid函數(shù)由表示。表示候選元素的狀態(tài)，ct-1表示t-1時刻的狀態(tài)，ct表示由當(dāng)前記憶狀態(tài)和長期記憶狀態(tài)ct-1組合而成的新單元狀態(tài)，ht表示t時刻的輸出。

2 CNN-LSTM故障診斷模型構(gòu)建

考慮到鐵路道岔轉(zhuǎn)轍機(jī)的動作電流及功率曲線數(shù)據(jù)具有多維性和時序性的特點(diǎn)，為了能夠從時間和空間兩個方面對數(shù)據(jù)的特征進(jìn)行充分提取，本文提出了一種基于CNN-LSTM的混合深度學(xué)習(xí)的故障診斷模型，CNN提取數(shù)據(jù)的空間特性，LSTM提取數(shù)據(jù)的時間特性。模型主要包含三個部分，第一部分為三層一維卷積的結(jié)構(gòu)網(wǎng)絡(luò)（CNN），每一層都進(jìn)行卷積、歸一化和最大池化的操作，選取Re lu激活函數(shù)[4]。第二部分為LSTM網(wǎng)絡(luò)。第三部分為全連接層，包含兩層全連接。數(shù)據(jù)輸入模型后，首先經(jīng)過三層CNN部分進(jìn)行維度的轉(zhuǎn)變處理，其次輸入到LSTM部分，完成時間和空間上的特征提取和計算，最后數(shù)據(jù)進(jìn)入全連接層后輸出診斷結(jié)果。CNN-LSTM混合網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2所示。

3 實(shí)驗(yàn)和分析

3.1 數(shù)據(jù)采集

本文通過高鐵車站信號自動控制CSM-KA型信號集中監(jiān)測系統(tǒng)采集得到了600組鐵路道岔轉(zhuǎn)轍機(jī)動作電流和功率曲線數(shù)據(jù)，其中正常工作數(shù)據(jù)100組，另外五種故障[5]（轉(zhuǎn)轍機(jī)無法啟動、轉(zhuǎn)轍機(jī)空轉(zhuǎn)、無小臺階、小臺階偏高、動作電流波動較大）數(shù)據(jù)各100組。將數(shù)據(jù)集中的70%作為訓(xùn)練集，剩下的30%作為測試集。

3.2 評價指標(biāo)

為了衡量模型在故障診斷方面的性能，我們選取了準(zhǔn)確率（Accuracy）、精確率（Precision）和召回率（Recall）[6]三個指標(biāo)作為關(guān)鍵的評估標(biāo)準(zhǔn)，三個評價指標(biāo)的計算公式分別如下：

其中，TP表示模型正確地預(yù)測為故障的樣本數(shù)，TN表示模型正確地預(yù)測為正常的樣本數(shù)，F(xiàn)P表示模型錯誤地預(yù)測為故障的樣本數(shù)，F(xiàn)N表示模型錯誤地預(yù)測為正常的樣本數(shù)。

3.3 實(shí)驗(yàn)與結(jié)果分析

首先，實(shí)驗(yàn)階段采用了訓(xùn)練數(shù)據(jù)集對卷積神經(jīng)網(wǎng)絡(luò)（CNN）、長短期記憶網(wǎng)絡(luò)（LSTM）以及它們的組合模型（CNN-LSTM）進(jìn)行了充分的訓(xùn)練。隨后，利用獨(dú)立的測試數(shù)據(jù)集對這三個模型在故障診斷方面的表現(xiàn)進(jìn)行了驗(yàn)證，所得到的評估指標(biāo)包括準(zhǔn)確率、精確度和召回率，具體數(shù)值已匯總至下表所示。

準(zhǔn)確率（Accuracy）是衡量模型整體預(yù)測準(zhǔn)確性的核心指標(biāo)，它反映了模型對所有樣本的綜合判斷能力；精確率（Precision）則側(cè)重于評估模型在識別異常樣本時的精確度，即模型判斷為異常的樣本中實(shí)際異常的比例；而召回率（Recall）則強(qiáng)調(diào)模型在篩查異常時的全面性，即模型成功識別出所有實(shí)際異常樣本的能力。通過分析CNN、LSTM及CNN-LSTM這三個模型的測試結(jié)果，我們可以觀察到CNN-LSTM模型在準(zhǔn)確率、精確率及召回率這三項(xiàng)關(guān)鍵評價指標(biāo)上均達(dá)到了三個模型中的最高水平，這充分證明了相較于單一的診斷模型，該混合模型在鐵路道岔故障診斷中展現(xiàn)出了更為優(yōu)越的性能。

4 診斷系統(tǒng)開發(fā)

基于上述建立的CNN-LSTM鐵路道岔故障診斷模型，設(shè)計并開發(fā)了一套鐵路道岔故障監(jiān)測和診斷系統(tǒng)，以此來對鐵路道岔的工作狀態(tài)進(jìn)行實(shí)時監(jiān)測，對鐵路道岔的故障進(jìn)行診斷。

