基于SSAE-DNN 的無絕緣軌道電路故障診斷研究

王國保，蔡水涌，楊紅剛，謝本凱，黃春雷

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

軌道電路是用來監測線路的占用情況及列車運行情況、控制道岔轉轍機的設備。由于軌道電路的構成較為復雜，且受室外環境影響較大，導致其發生故障的概率較高，且故障類型復雜多樣。因此，監測軌道電路的運行狀態并診斷故障類型對確保列車安全運行具有重要意義。

很多學者對軌道電路的智能故障診斷方法展開了研究，且取得了相應的研究成果。文獻[1]采用模糊邏輯與神經網絡相結合的方法對25 Hz 相敏軌道電路建立故障診斷模型，實現對道砟電阻低、電源電壓高、電源電壓低和防護盒斷線等多種故障的診斷；文獻[2]結合深度信念網絡和BP 神經網絡建立軌道電路故障診斷模型，實現軌道電路的15 種故障分類。以往相關研究實現了對故障信號的智能監測與診斷，提高了工作效率，但存在診斷精度低等問題，難以切實應用到工業領域。隨即，學者們針對如何提高診斷準確率展開了進一步的研究。研究發現，實現故障診斷的關鍵在于故障特征的提取[3]。文獻[4]分別采用核主元分析和局部非負矩陣分解方法，對時頻圖像的全局和局部特征進行提取融合，并使用獨立分量分析法對融合得到的特征進行降維，最后使用最近鄰分類器實現故障分類；文獻[5]建立基于核主元分析和稀疏自編碼器（SAE，Sparse Auto-Encoder）構建的軌道電路故障診斷模型，與原SAE故障診斷模型相比，平均診斷準確率有所提高，平均診斷時間相對較短。上述故障特征的提取都是基于機理的提取，有一定的物理意義，但存在較大的局限性[6]，需要掌握大量處理信號數據的方法與故障診斷的經驗。

隨著大數據分析、機器學習、人工智能等技術的發展，一些學者開始研究智能特征提取算法，采用無監督或半監督的學習方法對故障數據進行深層特征提取，避免傳統手工提取特征的信息遺漏問題。文獻[7]采用SAE 實現軸承數據的特征提取，得到了不同裂縫尺寸下軸承的故障特征；文獻[8]采用最大熵來優化SAE 的損失函數，增強了模型提取滾動機械振動信號故障特征的能力。現有研究表明，自編碼器（AE，Auto-Encoder）能夠在訓練過程中挖掘故障數據的深層特征，有助于提高故障診斷的準確率，加速智能故障診斷算法在工業領域的應用。

基于上述研究，針對ZPW-2000R 型無絕緣軌道電路的故障診斷準確率較低等問題，本文將棧式稀疏自編碼器（SSAE，Stacked SAE）和深度神經網絡（DNN，Deep Neural Networks）相結合，提出了基于SSAE-DNN 的智能故障診斷方法，利用SSAE 的特征提取能力，實現故障數據特征的有效提取，提取出的深度特征同時具有全局特征和局部特征，能有效地完成無絕緣軌道電路輸入信號的信息表達[9]，將經SSAE 提取的特征輸入到DNN 模型中，進行訓練和預測，并通過大量仿真實驗，實現故障類型的準確分類。

1 相關原理

1.1 SAE 原理

AE 是一種無監督的數據維度壓縮和數據特征表達方法[10]。它由兩部分組成：編碼器（Encoder）和解碼器（Decoder）。AE 的網絡結構如圖1 所示。

圖1 AE 網絡結構

圖1 中，Χ為編碼器的輸入數據；Ζ為編碼器將高維數據Χ映射到低維抽象空間的數據，亦稱為瓶頸層；Χ′為解碼器通過數據Ζ重建后的數據。AE 的編碼過程、解碼過程和損失函數分別如公式（1）～公式（3）所示。

式中，gφ和fβ分別為編碼器和解碼器中的激活函數；W1、b1、W2、b2分別為編碼器和解碼器中的權重矩陣和偏置向量；m為網絡中樣本點的數量。

為了避免AE 對恒等函數的簡單學習，Olshausen 等學者[11]在AE 中添加了稀疏懲罰項，提出了SAE。稀疏性限制是在AE 的損失函數上添加關于激活度的正則化項，懲罰過大的激活度，降低無效的特征數據量。通常采用 L1范數或 KL散度正則化項。

