基于SSAE-DNN 的無絕緣軌道電路故障診斷研究

王國保，蔡水涌，楊紅剛，謝本凱，黃春雷

（1.鄭州航空工業(yè)管理學(xué)院 管理工程學(xué)院，鄭州 450046；2.黑龍江瑞興科技股份有限公司，哈爾濱 150030）

軌道電路是用來監(jiān)測線路的占用情況及列車運行情況、控制道岔轉(zhuǎn)轍機(jī)的設(shè)備。由于軌道電路的構(gòu)成較為復(fù)雜，且受室外環(huán)境影響較大，導(dǎo)致其發(fā)生故障的概率較高，且故障類型復(fù)雜多樣。因此，監(jiān)測軌道電路的運行狀態(tài)并診斷故障類型對確保列車安全運行具有重要意義。

很多學(xué)者對軌道電路的智能故障診斷方法展開了研究，且取得了相應(yīng)的研究成果。文獻(xiàn)[1]采用模糊邏輯與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對25 Hz 相敏軌道電路建立故障診斷模型，實現(xiàn)對道砟電阻低、電源電壓高、電源電壓低和防護(hù)盒斷線等多種故障的診斷；文獻(xiàn)[2]結(jié)合深度信念網(wǎng)絡(luò)和BP 神經(jīng)網(wǎng)絡(luò)建立軌道電路故障診斷模型，實現(xiàn)軌道電路的15 種故障分類。以往相關(guān)研究實現(xiàn)了對故障信號的智能監(jiān)測與診斷，提高了工作效率，但存在診斷精度低等問題，難以切實應(yīng)用到工業(yè)領(lǐng)域。隨即，學(xué)者們針對如何提高診斷準(zhǔn)確率展開了進(jìn)一步的研究。研究發(fā)現(xiàn)，實現(xiàn)故障診斷的關(guān)鍵在于故障特征的提取[3]。文獻(xiàn)[4]分別采用核主元分析和局部非負(fù)矩陣分解方法，對時頻圖像的全局和局部特征進(jìn)行提取融合，并使用獨立分量分析法對融合得到的特征進(jìn)行降維，最后使用最近鄰分類器實現(xiàn)故障分類；文獻(xiàn)[5]建立基于核主元分析和稀疏自編碼器（SAE，Sparse Auto-Encoder）構(gòu)建的軌道電路故障診斷模型，與原SAE故障診斷模型相比，平均診斷準(zhǔn)確率有所提高，平均診斷時間相對較短。上述故障特征的提取都是基于機(jī)理的提取，有一定的物理意義，但存在較大的局限性[6]，需要掌握大量處理信號數(shù)據(jù)的方法與故障診斷的經(jīng)驗。

隨著大數(shù)據(jù)分析、機(jī)器學(xué)習(xí)、人工智能等技術(shù)的發(fā)展，一些學(xué)者開始研究智能特征提取算法，采用無監(jiān)督或半監(jiān)督的學(xué)習(xí)方法對故障數(shù)據(jù)進(jìn)行深層特征提取，避免傳統(tǒng)手工提取特征的信息遺漏問題。文獻(xiàn)[7]采用SAE 實現(xiàn)軸承數(shù)據(jù)的特征提取，得到了不同裂縫尺寸下軸承的故障特征；文獻(xiàn)[8]采用最大熵來優(yōu)化SAE 的損失函數(shù)，增強(qiáng)了模型提取滾動機(jī)械振動信號故障特征的能力。現(xiàn)有研究表明，自編碼器（AE，Auto-Encoder）能夠在訓(xùn)練過程中挖掘故障數(shù)據(jù)的深層特征，有助于提高故障診斷的準(zhǔn)確率，加速智能故障診斷算法在工業(yè)領(lǐng)域的應(yīng)用。

