基于神經網絡的焊接接頭不平順故障診斷研究

李 強，劉鐵生，崔霆銳，黃 玉，張志亮

(1.北京市地鐵運營有限公司，北京 100044；2.北京唐智科技發展有限公司，北京 100097)

直線電動機輪軌交通系統的出現為城市軌道交通開辟了一條新的途徑，它是21世紀無人駕駛全自動輪軌交通系統的發展方向。無縫線路通過短軌焊接成長軌條的形式，減少了線路的鋼軌接頭，具有平順性好、行車平穩以及旅客乘坐舒適等優點，同時延長了線路設備和車輛的使用壽命，減少了線路養護維修工作量，在城市軌道交通、高鐵線路中應用廣泛。然而，受溫度、力、載荷等的影響，無縫線路的鋼軌焊接接頭極易出現不平順問題，嚴重影響乘客的乘坐舒適性，甚至引發行車事故。

楊云帆 等[1]對直線電動機地鐵線路焊接接頭不平順測試分析及安全限制進行了研究，但是沒有開展接頭不平順檢測方法研究。張克平 等[2]針對曲線段鋼軌焊接接頭不平順對輪軌動力響應的影響進行了研究，并對《地鐵設計規范》中關于鋼軌焊接接頭不平順的維修標準進行了驗證。陳庚 等[3]提出了一種基于機器視覺的鋼軌對接焊高精度檢測方法，通過圖像特征提取，針對多種不同特征進行了模式識別，獲得了鋼軌頂部和側面高度差，但該方法需要加裝黑白面陣CMOS工業相機、線激光器等硬件設備。

車輛行經鋼軌焊縫、軌道道岔等位置時將激起瞬時的振動、沖擊，將車輛軸箱、輪對視作剛體時，車輛軸箱上的振動信號沒有經過減振系統，因此，當軌道存在鋼軌接縫、磨耗等軌道短波不平順時，其引起的沖擊能夠反映在軸箱振動信息中[4]。同樣，焊接接頭不平順處引起的沖擊也會反映在軸箱振動信息中。

曹西寧 等[5]使用Hilbert-Huang變換對軌道車輛軸箱加速度信號進行了分析，能夠有效地對軌道存在的不平順位置進行定位，實現了軌道區段內一定程度的短波不平順檢測。楊文忠[6]開展了基于小波的軸箱加速度與軌道不平順關系的研究，驗證了軸箱加速度雙積分與軌道高低不平順的數值基本一致，而軸箱加速度的測量具有測試方便、處理簡單、成本低廉的優點，但實際運用準確度不高。文獻[7-10]將深度學習方法引入了軌道質量預測領域，通過建立神經網絡模型對軌道質量進行了預測，這些預測模型相比傳統方法具有更高的準確度，但未能實現軌道焊接接頭不平順的識別。

基于此，本文針對城市軌道交通中軌道的鋼軌焊接接頭不平順故障，基于軸箱位置的沖擊振動復合傳感器采集的信息，以深度神經網絡為基礎，提出了將特征提取以及分類器2個環節合二為一的焊接接頭不平順故障診斷方法，該方法能夠較為準確地實現軌道焊接接頭不平順故障的識別。

1 深度神經網絡(DNN)

深度神經網絡是全連接的神經元結構，其內部的神經網絡層可分為輸入層﹑隱藏層和輸出層。圖1所示為一個5層的深度神經網絡結構圖。輸入層和輸出層一般設計的比較簡單，而隱藏層則有許多最優設計規則，可以幫助人們取得預期的效果。

圖1 某深度神經網絡結構圖

每一個神經元的輸出值是一個線性關系和一個激活函數的組合，如式(1)所示：

(1)

式中：h——神經元的輸出；

f——激活函數；

xi——神經元的各個輸入；

wi——每個輸入對應的權值；

b——輸入的偏置。

深度神經網絡可用于預測、分類及視覺識別等。本文利用深度神經網絡的分類功能來實現焊接接頭不平順故障的識別。

2 基于深度神經網絡的焊接接頭不平順故障診斷方法

2.1 數據收集

本文研究的數據為車輛軸箱位置的振動、沖擊數據，傳感器安裝在軸箱體上方(圖2)，采用400倍輪對轉頻為采樣頻率進行傳感器信號采樣。

圖2 傳感器安裝圖

采用城市軌道效能線路實際運營監測數據對線路的軌縫、道岔、正常焊接接頭和焊接接頭不平順4類典型情況進行分類辨識。這些數據包含沖擊、振動、速度、公里標信息。根據不同類別數據的區別，生成4類數據集：焊接接頭不平順、軌縫、道岔、正常焊接接頭。上述4類數據集的沖擊數據如圖3所示。將數據集劃分為對應的訓練集和測試集，用于后續神經網絡分類模型的訓練與測試。

