基于深度學習的轉(zhuǎn)轍機故障診斷方法研究

王一凡，阿克選，劉凱偉，許玉超，韋 巍

(1.鄭州地鐵集團有限公司運營分公司，河南 鄭州 450000；2.廣西大學 計算機與電子信息學院，廣西 南寧 530004)

ZDJ9型轉(zhuǎn)轍機是國內(nèi)自主研制的電動轉(zhuǎn)轍機，廣泛應用于城市軌道交通中的道岔轉(zhuǎn)換過程，一旦發(fā)生故障將嚴重影響軌道交通的安全運營。目前，運營部門大多采取故障維修和定期維護相結(jié)合的方法對其進行設備健康管理，通過微機監(jiān)控設備調(diào)閱道岔功率、電流曲線和夜間巡檢記錄轉(zhuǎn)轍機拉力參數(shù)，人工目測判別設備當前的運行狀況，造成作業(yè)無針對性、工作任務量大、故障診斷效率較低等問題，為節(jié)約維修成本和減少作業(yè)時間，傳統(tǒng)維修方式逐步向?qū)崟r狀態(tài)維修過度[1]。

轉(zhuǎn)轍機故障診斷的研究逐步從便攜式測試儀到在線實時檢測發(fā)展，通常包括信號采集、特征提取、特征選擇和故障分類4個步驟[2]，將傳感器系統(tǒng)采集的狀態(tài)信號，以專業(yè)的先驗知識進行特征提取，如使用灰色關聯(lián)[3]、隱馬爾可夫模型[4]和支持向量機[5]等算法作為故障診斷的識別分類器，訓練機器學習模型進行設備故障診斷。傳統(tǒng)故障診斷方法在信號處理分析時相對復雜，準確性大多取決于提取故障特征的表征度，割裂了特征提取與故障分類的聯(lián)系，缺乏實用性和通用性[6]。

隨著大數(shù)據(jù)與人工智能的發(fā)展，在故障診斷領域打開了傳統(tǒng)算法在實際應用中的瓶頸[7]。孫迪鋼[8]將轉(zhuǎn)轍機功率曲線數(shù)據(jù)繪制成曲線圖像送入CNN模型進行故障識別，分類精度達到99%，但訓練時間較長；楊菊花[9]等人運用小波變換將轉(zhuǎn)轍機功率、電流曲線組合成矩陣送入CNN-GRU模型完成故障診斷，準確率達95%，但在處理過程中易造成信息丟失，從而影響精度；孫孟雷[10]通過提取功率信號形狀特征，轉(zhuǎn)化成灰度圖像矩陣作為CNN模型的輸入，正確率達99%，但數(shù)據(jù)量高，造成計算量增大；池毅[11]等人將功率曲線原始數(shù)據(jù)直接送入1DCNN模型進行故障診斷，準確率達99%，但在訓練過程中容易出現(xiàn)過擬合的問題。

以上研究大多基于微機系統(tǒng)監(jiān)測的功率曲線，不能直觀判斷轉(zhuǎn)轍機拉力的受力大小與方向，而轉(zhuǎn)轍機牽引力表現(xiàn)受力情況和機械性能，反映道岔轉(zhuǎn)換過程的受阻情況，因此，本文選擇直觀反映道岔實時工作狀態(tài)的拉力信號進行研究。

1 ZDJ9轉(zhuǎn)轍機工作原理及故障分析

ZDJ9轉(zhuǎn)轍機通過連接桿和連接銷與道岔相連，提供動力操縱道岔，形成轉(zhuǎn)轍機解鎖、動作、鎖閉3個階段[12]。動作過程中各階段故障表現(xiàn)的差異性較大，與轉(zhuǎn)換力大小變化有著相互對應的關系，就牽引力監(jiān)測方面，可通過銷式無線傳感器進行實時獲取，本文實驗使用的采集設備來自某城市軌道交通公司下屬轉(zhuǎn)轍機智能實驗室，采集過程如圖1 所示。

(a)轉(zhuǎn)轍機試驗臺測試情況

1.1 正常拉力曲線分析

ZDJ9轉(zhuǎn)轍機正常工作的牽引力曲線如圖2 所示，在解鎖區(qū)拉力呈上升趨勢，出現(xiàn)最大值，在動作區(qū)平穩(wěn)拉動尖軌，曲線數(shù)值穩(wěn)定無突變，尖軌密貼鎖閉時，拉力值回彈后逐漸下降，以此完成單方向道岔動作過程，再次操作轉(zhuǎn)轍機拉回道岔的曲線與此前成對稱關系，動作曲線趨勢特征隨不同環(huán)境和參數(shù)設置而發(fā)生變化，細節(jié)處肉眼難以看出，因此通過人工判別轉(zhuǎn)轍機工作狀態(tài)的效率較低。

(a)正反操作時拉力曲線

1.2 故障拉力曲線分析

轉(zhuǎn)轍機故障分為電氣故障和機械故障，而90%以上屬于機械故障，主要表現(xiàn)為動作階段和時間異常、牽引力異常突起等，本文主要對6種典型故障現(xiàn)象進行總結(jié)，見表1 所示。

