基于Bi-LSTM模型的車載ATC設備故障診斷方法

余輝敏，徐永能，陳 新，肖添文

(南京理工大學 自動化學院， 南京 210000)

車載列車自動控制 (Automatic Train Control，ATC)設備在保障車輛安全運營、準時到達方面占有舉足輕重的作用，該設備故障種類繁多，且同一故障現象的故障原因和對應的故障處置手段也不盡相同。由于司機的技能水平、應變能力以及對車載ATC設備故障的分辨能力參差不齊，因此，建立一套不依賴人為知識水平，通過診斷模型識別故障特征，實現故障標準化還原的智能診斷系統，對幫助故障標準化處置，保障列車的安全高效運營具有重要意義。

用于城市軌道交通信號設備的故障診斷技術主要分為基于解析模型的故障診斷技術和基于數據驅動的故障診斷技術[1]。1971年麻省理工學院的Beard[2]率先提出了基于解析模型的故障診斷思想，主要分為參數估計法、狀態估計法和等價空間法[3-4]，這種方法的優點在于能夠深入而精確的探究設備的故障衍變機理，建立數學或物理模型準確的描述設備；相應的，由于模型的準確性很大程度受到模型參數設置合理度的制約，所以對于軌道交通信號系統這樣大型復雜且先驗知識不足的系統來說，建立對應的準確模型存在一定難度。而隨著傳感器技術的進步，以及設備狀態監測系統的應用，大量反映設備狀態的監測數據產生，為基于數據驅動的故障診斷技術提供了實現基礎[5]。基于數據驅動的故障診斷技術通過挖掘設備運行數據中包含的設備狀態信息，對設備狀態進行診斷[6]，這極大的滿足了大型復雜系統高可靠性的需求。統計方法、信號處理方法和基于定量的人工智能方法為3個主要方法[7]，其中基于定量知識的方法通過訓練模型使計算機獲得學習、推理、決策等能力得出定量結論[8-10]，本文使用的基于Bi-LSTM神經網絡的方法就是一種典型的基于數據驅動的故障診斷方法。

神經網絡算法目前在智能診斷領域有著較為成熟的應用，以故障特征為輸入，診斷結果為輸出，經過神經網絡模型的分類和判斷，往往有較為可靠的診斷結果[11-13]。由于車載ATC設備的故障歷史數據分布時間跨度大，本文建立了同時具有記憶特性和雙向語義關聯特性的Bi-LSTM模型作為分類器，以某地鐵1號線近7年的故障工單數據為樣本對模型進行訓練和驗證，實驗表明，該模型能利用有限的故障記錄數據實現故障診斷，對保障列車安全運營和及時準確故障應對具有十分重要的意義。

1 車載列車自動控制(ATC)系統組成

列車自動控制(ATC)系統由自動監控系統(Automatic Train Supervision，ATS)、自動防護系統(Automatic Train Protection，ATP)和列車自動運行系統(Automatic Train Operation，ATO)三部分組成。ATC系統能夠實現對地鐵車輛的自動防護和自動控制，同時具備行車指揮、列車運行監視、安全防護以及降級運行的能力，ATC車載系統部件組成如圖1所示。

車載ATC系統的主要作用是保證列車的安全運營，配合地面及軌旁信號設備，控制列車的行駛速度，使其保持在安全的范圍內，并在特殊環境，如雨雪天濕滑環境下，啟動保護系統。車載ATC系統支持以下3種運行模式：自動駕駛模式(Automatic Mode，AM)、受監督的手動駕駛模式(Supervised Manual Mode，SM)、受限模式(Restricted Mode，RM)。一般情況下，車輛運行處于AM模式，由ATO系統自動駕駛列車，ATP系統保證列車在安全速度曲線內行駛，這極大降低了司機駕駛的疲勞度，也極大提升了地鐵車輛的安全性，但當ATC系統發生故障時，可能會造成列車延誤、清客等現象，嚴重時甚至會導致列車事故，造成經濟損失和人員傷亡。為了盡量減少故障的發生，一方面，有賴于車輛上線前細致的檢維修，另一方面也需要司機準確判斷分析故障，定位故障模塊，迅速且合理的處置故障狀況，維持穩定的運營。

