地鐵閘機扇門機構(gòu)故障時間序列預測研究

步春辰，王亞平，閆雅斌

（1. 南京理工大學 機械工程學院，南京 210094；

2. 廣州地鐵集團有限公司 運營事業(yè)總部，廣州 510330）

在地鐵營運的高峰時段，站臺人流量大且非常密集。若地鐵閘機出現(xiàn)故障不及時修復，車站通行效率將大幅降低，且增加安全隱患。

時間序列預測通過將某一現(xiàn)象統(tǒng)計指標的數(shù)值按時間先后順序形成數(shù)列，從中分析發(fā)現(xiàn)該現(xiàn)象隨時間變化的規(guī)律，得出一定的模式，并基于此模式預測該現(xiàn)象將來的情況。時間序列預測在經(jīng)濟、金融、工程等領(lǐng)域有著廣泛的應用[1-2]。產(chǎn)品的故障時間序列作為重要的可靠性指標，能夠反映產(chǎn)品故障的動態(tài)演化過程。目前，常用的分析故障時間序列預測的方法有：自回歸移動平均（ARIMA，Autoregressive Integrated Moving Average）[3]、奇 異 譜 分 析（SSA，Singular Spectrum Analysis）[4]、支持向量回歸（SVR，Support Vector machines Regression）[5]、人工神經(jīng)網(wǎng)絡(luò)[6]（ANN，Artificial Neural Network）等。

本文采用CNN+LSTM 混合神經(jīng)網(wǎng)絡(luò)，對地鐵閘機扇門機構(gòu)故障時間序列預測進行研究，以期準確掌握故障規(guī)律，制定合理的維修計劃，減少應急維修頻次，保障地鐵車站運營可靠性和安全性。

1 機器學習相關(guān)研究及應用

機器學習模型在過去幾年中取得顯著進步，在軌道交通領(lǐng)域已有不少應用。茅飛[7]使用ARIMA 模型預測分析閘機口各個時段的客流量，合理安排工作人員，疏導城市交通，并調(diào)節(jié)閘機參數(shù)，提高其工作效率；徐文文等人[8]針對列車供電系統(tǒng)無法有效擬合和預測受電弓滑板的磨損趨勢問題，利用優(yōu)化的SVR 對其進行預測，提升受電弓的效能；李建偉等人[9]采用BP 神經(jīng)網(wǎng)絡(luò)對故障數(shù)據(jù)進行學習訓練，檢測學習相關(guān)度，預測城市軌道交通車輛的可靠性。

作為機器學習的熱門分支，深度學習逐漸被應用到故障時間序列的研究中。常見的深度學習診斷模型包括深度自動編碼器、遞歸神經(jīng)網(wǎng)絡(luò)和長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）等[10]。LSTM 擅長學習具有長程依賴關(guān)系的時間序列數(shù)據(jù)，對識別高維時間序列中的長程依賴性和時序性具有明顯優(yōu)勢，而卷積神經(jīng)網(wǎng)絡(luò)（CNN）[11]適合處理具有統(tǒng)計平穩(wěn)性和局部關(guān)聯(lián)性的數(shù)據(jù)。基于CNN+LSTM 混合神經(jīng)網(wǎng)絡(luò)的時間序列預測已在多個領(lǐng)域得到應用，如圖像識別、自然語言處理、智能電表故障檢測[12]、能源資產(chǎn)能量預測、設(shè)備剩余使用壽命預測[13]等方面，具有精度高、適用性廣、可拓展的特點。

目前，國內(nèi)尚未見針對地鐵閘機故障時間序列預測分析的相關(guān)研究。

2 基于CNN+LSTM 的故障時間序列預測方法2.1 CNN

用于時間序列預測的典型CNN 由1 個用于提取特征圖的單卷積層、1 個用于特征圖二次采樣的單合并層及1 個用于學習輸出的完全連接層組成。

令X={X1,···,XN},Xi=[x1,···,xT]T作為具有N個樣本和T個嵌入維的輸入時間序列，且Yi=[xT+1,···,xT+H]T是具有H個預測范圍的相應輸出序列，帶有C 的卷積濾波器可以表示為：

2.2 LSTM

LSTM 由3 個門組成，分別為遺忘門、輸入門和輸出門。

遺忘門是sigmod函數(shù)的常用單元，用于決定保留或者刪除現(xiàn)有信息；通過ht?1和xt輸出值ft（0～1）來表示細胞狀態(tài)Ct?1，0 表示完全與學習值脫節(jié)，1則表示保留完整的值，輸出公式為：

其中，bf為常數(shù)， σ表 示sigmod函數(shù)。

輸入門決定是否將新信息添加至LSTM 中，由sigmod層和tanh層組成；sigmod層決定哪些值需要更新替換，tanh層為新候選值創(chuàng)建一個向量并添加到LSTM 中，這些信息更新到現(xiàn)有細胞信息中，可表達為：

