CN106226050A - 一种tfds故障自动识别方法 - Google Patents

Abstract

本发明公开了一种TFDS故障自动识别方法，该方法基于深度学习理论，由一个二级级联的卷积神经网络模型构成：第一级为多类易故障区域同步定位的网络模型，结合多故障区域的空间相互位置关系约束，实现多故障目标区域同步精确定位；第二级为故障判别网络模型，对第一级定位的区域实现故障和非故障的判断。本发明提供的TFDS多类故障同步自动识别方法无需针对不同故障分别设计识别方法，借助深度学习中的卷积神经网络理论，通过学习训练的方式自适应地抽取特征，能够对多故障进行同步定位和故障判断，且具有高效性和强鲁棒性。

Description

一种TFDS故障自动识别方法

技术领域

本发明涉及铁路检测领域，特别涉及货车故障轨边图像的故障自动识别方法。

背景技术

为了推进铁路现代化建设，提高列检故障发现率，降低列检人员劳动强度，原铁道部大力推广了一系列列车运行故障图像动态检测系统。目前，货车运行故障图像动态检测系统(TFDS)已在全路推广使用，通过布置在轨道上的多个工业相机对运行列车的两侧和底部进行图像采集，通过专用网络将图像传输至监控室服务器。在监控室，列检人员通过图像复示终端软件观察所采集图像，判断是否存在故障。然而，TFDS系统只负责采集、传输、存储图像，由于故障的复杂和多样性以及图像质量的影响，TFDS还不能实现对故障的自动识别。

在TFDS故障自动识别方面，一些学者针对某些特定故障提出了一些故障自动识别方法。孙国栋等在专利号为201210558987.X的发明专利“一种TFDS挡键丢失故障自动识别方法”中提出了一种TFDS挡键丢失故障自动识别方法，该方法通过Hough圆变换来对列车轮轴和通孔进行定位，并依据轮轴、通孔以及挡键区域间的几何关系间接标定挡键目标区域，再根据挡键目标区域的灰度级变化来判断挡键是否丢失。张益等在专利号为201110166974.3的发明专利“一种货车下心盘螺栓丢失故障识别装置及其识别方法”中提出了一种心盘螺栓丢失的故障识别方法，该方法首先定位候选区域，接着提取候选区域图像特征，再对特征数据进行识别运算。通常，大多数故障识别的过程分为两步：目标区域的定位和故障判定。目标区域的定位是故障识别的第一步，且在故障判定中起着关键性的作用。现有目标区域的定位方法大多数基于模板匹配、图像分割、边缘检测等方法，而故障判定主要基于人工特征提取特征的方法。通常，这些方法需要大量的工程经验和先验知识，且需要针对不同类别的故障分别设计算法，通常效率不高。

近几年，深度学习在语音识别、视觉目标识别、目标检测以及一些其它领域例如医药发现和基因检测中取得了重大的进展。基于深度学习理论的关键在于特征提取和特征表达不需要人工设计特征提取器，而通过从大量数据的学习中自动获取所需的特征表达。深度网络能够实现高度复杂的函数表达，因此能够解决一些更难的问题。

基于深度学习理论的卷积神经网络(CNN)已经广泛应用在机器视觉和图像识别领域。CNN输入原始图像数据，并使用一个多层的网络结构自动发现所需的特征表达。CNN在发现图像的本质特征展现了卓越的能力，因此能够在机器视觉和图像识别领域取得惊人的成果，具体包括行人检测、人脸识别、人脸关键点识别、交通标志识别、人体姿态识别、场景分析、目标检测等。LeCun等人在文章“Gradient-based learning applied to documentrecognition[J].Proceedings of the IEEE,Volume 86,Issue 11,1998,Pages2278-2324”首先提出了一个经典的5层CNN网络(LeNet-5)，在当时用于美国银行中的支票识别。在图像分类领域，基于CNN的识别系统已经获得了惊人的成就，尤其在大型图像分类任务中。微软亚洲研究院的计算机视觉组研究了一个基于极深的CNN视觉系统，并在ImageNet数据集上获得了超过人眼的辨识力。

