基于深度學(xué)習(xí)的無絕緣軌道電路故障診斷研究

謝旭旭, 戴勝華

(北京交通大學(xué) 電子信息工程學(xué)院，北京 100044)

軌道電路是列車運(yùn)行控制系統(tǒng)的重要組成部分，對(duì)保證列車安全運(yùn)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(gòu)成復(fù)雜且工作環(huán)境惡劣，是鐵路信號(hào)系統(tǒng)中的薄弱環(huán)節(jié)，故障發(fā)生概率較高且故障現(xiàn)象存在多樣性[1]。目前，現(xiàn)場主要采用定期維護(hù)維修方式排查軌道電路隱患，憑借工作人員經(jīng)驗(yàn)進(jìn)行故障診斷，此種方式會(huì)導(dǎo)致故障處理時(shí)間長、效率低；另外，維修人員的勞動(dòng)強(qiáng)度增大，易出現(xiàn)診斷失誤[2]，影響區(qū)間列車運(yùn)行。因此，引入智能診斷算法來輔助現(xiàn)場人員進(jìn)行故障診斷就變得尤為重要。

近幾年來，隨著機(jī)器學(xué)習(xí)、智能算法的興起，國內(nèi)外的學(xué)者將大量智能技術(shù)引入軌道電路的故障診斷中，取得了眾多研究成果。文獻(xiàn)[3]針對(duì)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(jìn)行逐層故障判別。文獻(xiàn)[4]通過在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加入模糊理論的方式，可以準(zhǔn)確識(shí)別軌道電路故障。文獻(xiàn)[5]在模糊認(rèn)知圖中加入屬性約簡和自適應(yīng)遺傳算法對(duì)故障數(shù)據(jù)進(jìn)行預(yù)處理，可以對(duì)ZPW-2000A軌道電路的故障進(jìn)行有效診斷。文獻(xiàn)[6]以TCR接收信號(hào)的幅值趨勢(shì)為特征，采用分段計(jì)算查找特定值和一階導(dǎo)數(shù)二次判別相結(jié)合的方式實(shí)現(xiàn)對(duì)補(bǔ)償電容故障的快速診斷。文獻(xiàn)[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(duì)25 Hz相敏軌道電路進(jìn)行故障診斷。

本文在軌道電路故障模式的基礎(chǔ)上，結(jié)合深度信念網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)建立軌道電路的故障診斷模型。該模型利用深度信念網(wǎng)絡(luò)無監(jiān)督分層訓(xùn)練算法，重組故障數(shù)據(jù)網(wǎng)絡(luò)體系中的分布，通過有監(jiān)督訓(xùn)練對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行微調(diào)，實(shí)現(xiàn)最優(yōu)特征參數(shù)的提取，再以BP神經(jīng)網(wǎng)絡(luò)作為分類器，實(shí)現(xiàn)對(duì)軌道電路的故障診斷。仿真測試結(jié)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(wǎng)絡(luò)

近年來，基于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)引起了廣泛關(guān)注，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支，它使用由多個(gè)非線性轉(zhuǎn)換組成的模型結(jié)構(gòu)對(duì)數(shù)據(jù)中的高級(jí)抽象進(jìn)行建模[8-9]。深度信念網(wǎng)絡(luò)由Hinton[10]在 2006年提出，它的出現(xiàn)成功解決了深層結(jié)構(gòu)的參數(shù)空間搜索問題。在結(jié)構(gòu)上，DBN由簡單的學(xué)習(xí)模塊堆疊而成，每個(gè)學(xué)習(xí)模塊是具有兩層特征檢測單元的受限玻爾茲曼機(jī)(Restricted Boltzmann Machine, RBM)。圖1是由2個(gè)RBM組成的DBN模型，DBN在訓(xùn)練時(shí)采用逐層訓(xùn)練的方式，學(xué)習(xí)過程包含前向堆疊RBM學(xué)習(xí)和反向調(diào)優(yōu)學(xué)習(xí)。

圖1 DBN結(jié)構(gòu)示意

1.1 前向堆疊RBM學(xué)習(xí)

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(quán)重W對(duì)稱連接，同一層各神經(jīng)元之間相互獨(dú)立，只有激活和未激活兩種狀態(tài)，利用二進(jìn)制的0和1表示。對(duì)于一個(gè)二進(jìn)制的RBM，給定可見單元v的狀態(tài)和模型參數(shù)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(jīng)元vi和隱含層hj的偏置；Wij為可見層與隱含層神經(jīng)元之間的權(quán)重；m和n為可見層和隱含層神經(jīng)元的個(gè)數(shù)；θ={W,a,b}代表模型參數(shù)。