基于上述研究，針對ZPW-2000R 型無絕緣軌道電路的故障診斷準(zhǔn)確率較低等問題，本文將棧式稀疏自編碼器（SSAE，Stacked SAE）和深度神經(jīng)網(wǎng)絡(luò)（DNN，Deep Neural Networks）相結(jié)合，提出了基于SSAE-DNN 的智能故障診斷方法，利用SSAE 的特征提取能力，實現(xiàn)故障數(shù)據(jù)特征的有效提取，提取出的深度特征同時具有全局特征和局部特征，能有效地完成無絕緣軌道電路輸入信號的信息表達(dá)[9]，將經(jīng)SSAE 提取的特征輸入到DNN 模型中，進(jìn)行訓(xùn)練和預(yù)測，并通過大量仿真實驗，實現(xiàn)故障類型的準(zhǔn)確分類。

1 相關(guān)原理

1.1 SAE 原理

AE 是一種無監(jiān)督的數(shù)據(jù)維度壓縮和數(shù)據(jù)特征表達(dá)方法[10]。它由兩部分組成：編碼器（Encoder）和解碼器（Decoder）。AE 的網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。

圖1 AE 網(wǎng)絡(luò)結(jié)構(gòu)

圖1 中，Χ為編碼器的輸入數(shù)據(jù)；Ζ為編碼器將高維數(shù)據(jù)Χ映射到低維抽象空間的數(shù)據(jù)，亦稱為瓶頸層；Χ′為解碼器通過數(shù)據(jù)Ζ重建后的數(shù)據(jù)。AE 的編碼過程、解碼過程和損失函數(shù)分別如公式（1）～公式（3）所示。

式中，gφ和fβ分別為編碼器和解碼器中的激活函數(shù)；W1、b1、W2、b2分別為編碼器和解碼器中的權(quán)重矩陣和偏置向量；m為網(wǎng)絡(luò)中樣本點的數(shù)量。

為了避免AE 對恒等函數(shù)的簡單學(xué)習(xí)，Olshausen 等學(xué)者[11]在AE 中添加了稀疏懲罰項，提出了SAE。稀疏性限制是在AE 的損失函數(shù)上添加關(guān)于激活度的正則化項，懲罰過大的激活度，降低無效的特征數(shù)據(jù)量。通常采用 L1范數(shù)或 KL散度正則化項。

當(dāng)采用 KL 散度正則化項時，給定稀疏性參數(shù) ρ，隱藏層節(jié)點j的平均激活度為，KL 正則化系數(shù) β，SAE 的損失函數(shù)為

KL散度的計算公式為

稀疏性參數(shù) ρ 通常近似為0，表示隱藏層節(jié)點的理想平均激活度，為達(dá)到更好的稀疏效果，隱藏層節(jié)點的激活度必須趨近于0。的計算公式為

式中，αj(Xi) 為在給定輸入為第i組樣本的情況下，隱藏層第j個神經(jīng)元的單元激活量。

1.2 SSAE 原理

由多個SAE 疊加構(gòu)造的網(wǎng)絡(luò)稱為SSAE。SSAE是將前1 層SAE 的輸出作為后1 層SAE 的輸入，采用逐層貪婪訓(xùn)練法獲取SSAE 參數(shù)，即在訓(xùn)練某層參數(shù)時，保持其他層參數(shù)不變，逐層訓(xùn)練[12]。SSAE 的訓(xùn)練過程如圖2 所示。

圖2 SSAE 訓(xùn)練過程

由圖2 可看出，訓(xùn)練好一個SAE 結(jié)構(gòu)后，舍去解碼器部分，將編碼器部分的輸出作為下一個編碼器的輸入，再用反向傳播進(jìn)行訓(xùn)練，如此重復(fù)，使每次棧式過程的學(xué)習(xí)保持近似最優(yōu)，最后添加上相對應(yīng)個數(shù)和結(jié)構(gòu)的解碼器，便完成了SSAE 的訓(xùn)練。

