CN109815983B - 基于混合深度学习的高铁道岔智能故障预测方法 - Google Patents

Abstract

本发明提供一种基于混合深度学习的高铁道岔智能故障预测方法，其利用降噪自编码器自动提取道岔电流曲线数据的特征，再基于密度聚类方法对无标签特征数据进行聚类，结合专家知识选取不同道岔故障标准下聚类簇作为正常数据，最后使用不同道岔故障标准下的正常数据分别训练单分类支持向量机，将两个单分类支持向量机输出结果交叉，形成道岔故障检测及预测四象限模型，对待测数据进行故障检测和预测；该方法和系统具有高效、客观地提取道岔动作电流曲线特征的优点；减少了人工逐条数据标注的工作量，具有可靠、高效获取正常数据的优点；仅输入不同故障标准下的正常数据即可进行道岔故障检测及预测的优点。

Description

基于混合深度学习的高铁道岔智能故障预测方法

技术领域

本发明属于道岔故障预测领域，特别涉及一种基于混合深度学习 的高铁道岔智能故障预测方法。

背景技术

道岔作为铁路的关键地面信号设备与高速列车直接接触，用于实 现列车前进中的转线或者跨线运行，其工作状态的好坏将直接决定高 铁运行的安全性。目前我国高速铁路道岔的运行现状表现为数量庞大、 运行频繁、所处环境恶劣、负荷冲击大等特点，这种现状容易引发道 岔故障，造成列车运行安全隐患。

目前，传统的道岔维护方式主要是基于人工经验的方式，由工作 人员将微机监测方法监测出的道岔动作电流曲线与专家总结得到的电 流曲线相比对，从而确定道岔的工作状态，这种方式很大程度上依赖 于现场工作人员的经验。与此同时，由于道岔动作频繁，其产生的动 作曲线数量庞大，这种监测维护方式需要大量的人力资源的投入，对现场工人的工作提出了极大的挑战；故障的误报、漏报时有发生，且 工作效率低下。随着中国高速铁路的快速发展，高铁道岔维护的高时 效性要求与基于人工经验的维护方式效率低下的矛盾日益突出。同时， 现有基于解析模型、专家方法和支持向量机等故障检测方法，由于前期道岔动作电流曲线数据特征提取依赖于人工经验，存在一定的不确 定性与效率低等问题，因此亟需一种高度智能化的道岔故障预测方法。

发明内容

为了解决现有技术中存在的问题，本发明提供了一种基于混合深 度学习的高铁道岔智能故障预测方法，本发明提供的方法具有结构简 单、通用性和拓展性强的优点。

本发明具体技术方案如下：

本发明提供一种基于混合深度学习的高铁道岔智能故障预测方法， 该方法包括如下步骤：

S1：利用深度降噪自编码器自动提取每个道岔动作电流曲线数据 的特征，获取无标签特征数据；

S2：利用密度聚类算法对步骤S1获得的无标签特征数据进行聚类， 得到若干聚类簇，选取两种道岔故障标准下非异常聚类簇对应的原始 数据分别作为第一正常数据和第二正常数据；

S3：使用第一正常数据和第二正常数据分别训练单分类(one class) 支持向量机，获得两个异常检测模型，将两个异常检测模型的输出结 果交叉，形成道岔故障检测及预测四象限模型，通过道岔故障检测及 预测四象限模型对待测数据进行故障预测。

进一步的改进，所述降噪自编码器通过如下方法构建：构建自编 码器基本结构，包括输入层、隐层及输出层，隐层及输出层值可以通 过如下方程求出：

h＝σ(Wx+b) Ⅰ

y＝σ(W′h+b′) Ⅱ

其中W和W′为权值，b和b′为偏置；σ(·)表示非线性变换，x、y 和h分别代表了输入值、输出值及隐层值，训练自编码器的过程就是 最小化损失函数J：

其中J₁为输与输出之间的误差，K为训练样本数；J₂为防止过拟合 的权值衰减项，λ为其系数；J₃是稀疏惩罚项，ρ为指定参数，β为J₃的 系数，为第i隐层单元平均激活数，其计算公式如下：

