基于LightGBM算法的25 Hz相敏軌道電路故障診斷方法優(yōu)化

李長春，趙林海

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

25 Hz相敏軌道電路是我國鐵路信號控制領(lǐng)域的重要基礎(chǔ)設(shè)備，因具有抗干擾能力強、應(yīng)變速度快和防雷性能好等優(yōu)點[1]，在我國既有線站內(nèi)廣泛使用。由現(xiàn)場調(diào)研可知：一方面，該軌道電路受周圍環(huán)境影響較大，故障具有多雜且組合故障不易判別等特點[2]；另一方面，現(xiàn)階段信號集中監(jiān)測系統(tǒng)(Centralized Signal Monitoring System，CSM)僅監(jiān)測了25 Hz相敏軌道電路軌道繼電器的軌道電壓信號與相位差信號[3]，使得在此基礎(chǔ)上的故障診斷系統(tǒng)存在診斷效率不高等問題[6-13]。由此可見，對于現(xiàn)有CSM，迫切需要針對其25 Hz相敏軌道電路的診斷方法進行優(yōu)化，以滿足鐵路設(shè)備維護發(fā)展的要求。

在目前的研究中，文獻[4-5] 設(shè)計了一種25 Hz相敏軌道電路故障診斷專家系統(tǒng)；文獻[6]提出了基于模糊神經(jīng)網(wǎng)絡(luò)的25 Hz相敏軌道電路故障診斷方法，而文獻[7-9]在此基礎(chǔ)上進行了方法的優(yōu)化；文獻[10]提出了基于模糊決策樹的25 Hz相敏軌道電路故障診斷方法；文獻[11-12]提出了基于方法組合的25 Hz相敏軌道電路故障診斷方法；文獻[13]提出了基于SA-BP神經(jīng)網(wǎng)絡(luò)的25 Hz相敏軌道電路故障診斷方法[6-7,10，12-13]。

以上方法雖然在一定程度上提高了對25 Hz相敏軌道電路的故障診斷性能，但仍存在兩方面的不足。一方面，文獻[6-7,10，12-13]所提方法需要在室外設(shè)備上增加兩個電壓監(jiān)測點，這使其采集的信號容易受室外環(huán)境變化的影響，且采用電壓監(jiān)測方式需將相應(yīng)監(jiān)測設(shè)備接入到軌道電路中，可能帶來安全隱患。另一方面，目前的診斷方法，如文獻[4-13]所提方法主要是利用專家經(jīng)驗和數(shù)據(jù)驅(qū)動，故需要基于長期的經(jīng)驗總結(jié)和大量的數(shù)據(jù)采集工作，且沒有給出一些如組合故障等非常見故障的診斷策略。

針對上述研究不足，本文首先采用電流監(jiān)測方式，將軌道電路室內(nèi)所有可行的電流監(jiān)測點加入原CSM監(jiān)測方案中，構(gòu)成初步監(jiān)測方案，并利用傳輸線理論對所有可監(jiān)測信號進行建模。然后，使用故障注入技術(shù)[14]對各常見故障模式下的監(jiān)測信號進行仿真，構(gòu)建故障數(shù)據(jù)集，生成相應(yīng)故障診斷模型，并基于模型的性能，進行監(jiān)測信號的篩選，對初步監(jiān)測方案進行優(yōu)化。最后，設(shè)計包含診斷閾值與診斷模型再訓(xùn)練過程的故障診斷策略。實驗表明，本文方法只需增加對送電端電源屏輸出電流的監(jiān)測，便可實現(xiàn)對25 Hz相敏軌道電路14種常見故障的精確診斷，并可實現(xiàn)對非常見故障的預(yù)判、再學(xué)習(xí)與診斷。本文方法可有效提升CSM對25 Hz相敏軌道電路的故障診斷性能，能夠滿足鐵路現(xiàn)場對25 Hz相敏軌道電路的使用和維護要求。