圖1 ATC車載系統部件組成示意圖

2 車載ATC設備常見故障分析

車載ATC設備是軌道交通信號系統的核心組成部分，車載設備故障，將嚴重影響列車的運輸效率，以及乘客的出行體驗，嚴重時甚至危及車載人員的生命安全。以某地鐵1號線2010—2016年間1 003條車載ATC故障記錄工單數據作為樣本數據，對發生過的故障進行樣本比例提取，如圖2所示。

圖2 某地鐵1號線常見故障類型及所占比例圖

由上述統計圖可以看出，列車緊急制動故障、列車到站時沖標/欠標故障和ATP打叉三類故障發生概率更高，占總體發生故障的48.9%，下面對三類故障進行故障原因分析并給出處置建議。

1) 列車緊急制動故障。列車緊急制動出現故障是車載ATC系統出現頻率最高的故障，導致該故障的原因比較復雜，不同駕駛模式下列車發生緊制的原因也不相同，超速、軌道濕滑、沖標等都會引起列車的緊急制動[13]。地鐵列車發生緊急制動不僅會降低乘客乘坐的舒適度，甚至會引起列車延誤和清客下線等嚴重后果，對列車的正常運營秩序造成不良影響。因此，列車發生緊制時，要求司機快速準確處置故障，首先應當緩解列車的緊急制動，使列車降級，若列車無法降級，則需要切換至RM模式動車，等待列車正常升級，倘若無法正常升級，則切除ATP行駛至下一站，重新啟動。

2) 列車沖標/欠標故障。從故障統計中可以看出，列車沖標/欠標故障約占12%，指在ATO自動駕駛模式下，列車受信號設備控制自動進站時，車輛越過/未到達停車位的一種現象。車輛發生沖標/欠標故障后，往往引發車輛門與屏蔽不聯動、列車緊急制動等問題，列車發生沖標/欠標故障時司機應當調整模式開關至手動位，手動駕駛列車對標。沖標/欠標故障極易造成列車晚點，尤其在高峰期時段，并且這種故障的發生率較高，有時一條線路一天能發生2～3次沖/欠標故障，為乘客出行帶來不便。

3) 車載ATP打叉故障。車載ATP打叉故障往往引起列車緊急制動的聯動反應，進而引發其他問題。就ATP打叉故障本身而言，故障原因存在多方面因素，常見的原因包括軌旁ATP故障、信號與車輛接口故障、信號傳輸故障等。

3 Bi-LSTM神經網絡模型

3.1 Bi-LSTM神經網絡模型介紹

Bi-LSTM (Bi-directional Long Short-Term Memory，雙向長短時記憶網絡)由一個前向LSTM(Long Short Term Memory Network——長短期記憶網絡)與一個后向LSTM組成。由于車載ATC設備故障的發生并不是彼此孤立的，往往存在兩種甚至兩種以上故障現象，而Bi-LSTM模型的前后向結構，使得該模型在具有記憶特性的基礎上增加了雙向捕捉輸入語義的能力，因此更適用于車載ATC設備的故障診斷。LSTM神經網絡單元是Bi-LSTM神經網絡的基本單元，屬于一種判斷自然語言情感傾向的分類器，LSTM模型的工作原理是實現Bi-LSTM神經網絡的計算邏輯的基礎[14-15]，其網絡細胞單元結構如圖3所示。

圖3 LSTM單元結構示意圖

1) 遺忘門篩選弱關聯度信息并刪除：

ft=σ(Wf[ht-1，xt]+bf)

(1)

其中，ht-1表示上一時刻的隱層信息；xt表示當前的輸入；Wf、bf為訓練參數；σ為sigmoid函數(神經網絡激活函數)；ft表示保留信息的權重。

2) 輸入門篩選強關聯度信息，sigmoid層和隱層共同更新細胞狀態中的信息：

Ct=ft·Ct-1+σ(Wi[ht-1，xt]+bi)·

tanh(Wc[ht-1，xt]+bc)

(2)

其中，Wc、bc表示訓練參數；Ct-1表示前一個細胞狀態的信息；Ct表示當前細胞狀態的信息。

3) 輸出門決定最終輸出信息：

ht=σ(w0[ht-1，xt]+b0)·tanh(Ct)

(3)

