基于RBF-DRNN應答器傳輸系統(tǒng)高速適應性評估方法研究

許慶陽，孟景輝，段賀輝，羅依夢

(1.中國鐵道科學研究院集團有限公司 基礎設施檢測研究所，北京 100081；2.北京鐵科英邁技術有限公司，北京 100081)

列車運營速度是衡量一個國家高速鐵路發(fā)展水平和國家工業(yè)科技水平的一項重要指標,隨著中國國家鐵路集團“CR450科技創(chuàng)新工程”的逐步推進[1],標志著速度為400 km/h的高速鐵路已成為未來發(fā)展方向。伴隨著列車運行速度的不斷提高,現(xiàn)有信號系統(tǒng)設備能否滿足實際運營需求仍需進一步研究。應答器作為車-地信息傳輸基礎設備之一[2],用于向列控系統(tǒng)車載設備提供關鍵行車信息,其一旦在更高速條件下不能滿足列車運行要求,輕則影響行車,降低運輸效率,重則危及行車安全[3]。故需針對應答器傳輸系統(tǒng)進行速度適應性研究。

國內學者主要利用理論模型對傳輸系統(tǒng)的高速適應性展開分析,如趙會兵等[4]為定量評估應答器信息接收單元(Bolise Transmission Module,BTM)的高速適應性,提出BTM動態(tài)特性關鍵參數(shù)的理論計算方法與測試方法;李正交等[5]采用馬爾可夫方法建立應答器傳輸系統(tǒng)可靠性評估模型,分析列車運行速度對系統(tǒng)可靠性指標的影響程度;陳大偉[6]通過建立應答器傳輸理論仿真模型,定量分析多普勒頻移、動態(tài)作用距離、噪聲等參數(shù)與列車運行速度之間的關系。以上研究大都是建立在理論模型的基礎上對應答器傳輸系統(tǒng)高速適應性進行分析,而鐵路現(xiàn)場環(huán)境復雜,理論模型及方法的適用性有待驗證。

本文基于高速綜合檢測車采集的應答器動態(tài)檢測數(shù)據(jù)[7],以BTM接收到的有效報文幀數(shù)作為應答器傳輸系統(tǒng)高速條件下的適應性評估指標,采用徑向基函數(shù)(Radical Basis Function,RBF)神經網絡,擬合列車運行速度與車載設備接收比特數(shù)之間的非線性關系,用于評估高速度級下車載設備接收比特數(shù),之后利用深度遞歸神經網絡(Deep Recurrent Neural Network,DRNN)建立接收比特數(shù)、誤碼率、有效率與有效報文幀數(shù)之間的關聯(lián)關系模型,最后基于RBF模型預測的高速度級下車載設備接收比特數(shù),結合應答器實際誤碼率、有效率,評估傳輸系統(tǒng)在高速度級下接收到的有效報文幀數(shù),并利用現(xiàn)場實際采集數(shù)據(jù)對模型準確性進行驗證,從而分析應答器傳輸系統(tǒng)在高速條件下的適應性。

1 應答器高速適應性評估指標

應答器傳輸系統(tǒng)由地面應答器、車載天線及BTM組成[8],其工作流程見圖1,地面應答器被激活后,發(fā)送4.234 MHz上行鏈路信號,該信號被BTM接收后,經過濾波、放大、解調、譯碼等處理,得到應答器傳輸報文信息,從而被車載安全計算機使用[9]。由此可見,報文信息被正常譯碼標志著傳輸系統(tǒng)工作正常,在同一速度級下,車載設備接收到正確報文數(shù)越多,系統(tǒng)的容錯性越強,說明其在該速度級下具有更高的適應性。因此選取BTM有效接收報文幀數(shù)作為應答器傳輸系統(tǒng)高速適應性評估指標。

圖1 應答器傳輸系統(tǒng)工作流程

在不考慮線路誤碼率的情況下,應答器BTM接收到的報文數(shù)NT計算式為

(1)

式中:NB為車載設備接收到的總比特數(shù);nbal為一幀報文數(shù)據(jù)碼位數(shù),長幀報文下nbal=1 023 bit[10];LD為車地有效作用距離;VT為列車運行速度,VB為數(shù)據(jù)平均傳輸速率。

