基于LSTM算法的ZPW-2000A型軌道電路故障預測模型研究

摘 ?要：軌道電路是保證列車安全可靠運營的重要基礎設備。隨著鐵路信號設備“故障修”向“狀態修”的轉變，為了對軌道電路監測信息分析進而制定科學合理的維修策略，提出一種基于LSTM算法的故障預測模型方法。首先，對軌道電路結構原理進行了分析，在此基礎上提出使用LSTM模型對其故障進行預測，為驗證模型的預測效果，提出用平均絕對誤差（MAE）、平均絕對百分比誤差（MAPE）、均方誤差（NMSE）和相對誤差百分比（REP）對預測結果進行度量;其次，結合預測實例將改進算法與傳統的SVM算法、BP神經網絡，RNN算法的預測效果進行對比，結果顯示LSTM各指標均最優;最后，結合一個實例采用LSTM進行預測，驗證了模型的高效性。

關鍵詞：軌道電路;長短時神經網絡;故障預測;智能運維

中圖分類號：U283.2;U284.7 ???文獻標識碼：A?? 文章編號：2096-6903（2021）08-0000-00

軌道電路作為鐵路信號系統中的基礎設備，在保證行車安全、提高運輸效率等方面都起到重要作用。本文以我國鐵路線路超過30000km里程所采用的ZPW-2000A型無絕緣移頻軌道電路作為研究對象，其是在法國UM71基礎上改造而來，在全程調諧斷軌檢測、斷線作業檢查及信號傳輸長度中都得極大改善。目前，我國鐵路軌道電路的維修方式：（1） 沿用傳統的“故障修”和“定時修”;（2）借助集中監測（微機監測）的數據分析、判斷。此類維修方法存在：（1） 存在滯后性且效率低、故障排查復雜;（2）對集中監測利用不充分，造成未及時處理故障而導致的事故，影響行車安全與線路效率。

近年來，關于軌道電路的研究主要有：文獻[3]就軌道電路銹蝕、集污造成軌面電阻超高導致分路不良進行研究;文獻[4]針對軌道電路檢測精度低、耗時長等方面進行算法改進;文獻[5]就軌道電路紅光帶故障的多樣性及復雜性進行故障診斷分析;文獻[6-10]對道閘信號、多故障診斷方法等方面進行了研究。

寧濱院士指出目前交通基礎設備維護和檢修主要采用的方式是靜態的“定期修”，難以滿足交通系統安全保障及運營成本的降低。如何采用動態數據和系統機理建立“狀態修”的智能維護模式是當前智能交通核心研究。鐵路信號設備正處于由“故障修”、“定時修”的方式向基于狀態監測的“視情修”方式的過渡階段，所以故障預測與健康管理（Prognostic and Health Management?，PHM）模式應用而生。在軌道電路故障分析中引入智能化的預測技術，對滿足列車行車RAMS技術要求具有重要意義。常見的故障預測的方法有：統計預測、數學預測、智能預測和信息融合方法。其中，數學預測可解決機理非線性、無精確解析模型的問題。LSTM在RNN的基礎上進行改進，有效解決了長序列訓練過程中出現的梯度消失和爆破問題。本文試圖采用時間序列的LSTM模型，預測ZPW-2000A軌道電路的故障，為電務人員了解軌道狀態、分析故障、處理故障提供依據。

1 ZPW-2000A軌道電路原理結構

ZPW-2000A型無絕緣移頻自動閉塞軌道電路由主軌道電路和小軌道電路組成，其電路原理圖如圖1所示。通過載頻、低頻編碼條件控制主軌道電路發送器。電纜把匹配變壓器中的信號從室外調諧單元傳遞至主軌道與調諧區小軌道。經鋼軌主軌道信號被送至接收端，經過電纜把匹配變壓器放大的信號傳到室內電纜模擬網絡盒、衰耗器，最后經過調整電平后送入接收器。其中調諧單元處產生并聯諧振，其阻抗較大。小軌道電路為隔離信息發送設備和信息接收的調諧區。由前方相鄰軌道電路接收端進行信號處理，若接收到的信號在規定范圍內，則可以達成小軌道繼電器執行條件，再將其送至本區段接收器。其中調諧單元處產生串聯諧振，其阻抗較小。接收器需收到本區段主軌道移頻信號和小軌道繼電器執行條件，若同時滿足要求電壓信號才能輸出，指示本區段空閑及列車占用情況。

