基于DCDAE-BiLSTM 模型的轉(zhuǎn)轍機(jī)故障診斷方法研究

劉可興，黃海于

在地鐵運(yùn)營(yíng)信號(hào)系統(tǒng)中，當(dāng)列車(chē)遇到分叉路口時(shí)，需通過(guò)扳動(dòng)道岔來(lái)選擇不同路線(xiàn)，因此轉(zhuǎn)轍機(jī)的控制和維護(hù)極其重要，其動(dòng)作的正常與否直接影響地鐵行車(chē)安全。由于轉(zhuǎn)轍機(jī)機(jī)械結(jié)構(gòu)復(fù)雜，且處于室外，容易受外界環(huán)境的影響，據(jù)統(tǒng)計(jì)在信號(hào)設(shè)備發(fā)生的故障中，轉(zhuǎn)轍機(jī)故障約占信號(hào)故障總數(shù)的30%［1］，故障率較高。

近年來(lái)，國(guó)內(nèi)外學(xué)者對(duì)道岔轉(zhuǎn)轍機(jī)的故障診斷做了許多研究，如：劉新發(fā)等［2］以道岔轉(zhuǎn)轍機(jī)的功率數(shù)據(jù)作為輸入，提取不同故障模式下的特征矩陣，采用模糊聚類(lèi)算法，從上述特征矩陣中求解模糊等價(jià)矩陣，并將其轉(zhuǎn)變?yōu)椴紶柧仃嚕玫絼?dòng)態(tài)聚類(lèi)圖后完成故障診斷；LEE 等［3］利用所采集的轉(zhuǎn)轍機(jī)音頻數(shù)據(jù)作為提取特征，采用聲學(xué)分析法對(duì)轉(zhuǎn)轍機(jī)進(jìn)行故障診斷，試驗(yàn)證明該方法具有較高的準(zhǔn)確率；黃世澤等［4］總結(jié)不同轉(zhuǎn)轍機(jī)故障的功率曲線(xiàn)特點(diǎn)，采用基于弗雷歇距離定義的相似函數(shù)完成故障診斷。上述方法主要是依靠人工提取故障信號(hào)特征，但道岔轉(zhuǎn)轍機(jī)結(jié)構(gòu)復(fù)雜，影響因素繁多，導(dǎo)致相同故障模式下信號(hào)有不同的表現(xiàn)形式，所以很難提取到有效特征，造成這些算法在實(shí)際情況下泛化能力不強(qiáng)。

隨著深度學(xué)習(xí)的發(fā)展，非線(xiàn)性函數(shù)自動(dòng)映射能力已廣泛應(yīng)用于故障診斷領(lǐng)域，如：唐維華等［5］構(gòu)建了LSTM 網(wǎng)絡(luò)形成道岔故障，但需要大量有標(biāo)簽數(shù)據(jù)集進(jìn)行訓(xùn)練；陳欣昌等［6］構(gòu)建了深度自編碼器模型，實(shí)現(xiàn)機(jī)械故障診斷，通過(guò)試驗(yàn)驗(yàn)證方法有效；薛嫣等［7］通過(guò)對(duì)故障信號(hào)提取時(shí)頻域以及熵特征，構(gòu)建堆疊稀疏自編碼網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，來(lái)提高故障診斷準(zhǔn)確率，但自編碼網(wǎng)絡(luò)在特征提取階段，僅僅是無(wú)監(jiān)督地對(duì)原始輸入數(shù)據(jù)進(jìn)行重構(gòu)，無(wú)法保證所提取的抽象特征與所識(shí)別的故障類(lèi)型的關(guān)聯(lián)性；習(xí)晨博等［8］采用堆疊去噪自動(dòng)編碼器與BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，試驗(yàn)證明準(zhǔn)確率更高；徐子弘等［9］采用自編碼器提取不同故障信號(hào)的高階抽象特征，并將該特征作為其他分類(lèi)器的輸入，完成了早期的故障診斷。