进一步的改进，步骤S1具体方法为：

S 11：数据预处理及数据集划分：将获取的道岔动作电流曲线原始 数据按照时间顺序进行排序，并进行归一化处理，获得经过处理的道 岔动作电流曲线数据；

S 12：自动特征提取：利用深度降噪自编码器自动提取经过处理的 道岔动作电流曲线数据的特征，获得无标签特征数据。

进一步的改进，深度降噪自编码器自动提取无标签特征数据的特 征维数为d，d为最内层隐层神经元的个数。

进一步的改进，步骤S2具体方法为：

S21：聚类：利用密度聚类算法对步骤S1获得的无标签特征数据 进行聚类，并选取相应簇对应的原始数据，得到若干原始数据聚类簇；

S22：数据选取：结合专家知识选取两种道岔故障标准下非异常聚 类簇对应的原始数据分别作为第一正常数据和第二正常数据。

进一步的改进，步骤S21聚类的无标签特征数据的特征维数为d+1， 增加的1维为道岔动作电流曲线采样点个数。

进一步的改进，所述单分类支持向量机的模型如下所示：

Subject to

优化目标为求一个中心为a，半径为R的最小球面；其中数据点 位于超球面内部或表面时松弛变量ξ_i＝0，C是一个常数，用于平衡超球 面半径及异常点数目。

进一步的改进，所述密度聚类算法为DBSCAN算法。

进一步的改进，步骤S3具体方法为：

S31：使用第一正常数据和第二正常数据训练单分类支持向量机， 获得第一异常检测模型和第二异常检测模型；

S32：将第一异常检测模型和第二异常检测模型的输出结果交叉， 形成道岔故障检测及预测四象限模型，将测试数据输入道岔故障检测 及预测四象限模型中，根据测试数据所在象限进行故障预测。

本发明的有益效果：

1、本发明提供的基于混合深度学习的高铁道岔智能故障预测方法， 基于组成道岔动作电流曲线且无标签的道岔电流数据，利用人工智能 结合传统机器学习的混合深度学习方法进行道岔故障检测及预测，具 有道岔故障检测及预测不依赖大量有标签数据的特点。

2、本发明提供的基于混合深度学习的高铁道岔智能故障预测方法， 使用深度学习的方法对组成道岔动作电流曲线且无标签的道岔电流数 据进行自动特征提取，具有高效、客观地提取道岔动作电流曲线特征数据的优点。

3、本发明提供的基于混合深度学习的高铁道岔智能故障预测方法，使用人工智能与专家知识结合的方法，通过特征聚类及对聚类所得簇 进行人工筛选，在引入专家审核的同时减少了人工逐条数据标注的工 作量，具有可靠、高效获取正常数据的优点。

4、本发明提供的基于混合深度学习的高铁道岔智能故障预测方法， 使用不同道岔故障标准下的正常数据分别训练单分类支持向量机，将 两个单分类支持向量机的输出结果进行交叉，形成道岔故障检测及预 测四象限模型，具有仅输入不同故障标准下的正常数据即可建立道岔故障检测及预测模型的优点。

附图说明

图1为实施例1一种基于混合深度学习的高铁道岔智能故障预测方法 的流程图；

图2为降噪自编码器的结构图；

图3为步骤S1的具体步骤；

图4为自编码器结构图；

图5为步骤S2的具体步骤；

图6为步骤S3的具体步骤；

图7为实施例2一种基于混合深度学习的高铁道岔智能故障检测方法 的流程图；

图8为道岔动作电流曲线图；

图9为最小化损失函数变化趋势图，其中变化趋势线上的数字代表所 设定的特征维度；

图10为优化结束时编码实时解码重构道岔曲线图；

图11为聚类各簇道岔动作电流曲线图，C-1至C-14分别表示簇1至簇 14；

图12为聚类各簇曲线数目图；

图13为道岔故障检测及预测四象限模型结构示意图。

附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计 算机系统中执行。虽然在流程图中示出了逻辑顺序，但是在某些情况 下，可以以不同于此处的顺序执行所描述的步骤。

具体实施方式

由于本发明的方法描述是在计算机系统中实现的，该计算机系统 可以设置在服务器或客户端的处理器中。例如本文所述的方法可以实 现为能以控制逻辑来执行的软件，其由服务器中的CPU来执行。本文 所述的功能可以实现为存储在非暂时性有形计算机可读介质中的程序指令集合。当以这种方式实现时，该计算机程序包括一组指令，当该 组指令由计算机运行时其促使计算机执行能实施上述功能的方法。可 编程逻辑可以暂时或永久地安装在非暂时性有形计算机可读介质中， 例如只读存储器芯片、计算机存储器、磁盘或其他存储介质。除了以 软件来实现之外，本文所述的逻辑可以利用分立部件、集成电路、与可编程逻辑设备(诸如，现场可编程门阵列(FPGA)或微处理器)结 合使用的可编程逻辑，或者包括它们任意组合的任何其他设备来体现。 所有此类实施均落入本发明的范围之内。