目前，鐵路部門使用集中監測系統的ZPW-2000A實現對開關量及模擬量的監測，其中主要監測電壓、電流采集信息如表1所示。將主軌道電路經電平級調整后的輸出電平即為軌出1，將小軌道經過衰耗盒電阻分壓后的輸出電壓稱為軌出2電壓。

2 LSTM算法介紹

為解決循環卷積神經網絡（RNN）在長序列訓練過程中出現的梯度消失和爆破問題。通過在RNN中引入遺忘門，形成LSTM網絡，使輸入門和輸出門的記憶能力更為持久。若GPS信號是有效的，則可以使用LSTM網絡學習位置速度信息之間的邏輯關系;若GPS信號是缺失的，則需要為UPF提供更準確的輸入信息。圖2為LSTM網絡隱藏層運算圖。

LSTM 網絡具體步驟：

（1）決定丟棄序列中的無用信息為

（1）

式中：、 、分別為遺忘門輸出和遺忘門的權重、偏移矩陣;、為隱藏層的輸入向量和序列向量;為函數。

（2）將序列中有用的待更新信息存入當前狀態為

（2）

式中：、、分別為輸入門的輸出和權重、偏移矩陣;為經過調整后的新內容;激活函數選用雙曲正切。

（3）更新當前狀態為

（3）

式中：、分別為上一時刻和當前時刻的記憶單元狀態。

（4）狀態輸出為

（4）

式中：分別為輸出門的輸出和權重、偏移矩陣。

3 預測結果驗證方式

將提出的LSTM算法應用于軌道電路故障預測中，采用時間序列為：

，?（5）

式中，為預測步長;為數據維數;包括歷史數據的因素。

采用以下指標評價模型預測性能，如式（6）-（9）所示。

1. 平均絕對誤差（）;

1. 平均絕對百分比誤差（）;

1. 均方誤差（）;

（4）相對誤差百分比（）。

（6）

（7）

（8）

（9）

其中，、、、分別為待預測時間序列方差、點數、各點的實際輸出和模型預測輸出。

4 模型驗證

仿真模型數據來自柳州1128G每月一次的維修測試，內容及數據如表2所示。

優化中，核參數初始值、正則化系數的取值范圍分別為（0.1，300]、[0，100]。

數據選擇某路局2016年1月～2018年1月時間段測的軌出1和軌出2的電壓值作為訓練樣本集，預測2018年2月（28天）的數據。

在實驗中，LSTM的隱含層節點L=20，給定step為5，激活函數為函數，經過訓練后，不同方法性能如表3。

為便于直觀，對表3數據進行處理，各指標結果繪圖成柱狀圖如圖2所示，可以看出LSTM誤差最小，預測效果最佳。

圖3給出了SVM、BP、RNN和LSTM算法在2018年2月份的軌出1數據的Matlab2014b預測仿真圖，可看出LSTM預測效果最好。

5 實例驗證

選用2018年10月發生的ZPW-2000A電氣分離式斷軌故障數據，對本文算法模型進行驗證（數據由某鐵路局某電務段提供），具體步驟如下：

Step1：分別將本區段軌出1電壓、相鄰區段軌出2電壓代入一般SVM、BP、RNN和LSTM模型初始序列;

Step2：預測數值，并與門限值比較;

Step3：根據分離式斷軌故障特征分析并判定故障及發生時刻。

若電氣分離式斷軌表現為區段紅光帶時，軌出1、軌出2就是ZPW-200A軌道電路最敏感的參考指標，表現為：（1）主軌道：軌出1小于落下門限（≤170mV）;（2）小軌道：軌出2電壓很低，僅幾毫伏（≤10mV）。對軌出1、軌出2數據進行驗證，表4為實驗數據如表，預測曲線如圖4、圖5所示。（選用參考指標參照鐵科運[2008]36號文《客運專線鐵路信號產品暫行技術文件匯編》）

