基于卷積神經網絡的ZPW-2000R軌道電路運行狀態智能識別

陳洪根，李詩宇，鄧 陽，禹建麗，黃春雷

(1.鄭州航空工業管理學院 管理工程學院，河南 鄭州 450046；2.黑龍江瑞興科技股份有限公司，黑龍江 哈爾濱 150030)

1 引 言

保障鐵路運輸安全是實現鐵路整體高效運行的基本保證[1]。ZPW-2000R軌道電路是列車運行控制系統的基礎設備，主要用于準確判別軌道區段的占用、空閑狀態，其中有列車運行時即為占用狀態，無列車運行時即為空閑狀態。ZPW-2000R軌道電路診斷系統作為ZPW-2000R軌道電路運行狀況的集中監測平臺，承擔著準確判別各軌道區段的調整、分路、故障等狀態的預測和診斷功能，對于提升區間設備故障定位準確度，提高設備維護維修效率具有重要作用[2]。然而在實際應用中，ZPW-2000R軌道電路診斷系統對ZPW-2000R軌道電路的運行狀態識別目前仍處于傳統的電路邏輯判定階段，其在多種場景下存在誤報警、報警延遲等問題[3]，從而對設備的維護效率和效果造成重要影響，甚至影響鐵路運行效率和行車安全[4]。如何結合智能技術與方法提高ZPW-2000R軌道電路診斷系統對軌道電路運行狀態識別的準確性及其效率，是ZPW-2000R軌道電路診斷系統亟須解決的問題。

隨著大數據、人工智能的發展，深度學習等利用機器進行學習的分類方法被應用于軌道電路診斷系統的研究當中。例如，王梓丞等[5]構建區間二型神經模糊系統(interval type-2 neural-fuzzy system,IT2NFS)，實現對軌道電路故障模式的智能識別；陳姝姝等[6]提出一種基于功率譜熵(PSE)及自適應神經模糊推理系統(ANFIS)進行軌道電路的故障診斷；盧皎等[7]提出一種基于一維卷積神經網絡(convolutional neural network，CNN)的軌道電路故障智能自診斷模型。

卷積神經網絡作為近年來深度學習算法熱點之一，通過構建深層次的網絡結構，能夠提取目標的深層特征，故卷積神經網絡具有強大的分類能力[8]，被成功應用于語音處理[9]、字符識別[10]等領域。而且，由于卷積神經網絡具有提取圖像特征的能力，經常被用于圖像識別。例如，熊紅林等[11]利用多尺度卷積神經網絡對玻璃表面缺陷圖像進行識別；Bai等[12]提出了一種基于多通道卷積神經網絡(MCNN)結合多尺度裁剪融合(MSCF)數據增強技術對滾動軸承進行故障診斷；蘇本躍等[13]基于改進的卷積神經網絡對動力下肢假肢運動意圖進行識別。數字圖像是以二維數組表示的圖像，因其具有的數字特性，能被計算機處理。AMAR等[14]基于灰度圖建立了軸承故障圖譜，并采用神經網絡對軸承進行故障診斷。周昊飛等[15]基于灰度圖像建立大數據制造過程質量圖譜，以精準表達制造過程運行狀態，并構建深度置信網絡(deep believe network,DBN)對質量圖譜進行識別，實現對制造過程的實時監控。上述研究利用灰度圖像的黑白灰度值來表達復雜設備的過程運行狀態，并取得良好的效果。

在軌道電路的研究中，機器學習、深度學習只涉及故障診斷領域，還未延伸到運行狀態識別等其他領域。本文基于深度卷積神經網絡，加入了能夠表達ZPW-2000R軌道電路運行狀態的灰度圖像，設計了基于卷積神經網絡的軌道電路運行狀態智能識別模型，提出了一種ZPW-2000R軌道電路運行狀態智能識別方法。