其中，it表 示該值是否需要更新，表示新候選值的向量，ht?1表示細胞輸出。

輸入門為LSTM 的存儲提供更新，使用遺忘門將舊值（i，ct?1） 相乘，然后加上新的候選值來忘記當前值，可表達為：

輸出門通過sigmod層來決定LSTM 內(nèi)存的哪一部分對輸出做出貢獻，再使用非線性tanh函數(shù)將向量值映射至?1 和1 之間，最后將結(jié)果乘以sigmod函數(shù)并輸出，可表達式為：

其中，ot表示輸出值，ht表示介于?1 和1 之間的值，W和b分 別指代各狀態(tài)的權(quán)重和偏置量。

2.3 基于CNN+LSTM 的故障時間序列預測

基于從簡設(shè)計循環(huán)神經(jīng)網(wǎng)絡(luò)的原則，分析高維多變量時間序列數(shù)據(jù)，構(gòu)建基于CNN+LSTM 的時間序列預測模型，其整體框架如圖1 所示，包括輸入層、隱藏層、輸出層及Adam 優(yōu)化4 個功能模塊。

其中，輸入層完成閘機故障數(shù)據(jù)的采集和處理；隱藏層采用CNN+LSTM 構(gòu)建循環(huán)神經(jīng)網(wǎng)絡(luò)，采用經(jīng)過歸一化的特征數(shù)據(jù)，通過卷積層和池化層，提取出數(shù)據(jù)中重要特征后，輸入到多層結(jié)構(gòu)的LSTM 網(wǎng)絡(luò)中，并利用全連接層中Dropout（全連接層中的一個功能）來防止過擬合，提升模型泛化能力；再經(jīng)Adam 算法優(yōu)化和損失計算，最后通過輸出層進行迭代，輸出預測結(jié)果。

圖1 基于CNN+LSTM 的時間序列預測模型框架

具體算法描述如下：

（1）以月為單位，通過滑動窗口訓練，采用歸一化數(shù)據(jù)集輸入，迭代次數(shù)epochs設(shè)置，從卷積層獲取特征向量x，I={i|xi≠0}， 將x輸入，進行卷積與池化操作得到特征向量y，使用ReLU 函數(shù)激活，即maxpooling(?w+b)通過池化層輸入LSTM 神經(jīng)網(wǎng)絡(luò)。

（2）通過LSTM 神經(jīng)網(wǎng)絡(luò)，將輸出概率ht輸入ReLU 函數(shù)中，得到0～1 之間的值，設(shè)置閾值后對結(jié)果進行分類，并將結(jié)果與樣本標簽進行比對，計算交叉熵損失函數(shù)，并使用Adam 優(yōu)化算法對權(quán)值進行優(yōu)化，即有：

（3）按照上述步驟調(diào)整輸入，結(jié)束前向傳播，得到預測輸出值。再利用真實值，進行反向傳播并更新參數(shù)，完成訓練。

3 閘機扇門機構(gòu)故障數(shù)據(jù)分析與度量指標

采用某型號地鐵閘機2015年—2019年期間237條在役閘機的扇門機構(gòu)故障記錄，包括站點及閘機編號、故障時間、故障原因、故障現(xiàn)象、電機運行電流、線纜連接是否穩(wěn)固、扇門門體與中門間隙值、運行噪聲值、扇門主要機構(gòu)動作是否正常等數(shù)據(jù)。

對故障時間序列中的冗余數(shù)據(jù)和空值進行清洗，移除冗余數(shù)據(jù)，采用均值對空值進行填充。

故障率指工作到t時刻尚未失效的產(chǎn)品，在t時刻后的單位時間內(nèi)發(fā)生失效的概率，記為 λ(t)。對于有限樣本，設(shè)樣本數(shù)目為N，經(jīng)過時間t有n(t)個樣本失效，而在 (t+?t)時 刻產(chǎn)品的失效數(shù)為n(t+?t)，則故障率估計值為：

地鐵閘機發(fā)生故障后，會更換故障模塊，被更換的模塊返廠維修，相當于總體樣本在維修后進行了一次更新。本文近似的認為下一個周期（單位時間）的故障率約等于故障數(shù)除以樣本總數(shù)。

經(jīng)整理得到包含70 個數(shù)據(jù)點的月度故障時間序列數(shù)據(jù)，如圖2 可知，隨著不斷的維修，閘機系統(tǒng)級故障率總體呈上升趨勢。

圖2 某型號閘機月度故障時間序列數(shù)據(jù)

故障率樣本分組方式：故障率樣本總數(shù)為n，將其分為m個 組；每組包含n?m+1個 值，其中前n?m個值為訓練用輸入樣本，第n?m+1個值為期望映射；m個 組中前k組用于訓練，后m?k組用于檢測。

