基于深度學習的高速列車轉向架故障識別

龐榮，余志斌，熊維毅，李輝

(西南交通大學 電氣工程學院，四川 成都 610031)

?

基于深度學習的高速列車轉向架故障識別

龐榮，余志斌，熊維毅，李輝

(西南交通大學 電氣工程學院，四川 成都 610031)

摘要:為提取高速列車轉向架關鍵部件振動信號的特征，提出基于深度學習(Deep Learning)的高速列車轉向架故障識別新方法。以轉向架關鍵部件非全拆單工況故障信號為研究對象，對故障信號進行離散傅里葉變換，然后依據深度學習的降噪自動編解碼過程對故障的頻域信號進行特征學習，并以此特征作為BP神經網絡的輸入實現轉向架故障信號的識別。實驗結果表明：在不同速度下，所提方法對轉向架關鍵部件非全拆故障識別正確率能達到100%，表明了該方法的有效性。

關鍵詞：深度學習；離散傅里葉變換；高速列車；轉向架

隨著高速列車的飛速發展，列車的安全穩定運行變得尤為重要。金學松等[1]總結了引起高速列車運行安全的主要因素是關鍵零部件失效和重大自然災害。轉向架是高速列車走行部的重要組成部分，其機械性能的優劣對整個高速列車系統運行的可靠性和安全性都有著非常重要的影響，因此，高速列車轉向架關鍵部件的性能檢測及故障診斷方法在實際應用中有著重要的意義[2]。由于轉向架發生故障的機理復雜，特征信號不明顯，利用常規的信號處理方法很難有效提取故障信息及對轉向架故障做出正確識別[3]。因此，隨著對高速鐵路安全的重視，研究出準確率高的轉向架故障識別方法變得越來越迫切。黃照偉等[4]從動力學方面研究了高速列車車輪磨耗與高速列車運行性能的關系。史紅梅等[5]研究了列車蛇行運動穩定性以及不同線路和速度下高速列車振動性能。這些成果對實施高速列車運行狀態的跟蹤監測提供了理論基礎，并獲得了大量的跟蹤監測數據。[6]如何從振動數據中準確地分析出高速列車故障特征及分類是一個亟待研究的問題。張兵等[3，6]研究了監測數據中的均值、三階原點距及中心距、以及自相關系數的衰減度對走行部的橫向失穩。孫永奎[7]通過多重分形理論分析了轉向架3種典型全拆工況故障。由于高速列車轉向架工況故障的復雜性，戴津等[8]的方法均未能充分反映監測數據所包含關鍵部件變化時動力學的信息特征和考慮到列車實際運行情況即很少出現全拆工況故障。同時，這些方法均需要人為設計并選擇轉向架故障信號特征，其缺點是耗時，且工作量大。近年來，Hinton等[9-10]基于人腦學習的思想提出了一種深度學習的機器學習方法。深度學習也稱深度神經網絡，該方法是一種多層無監督神經網絡學習法，具有多非線性映射的深層結構，可以完成復雜的函數逼近；它通過無監督訓練逐層學習算法以獲取輸入數據的主要驅動變量和數據的分布式特征。Dahl等[11-12]分析論證了深度學習對非平穩信號特征學習的有效性，并應用于語音信號識別中，在標準TIMIT語音數據庫中取得當前最好的效果。深度學習可通過深層網絡自動學習有效表征關鍵信息的特征，以提高識別精度，并且減少了人為設計特征的缺點。因此，本文基于深度學習思想提出一種新的轉向架故障工況識別方法，以期獲得更高的識別精度。將該方法應用于非全拆工況故障信號特征提取并分類識別，實驗結果表明了該方法的有效性。

1深度學習理論

1.1　降噪自動編碼器模型

Hinton等[13]提出的自動編碼器模型如圖1所示，其數學描述可表示為：

y=fθ(x)=s(Wx+b)

(1)

(2)

其中θ′={W′,b′}，其中W和b′分別為W和b的轉置。通過訓練數據最小化互熵LIH(x,z)，使重建信號z和原始輸入x之間誤差盡量小。

minLIH(x,z)=min{-∑j[xjlogzj+

(1-xj)log(1-zj)]}

(3)