2 軌道電路運行狀態智能識別模型

作為ZPW-2000R軌道電路運行狀況的集中監測平臺，ZPW-2000R軌道電路診斷系統通過診斷主機等設備對每個軌道電路區段的主接入電壓、調接入電壓等48個變量進行實時監測，并對該區段占用空閑是否正常、占用是否符合行車邏輯進行結果判斷。針對電路邏輯判斷模式存在的誤報警、報警延遲等不足，本文構建的智能識別模型如圖1所示。

圖1 軌道電路運行狀態識別流程

由圖1可知，軌道電路運行狀態智能識別模型主要由軌道電路運行狀態數據獲取、軌道電路運行狀態圖譜構建、卷積神經網絡模型構建和運行狀態識別與評估4部分組成。

(1)軌道電路運行狀態數據獲取：獲取實地軌道電路設備實時監測數據集，該數據集包含軌道電路運行過程中的多個設備電流電壓等信號數據。

(2)軌道電路運行狀態圖譜構建：由于軌道電路運行過程中涉及多個監測變量，為此，本文設計了軌道電路運行狀態灰度圖譜，通過圖像的灰度級變化可直觀表達軌道電路運行過程中多個監測變量的變化。

(3)卷積神經網絡模型構建：選擇Keras深度學習框架作為構建卷積神經網絡模型環境，將灰度圖像作為卷積神經網絡的輸入，將軌道電路空閑狀態、正向占用狀態和逆向占用狀態三種類型作為輸出，建立輸入圖像與運行狀態之間的映射關系，構建卷積神經網絡模型。

(4)運行狀態識別與評估：將訓練樣本輸入神經網絡模型中進行訓練和驗證，得到最優神經網絡模型，將測試樣本輸入訓練好的卷積神經網絡模型中進行測試，對模型檢測軌道電路運行狀態分類結果及準確率進行分析與評估。

3 軌道電路運行狀態圖譜

ZPW-2000R軌道電路由室外部分和室內部分組成，室內部分包括發送器、功放器和防雷模擬網絡盤等設備，室外部分包括電氣絕緣節、補償電容和隔離匹配盒等設備。由發送采集器監測發送器、接收器、功放器等設備采集其電壓、電流等信號，得到多個監測變量。各種監測變量名稱如表1所示。

表1 軌道電路監測變量

假設軌道電路監測數據集包含m個監測變量(記為X1，X2，…，Xm)，各監測變量在t時間段內有n個測量值。定義X為t時間段內軌道電路監測變量數據矩陣，則：

將數據矩陣X的各個變量元素進行歸一化處理得到X的標準化矩陣并定義為X*，歸一化公式為：

將標準化數據矩陣X*中各個元素進行灰度級映射得到灰度圖Rx所對應的灰度值矩陣Fx，則：

其中，INT[.]為取整函數；fij為xij所對應的灰度值，0≤fij≤255，當fij=0的時候，表示黑色，fij=255時，表示白色。

矩陣Fx即為灰度圖Rx的像素值矩陣，通過構建矩陣Fx，即可形成可直觀反映軌道電路被監測設備輸出數據在一段時間內變化規律的運行狀態圖譜。為說明圖譜能夠有效描述軌道電路運行狀態，根據上述灰度圖Rx的構建過程，對48個監測變量在列車經過時間段內的過程形成軌道電路運行狀態圖譜，如圖2，并構建相同時間段內無列車運行的軌道電路運行狀態圖譜，如圖3。

圖2 有列車運行時軌道電路運行狀態圖譜

圖3 無列車運行時軌道電路運行狀態圖譜

由圖2和圖3可知，某變量在圖譜上的灰度級沒有發生明顯變化，則表示該變量的監測值在目標值附近發生微小波動；某變量在圖譜上的灰度級有明顯的由暗到明或由明到暗的變化時，則表示該變量的監測值發生了較大的變化。

4 卷積神經網絡模型構建

4.1 模型理論

卷積神經網絡(Convolutional neural network，CNN)是一種基于貓大腦皮層局部敏感性和方向選擇性神經元結構的網絡模型，這種生物神經網絡獨特的結構可以有效地降低模型的復雜性和網絡學習的參數。傳統的神經網絡通常由卷積層和池化層提取輸入圖像特征，然后通過全連接層對上述特征進行分類并輸出。卷積神經網絡結構如圖4所示。