实施例1

本发明实施例1提供一种基于混合深度学习的高铁道岔智能故障 预测方法，如图1所示，所述方法包括如下步骤：

S1：利用深度降噪自编码器自动提取每个道岔动作电流曲线数据 的特征，获取无标签特征数据；

步骤S1中，道岔的正常动作过程一般分为：解锁-转换-锁闭三个 时段，根据每个时段动作的不同形成了相应的道岔动作电流曲线。

步骤S1中，深度降噪自编码器，结构如图2所示，是在自编码器 的基础上，为了使自编码器学得高维数据更加鲁棒的低维表示，在原 始输入向量基础上引入噪声，然后使用自编码器将带噪声的高维输入 映射为低维的编码，通过自解码器将编码解码为重构数据。降噪自编 码的训练就是要最小化对原始输入向量的重构误差。其中自编码器是 一个多层感知机，输入端接收高维数据，输出端输出低维编码；解码器为与编码器对称的多层感知机；降噪自编码器具有高度非线性表示 能力和良好的自动特征提取效果，对道岔动作电流曲线数据进行自动 特征提取。所提取的特征不仅具有很强的降噪效果，而且可以解决高维数据给后续聚类带来的计算困难问题。

S2：利用密度聚类算法对步骤S1获得的无标签特征数据进行聚类， 得到若干聚类簇，选取两种道岔故障标准下非异常聚类簇对应的原始 数据分别作为第一正常数据和第二正常数据；

步骤S2中，使用密度聚类算法，优选DBSCAN算法，对无标签 特征数据进行聚类。DBSCAN算法的聚类结构可以通过道岔动作电流 曲线样本分布的紧密程度确定。通过改变算法参数，可以使得聚类得 到簇的数量以及簇内曲线形状有很大不同，算法参数的选择需要结合 现有专家知识，观察各簇内道岔动作电流曲线形态确定。使用DBSCAN 算法不需要事先知道要形成的簇类数量，并可在特征空间中发现任意 形状的聚类。

进一步，对各聚类簇的判断需要结合专家知识，可以通过人机交 互界面向专家展示聚类结果，专家对各聚类簇是否包含故障数据进行 判别，基于某一道岔故障标准，当某一聚类簇内的数据符合正常数据 标准时，即认为是非异常簇。步骤S2中所指的第一正常数据和第二正常数据为不同道岔故障标准下选取的非异常聚类簇对应的原始数据， 举例说明如下：选取第一种道岔故障标准下非异常聚类簇对应的原始 数据作为第一正常数据，选取第二种道岔故障标准下非异常聚类簇对 应的原始数据作为第二正常数据。

S3：使用第一正常数据和第二正常数据分别训练单分类支持向量 机，获得两个异常检测模型，将两个异常检测模型的输出结果交叉， 形成道岔故障检测及预测四象限模型，通过道岔故障检测及预测四象 限模型对待测数据进行故障预测。

步骤S3中，单分类支持向量机中只有一个类，训练出一个最小的 超球面(超球面是指3维以上的空间中的球面，对应的2维空间中就 是封闭曲线，3维空间中就是球面，3维以上的称为超球面)，把这些 数据全都包起来，识别一个新的数据点时，如果这个数据点落在超球面内，就是这个类，否则不是。

参考图3，本实施例S1步骤具体步骤为：

S11：数据预处理及数据集划分步骤：将获取的道岔动作电流曲线 原始数据按照时间顺序进行排序，并进行归一化处理，获得经过处理 的道岔动作电流曲线数据；

S12：自动特征提取步骤：利用深度降噪自编码器自动提取经过处 理的道岔动作电流曲线数据的特征，获得无标签特征数据。

深度降噪自编码器自动提取无标签数据的特征维数为d，d为最内 层隐层神经元的个数。

所述深度降噪自编码器是通过如下方法构建的：

构建自编码器基本结构，如图4所示，包括n个输入层、m个隐 层及n个输出层，隐层及输出层值可以通过如下方程求出：

h＝σ(Wx+b) Ⅰ

y＝σ(W′h+b′) Ⅱ

其中W和W′为权值，b和b′为偏置；σ(·)表示非线性变换，x、y 和h分别代表了输入值、输出值及隐层值。训练自编码器的过程就是 最小化损失函数J：

其中J₁为输与输出之间的误差，K为训练样本数；J₂为防止过拟合 的权值衰减项，λ为其系数；J₃是稀疏惩罚项，ρ为指定参数，β为J₃的 系数，为第i隐层单元平均激活数，其计算公式如下：