从上述分析可以看出，现有的故障自动识别方法主要基于人工特征提取，这些方法需要大量的工程经验和先验知识，且需要针对不同类别的故障分别设计算法，通常效率不高。深度学习中的卷积神经网络在图像识别领域中展现出惊人的效果，基于卷积神经网络实现故障自动识别，使用一个统一的方法对故障进行检测，能实现多故障的同步检测，具有高效性，同时对由于环境等因素造成质量不佳的图像仍具有较好的效果。

发明内容

有鉴于此，本发明的主要目的在于提供一种TFDS故障自动识别方法，能够对多类别故障同步检测及判别，提高故障检测的效率、故障识别准确率，不需要复杂的人工设计特征提取器过程，仅通过学习训练的方式自适应获取所需特征表达，最终实现多故障的同步自动识别。

为达到上述目的，本发明的技术方案是这样实现的：

一种TFDS故障自动识别方法，由一个二级级联的基于卷积神经网络模型构成，第一级为多类易故障区域同步定位的网络模型，实现多类易故障区域的同步定位；第二级为故障判别网络模型，对第一级网络模型中定位的区域进行故障和非故障的判断；二级级联的模型能够实现对多类故障进行先定位后判断的同步故障自动识别，具体包括以下步骤：

a、收集铁路货车故障图像动态检测系统，即TFDS采集的图像，建立训练样本集和测试样本集，对训练样本集制作标注文件，并对训练样本集将待检测的目标区域裁剪并先按类别归类，每个类别再按故障和非故障归类；

b、建立第一级多类易故障区域同步定位的网络模型，使用步骤a中的训练样本集、测试样本集及标注文件针对多类易故障区域对所述多类易故障区域同步定位的网络模型进行训练；

c、建立目标区域的空间位置关系约束，结合已训练的第一级多类易故障区域同步定位的网络模型，利用目标区域的空间位置关系约束精确定位待检测的目标区域；

d、建立第二级故障判别的网络模型，并用步骤a中裁剪且归类好的待检测的目标区域针对不同故障类别对所述故障判别的网络模型分别进行训练，步骤b和c定位出待检测目标区域，本步骤训练好的故障判别网络模型对待检测目标区域进行故障或非故障的判断，得到故障和非故障的判别概率；

e、级联步骤b和c的易故障目标区域的定位和步骤d的故障判别过程，将训练好的第一级多类易故障区域同步定位的网络模型和训练好的第二级多类故障判别的网络模型级联，第一级模型输出的待检测目标区域输入第二级相应故障类别的模型中进行判断，实现对多类故障的先定位后判断的同步故障自动识别。

步骤e所述的对多类故障的先定位后判断的同步故障自动识别过程采用端对端的形式，即输入TFDS采集的原始图像，直接输出故障的判别结果，对多故障的同步自动识别，其中，具体级联的过程为：第一级为一个多类易故障区域同步定位的网络模型，此模型的输出经过空间位置关系的约束获得精确定位的目标区域；第一级连接第二级多个训练好的故障判别网络模型，第一级输出的目标区域，根据目标区域的类别输入第二级相应的故障判别网络模型中进行故障判断。

所述步骤b中多类易故障区域同步定位的网络模型对一幅图像的输出包括：图像中目标区域在图像的像素坐标及目标区域对所有类别的置信度，即属于每类待检测故障类别的概率，该目标区域所属类别为置信度最高的对应类别，此类别决定了该目标区域在第二级所对应的故障判别网络模型。

所述步骤c中根据铁路货车多故障区域的空间位置关系增加空间位置约束，用于进一步定位低置信度的目标区域，提高定位的准确度。

所述步骤d中训练故障判别的网络模型，是对该网络模型分别训练不同类别的故障，使用的训练样本是所述步骤a中相应类别的故障和非故障裁剪区域，第二级网络模型的个数与待判定的故障类别数相同。

所述步骤b中的多类易故障区域同步定位的网络模型基于区域预测的目标检测模型，所述目标检测模型由两个卷积神经网络模型构成，一个卷积神经网络模型用于区域预测，另一卷积神经网络模型用于目标检测；用于目标检测的卷积神经网络模型对用于区域预测的卷积神经网络模型的输出的预测区域进行区域类别概率计算及矩形框的回归；两个卷积神经网络模型共享图像特征提取层。