基于以上研究，本文以S700K 型道岔轉(zhuǎn)轍機(jī)作為研究對(duì)象，應(yīng)用深度學(xué)習(xí)技術(shù)，對(duì)信號(hào)集中監(jiān)測(cè)系統(tǒng)中所收集的功率數(shù)據(jù)進(jìn)行分析，利用深度卷積降噪自編碼器與循環(huán)神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，完成轉(zhuǎn)轍機(jī)故障診斷。此外，由于自編碼器中的隱藏層采用全連接神經(jīng)神經(jīng)網(wǎng)絡(luò)，訓(xùn)練時(shí)間復(fù)雜度偏高，而卷積神經(jīng)網(wǎng)絡(luò)因其權(quán)值共享等特點(diǎn)，訓(xùn)練時(shí)間復(fù)雜度較低，因此將自編碼器改進(jìn)為一維卷積神經(jīng)網(wǎng)絡(luò)，經(jīng)試驗(yàn)證明該方法可以進(jìn)一步提高準(zhǔn)確率。

1 道岔轉(zhuǎn)轍機(jī)工作原理及故障類(lèi)型

S700K型道岔轉(zhuǎn)轍機(jī)三相交流電動(dòng)機(jī)的工作拉力為

式中：η為電動(dòng)機(jī)效率；Re為轉(zhuǎn)轍機(jī)傳動(dòng)系統(tǒng)等效力臂；p為輸出功率；n為電動(dòng)機(jī)轉(zhuǎn)速。

由式（1）可得，S700K 轉(zhuǎn)轍機(jī)的動(dòng)力與其功率呈線(xiàn)性關(guān)系，功率值的改變反映了工作拉力的變化，所以轉(zhuǎn)轍機(jī)的運(yùn)行情況可以通過(guò)其輸出工作拉力的變化表示［10］。據(jù)此，本文選取功率數(shù)據(jù)作為研究對(duì)象，通過(guò)研究轉(zhuǎn)轍機(jī)正常功率數(shù)據(jù)和不同故障模式下的功率數(shù)據(jù)，完成S700K 型道岔轉(zhuǎn)轍機(jī)的故障診斷。

2 故障診斷方法設(shè)計(jì)

通過(guò)對(duì)SDAE-BiLSTM 算法的堆疊式降噪自編碼網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，提出了深度卷積降噪自編碼器——雙向長(zhǎng)短期記憶網(wǎng)絡(luò)DCDAE-BiLSTM（Deep Convolutional denoised autoencoder and Bidirectional Long Short-Term Memory）算法，用于對(duì)轉(zhuǎn)轍機(jī)的故障診斷，具體流程見(jiàn)圖1。該方法主要包含：①數(shù)據(jù)預(yù)處理，由于一次道岔動(dòng)作在不同的階段，其功率數(shù)據(jù)值差異較大，因此需先對(duì)功率數(shù)據(jù)進(jìn)行歸一化，便于不同量級(jí)的功率能夠進(jìn)行計(jì)算；②DCDAE 網(wǎng)絡(luò)預(yù)訓(xùn)練，對(duì)大量數(shù)據(jù)進(jìn)行自監(jiān)督學(xué)習(xí)，復(fù)用編碼層參數(shù)后，進(jìn)入下一階段的分類(lèi)任務(wù)；③BiLSTM 網(wǎng)絡(luò)微調(diào)，當(dāng)上述自編碼器訓(xùn)練完成后，將BiLSTM 網(wǎng)絡(luò)接入到卷積自編碼器編碼層，開(kāi)始訓(xùn)練帶有標(biāo)簽的數(shù)據(jù)集，最終完成故障診斷。

圖1 診斷流程圖

2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)歸一化方法主要分為線(xiàn)性函數(shù)歸一化（Min-Max Scaling） 和零均值歸一化 （Z-score standardization），本文采用線(xiàn)性函數(shù)歸一化方法，具體計(jì)算公式為

式（2） 將訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)歸一化到［0，1］區(qū)間內(nèi)，然后把歸一化后的數(shù)據(jù)作為自編碼器模型的輸入，先進(jìn)行無(wú)監(jiān)督深層特征提取，再開(kāi)始微調(diào)整個(gè)網(wǎng)絡(luò)。

2.2 DCDAE深度卷積降噪自編碼器網(wǎng)絡(luò)設(shè)計(jì)

傳統(tǒng)深度降噪自編碼器見(jiàn)圖2，包括編碼層和解碼層［11］。其中降噪主要是對(duì)輸入數(shù)據(jù)加入噪聲，模擬數(shù)據(jù)被損壞的情況，從損壞的數(shù)據(jù)中重構(gòu)出原始數(shù)據(jù)，提高模型的魯棒性。