1.3 DNN 原理

DNN 是具有至少2 個隱藏層的神經(jīng)網(wǎng)絡(luò)，為深度學(xué)習(xí)的一種框架。與淺層神經(jīng)網(wǎng)絡(luò)相比，既能為復(fù)雜非線性的系統(tǒng)建立模型，又能提供更高的抽象層次，更好地學(xué)習(xí)有效信息[13]。具有2 個隱藏層的DNN 結(jié)構(gòu)如圖3 所示。

圖3 具有2 個隱藏層的DNN 結(jié)構(gòu)

由圖3 可知，DNN 各層間是全連接的，包含正向傳播和反向傳播兩個過程。

2 SSAE-DNN 模型

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

在訓(xùn)練一個有效的深度學(xué)習(xí)模型的過程中，參數(shù)尋優(yōu)一直是研究人員關(guān)注的重點問題[14]。為了構(gòu)建最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)，本文采用“經(jīng)驗法”與“試湊法”來獲取模型的各類參數(shù)。

由于SAE 個數(shù)太多會造成網(wǎng)絡(luò)訓(xùn)練不穩(wěn)定，因此，本文選擇由2 個SAE 組成的網(wǎng)絡(luò)對無絕緣軌道電路故障數(shù)據(jù)進(jìn)行訓(xùn)練和特征提取，瓶頸層的節(jié)點數(shù)量設(shè)置為30。為保證SSAE 模型能夠在微調(diào)后快速收斂，將神經(jīng)元的丟棄比例設(shè)置為0.2，并在每層之間添加批量歸一化。為避免梯度消失和梯度爆炸，本文選擇ReLU 作為激活函數(shù)?？紤]到SSAE 提取數(shù)據(jù)特征的稀疏性，選擇Adam 優(yōu)化器，損失函數(shù)選擇經(jīng)典的均方誤差與散度相結(jié)合，迭代次數(shù)設(shè)置為200 次，批處理大小設(shè)置為64 次。

由于SSAE 網(wǎng)絡(luò)為無監(jiān)督學(xué)習(xí)，只能實現(xiàn)原始數(shù)據(jù)的重構(gòu)，為使SSAE 具有分類識別的功能，本文將編碼器提取后的數(shù)據(jù)特征作為DNN 的輸入，實現(xiàn)對故障數(shù)據(jù)的分類效果。DNN 網(wǎng)絡(luò)結(jié)構(gòu)為：隱藏層為2 層、隱藏層節(jié)點數(shù)分別為22 和18 個、隱藏層激活函數(shù)為ReLU、輸出層節(jié)點數(shù)為故障種類個數(shù)、輸出層激活函數(shù)為Softmax、優(yōu)化器為Adam、損失函數(shù)為多分類交叉熵、迭代次數(shù)為200 次。

2.2 算法實現(xiàn)

本文基于SSAE-DNN 模型構(gòu)，實現(xiàn)了無絕緣軌道電路智能故障診斷。對獲取的故障數(shù)據(jù)進(jìn)行歸一化處理，并將其劃分為訓(xùn)練樣本和測試樣本，劃分比例為8∶2；再將其輸入到SSAE 中進(jìn)行特征提取，得到數(shù)據(jù)的深度特征；隨后輸入到DNN 中進(jìn)行訓(xùn)練和預(yù)測；最終輸出故障類別。診斷流程如圖4 所示。

圖4 ZPW-2000R 型無絕緣軌道電路智能故障診斷流程

3 ZPW-2000R 設(shè)備和數(shù)據(jù)集

3.1 ZPW-2000R 型無絕緣軌道電路設(shè)備

ZPW-2000R 型無絕緣軌道電路設(shè)備采用模塊化設(shè)計，由發(fā)送設(shè)備、接收設(shè)備、通道設(shè)備和軌旁設(shè)備組成，主要用于實現(xiàn)對無絕緣軌道電路占用檢查、斷軌斷線檢查、機(jī)車所需信息的安全傳遞和智能運維等功能。ZPW-2000R 型無絕緣軌道電路拓?fù)浣Y(jié)構(gòu)如圖5 所示[15]，包括室內(nèi)部分和室外部分。