可以仅使用一个卷积神经网络模型实现不同类别故障的判别，只需要针对不同类别的故障分别训练即可。

步骤a所述标注文件需要针对训练样本集中的每幅图像制作标注文件，标注文件的信息包括：图像名称、图像包含的目标类别、以及每个目标类别在图像中的位置，训练样本集、测试样本集、标注文件用于第一级多类易故障区域同步定位的网络模型的训练，裁剪的待检测目标区域为第二级故障判别的网络模型的训练样本；调整不同光照、对比度、旋转角、裁剪框的大小裁剪待检测目标区域来增加第二级故障判别的网络模型训练样本，提高第二级故障判别的网络模型的鲁棒性。

本发明提供的TFDS故障自动识别方法，包括易故障目标区域定位和故障判别两阶段，提出了基于卷积神经网络目标检测模型与多故障区域的空间相互位置关系相结合的多故障目标区域同步精确定位模型，建立了故障判别的多层卷积神经网络模型。该方法采用一个级联的模型：首先，第一级的多类易故障区域同步定位的网络模型，结合多故障区域的空间相互位置关系的约束实现易故障目标区域的精确定位；第二级为故障判别网络模型，对第一级定位的区域对不同类别分别实现故障和非故障的判断，该二级级联的模型能够实现对多类故障进行先定位后判断的同步故障自动识别。该方法能够实现铁路货车多故障的高效地检测，并对平移、噪声、光照等由外界环境引起的图像质量的变化有着很强的鲁棒性。

本发明与现有技术相比的优点在于：本发明提供的TFDS多类故障同步自动识别方法无需针对不同故障分别设计识别方法，借助深度学习中的卷积神经网络理论，通过学习训练的方式自适应地抽取特征，能够对多故障进行同步定位和故障判断，且具有高效性和强鲁棒性。

附图说明

图1为本发明TFDS故障自动识别方法的总体实现流程图；

图2为基于卷积神经网络的多类易故障区域同步定位网络模型，其中(a)为区域预测的网络模型，(b)为目标检测的网络模型；

图3为基于卷积神经网络的故障判别的网络模型；

图4为轴端螺栓、挡键的级联故障识别系统；

图5为挡键、轴端螺栓测试集检测定位效果；

图6为用于训练故障判别网络模型的挡键和轴端螺栓样本，其中(a)为无故障轴端螺栓样本，(b)为故障轴端螺栓样本，(c)为无故障挡键样本，(d)为故障挡键样本。

具体实施方式

以下结合附图及具体实施例对本发明再作进一步详细的说明。

图1为本发明TFDS故障自动识别方法的总体实现流程图，如图1所示，本发明的故障自动识别方法包括以下步骤：

步骤11：收集图像，建立训练样本集和测试样本集，并制作训练样本集标注文件，对训练样本集将待检测的目标区域裁剪并归类。

收集铁路货车故障图像动态检测系统(即TFDS)采集的图像，训练样本集和测试样本集均随机选取，测试样本集中的图像是独立于训练样本集的，两者所包含的图像无交叉。

对训练集的每幅图像制作详细的标注，标注信息包括：图像名称、图像包含的目标类别、以及每个目标类别在图像中的位置，其中位置信息包含4个元素：目标框的左上角和右下角像素坐标。训练样本集、测试样本集、标注文件用于第一级多类易故障区域同步定位的网络模型的训练。

对训练样本集将待检测的目标区域裁剪并归类，先按类别归类，再针对每个类别按故障和非故障归类，该裁剪的区域为第二级故障判别网络模型的训练样本。为了提高第二级网络模型的鲁棒性，调整不同光照、对比度、旋转角、裁剪框的大小裁剪目标区域，增加第二级网络模型训练样本。

步骤12：建立并训练第一级基于卷积神经网络的多类易故障区域同步定位的网络模型。

如图2所示，易故障区域同步定位的网络模型基于Faster RCNN网络模型，该网络模型由两个卷积神经网络模型构成，一个网络模型用于区域预测，另一网络模型用于目标检测。目标检测网络模型对区域预测网络模型输出的预测区域进行区域类别概率计算及矩形框的回归，两个网络共享CNN特征提取层，CNN特征提取采用一个VGG16的网络。具体过程在文章“Faster R-CNN:Towards real-time object detection with region proposalnetworks[C],Advances in neural information processing systems.2015,Montreal,Canada”中有详细描述。