其中，w0為權重矩陣，本文使用的權重矩陣為隨機矩陣，即在模型訓練開始時進行隨機初始化，通過訓練損失反向傳播，迭代更新權重矩陣；b0為偏置項，σ為激活函數。

將前向LSTM與后向LSTM組合，可以得到Bi-LSTM模型，模型結構如圖4所示。

圖4 Bi-LSTM模型結構示意圖

輸入信號{X0，X1，…，Xn}分別送入前向LSTM模型與后向LSTM模型，分別輸出前向隱向量{hL0，hL1，…，hLn}和后向隱向量{hR0，hR1，…，hRn}，將前向與后向隱向量拼接得：{[hL0，hRn]，[hL1，hRn-1]，…，[hLn，hR0]}，即{h0，h1，…，hn}。

3.2 Bi-LSTM網絡模型的構建

1) 對原始車載ATC設備故障統計數據進行特征提取和特征標定，構成模型訓練集：

Ft={f1，f2，…，fn}

2) 數據標準化處理；用X={X1，X2，…，Xn}表示處理后的訓練集，作為模型輸入，相應的，以Y={Y1，Y2，…，Yn}表示模型輸出；

3) Bi-LSTM網絡初始化，為初始權值矩陣賦值，設定其為均勻分布在[0，1]之間的隨機數，設置最大迭代訓練次數為800，窗口大小為32，學習率為0.001最小誤差值為0；

4) 前向計算；訓練集X輸入隱層，Bi-LSTM模型包含雙向LSTM隱層(前向和后向)，訓練時分別提取兩組特征，每個LSTM隱層包含n個按時間數序排列的細胞單元，經過隱層的輸出可表示為：HL={hL1，hL2，…，hLn}和HR={hR1，hR2，…，hRn}；

5) 誤差反向計算；分別從正向和反向兩個方向的LSTM傳遞特征并計算結果，求得真實值和預測值的差異損失，根據這個損失，反向回溯整個網絡，進而修改參數；

6) 當訓練次數和誤差值滿足設定需求時，停止模型訓練，并將剩余10%未知樣本數據投入訓練完成的模型中，對測試集分類。

7) 十折交叉法精度驗證，從訓練損失/準確率和測試損失/準確率四個方面分別對模型進行精度驗證。

4 驗證

本實驗的訓練數據為某地鐵1號線2010—2016年間 1 003 條車載ATC故障記錄工單數據，如表1所示。

首先對原始故障統計工單數據進行標準化還原，將車載ATC設備的故障數據按類別標定為訓練數據；由于數據樣本量較小，為了避免過擬合問題，本實驗采取十折交叉驗證法進行數據擬合，并對模型進行精度估算，即，按照9：1的比例，輪流對數據集進行訓練與驗證，訓練集輸入Bi-LSTM模型進行訓練，分析故障描述語句與人工標定分類的關系，學習描述語句間的雙向語義聯系；最后將驗證集輸入模型，對未知樣本故障進行診斷，驗證結果如圖5、圖6所示。

表1 某地鐵1號線車載ATC工單數據

圖5 Bi-LSTM模型對學習樣本和未知樣本的訓練損失和測試損失曲線

圖6 Bi-LSTM模型對學習樣本和未知樣本的訓練損失準確率和測試準確率曲線

圖5展示了Bi-LSTM模型對學習樣本和未知樣本的訓練損失和測試損失，圖6表示Bi-LSTM模型的訓練準確率和測試準確率。由圖5、圖6可知，該模型在對數據樣本進行分類訓練時，隨著迭代次數的增加，約四百次左右，訓練結果趨于穩定和準確，取十折交叉驗證的10次結果平均值作為該模型的精度值，如表2所示。

表2 Bi-LSTM模型精度

從驗證結果發現，10次驗證的精度結果相近，證明該模型魯棒性較強，本文模型的精確度為98.9%，證實了該模型的有效性，值得注意的是，由于某些類型故障樣本訓練量過小，模型存在未能準確分類的誤差，倘若增加學習樣本量，模型還可以更加準確的分類。

5 結論

1) Bi-LSTM網絡能夠更精確的從歷史故障樣本中挖掘出不同類別的故障特征，提高了故障診斷的準確率；

2) 隨著訓練樣本的不斷積累與豐富完善，該故障診斷模型的準確率能夠進一步提高，在訓練樣本不足的情況下，基于Bi-LSTM模型的故障診斷準確率能達到98.9%，對于時間跨度較長的車載ATC設備故障數據來說，該故障診斷方案具備良好的有效性；

3) 從實際運營的角度來看，該故障診斷方法容易實現，將突發故障描述輸入訓練完成的模型中，僅進行一次模型推理即可返回結果，耗時約0.03 s，在保障列車安全運營，實時故障診斷方面具有重要意義。