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(shù)，定義為

( 4 )

訓(xùn)練RBM的主要目的是為了在概率分布P(v,h)達(dá)到最大值時(shí)確定出網(wǎng)絡(luò)模型的參數(shù)θ={W,a,b}，因此，需采用極大似然法對(duì)下式進(jìn)行最大化，進(jìn)而求取參數(shù)θ[11]。

( 5 )

采用隨機(jī)梯度上升算法來最大化對(duì)數(shù)似然函數(shù)，通過迭代的方式進(jìn)行參數(shù)更新，迭代公式為

( 6 )

對(duì)參數(shù)θ求偏導(dǎo)得

( 7 )

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

圖2 CD算法訓(xùn)練RBM

參數(shù)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(xué)習(xí)率；Edata(·)為偏導(dǎo)函數(shù)在P(h|v)分布下的期望；Erecon(·)為偏導(dǎo)函數(shù)在重構(gòu)模型分布下的期望。

文獻(xiàn)[12]通過數(shù)值實(shí)驗(yàn)證明，CD-1算法在計(jì)算時(shí)間和計(jì)算效果上都有顯著的優(yōu)勢(shì)，基于CD-1的RBM訓(xùn)練過程為：

Step1確定參數(shù)，包括樣本集x=[x1,x2,x3,…,xn]T，學(xué)習(xí)率α，隱含層節(jié)點(diǎn)數(shù)m。

Step2參數(shù)初始化。

可視層v0=x

Wij=0.1×randn(m,n)

a=zeros(1,m)

b=zeros(1,n)

Step3訓(xùn)練數(shù)據(jù)。

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(shù)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(jīng)元的初始狀態(tài)；v1為CD-1重構(gòu)后可視層神經(jīng)元狀態(tài)；h0與h1同理。

1.2 反向調(diào)優(yōu)過程

前向RBM的堆疊學(xué)習(xí)屬于無監(jiān)督學(xué)習(xí)過程，而有監(jiān)督學(xué)習(xí)是將無監(jiān)督學(xué)習(xí)到的結(jié)果作為輸入?yún)?shù)的初始化。單層RBM網(wǎng)絡(luò)僅能保證網(wǎng)絡(luò)層輸入輸出映射的最佳關(guān)系，模型的反向傳播函數(shù)能對(duì)整個(gè)DBN網(wǎng)絡(luò)和RBM網(wǎng)絡(luò)進(jìn)行微調(diào)。反向調(diào)優(yōu)是從DBN網(wǎng)絡(luò)模型的最后一層出發(fā)，利用已知標(biāo)簽逐步對(duì)每個(gè)RBM參數(shù)進(jìn)行微調(diào)，重復(fù)反向傳播算法直至達(dá)到預(yù)設(shè)的最大迭代次數(shù)。反向調(diào)優(yōu)可使DBN的分類效果得到進(jìn)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(jīng)網(wǎng)絡(luò)。當(dāng)DBN與BPNN進(jìn)行結(jié)合時(shí)，RBM無監(jiān)督訓(xùn)練產(chǎn)生的參數(shù)被看作是BP神經(jīng)網(wǎng)絡(luò)參數(shù)的初始值，可以很好地解決BP神經(jīng)網(wǎng)絡(luò)訓(xùn)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(gòu)成

ZPW-2000A軌道電路由主軌道和調(diào)諧區(qū)兩部分組成，并將調(diào)諧區(qū)視為列車運(yùn)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(wǎng)絡(luò)、匹配變壓器、調(diào)諧單元、空閑線圈、補(bǔ)償電容、衰耗器、接收器、軌道繼電器構(gòu)成[1]。ZPW-2000A軌道電路通過發(fā)送器將不同含義的低頻信號(hào)送入主軌道區(qū)段和小軌道電路。低頻信號(hào)分兩路進(jìn)行傳輸，一路直接送至本區(qū)端接收器，另一路通過調(diào)諧區(qū)送至運(yùn)行前方相鄰軌道區(qū)段的接收器，并將檢查后的調(diào)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(qū)動(dòng)軌道繼電器動(dòng)作，由此判定軌道區(qū)段的空閑和占用。ZPW-2000A軌道電路結(jié)構(gòu)見圖3。

圖3 ZPW-2000A軌道電路結(jié)構(gòu)

