CN111626416A - 基于深度卷积神经网络的轨道电路故障自动诊断方法 - Google Patents

Abstract

本发明公开一种基于深度卷积神经网络的轨道电路故障自动诊断方法，首先，获取轨道电路的实时变化数据，建立轨道电路故障类型数据集，将数据集划分为训练样本和测试样本；其次，建立一维的深度卷积神经网络，输入训练集样本训练网络模型，通过测试样本评估网络模型的准确率，得到训练好的一维深度卷积神经网络模型；最后，将轨道电路的实时变化数据输入训练好的深度卷积神经网络模型，通过神经网络建立输入与输出之间的映射关系，输出故障类型，定位故障位置。本发明方法可以提高型轨道电路故障诊断效率和准确率，有助于现场维护人员对故障进行快速处理，提高轨道电路维护维修效率和智能化水平。

Description

基于深度卷积神经网络的轨道电路故障自动诊断方法

技术领域

本发明涉及轨道电路领域，尤其是关于ZPW-2000R型轨道电路的故障诊断方法。

背景技术

铁路运输的安全性是实现铁路整体高效运行的基本保证。铁路区间广泛铺设的ZPW-2000系列无绝缘移频轨道电路是列车运行控制系统的基础设备，主要用于实现对区间的占用检查，断轨检查以及地车通讯。轨道电路的正常工作是列车安全运行的重要保障。由于轨道电路室外设备易受温度、湿度等复杂环境因素影响，同时也因系统各个部件运行状况等原因，使得轨道电路故障时有发生，其结果会影响铁路运营效率甚至行车安全。

目前，ZPW-2000R轨道电路发生故障时，主要依赖现场人员的工作经验，对设备相关部位进行数据测试，或利用微机监测数据，根据系统应用逻辑分析，电路的电气特性等对故障位置进行定位。当遇到较为罕见的故障模式时，故障特征较为复杂，难以依据已有经验进行准确的快速故障诊断。

为了摆脱轨道电路故障诊断对人的依赖，提高故障诊断效率，增加轨道电路信号系统的安全性和可靠性，很多学者进行轨道电路故障自动诊断方法研究。随着大数据、人工智能的发展，机器学习在故障诊断中的应用越来越广泛。ZPW-2000R型轨道电路铺设在全国数千公里的铁路线上，工作环境复杂，故障类型数目多，实现快速准确的故障智能诊断难度大，如何利用先进的深度卷积神经网络方法(Convolutional Neural Network,CNN)对故障类型进行分析诊断，实属当前重要研发课题之一，亦是当前业界急需改进的目标。

发明内容

本发明的主要目的是提供一种基于深度卷积神经网络的轨道电路故障自动诊断方法，利用维护机监测的轨道电路实时数据对包括室内、室外设备中29种故障类型进行快速智能诊断，以克服现有的轨道电路故障诊断效率和准确率不够理想的问题，非常适于实用。

本发明是采用以下技术方案及技术措施来实现的。

本发明提出一种基于深度卷积神经网络的轨道电路故障自动诊断方法，

首先，获取轨道电路的实时变化数据，建立轨道电路故障类型数据集，将数据集划分为训练样本和测试样本；

其次，建立一维的深度卷积神经网络，输入训练集样本训练网络模型，通过K折交叉验证方法获取网络模型参数，通过测试样本评估网络模型的准确率，得到训练好的一维深度卷积神经网络模型；所述一维深度卷积神经网络的输入层为120层，输出层数是30层，网络结构依次是6层卷积层、3层池化层和512层全连接层；

最后，将轨道电路的实时变化数据输入训练好的一维深度卷积神经网络模型，通过神经网络建立输入与输出之间的映射关系，输出故障类型，定位故障位置。

所述的轨道电路是ZPW-2000R型轨道电路，所述轨道电路的实时变化数据是微机实时监测的数据，包括轨道电路系统室内和室外设备中每个轨道电路区段的电压、电流信号共38种变量，作为卷积神经网络的输入数据类型，模拟正常状态和29种故障类型，用故障名称序号表示故障类型。

