基于LSTM算法的ZPW-2000A型轨道电路故障预测模型研究

摘  要：軌道电路是保证列车安全可靠运营的重要基础设备。随着铁路信号设备“故障修”向“状态修”的转变，为了对轨道电路监测信息分析进而制定科学合理的维修策略，提出一种基于LSTM算法的故障预测模型方法。首先，对轨道电路结构原理进行了分析，在此基础上提出使用LSTM模型对其故障进行预测，为验证模型的预测效果，提出用平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、均方误差（NMSE）和相对误差百分比（REP）对预测结果进行度量;其次，结合预测实例将改进算法与传统的SVM算法、BP神经网络，RNN算法的预测效果进行对比，结果显示LSTM各指标均最优;最后，结合一个实例采用LSTM进行预测，验证了模型的高效性。

关键词：轨道电路;长短时神经网络;故障预测;智能运维

中图分类号：U283.2;U284.7    文献标识码：A   文章编号：2096-6903（2021）08-0000-00

轨道电路作为铁路信号系统中的基础设备，在保证行车安全、提高运输效率等方面都起到重要作用。本文以我国铁路线路超过30000km里程所采用的ZPW-2000A型无绝缘移频轨道电路作为研究对象，其是在法国UM71基础上改造而来，在全程调谐断轨检测、断线作业检查及信号传输长度中都得极大改善。目前，我国铁路轨道电路的维修方式：（1） 沿用传统的“故障修”和“定时修”;（2）借助集中监测（微机监测）的数据分析、判断。此类维修方法存在：（1） 存在滞后性且效率低、故障排查复杂;（2）对集中监测利用不充分，造成未及时处理故障而导致的事故，影响行车安全与线路效率。

近年来，关于轨道电路的研究主要有：文献[3]就轨道电路锈蚀、集污造成轨面电阻超高导致分路不良进行研究;文献[4]针对轨道电路检测精度低、耗时长等方面进行算法改进;文献[5]就轨道电路红光带故障的多样性及复杂性进行故障诊断分析;文献[6-10]对道闸信号、多故障诊断方法等方面进行了研究。

宁滨院士指出目前交通基础设备维护和检修主要采用的方式是静态的“定期修”，难以满足交通系统安全保障及运营成本的降低。如何采用动态数据和系统机理建立“状态修”的智能维护模式是当前智能交通核心研究。铁路信号设备正处于由“故障修”、“定时修”的方式向基于状态监测的“视情修”方式的过渡阶段，所以故障预测与健康管理（Prognostic and Health Management ，PHM）模式应用而生。在轨道电路故障分析中引入智能化的预测技术，对满足列车行车RAMS技术要求具有重要意义。常见的故障预测的方法有：统计预测、数学预测、智能预测和信息融合方法。其中，数学预测可解决机理非线性、无精确解析模型的问题。LSTM在RNN的基础上进行改进，有效解决了长序列训练过程中出现的梯度消失和爆破问题。本文试图采用时间序列的LSTM模型，预测ZPW-2000A轨道电路的故障，为电务人员了解轨道状态、分析故障、处理故障提供依据。

1 ZPW-2000A轨道电路原理结构

ZPW-2000A型无绝缘移频自动闭塞轨道电路由主轨道电路和小轨道电路组成，其电路原理图如图1所示。通过载频、低频编码条件控制主轨道电路发送器。电缆把匹配变压器中的信号从室外调谐单元传递至主轨道与调谐区小轨道。经钢轨主轨道信号被送至接收端，经过电缆把匹配变压器放大的信号传到室内电缆模拟网络盒、衰耗器，最后经过调整电平后送入接收器。其中调谐单元处产生并联谐振，其阻抗较大。小轨道电路为隔离信息发送设备和信息接收的调谐区。由前方相邻轨道电路接收端进行信号处理，若接收到的信号在规定范围内，则可以达成小轨道继电器执行条件，再将其送至本区段接收器。其中调谐单元处产生串联谐振，其阻抗较小。接收器需收到本区段主轨道移频信号和小轨道继电器执行条件，若同时满足要求电压信号才能输出，指示本区段空闲及列车占用情况。

