基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的無(wú)絕緣軌道電路調(diào)諧區(qū)故障診斷

田粉霞，楊世武，崔 勇，武 沛

（北京交通大學(xué) 電子信息工程學(xué)院， 北京 100044）

截至2019 年底，我國(guó)高速鐵路里程已達(dá)3.5 萬(wàn)km。作為高鐵基礎(chǔ)設(shè)備，ZPW-2000 系列無(wú)絕緣軌道電路完成全線列車占用檢查，并向車載設(shè)備發(fā)送連續(xù)信息，其功能完整性直接影響列車安全和運(yùn)行效率，其故障診斷的實(shí)時(shí)性具有重要意義。在軌道電路故障診斷方面已開(kāi)展了較多研究[1-2]。調(diào)諧區(qū)作為實(shí)現(xiàn)相鄰兩軌道區(qū)段軌道電路信號(hào)的隔離，且該部分設(shè)備在軌旁1.5 m 的位置[3]，受列車震動(dòng)以及環(huán)境影響，極易發(fā)生故障。當(dāng)調(diào)諧區(qū)設(shè)備發(fā)生故障時(shí)，相鄰兩區(qū)段的信號(hào)會(huì)發(fā)生混頻，機(jī)車可能接收到相鄰軌道區(qū)段的信號(hào)，造成錯(cuò)誤解碼，從而影響列車安全運(yùn)行。當(dāng)列車占用區(qū)間的發(fā)送端調(diào)諧區(qū)設(shè)備故障時(shí)，列車可接收運(yùn)行前方區(qū)段的軌道電路信號(hào)，最嚴(yán)重情況下可能發(fā)生列車追尾事故；當(dāng)列車占用區(qū)間的接收端調(diào)諧區(qū)設(shè)備故障時(shí)，列車可接收運(yùn)行后方區(qū)段的軌道電路信號(hào)，最嚴(yán)重情況下可能導(dǎo)致本區(qū)段及后方區(qū)段列車停車，影響行車效率。因此，調(diào)諧區(qū)設(shè)備是否正常運(yùn)行對(duì)列車運(yùn)行安全及效率將產(chǎn)生直接影響。

文獻(xiàn)[4-5]采用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)調(diào)諧區(qū)設(shè)備的故障診斷，其特征提取方法是通過(guò)對(duì)前4 個(gè)補(bǔ)償電容區(qū)間內(nèi)的信號(hào)進(jìn)行曲線擬合，將擬合結(jié)果輸入到神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障分類，其前期特征提取過(guò)程較復(fù)雜；文獻(xiàn)[6]采用定性趨勢(shì)分析的方法，當(dāng)噪聲較小時(shí)診斷正確率可達(dá)到96.3%，當(dāng)信噪比達(dá)到40 dB 時(shí)，診斷正確率降至65.4%，其診斷結(jié)果易受噪聲的影響；文獻(xiàn)[7]針對(duì)小波閾值去噪可能造成直接去除故障信號(hào)中較小幅度信號(hào)的影響，通過(guò)CEEMD 方法進(jìn)行軌面電壓信號(hào)的特征提取，但僅提取故障特征，需要與分類算法結(jié)合，才能實(shí)現(xiàn)故障診斷。

深度學(xué)習(xí)工具-卷積神經(jīng)網(wǎng)絡(luò)能同時(shí)實(shí)現(xiàn)特征提取及特征分類，且分類準(zhǔn)確率高，在語(yǔ)音識(shí)別、圖像處理、自然語(yǔ)言處理、信息抽取及故障診斷中應(yīng)用廣泛[8-10]。鑒于調(diào)諧區(qū)設(shè)備故障對(duì)機(jī)車信號(hào)電壓的影響與圖像分類中邊緣特征的提取相類似，因此本文采用卷積神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)調(diào)諧區(qū)設(shè)備的故障診斷，該算法可以在集中監(jiān)測(cè)設(shè)備上實(shí)現(xiàn)，當(dāng)設(shè)備未發(fā)生完全松斷時(shí)便可預(yù)測(cè)診斷出故障隱患，實(shí)時(shí)性及預(yù)防效果較好。

1 機(jī)車信號(hào)電壓模型及調(diào)諧區(qū)故障影響分析

1.1 車地結(jié)合故障診斷方案

利用軌道電路地面采集的數(shù)據(jù)，信號(hào)集中監(jiān)測(cè)系統(tǒng)只能實(shí)現(xiàn)部分故障的診斷。為實(shí)現(xiàn)完整的故障診斷，需進(jìn)一步結(jié)合車載設(shè)備采集的數(shù)據(jù)。機(jī)車采集的數(shù)據(jù)存儲(chǔ)在車載列車運(yùn)行監(jiān)控記錄裝置LKJ 中，通過(guò)無(wú)線通信，可將這些數(shù)據(jù)傳輸至地面設(shè)備，由地面設(shè)備完成故障診斷，車地結(jié)合故障診斷[4，11]的實(shí)現(xiàn)過(guò)程如圖1 所示。