圖1　基本自動編碼器模型Fig.1 Structure diagram of autoencoders

圖2　圖2 降噪自動編碼器模型~qD(|x)(“?”表示置0)Fig.2 Structure diagram of denoising autoencoders

1.2　基于深度學習特征學習模型

深度學習使用前饋型神經網絡即是堆疊多個神經元層，并且每一層的輸出作為高一層的輸入，通過逐層特征變換，將樣本在原空間的特征表示變換到一個新特征空間來學習對原輸入具有更好表征的特征。如果將學習結構看作一個網絡，則深度學習的核心思想可描述如下：1)無監督學習用于每一層網絡的預訓練；2)每次用無監督學習只訓練一層，將其訓練結果作為其高一層的輸入；3)用無(有)監督訓練來調整所有層(加上一個或者更多的用于產生預測的附加層)。

基于上述思想，對原始輸入信號x，首先使用大量的無標注的數據通過無監督學習的算法來進行模型參數的初始化，稱模型預訓練(Pre-training)。其中Pre-training主要是通過逐層訓練降噪自動編碼器得到一個多層的編碼器模型，然后使用較少量的標注數據，利用傳統的神經網絡的學習算法(如BP算法)來學習模型的參數，稱模型微調Fine-tuning。當把DAE應用于分類等任務時需要在DAE的頂層添加一個與深度學習模型訓練目標相關的Softmax輸出層或線性回歸層，形成具有初始化網絡參數的深度學習(連接Softmax輸出層網絡參數除外，該層參數通常可隨機初始化)。則Softmax輸出層對應深度學習的輸出目標值。該模型采用無監督逐層預訓練優化網絡和有監督微調整個網絡構成深度學習模型稱為堆疊降噪自動編碼器模型(Stack Denoising Autoencoders, SDAE)如圖3所示。

圖3　深度學習模型Fig.3 Structure diagram for SDAE

1.3　基于深度學習的振動信號識別算法

通常對于處理連續非平穩的信號如振動信號和聲音信號等，首先先對信號進行離散傅里葉變換(discrete Fourier Transforms, DFTs)得到信號的頻域信號[11]，然后采用無監督的預訓練得到一個多層的DAE模型。最后經DAE初始化的深度學習進一步通過傳統的BP算法對網絡參數進行監督微調。

基于深度學習的振動信號(SDAE)算法流程圖如圖4所示。

圖4　深度學習算法流程圖Fig.4 Flow chart of deep network algorithm

2實驗分析及結果

2.1　轉向架構成及數據來源

實驗采用車體及轉向架仿真模型如圖5所示，該模型依據牽引動力國家重點實驗室機車車輛整車滾動振動試驗臺，基于多體動力學SIMPACK軟件平臺，搭建的列車振動仿真模型。

(a)整車模型；(b) 轉向架模型圖5　高速列車仿真模型Fig.5 Simulation model of the high-speed train

仿真模型由1個車體，2個構架和4個輪對構成；列車上裝有58個傳感器通道，高速列車走行部主要零部件含有4個二系空氣彈簧(成對)、4個橫向二系減震器及8個抗蛇行減震器。仿真機車運行工況主要涉及列車正常狀態和非全拆的單故障包括單個橫向減振器失效、單個抗蛇行減振器失效、一對空氣彈簧失氣)。每種工況下運行速度按照80 ，120，140，160和200 km/h。每種速度下運行3.6 min并記錄傳感器數據，采樣頻率為243 Hz。實驗數據截取2s即486個采樣點為一個樣本，每種工況樣本數為100個，將樣本隨機二等分為訓練樣本和測試樣本。由實際列車運行情況可知，當列車發生故障，單個零部件壞的可能比全部零件壞的可能性更大，因此，實驗選取了所有工況單個關鍵部件故障作為實驗對象，研究并分析單個部件失效對列車運行狀態的影響，即本文主要針對分析單個故障工況在轉向架上的振動信號特征，其更具有實際意義。

2.2　轉向架振動信號分析及結果

本文實驗采用深度學習模型為SDAE，輸入層的結點數為DFT變換后的特征維數，輸出層結點個數為故障的分類數。其余初始化參數選取通過200次以上測試選取最優參數，參數初始化見表1。實驗環境：主頻為2.8 Hz的4核CPU電腦及Matlab2013b。為了確定深度神經網絡的層數，采用文獻[13]方法確定層數，層數和識別率之間關系如圖6所示：

圖6　隱含層層數與分類正確率關系Fig.6 Relationship between hidden Layer numbers and the dassification accuracy

由圖6可知，對于轉向架振動信號，本文將隱含層確定3層進行實驗。

表1　SDAE模型參數

識別正確率定義如下：

(4)

