基于深度学习的无绝缘轨道电路故障诊断研究

谢旭旭, 戴胜华

(北京交通大学 电子信息工程学院，北京 100044)

轨道电路是列车运行控制系统的重要组成部分，对保证列车安全运行起着重要作用。在我国，铁路区间普遍采用ZPW-2000A无绝缘轨道电路。轨道电路系统构成复杂且工作环境恶劣，是铁路信号系统中的薄弱环节，故障发生概率较高且故障现象存在多样性[1]。目前，现场主要采用定期维护维修方式排查轨道电路隐患，凭借工作人员经验进行故障诊断，此种方式会导致故障处理时间长、效率低；另外，维修人员的劳动强度增大，易出现诊断失误[2]，影响区间列车运行。因此，引入智能诊断算法来辅助现场人员进行故障诊断就变得尤为重要。

近几年来，随着机器学习、智能算法的兴起，国内外的学者将大量智能技术引入轨道电路的故障诊断中，取得了众多研究成果。文献[3]针对无绝缘轨道电路常见的故障模式，利用粗集理论和组合决策树进行逐层故障判别。文献[4]通过在传统神经网络的基础上加入模糊理论的方式，可以准确识别轨道电路故障。文献[5]在模糊认知图中加入属性约简和自适应遗传算法对故障数据进行预处理，可以对ZPW-2000A轨道电路的故障进行有效诊断。文献[6]以TCR接收信号的幅值趋势为特征，采用分段计算查找特定值和一阶导数二次判别相结合的方式实现对补偿电容故障的快速诊断。文献[7]提出利用模糊故障诊断法、遗传算法以及灰色系统理论相组合的方法对25 Hz相敏轨道电路进行故障诊断。

本文在轨道电路故障模式的基础上，结合深度信念网络和BP神经网络建立轨道电路的故障诊断模型。该模型利用深度信念网络无监督分层训练算法，重组故障数据网络体系中的分布，通过有监督训练对整个网络进行微调，实现最优特征参数的提取，再以BP神经网络作为分类器，实现对轨道电路的故障诊断。仿真测试结果显示，该组合模型能有效诊断ZPW-2000A轨道电路的多种故障模式。

1 深度信念网络

近年来，基于传统神经网络的深度学习引起了广泛关注，深度学习是机器学习的一个分支，它使用由多个非线性转换组成的模型结构对数据中的高级抽象进行建模[8-9]。深度信念网络由Hinton[10]在 2006年提出，它的出现成功解决了深层结构的参数空间搜索问题。在结构上，DBN由简单的学习模块堆叠而成，每个学习模块是具有两层特征检测单元的受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)。图1是由2个RBM组成的DBN模型，DBN在训练时采用逐层训练的方式，学习过程包含前向堆叠RBM学习和反向调优学习。

图1 DBN结构示意

1.1 前向堆叠RBM学习

RBM是基于能量的概率图模型。由图1可以看出，RBM由可见层和隐含层连接而成，可见单元v和隐藏单元h通过权重W对称连接，同一层各神经元之间相互独立，只有激活和未激活两种状态，利用二进制的0和1表示。对于一个二进制的RBM，给定可见单元v的状态和模型参数θ，隐含单元j的激活概率可以表示为

( 1 )

同理，给定隐含单元h的状态，可见单元的激活概率为

( 2 )

式中：ai和bj分别为可见层神经元vi和隐含层hj的偏置；Wij为可见层与隐含层神经元之间的权重；m和n为可见层和隐含层神经元的个数；θ={W,a,b}代表模型参数。

可见单元和隐藏单元上的联合概率分布被定义为

( 3 )

式中：E(v,h;θ)为RBM的能量函数，定义为

( 4 )

训练RBM的主要目的是为了在概率分布P(v,h)达到最大值时确定出网络模型的参数θ={W,a,b}，因此，需采用极大似然法对下式进行最大化，进而求取参数θ[11]。

( 5 )

采用随机梯度上升算法来最大化对数似然函数，通过迭代的方式进行参数更新，迭代公式为

( 6 )

对参数θ求偏导得

( 7 )

为此，文献[12]提出了对比散度算法(Contrastive Divergence，CD)。该算法的核心是交错的吉布斯采样，计算过程见图2。首先把训练数据传递给v0，采用式( 1 )计算出隐含层神经元的条件概率，并用Gibbs抽样确定隐含层神经元的状态h0；利用式( 2 )计算可视层神经元的条件概率，再次利用Gibbs抽样确定可视层神经元状态v1，完成一次重构。

图2 CD算法训练RBM

参数θ={W,a,b}的更新过程为

ΔWij=α(Edata(vihj)-Erecon(vihj))

( 8 )

Δaij=α(Edata(vi)-Erecon(vi))

( 9 )

Δbij=α(Edata(hj)-Erecon(hj))

(10)

式中：α为学习率；Edata(·)为偏导函数在P(h|v)分布下的期望；Erecon(·)为偏导函数在重构模型分布下的期望。

文献[12]通过数值实验证明，CD-1算法在计算时间和计算效果上都有显著的优势，基于CD-1的RBM训练过程为：

Step1确定参数，包括样本集x=[x1,x2,x3,…,xn]T，学习率α，隐含层节点数m。

Step2参数初始化。

可视层v0=x

Wij=0.1×randn(m,n)

a=zeros(1,m)

b=zeros(1,n)