4.1 系統(tǒng)開發(fā)環(huán)境

系統(tǒng)開發(fā)和運(yùn)行的硬件環(huán)境：CPU：AMD 銳龍 Threadripper 3990X ，內(nèi)存：32G，硬盤：128G；系統(tǒng)開發(fā)的操作系統(tǒng)和運(yùn)行平臺：Windows 8 64位 旗艦版；系統(tǒng)開發(fā)的環(huán)境和工具：IntelliJ IDEA、Eclipse；系統(tǒng)運(yùn)行的支撐環(huán)境和支持軟件：mysql v5.7.19；系統(tǒng)使用的編程語言：Java。

4.2 系統(tǒng)功能架構(gòu)

系統(tǒng)主要包含兩大模塊：故障診斷管理和數(shù)據(jù)處理管理，故障診斷管理模塊中包含有診斷首頁、故障診斷報警、故障預(yù)測預(yù)防和數(shù)據(jù)可視化四項(xiàng)功能，數(shù)據(jù)處理管理模塊中包含有數(shù)據(jù)采集處理、用戶管理權(quán)限和故障歷史記錄三項(xiàng)功能。

4.3 系統(tǒng)功能和特點(diǎn)

該系統(tǒng)運(yùn)用了先進(jìn)的傳感器技術(shù)，并采用了基于CNN-LSTM混合模型的數(shù)據(jù)處理技術(shù)，能夠?qū)崟r監(jiān)測鐵路道岔的運(yùn)行狀態(tài)，包括道岔的位置、速度、電流、電壓等參數(shù)。通過監(jiān)測這些參數(shù)，可以及時發(fā)現(xiàn)道岔的故障，并對其進(jìn)行診斷。該系統(tǒng)具有以下特點(diǎn)：（1）實(shí)時監(jiān)測：系統(tǒng)能夠?qū)崟r監(jiān)測鐵路道岔的運(yùn)行狀態(tài)，及時發(fā)現(xiàn)故障，并對其進(jìn)行診斷。（2）數(shù)據(jù)處理：系統(tǒng)采用了基于CNN-LSTM混合模型的數(shù)據(jù)處理技術(shù)，對監(jiān)測到的數(shù)據(jù)進(jìn)行處理和分析，提取出有用的信息。（3）故障診斷：系統(tǒng)能夠根據(jù)監(jiān)測到的數(shù)據(jù)和歷史數(shù)據(jù)，對道岔的故障進(jìn)行診斷，并給出相應(yīng)的解決方案。（4）預(yù)警功能：系統(tǒng)能夠根據(jù)監(jiān)測到的數(shù)據(jù)和歷史數(shù)據(jù)，對道岔的故障進(jìn)行預(yù)警，及時通知相關(guān)人員進(jìn)行處理。（圖4）

5 結(jié)論

本文結(jié)合CNN與LSTM兩者的優(yōu)勢，構(gòu)建了一種基于CNN-LSTM的混合深度學(xué)習(xí)的鐵路道岔故障診斷模型，通過對鐵路道岔故障信號進(jìn)行深度特征學(xué)習(xí)和時序分析，提升了故障診斷的效果，診斷效果明顯優(yōu)于單一的CNN和LSTM診斷模型。基于混合模型，設(shè)計并開發(fā)了一套鐵路道岔故障監(jiān)測和診斷系統(tǒng)，實(shí)現(xiàn)了對鐵路道岔的實(shí)時監(jiān)測和故障診斷，可以及時發(fā)現(xiàn)故障并對其進(jìn)行診斷，并給出相應(yīng)的解決方案，可為鐵路的安全和高效運(yùn)輸提供一定的參考意義。

基金項(xiàng)目：2023年廣西高校中青年教師科研基礎(chǔ)能力提升項(xiàng)目“基于CNN-LSTM的鐵路道岔故障診斷系統(tǒng)研究”（立項(xiàng)編號：2023KY1437）、2022年柳州鐵道職業(yè)技術(shù)學(xué)院校級項(xiàng)目“基于深度學(xué)習(xí)的鐵路道岔故障診斷系統(tǒng)的開發(fā)與研究”（立項(xiàng)編號：2022-KJB10）。

參考文獻(xiàn)：

[1] Yann Lecun，Leon Bottou，Y. Bengio， et al. Gradient-Based Learning Applied to Document Recognition[J]. Proceedings of the Ieee， 1988， 86（11）： 2278-2324.

[2] Sepp Hochreiter，Jürgen Schmidhuber. Long Short-term Memory[J]. Neural Computation， 1997， 9.

[3]姚競爭，方玉潔，周雪菲.基于CNN-LSTM故障預(yù)測模型的客滾船安全評估研究[J].船電技術(shù)，2024，44（06）：6-10.

[4]何宗博.基于深度學(xué)習(xí)的鐵路道岔轉(zhuǎn)轍機(jī)故障診斷[D].太原：中北大學(xué)，2021.

[5]楊菊花，于苡健，陳光武，司涌波，邢東峰.基于CNN-GRU模型的道岔故障診斷算法研究[J].鐵道學(xué)報，2020，42（07）：102-109.

[6]王成瀚，蘇沛源，張臣宏，等.基于深度CNN-LSTM神經(jīng)網(wǎng)絡(luò)的加工過程實(shí)時異常監(jiān)測模型[J].機(jī)械設(shè)計與研究，2021，37（06）：128-132.