圖2 深度降噪自編碼結(jié)構(gòu)示意圖

傳統(tǒng)自編碼器的隱藏層采用全連接神經(jīng)網(wǎng)絡(luò)，雖然有一定的特征提取能力，但因參數(shù)較多，訓(xùn)練復(fù)雜；而卷積神經(jīng)網(wǎng)絡(luò)具有局部鏈接、權(quán)值共享等優(yōu)點(diǎn)，減少了訓(xùn)練參數(shù)，因此本文將傳統(tǒng)自編碼器中的隱藏層改為一維卷積神經(jīng)網(wǎng)絡(luò)，見(jiàn)圖3。卷積自編碼器編碼網(wǎng)絡(luò)與解碼網(wǎng)絡(luò)具體參數(shù)見(jiàn)表1。將上述編碼網(wǎng)絡(luò)的最后一層（max_pool 層），通過(guò)ReShape 操作改變其維度為（1，396）后，作為BiLSTM網(wǎng)絡(luò)的輸入。

表1 卷積自編碼器網(wǎng)絡(luò)模型結(jié)構(gòu)參數(shù)

圖3 深度卷積降噪自編碼結(jié)構(gòu)示意圖

2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

LSTM 神經(jīng)網(wǎng)絡(luò)核心單元見(jiàn)圖4。其中，xt表示t時(shí)刻的輸入序列，Ct表示第t時(shí)刻的記憶單元，ht表示t時(shí)刻LSTM 神經(jīng)網(wǎng)絡(luò)細(xì)胞的輸出值，ft、it、Ot分別表示遺忘門(mén)、輸入門(mén)以及輸出門(mén)的值，具體計(jì)算方式如下。

圖4 LSTM 核心單元結(jié)構(gòu)

式中wf、wi以及wo表示遺傳門(mén)、輸入門(mén)、輸出門(mén)的權(quán)重，bf、bi、bo分別表示各個(gè)門(mén)的偏置。

由于反映轉(zhuǎn)轍機(jī)工作狀態(tài)的功率曲線(xiàn)下一階段的動(dòng)作緊挨著上一階段，具有時(shí)序性，因此將上述自編碼器所提取的特征作為循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入，最終完成故障診斷，具體的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)見(jiàn)表2。

表2 Bi LSTM 網(wǎng)絡(luò)模型結(jié)構(gòu)

3 試驗(yàn)分析

3.1 試驗(yàn)數(shù)據(jù)集及評(píng)價(jià)指標(biāo)

真實(shí)數(shù)據(jù)及模擬數(shù)據(jù)共同組成模型訓(xùn)練測(cè)試數(shù)據(jù)，其中訓(xùn)練集數(shù)量總共為3 600 個(gè)，每種類(lèi)型各600 個(gè)；測(cè)試數(shù)量總共為1 200 個(gè)，每種類(lèi)型各200個(gè)。

為了評(píng)估本文所提算法的性能，采用準(zhǔn)確率、精確率、誤報(bào)率、漏報(bào)率以及ROC 曲線(xiàn)等指標(biāo)進(jìn)行驗(yàn)證，其中各指標(biāo)計(jì)算公式如下：

式中：ACC為測(cè)試準(zhǔn)確率；TP表示實(shí)際為正類(lèi)別，預(yù)測(cè)為正類(lèi)別；FN表示實(shí)際為正類(lèi)別，預(yù)測(cè)為負(fù)類(lèi)別；TN表示實(shí)際為負(fù)類(lèi)別，預(yù)測(cè)為負(fù)類(lèi)別；FP表示實(shí)際為負(fù)類(lèi)別，預(yù)測(cè)為正類(lèi)別。ROC曲線(xiàn)為接受者操作特性曲線(xiàn)（Receiver Operating Characteristic Curve ROC），ROC 曲線(xiàn)的橫坐標(biāo)是FPR，縱坐標(biāo)是TPR，表示將正樣本預(yù)測(cè)為正的比例，ROC 曲線(xiàn)與橫縱坐標(biāo)封閉的區(qū)域面積稱(chēng)為AUC（Area under roc Curve），面積越大，表示模型越好。