通過式(1)可知,當車地有效作用距離一定時,列車速度越高,車地有效作用時間越短,這導致車載設備接收到的有效報文幀數(shù)逐漸減少,圖2為車載設備接收有效報文幀數(shù)隨列車速度的變化規(guī)律,可發(fā)現(xiàn)在300 km/h及更高速度等級條件下,車載BTM正常情況下平均接收到的有效報文幀數(shù)僅為4幀,甚至更低。一旦線路傳輸條件惡劣,車載設備接收不到完整報文的概率將大大增大,同時有效報文幀數(shù)與速度呈階梯狀負相關,若直接基于歷史數(shù)據(jù)進行有效報文幀數(shù)在更高速度等級的評估,結果具有不確定性。

圖2 速度與有效報文幀數(shù)關系

2 基于RBF-DRNN的應答器高速適應性評估方法

基于RBF-DRNN的應答器高速適應性評估方法整體思路見圖3。首先基于通過速度在350 km/h以下的應答器檢測數(shù)據(jù),訓練得到速度與接收比特數(shù)之間的RBF回歸模型。然后基于DRNN建立接收比特數(shù)、有效率、誤碼率與有效報文幀數(shù)的評估模型,通過學習數(shù)據(jù)中的動態(tài)信息來推斷列車在高速行駛狀況下車載設備接收有效報文幀數(shù)的變化趨勢。最后以通過速度達350 km/h以上的數(shù)據(jù)作為驗證集,基于已建立RBF回歸模型可以得到高速等級下的接收比特數(shù)信息,這些信息直接輸入至DRNN有效報文幀數(shù)評估模型,從而實現(xiàn)對更高速度下車載設備接收到的有效報文幀數(shù)進行預測。

2.1 基于RBF的應答器接收比特數(shù)回歸預測模型

作為一種前饋型神經網絡,RBF泛化學習能力更強,采用徑向基函數(shù)作為隱藏層的“基”,在面對非線性問題時,能以任意精度進行全局逼近,有效解決了BP神經網絡局部最優(yōu)解的問題。同時RBF神經網絡對隱含層各節(jié)點采用線性加權的形式得到輸出層結果,其輸入輸出映射更強,具有良好的自適應功能。故選取RBF神經網絡作為應答器接收比特數(shù)回歸預測模型,其總體思路見圖4。

圖4 基于RBF的應答器接收比特數(shù)回歸預測總體思路

在利用RBF神經網絡對速度與接收比特數(shù)關系進行回歸分析時,由于線路與車體環(huán)境影響,在同一速度級下,列車接收到的比特數(shù)存在一定差異,大多時候無法對比特數(shù)進行精確評估,而對同速度級下,BTM接收比特數(shù)的變化趨勢與變化空間進行預測顯得更為重要,若能掌握BTM接收比特數(shù)隨速度變化趨勢與變化空間,更便于現(xiàn)場掌握應答器傳輸系統(tǒng)的速度適應性。

故對同一速度級下BTM接收比特數(shù)進行處理,得到最小(Low)、平均(R)、最大(Up)接收比特數(shù)與速度關系樣本集,分別采用RBF網絡建立Low、R、Up的回歸預測模型,預測在高速度級下BTM接收比特數(shù)的變化趨勢和變化空間。

采用高斯函數(shù)作為應答器接收比特數(shù)回歸預測RBF神經網絡的徑向基函數(shù)[12],則激活函數(shù)R(xp-ci)和網絡輸出yj為

i=1,2,…,hp=1,2,…,P

(2)

j=1,2,…,np=1,2,…,P

(3)

式中:‖xp-ci‖2為歐式范數(shù),xp為第p個樣本的輸入,ci為第i個隱含層節(jié)點基函數(shù)的中心;h為隱含層節(jié)點數(shù);P為樣本數(shù);ωij為隱含層到輸出層的連接權值;n為輸出層節(jié)點數(shù);yj為輸出層節(jié)點j的實際輸出;σ為基函數(shù)的寬度參數(shù)。

為保證RBF神經網絡的準確性,需對ci、σi和ωij三個參數(shù)進行學習,計算步驟見圖5,為避免基函數(shù)過于分散,本文中各隱含層節(jié)點基函數(shù)寬度參數(shù)σi保持一致,其計算式為

(4)

