基于動車組軸溫預報預警模型研究

趙春陽，張海峰

（中車長春軌道客車股份有限公司，吉林 長春 130062）

1 模型描述

卷積神經網絡是神經網絡的一種擴展，其體系結構受到生物視覺系統的啟發，使得其擁有非常有用的兩個關鍵特性：空間共享和共享權重。這種學習網絡具有平移不變的特征，即濾波器在整個圖像中起到很好的作用（由于圖像統計是靜止的）。匯聚層負責降低輸出對輕微輸入移位和失真的敏感性。這種類型的神經網絡在許多視覺應用已被證明是非常有效的，如目標識別和分割。一個典型的卷積網絡是由多個階段組成的。每個階段的輸出是由一組稱為特征映射的二維數組構成的。每個特征映射是在整個圖像上應用一個卷積濾波器的結果。非線性壓縮函數（如雙曲正切）始終遵循匯聚層原則。特征映射是通過在整個圖像的次區域中重復應用函數得到的，通過輸入線性圖像的卷積，加入一個偏置項，然后應用一個非線性函數得到的。如果我們表示第k個特征映射在某一層作為hk，其決定了濾波器的權重WK和偏置BK，然后映射hk如下（雙曲正切非線性）：

為了形成更豐富的數據表示，每個隱藏層由多個特征映射組成，{h（k），k＝0…k}。隱含層的權重W可以表示為包含目標要素地圖、特征圖、垂直位置和水平位置的每個元素的四維向量。偏差b可以表示為每個目標特征映射包含一個元素的向量。

2 軸系統性能分析

我們使用卷積神經網絡捕獲軸的性能。其中，動車組數據集包括速度、加速度、電流、電壓、環境溫度和軸頸溫度，我們把軸溫作為訓練目標，以其它數據為輸入。然而只有1000到2000個數據點。插入原始數據和讓所有有數據的1000個點，使用輸入數據作為一個1×1000圖像（5個數據集通道包括速度、加速度、電流、電壓和環境溫度），將1×10濾波器具有5個輸入通道、2個輸出通道和一個非線性壓縮函數通過匯聚層，然后我們將在匯聚層輸出通道MLP（多層神經網絡）來預測軸溫。我們插入軸溫達到一天100個點（預測每天有100個點），并使用L2損失函數來訓練網絡。表1顯示了這個過程。

表1 顯示了獲取軸的性能的模型

3 遞歸神經網絡

一個典型的遞歸神經網絡見圖1。

圖1 遞歸神經網絡與所涉及的正向計算中時間計算展開

Hochreiter與Schmidhuber介紹了長短期記憶（LSTM）模型。這是遞歸神經網絡改進的記憶。它使用具有內部存儲器和門控輸入/輸出的存儲單元，這種存儲單元在獲取長期屬性方面更有效。隱層函數的LSTM滿足下列方程組計算：

以上是邏輯S型函數和LSTM模型的組成，分別被稱為輸入門、輸出門、遺忘門和活躍的存儲單元，分別表示為I、F、O、C。

4 仿真實驗

我們用兩層LSTM獲取潛在故障。第一層作為編碼器來執行動車組軸的日常情況。第二層接收編碼器的結果并輸出潛在故障的風險。由于動車組故障記錄的數量有限，我們沒有一個大的數據集來訓練，所以我們需要第一層LSTM的前訓練。我們用seq2seq模型預訓練編碼器（訓練解碼器輸出與編碼器的輸入相同的內容）。

在去年的126輛動車組數據集上測試了我們所提出的方法。插入原始數據，然后讓每天都有1000個數據點。

在訓練集上的每個數據都經過適當的填充和歸一化，使它們具有零均值和單位方差。所有的網絡都經過隨機選擇的一天的抽樣補丁訓練，從隨機挑選出來的動車組中訓練動車組數據的訓練集。

我們考慮了CNN和RNN以上兩個模型，使用10倍交叉驗證評估模型，表2、3是結果列表。

表2 顯示CNN對短期預測的模型評估

表3 顯示RNN評價獲取潛在故障模型

5 結語

本文提出了一種聯合CNN和RNN的模型，用它們來預測短期軸溫和獲取軸潛在故障，結果表明CNN有相對誤差絕對值小于10%，RNN獲取故障記錄87.3333%。