3.2 試驗(yàn)環(huán)境及參數(shù)設(shè)置

在確定網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上，為了使試驗(yàn)結(jié)果的差異來(lái)自不同的神經(jīng)網(wǎng)絡(luò)模型，設(shè)置了同樣的超參數(shù)，包括優(yōu)化器使用Ndam 算法，訓(xùn)練批次大小32，學(xué)習(xí)率設(shè)置為0.001，epoch設(shè)置為200時(shí)。對(duì)輸入采用dropout 降噪方式，本文比例設(shè)置為0.1，最后在Win10 64 位環(huán)境下試驗(yàn)，并采用keras 3.6版本的深度學(xué)習(xí)框架。

3.3 試驗(yàn)結(jié)果

1）基于DCDAE_BiLSTM 模型的故障診斷試驗(yàn)結(jié)果。本課題采用預(yù)訓(xùn)練階段和微調(diào)階段訓(xùn)練策略，即先將預(yù)訓(xùn)練的深度卷積降噪自編碼器模型，作為微調(diào)階段編碼網(wǎng)絡(luò)的初始化參數(shù)；然后加入雙向循環(huán)神經(jīng)網(wǎng)絡(luò)，開(kāi)始微調(diào)整個(gè)分類(lèi)網(wǎng)絡(luò)，圖5 表示訓(xùn)練準(zhǔn)確率ACC曲線(xiàn)。其中ACC表示樣本被正確分類(lèi)的個(gè)數(shù)占總樣本個(gè)數(shù)的比例，可以看到本文最終準(zhǔn)確率達(dá)到了98.82%，為了更加細(xì)致地觀(guān)察試驗(yàn)結(jié)果，畫(huà)出如圖6 所示的ROC 曲線(xiàn)，該曲線(xiàn)中有每一類(lèi)別的AUC值，即為圖中area 值所示，而表3為每類(lèi)的精確率等指標(biāo)。

圖5 測(cè)試準(zhǔn)確率

圖6 ROC曲線(xiàn)

表3 分類(lèi)試驗(yàn)結(jié)果

2）與其他算法的對(duì)比。隨著對(duì)道岔轉(zhuǎn)轍機(jī)故障診斷的大量研究，已出現(xiàn)了許多不錯(cuò)的研究成果，如文獻(xiàn)［13］中構(gòu)建了多層CNN 模型來(lái)完成轉(zhuǎn)轍機(jī)故障診斷，文獻(xiàn)［14］采用CNN-GRU 聯(lián)合神經(jīng)網(wǎng)絡(luò)的方法來(lái)完成故障診斷等。此外，為了驗(yàn)證本文所提算法的有效性，還搭建了SDAEBiLSTM模型來(lái)作為對(duì)比。

幾種算法進(jìn)行比較的試驗(yàn)結(jié)果見(jiàn)表4。采用多層CNN 模型時(shí)，其準(zhǔn)確率95.14%，誤報(bào)率4.26%，漏報(bào)率4.83%；采用CNN-GRU 模型時(shí)，其故障診斷的準(zhǔn)確率為95.85%，誤報(bào)率為3.06%，漏報(bào)率為3.17%；而采用SDAE-BiLSTM 模型，其故障診斷的正確率為97.16%，誤報(bào)率為1.87%，漏報(bào)率為2.99%。相比于上述算法，本文所提的模型故障診斷正確率更高。

表4 算法對(duì)比結(jié)果

4 結(jié)語(yǔ)

通過(guò)分析S700K 型道岔轉(zhuǎn)轍機(jī)故障功率數(shù)據(jù)，總結(jié)歸納出需要診斷的故障類(lèi)型，在此基礎(chǔ)上，提出深度卷積降噪自編碼器與雙向長(zhǎng)短期記憶網(wǎng)絡(luò)相結(jié)合（DCDAE-BiLSTM）的方法，完成轉(zhuǎn)轍機(jī)故障診斷，試驗(yàn)結(jié)果表明該算法的準(zhǔn)確率可達(dá)到98.82%。相比于其他算法，該算法具有更高的準(zhǔn)確率。