圖1 車地結(jié)合故障診斷示意

1.2 機(jī)車信號(hào)電壓模型

為獲取機(jī)車信號(hào)電壓，建立分路狀態(tài)下機(jī)車信號(hào)電壓模型[12-14]，如圖2 所示。

圖2 分路狀態(tài)下機(jī)車信號(hào)電壓模型

圖2 中，Vs為發(fā)送器輸出電平；x為分路點(diǎn)在鋼軌的位置；F(x)為發(fā)送器至分路點(diǎn)間設(shè)備的四端網(wǎng)傳輸矩陣；IR為分路電流；Rf為分路電阻；T(x)為分路點(diǎn)至接收端的傳輸矩陣；ZR為接收器的輸入阻抗；Zi為分路點(diǎn)向接收端的輸入阻抗。

機(jī)車分路電流為：

機(jī)車信號(hào)電壓為：

其中，α為接近于常數(shù)的系數(shù)。

通過(guò)仿真得到調(diào)諧區(qū)無(wú)故障時(shí)機(jī)車信號(hào)電壓，如圖3a 所示；現(xiàn)場(chǎng)從LKJ 中截取的波形如圖3b 所示，信號(hào)-時(shí)間關(guān)系曲線可通過(guò)采樣頻率與速度的關(guān)系轉(zhuǎn)換為信號(hào)-位置關(guān)系[6]。由圖3 可知，仿真值與現(xiàn)場(chǎng)數(shù)據(jù)基本一致；由于仿真模型中發(fā)送端到接收端的方向與現(xiàn)場(chǎng)的方向相反，因此波形的趨勢(shì)相反。

1.3 故障模式對(duì)機(jī)車信號(hào)電壓的影響分析

不同故障模式（BA2、SVA、BA1）下機(jī)車信號(hào)電壓如圖4 所示。仿真實(shí)驗(yàn)獲取的數(shù)據(jù)中，各類故障模式的嚴(yán)重程度見(jiàn)表1。

圖3 機(jī)車信號(hào)電壓

圖4 不同故障類型時(shí)機(jī)車信號(hào)電壓

表1 故障模式嚴(yán)重程度

考慮到機(jī)車信號(hào)電壓補(bǔ)償電容故障及道砟電阻大小等因素的影響，對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充，以補(bǔ)償電容C3 及C9 故障為例說(shuō)明，如圖5a 所示。不同道砟電阻對(duì)機(jī)車信號(hào)電壓的影響如圖5b 所示。

圖5 不同現(xiàn)場(chǎng)條件對(duì)機(jī)車信號(hào)電壓的影響

由調(diào)諧區(qū)的結(jié)構(gòu)組成可知，調(diào)諧區(qū)4 種故障模式對(duì)應(yīng)CNN 分類層4 個(gè)輸出神經(jīng)元的輸出；激活函數(shù)輸出值為1 時(shí)，則輸入信號(hào)屬于該類故障；激活函數(shù)輸出值為0 時(shí)，激活函數(shù)不屬于該類故障。調(diào)諧區(qū)4 類故障模式對(duì)應(yīng)的編碼見(jiàn)表2。

表2 故障模式編碼

2 卷積神經(jīng)網(wǎng)絡(luò)

相對(duì)于前饋神經(jīng)網(wǎng)絡(luò)及BP 神經(jīng)網(wǎng)絡(luò)，CNN 在輸入層后增加了卷積層及池化層，用來(lái)實(shí)現(xiàn)輸入信號(hào)的特征提取及降維。采用BP 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)調(diào)諧區(qū)的故障診斷時(shí)，若直接將采集信號(hào)輸入到算法中，會(huì)導(dǎo)致節(jié)點(diǎn)數(shù)量多，算法復(fù)雜度上升，內(nèi)存占用率高；若降低輸入信號(hào)的維度，則需要人為確定故障特征顯著的區(qū)域， 并通過(guò)擬合等方法確定故障特征，數(shù)據(jù)前期處理過(guò)程較為繁瑣。通過(guò)CNN 實(shí)現(xiàn)故障診斷時(shí)，卷積層可實(shí)現(xiàn)輸入信號(hào)的特征提取，并通過(guò)設(shè)置池化層參數(shù)實(shí)現(xiàn)輸入信號(hào)的降維。