当所述卷积层的输入为一维序X＝[x₁,x₂,…x_n]^T时，卷积层的输出为

其中，l为第l卷积层，k为卷积核，b为偏置参数，

表示第l层的输出，卷积核的个数为M_j，f为Relu激活函数，T表示转置。

所述池化层采用最大池化(max-pooling)方法。

所述全连接层的传递函数是sigmoid函数。

所述K折交叉验证方法是将训练样本数据集分成k个子集，选择其中一个子集作为评估数据集，用剩余的k-1个子集训练网络模型，并用预留的子集对模型做评估，重复该过程，直到所有子集被赋予作为被评估数据集的机会，据此测试网络模型取不同超参数下的性能，最终确定网络模型的最佳参数。

本发明采用Adam自适应调整学习率以训练网络。

所述深度卷积网络的卷积核大小为3×1，采样宽度为2×1，每层用Rule激活函数得到卷积层的特征数。

本发明采用批处理数为40的批处理方式训练所述深度卷积神经网络。

本发明采用softmax分类器得出故障类型分类结果。

与现有技术相比，本发明至少具有下列优点及有益效果：

针对ZPW-2000R型轨道电路，将现场实时监测到的轨道电路电压和电流测量数据，通过本发明设计的一维深度卷积神经网络，可直接进行29种故障类型的快速准确诊断和故障定位，故障诊断准确率达到96％，提高了ZPW-2000R型轨道电路故障诊断效率和准确率，有助于现场维护人员对故障进行快速处理，恢复铁路运输，提高轨道电路维护维修效率和智能化水平，确保现代化铁路运输的高速、高效和安全可靠。

附图说明

图1是基于深度卷积神经网络的轨道电路故障诊断模型图。

图2是深度卷积神经网络的结构示意图。

图3是ZPW-2000R型轨道电路拓扑结构图。

图4是实施例1的ZPW-2000R型移频自闭系统模拟道床。

图5是实施例1的网络训练准确率曲线。

图6是实施例1的网络训练损失率曲线。

图7是实施例1的测试集诊断结果图。

图8是实施例1的测试集诊断准确率。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

卷积神经网络，是受哺乳动物的视觉皮层细胞启发而提出的前馈性神经网络，目前广泛应用于图像识别领域。卷积神经网络的训练过程就是不断的调整网络的权重和偏置，从而使实际输出和期望输出之间的误差减小的过程。深度卷积神经网络可以挖掘同类数据内在关系，使不同类别数据之间的界限得以明确，可避免传统浅层神经网络故障诊断算法存在的训练耗时、易陷入局部极小值等问题。深度卷积神经网络训练过程包括前向传播和反向传播。前向传播的过程是由输入的样本得到网络实际的输出。反向传播是卷积神经网络不断调整权重和偏置来更新参数的过程，反向传播过程就是根据链式法则逐层计算各层关于目标函数的梯度，根据梯度下降法不断调整参数，使网络的实际输出值与网络的目标输出值之间的误差不断减小的过程。

本发明根据神经网络有监督学习的特点，利用深度卷积神经网络的突出优势，将轨道电路诊断主机的实时变化数据作为神经网络的输入，将实际使用中常见的故障类型作为输出，建立输入和输出之间的映射关系。本发明人提出的深度卷积神经网络模型分为训练阶段和故障诊断阶段。如图1所示，首先将训练数据集实时监测的数据作为输入，将故障类型作为输出，训练网络的参数，不断调整网络结构，寻找最优参数。接着将测试集的监测变量输入训练好的卷积神经网络，以此来判断网络性能。

和图像处理不同，本发明对ZPW-2000R的29种故障类型进行故障诊断用的是诊断主机实时监测的变量数据，用一维的深度卷积神经网络处理更为合理。本发明的一维深度卷积神经网络是处理一维序列数据的一种卷积神经网络，如附图2所示，输入层数为120层，输出层数为30层，网络结构依次是6层卷积层、2层池化层和512层全连接层。