圖4 卷積神經網絡結構

圖像可以直接導入網絡輸入層，通過卷積層中的卷積核進行卷積，提取、濾波和增強圖像特征，然后通過激活函數得到圖像高維特征圖，卷積公式為：

常見的卷積層激活函數有Sigmoid函數、Tanh函數和Relu函數，由于Relu函數具有收斂速度快、緩解梯度消失以及反映神經網絡稀疏表達能力等優點而被廣泛應用，公式為：

池化層即下采樣層。為了避免由于特征維數過大造成計算量過大，通過池化層對經過卷積操作后的特征圖進行下采樣來稀疏參數，簡化網絡結構。池化方法主要為最大值池化和平均值池化，最大值池化是指取池化操作區域中的最大值輸出，平均值池化是指取池化操作區域中的平均值輸出，池化公式為：

對二維圖像特征的所有神經元進行疊加，形成一維特征向量，并將其作為全連通層的輸入。在完全連接層次上，每個神經元都與上層特征中的所有神經元相連接，對激活函數求和并進行映射即可得出輸出結果。全連接層激活函數通常為Sigmoid函數和Softmax函數，Sigmoid函數通常對應二分類，Softmax函數通常對應多分類。全連接層輸出公式為：

式中，f(.)表示全連接層激活函數；wl表示全連接層權系數。

在深度學習領域中，機器學習模型會出現過擬合現象，針對此類問題，Dropout技術被提出并被應用到解決模型過擬合問題。Dropout是指節點丟棄，每個神經元都有一定概率從網絡中被丟棄，該神經元不會參與向前傳播和向后傳播，從而每個神經元都有機會訓練而不依賴某個神經元。經過Dropout操作的模型參數具有較強魯棒性且模型泛化性更強。

4.2 網絡模型構建

本文設計的卷積神經網絡模型主要包括3層卷積層、3層池化層、2層全連接層以及softmax層，具體參數如表2所示。輸入圖像均為尺寸大小一樣的灰度圖像；圖像經卷積層提取高維特征，每個卷積層都采用Relu激活函數來增強神經網絡非線性特性；通過最大值池化的方法對高維特征圖進行下采樣，簡化模型結構；最后連接Softmax分類層進行分類識別。此外，本文在全連接層處添加Dropout防止網絡過擬合。

表2 模型參數

4.3 模型超參數設置

由于訓練樣本量較大，采取單個樣本更新參數影響模型性能以及泛化能力[5]，因此本文模型采用批處理進行訓練，最終設定參數如下：批處理量(batch size)的值設置為32；優化算法采用自適應調整學習算法Adam[16]，Adam算法由于其需要資源少并且令模型收斂速度快被廣泛使用；下采樣率Dropout為0.4。

4.4 模型評估標準

式中：TP(True Positives)表示正樣本判斷為正樣本；FP(False Positives)表示負樣本判斷為正樣本；FN(False Negatives)表示正樣本判斷為負樣本；TN(True Negatives)表示負樣本判斷為負樣本。

混淆矩陣(confusion matrix)又被稱為錯誤矩陣，矩陣的每一列表達了模型對實驗樣本的預測類別。在深度學習領域中，混淆矩陣是一個評價模型性能的通用指標。

5 實例驗證

5.1 樣本集構建

根據RX鐵路公司真實數據，在列車占用某段軌道電路的時間段內，每臺被監測的設備產生56個數據，則每經過一次列車對應一個48×56的變量數據矩陣。其中，主機主接入電壓、主機調接入電壓為連續的動態變化曲線，如圖5和圖6所示。根據監測數據集構建的軌道電路正向占用、逆向占用以及空閑狀態灰度圖像樣本示例，如圖7所示。