表1 ZDJ9轉(zhuǎn)轍機不同拉力故障總結(jié)

2 基于1DCNN-LSTM故障診斷方法

2.1 一維卷積神經(jīng)網(wǎng)絡基本原理

卷積神經(jīng)網(wǎng)絡主要由卷積層、激活函數(shù)、池化層、全連接層組成，卷積層主要作用是提取數(shù)據(jù)的局部特征，激活函數(shù)的主要作用是將卷積層處理過的數(shù)據(jù)進行非線性的映射，增強整個網(wǎng)絡的表達能力，池化層的作用是將特征的尺度進行縮減，最后由全連接層將提取到的特征進行連接以完成分類[13]。

古代建筑多為亭臺樓閣，這就為士人們提供了很好的“憑欄”場所。登高望遠向來為士人所推崇。登上樓閣，由于四面鏤空，作者可以遠眺，登高望遠就能感受自身的渺小與天地的廣大，情感也就隨之而來。建筑的形態(tài)為“憑欄”意向提供了客觀的條件，而建筑的精美又為士人提供了審美的情趣。由此產(chǎn)生了“登高必賦”的思想感情。這其實是之前“登山臨水”的繼承與發(fā)展。士人本身對于現(xiàn)實的不滿，卻又無處發(fā)泄，所以他們在很多時候都需要一種心靈的寄托，而周圍建筑中最能滿足士人，又不需要花費時間去遠離市區(qū)登山臨水，登樓便自然而言成了滿足他們心理需要的場所。

1DCNN模型的訓練過程分為前向傳播和反向傳播兩個過程，前向傳播的公式為

(1)

(2)

反向傳播過程根據(jù)模型輸出以及序列標簽構(gòu)建損失函數(shù)，并以最小化損失函數(shù)為目標計算其梯度通過反向傳播算法逐層反饋，借助梯度下降算法更新每層網(wǎng)絡的參數(shù)。常用損失函數(shù)為均方誤差函數(shù)，公式為

(3)

反向傳播的目的是找到使損失函數(shù)最小的網(wǎng)絡參數(shù)配置，以最小化損失函數(shù)為目標，使用鏈式求導法則更新偏置和權(quán)重，使模型盡量擬合訓練數(shù)據(jù)，公式為

(4)

模型通過前向和反向傳播這兩個環(huán)節(jié)，迭代參數(shù)和優(yōu)化損失函數(shù)直到訓練結(jié)束，其實質(zhì)是構(gòu)建多個能夠提取輸入數(shù)據(jù)特征的濾波器，通過這些濾波器對輸入數(shù)據(jù)進行逐層濾波及池化，逐級提取隱藏在數(shù)據(jù)之中的拓撲結(jié)構(gòu)特征。

2.2 長短期記憶網(wǎng)絡基本原理

長短期記憶網(wǎng)絡是循環(huán)神經(jīng)網(wǎng)絡架構(gòu)的變體，能夠保存信息防止較早期的信號在處理過程中逐漸消失，若將神經(jīng)元傳播過程比做一條傳送帶，其運行方向平行于待處理的序列，其中的信息可以在任意位置跳上傳送帶，然后被傳送到更晚的時間步，并在需要時原封不動地回歸[14]，公式為

ft=σ(Wf×[ht-1,xt]+bf)，

(5)

it=σ(Wi×[ht-1,xt]+bi)，

(6)

ot=σ(Wo×[ht-1,xt]+bo)，

(7)

at=tanh(Wa×[ht-1,xt]+ba)，

(8)

ct=gfct-1+itat，

(9)

ht=ottanh(ct)，

(10)

式中：σ表示sigmoid激活函數(shù)；ft，it，ot分別表示遺忘門、輸入門和輸出門；ht表示隱藏狀態(tài)；at表示候選單元；ct表示記憶單元，使得LSTM單元有保存、讀取、重置和更新長距離歷史信息的能力。

2.3 1DCNN-LSTM網(wǎng)絡模型

本文提出一種基于1DCNN-LSTM的故障診斷算法，使模型以端到端的方式傳遞，能夠快速并準確地對轉(zhuǎn)轍機拉力故障進行診斷，診斷流程如圖3 所示，具體步驟為：

圖3 1DCNN-LSTN模型故障診斷整體流程

2)將數(shù)據(jù)集劃分為訓練集、驗證集和測試集；

3)設置1DCNN-LSTM模型的初始參數(shù)；

4)使用訓練集訓練模型，通過執(zhí)行前向傳播和反向傳播來調(diào)整參數(shù)，直至驗證集的準確率達到滿意，可保存此時的模型參數(shù)；反之，繼續(xù)進行參數(shù)調(diào)整；