当一维序列X＝[x₁,x₂,…x_n]^T作为输入传入卷积层时，输出为

池化层通常选用最大池化，将序列长减小。

全连接层与传统神经网络一样，有多个隐含层，传递函数用sigmoid函数：

最后经过softmax分类器后得到故障类型。

实施例1

1.实验装置

ZPW-2000R型无绝缘移频轨道电路拓扑结构如附图3所示。ZPW-2000R主要由钢轨，室外设备和室内设备组成。ZPW-2000R无绝缘移频轨道电路发送器通过移频信号的形式向钢轨传输前方区段的车辆占用情况。当其无列车占用时，接收器接收到足够强度的轨道信号，轨道继电器吸起，相应设备显示该区段空闲。当列车进入轨道电路区间时，列车轮对起到分路轨道信号作用，接收器接收的轨道信号幅值低于轨道继电器下落门限，轨道继电器落下，相应设备显示该区段占用，ZPW-2000R轨道电路系统通过诊断主机等设备对每个轨道电路区段的各项主要电压、电流信号等38个变量进行实时监测。

2.实验数据

本实施例通过模拟29种不同的故障，监测发送器、接收器、发送端变压器、发送端调谐单元、接收端变压器、接收端调谐单元等15个单元器材以及钢轨附近的电压电流共38个变量(记为[Z₁,Z₂…Z₃₈])，由诊断主机读取并记录数据。在实际列车运行中，区段长度、载频、电缆长度以及道砟电阻的不同，都会对各个单元器材的监测变量产生影响。因此，根据不同的影响因素，选择六种不同的实用场景进行故障模拟仿真实验，采集对应的监测变量。

实验中监测设备的功出电压、功出电流、发送电缆电压电流等共38个变量，用正常状态和29种故障类型的数据。各个故障类型名称如表1所示。用故障名称序号表示各类故障。通过整理得到数据集5820组，其中4074组作为训练和K折验证，1746组作为测试，将其划分为网络训练样本和测试样本，见表2。

将整理后的训练样本和测试样本中的各个监测变量进行归一化处理，归一化的公式为：

其中，x为归一化前的数据，x_norm为归一化后的数据，x_min，x_max为原始数据的最大值和最小值。

表1 ZPW-2000R型移频轨道电路常见29种故障类型

序号	故障类型	序号	故障类型
				0	正常状态	15	接收实际电缆模拟端子断线
1	功出至发送防雷模拟网络盘断线	16	JBP电缆侧开路
				2	发送防雷模拟网络盘模拟端子短路	17	JBP电缆侧短路
3	发送防雷模拟网络盘模拟端子断线	18	JBP钢轨引接线开路
				4	发送实际电缆模拟端子短路	19	JBP钢轨引接线短路
5	发送实际电缆模拟端子断线	20	JBA钢轨引接线短路
				6	FBP电缆侧开路	21	JBA钢轨引接线开路
7	FBP电缆侧短路	22	接收侧SVA开路
				8	FBP钢轨引接线开路	23	接收侧SVA短路
9	FBP钢轨引接线短路	24	主轨道断轨
				10	FBA钢轨引接线短路	25	主轨道分路
11	FBA钢轨引接线开路	26	小轨道断轨
				12	接收防雷模拟网络盘模拟端子短路	27	小轨道分路
13	接收防雷模拟网络盘模拟端子断路	28	补偿电容断线
				14	接收实际电缆模拟端子短路	29	接收防雷模拟网络盘至衰耗器间配线开路