式中：ρ表示識別正確率；N表示測試樣本總數；r表示正確識別樣本數。所有實驗正確率均是試驗10次所得平均值，振動信號時域如圖7所示。7(a)表示列車正常狀態；7(b)表示單個橫向減振器失效；7(c)表示單個抗蛇行減振器失效；7(d)表示一對空氣彈簧失氣。

圖7　正常狀態與非全拆單個故障工況失效時域Fig.7 Time domain chart of the normal state and single fault

按照1.3節所提出的算法流程，首先對振動信號進行DFT變換，變換后信號如圖8所示。由圖8可看出，相對于正常狀態，當轉向架出現單個故障工況時，頻域信號有一定差異性(b，c和d)的幅值比a的幅值略小；而單個故障工況之間的差別不大。然后對DFT變換后的信號采用深度學習進行特征學習，獲得振動信號的有效特征并進行分類識別。

圖8　正常狀態與非全拆單個故障工況失效頻域Fig.8 Spectrum of the normal state and single fault

當深度學習訓練后，使用文獻[14]所提的t-SNE方法(t分布的隨機鄰近嵌入)，該方法根據兩點之間的相似度為思想進行聚類分析，可用于高維數據在二維或者三維空間上的數據點位置的可視化，采用該方法可視化4種工況樣本的分布圖，如圖9所示。

圖9　正常狀態與非全拆單個故障工況有效特征Fig.9 Feature map of the normal state and single fault

從圖9中可以清楚地看到正常狀態(a)和單個故障(b，c和d)樣本之間有很大的距離，而單個故障樣本之間大部分也能區分開，但有少量的樣本存在交疊的情況，因單個故障振動數據之間差異性較小。將深度學習(SDAE算法)與傳統的BP神經網絡進行對比分析實驗，實驗結果見表2。

表2　通道1算法性能對比

從表2中可看出，由于傳統的BP神經網絡可能陷入局部極值，與深度學習方法相比，其總體平均識別率較低、算法運行耗時較長。深度學習正是克服了傳統神經網絡易陷入局部極值的缺點，大大提升了訓練速度，同時也獲得了較好效果。

對各種速度下的各種故障工況采用深度學習對特征進行自動學習并分類識別正確率如表3所示。

表3　通道1各工況識別平均正確率

表3中可看出正常狀態在各種速度下都能達到100%的識別率，即采用該方法可以較準確的判斷出正常和非正常狀態。而對于非全拆單個故障工況之間也能達到較高的識別率，表明該方法對各種故障工況能進行有效識別。表3中還可看出，空氣彈簧失氣(d)識別率相對較低，因通道1為車體中部橫向加速度振動信號，該通道主要檢測橫向的振動信號，對抗蛇行減振器故障和橫向減振器故障有比較好的敏感度，而對空氣彈簧失氣敏感度小；而隨著速度降低，空氣彈簧失氣(d)工況識別率有小幅度下降，因速度較低時，通道1(橫向加速度振動信號特征)對垂向的空氣彈簧故障敏感程度有所下降。

3結論

1)提出將深度學習算法應用于高速列車轉向架故障診斷，采用深度學習逐層學習振動信號中有效表征狀態信息的特征，并采用BP神經網絡進行故障識別。對高速列車的4種典型的非全拆工況進行工況識別。

2)實驗結果表明深度學習能夠充分表征高速列車的運行狀態，對非全拆故障識別正確率能達到100%。為高速列車的故障信號診斷提供了一種新的思路，對高速列車實際的運行決策有重要意義。

3)實驗數據均為轉向架阻尼部件非全拆故障工況數據，而實際轉向架阻尼部件的故障常常是漸變的，因此下一步研究的重點和難點是在于研究探討深度學習算法對轉向架故障漸變參數。

參考文獻：

[1] 金學松,郭俊,肖新標,等.高速列車安全運行研究的關鍵科學問題[J].工程力學,2009,12(增2):8-22,105.

JIN Xuesong, GUO Jun, XIAO Xinbiao, et al.Key scientific problems in the study on running safety of high speed train[J].Engineering Mechanics,2009,12(Suppl 2):8-22,105.

[2] 王新銳,丁勇,李國順.鐵路貨車可靠性試驗方法及評價標準的研究[J].中國鐵道科學,2010，31(1):116-122.

WANG Xinrui, DING Yong, LI Guoshun.Study on the reliability test method and evaluation specifications of railway freight car[J].China Railway Science, 2010，31(1):116-122.

[3] 張兵.列車關鍵部件安全監測理論與分析研究[D].成都：西南交通大學,2008.

