基于GRU的智能運(yùn)維健康狀態(tài)評(píng)估方法研究

陳鑫龍

（1.軌道交通工程信息化國(guó)家重點(diǎn)實(shí)驗(yàn)室（中鐵一院），陜西 西安 710043；2.中鐵第一勘察設(shè)計(jì)院集團(tuán)有限公司，陜西 西安 710043）

0 引言

隨著城市軌道交通的蓬勃發(fā)展，全國(guó)開(kāi)通并投入運(yùn)營(yíng)的線路也不斷增加。由于各專業(yè)系統(tǒng)集成度和復(fù)雜度也不斷提高，設(shè)備種類和指標(biāo)繁雜，同時(shí)缺少預(yù)警機(jī)制，給運(yùn)維工作帶來(lái)了巨大的挑戰(zhàn)。因此在城市軌道交通領(lǐng)域開(kāi)發(fā)新型智能管理系統(tǒng)，發(fā)展智能監(jiān)測(cè)以及研究新型運(yùn)維技術(shù)是十分必要的。

目前國(guó)內(nèi)的研究主要是對(duì)城市軌道交通設(shè)備智能運(yùn)維系統(tǒng)的系統(tǒng)架構(gòu)和邏輯框架進(jìn)行研究，梳理了系統(tǒng)的層級(jí)關(guān)系和數(shù)據(jù)流向[1]；針對(duì)城市軌道交通的運(yùn)維現(xiàn)狀，通過(guò)對(duì)子系統(tǒng)數(shù)據(jù)采集的業(yè)務(wù)功能來(lái)提高運(yùn)維效率[2]；通過(guò)研究列車PHM 系統(tǒng)（故障預(yù)測(cè)和健康管理）的方案和架構(gòu)設(shè)計(jì)，分析了關(guān)鍵系統(tǒng)的功能和應(yīng)用前景[3]；基于感知層、平臺(tái)層和服務(wù)層的建設(shè)方案滿足智能運(yùn)維系統(tǒng)的需求[4]?？梢?jiàn)目前對(duì)城市智能軌道智能運(yùn)維平臺(tái)的架構(gòu)設(shè)計(jì)和功能需求分析是較為成熟的，但結(jié)合智能算法實(shí)現(xiàn)各個(gè)功能的方法和思路則研究較少。

1 城市軌道智能運(yùn)維現(xiàn)狀

城市軌道智能運(yùn)維系統(tǒng)是一種智能化運(yùn)維系統(tǒng)，該系統(tǒng)集成了實(shí)時(shí)監(jiān)測(cè)、智慧型分析、故障預(yù)警、調(diào)度指揮等功能。采用云平臺(tái)、大數(shù)據(jù)分析、人工智能等先進(jìn)技術(shù)提升運(yùn)維調(diào)度的智能化，并將保障運(yùn)營(yíng)安全、降低設(shè)備故障、提升運(yùn)維效率、改變?cè)O(shè)備的委維護(hù)模型作為目標(biāo)。

智能運(yùn)維的現(xiàn)狀存在幾個(gè)問(wèn)題，即設(shè)備狀態(tài)不可控，通過(guò)人工檢查設(shè)備狀態(tài)的效率和質(zhì)量低，耗時(shí)耗力且運(yùn)維成本不可控；維護(hù)質(zhì)量不可控，未實(shí)現(xiàn)從計(jì)劃修到狀態(tài)修，整個(gè)過(guò)程沒(méi)有實(shí)現(xiàn)有效監(jiān)督；修復(fù)效率不可控，人工組織搶修、計(jì)劃修故障延時(shí)長(zhǎng)、設(shè)備維修周期難估算；作業(yè)結(jié)果不可控，設(shè)備維護(hù)需要憑借個(gè)人經(jīng)驗(yàn)，維護(hù)質(zhì)量效率存在差異。

而城市智能軌道運(yùn)維的目標(biāo)是在保障乘客安全、快捷出行的前提下，減少維護(hù)用時(shí)，增大運(yùn)營(yíng)時(shí)長(zhǎng)，降低設(shè)備故障，保證最大運(yùn)能，降低人工勞動(dòng)強(qiáng)度和風(fēng)險(xiǎn)，降低維護(hù)工時(shí)、維護(hù)成本，提升設(shè)備可靠度、可用度，以及能進(jìn)行快速有效的應(yīng)急處置。