目前，铁路部门使用集中监测系统的ZPW-2000A实现对开关量及模拟量的监测，其中主要监测电压、电流采集信息如表1所示。将主轨道电路经电平级调整后的输出电平即为轨出1，将小轨道经过衰耗盒电阻分压后的输出电压称为轨出2电压。

2 LSTM算法介绍

为解决循环卷积神经网络（RNN）在长序列训练过程中出现的梯度消失和爆破问题。通过在RNN中引入遗忘门，形成LSTM网络，使输入门和输出门的记忆能力更为持久。若GPS信号是有效的，则可以使用LSTM网络学习位置速度信息之间的逻辑关系;若GPS信号是缺失的，则需要为UPF提供更准确的输入信息。图2为LSTM网络隐藏层运算图。

LSTM 网络具体步骤：

（1）决定丢弃序列中的无用信息为

（1）

式中：、 、分别为遗忘门输出和遗忘门的权重、偏移矩阵;、为隐藏层的输入向量和序列向量;为函数。

（2）将序列中有用的待更新信息存入当前状态为

（2）

式中：、、分别为输入门的输出和权重、偏移矩阵;为经过调整后的新内容;激活函数选用双曲正切。

（3）更新当前状态为

（3）

式中：、分别为上一时刻和当前时刻的记忆单元状态。

（4）状态输出为

（4）

式中：分别为输出门的输出和权重、偏移矩阵。

3 预测结果验证方式

将提出的LSTM算法应用于轨道电路故障预测中，采用时间序列为：

， （5）

式中，为预测步长;为数据维数;包括历史数据的因素。

采用以下指标评价模型预测性能，如式（6）-（9）所示。

1. 平均绝对误差（）;

1. 平均绝对百分比误差（）;

1. 均方误差（）;

（4）相对误差百分比（）。

（6）

（7）

（8）

（9）

其中，、、、分别为待预测时间序列方差、点数、各点的实际输出和模型预测输出。

4 模型验证

仿真模型数据来自柳州1128G每月一次的维修测试，内容及数据如表2所示。

优化中，核参数初始值、正则化系数的取值范围分别为（0.1，300]、[0，100]。

数据选择某路局2016年1月～2018年1月时间段测的轨出1和轨出2的电压值作为训练样本集，预测2018年2月（28天）的数据。

在实验中，LSTM的隐含层节点L=20，给定step为5，激活函数为函数，经过训练后，不同方法性能如表3。

为便于直观，对表3数据进行处理，各指标结果绘图成柱状图如图2所示，可以看出LSTM误差最小，预测效果最佳。

图3给出了SVM、BP、RNN和LSTM算法在2018年2月份的轨出1数据的Matlab2014b预测仿真图，可看出LSTM预测效果最好。

5 实例验证

选用2018年10月发生的ZPW-2000A电气分离式断轨故障数据，对本文算法模型进行验证（数据由某铁路局某电务段提供），具体步骤如下：

Step1：分别将本区段轨出1电压、相邻区段轨出2电压代入一般SVM、BP、RNN和LSTM模型初始序列;

Step2：预测数值，并与门限值比较;

Step3：根据分离式断轨故障特征分析并判定故障及发生时刻。

若电气分离式断轨表现为区段红光带时，轨出1、轨出2就是ZPW-200A轨道电路最敏感的参考指标，表现为：（1）主轨道：轨出1小于落下门限（≤170mV）;（2）小轨道：轨出2电压很低，仅几毫伏（≤10mV）。对轨出1、轨出2数据进行验证，表4为实验数据如表，预测曲线如图4、图5所示。（选用参考指标参照铁科运[2008]36号文《客运专线铁路信号产品暂行技术文件汇编》）

观察图4、图5发现2018年10月份，轨出1和轨出2的电压值均低于门限值，且轨出1和轨出2的预测电压趋势与实际发生的电气分离式断轨现象故障实测电压均吻合，证明该模型有效。若电务检修人员在9月份检查时结合轨道电路状态发展趋势，对轨道电路进行及时维修，可阻止运行状态继续恶化，避免事故的发生。

6 结论

故障预测是一门新兴学科，旨在使维护人员提前预知设备的健康状态。本文通过对传统电务部门轨道电路维护方式的分析，未对设备机理复杂、精确模型影响因素众多考虑，而是从运行数据出发建立了基于LSTM的故障预测模型。

（1）选择LSTM模型对ZPW-2000A轨道电路故障预测。并与BP、SVM、RNN进行了模型预测效果对比试验。最终显示LSTM模型各个性能均优。

（2）通过实例采用LSTM模型进行预测验證，与实际一致。验证了改进模型在ZPW-2000A轨道电路故障预测应用的高效性。

参考文献

[1] 王瑞峰.铁路信号运营基础[M].中国铁道出版社，2008.