Step3训练数据。

forj=1,2,3,…,m

从P(hj0=1|v0)中抽取样本hj0∈{0,1}

end

fori=1,2,3,…,n

从P(vi1=1|h0)中抽取样本vi1∈{0,1}

end

forj=1,2,3,…,m

从P(hj1=1|v1)中抽取样本hj1∈{0,1}

end

Step4参数更新。

W←mW+α(h0v0-h1v1)

b←mb+α(v0-v1)

a←ma+α(h0-h1)

式中：v0为RBM使用CD-1算法前可视层神经元的初始状态；v1为CD-1重构后可视层神经元状态；h0与h1同理。

1.2 反向调优过程

前向RBM的堆叠学习属于无监督学习过程，而有监督学习是将无监督学习到的结果作为输入参数的初始化。单层RBM网络仅能保证网络层输入输出映射的最佳关系，模型的反向传播函数能对整个DBN网络和RBM网络进行微调。反向调优是从DBN网络模型的最后一层出发，利用已知标签逐步对每个RBM参数进行微调，重复反向传播算法直至达到预设的最大迭代次数。反向调优可使DBN的分类效果得到进一步的优化。

DBN模型的最后一层采用softmax作为分类器，最为典型的为BP神经网络。当DBN与BPNN进行结合时，RBM无监督训练产生的参数被看作是BP神经网络参数的初始值，可以很好地解决BP神经网络训练过程中的不确定性和局部最优化问题[13]。

2 ZPW-2000A轨道电路故障分析

2.1 ZPW-2000A轨道电路构成

ZPW-2000A轨道电路由主轨道和调谐区两部分组成，并将调谐区视为列车运行前方的“延续区段”[14]，从发送端到接收端，分别由发送器、电缆模拟网络、匹配变压器、调谐单元、空闲线圈、补偿电容、衰耗器、接收器、轨道继电器构成[1]。ZPW-2000A轨道电路通过发送器将不同含义的低频信号送入主轨道区段和小轨道电路。低频信号分两路进行传输，一路直接送至本区端接收器，另一路通过调谐区送至运行前方相邻轨道区段的接收器，并将检查后的调谐区状态条件(XG、XGH)送至本区端接收器。两路信息判断无误后驱动轨道继电器动作，由此判定轨道区段的空闲和占用。ZPW-2000A轨道电路结构见图3。

图3 ZPW-2000A轨道电路结构

2.2 ZPW-2000A轨道电路故障类别

ZPW-2000A轨道电路的故障模式分为有报警故障和无报警故障。发送器和接收器发生故障时，移频报警继电器YBJ落下，引发声光报警，称为有报警故障，有警故障可以快速锁定故障范围。无报警故障则需要维修人员根据实际情况结合自身经验进行判断。本文结合现场需求将ZPW-2000A轨道电路典型故障模式归纳如表1所示[15]。

表1 轨道电路典型故障模式

3 基于DBN的轨道电路故障诊断网络设计

3.1 故障数据获取

诊断算法所需的数据包含两部分，即训练集数据和测试集数据。其中，训练集数据样本必须包含所有的故障模式。轨道电路的正常数据可以在信号集中监测系统中获取，其他14种故障样本则需要通过建立轨道电路理论模型获得。目前现场信号集中监测参量中共有6个监测量，主要针对室内设备，分别为发送电压、发送电流、电缆侧发送电压、电缆侧接收电压、主轨入电压、主轨出电压。为了提高轨道电路的监测水平，铁路部门在现有监测量的基础上增加对室外调谐区的监测，主要采集量为：发送端TU1电流、发送端SVA电流、发送端TU2电流、接收端TU1电流、接收端SVA电流、接收端TU2电流[15]。本文把以上12个电压电流监测量作为轨道电路故障数据的特征集。

3.2 故障诊断网络结构设计

基于DBN的轨道电路故障诊断模型基本结构见图4。该模型的输入是由发送电压M1、发送电流M2、电缆侧发送电压M3、发送端TU1电流M4、发送端SVA电流M5、发送端TU2电流M6、接收端TU1电流M7、接收端SVA电流M8、接收端TU2电流M9、电缆侧接收电压M10、主轨入电压M11、主轨出电压M12这12个特征组成的原始故障数据集。中间部分是若干个不同RBM的堆叠，输出则对应到轨道电路的故障模式F1～F15，由Softmax根据DBN计算结果判定出最终的故障类型。由于本文DBN模型的监督学习过程采用了BP神经网络算法，因此，轨道电路故障诊断网络模型可称为DBN-BPNN。

3.3 DBN-BPNN训练过程

DBN-BPNN整体流程见图5所示，主要过程为：

Step1设置DBN基本参数，包括RBM模型中连接权重值W，可视层与隐含层神经元的偏置a，b；学习率的设置包括RBM无监督学习的学习率和反向微调算法中的学习率，学习率决定着网络的学习速度。