當采用 KL 散度正則化項時，給定稀疏性參數 ρ，隱藏層節點j的平均激活度為，KL 正則化系數 β，SAE 的損失函數為

KL散度的計算公式為

稀疏性參數 ρ 通常近似為0，表示隱藏層節點的理想平均激活度，為達到更好的稀疏效果，隱藏層節點的激活度必須趨近于0。的計算公式為

式中，αj(Xi) 為在給定輸入為第i組樣本的情況下，隱藏層第j個神經元的單元激活量。

1.2 SSAE 原理

由多個SAE 疊加構造的網絡稱為SSAE。SSAE是將前1 層SAE 的輸出作為后1 層SAE 的輸入，采用逐層貪婪訓練法獲取SSAE 參數，即在訓練某層參數時，保持其他層參數不變，逐層訓練[12]。SSAE 的訓練過程如圖2 所示。

圖2 SSAE 訓練過程

由圖2 可看出，訓練好一個SAE 結構后，舍去解碼器部分，將編碼器部分的輸出作為下一個編碼器的輸入，再用反向傳播進行訓練，如此重復，使每次棧式過程的學習保持近似最優，最后添加上相對應個數和結構的解碼器，便完成了SSAE 的訓練。

1.3 DNN 原理

DNN 是具有至少2 個隱藏層的神經網絡，為深度學習的一種框架。與淺層神經網絡相比，既能為復雜非線性的系統建立模型，又能提供更高的抽象層次，更好地學習有效信息[13]。具有2 個隱藏層的DNN 結構如圖3 所示。

圖3 具有2 個隱藏層的DNN 結構

由圖3 可知，DNN 各層間是全連接的，包含正向傳播和反向傳播兩個過程。

2 SSAE-DNN 模型

2.1 網絡結構

在訓練一個有效的深度學習模型的過程中，參數尋優一直是研究人員關注的重點問題[14]。為了構建最優的網絡結構，本文采用“經驗法”與“試湊法”來獲取模型的各類參數。

由于SAE 個數太多會造成網絡訓練不穩定，因此，本文選擇由2 個SAE 組成的網絡對無絕緣軌道電路故障數據進行訓練和特征提取，瓶頸層的節點數量設置為30。為保證SSAE 模型能夠在微調后快速收斂，將神經元的丟棄比例設置為0.2，并在每層之間添加批量歸一化。為避免梯度消失和梯度爆炸，本文選擇ReLU 作為激活函數。考慮到SSAE 提取數據特征的稀疏性，選擇Adam 優化器，損失函數選擇經典的均方誤差與散度相結合，迭代次數設置為200 次，批處理大小設置為64 次。

由于SSAE 網絡為無監督學習，只能實現原始數據的重構，為使SSAE 具有分類識別的功能，本文將編碼器提取后的數據特征作為DNN 的輸入，實現對故障數據的分類效果。DNN 網絡結構為：隱藏層為2 層、隱藏層節點數分別為22 和18 個、隱藏層激活函數為ReLU、輸出層節點數為故障種類個數、輸出層激活函數為Softmax、優化器為Adam、損失函數為多分類交叉熵、迭代次數為200 次。

2.2 算法實現

本文基于SSAE-DNN 模型構，實現了無絕緣軌道電路智能故障診斷。對獲取的故障數據進行歸一化處理，并將其劃分為訓練樣本和測試樣本，劃分比例為8∶2；再將其輸入到SSAE 中進行特征提取，得到數據的深度特征；隨后輸入到DNN 中進行訓練和預測；最終輸出故障類別。診斷流程如圖4 所示。

圖4 ZPW-2000R 型無絕緣軌道電路智能故障診斷流程

3 ZPW-2000R 設備和數據集

3.1 ZPW-2000R 型無絕緣軌道電路設備

ZPW-2000R 型無絕緣軌道電路設備采用模塊化設計，由發送設備、接收設備、通道設備和軌旁設備組成，主要用于實現對無絕緣軌道電路占用檢查、斷軌斷線檢查、機車所需信息的安全傳遞和智能運維等功能。ZPW-2000R 型無絕緣軌道電路拓撲結構如圖5 所示[15]，包括室內部分和室外部分。

圖5 ZPW-2000R 型無絕緣軌道電路拓撲結構

3.2 數據集

根據ZPW-2000R 型無絕緣軌道電路拓撲結構，本文采用A 公司監測的電路特征，收集正常狀態的數據和14 種故障類型的數據。每種故障類型分別在5 個區段中進行測試，5 個區段分別為中間區段10455AG、道口接近區段10499AG 和10555AG、離去區段10562BG 和無岔區段IG2。故障類型的相關信息如表1 所示。