训练易故障区域同步定位的网络模型：使用步骤11中的训练样本集和标注文件同时训练多个易故障区域。采用反向传播和随机梯度下降算法训练步骤12中的易故障区域定位的网络，具体训练算法原理参见Bouvrie的文章“Notes on Convolutional NeuralNetworks[J].Neural Nets,2006”。

调整训练参数的初始化方式，以及学习速率方案、迭代次数等超参数，直至网络收敛，训练结束。对训练好的网络模型使用步骤11中的测试样本集进行测试，检验该易故障区域网络模型的效果，若效果不好则需要调整超参数重新训练。

步骤13：建立空间位置关系的约束，结合步骤12已训练的易故障区域同步定位网络模型，精确定位待检测的目标区域。

通常在货车铁路中一些目标的空间位置关系相对固定，充分利用该优势进一步提高目标区域定位的准确度。TFDS侧轨相机采集的图像中，根据轴端螺栓、挡键、端头螺栓这三类目标区域的空间位置相对固定，因此在本模型中当步骤12检测的挡键的置信度低于0.8时，增加空间位置关系的约束。即根据轴端螺栓、端头螺栓定位的位置坐标，以及它们与挡键的相对位置关系来确定挡键的位置坐标。

步骤14：建立并训练第二级基于卷积神经网络的故障判别的网络模型。

根据实际故障判别任务建立一个故障判别的网络模型，确定该网络的大小、网络层数、网络深度、网络的输入输出、以及卷积核模板大小和个数、池化窗口大小等网络结构设置。

本模型中建立的基于卷积神经网络的故障判别网络模型结构如图3所示，该网络模型是一个二分类网络模型，即网络模型仅对输入图像分成2类，即故障和非故障的分类。网络模型包括5层卷积层，2层全连接层，4层池化层，3层局部归一化层和一个最后的输出层，其中，池化层均采用最大值池化操作，2x2的窗口，全连接层使用Dropout技术防止过拟合，输出层仅包含两个神经元，即故障和非故障的概率。该网络模型首先对输入图像调整为216x216的大小，然后经过多层卷积层、池化层、LRN局部归一化层，再经过2层全连接层，到最后的输出，具体各层卷积核个数、大小及卷积步长如图3所示。其中，LRN局部归一化及Dropout技术见Krizhevsky的文章“Imagenet classification with deep convolutionalneural networks[C],Advances in neural information processing systems.2012,Lake Tahoe,USA”。

训练该故障判别网络模型：步骤11中裁剪且归类好的待检测的目标区域针对不同故障类别对所述故障判别的网络模型分别进行训练。调整训练参数的初始化方式，以及学习速率方案、迭代次数等超参数，直至网络收敛，训练结束。将步骤12和13对测试样本集定位的目标区域对该故障判别的网络模型进行测试，检验该易故障区域网络模型的效果，若效果不好则需要调整超参数重新训练。

步骤15：将第一级训练好的易故障区域定位的网络模型和第二级训练好的故障判别网络模型级联，实现故障区域的先定位后判断。

将第一级训练好的多类易故障区域同步定位的网络模型和第二级训练好的多类故障判别的网络模型级联，第一级模型输出的待检测目标区域输入第二级相应故障类别的模型中进行判断，实现对多类故障的先定位后判断的同步故障自动识别。

对一幅待检测的图像的故障自动识别过程可以描述为：首先经过第一级网络模型进行易故障区域的定位，输出该图像中易故障目标的区域及每个区域所属类别的置信度，该目标区域可能是多类易故障目标的区域，接着结合某些部件的空间位置关系约束对某些定位置信度低的目标区域做一定的调整，最后根据定位目标区域的类别分别输入第二级相应类别训练好的故障网络模型中，进行故障、非故障的判断，最终实现多类故障的同步自动识别。

为了说明本发明的TFDS故障自动识别方法，以一具体故障检测实例进行说明：

图4所示为轴端螺栓、挡键的故障识别系统。这两类故障在铁路货车中属于高发故障，轴端螺栓容易发生丢失、脱落故障，而挡键容易发生丢失故障。

按图1所述步骤对轴端螺栓、挡键的故障进行识别，过程为：

随机挑选出训练图像和测试图像构建训练样本集和测试样本集，对训练样本集中的每幅图像进行轴端螺栓、挡键两类易故障区域的标注，此外还增加一类端头螺栓区域的标注，端头螺栓用于后续空间位置关系的约束来提高挡键定位的精确度。