ZHANG Bin.Study on the theory and analysis of the key components of train safety monitoring [D].Chengdu：Journal of Southwest Jiaotong University,2008.

[4] 黃照偉,崔大賓,杜星,等.車輪偏磨對高速列車直線運行性能的影響[J].鐵道學報,2013,35(2):14-20.

HUANG Zhaowei, CUI Dabin, DU Xing, et al.Simulation on wheel wear prediction of high-speed train[J].Journal of the China Railway Society, 2013,35(2):14-20.

[5] 史紅梅,余祖俊,周佳亮.不同線路條件及運行速度下高速列車振動性能分析[J].北京交通大學學報,2012,36(1): 112-116.

SHI Hongmei, YU Zujun, ZHOU Jialiang.Vibration analysis of high-speed vehicles under the conditions of various speed and lines[J].Journal of Beijing Jiaotong University, 2012,36(1): 112-116.

[6] 陸嘯秋,趙紅衛,黃志平,等.高速列車運行安全監控技術[J].鐵道機車車輛,2011,31(2):34-37,81.

LU Xiaoqiu, ZHOU Hongwei, HUANG Zhiping, et al.High-speed train running safety monitoring technology[J].Railway Locomotive & Car, 2011, 31(2):34-37,81.

[7] 孫永奎,余志斌,金煒東.基于多重分形與SVM的高速列車運行狀態識別方法[J].西南交通大學學報,2015,50(1):7-12.

SUN Yongkui, YU Zhibin, JIN Weidong.Recognizing running state of high-speed train based on multifractal theory and SVM [J].Journal of Southwest Jiaotong University,2015,50(1):7-12.

[8] 戴津,劉峰,董孝卿,等.基于同一轉向架歷史對比與同一列車橫向對比的轉向架狀態監測[J].鐵道機車車輛,2010,30(2):26-29,37.

DAI Jin, LIU Feng, DONG Xiaoqing, et al.Bogie condition monitoring based on comparing historical date of one bogie and date of all bogies in one train[J].Railway Locomotive & Car,2010,30(2):26-29,37.

[9] Hinton G E, Salakhutdinov R.Reducing the dimensionality of data with neural networks[J].Science, 2006,313(7):504-507.

[10] Hinton G E, Osindero S, Whye Y.A fast learning algorithm for deep belief nets [J].Neural Computation, 2006(18):1527-1554.

[11] Dahl G E, DONG Yu, LI Deng, et al.Context-dependent pre-trained deep neural networks for large-vocabulary speech recognition [J].IEEE Transactions on Audio, Speech, and Language Processing, 2012(20):30-42.

[12] Mohamed A R, Dahl G E, Hinton G E.Acoustic modeling using deep belief networks [J].IEEE Transactions on Audio, Speech & Language Processing,2012(20):1-9.

[13] Vincent P, Larochelie H, Lajoie I, et al.Stacked denoising autoencoders: learning useful representations in a deep network with a local denoising criterion[J].Journal of Machine Learning Research, 2010(11): 3371-3408.

[14] Maaten L J P, Hinton G E.Visualizing high-dimensional data using t-sne [J].Journal of Machine Learning Research, 2008(9):2579-2605.

(編輯蔣學東)

Faults recognition of high-speed train bogie based on deep learning

PANG Rong, YU Zhibin, XIONG Weiyi, LI Hui

(School of Electrical Engineering，Southwest Jiaotong University，Chengdu 610031，China)

Abstract:To extract the features of vibration signals of high-speed train bogie, a novel approach, which is based on Deep Network, was proposed to recognize the faults of high-speed train bogie.Fault signals were obtained from non-whole single fault of key components of bogie.The discrete fourier trandform was conducted to the fault signals and then a denoising autoencoders was presented to abstract features of vibration signals.Based on the deep learning concept, a deep network was build to recognize the faults of high-speed train bogie.The experimental results show that the recognition rate is 100% for non-whole fault of key components of bogie at the different speed, which verified the effectiveness of the proposed method.

Key words：deep learning; discrete fourier transforms; high-speed train; bogie

通訊作者：余志斌(1977-)，男，湖南寧鄉人，教授，博士，從事模式識別與人工智能研究；E-mail：zbinyy@126.com

基金項目：國家自然科學重點基金資助項目(61134002)；中央高校基本科研業務費專項資金資助項目(2682014CX029)

收稿日期：2015-04-11

中圖分類號：TP391

文獻標志碼：A

文章編號：1672-7029(2015)06-1283-06