2.1 特征提取

試驗(yàn)中區(qū)間軌道電路每隔1 m 生成一組數(shù)據(jù)，卷積神經(jīng)網(wǎng)絡(luò)單個(gè)輸入數(shù)據(jù)維度為1×1 200，輸出信號(hào)的維度為1×w；其中，w的計(jì)算公式為：

其中，m為卷積核的大小，p為補(bǔ)零的圈數(shù)，s為卷積層的采樣步長(zhǎng)。輸出信號(hào)值的計(jì)算公式[10]為：

yl，k，i為第l 層卷積層第k個(gè)卷積核的第i個(gè)輸出，W為第l 層卷積層的第k個(gè)卷積核的權(quán)值，xj為第l層卷積層的輸入信號(hào)，為第l 層卷積層的第k個(gè)神經(jīng)元的偏置。卷積層的激活函數(shù)f常采用relu 函數(shù)：

原始輸入數(shù)據(jù)經(jīng)卷積層進(jìn)行特征提取后，其特征向量維度較高；因此，在盡量保持原特征的條件下，通過(guò)池化層降低特征向量的維度。常用的池化層方法有平均池化、最大池化和重疊池化，本文選擇最大池化。若池化層的采樣步長(zhǎng)為s2，池化的區(qū)間大小為k2，輸出信號(hào)的維度為1×((w+2p)/s2)，則第S層池化層中輸入為第k個(gè)卷積核的輸出的第j個(gè)輸出值的計(jì)算公式為：

2.2 故障分類

池化后特征向量的維度通常大于分類層輸入信號(hào)的維度。因此，池化后增加全連接層，以實(shí)現(xiàn)池化層到分類層的維度轉(zhuǎn)換。分類層通過(guò)softmax 函數(shù)實(shí)現(xiàn)輸入特征的分類，函數(shù)形式為：

其中，F(xiàn)(Xi)為輸入信號(hào)xi屬于每種故障的概率值，各元素之和為1，F(xiàn)5j為全連接層的輸出。

通過(guò)目標(biāo)函數(shù)的最小化實(shí)現(xiàn)權(quán)值及偏置的優(yōu)化，目標(biāo)函數(shù)為：

其中，y′i為實(shí)際標(biāo)簽中的第i個(gè)值。

權(quán)值及偏置的更新過(guò)程分別為式（9）和式（10）：

其中，α為學(xué)習(xí)率。為保證快速得到一個(gè)較優(yōu)的解，開(kāi)始訓(xùn)練時(shí)使用較大學(xué)習(xí)率，然后通過(guò)迭代逐步減小學(xué)習(xí)率，使模型在訓(xùn)練后期更加穩(wěn)定；加入指數(shù)衰減學(xué)習(xí)率，其計(jì)算公式為：

其中，α0為初始學(xué)習(xí)率，取值范圍為[0，1]；r為衰減系數(shù)；c為當(dāng)前迭代次數(shù)；s為衰減速度。

鑒于輸入信號(hào)維度較高，采用兩層卷積層及兩層池化層實(shí)現(xiàn)輸入信號(hào)的特征提取；第2 池化層后連接兩層全連接層，第1 層全連接層實(shí)現(xiàn)特征向量到輸出向量間的個(gè)數(shù)轉(zhuǎn)換，第2 層全連接層用來(lái)實(shí)現(xiàn)故障分類。在模型訓(xùn)練過(guò)程中，采用dropout 函數(shù)提高模型的泛化能力，防止模型出現(xiàn)過(guò)擬合，同時(shí)減少需要訓(xùn)練的參數(shù)，可縮短模型的訓(xùn)練時(shí)間。

3 仿真實(shí)驗(yàn)與診斷結(jié)果分析

通過(guò)Matlab 仿真，獲取軌道電路正常情況下以及不同故障在不同故障嚴(yán)重程度條件下的數(shù)據(jù)總共2 112 條，仿真實(shí)驗(yàn)中相關(guān)參數(shù)設(shè)置見(jiàn)表3。訓(xùn)練集數(shù)據(jù)越多，模型精度越高。因此，按照訓(xùn)練集：測(cè)試集=9：1的比例對(duì)模型進(jìn)行訓(xùn)練，訓(xùn)練步驟為1 500步，初始學(xué)習(xí)率為0.001。

表3 測(cè)試參數(shù)設(shè)置

基于TensorFlow 框架實(shí)現(xiàn)CNN，仿真及訓(xùn)練過(guò)程中使用的計(jì)算機(jī)處理器為Intel(R) Core(TM)i5-4200U CPU@1.60 GHz。