根据步骤12的训练方法训练图2的易故障区域定位模型。本实例中训练参数采用ImageNet预训练好的参数初始化CNN卷积池化层，其他层采用0均值高斯分布初始化；学习速率采用的方案是：初始化学习速率为10-³，之后每迭代10000次下降为原来的0.1；迭代次数设置为20000次。

将测试样本集输入训练好的易故障区域定位模型中，设定置信度阈值为0.8，由于挡键丢失前后图像差别较大，在故障样本较少的情况下，若只采用无故障的正样本训练，训练的网络将不具备代表性；同时，挡键与两类螺栓的位置关系相对固定。因此，为了提高检测的精度，本文利用空间位置关系约束来进一步定位挡键的区域。根据轴端螺栓、挡键、端头螺栓这三类目标区域的空间位置相对固定，因此在本模型中当检测的挡键的置信度低于0.8时，增加空间位置关系的约束。假设每个目标的位置包括4个预测值(x^l,y^l,x^r,y^r)，其中(x^l,y^l)和(x^r,y^r)分别代表预测框左上角和右下角像素坐标。假设检测到的轴端螺栓和挡键的位置分别表示为和根据轴端螺栓、挡键、端头螺栓这三类目标区域的一些先验知识和目标相对位置关系，增加一个约束，得到挡键的位置，其表示为计算方法如下：

$x_{sfk}^l=min(x_{es}^r,x_{sb}^r)+\mathrm{sgn}(x_{sb}^l-x_{es}^l)\·\mathrm{\α}W$

$y_{sfk}^l=y_{sb}^r+\mathrm{\β}H$

$w_{sfk}=abs(x_{sb}^l-x_{es}^r)+\mathrm{\γ}W$

$h_{sfk}=y_{es}^l-y_{sb}^r+\mathrm{\δ}H$

$x_{sfk}^r=x_{sfk}^l+w_{sfk}$

$y_{sfk}^r=y_{sfk}^l+h_{sfk}$

其中，为求最小值函数，为符号函数，abs(a)＝|a|为取绝对值函数，W,H为原图像的宽度和高度，w_sfk,h_sfk为计算得到的挡键宽度和高度，α,β,γ,δ为调节参数，本发明中一组设定的值为α＝0.013，β＝-0.01，γ＝0.006，δ＝0.025。

测试样本集轴端螺栓、挡键的区域定位效果如图5所示，结果如表1所示。由表1可知，基于卷积神经网络的易故障区域定位模型结合空间位置关系的约束对轴端螺栓、挡键区域的定位准确率和召回率均为100％，也就是说，能够全部将待判别的目标区域检测并定位出来。

表1 测试集轴端螺栓、挡键的区域检测结果

对训练样本中提取的轴端螺栓和挡键区域按照步骤11裁剪及归类后按照步骤14的训练方法训练图3的故障判别网络模型。所有层的训练参数均采用0均值高斯分布初始化；学习速率采用的方案是：初始化学习速率为10^-2，之后每迭代5000次下降为原来的0.1；迭代次数设置为10000次。训练后得到两个网络模型：轴端螺栓故障判别网络模型和挡键故障判别网络模型，这两个网络模型的结构均相同，只是权值参数不同。

部分轴端螺栓和挡键区域的训练样本如图6所示。采用图3的网络对轴端螺栓和挡键分别训练，用于该类别故障/非故障的判别，轴端螺栓和挡键的故障判别过程是分开但并行进行的。对轴端螺栓和挡键分别训练好故障判别模型后，对测试样本中提取的轴端螺栓和挡键区域进行故障判断的测试，结果如表2所示。

表2 故障判别测试结果

其中，表2中漏检的轴端螺栓由于该图像过曝光，轴端螺栓区域泛白，即便是人眼都难以辨认是否故障。因此，总体上看来，该模型对轴端螺栓和挡键的故障判别有着很高的准确率，零错检率以及极低的漏检率。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (8)