式中:cmax為各隱含層中心之間最大距離。

得到隱含層節(jié)點參數(shù)后,計算各節(jié)點間的連接權值ω如下

i=1,2,…,hp=1,2,…,P

(5)

2.2 基于DRNN的應答器有效報文數(shù)評估模型

DRNN神經網絡采用多隱藏層結構,具有強大的學習能力,可深度描述應答器接收比特數(shù)、誤碼率、有效率與接收報文數(shù)之間復雜的非線性關系。同時應答器傳輸系統(tǒng)的傳輸性能應與其使用時間有一定的關聯(lián)性,而DRNN網絡通過增設反饋關聯(lián)層,使網絡的輸出能關聯(lián)到每一時刻的歷史信息,具有良好的動態(tài)記憶能力,在自調節(jié)訓練期間通過前饋傳遞和反向網絡參數(shù)優(yōu)化更新,學習歷史數(shù)據(jù)中潛在依賴性信息[14],并基于學習的動態(tài)信息有效揭示在列車高速行駛狀況下有效報文幀數(shù)的變化趨勢。訓練完成后的DRNN模型可以自動評估應答器有效報文幀數(shù),所構建的模型見圖6。

針對路線多樣性,需構建一個通用模型對不同線路中應答器傳輸有效報文幀數(shù)進行預測。考慮各線路上應答器傳輸?shù)恼`碼率和有效率具有顯著的模式特征,因此采用包括接收比特數(shù)、誤碼率、有效率的多變量序列數(shù)據(jù)作為輸入數(shù)據(jù)用于DRNN模型學習,以提升模型對于不同線路的泛化能力。通過對多變量序列數(shù)據(jù)的內在關聯(lián)性特征以及連貫的動態(tài)依賴性進行學習,DRNN模型可以準確地預測不同線路下的應答器有效報文幀數(shù)。將時間跨度T內的上述參數(shù),作為補充數(shù)據(jù)輸入至模型,從而得到多變量輸入序列X={xt|t=1,…,T},其中xt=(speedt,totalBitt,bert,validRatet);對應的輸入序列為有效報文幀數(shù)序列Y={vt|t=1,…,T}。

該DRNN模型由一個輸入層、三個長短期記憶(LSTM)網絡層、一個全連接層以及一個輸出層堆疊構建,每個LSTM網絡層和全連接層均采用Dropout正則化技術,以防止過擬合問題。通過這種構建方式,網絡的內在狀態(tài)和參數(shù)被分布在不同層次以增強記憶尺寸[15]。三個堆疊LSTM層計算并輸出多變量序列的狀態(tài)信息為

(6)

(7)

(8)

式中:M為樣本數(shù)。

每一次訓練后,通過反饋傳播將模型的總體損失發(fā)送至DRNN中,以此更新梯度參數(shù)。直至所有訓練完成后,基于Adam隨機優(yōu)化器來有效傳播梯度并最小化損失函數(shù)[16]。

3 實驗驗證

以某線路聯(lián)調聯(lián)試過程中應答器動態(tài)檢測數(shù)據(jù)為依據(jù),選取通過速度在350 km/h以下的應答器檢測數(shù)據(jù)作為訓練集,350 km/h及以上的應答器檢測數(shù)據(jù)作為測試集進行驗證。結果如下:

(1)基于RBF的接收比特數(shù)回歸預測模型

圖7為最小、平均、最大接受比特數(shù)與速度的RBF擬合結果。為評估模型的準確性,選用誤差平方和SSE、確定系數(shù)R-square作為評估指標,可發(fā)現(xiàn)Low、R、Up三種擬合模型的SSE值分別為3.076×107、3.247×107、7.056×107,R-square分別為0.999 6、0.999 6、0.999 4,三種擬合模型的R-square均接近于1,說明基于RBF的應答器接收比特數(shù)回歸模型對列車通過速度為350 km/h及以下的應答器接收比特數(shù)評估效果良好。