1 25 Hz相敏軌道電路結(jié)構(gòu)及其基于CSM的故障診斷

圖1為25 Hz相敏軌道電路的總體結(jié)構(gòu)，其可分為送電端設(shè)備、受電端設(shè)備和鋼軌線路三個部分。其中，送電端主要包括送電端扼流變壓器和送電端軌道變壓器等設(shè)備；受電端主要包括受電端扼流變壓器、受電端軌道變壓器、防雷補償單元、防護盒和軌道繼電器等設(shè)備。

圖1 25 Hz相敏軌道電路總體結(jié)構(gòu)

圖1中，工頻電源Ugp(t)分別經(jīng)軌道分頻器和局部分頻器產(chǎn)生軌道電源Ufs(t)和局部電源Uj(t)，且Uj(t)在相位上超前Ufs(t)90°。其中，對于Ufs(t)，其經(jīng)送電端電纜由室內(nèi)傳輸?shù)绞彝?，并?jīng)送電端軌道變壓器和送電端扼流變壓器后沿鋼軌線路進行傳輸，再經(jīng)受電端扼流變壓器和受電端軌道變壓器送至室內(nèi)，最后經(jīng)防雷補償單元與防護盒后，到達軌道繼電器的軌道線圈，形成相應(yīng)的軌道線圈電壓信號Ug(t)。對于Uj(t)，其直接在室內(nèi)通過電纜接入到軌道繼電器的局部線圈，形成相應(yīng)的局部線圈電壓Uj(t)。對于軌道線路空閑，設(shè)備完好的調(diào)整狀態(tài)，若Uj(t)和Ug(t)間的相角和二者的幅度滿足要求[6]，則軌道繼電器將勵磁吸起；對于有列車占用的分路狀態(tài)，由于列車輪對分路的影響，Uj(t)和Ug(t)將不能滿足上述要求，故將使軌道繼電器失磁落下。

對于CSM，其在25 Hz相敏軌道電路內(nèi)設(shè)了兩個監(jiān)測點，以實時采集Ug(t)和Uj(t)，并計算兩信號的相位差，最終實現(xiàn)對軌道繼電器軌道線圈電壓Ug(t)和相位差φ(t)的實時監(jiān)測。

2 基于傳輸線的25 Hz相敏軌道電路的建模與驗證

經(jīng)調(diào)研發(fā)現(xiàn)，基于上述兩監(jiān)測信號的診斷方法，對許多常見故障，如送電端扼流變壓器鋼軌側(cè)電纜接觸不良等，都不能實現(xiàn)診斷。同時，考慮室外天氣和環(huán)境溫度影響，以及電壓接入式監(jiān)測對系統(tǒng)造成的安全隱患，本文采用電流監(jiān)測方式，將所有可行的電流監(jiān)測點加入原CSM監(jiān)測方案中，即在現(xiàn)階段CSM可監(jiān)測的軌道繼電器軌道線圈電壓Ug(t)、局部線圈電壓Uj(t)以及兩電壓的相位差φ(t)的基礎(chǔ)上，增加對①送電端電源屏輸出電流Ifs(t)、②防雷補償單元輸入電流Ifb(t)、③防護盒輸入電流Ifh(t)和④軌道繼電器軌道線圈電流Ig(t)這4個信號的監(jiān)測，構(gòu)成本文的初步監(jiān)測方案。

2.1 監(jiān)測信號的建模

下面利用傳輸線理論[15]，對調(diào)整狀態(tài)下上述各監(jiān)測信號進行建模。

Ufs(t)與Uj(t)的數(shù)學(xué)表達式分別為

( 1 )

( 2 )

Ifs(t)與軌道電源Ufs(t)之間的關(guān)系為

Ifs(t)=Ufs(t)/Zfs

( 3 )

式中：Zfs為由監(jiān)測點①向軌道繼電器的視入阻抗，即

Zfs=(Ngh11×Zz+Ngh12)/(Ngh21+Ngh22)

( 4 )

式中：Zz為軌道繼電器的輸入阻抗；Ngh11、Ngh12、Ngh21和Ngh22為由監(jiān)測點①至防護盒的傳輸特性等效四端網(wǎng)絡(luò)Ngh的參數(shù)，即有

NSBG×NSBE×Ngm×NRBE×NRBG×NFB×NFH

( 5 )

( 6 )