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(bào)警故障和無報(bào)警故障。發(fā)送器和接收器發(fā)生故障時(shí)，移頻報(bào)警繼電器YBJ落下，引發(fā)聲光報(bào)警，稱為有報(bào)警故障，有警故障可以快速鎖定故障范圍。無報(bào)警故障則需要維修人員根據(jù)實(shí)際情況結(jié)合自身經(jīng)驗(yàn)進(jìn)行判斷。本文結(jié)合現(xiàn)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(wǎng)絡(luò)設(shè)計(jì)

3.1 故障數(shù)據(jù)獲取

診斷算法所需的數(shù)據(jù)包含兩部分，即訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)。其中，訓(xùn)練集數(shù)據(jù)樣本必須包含所有的故障模式。軌道電路的正常數(shù)據(jù)可以在信號(hào)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(xiàn)場信號(hào)集中監(jiān)測參量中共有6個(gè)監(jiān)測量，主要針對(duì)室內(nèi)設(shè)備，分別為發(fā)送電壓、發(fā)送電流、電纜側(cè)發(fā)送電壓、電纜側(cè)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(xiàn)有監(jiān)測量的基礎(chǔ)上增加對(duì)室外調(diào)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(gè)電壓電流監(jiān)測量作為軌道電路故障數(shù)據(jù)的特征集。

3.2 故障診斷網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

基于DBN的軌道電路故障診斷模型基本結(jié)構(gòu)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(cè)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(cè)接收電壓M10、主軌入電壓M11、主軌出電壓M12這12個(gè)特征組成的原始故障數(shù)據(jù)集。中間部分是若干個(gè)不同RBM的堆疊，輸出則對(duì)應(yīng)到軌道電路的故障模式F1～F15，由Softmax根據(jù)DBN計(jì)算結(jié)果判定出最終的故障類型。由于本文DBN模型的監(jiān)督學(xué)習(xí)過程采用了BP神經(jīng)網(wǎng)絡(luò)算法，因此，軌道電路故障診斷網(wǎng)絡(luò)模型可稱為DBN-BPNN。

3.3 DBN-BPNN訓(xùn)練過程

DBN-BPNN整體流程見圖5所示，主要過程為：

Step1設(shè)置DBN基本參數(shù)，包括RBM模型中連接權(quán)重值W，可視層與隱含層神經(jīng)元的偏置a，b；學(xué)習(xí)率的設(shè)置包括RBM無監(jiān)督學(xué)習(xí)的學(xué)習(xí)率和反向微調(diào)算法中的學(xué)習(xí)率，學(xué)習(xí)率決定著網(wǎng)絡(luò)的學(xué)習(xí)速度。

Step2故障數(shù)據(jù)歸一化處理，計(jì)算公式為[16]

(11)

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

圖4 DBN故障分類模型

Step3對(duì)故障數(shù)據(jù)劃分訓(xùn)練集和測試集。

Step4使用CD-1算法對(duì)RBM進(jìn)行逐層學(xué)習(xí)，完成整個(gè)DBN模型的訓(xùn)練，得到權(quán)重值。

Step5以Step4得到的權(quán)重值作為BP神經(jīng)網(wǎng)絡(luò)模型的初始參數(shù)，根據(jù)標(biāo)簽層結(jié)合反向調(diào)整算法達(dá)到DBN參數(shù)微調(diào)的目的。

圖5 DBN-BPNN訓(xùn)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(jù)不同的故障模式采集相應(yīng)的故障數(shù)據(jù)，形成故障數(shù)據(jù)集。

Step2對(duì)故障數(shù)據(jù)集進(jìn)行歸一化處理，使每一維的數(shù)據(jù)處于[0,1]之間。

Step3按一定比例劃分出訓(xùn)練集和測試集。

Step4對(duì)DBN-BPNN分類器進(jìn)行訓(xùn)練，得到DBN-BPNN故障分類模型。

Step5使用測試集數(shù)據(jù)對(duì)Step4得到的分類模型進(jìn)行測試。

Step6對(duì)診斷結(jié)果進(jìn)行分析。

4 仿真實(shí)驗(yàn)結(jié)果分析

在仿真實(shí)驗(yàn)過程中，以軌道電路理論模型故障數(shù)據(jù)為依據(jù)，以3.2節(jié)中的M1～M12作為DBN-BPNN診斷模型的特征參數(shù)。故障樣本共1 160組，故障類型為F1～F15，共15種，F(xiàn)1～F15為表1中的故障代碼。在1 160組故障數(shù)據(jù)中，15種故障類別在訓(xùn)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(diǎn)為M1～M12，輸出層由15個(gè)節(jié)點(diǎn)構(gòu)成診斷結(jié)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(nèi)部結(jié)構(gòu)的構(gòu)建目前沒有理論依據(jù)和經(jīng)驗(yàn)可循，一般而言節(jié)點(diǎn)層數(shù)越多越易挖掘數(shù)據(jù)的特征分布，但超過一定數(shù)量后易產(chǎn)生過擬合現(xiàn)象，影響模型分類效果，需單獨(dú)研究[13]。