5)使用測試集驗證訓練好的模型，評估模型的故障診斷能力。

借助轉(zhuǎn)轍機智能測試臺，解決故障數(shù)據(jù)相比于正常數(shù)據(jù)較少的矛盾。在拉力數(shù)據(jù)采集過程中，傳感器在轉(zhuǎn)轍機動作時間內(nèi)捕獲點數(shù)約為160個，對長度不同的數(shù)據(jù)進行補零處理，滿足輸入格式一致的要求。通過現(xiàn)場測量和仿真擬合獲取6類故障狀態(tài)數(shù)據(jù)，與正常狀態(tài)數(shù)據(jù)分別添加標簽0～6，每種類型均采集至300組數(shù)據(jù)，然后將數(shù)據(jù)集劃分為訓練集、驗證集和測試集，比例為6∶2∶2，保持數(shù)據(jù)分布的一致性。

為進一步確定模型參數(shù)，驗證不同大小和數(shù)量的卷積核以及其他參數(shù)的變化對于該診斷模型的影響，以包含一層卷積層的基礎模型為框架，在其他條件不變的情況下，通過改變尺寸分析參數(shù)變化對模型診斷性能的影響，不同超參數(shù)性能比較見表2 所示。

表2 不同超參數(shù)性能比較

通過適當增加卷積核的數(shù)量和大小，可以更好地捕獲序列特征，提高準確率，但過度增加卷積核的尺寸和堆疊卷積層的數(shù)量，不僅使得運算復雜化，還會使準確率降低，通過比較得到1DCNN-LSTM模型結(jié)構(gòu)和參數(shù)，分別如圖4 和表3 所示。

圖4 1DCNN-LSTM模型結(jié)構(gòu)

表3 1DCNN-LSTM模型參數(shù)

3 實驗結(jié)果和分析

實驗算法編程由Python3.7實現(xiàn)，運用Anaconda工具包中的Jupyter Notebook實現(xiàn)實驗結(jié)果分析和數(shù)據(jù)分析可視化，算法框架為Keras深度學習，加入Adam優(yōu)化器，學習率設置為0.001。圖5 為該模型對應的混淆矩陣，圖中數(shù)字為模型對測試樣本的識別率，表明運用該模型對故障分類診斷具有較高的準確率和穩(wěn)定性。

圖5 診斷結(jié)果混淆矩陣

準確率和損失函數(shù)曲線如圖6 所示，在訓練過程中，損失函數(shù)值不斷下降，證明它正趨于收斂，準確率的值不斷增加，通過實驗結(jié)果可以看出，隨著迭代次數(shù)的增加，在迭代6輪之后，模型準確率已經(jīng)穩(wěn)定，達到100%，并且在后續(xù)訓練中保持穩(wěn)定，具有快速的收斂速度，測試過程中，在經(jīng)過8次迭代后，沒有出現(xiàn)波動區(qū)間，準確率和損失函數(shù)曲線較為平滑穩(wěn)定。

圖6 1DCNN-LSTM網(wǎng)絡模型準確率和損失函數(shù)曲線圖

使用t分布隨機鄰域嵌入(T-SNE)技術，對分類效果進行可視化處理，如圖7 所示，在最后一個卷積層的輸出中，故障樣本之間的距離比較近，而后加入LSTM層后分類結(jié)果變得更為清晰，結(jié)果表明，卷積層對序列特征提取能力強，在故障分類方面存在局限性，采用LSTM算法可以提高故障分類能力。

圖7 T-SNE可視化

將實驗模型分別與表4 中不同模型進行訓練測試對比，結(jié)果表明，1DCNN-LSTM模型不僅可以用來故障診斷，而且診斷準確率較其他模型較高。

表4 不同模型準確率比較

4 結(jié) 論

本文將1DCNN-LSTM模型應用于ZDJ9轉(zhuǎn)轍機拉力故障診斷，根據(jù)實驗結(jié)果可以得到以下結(jié)論：

1)1DCNN作為神經(jīng)網(wǎng)絡模型可以學習數(shù)據(jù)在整體結(jié)構(gòu)上的特征，并進行特征提取，避免人工特征提取造成的主觀因素影響，通過加入LSTM層提取時序特征，完成目標信號的特征提取和分類，實現(xiàn)端到端的故障診斷。

2)1DCNN-LSTM模型能夠自適應學習故障特征，挖掘傳感器采集信號的原始有效信息，通過對比不同模型，運用本模型的測試集準確率較高，并具有較快的收斂性和穩(wěn)定性。

3)1DCNN-LSTM模型計算復雜度較低，為轉(zhuǎn)轍機故障分析和狀態(tài)檢修提供輕量級模型，滿足現(xiàn)場快速分析的需要，改變傳統(tǒng)依靠技術經(jīng)驗的檢測方式，保障檢修的及時性。

4)選用拉力信號可以直觀、準確地反映設備運行狀態(tài)，及時發(fā)現(xiàn)工況變化對道岔轉(zhuǎn)換的影響，使得轉(zhuǎn)換力穩(wěn)定保持在合理區(qū)間，實現(xiàn)檢修和運維的智能化。