由送電端軌道變壓器至受電端軌道變壓器的傳輸特性等效四端網(wǎng)絡(luò)Ngg可表示為

( 7 )

可求得Ifb(t)與Ufs(t)之間的關(guān)系為

Ifb(t)=Ufs(t)/(Ngg11×Zfb+Ngg12)

( 8 )

式中：Zfb為從防雷補償單元向軌道繼電器的視入阻抗，即

Zfb=(Nbh11×Zz+Nbh12)/(Nbh21+Nbh22)

( 9 )

其中：Nbh11、Nbh12、Nbh21和Nbh22為由防雷補償單元至防護盒的傳輸特性等效四端網(wǎng)絡(luò)Nbh的參數(shù)，即

(10)

(11)

由送電端軌道變壓器至防雷補償單元的傳輸特性等效四端網(wǎng)絡(luò)Ngb可表示為

(12)

則Ifh(t)與Ufs(t)的關(guān)系可表示為

Ifh(t)=Ufs(t)/(Ngb11×Zfh+Ngb12)

(13)

式中：Zfh為從防護盒向軌道繼電器的視入阻抗，即

Zfh=(NFH11×Zz+NFH12)/(NFH21+NFH22)

(14)

(15)

Ig(t)與Ufs(t)之間的關(guān)系可表示為

Ig(t)=Ufs(t)/(Ngh11×Zz+Ngh12)

(16)

(17)

此外，由于Ug(t)與Ig(t)之間滿足

Ug(t)=Zz×Ig(t)

(18)

(19)

(6)相位差φ。

結(jié)合式(1)和式(19)，軌道繼電器軌道線圈電壓Ug(t)與局部線圈電壓Uj(t)的相位差φ為

φ=φfs-φ(Ngh11+Ngh12/Zz)-φj

(20)

2.2 監(jiān)測信號模型的驗證

為驗證所建模型的正確性，本文對站內(nèi)97型25 Hz相敏軌道電路進行了測試，其主要設(shè)備為BG2-130/25型軌道變壓器，BE2-600/25型扼流變壓器，F(xiàn)B-2型防雷補償單元，HF-2型室內(nèi)防護盒，JRJC-70/240型軌道繼電器，鋼軌線路(長度200 m)，限流電阻(4.4 Ω)，道砟電阻(1.0 Ω·km)。

將上述設(shè)備參數(shù)輸入所建模型中即可得到各監(jiān)測量的仿真值，其與測量值的對比結(jié)果如表1所示。

表1 測量值與仿真值的對比

由表1可以看出，基于模型的仿真值與現(xiàn)場測量值較為接近，相對誤差的絕對值均在7.1%以下，這表明所建模型是可靠的，可準確表征各監(jiān)測信號。

3 基于LightGBM算法的25 Hz相敏軌道電路故障診斷方法

3.1 故障診斷流程

為實現(xiàn)對初步監(jiān)測方案的改進以及對25 Hz相敏軌道電路故障的智能診斷，設(shè)計一種基于LightGBM算法的故障診斷方法，其方法流程見圖2，可分為故障數(shù)據(jù)集的構(gòu)建、故障診斷模型的生成和故障診斷策略的設(shè)計3個部分。

圖2 基于LightGBM算法的25 Hz相敏軌道電路故障診斷方法流程

具體流程共分5步：

Step1基于所建各監(jiān)測信號模型，采用故障注入技術(shù)進行各監(jiān)測信號的仿真，構(gòu)建常見故障數(shù)據(jù)集，并將常見故障數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集。

Step2基于LightGBM算法使用訓(xùn)練集進行故障診斷模型的訓(xùn)練，使用驗證集驗證模型性能，并基于模型性能進行監(jiān)測信號的篩選，生成相應(yīng)的故障診斷模型。

Step3采用故障注入技術(shù)構(gòu)建非常見故障數(shù)據(jù)集，并將其與測試集合并，構(gòu)成故障合集。隨后統(tǒng)計在不同閾值ε下，故障診斷模型對故障合集中常見和非常見故障樣例的識別率，確定最佳診斷閾值ε*。