优选地，获取的降噪自编码器通过RMSprop算法优化。

参考图5，本实施例S2步骤具体步骤为：

S21：聚类步骤：利用密度聚类算法对步骤S1获得的无标签特征 数据进行聚类，并选取相应簇对应的原始数据，得到若干原始数据聚 类簇；

S22：数据选取步骤：结合专家知识选取两种道岔故障标准下非异 常聚类簇对应的原始数据分别作为第一正常数据和第二正常数据。

利用密度聚类算法对步骤S1获得的无标签特征数据进行聚类，例 如获得15个聚类簇，通过人机交互界面可视化聚类结果，专家根据经 验，依据不同的道岔故障标准，判断每一聚类簇是否包含故障数据，例如，根据其中一个道岔故障标准，选取的非异常簇为14个，根据另 一道岔故障标准选取出的非异常簇可能为13个，根据标准的严格程度， 可将第一正常数据和第二正常数据称为广义正常数据和狭义正常数据。 由于对聚类所得数据，结合专家知识对各簇进行是否包含故障数据的 判别，因不需要对每条数据进行判别，大大减小故障数据判别的工作 量。

步骤S2中为弥补道岔动作电流曲线长度截取及补零带来的道岔动 作电流曲线长度信息的缺失，将道岔动作电流曲线采样点个数作为1 维特征与降噪自编码器提取的d维特征组合，构成表示动作电流曲线 信息的d+1维特征，采用密度聚类算法对获得的d+1为特征数据进行 聚类。

参考图6，本实施例S3步骤具体步骤为：

S31：使用第一正常数据和第二正常数据训练单分类支持向量机， 获得第一异常检测模型和第二异常检测模型；

S32：将第一异常检测模型和第二异常检测模型的输出结果交叉， 形成道岔故障检测及预测四象限模型，将测试数据输入道岔故障检测 及预测四象限模型中，根据测试数据所在象限进行故障预测。

其中，异常检测模型的输出结果交叉的具体方法为：分别输出检 测点距离两个异常检测模型分类超平面的空间距离，构成二维坐标(x 轴为距第一异常检测模型分离超平面距离；y轴为距第二异常检测模型 分离超平面距离)从而将输出结果交叉为二维空间四象限模型。

单分类支持向量机的模型如下所示：

Subject to

优化目标就是，求一个中心为a，半径为R的最小球面；其中数 据点位于超球面内部或表面时松弛变量ξ_i＝0，C是一个常数，用于平衡 超球面半径及异常点数目。

实施例2

为评估所提出故障检测模型的有效性，实验选取S700K转辙机现 场道岔动作电流曲线数据进行故障检测模型的训练及测试过程的验证， 共选取1200条无标签数据。

参考图7，具体过程如下：

A.数据预处理及数据集划分：取同一转辙机下的所有道岔动作电 流曲线原始数据，道岔动作电流曲线如图8所示，将所选取道岔动作 电流曲线原始数据以时间顺序进行排序，并进行归一化处理，获取经过处理的道岔动作电流曲线数据，选取900条道岔动作电流曲线数据 进行自特征提取。

B.自动特征提取：构建用于自动特征提取的降噪自编码器，其中 编码部分由6个隐层构成，解码部分与编码部分结构对称；每一隐层 所含神经元个数为200-128-64-32-16-d，通过敏感度分析确定降噪自编 码器编码的特征维数及训练轮数。训练的敏感度分析结果见表1和图9。

表1编码特征维数及训练轮数的敏感度分析结果

从实验中可知，在编码特征维数为8维，训练轮数达到30000步 时损失最小；因此选择编码特征维数d＝8、训练轮数30000时的模型作 为本实验自动特征提取模型。确定进行聚类的无标签特征数据的特征 维数为9。

C.聚类及数据选取：采用DBSCAN算法依据特征将9维无标签特 征数据进行聚类。设置邻域半径为0.62，邻域密度阈值为2时，聚类 为14个簇，各簇曲线如图10所示，(x轴为采样点序号，采样间隔0.04s； y轴为归一化电流值)。

通过人机交互界面，展示聚类结果，聚类各簇道岔动作电流曲线 如图11所示，聚类各簇曲线数目如图12所示，结合专家知识观察聚 类结果可知，以第一道岔故障标准，判断簇1中聚集了所有的故障曲 线及部分正常曲线；以第二道岔故障标准，判断簇1、2、4、5和13 中聚集了所有的故障曲线和部分正常曲线，因而考虑选取除簇1外所 有的道岔动作电流曲线数据作为第一正常数据，共880条道岔动作电 流曲线数据，选取除簇1、2、4、5和13外所有的道岔动作电流曲线 数据作为第二正常数据，共554条道岔动作电流曲线数据。