對(duì)于隱含層神經(jīng)元個(gè)數(shù)的選擇也難于確定，具體數(shù)目的選擇具有較強(qiáng)的主觀性，可參考文獻(xiàn)[17]中的經(jīng)驗(yàn)公式，為

(12)

式中：m為輸入層神經(jīng)元個(gè)數(shù)；n為輸出層神經(jīng)元個(gè)數(shù)；c為[0,10]之間的常數(shù)。

此外，在進(jìn)行RBM訓(xùn)練前，連接權(quán)重W以及可視層、隱含層神經(jīng)元的偏置要進(jìn)行初始化操作，本文采用極小值隨機(jī)初始化，具體如下

Wij=0.1×randn(m,n)

a=zeros(1,m)

b=zeros(1,n)

同時(shí)，考慮到算法的穩(wěn)定性和收斂速度，文獻(xiàn)[10]中給出了其他相關(guān)參數(shù)的設(shè)置，其中，前向RBM學(xué)習(xí)中的學(xué)習(xí)率和反向微調(diào)中的學(xué)習(xí)率均采用常用值0.1，初步設(shè)定迭代次數(shù)100次。為避免參數(shù)初始化時(shí)隨機(jī)數(shù)對(duì)DBN-BPNN模型分類效果的影響，重復(fù)進(jìn)行20次實(shí)驗(yàn)，取其平均值最為最終的識(shí)別結(jié)果。

4.1 DBN參數(shù)對(duì)結(jié)果的影響

在DBN參數(shù)中，隱含層的層數(shù)以及網(wǎng)絡(luò)的迭代次數(shù)均會(huì)對(duì)實(shí)驗(yàn)結(jié)果的精度造成影響，為此，分別對(duì)兩者進(jìn)行研究，選取最佳參數(shù)組合。

表3 不同層數(shù)下DBN-BPNN分類能力

從表3可以看出，DBN為3層時(shí)DBN-BPNN對(duì)軌道電路的故障類型識(shí)別率較高，當(dāng)層數(shù)為4時(shí)，故障識(shí)別率達(dá)到最高，為94.954%，當(dāng)層數(shù)繼續(xù)增加時(shí)，模型出現(xiàn)了過擬合現(xiàn)象，識(shí)別率降低。綜合考慮訓(xùn)練時(shí)間和故障識(shí)別率，基于DBN-BPNN的軌道電路故障診斷模型最佳結(jié)構(gòu)為4層。

在DBN-BPNN網(wǎng)絡(luò)模型訓(xùn)練過程中，迭代次數(shù)是影響故障識(shí)別率的另一因素。圖6是在4層DBN模型下，經(jīng)DBN-BPPNN計(jì)算后，軌道電路故障識(shí)別率與迭代次數(shù)的關(guān)系。

圖6 迭代次數(shù)與故障識(shí)別率的關(guān)系

由圖6可知，初始迭代時(shí)，故障分類正確率低于60%，隨著迭代次數(shù)的增加，正確率逐步提升，當(dāng)?shù)螖?shù)超過200次后，正確率趨于穩(wěn)定，因此本文選取的迭代次數(shù)為200次。

4.2 DBN-BPNN故障識(shí)別結(jié)果

通過對(duì)隱含層層數(shù)和迭代次數(shù)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(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)此模型得到的故障識(shí)別結(jié)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(shí)別率如表4所示。

表4 不同故障模式下的識(shí)別率

從表4可以看出，利用DBN-BPNN網(wǎng)絡(luò)模型進(jìn)行故障診斷時(shí)，平均故障識(shí)別率可達(dá)95.34%，每種故障模式的識(shí)別率都高于76%，說明該模型性能良好，故障識(shí)別率高。

5 結(jié)束語

針對(duì)無絕緣軌道電路故障存在復(fù)雜性、隨機(jī)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(jù)ZPW-2000A無絕緣軌道電路的構(gòu)成選取12個(gè)監(jiān)測量作為DBN模型的故障證據(jù)向量，利用DBN的前向RBM學(xué)習(xí)算法重組故障數(shù)據(jù)的特征分布，發(fā)現(xiàn)數(shù)據(jù)的內(nèi)部特征，并結(jié)合BP神經(jīng)網(wǎng)絡(luò)構(gòu)建出四層DBN-BPNN分類模型。仿真結(jié)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(shí)別率。