1.一种TFDS故障自动识别方法，其特征在于，该方法由一个二级级联的基于卷积神经网络模型构成，第一级为多类易故障区域同步定位的网络模型，实现多类易故障区域的同步定位；第二级为故障判别网络模型，对第一级网络模型中定位的区域进行故障和非故障的判断；二级级联的模型能够实现对多类故障进行先定位后判断的同步故障自动识别，具体包括以下步骤：

a、收集铁路货车故障图像动态检测系统，即TFDS采集的图像，建立训练样本集和测试样本集，对训练样本集制作标注文件，并对训练样本集将待检测的目标区域裁剪并先按类别归类，每个类别再按故障和非故障归类；

b、建立第一级多类易故障区域同步定位的网络模型，使用步骤a中的训练样本集、测试样本集及标注文件针对多类易故障区域对所述多类易故障区域同步定位的网络模型进行训练；

c、建立目标区域的空间位置关系约束，结合已训练的第一级多类易故障区域同步定位的网络模型，利用目标区域的空间位置关系约束精确定位待检测的目标区域；

d、建立第二级故障判别的网络模型，并用步骤a中裁剪且归类好的待检测的目标区域针对不同故障类别对所述故障判别的网络模型分别进行训练，步骤b和c定位出待检测目标区域，本步骤训练好的故障判别网络模型对待检测目标区域进行故障或非故障的判断，得到故障和非故障的判别概率；

e、级联步骤b和c的易故障目标区域的定位和步骤d的故障判别过程，将训练好的第一级多类易故障区域同步定位的网络模型和训练好的第二级多类故障判别的网络模型级联，第一级模型输出的待检测目标区域输入第二级相应故障类别的模型中进行判断，实现对多类故障的先定位后判断的同步故障自动识别。

2.根据权利要求1所述的方法，其特征在于：步骤e所述的对多类故障的先定位后判断的同步故障自动识别过程采用端对端的形式，即输入TFDS采集的原始图像，直接输出故障的判别结果，实现对多故障的同步自动识别，其中，具体级联的过程为：第一级为一个多类易故障区域同步定位的网络模型，此模型的输出经过空间位置关系的约束获得精确定位的目标区域；第一级连接第二级多个训练好的故障判别网络模型，第一级输出的目标区域，根据目标区域的类别输入第二级相应的故障判别网络模型中进行故障判断。

3.根据权利要求1或2所述的方法，其特征在于，所述步骤b中多类易故障区域同步定位的网络模型对一幅图像的输出包括：图像中目标区域在图像的像素坐标及目标区域对所有类别的置信度，即属于每类待检测故障类别的概率，该目标区域所属类别为置信度最高的对应类别，此类别决定了该目标区域在第二级所对应的故障判别网络模型。

4.根据权利要求1或3所述的方法，其特征在于，所述步骤c中根据铁路货车多故障区域的空间位置关系增加空间位置约束，用于进一步定位低置信度的目标区域，提高定位的准确度。

5.根据权利要求1或2所述的方法，其特征在于，所述步骤d中训练故障判别的网络模型，是对该网络模型分别训练不同类别的故障，使用的训练样本是所述步骤a中相应类别的故障和非故障裁剪区域，第二级网络模型的个数与待判定的故障类别数相同。

6.根据权利要求1所述的方法，其特征在于，所述步骤b中的多类易故障区域同步定位的网络模型基于区域预测的目标检测模型，所述目标检测模型由两个卷积神经网络模型构成，一个卷积神经网络模型用于区域预测，另一卷积神经网络模型用于目标检测；用于目标检测的卷积神经网络模型对用于区域预测的卷积神经网络模型的输出的预测区域进行区域类别概率计算及矩形框的回归；两个卷积神经网络模型共享图像特征提取层。

7.根据权利要求1或5所述的方法，其特征在于：可以仅使用一个卷积神经网络模型实现不同类别故障的判别，只需要针对不同类别的故障分别训练即可。

8.根据权利要求1所述的方法，其特征在于：步骤a所述标注文件需要针对训练样本集中的每幅图像制作标注文件，标注文件的信息包括：图像名称、图像包含的目标类别、以及每个目标类别在图像中的位置，训练样本集、测试样本集、标注文件用于第一级多类易故障区域同步定位的网络模型的训练，裁剪的待检测目标区域为第二级故障判别的网络模型的训练样本；调整不同光照、对比度、旋转角、裁剪框的大小裁剪待检测目标区域来增加第二级故障判别的网络模型训练样本，提高第二级故障判别的网络模型的鲁棒性。