圖5 ZPW-2000R 型無絕緣軌道電路拓?fù)浣Y(jié)構(gòu)

3.2 數(shù)據(jù)集

根據(jù)ZPW-2000R 型無絕緣軌道電路拓?fù)浣Y(jié)構(gòu)，本文采用A 公司監(jiān)測的電路特征，收集正常狀態(tài)的數(shù)據(jù)和14 種故障類型的數(shù)據(jù)。每種故障類型分別在5 個區(qū)段中進(jìn)行測試，5 個區(qū)段分別為中間區(qū)段10455AG、道口接近區(qū)段10499AG 和10555AG、離去區(qū)段10562BG 和無岔區(qū)段IG2。故障類型的相關(guān)信息如表1 所示。

表1 ZPW-2000R 型無絕緣軌道電路14 種故障類型

4 故障診斷實例分析及比較

4.1 實例分析

為驗證基于SSAE-DNN 的智能故障診斷方法的效果，本文采用ZPW-2000R 型無絕緣軌道電路的故障數(shù)據(jù)進(jìn)行大量實驗。

4.1.1 訓(xùn)練部分

采用SSAE 對原始信號數(shù)據(jù)進(jìn)行自適應(yīng)特征提取，提取30 項特征。為體現(xiàn)SSAE 的故障數(shù)據(jù)特征提取能力，本文將編碼器部分提取到的訓(xùn)練樣本數(shù)據(jù)特征輸入到T-SNE 方法中，T-SNE 將訓(xùn)練樣本的數(shù)據(jù)特征映射到二維空間，繪制的散點圖如圖6 所示，每種顏色代表一種故障類型。由圖6 可看出，經(jīng)SSAE 提取數(shù)據(jù)特征后，不同的故障類型數(shù)據(jù)分布在二維空間的不同位置，互不重疊，區(qū)分度明顯，證明了本文構(gòu)建的SSAE 對ZPW-2000R 型無絕緣軌道電路故障數(shù)據(jù)具有較強(qiáng)的故障數(shù)據(jù)特征提取能力。

圖6 訓(xùn)練集提取特征后降維可視化效果

為進(jìn)一步驗證經(jīng)SSAE 提取故障數(shù)據(jù)特征后，有助于實現(xiàn)故障診斷，本文將原始數(shù)據(jù)和經(jīng)過SSAE進(jìn)行特征提取后的數(shù)據(jù)都輸入到DNN 中，比較兩者訓(xùn)練過程的準(zhǔn)確率和損失值，訓(xùn)練過程的比較如圖7所示。

圖7 DNN 分類器訓(xùn)練過程的準(zhǔn)確率與損失值變化曲線

由圖7 可知，兩者在5 個區(qū)段中的準(zhǔn)確率都隨迭代次數(shù)的增加而增加，但是相比于原始數(shù)據(jù)，經(jīng)過SSAE 進(jìn)行特征提取后的數(shù)據(jù)均更早穩(wěn)定，在未達(dá)到穩(wěn)定之前，相同迭代次數(shù)下，原始數(shù)據(jù)的準(zhǔn)確率較低；兩者在5 個區(qū)段中的損失值都隨著迭代次數(shù)的增加而減少，且最終均穩(wěn)定于0，經(jīng)過SSAE 進(jìn)行特征提取后的數(shù)據(jù)相比于原始數(shù)據(jù)更早降至0。由此可知，經(jīng)SSAE 提取故障數(shù)據(jù)特征有助于提高故障診斷準(zhǔn)確率，且減少了故障診斷時間。