Step4對于最大預(yù)測概率大于閾值ε的樣例，將其判為常見故障，并輸出相應(yīng)的故障類型；反之，則將其判為非常見故障，并輸出前3大預(yù)測概率對應(yīng)的故障類型，給后續(xù)的故障診斷工作提供參考。

Step5對輸出故障類型進行排查，若正確，則輸出診斷結(jié)果；若錯誤，則交由專家進行人工診斷，獲取實際故障類型，并將人工診斷結(jié)果添加至訓(xùn)練集中進行模型的再訓(xùn)練，提升模型性能。

3.2 故障數(shù)據(jù)集的構(gòu)建

經(jīng)現(xiàn)場調(diào)查與文獻研究[4-13]，25 Hz相敏軌道電路主要有分路不良和不正常紅光帶兩種常見故障，其常見故障模式如表2所示。在此，軌道電路的正常狀態(tài)(包括道砟電阻在正常范圍內(nèi)波動的情況)用E0表示。

表2 25 Hz相敏軌道電路常見故障模式

考慮軌道電路信號在傳輸過程中不可避免地會混入白噪聲的干擾[18]，本文在信號的仿真過程中混入信噪比為10%的高斯白噪聲[19]，即

SZ(t)=SO(t)+SN(t)

(21)

式中：SZ(t)為帶噪聲的信號；SO(t)為不帶噪聲的原信號；SN(t)為信噪比為10%高斯白噪聲信號。

再結(jié)合所建模型，采用故障注入技術(shù)，即可構(gòu)建常見故障數(shù)據(jù)集D。隨后采用分層抽樣法[20]即可將D劃分為訓(xùn)練集DTR、驗證集DVA和測試集DTE。

3.3 故障診斷模型的生成

LightGBM(Light Gradient Boosting Machine)[21]是一種使用基于樹的學(xué)習(xí)算法的梯度提升框架，其在梯度提升決策樹(Gradient Boosting Decition Tree, GBDT)[22]的基礎(chǔ)上實現(xiàn)了多項優(yōu)化，擁有訓(xùn)練速度快、準確率高以及泛化性能好等優(yōu)點[23]。對于使用本文初步監(jiān)測方案進行L類故障診斷的問題，基于該算法生成的故障診斷模型見圖3。

圖3 基于LightGBM的25 Hz相敏軌道電路故障診斷模型示意圖

3.3.1 模型的初始化

對于訓(xùn)練集

DTR={(xi,yi)}i=1,2,…,n

(22)

式中：xi代表第i個訓(xùn)練樣本的輸入，即

xi=[xi0xi1…xia…xi7]=

(23)

其中，a=0,1,…,7。

yi代表第i個訓(xùn)練樣本的模式編號，即有

yi=kk=0,1,…,Li=1,2,…,n

(24)

則對yi進行one-hot編碼有

(25)

對各樹集成模型進行初始化有

(26)

3.3.2 決策樹的生成

對于本文的故障診斷問題，模型的損失函數(shù)為

(27)

式中：pk(x)為使用歸一化指數(shù)函數(shù)轉(zhuǎn)化的第k個樹集成模型Fk對于輸入x的預(yù)測概率，即

(28)

(29)

(30)

(31)

式中：des(D)為對數(shù)據(jù)集D進行降序排列；D[ns:ne]為選取數(shù)據(jù)集D中從索引ns到索引ne的數(shù)據(jù)；rand(D,N)為從數(shù)據(jù)集D中隨機抽取N個樣本組成新的數(shù)據(jù)集。

(32)

(33)

式中：

(34)

式中：I[·]為指示函數(shù)，含義是當·為Ture的時候，輸出為1,當·為False的時候，輸出為0； #D為集合D內(nèi)元素數(shù)值。

(35)

(36)

(37)

直到?jīng)Q策樹的深度達到預(yù)設(shè)的最大深度s，則停止迭代，并令未分裂的Q個子結(jié)點成為葉結(jié)點，計算各葉結(jié)點的權(quán)重γqkm，即

q=1,2,…,Q

(38)

3.3.3 模型的更新

(39)