圖7 基于RBF網絡建立速度-比特數(shù)擬合結果

(2)基于DRNN的有效報文幀數(shù)評估模型

對聯(lián)調聯(lián)試數(shù)據(jù)進行異常值剔除后,選取列車通過速度在350 km/h及以下的應答器檢測數(shù)據(jù)作為樣本數(shù)據(jù)集,按照8∶2的比例劃分為訓練集與測試集樣本。利用訓練集數(shù)據(jù)完成應答器傳輸性能評估DRNN模型的訓練,之后利用測試集數(shù)據(jù)驗證模型的準確性。圖8為DRNN神經網絡測試結果,為量化模型的評估結果,選擇均方根誤差RMSE和平均絕對誤差MAE作為模型評估指標[17],計算式為

圖8 基于DRNN神經網絡的訓練集評估結果

(9)

(10)

誤差越小說明模型擬合結果越好。經計算得到模型RMSE=0.130 4,MAE=0.098 7,可發(fā)現(xiàn)DRNN可以有效地評估不同時間內有效報文幀數(shù)。

(3)基于RBF-DRNN的應答器高速適應性評估結果

基于訓練好的RBF神經網絡和DRNN模型,對樣本中列車運行速度達350～385 km/h的BTM接收報文幀數(shù)進行評估,通過與實際測量值進行對比,從而評估所提出方法的準確性。

圖9為基于訓練好的RBF網絡預測350 km/h以上速度時,BTM接收到的最大、最小以及平均比特數(shù)預測結果與誤差,可以發(fā)現(xiàn)整體而言,隨著列車速度等級的提升,車載設備接收到的比特數(shù)呈下降趨勢,且基于RBF網絡的平均誤差約為3.85%,其中速度-平均接收比特數(shù)的RBF模型誤差最小,平均誤差僅為1.65%。

圖9 350 km/h以上速度條件RBF網絡預測結果及誤差

基于RBF網絡預測速度大于350 km/h條件下BTM接收比特數(shù)后,需進一步結合線路實際誤碼率、有效率,對BTM接收有效報文幀數(shù)進行評估,從而為應答器傳輸系統(tǒng)在350 km/h以上條件下的適應性評估提供依據(jù)。圖10為列車通過地面應答器時速超過350 km/h條件下,車載BTM實際接收報文數(shù)與RBF-DRNN模型預測報文數(shù)的對比結果,求得預測模型RMSE=0.480 0,MAE=0.456 2,整體誤差相對較小,且實際接收報文數(shù)基本處于模型評估的最大、最小接收報文之間,其中平均誤差為0.45幀,最大的絕對誤差為0.81幀。

表1為采用不同方法進行高速度級下報文數(shù)的預測結果,可發(fā)現(xiàn)多項式回歸(Polynomial Regression)模型訓練測試時間最短,但是預測精度誤差最大;相較于直接利用速度進行報文數(shù)的預測模型,RBF-DRNN模型雖然訓練時間相對較長,但是基于訓練好的模型進行測試數(shù)據(jù)的評估時間基本一致,均保持在20 ms左右,且RBF-DRNN模型對高速度級下報文數(shù)的預測誤差遠低于其他方法,說明采用RBF-DRNN方法可以更好地評估應答器傳輸系統(tǒng)在高速條件下接收報文數(shù)。

表1 不同模型報文預測結果對比

4 結論

基于應答器動態(tài)檢測數(shù)據(jù),本文提出一種應答器高速適應性評估方法。首先針對應答器傳輸系統(tǒng)作用過程,選取BTM接收有效報文幀數(shù)作為傳輸系統(tǒng)高速適應性評估指標,然后采用RBF神經網絡構建了列車運行速度與車載設備接收比特數(shù)之間的非線性關系模型,并預測更高速度等級下BTM接收比特數(shù),之后采用DRNN神經網絡建立BTM接收有效報文幀數(shù)與接收比特數(shù)、有效率、誤碼率的關聯(lián)關系模型。最后以某線路聯(lián)調聯(lián)試數(shù)據(jù)為依據(jù),以350 km/h以下速度的應答器檢測結果為訓練集樣本,建立RBF-DRNN模型,以350 km/h以上速度的應答器檢測結果進行驗證。實驗結果表明,基于RBF-DRNN的應答器高速適應性評估方法可對350 km/h及以上條件下,應答器接收有效報文幀數(shù)進行評估,最大的絕對誤差為0.81幀?？梢?該方法能有效評估車載BTM在更高時速條件下的接收報文數(shù),為400 km/h以上高速鐵路應答器傳輸系統(tǒng)的適應性分析提供一定的參考意義。