表1 ZPW-2000R 型無絕緣軌道電路14 種故障類型

4 故障診斷實例分析及比較

4.1 實例分析

為驗證基于SSAE-DNN 的智能故障診斷方法的效果，本文采用ZPW-2000R 型無絕緣軌道電路的故障數據進行大量實驗。

4.1.1 訓練部分

采用SSAE 對原始信號數據進行自適應特征提取，提取30 項特征。為體現SSAE 的故障數據特征提取能力，本文將編碼器部分提取到的訓練樣本數據特征輸入到T-SNE 方法中，T-SNE 將訓練樣本的數據特征映射到二維空間，繪制的散點圖如圖6 所示，每種顏色代表一種故障類型。由圖6 可看出，經SSAE 提取數據特征后，不同的故障類型數據分布在二維空間的不同位置，互不重疊，區分度明顯，證明了本文構建的SSAE 對ZPW-2000R 型無絕緣軌道電路故障數據具有較強的故障數據特征提取能力。

圖6 訓練集提取特征后降維可視化效果

為進一步驗證經SSAE 提取故障數據特征后，有助于實現故障診斷，本文將原始數據和經過SSAE進行特征提取后的數據都輸入到DNN 中，比較兩者訓練過程的準確率和損失值，訓練過程的比較如圖7所示。

圖7 DNN 分類器訓練過程的準確率與損失值變化曲線

由圖7 可知，兩者在5 個區段中的準確率都隨迭代次數的增加而增加，但是相比于原始數據，經過SSAE 進行特征提取后的數據均更早穩定，在未達到穩定之前，相同迭代次數下，原始數據的準確率較低；兩者在5 個區段中的損失值都隨著迭代次數的增加而減少，且最終均穩定于0，經過SSAE 進行特征提取后的數據相比于原始數據更早降至0。由此可知，經SSAE 提取故障數據特征有助于提高故障診斷準確率，且減少了故障診斷時間。

4.1.2 測試部分

為清楚地體現DNN 對每種故障的診斷效果，將原始數據和經過SSAE 進行特征提取后的測試樣本都輸入到訓練好的DNN 中。得到正常數據和14 種故障數據的預測情況，如圖8 所示。由圖8 可看出，DNN 能準確診斷出正常數據和14 種故障數據，且總體診斷準確率較高。但也存在少數誤判情況：在區段10455AG 中，原始數據出現7 條錯誤預測，錯誤預測類型分別為正常數據、標簽為6、標簽為9、標簽為10 和標簽為13 的故障數據；而經SSAE 進行特征提取后的數據僅出現1 條錯誤預測，將標簽為1 的故障數據誤判為標簽為2 的故障數據。在其余4 個區段中，預測模型對于經SSAE 特征提取后的數據預測準確率均高于對原始數據預測的準確率。結果顯示，經SSAE 進行特征提取后的ZPW-2000R 型無絕緣軌道電路數據相較原始數據更有助于DNN 對其進行分類。

圖8 DNN 模型預測過程中各種標簽的真實與預測情況

4.2 方法對比

為進一步證明本文方法對ZPW-2000R 型無絕緣軌道電路故障診斷具有優勢，選擇反向傳播（BP，Back Propagation）神經網絡、卷積神經網絡（CNN，Convolutional Neural Network）和支持向量機（SVM，Support Vector Machine）與本文方法對比，對區段10455AG 的故障數據進行分析比較，為避免試驗過程中隨機因素對試驗結果的影響，每種方法進行10次試驗，不同方法每種故障數據的平均準確率如圖9所示。

圖9 不同方法的預測結果

由圖9 可知，本文方法對于標簽為1 的故障數據預測準確率為91.67%，其余故障數據的預測準確率均為100%。而其他3 種方法，對于標簽為1 的故障數據預測準確率分別為83.33%、87.50%和83.33%，且對于正常數據、標簽為6 和標簽為8 等故障數據都出現預測錯誤的情況。由此可知，本文方法對于ZPW-2000R 型無絕緣軌道電路故障數據的診斷準確率優于BP 神經網絡、CNN 神經網絡和SVM。因此，本文提出的基于SSAE-DNN 的ZPW-2000R 型無絕緣軌道電路故障診斷方法具有更高的故障診斷精度。

5 結束語

本文提出的基于SSAE-DNN 模型的故障診斷方法在ZPW-2000R 型無絕緣軌道電路故障診斷中具有較好的性能。并通過一系列的試驗證明了該方法的有效性、可行性和優越性。但本文并未將SSAE 與其他特征提取方法進行對比，后續研究將會考慮對比多種特征提取方法，采用更優的方法獲取故障數據的深層特征，進一步提高故障診斷準確率。