表2 网络训练样本与测试样本分组情况

3.卷积神经网络结构设置

首先将训练集输入建立好的卷积神经网络模型，针对模型进行超参数调整实验，通过实验确定故障诊断准确率较高的网络参数。CNN模型中的超参数包含卷积层数及卷积核的大小，池化层数，全连接层中隐层层数，不同的优化函数以及批处理数等。本发明通过K折交叉验证的方式确定最优参数，将训练集中的数据按照K折交叉验证的方法进行实验，将数据集分成k个子集，选择其中一个子集作为评估数据集，利用剩余的k-1个子集训练模型，并用预留的子集对模型做评估，重复该过程，直到所有子集被赋予作为被评估数据集的机会，据此测试模型取不同超参数下的性能，并最终确定最佳参数。

(1)优化器

针对不同的卷积神经网络模型，需要选择不同的优化器。常用的优化方法有Adam、RMSprop、SGD和Adadelta等。由于本发明的故障诊断问题所需分类数较多，因此，采用相同的样本数，并将其他参数设置一致，通过比较分类的准确率来选取合适的优化器。通过实验得出，由于分类数目较多，用SGD法分类效果较差，Adadelta法准确率仅为65％，而RMSprop法准确率为93,25％，Adam法准确率为95.21％，故选择Adam自适应调整学习率法。Adam法的优点是使梯度经过偏置校正后，每一次迭代学习率都有一个固定范围，参数比较平稳，可加快训练速度。

(2)网络参数设置

由于输入向量是一维数据，故设置一维卷积核。通过实验得出，当采用卷积核大小为2×1和3×1时准确率较为接近，为95％左右，而当卷积核大小为4×1时准确率下降到93％，故选取卷积核大小为3×1，采样宽度为2×1。每层用Rule激活函数得到卷积层的特征数，池化层采用最大池化的方法。卷积层和池化层交替，不仅可以加深网络的深度，而且可以通过较少的参数来提取较全面的特征。由于输入数据为38种检测变量，输出为29种故障类型，故障诊断输出类型较多，故采用softmax分类函数得出分类结果，输出层设置为30层数。

(3)批处理数

由于深度学习训练的样本数较多，如果采取单个样本的方法更新参数，会陷入局部最优，影响神经网络的性能和泛化能力，因此本发明采用批处理的方式训练网络，批处理的数目较少时会严重影响迭代速度，同时极易陷入局部最优，但批处理数目较多则会导致无法找到最优参数，本实施例采用相同的样本数，并将其他参数设置一致，分别采用批处理数为16,32,40,64进行实验，分类的准确率分别为95.26％,94.35％,95.31％,92.02％。因此，选择既可以保证确率，又可以提升速度的批处理数为40。

4.实验环境和结果

实验环境基于Keras的深度学习库，Tensorflow为后端，采用Anaconda的JupyterNotebook作为python编译器，将训练集输入卷积神经网路，采用交叉验证的方法，通过K折交叉验证获得最优超参数，迭代350次后停止训练，此时，回检样本准确率达98.25％，得到训练过程中损失函数变化曲线，如附图5和图6所示。之后将测试样本输入到训练好的网络，评估神经网络的准确率。

利用四个指标对本发明的卷积神经网络模型的性能进行分析。这四个指标分别是精确率P(Precision)、召回率R(ReCall)、准确率A(Accuracy)和F1-score。其中，准确率可评估网络的总体分类性能，精确率、召回率，和F1-score可以看出网络对于每一类型故障的分类性能。具体计算公式见式(5)-(8)。其中，TP表示被模型预测为正的正样本，FP表示被模型预测为正的负样本，FN表示被模型预测为负的正样本，TN表示被模型预测为负的负样本。TP、FP、FN、TN构成混淆矩阵。

根据以上公式可以计算出网络模型的准确率为96.27％。测试集每一类的预测准确个数和准确率如附图7和图8所示。从附图7和图8可以看出，一维的深度卷积神经网络可以诊断出29种故障类型，总体故障诊断准确率较高。训练样本的回检准确率可以达到98.25％，检验样本的故障诊断准确率达到96％。对于测试样本，故障类型1、2、3、4、6、7、9、10、11、12、13、14、15、16、17、19、20、21、22、23、24、25、26、27、28、29均有非常高的准确率，在90％到100％之间，而对于故障5、8、18的诊断准确率也都在80％到90％之间。