2 智能運(yùn)維架構(gòu)

2.1 智能運(yùn)維設(shè)計(jì)架構(gòu)

按技術(shù)實(shí)現(xiàn)的方式，城市軌道交通智能運(yùn)維系統(tǒng)可以分為感知層、平臺(tái)層和應(yīng)用層[5]，如圖1 所示。

圖1 城市軌道交通智能運(yùn)維系統(tǒng)技術(shù)構(gòu)成示意圖

感知層作為智能運(yùn)維各個(gè)子系統(tǒng)的基礎(chǔ)數(shù)據(jù)采集，內(nèi)部可分為數(shù)據(jù)采集與接口、解析層和內(nèi)部轉(zhuǎn)換層。感知層可以通過(guò)統(tǒng)一硬件采集設(shè)備獲取各個(gè)子系統(tǒng)的信息，如通信系統(tǒng)中的傳輸、OA、無(wú)線、電話等系統(tǒng)以及電源、環(huán)境溫濕度等信息。通過(guò)解析層和內(nèi)部轉(zhuǎn)換層獲得統(tǒng)一的數(shù)據(jù)格式，方便各個(gè)子系統(tǒng)之間的信息交互。

平臺(tái)層基于感知層獲取的統(tǒng)一標(biāo)準(zhǔn)格式的數(shù)據(jù)，并基于大數(shù)據(jù)分析和云平臺(tái)的資源，在實(shí)時(shí)數(shù)據(jù)庫(kù)平臺(tái)和大數(shù)據(jù)平臺(tái)上對(duì)數(shù)據(jù)進(jìn)行有效管理、存儲(chǔ)和分析。實(shí)現(xiàn)信息交互的有效性和準(zhǔn)確性。建立相關(guān)設(shè)備的故障診斷、故障預(yù)測(cè)以及健康狀態(tài)的模型，利用機(jī)器算法學(xué)習(xí)故障特征和設(shè)備健康度，通過(guò)可視化組件進(jìn)行展現(xiàn)，實(shí)現(xiàn)從計(jì)劃修到狀態(tài)修，提高運(yùn)維效率。

應(yīng)用層基于內(nèi)在數(shù)據(jù)和算法，面向用戶展現(xiàn)智能運(yùn)維系統(tǒng)高效的信息共享與服務(wù)功能。應(yīng)用層包括以監(jiān)測(cè)為中心的設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)、故障診斷、異常預(yù)警和智能維修指導(dǎo)，以應(yīng)急為中心的應(yīng)急資源調(diào)度運(yùn)營(yíng)聯(lián)動(dòng)功能以及以健康管理為中心的設(shè)備壽命分析、設(shè)備健康質(zhì)量評(píng)價(jià)的應(yīng)用功能。

2.2 智能運(yùn)維應(yīng)用平臺(tái)

根據(jù)城市軌道交通智能運(yùn)維系統(tǒng)技術(shù)架構(gòu)，面向用戶設(shè)計(jì)的城市軌道交通智能運(yùn)維系統(tǒng)應(yīng)用平臺(tái)為“三級(jí)四層”管理架構(gòu)?！叭?jí)”為現(xiàn)場(chǎng)級(jí)、線路級(jí)、線網(wǎng)級(jí)，“四層”分別為現(xiàn)場(chǎng)級(jí)智能運(yùn)維平臺(tái)、線路級(jí)智能運(yùn)維平臺(tái)、線網(wǎng)級(jí)智能運(yùn)維平臺(tái)和領(lǐng)導(dǎo)決策管理智能運(yùn)維平臺(tái)[6]。城市軌道交通智能運(yùn)維系統(tǒng)應(yīng)用平臺(tái)架構(gòu)如圖2 所示。

圖2 城市軌道交通智能運(yùn)維系統(tǒng)應(yīng)用平臺(tái)結(jié)構(gòu)示意圖

現(xiàn)場(chǎng)級(jí)智能運(yùn)維平臺(tái)?，F(xiàn)場(chǎng)級(jí)智能運(yùn)維平臺(tái)可通過(guò)手持終端、智能巡檢或者人工日志等方式實(shí)時(shí)獲取現(xiàn)場(chǎng)設(shè)備信息、設(shè)備狀態(tài)、人員信息、管理信息等，并將采集到的信息匯總到線路級(jí)平臺(tái)。