當模型迭代次數(shù)達到預(yù)設(shè)輪數(shù)M時，則生成了圖3所示的故障診斷模型。

3.4 初步監(jiān)測方案的改進

(40)

圖4 各輸入特征集合下的故障診斷準確率

(41)

式(41)作為本文的監(jiān)測方案進行25 Hz相敏軌道電路的故障診斷。此時，隨機搜索的結(jié)果為M=20，η=0.1，s=7，模型在驗證集上的故障診斷準確率可達到99.76%。

3.5 故障診斷策略設(shè)計3.5.1 診斷閾值的確定

為實現(xiàn)對非常見故障的判別，診斷方法設(shè)立了診斷閾值ε對模型輸出的預(yù)測概率進行判斷。為確定最佳診斷閾值ε*，本文對常見故障及其組合故障在不同閾值ε下的識別情況進行了統(tǒng)計。

考慮3種及3種以上故障同時發(fā)生的概率較低，本文首先對表2中常見故障進行了兩兩組合，并在除去相互矛盾的故障組合(如E1和E2)后，獲得了86種組合故障類型。隨后，使用故障注入技術(shù)，對每種組合故障各仿真了400組數(shù)據(jù)，構(gòu)建了非常見故障數(shù)據(jù)集DUN，并將其與測試集DTE合并成為故障合集DC。最后在不同的閾值ε的情況下，使用故障診斷模型對故障合集DC進行了預(yù)測，并獲得了不同閾值ε下模型對常見和非常見故障的識別率，結(jié)果見圖5。

圖5 不同閾值ε下模型對常見和非常見故障的識別率

由圖5(a)可知，隨著閾值ε的增加，模型對常見故障的識別率RRn在逐漸降低，對非常見故障的識別率RRu在逐漸上升。若令常見故障識別率的權(quán)重為α，非常見故障的權(quán)重為β，則最佳診斷閾值ε*可計算為

(42)

根據(jù)式(42)，工作人員可根據(jù)現(xiàn)場需求實時調(diào)整權(quán)重α和β的大小關(guān)系，對ε*進行更新。本文在此令α=β，則結(jié)合圖5(b)可求得ε*=0.8，此時模型對常見故障的識別率為93.5%，對非常見故障的識別率為84.54%。

3.5.2 診斷結(jié)果的輸出與診斷模型的再訓(xùn)練

確定最佳診斷閾值ε*后，為進一步提高現(xiàn)場診斷效率，當樣本被判為非常見故障時，診斷方法將輸出前3大預(yù)測概率對應(yīng)的故障類型為后續(xù)的診斷工作提供參考；當樣本被判為常見故障時，則直接輸出最大預(yù)測概率所對應(yīng)的故障類型。隨后，工作人員可根據(jù)輸出的故障類型對軌道電路進行故障排查。若實際故障的確為診斷方法輸出的故障類型之一，則可確定診斷結(jié)果，并及時開展軌道電路的維修；若不是，則再讓專業(yè)人員進行人工故障診斷，并將最后的人工診斷結(jié)果加入模型的訓(xùn)練集中，對模型進行再訓(xùn)練，提高模型對常見故障的診斷精度，同時對非常見故障進行學(xué)習(xí)，提升故障診斷模型的診斷性能。

4 實驗驗證

4.1 診斷方法功能驗證4.1.1 常見故障診斷

4.1.2 非常見故障診斷

首先，本文獲取了3種不同類型的組合故障作為非常見故障，其類型如表3所示。

表3 非常見組合故障列表

然后，采用故障注入技術(shù)將這3種類型的故障分別注入軌道電路中，獲得3組故障樣本，再將其輸入故障診斷模型中，即可得到其在各模式上的預(yù)測概率結(jié)果。該結(jié)果的前3大預(yù)測概率情況如表4所示。

表4 E15～E17故障樣本診斷結(jié)果的前3大預(yù)測概率情況

由表4得，對于由常見故障E6和E13組合成的故障E15，其最大預(yù)測概率為p6=47.41%，小于閾值ε*(80%)，因此診斷方法將把其判為非常見故障，輸出E6、E13和E12給現(xiàn)場的工作人員進行排查，而E6和E13的概率值遠大于E12，且正是組成故障E15的常見故障，證明了故障診斷策略的有效性。

