高速鐵路接觸網(wǎng)隔離開關故障監(jiān)測策略

（中鐵第五勘察設計院集團有限公司，北京 102600）

1 研究現(xiàn)狀

深度學習強大的自動特征提取能力，為暫態(tài)信號辨識、故障信息的提取提供了新的思路。數(shù)據(jù)驅(qū)動下的新一代人工智能由傳統(tǒng)的知識表示轉(zhuǎn)向深度、自主知識學習，不再需要人的過多干預，展現(xiàn)出更加智能的一面。深度學習作為機器學習的一個新的重要的分支，近年來在語音圖像識別、目標特征檢測、文本處理等領域中取得了跨越性的進展，快速成為人工智能技術(shù)的研究熱點。深度學習思想最早建立在模擬人腦對聲音、圖像、文本等信號處理的機理上，以圖像為例，首先檢測邊緣、初始形狀，再逐步形成更復雜的視覺形狀。深度學習可以理解為多隱含層的神經(jīng)網(wǎng)絡，通過學習一種深層非線性網(wǎng)絡結(jié)構(gòu)實現(xiàn)對任意復雜函數(shù)的逼近，表征數(shù)據(jù)的分布式表示。深度學習重點突出網(wǎng)絡的深層結(jié)構(gòu)和特征的自動學習，通過組合低層特征形成更加抽象的高層表示，更深的層次使其具有更強的自動提取數(shù)據(jù)特征的能力。目前，普遍為人所接受的深度學習模型包括卷積神經(jīng)網(wǎng)絡、基于受限玻爾茲曼機的深度信念網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、基于自動編碼器的堆疊自動編碼器等。

當前，在高速電氣化鐵道領域，深度學習的研究與應用已逐步展開，其中應用較為頻繁的深度學習網(wǎng)絡模型包括：CNN、RNN、DBN和SAE，主要應用的領域包括電力設備（如隔離開關、變壓器、斷路器等）的故障診斷、電力設備圖像辨識、電力系統(tǒng)暫態(tài)穩(wěn)定的評估、電力大數(shù)據(jù)融合與電能質(zhì)量擾動的辨識、異常診斷等。在電氣化鐵道領域不同的場景下，深度神經(jīng)網(wǎng)絡DBN、SAE、CNN均體現(xiàn)了強大的自動提取數(shù)據(jù)特征能力。例如，在電力設備的故障診斷方面，傳統(tǒng)模式識別方法進行故障診斷時，存在故障特征依靠人為主觀選取的不足，人工智能技術(shù)的超強特征識別能力可提升其故障診斷能力。深度學習作為時下熱門的理論研究方向，在圖像分析，類型識別等方面應用廣泛，Caffe框架是當前廣泛使用的深度學習工具。文獻[1]結(jié)合了深度學習與Caffe框架的應用，對接觸網(wǎng)絕緣子破損狀態(tài)進行了檢測，使得深度學習在接觸網(wǎng)檢測方面有了具體應用并提供了新的識別、檢測思路。根據(jù)高壓隔離開關電機電流信號的混沌性質(zhì)，結(jié)合卷積神經(jīng)網(wǎng)絡的特性，可有效提取特征值并進行訓練和測試，為高壓隔離開關的機械性能的準確有效檢測提供可行性。

Zynq是Xilinx公司推出的一個可擴展處理平臺，其將高性能兩ARM Cortex-A9 MP Core處理器系統(tǒng)作為“主處理器”，與低功耗的28 nm工藝技術(shù)相結(jié)合，以實現(xiàn)超強的配置功能、高性能和超高的靈活性。由于新型芯片的可編程邏輯PL部分是基于賽靈思28 nm七系列的FPGA，因此在該系列產(chǎn)品的名稱中添加了“-7000”，以保持與七系列FPGA的同步，為以后的新產(chǎn)品命名提供了方便。賽靈思公司推出的Zynq-7000 SoC系列芯片高度集成了ARM處理器的軟件可編程能力和FPGA強大的硬件可編程能力，由ARM cortex-A9 MPCore處理器+28 nm七系列FPGA構(gòu)成，內(nèi)部集成PS和PL，可實現(xiàn)硬件加速和重要的算法，在單個芯片上高度集成DSP、CPU以及混合信號的功能。另外，采用HPL28 nm和HKMG工藝，保證了其高性能的同時具有更低的功耗。Xilinx在自身的工具中對IP驅(qū)動以及l(fā)inux內(nèi)核等做好了軟件支持，使其在Linux環(huán)境下編譯卷積神經(jīng)網(wǎng)絡算法更加快捷，效率較高。