D.道岔故障检测及预测四象限模型：将第一正常数据和第二正常 数据分别输入单分类支持向量机进行训练，分别获得第一异常检测模 型和第二异常检测模型，然后将第一异常检测模型和第二异常检测模 型的输出结果交叉，形成道岔故障检测及预测四象限模型，将测试数据输入道岔故障检测及预测四象限模型中，根据测试数据所在象限进 行故障预测；道岔故障检测及预测四象限模型如图13所示，若该数据 处于第一象限，则被判别为正常数据；若该数据处于第三象限，则被 判别为故障数据，引发故障检测报警，达到道岔故障检测目的；若该 数据处于第四象限，则引发故障预测报警，达到道岔故障预测目的；若该数据处于第二象限，需要对第一异常检测模型和第二异常检测模 型重新构建。

Claims (7)

1.一种基于混合深度学习的高铁道岔智能故障预测方法，其特征在于，所述方法包括如下步骤：

S1：利用深度降噪自编码器自动提取每个道岔动作电流曲线数据的特征，获取无标签特征数据；

S2：利用密度聚类算法对步骤S1获得的无标签特征数据进行聚类，得到若干聚类簇，选取两种道岔故障标准下非异常聚类簇对应的原始数据分别作为第一正常数据和第二正常数据；

S3：使用第一正常数据和第二正常数据分别训练单分类支持向量机，获得两个异常检测模型，将两个异常检测模型的输出结果交叉，形成道岔故障检测及预测四象限模型，通过道岔故障检测及预测四象限模型对待测数据进行故障预测；

所述降噪自编码器通过如下方法构建：构建自编码器基本结构，包括输入层、隐层及输出层，隐层及输出层值通过如下方程求出：

h＝σ(Wx+b)Ⅰ

y＝σ(W′h+b′)Ⅱ

其中W和W′为权值，b和b′为偏置；σ(·)表示非线性变换，x、y和h分别代表了输入值、输出值及隐层值，训练自编码器的过程就是最小化损失函数J：

其中J₁为输与输出之间的误差，K为训练样本数；J₂为防止过拟合的权值衰减项，λ为其系数；J₃是稀疏惩罚项，ρ为指定参数，β为J₃的系数，为第i隐层单元平均激活数，其计算公式如下：

2.如权利要求1所述的基于混合深度学习的高铁道岔智能故障预测方法，其特征在于，步骤S1具体方法为：

S11：数据预处理及数据集划分：将获取的道岔动作电流曲线原始数据按照时间顺序进行排序，并进行归一化处理，获得经过处理的道岔动作电流曲线数据；

S12：自动特征提取：利用深度降噪自编码器自动提取经过处理的道岔动作电流曲线数据的特征，获得无标签特征数据。

3.如权利要求2所述的基于混合深度学习的高铁道岔智能故障预测方法，其特征在于，深度降噪自编码器自动提取无标签特征数据的特征维数为d，d为最内层隐层神经元的个数。

4.如权利要求3所述的混合深度学习的高铁道岔智能故障预测方法，其特征在于，步骤S2具体方法为：

S21：聚类：利用密度聚类算法对步骤S1获得的无标签特征数据进行聚类，并选取相应簇对应的原始数据，得到若干原始数据聚类簇；

S22：数据选取：结合专家知识选取两种道岔故障标准下非异常聚类簇对应的原始数据分别作为第一正常数据和第二正常数据。

5.如权利要求4所述的基于混合深度学习的高铁道岔智能故障预测方法，其特征在于，步骤S21聚类的无标签特征数据的特征维数为d+1，增加的1维为道岔动作电流曲线采样点个数。

6.如权利要求1所述的基于混合深度学习的高铁道岔智能故障预测方法，其特征在于，所述密度聚类算法为DBSCAN算法。

7.如权利要求4所述的基于混合深度学习的高铁道岔智能故障预测方法，其特征在于，步骤S3具体方法为：

S31：使用第一正常数据和第二正常数据训练单分类支持向量机，获得第一异常检测模型和第二异常检测模型；

S32：将第一异常检测模型和第二异常检测模型的输出结果交叉，形成道岔故障检测及预测四象限模型，将测试数据输入道岔故障检测及预测四象限模型中，根据测试数据所在象限进行故障预测。