同理，對于由常見故障E2和非常見故障組合成的故障E16，其最大預(yù)測概率p2=73.47%，小于閾值ε*，診斷方法將輸出E2、E9和E6這3種故障類型，且E2的概率值遠大于E9和E6的概率值，因此，工作人員可優(yōu)先排查故障E2，而E2正是E16的組成故障之一，證明故障診斷策略可提升現(xiàn)場的故障診斷效率。

對于由非常見的故障組合成的故障E17，其最大預(yù)測概率小于閾值ε*，且前3大預(yù)測概率值均較小，因此工作人員可根據(jù)該情況判斷出現(xiàn)場發(fā)生了不常見故障。

最后，將表3中的非常見組合故障E15數(shù)據(jù)加入到模型的訓(xùn)練集中，對模型進行再訓(xùn)練，并采集一組該故障現(xiàn)場數(shù)據(jù)輸入到模型中，獲得模型最大預(yù)測概率為p15，概率值為81.14%，超過了診斷閾值ε*，將輸出故障類型E15，與實際情況一致，證明了再訓(xùn)練過程的有效性。

4.2 診斷方法性能驗證

為驗證本文診斷方法的診斷性能，首先將本文方案與CSM現(xiàn)有方案相比較，其相應(yīng)準確率見圖6。

圖6 CSM方案與本文方案在常見故障準確率上的對比

由圖6可知，CSM在常見故障E3和E11上的準確率明顯低于本文方案，分別為89.25%和93%。相比之下，本文方法在各常見故障模式上的準確率均在98%以上，且對于CSM方案準確率最低的故障E3，本文方法也達到了99.5%?？梢?，本文方法對各常見故障的總體識別率較高，且分布平均，優(yōu)于CSM系統(tǒng)現(xiàn)有的診斷方法。

隨后，將本文所用方法與文獻[10]和文獻[13]所用方法進行對比，見圖7。

圖7 本文方法與文獻[10]和文獻[13]方法在常見故障準確率上的對比

由圖7可知，文獻[10]所用方法在常見故障E3和E11上的準確率明顯低于本文方法，分別為85.75%和89%；文獻[13]所用方法在常見故障E2、E3和E11上的準確率明顯低于本文方法，分別為82.75%、88.25%和85%。相比之下，本文所用方法在常見故障E2、E3和E11上的準確率可達99.75%、99.5%和99.75%，且在絕大部分故障模式上的準確率均優(yōu)于其他兩種方法，進一步驗證了本文方法的性能。

5 結(jié)論

25 Hz相敏軌道電路是我國鐵路信號設(shè)備的重要基礎(chǔ)設(shè)備，其安全可靠的運行對保障行車安全、提高運輸效率至關(guān)重要。因此，為提高該軌道電路的故障診斷性能，本文基于傳輸線理論和LightGBM算法對軌道電路的故障診斷方法進行了優(yōu)化。首先，采用電流監(jiān)測方式，將軌道電路室內(nèi)所有可行的電流監(jiān)測點加入原CSM監(jiān)測方案中，構(gòu)成本文的初步監(jiān)測方案，并利用傳輸線理論對所有可監(jiān)測信號進行建模。然后，使用故障注入技術(shù)對各常見故障模式下的監(jiān)測信號進行仿真，構(gòu)建故障數(shù)據(jù)集，生成相應(yīng)故障診斷模型，并基于模型的性能，進行監(jiān)測信號的篩選，并對初步監(jiān)測方案進行優(yōu)化。最后，設(shè)計包含診斷閾值與診斷模型再訓(xùn)練過程的故障診斷策略。

實驗表明，本文方法只需增加對送電端電源屏輸出電流的監(jiān)測，便可實現(xiàn)對25 Hz相敏軌道電路14種常見故障的精確診斷，并可實現(xiàn)對非常見故障的預(yù)判、再學(xué)習(xí)與診斷，可有效提升CSM對25 Hz相敏軌道電路的故障診斷性能，滿足鐵路現(xiàn)場對25 Hz相敏軌道電路的使用和維護要求。