如表1 所示，將這70 條數(shù)據(jù)分成60 組，每組包含11 個值；前10 個值為訓練用輸入樣本，第11個值為期望映射；60 組數(shù)據(jù)中，前40 組用來訓練，后20 組進行檢測。

表1 故障率數(shù)據(jù)分組

為評價預測模型的預測準確性，選擇3 個統(tǒng)計指標：均方根誤差（RMSE）、平均絕對誤差（MAE）和測定系數(shù)（R2）。

其中，n為 樣本數(shù)，yt表示真實值，為預測值，表示閘機門機構(gòu)故障數(shù)據(jù)真值的均值。

RMSE 和MAE 接近0 意味著性能更好，而R2接近1 則性能更佳。

4 預測結(jié)果與分析

4.1 實驗環(huán)境配置

實驗環(huán)境配置見表2。

表2 實驗環(huán)境配置

4.2 參數(shù)調(diào)節(jié)

為獲得最優(yōu)結(jié)果，需要調(diào)節(jié)故障時間序列預測模型中多個超參數(shù)，主要包括：卷積核的大小、CNN 的移動步長、激活函數(shù)的選取、CNN 的深度、LSTM 的步長、隱藏層節(jié)點數(shù)、Dropout 值和優(yōu)化方法的選取。經(jīng)測試發(fā)現(xiàn)，CNN 的移動步長、CNN 的深度、LSTM 的隱藏層節(jié)點數(shù)、每次訓練所選取的樣本數(shù)對預測結(jié)果的影響較大。經(jīng)實驗對比，CNN+LSTM 故障時間序列預測模型的參數(shù)設(shè)置見表3。

4.3 結(jié)果分析

本文采用故障率指標對數(shù)據(jù)集中每條故障數(shù)據(jù)進行歸一化，并將數(shù)據(jù)集隨機分為2 組：訓練數(shù)據(jù)集（占70%）和驗證數(shù)據(jù)集（占30%）。經(jīng)預訓練，從規(guī)范化故障數(shù)據(jù)中提取時序特征，利用預測模型所準備的數(shù)據(jù)進行再訓練。

為評估CNN+LSTM 混合神經(jīng)網(wǎng)絡(luò)時間序列預測模型的性能，與CNN、LSTM 及ARIMA 這3 種單一預測模型進行比較，結(jié)果如圖3～圖6 所示，表4 列出了這4 種模型預測結(jié)果準確性的對比。

圖3 CNN+LSTM 模型的預測結(jié)果與真實值對比

圖4 ARIMA 模型的預測結(jié)果與真實值對比

由表4 可知：

（1）ARIMA 模型要求時序數(shù)據(jù)（不論是否經(jīng)過差分化）具備穩(wěn)定性，即只能捕捉線性關(guān)系，未考慮地鐵閘機工作中各種復雜變量所帶來的影響，其RMSE 和MAE 指標上的表現(xiàn)都是最差的。

圖5 CNN 模型的預測結(jié)果與真實值對比

圖6 LSTM 模型的預測結(jié)果與真實值對比

表4 4 種模型預測結(jié)果準確性對比

（2）CNN 模型與LSTM 模型的預測效果及各項性能指標均相差不大，但由于訓練數(shù)據(jù)量不足，CNN 與LSTM 圖像分析的中后期均出現(xiàn)一定的滯后現(xiàn)象；CNN 僅考慮當前輸入，不具備記憶功能，會丟失部分信息，也會忽略局部與整體之間的關(guān)聯(lián)性；LSTM 因具有全局性記憶功能，但在訓練大數(shù)據(jù)量時，需要更高的硬件條件。

（3）CNN+LSTM 混合神經(jīng)網(wǎng)絡(luò)模型利用CNN通道提取時序特征，并通過LSTM 輸出到全連接層，以獲得預測信息，其性能優(yōu)于其它單一模型；相比CNN 模型和LSTM 模型，其RMSE 值分別提升6.45%與7.11%，R2值分別提升8.96%與15.87%。

5 結(jié)束語

構(gòu)建基于CNN+LSTM 混合神經(jīng)網(wǎng)絡(luò)的故障時間序列預測模型，利用某型號地鐵閘機扇門機構(gòu)的故障數(shù)據(jù)，以降低預測誤差為目標，調(diào)節(jié)模型參數(shù)，對高維故障數(shù)據(jù)進行特征提取，經(jīng)神經(jīng)網(wǎng)絡(luò)迭代訓練后輸出預測結(jié)果；并與ARIMA、CNN 和LSTM 模型的預測結(jié)果進行對比，結(jié)果表明：CNN+LSTM 混合神經(jīng)網(wǎng)絡(luò)時間序列預測模型的預測結(jié)果準確性較高，具有較好的應用前景。

研究成果可用于支持地鐵閘機維修計劃的制定和優(yōu)化，減少應急維護頻次，保障地鐵車站運營的可靠性與安全性。