本发明人将相同的样本输入BP神经网络调整网络层数和参数进行网络训练。实验结果表明，在设置隐层神经元个数为150个时，神经网络回检准确率仅能达到80％，并且神经网络泛化能力较差，不能给出相应准确率的故障类型诊断。因此，BP等传统浅层神经网络对于输入和输出变量较少的分类问题有良好的应用效果，但不适于对ZPW-2000R轨道电路用38个输入直接进行29种故障类型的快速准确诊断。

本实施例的实验结果表明，用训练好的一维深度卷积神经网络可以直接将现场监测到的电压、电流等38个变量作为神经网络的输入，快速诊断出故障类型，对29种故障都有较高的故障诊断准确率。

Claims (10)

1.基于深度卷积神经网络的轨道电路故障自动诊断方法，其特征在于，

首先，获取轨道电路的实时变化数据，建立轨道电路故障类型数据集，将数据集划分为训练样本和测试样本；

其次，建立一维的深度卷积神经网络，输入训练集样本训练网络模型，通过K折交叉验证方法获取网络模型参数，通过测试样本评估网络模型的准确率，得到训练好的一维深度卷积神经网络模型；所述一维深度卷积神经网络的输入层为120层，输出层数是30层，网络结构依次是6层卷积层、3层池化层和512层全连接层；

最后，将轨道电路的实时变化数据输入训练好的一维深度卷积神经网络模型，通过神经网络建立输入与输出之间的映射关系，输出故障类型，定位故障位置。

2.根据权利要求1所述的基于深度卷积神经网络的轨道电路故障自动诊断方法，其特征在于，其中所述的轨道电路是ZPW-2000R型轨道电路，所述轨道电路的实时变化数据是微机实时监测的数据，包括轨道电路系统室内和室外设备中每个轨道电路区段的电压、电流信号共38种变量，作为卷积神经网络的输入数据类型，模拟正常状态和29种故障类型，用故障名称序号表示故障类型。

3.根据权利要求1所述的基于深度卷积神经网络的轨道电路故障自动诊断方法，其特征在于，当所述卷积层的输入为一维序列X＝[x₁,x₂,…x_n]^T时，卷积层的输出为

其中，l为第l卷积层，k为卷积核，b为偏置参数，

表示第l层的输出，卷积核的个数为M_j，f为Relu激活函数，T表示转置。

4.根据权利要求1所述的基于深度卷积神经网络的轨道电路故障自动诊断方法，其特征在于，所述池化层采用最大池化方法。

5.根据权利要求1所述的基于深度卷积神经网络的轨道电路故障自动诊断方法，其特征在于，所述全连接层的传递函数是sigmoid函数。

6.根据权利要求1所述的基于深度卷积神经网络的轨道电路故障自动诊断方法，其特征在于，所述K折交叉验证方法是将训练样本数据集分成k个子集，选择其中一个子集作为评估数据集，用剩余的k-1个子集训练网络模型，并用预留的子集对模型做评估，重复该过程，直到所有子集被赋予作为被评估数据集的机会，据此测试网络模型取不同超参数下的性能，最终确定网络模型的参数。

7.根据权利要求1所述的基于深度卷积神经网络的轨道电路故障自动诊断方法，其特征在于，采用Adam自适应调整学习率以训练网络。

8.根据权利要求1所述的基于深度卷积神经网络的轨道电路故障自动诊断方法，其特征在于，所述深度卷积网络的卷积核大小为3×1，采样宽度为2×1，每层用Rule激活函数得到卷积层的特征数。

9.根据权利要求1所述的基于深度卷积神经网络的轨道电路故障自动诊断方法，其特征在于，采用批处理数为40的批处理方式训练所述深度卷积神经网络。

10.根据权利要求1所述的基于深度卷积神经网络的轨道电路故障自动诊断方法，其特征在于，采用softmax分类器得出故障类型分类结果。

Images