[2] 董昱.区间信号与列车运行控制系统[M].中国铁道出版社，2008.

[3]张友鹏，祁欢，赵斌.轨道电路分路态检测方法研究[J].铁道学报，2017，39（1）：70-75.

[4]张友鹏，常高武，赵斌.基于SA算法的无绝缘轨道电路故障综合检测方法[J].铁道学报，2017，39（4）：68-72.

[5] 王秋实，王小敏.基于FTA与改进神经网络的轨道电路红光带诊断方法[J].铁道标准设计，2017，61（4）：147-153.

[6] 赵林海，刘成波，冉义奎.无绝缘轨道电路道砟电阻在线监测方法[J].铁道学报，2017，39（8）：101-106.

[7] 徐侃，赵林海.无绝缘轨道电路补偿电容多故障的快速诊断方法[J].铁道学报，2018（2）：67-72.

[8]戴勝华，王宇琦.基于SDAE的无绝缘轨道电路调谐区故障诊断研究[J/OL].安全与环境学报：1-10[2021-04-07]. https：//doi.org/10.13637/j.issn.1009-6094.2020.0583.

[9]  陈星，董昱.基于模糊认知图模型的轨道电路故障诊断[J].铁道科学与工程学报， 2017， 14（9）：1983-1989.

[10] 于晓英，董煜，董昱.基于多方法证据融合的轨道电路故障诊断[J].铁道学报，2021，43（2）：86-94.

[11] 滕金保，孔韦韦，田乔鑫，王照乾.基于LSTM-Attention与CNN混合模型的文本分类方法[J/OL].计算机工程与应用：1-9[2021-04-07].http：//kns.cnki.net/kcms/detail/11.2127.TP.20210331.1507.016.html.

[12] 陈勇青.海洋环境影响下的船舶航迹预测方法研究[D].哈尔滨：哈尔滨工程大学，2019.

[13] 王婷.ZPW-2000A无绝缘轨道电路故障预测研究[D].成都：西南交通大学，2015.

[14] 任瑞琪，李军.基于优化核极限学习机的中期电力负荷预测[J].测控技术，2018（6）：15-19.

[15] 刘庆.基于LSTM模型的汽车配件安全库存量预测研究[D].成都：西南交通大学，2018.

[16] 张志豪，杨文忠，袁婷婷，等.基于 LSTM 神经网络模型的交通事故预测[J].计算机工程与应用，2019，55（14）：249-253+259.

收稿日期：2021-07-02

作者简介：王玉麟（1985—），男，山西吕梁人，本科，工程师，研究方向：铁道信号。

Research on Fault Prediction Model of ZPW-2000A Track Circuit

Based on Improved ELM

WANG Yulin

（Guoneng Shuohuang Railway Development Co.， Ltd.，Cangzhou Hebei  062350）

Abstract： Track circuit is an important basic equipment to ensure the safe and reliable operation of trains. With the transition from "fault repair" to "state repair" of railway signal equipment， in order to analyze track circuit monitoring information and formulate a scientific and reasonable maintenance strategy， a fault prediction model method based on LSTM algorithm is proposed. First， the principle of the track circuit structure is analyzed， and on this basis， it is proposed to use the LSTM model to predict its failure. In order to verify the prediction effect of the model， it is proposed to use the average absolute error （MAE）， average absolute percentage error （MAPE）， and average absolute error （MAPE）. Square error （NMSE） and relative error percentage （REP） are used to measure the prediction results; secondly， combined with prediction examples， the improved algorithm is compared with the traditional SVM algorithm， BP neural network， and RNN algorithm. The results show that the indicators of LSTM are all Optimal; Finally， combined with an example， LSTM is used for prediction， which verifies the efficiency of the model.

Key words： track circuit; LSTM; fault prediction; intelligent operation and maintenance