圖5 主機主接入電壓變化曲線

圖6 主機調接入電壓變化曲線

圖7 樣本示例

由于每次列車占用軌道電路的時間不同，那么它所對應的變量數據矩陣尺寸不同，便導致軌道電路運行狀態灰度圖譜的尺寸不一致。為了能夠讓所有的灰度圖譜均可作為卷積神經網絡模型輸入，考慮絕大多數灰度圖譜的尺寸均為48px×56px，因此本文利用基于Python的圖像和視頻處理庫Opencv對圖像進行縮放處理，將所有占用狀態的灰度圖譜尺寸統一為48px×56px。圖8為灰度圖像尺寸48px×39px和尺寸48px×68px縮放成尺寸48px×56px的對比圖。由圖8可以看出，經過縮放后的圖像依舊可以表達原圖像所蘊含的信息。針對軌道電路無列車運行的空閑狀態，采用48px×56px尺寸的滑動窗口從數據集中截取數據，建立軌道電路空閑狀態數據集。

圖8 灰度圖像縮放前后對比

通過對監測數據集進行整理，共得到4400組數據集，包括1200組軌道電路不同占用狀態數據集和2000組空閑狀態數據集，其中，將600組不同占用狀態數據集和1000組空閑狀態數據集作為訓練樣本用于神經網絡模型訓練，剩下的數據集作為測試樣本檢驗神經網絡模型準確性，具體樣本量分配如表3所示。

表3 圖像樣本

5.2 實驗結果與分析

本文選擇keras深度學習的開源框架作為構建卷積神經網絡模型的實驗環境，Tensorflow作為keras框架后端，keras框架提供了深度學習所需的模型構建、訓練、測試、調整的完整工具包。本文構建的軌道電路運行狀態識別模型采用有監督的訓練方式，其訓練圖像集與測試圖像集均由(灰度圖像，類型標簽)的向量對構成，類別標簽表示灰度圖像的分類標簽，分為“正向占用”“逆向占用”和“空閑”三類。

將訓練圖像集輸入設置好的神經網絡模型中，從訓練圖像集中隨機選取700組灰度圖像作為模型訓練時的測試數據，以此來訓練神經網絡模型。訓練迭代次數100次，訓練過程中的損失值變化曲線和準確率變化曲線如圖9和圖10所示，圖9、圖10中，train為訓練樣本，valid為驗證樣本。此時網絡回檢損失值和驗證損失值無限趨于0，表明模型魯棒性較好，回檢準確率和驗證準確率均為100%，表明模型分類效果好。

圖9 訓練損失值變化曲線

圖10 訓練準確率變化曲線

將測試樣本輸入訓練好的神經網絡模型進行預測，測試結果如表4所示，混淆矩陣如圖11所示。

表4 模型測試結果

圖11 模型測試混淆矩陣

根據表4和混淆矩陣可以看出，訓練好的神經網絡模型能夠準確地識別軌道電路占用狀態和空閑狀態，對軌道電路正向占用狀態和逆向占用狀態以及空閑狀態的分類識別準確率均為100%。實驗證明，本文的方法對軌道電路運行狀態有很好的識別效果。

6 結 語

本文基于灰度圖像設計了軌道電路運行狀態灰度圖譜，結合深度學習的分類功能，提出了一種基于卷積神經網絡應用于軌道電路運行狀態識別的可行方案。通過整理監測數據集并構建軌道電路運行狀態灰度圖譜，分析軌道電路運行狀態樣本特征，搭建卷積神經網絡對灰度圖譜進行訓練，實現對軌道電路運行狀態的智能識別。實驗結果表明卷積神經網絡模型的識別準確率達100%，驗證了該方法的有效性。

本文提出的識別方法，能夠為ZPW-2000R軌道電路監控系統提供更為有效且準確的軌道電路運行狀態智能識別方法，提高軌道電路運行狀態識別的準確性和運行效率，為最大限度保障列車行駛安全和人民生命安全提供技術支持。目前，本文對于軌道電路占用狀態的研究只涉及正向占用狀態和逆向占用狀態，對于列車在軌道上進行不規則往復運動等狀態還需要進一步討論。