3.1 減小錯(cuò)誤標(biāo)簽對(duì)診斷結(jié)果的影響

故障診斷中使用的數(shù)據(jù)集標(biāo)簽是人為標(biāo)記的，因而難免存在數(shù)據(jù)標(biāo)簽錯(cuò)誤的情況。當(dāng)上述情況發(fā)生時(shí)，loss 值較正常值偏差較大，會(huì)對(duì)參數(shù)的學(xué)習(xí)過(guò)程產(chǎn)生影響，如圖6 所示。

圖6 含錯(cuò)誤標(biāo)簽數(shù)據(jù)的損失函數(shù)變化

numpy 中的remove 函數(shù)無(wú)法刪除二維數(shù)組中的一維數(shù)據(jù)，因此采用構(gòu)建錯(cuò)誤標(biāo)簽數(shù)據(jù)集的方法，可減小錯(cuò)誤標(biāo)簽數(shù)據(jù)對(duì)訓(xùn)練過(guò)程的影響，實(shí)現(xiàn)流程如圖7 所示。

圖7 訓(xùn)練集中錯(cuò)誤標(biāo)簽數(shù)據(jù)識(shí)別流程

訓(xùn)練過(guò)程中加入圖7 所示的流程后，Loss 值的變化如圖8 中曲線l1 所示，波動(dòng)明顯減小，消除了錯(cuò)誤標(biāo)簽在下一次訓(xùn)練過(guò)程中對(duì)訓(xùn)練過(guò)程的影響；曲線l2 為刪除上述錯(cuò)誤標(biāo)簽數(shù)據(jù)后的Loss 圖。由圖8 可知，兩條曲線基本一致，即可以減小錯(cuò)誤數(shù)據(jù)標(biāo)簽對(duì)診斷結(jié)果的影響。

圖8 去除錯(cuò)誤標(biāo)簽數(shù)據(jù)損失函數(shù)變化

3.2 減小錯(cuò)誤標(biāo)簽對(duì)診斷結(jié)果的影響

在CNN 中，特征提取通過(guò)卷積層實(shí)現(xiàn)，卷積核的個(gè)數(shù)、大小及采樣長(zhǎng)度對(duì)診斷準(zhǔn)確率及模型訓(xùn)練時(shí)間有直接影響。因此，通過(guò)對(duì)該些參數(shù)的對(duì)比分析，選擇當(dāng)前條件下最優(yōu)的參數(shù)。

3.2.1 卷積核個(gè)數(shù)對(duì)診斷結(jié)果的影響

當(dāng)卷積核大小為1×2，采樣步長(zhǎng)為1×1，不同卷積核個(gè)數(shù)時(shí)的診斷結(jié)果見(jiàn)表4。

表4 卷積核個(gè)數(shù)對(duì)診斷結(jié)果的影響

由表4 可知，當(dāng)?shù)? 層（第1 卷積層）和第3 層（第2 卷積層）的卷積核個(gè)數(shù)分別大于8 和16 時(shí)，診斷準(zhǔn)確率基本保持不變，訓(xùn)練時(shí)間變長(zhǎng)，即算法復(fù)雜度的繼續(xù)增加對(duì)診斷結(jié)果無(wú)正向影響；因此，第1層和第3 層的卷積核個(gè)數(shù)分別選擇為8 和16。

3.2.2 卷積核大小對(duì)采樣結(jié)果的影響

當(dāng)?shù)? 層（第1 卷積層）和第3 層（第2 卷積層）的卷積核個(gè)數(shù)分別為8 和16、采樣步長(zhǎng)為1×1 時(shí)，不同卷積核大小對(duì)應(yīng)的診斷結(jié)果見(jiàn)表5。

表5 卷積核大小對(duì)診斷結(jié)果的影響

由表5 可知，卷積核越大，需要訓(xùn)練的參數(shù)越多，模型訓(xùn)練的時(shí)間越長(zhǎng)，且卷積核越大，容易造成局部特征的損失，故障診斷準(zhǔn)確率降低。

3.2.3 采樣步長(zhǎng)對(duì)診斷結(jié)果的影響

當(dāng)?shù)? 層（第1 卷積層）和第3 層（第2 卷積層）的卷積核分別為8 和16、卷積核大小為1×2 時(shí)，不同采樣步長(zhǎng)對(duì)應(yīng)的診斷結(jié)果見(jiàn)表6。