4.1.2 測試部分

為清楚地體現(xiàn)DNN 對每種故障的診斷效果，將原始數(shù)據(jù)和經(jīng)過SSAE 進(jìn)行特征提取后的測試樣本都輸入到訓(xùn)練好的DNN 中。得到正常數(shù)據(jù)和14 種故障數(shù)據(jù)的預(yù)測情況，如圖8 所示。由圖8 可看出，DNN 能準(zhǔn)確診斷出正常數(shù)據(jù)和14 種故障數(shù)據(jù)，且總體診斷準(zhǔn)確率較高。但也存在少數(shù)誤判情況：在區(qū)段10455AG 中，原始數(shù)據(jù)出現(xiàn)7 條錯誤預(yù)測，錯誤預(yù)測類型分別為正常數(shù)據(jù)、標(biāo)簽為6、標(biāo)簽為9、標(biāo)簽為10 和標(biāo)簽為13 的故障數(shù)據(jù)；而經(jīng)SSAE 進(jìn)行特征提取后的數(shù)據(jù)僅出現(xiàn)1 條錯誤預(yù)測，將標(biāo)簽為1 的故障數(shù)據(jù)誤判為標(biāo)簽為2 的故障數(shù)據(jù)。在其余4 個區(qū)段中，預(yù)測模型對于經(jīng)SSAE 特征提取后的數(shù)據(jù)預(yù)測準(zhǔn)確率均高于對原始數(shù)據(jù)預(yù)測的準(zhǔn)確率。結(jié)果顯示，經(jīng)SSAE 進(jìn)行特征提取后的ZPW-2000R 型無絕緣軌道電路數(shù)據(jù)相較原始數(shù)據(jù)更有助于DNN 對其進(jìn)行分類。

圖8 DNN 模型預(yù)測過程中各種標(biāo)簽的真實與預(yù)測情況

4.2 方法對比

為進(jìn)一步證明本文方法對ZPW-2000R 型無絕緣軌道電路故障診斷具有優(yōu)勢，選擇反向傳播（BP，Back Propagation）神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)（CNN，Convolutional Neural Network）和支持向量機(jī)（SVM，Support Vector Machine）與本文方法對比，對區(qū)段10455AG 的故障數(shù)據(jù)進(jìn)行分析比較，為避免試驗過程中隨機(jī)因素對試驗結(jié)果的影響，每種方法進(jìn)行10次試驗，不同方法每種故障數(shù)據(jù)的平均準(zhǔn)確率如圖9所示。

圖9 不同方法的預(yù)測結(jié)果

由圖9 可知，本文方法對于標(biāo)簽為1 的故障數(shù)據(jù)預(yù)測準(zhǔn)確率為91.67%，其余故障數(shù)據(jù)的預(yù)測準(zhǔn)確率均為100%。而其他3 種方法，對于標(biāo)簽為1 的故障數(shù)據(jù)預(yù)測準(zhǔn)確率分別為83.33%、87.50%和83.33%，且對于正常數(shù)據(jù)、標(biāo)簽為6 和標(biāo)簽為8 等故障數(shù)據(jù)都出現(xiàn)預(yù)測錯誤的情況。由此可知，本文方法對于ZPW-2000R 型無絕緣軌道電路故障數(shù)據(jù)的診斷準(zhǔn)確率優(yōu)于BP 神經(jīng)網(wǎng)絡(luò)、CNN 神經(jīng)網(wǎng)絡(luò)和SVM。因此，本文提出的基于SSAE-DNN 的ZPW-2000R 型無絕緣軌道電路故障診斷方法具有更高的故障診斷精度。

5 結(jié)束語

本文提出的基于SSAE-DNN 模型的故障診斷方法在ZPW-2000R 型無絕緣軌道電路故障診斷中具有較好的性能。并通過一系列的試驗證明了該方法的有效性、可行性和優(yōu)越性。但本文并未將SSAE 與其他特征提取方法進(jìn)行對比，后續(xù)研究將會考慮對比多種特征提取方法，采用更優(yōu)的方法獲取故障數(shù)據(jù)的深層特征，進(jìn)一步提高故障診斷準(zhǔn)確率。