圖3 4類數據集的沖擊數據圖

根據TB/T 1632.1—2005《鋼軌焊接 第1 部分：通用技術條件》規定：當鋼軌焊接采用閃光焊且地鐵車輛運營速度不超過120 km/h時，焊接接頭垂向空間不平順幅值應小于0.3 mm，且不允許出現下凹現象。因此，本文設定焊接接頭不平順故障的標準為焊接接頭不平順幅值≥0.3 mm。

2.2 數據預處理

由于車體使用迫導向轉向架，在列車通過曲線時輪軸處于曲線徑向位置，噪聲和輪軌磨耗等性能指標也大大降低。

對于深度學習來說，數據十分關鍵。由于數據存在缺失、噪聲等情況，極易干擾深度學習算法的有效性和魯棒性。尤其是當輸入數據的單位不一致時，可能會導致神經網絡收斂慢、訓練時間長。因此需在數據預處理階段，采用小波閾值去噪的方法對數據進行去噪處理，并選擇z-score標準化處理數據，如式(2)所示。這種方法適用于數據屬性的最大值和最小值未知的情況，或有超出取值范圍的離群數據的情況。經過標準化處理后，縮放了數值的特征范圍，可以在較短時間內獲得理想的權重值。

ydata=(xdata-mean)/sigma

(2)

式中：ydata——標準化處理后的數據；

xdata——原始數據；

mean——原始數據的均值；

sigma——原始數據的方差。

2.3 深度神經網絡故障識別模型訓練

本文選擇Sigmoid函數作為激活函數，該函數能夠把輸入的連續實值變換為0和1之間的輸出，如果是非常大的負數則輸出為0；如果是非常大的正數則輸出為1。函數公式如式(3)所示：

(3)

本文建立的深度神經網絡的輸入層和輸出層采用單層網絡結構，隱藏層采用3層網絡結構，整個網絡共5層。輸入層共699個參數，第1個隱藏層有500個神經元，第2個隱藏層有200個神經元，第3個隱藏層有50個神經元，輸出層有4個輸出參數。

由于用于訓練的樣本不夠多，而設計采用的神經網絡規模又比較大，此時容易發生過擬合。本文采用Dropout(隨機失活)正則化方法[11]避免過擬合。Dropout方法會在訓練神經網絡的每一輪迭代中，隨機地關閉一些神經元，以此降低神經網絡的復雜程度。本文使用反向隨機失活方法，其計算步驟如下：

(1) 對于第k層的結點，使用變量keep_prob來表明每個結點的存在概率，keep_prob是一個∈(0，1]的數；

(2) 在每一輪迭代中，為第k層的所有結點隨機分配一個數d，d∈(0，1]。若d≤keep_prob，則保存該結點，否則刪除該結點，即意味著該結點在此次迭代中前向傳播的輸出值為0；

(3) 對于保存下來的結點，其新輸出值Z為原輸出值A除以keep_prob；

(4) 反向傳播時，保存下來的結點的新輸出值A=dA除以keep_prob。

3 焊接接頭不平順故障診斷方法測試

本文選取帶標簽的樣本作為訓練集，進行故障識別模型訓練，其信息如表1所示。

表1 訓練集樣本信息

為驗證本文提出的焊接接頭不平順故障診斷模型的有效性，選擇某城市線路2021年5月的輪軌數據作為測試集進行測試。測試集樣本信息如表2所示。

表2 測試集樣本信息

測試過程如下：

(1)按照公里標依次循環輸入測試集數據；(2)對每個測試集數據進行依次強沖擊搜索，并對每個強沖擊時刻數據進行預處理，記錄其沖擊、振動、速度信息；(3)將預處理后的測試集數據依次輸入基于深度神經網絡的焊接接頭不平順故障識別模型進行測試，并輸出識別結果，判斷該位置處是否存在焊接接頭不平順故障。

測試集樣本測試結果如表3所示，該模型能夠將測試集中的各類樣本識別為正確的類型，識別準確率達到90%以上。

表3 測試集樣本測試結果

在最終的測試結果中選擇某2個區間進行現場勘查驗證，該區間共輸出12個認為存在焊接接頭不平順故障的位置。現場對這12個位置進行了勘查，結果如表4所示。對結果進行統計，準確率為83.3%。對測試結果分析，發現影響其準確率的因素有以下兩點：(1)訓練樣本集數據量不夠大；(2)對數據集的預處理不夠完善。

表4 焊接接頭不平順故障位置及其現場勘查結果

總體而言，若選擇合適的且大量的訓練樣本集，采用本文提出的深度神經網絡訓練的故障識別模型能夠較好地實現焊接接頭不平順故障的診斷。

4 結束語

本文基于深度神經網絡建立了鋼軌焊接接頭不平順故障診斷模型，對軌道焊接接頭不平順故障特征進行了診斷識別。以車輛軸箱位置采集的軌道數據以及對應線路軌道的軌縫、道岔信息作為輸入，測試得到該方法的識別準確率為83.3%。由此表明，本文所提出的方法能夠較為精確地識別軌道焊接接頭不平順故障，能夠較好地應用于軌道焊接接頭不平順故障診斷。