線路級(jí)智能運(yùn)維平臺(tái)。線路級(jí)智能運(yùn)維平臺(tái)是利用物聯(lián)網(wǎng)、云平臺(tái)、機(jī)器學(xué)習(xí)等先進(jìn)技術(shù)，對(duì)終端設(shè)備運(yùn)行過(guò)程中的狀態(tài)信息進(jìn)行分類、計(jì)算，進(jìn)而可以實(shí)現(xiàn)設(shè)備工作狀態(tài)監(jiān)測(cè)、故障預(yù)警及分析、健康狀態(tài)分析等功能。

線網(wǎng)級(jí)智能運(yùn)維平臺(tái)。可以實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)全線網(wǎng)的終端設(shè)備工作信息、在線監(jiān)測(cè)設(shè)備狀態(tài)的功能，同時(shí)可以按專業(yè)或者線路進(jìn)行綜合運(yùn)維。線網(wǎng)級(jí)智能運(yùn)維平臺(tái)可以將設(shè)備維護(hù)結(jié)果與資產(chǎn)信息聯(lián)系起來(lái)，改變資產(chǎn)管理的模式和效能。線網(wǎng)級(jí)智能運(yùn)維平臺(tái)具有線路指標(biāo)對(duì)比、關(guān)鍵設(shè)備狀態(tài)、運(yùn)營(yíng)影響評(píng)估、資產(chǎn)聯(lián)動(dòng)等功能。

領(lǐng)導(dǎo)決策管理智能運(yùn)維平臺(tái)。主要將運(yùn)營(yíng)指標(biāo)、故障影響等情況發(fā)送到相關(guān)管理部門，具有智能分析、應(yīng)急管理、風(fēng)險(xiǎn)處理等功能。

3 基于GRU 的設(shè)備終端健康狀態(tài)評(píng)估方法

該文針對(duì)設(shè)備從計(jì)劃修到狀態(tài)修的故障預(yù)測(cè)需求，提出設(shè)備的健康指數(shù)HI，用于監(jiān)測(cè)終端設(shè)備的健康狀態(tài)。將正常、故障的設(shè)備狀態(tài)信息進(jìn)行特征提取和選擇，再通過(guò)門控循環(huán)單元（Gated Recurrent Unit，GRU）模型對(duì)設(shè)備的健康狀態(tài)進(jìn)行預(yù)測(cè)。具體過(guò)程如圖3 所示。

圖3 健康狀態(tài)預(yù)測(cè)模型意圖

3.1 特征提取

當(dāng)設(shè)備處于故障的工作狀態(tài)時(shí)，設(shè)備的電流、電壓以及溫度的幅值會(huì)發(fā)生變化，為了更好地獲取設(shè)備的健康狀態(tài)以及退化程度，需要提取設(shè)備的狀態(tài)特征。通常從時(shí)域特征（峰值、標(biāo)準(zhǔn)差、均方根、波形因子等）進(jìn)行分析。

3.2 歸一化和平滑

鑒于所提取特征的量綱不同，且采集到的設(shè)備特征數(shù)據(jù)會(huì)受到環(huán)境等不可控因素的影響，進(jìn)而產(chǎn)生部分噪聲和波動(dòng)，影響設(shè)備退化的趨勢(shì)預(yù)測(cè)，通?？梢圆捎们€平滑技術(shù)消除噪聲的干擾。

3.3 評(píng)價(jià)特征

鑒于采集到的設(shè)備狀態(tài)信息的多樣性，選擇更能描述設(shè)備健康狀態(tài)的特征在一定程度上可以減少數(shù)據(jù)信息維度和關(guān)聯(lián)度小的數(shù)據(jù)，同時(shí)提高健康狀態(tài)的預(yù)測(cè)準(zhǔn)確度。因此需要采用不同的方法來(lái)評(píng)價(jià)特征，常見(jiàn)的評(píng)價(jià)指標(biāo)的方法主要有單調(diào)性、相關(guān)性和魯棒性等[7]。

理想狀態(tài)下，預(yù)測(cè)設(shè)備退化的特征應(yīng)該與狀態(tài)退化過(guò)程單調(diào)相關(guān)，而單調(diào)性可以衡量特征單調(diào)變化的趨勢(shì)。相關(guān)性表示預(yù)測(cè)特征與時(shí)間的關(guān)系，可以描述特征隨時(shí)間變化的關(guān)系。魯棒性反映了特征受到外部因素干擾時(shí)保持穩(wěn)定的能力。