觀察圖4、圖5發現2018年10月份，軌出1和軌出2的電壓值均低于門限值，且軌出1和軌出2的預測電壓趨勢與實際發生的電氣分離式斷軌現象故障實測電壓均吻合，證明該模型有效。若電務檢修人員在9月份檢查時結合軌道電路狀態發展趨勢，對軌道電路進行及時維修，可阻止運行狀態繼續惡化，避免事故的發生。

6 結論

故障預測是一門新興學科，旨在使維護人員提前預知設備的健康狀態。本文通過對傳統電務部門軌道電路維護方式的分析，未對設備機理復雜、精確模型影響因素眾多考慮，而是從運行數據出發建立了基于LSTM的故障預測模型。

（1）選擇LSTM模型對ZPW-2000A軌道電路故障預測。并與BP、SVM、RNN進行了模型預測效果對比試驗。最終顯示LSTM模型各個性能均優。

（2）通過實例采用LSTM模型進行預測驗證，與實際一致。驗證了改進模型在ZPW-2000A軌道電路故障預測應用的高效性。

參考文獻

[1] 王瑞峰.鐵路信號運營基礎[M].中國鐵道出版社，2008.

[2] 董昱.區間信號與列車運行控制系統[M].中國鐵道出版社，2008.

[3]張友鵬，祁歡，趙斌.軌道電路分路態檢測方法研究[J].鐵道學報，2017，39（1）：70-75.

[4]張友鵬，常高武，趙斌.基于SA算法的無絕緣軌道電路故障綜合檢測方法[J].鐵道學報，2017，39（4）：68-72.

[5] 王秋實，王小敏.基于FTA與改進神經網絡的軌道電路紅光帶診斷方法[J].鐵道標準設計，2017，61（4）：147-153.

[6] 趙林海，劉成波，冉義奎.無絕緣軌道電路道砟電阻在線監測方法[J].鐵道學報，2017，39（8）：101-106.

[7] 徐侃，趙林海.無絕緣軌道電路補償電容多故障的快速診斷方法[J].鐵道學報，2018（2）：67-72.

[8]戴勝華，王宇琦.基于SDAE的無絕緣軌道電路調諧區故障診斷研究[J/OL].安全與環境學報：1-10[2021-04-07]. https：//doi.org/10.13637/j.issn.1009-6094.2020.0583.

[9]? 陳星，董昱.基于模糊認知圖模型的軌道電路故障診斷[J].鐵道科學與工程學報， 2017， 14（9）：1983-1989.

[10] 于曉英，董煜，董昱.基于多方法證據融合的軌道電路故障診斷[J].鐵道學報，2021，43（2）：86-94.

[11] 滕金保，孔韋韋，田喬鑫，王照乾.基于LSTM-Attention與CNN混合模型的文本分類方法[J/OL].計算機工程與應用：1-9[2021-04-07].http：//kns.cnki.net/kcms/detail/11.2127.TP.20210331.1507.016.html.

[12] 陳勇青.海洋環境影響下的船舶航跡預測方法研究[D].哈爾濱：哈爾濱工程大學，2019.

[13] 王婷.ZPW-2000A無絕緣軌道電路故障預測研究[D].成都：西南交通大學，2015.

[14] 任瑞琪，李軍.基于優化核極限學習機的中期電力負荷預測[J].測控技術，2018（6）：15-19.

[15] 劉慶.基于LSTM模型的汽車配件安全庫存量預測研究[D].成都：西南交通大學，2018.

[16] 張志豪，楊文忠，袁婷婷，等.基于 LSTM 神經網絡模型的交通事故預測[J].計算機工程與應用，2019，55（14）：249-253+259.

收稿日期：2021-07-02

作者簡介：王玉麟（1985—），男，山西呂梁人，本科，工程師，研究方向：鐵道信號。

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