2 技術(shù)升級策略

為了實現(xiàn)對接觸網(wǎng)高壓隔離開關故障的快速精確識別，在Caffe框架下搭建神經(jīng)網(wǎng)絡結(jié)構(gòu)（CNN），導入Zynq-7000 SoC平臺，獲得FPGA硬件加速計算。

2.1 隔離開關電機電流參數(shù)

通過采集各種工況下隔離開關電機電流數(shù)據(jù)，在每個類別中采集500組信號作為樣本集，其中400組信號作為訓練集，100組信號作為測試集，以驗證算法性能。隔離開關的電流信號如圖1所示。

圖1 隔離開關的電流信號

由圖1可知，故障情況不同，電機電流信號波形的各個波峰時間間隔不同，波形峰值出現(xiàn)的時間節(jié)點也不盡相同，以此作為區(qū)分正常情況、輕微卡澀、嚴重卡澀，彈簧失效以及合閘不到位的重要特征。

通過對上述電機電流信號波形圖進行VGG核函數(shù)解析，代入訓練集學習高壓隔離開關電機電流信號在正常情況、合閘不到位、卡澀和彈簧失效等情況的特征，與測試集進行比對測試結(jié)果，其平均準確率和過擬合比率如表1所示。

表1 數(shù)據(jù)集測試結(jié)果

以合閘不到位情況為例，合閘不到位的平均準確率和過擬合率變化如圖2、圖3所示。

圖2 合閘不到位的平均準確率變化圖

圖3 合閘不到位的過擬合率變化圖

由圖2、圖3可知，合閘不到位的平均準確率和過擬合隨學習時間的變化情況，隨著學習時間的推移，卷積神經(jīng)網(wǎng)絡CNN算法對高壓隔離開關機械故障診斷的分類逐漸明顯，平均準確率已經(jīng)達到90%，且過擬合率穩(wěn)定在1左右，符合預期目標。在測試集中，合閘不到位情況的擬合曲線十分接近，進一步表明卷積神經(jīng)網(wǎng)絡算法的分類效果十分明顯。

2.2 性能評估

從運行時間來看，基于Zynq-7000 SoC的CNN算法運行時間在（9.62±1.25） ns的范圍內(nèi)，相比其他算法實現(xiàn)了更加高速運行的優(yōu)勢，CNN算法時間性能情況如表2所示。

表2 基于Zynq-7000的CNN算法時間性能評價表

本文算法分析了CNN算法在系統(tǒng)延遲方面的性能，系統(tǒng)延遲可較好的反應算法的處理速度，基于Zynq-7000的CNN算法延遲性能評價表如表3所示。

表3 基于Zynq-7000的CNN算法延遲性能評價表

表3說明該算法能夠得到較快的執(zhí)行速度和數(shù)據(jù)吞吐量。

CNN算法的資源利用率表如表4所示。

表4 CNN算法資源利用率表

由表4可以看出，除了查找表（LUT）項使用的資源較多外，其他項的資源占用均可忽略。從整體上看，基于Zynq-7000 SoC的CNN算法實現(xiàn)是高效且資源占用率低的。

3 結(jié)語

本文基于Zynq-7000 SoC加速的CNN算法對高壓隔離開關電機電流診斷識別展開實現(xiàn)，從資源利用率估計、算法時間性能、算法延遲性能等方面對實現(xiàn)的算法進行評估?；赯ynq-7000 SoC平臺實現(xiàn)的CNN算法，從資源利用率角度、算法運行效率來看，均比基于傳統(tǒng)實現(xiàn)的算法有優(yōu)勢。