3.4 GRU 算法

門控循環(huán)單元神經(jīng)網(wǎng)路是基于長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）基礎(chǔ)上的一種優(yōu)化模型，在保持原有預(yù)測(cè)能力的同時(shí)，通過(guò)內(nèi)部結(jié)構(gòu)的優(yōu)化，降低了模型訓(xùn)練的時(shí)間[8]。GRU 模型結(jié)構(gòu)優(yōu)化了其中的門函數(shù)，保留了重置門函數(shù)和更新門函數(shù)。優(yōu)化后的GRU 模型內(nèi)部計(jì)算時(shí)間也隨之減少。GRU 模型的內(nèi)部架構(gòu)如圖4 所示。

圖4 GRU 結(jié)構(gòu)示意圖

圖4 中，zt是更新門，其作用是更新當(dāng)前的狀態(tài)信息。該數(shù)值決定了進(jìn)入下一個(gè)狀態(tài)的信息的程度，其值越高，表示上一個(gè)狀態(tài)丟失的信息越少，當(dāng)前狀態(tài)信息保留得更多[9]。rt是重置門，負(fù)責(zé)重置上一狀態(tài)中信息進(jìn)入的候選集的程度。其值越大，表示前一狀態(tài)的信息保留得更多。xt是t時(shí)刻的輸入量。yt是t時(shí)刻的輸出量。ht是t時(shí)刻隱含層的狀態(tài)。ht-1是上一時(shí)刻隱含層的狀態(tài)。σ和tanh是兩個(gè)激活函數(shù)，數(shù)學(xué)描述如公式（1）和公式（2）所示。

利用GRU 訓(xùn)練的過(guò)程可以用公式（3）～公式（6）表示。

式中：W，U，b為模型的參數(shù)；Wr，Ur，br分別為重置門rt的參數(shù)；Wz，Uz，bz為更新門zt的參數(shù)。

該文將表示設(shè)備健康指數(shù)的標(biāo)簽和篩選后的功率特征子集作為GRU 預(yù)測(cè)模型的輸入數(shù)據(jù)，將設(shè)備健康指數(shù)的預(yù)測(cè)值作為輸出。健康指數(shù)HI為[0，1]。當(dāng)HI值從0 到1 增大時(shí)，表明該設(shè)備由健康狀態(tài)到發(fā)生故障的概率逐漸增大[10]。

HI可以用公式（7）表示。

式中：HI（t）為t時(shí)刻健康狀態(tài)的預(yù)測(cè)值；（t）為t時(shí)刻設(shè)備健康指數(shù)真實(shí)值；F1（t），F(xiàn)2（t），...，F(xiàn)n（t）為篩選后的n個(gè)特征在t時(shí)刻對(duì)應(yīng)的特征值。

最后通過(guò)模型預(yù)測(cè)出來(lái)的數(shù)據(jù)得到樣本個(gè)數(shù)與健康指數(shù)的曲線圖，HI 曲線會(huì)隨設(shè)備的工作時(shí)間而升高，這就意味著設(shè)備開(kāi)始退化。根據(jù)HI 曲線，可以將設(shè)備的健康狀態(tài)劃分為3 個(gè)階段，分別為正常階段、早期退化階段和多故障階段。通過(guò)設(shè)備所處的健康狀態(tài)階段來(lái)制定設(shè)備的維護(hù)計(jì)劃。

4 結(jié)語(yǔ)

智能運(yùn)維的核心在于探索智能技術(shù)如何轉(zhuǎn)化、服務(wù)、適配運(yùn)維業(yè)務(wù)的發(fā)展，如何給運(yùn)維帶來(lái)解決問(wèn)題的新思路。該文基于城市軌道交通智能運(yùn)維的的架構(gòu)和平臺(tái)，提出了設(shè)備的健康指數(shù)HI，簡(jiǎn)化了預(yù)測(cè)模型。通過(guò)采集設(shè)備的狀態(tài)特征信息，利用GRU 智能算法實(shí)現(xiàn)了設(shè)備的故障預(yù)測(cè)和健康狀態(tài)評(píng)估，為進(jìn)行有計(jì)劃的設(shè)備維修，降低設(shè)備故障，保證運(yùn)維效能提供了一種新的解決思路。