表6 采樣步長(zhǎng)對(duì)診斷結(jié)果的影響

由式（3）可知，采樣步長(zhǎng)對(duì)卷積層輸出信號(hào)維度的影響按比例變化；當(dāng)采樣步長(zhǎng)變長(zhǎng)時(shí)，輸出信號(hào)的個(gè)數(shù)減少，可訓(xùn)練參數(shù)的個(gè)數(shù)也減少，算法的復(fù)雜度降低，訓(xùn)練時(shí)間迅速減少，但輸入信號(hào)及第1層池化層的局部特征量損失嚴(yán)重，診斷準(zhǔn)確率降低。

通過(guò)對(duì)比分析上述參數(shù)，在保證診斷準(zhǔn)確率的條件下，為降低算法復(fù)雜度，縮短模型訓(xùn)練時(shí)間，最終確定卷積層的參數(shù)為：第1 層（第1 卷積層）的卷積核個(gè)數(shù)為8，大小為1×2，采樣長(zhǎng)度為1×2；第3層（第2 卷積層）的卷積核個(gè)數(shù)16，大小為1×2，采樣步長(zhǎng)為1×2。對(duì)應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)模型如圖9 所示。

圖9 卷積神經(jīng)網(wǎng)絡(luò)模型

圖9 中，f1(x) 為卷積層激活函數(shù)，本文采用ReLU 函數(shù)；f2(x) 為池化層運(yùn)算函數(shù)，本文采用Max_pool 函數(shù)；全連接層F5中增加Dropout 函數(shù)，以防止模型在訓(xùn)練過(guò)程中出現(xiàn)過(guò)擬合，神經(jīng)元被選中的概率值設(shè)置為0.5；f3(x)為分類層激活函數(shù)，本文中用softmax 函數(shù)。當(dāng)信噪比為60 dB 時(shí)，診斷結(jié)果見(jiàn)表7。

表7 訓(xùn)練集及測(cè)試集診斷結(jié)果

3.3 不同干擾環(huán)境下的診斷結(jié)果

由表8 可知，當(dāng)SNR=60 dB 時(shí)，測(cè)試集診斷準(zhǔn)確率可達(dá)到98.96%。由于軌道電路讀取器（TCR，Track Circuit Receiver）通過(guò)電磁感應(yīng)的方式接受軌道電路中的差模信號(hào)電流，易受不平衡牽引電流及環(huán)境噪聲的影響，因此對(duì)比分析不同信噪比條件下的診斷準(zhǔn)確率。

由表8 可知，卷積神經(jīng)網(wǎng)絡(luò)對(duì)噪聲具有較強(qiáng)的承受能力，在上述仿真實(shí)驗(yàn)條件中，當(dāng)噪聲由60 dB增大到40 dB 時(shí)，測(cè)試集診斷正確率下降約為1%，即在噪聲干擾條件下，測(cè)試數(shù)據(jù)仍具有較高診斷正確率。

表8 信噪比對(duì)診斷結(jié)果的影響

4 結(jié)束語(yǔ)

采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)軌道電路調(diào)諧區(qū)進(jìn)行故障診斷研究，得出如下結(jié)論：

（1）在補(bǔ)償電容故障、不同道砟電阻的情況下仍然能識(shí)別出故障。針對(duì)現(xiàn)場(chǎng)不同道砟電阻及可能出現(xiàn)的補(bǔ)償電容故障對(duì)機(jī)車信號(hào)電壓的影響，對(duì)機(jī)車信號(hào)電壓數(shù)據(jù)集進(jìn)行補(bǔ)充，診斷結(jié)果表明算法可以實(shí)現(xiàn)不同環(huán)境下故障模式的識(shí)別。

（2）錯(cuò)誤數(shù)據(jù)標(biāo)簽的處理。對(duì)算法進(jìn)行訓(xùn)練的數(shù)據(jù)是人為標(biāo)記的，其中可能存在故障數(shù)據(jù)與標(biāo)簽不一致的現(xiàn)象，對(duì)模型參數(shù)訓(xùn)練及診斷準(zhǔn)確率均會(huì)造成影響。通過(guò)建立錯(cuò)誤標(biāo)簽數(shù)據(jù)集，并在下一次訓(xùn)練過(guò)程中剔除該數(shù)據(jù)集，可以減小錯(cuò)誤標(biāo)簽的影響，診斷結(jié)果表明該方法的有效性。

（3）噪聲環(huán)境下故障診斷的有效性。TCR 通過(guò)電磁感應(yīng)的方式獲取軌道電路信號(hào)，會(huì)受到不同程度噪聲的影響；對(duì)不同噪聲程度下的故障進(jìn)行分類，結(jié)果表明：當(dāng)噪聲達(dá)到40 dB 時(shí)，診斷準(zhǔn)確率為97.92%，即該診斷方法對(duì)噪聲具有較強(qiáng)的承受能力。