Step2故障数据归一化处理，计算公式为[16]

(11)

式中：xi为原始数据；max(X)和min(X)为原始数据的最大值和最小值；yi为归一化处理后数据。

图4 DBN故障分类模型

Step3对故障数据划分训练集和测试集。

Step4使用CD-1算法对RBM进行逐层学习，完成整个DBN模型的训练，得到权重值。

Step5以Step4得到的权重值作为BP神经网络模型的初始参数，根据标签层结合反向调整算法达到DBN参数微调的目的。

图5 DBN-BPNN训练流程

3.4 基于DBN-BPNN的ZPW-2000A轨道电路故障诊断

基于DBN-BPNN的ZPW-2000A轨道电路故障诊断的具体过程为：

Step1建立轨道电路理论模型，根据不同的故障模式采集相应的故障数据，形成故障数据集。

Step2对故障数据集进行归一化处理，使每一维的数据处于[0,1]之间。

Step3按一定比例划分出训练集和测试集。

Step4对DBN-BPNN分类器进行训练，得到DBN-BPNN故障分类模型。

Step5使用测试集数据对Step4得到的分类模型进行测试。

Step6对诊断结果进行分析。

4 仿真实验结果分析

在仿真实验过程中，以轨道电路理论模型故障数据为依据，以3.2节中的M1～M12作为DBN-BPNN诊断模型的特征参数。故障样本共1 160组，故障类型为F1～F15，共15种，F1～F15为表1中的故障代码。在1 160组故障数据中，15种故障类别在训练集和测试集的具体样本分布如表2所示。

表2 故障类别样本分布

DBN-BPNN诊断模型的输入节点为M1～M12，输出层由15个节点构成诊断结果向量(如发送器故障(0,1,0,0,0,0,0,0,0,0,0,0,0,0,0))。DBN内部结构的构建目前没有理论依据和经验可循，一般而言节点层数越多越易挖掘数据的特征分布，但超过一定数量后易产生过拟合现象，影响模型分类效果，需单独研究[13]。

对于隐含层神经元个数的选择也难于确定，具体数目的选择具有较强的主观性，可参考文献[17]中的经验公式，为

(12)

式中：m为输入层神经元个数；n为输出层神经元个数；c为[0,10]之间的常数。

此外，在进行RBM训练前，连接权重W以及可视层、隐含层神经元的偏置要进行初始化操作，本文采用极小值随机初始化，具体如下

Wij=0.1×randn(m,n)

a=zeros(1,m)

b=zeros(1,n)

同时，考虑到算法的稳定性和收敛速度，文献[10]中给出了其他相关参数的设置，其中，前向RBM学习中的学习率和反向微调中的学习率均采用常用值0.1，初步设定迭代次数100次。为避免参数初始化时随机数对DBN-BPNN模型分类效果的影响，重复进行20次实验，取其平均值最为最终的识别结果。

4.1 DBN参数对结果的影响

在DBN参数中，隐含层的层数以及网络的迭代次数均会对实验结果的精度造成影响，为此，分别对两者进行研究，选取最佳参数组合。

表3 不同层数下DBN-BPNN分类能力

从表3可以看出，DBN为3层时DBN-BPNN对轨道电路的故障类型识别率较高，当层数为4时，故障识别率达到最高，为94.954%，当层数继续增加时，模型出现了过拟合现象，识别率降低。综合考虑训练时间和故障识别率，基于DBN-BPNN的轨道电路故障诊断模型最佳结构为4层。

在DBN-BPNN网络模型训练过程中，迭代次数是影响故障识别率的另一因素。图6是在4层DBN模型下，经DBN-BPPNN计算后，轨道电路故障识别率与迭代次数的关系。

图6 迭代次数与故障识别率的关系

由图6可知，初始迭代时，故障分类正确率低于60%，随着迭代次数的增加，正确率逐步提升，当迭代次数超过200次后，正确率趋于稳定，因此本文选取的迭代次数为200次。

4.2 DBN-BPNN故障识别结果

通过对隐含层层数和迭代次数的研究，基于DBN-BPNN的轨道电路故障诊断模型最终确定为迭代200次的4层网络结构，根据此模型得到的故障识别结果见图7。

图7 DBN-BPNN故障分类效果

不同故障模式下的故障识别率如表4所示。

表4 不同故障模式下的识别率

从表4可以看出，利用DBN-BPNN网络模型进行故障诊断时，平均故障识别率可达95.34%，每种故障模式的识别率都高于76%，说明该模型性能良好，故障识别率高。

5 结束语

针对无绝缘轨道电路故障存在复杂性、随机性等问题，本文提出一种基于DBN-BPNN的无绝缘轨道电路故障诊断方法。根据ZPW-2000A无绝缘轨道电路的构成选取12个监测量作为DBN模型的故障证据向量，利用DBN的前向RBM学习算法重组故障数据的特征分布，发现数据的内部特征，并结合BP神经网络构建出四层DBN-BPNN分类模型。仿真结果表明，基于DBN-BPNN的ZPW-2000A无绝缘轨道电路故障诊断模型具有较高的故障识别率。