CN112785092B - 一种基于自适应深层特征提取的道岔剩余寿命预测方法 - Google Patents

Abstract

本发明涉及高速铁路信号设备智能维护领域，尤其涉及一种基于自适应深层特征提取的道岔剩余寿命预测方法，包括如下步骤：步骤1，深层特征提取和平滑，步骤2，特征选择，步骤3，特征融合，步骤4，将道岔健康指标输入到门控循环单元网格，进行道岔剩余寿命预测。本发明提出了一种基于改进稀疏自编码器的道岔劣化深层特征自适应提取技术，与现有技术利用统计学知识进行时域和频域特征手动提取方式相比，该方法能够通过网络结构中的反向传播进行迭代寻优，从而寻找到能够最大程度上表达劣化过程的特征，且特征个数可以通过网络参数进行调整，适应性更高。

Description

一种基于自适应深层特征提取的道岔剩余寿命预测方法

技术领域

本发明涉及高速铁路信号设备智能维护领域，尤其涉及一种基于自适应深层特征提取的道岔剩余寿命预测方法。

背景技术

铁路大提速给铁路信号系统的安全性带来了不小的挑战，也给现场工作人员带来了巨大的压力。铁路道岔是控制列车转向、保证列车安全运行的重要设备。道岔转换设备常年工作于室外，自然环境如雨雪、风沙等对其正常工作有着一定的影响。此外，列车经过时所带来的巨大冲击力也影响着它的健康状况。

在目前的道岔系统现场维护工作当中，主要依靠人工浏览信号集中监测系统中的道岔动作电流、电压曲线来进行系统健康状态判别，这种方式对现场人员的经验和水平要求较高，维护方式主要为定期维护，无法根据系统实时健康状态确定维护计划，容易造成“浅维护”和“过维护”。近年来，道岔剩余寿命(Remaining Useful Life，RUL)预测技术一直是研究热点，科学有效的预测技术有助于实现设备的智能化维护，对于避免非计划停运、确保运行安全具有非常重要的意义。现有技术存在的明显不足是在特征提取任务中大多依赖统计学知识，采用时域和频域分析进行劣化特征提取，这种方式提取的特征维数较低且往往只停留在表层，无法挖掘道岔劣化的深层特征，因而很难取得较为精确的预测结果。近年来，深度学习算法凭借其强大的非线性学习能力在高维数据特征提取领域的应用越来越广泛，为道岔剩余寿命预测提供了一种新思路。

发明内容

本发明的目的在于提供一种基于自适应深层特征提取的道岔剩余寿命预测方法，以克服现有技术的问题。

本发明的实现过程如下：

一种基于自适应深层特征提取的道岔剩余寿命预测方法，包括如下步骤：

步骤1，深层特征提取和平滑

利用道岔动作功率采集模块获取道岔功率数据，对曲线进行分段处理，选取转换阶段数据作为样本输入到改进的稀疏自编码器网络输入层，通过编码和解码过程以及反向传播迭代寻优，将误差最小时的隐藏层表达式输出为道劣化深层特征，利用局部加权回归算法对深层特征进行平滑处理，消除噪声干扰；

步骤2，特征选择

对平滑处理之后的深层特征进行单调性、趋势性和鲁棒性分析，对特征进行排序，选出与道岔劣化过程高度相关的特征组合，然后利用距离相关系数对特征之间的相关性进行量化，从而选取出冗余度最小的特征组合作为最佳特征组合；

步骤3，特征融合

将最佳特征组合中的所有特征作为输入向量，选取道岔前期转换过程数据作为健康数据空间，将整个生命周期的数据映射到健康空间得到预期健康向量，利用原始空间和预期健康空间之间的欧氏距离进行计算得到道岔健康指标；

步骤4，寿命预测

将道岔健康指标输入到门控循环单元网格，进行道岔剩余寿命预测。

进一步，步骤1的具体过程为：

按照道岔动作原理将道岔功率数据分为(a)启动解锁、(b)转换、(c)锁闭、(d)表示四个过程，分段处理之后，考虑到退化过程主要发生在转换过程，选取转换阶段的功率信号作为研究对象，利用功率样本转换阶段的功率曲线生成输入数据P＝{P₁,P₂,P₃,...,P_n}，将其输入到改进的稀疏自编码器网络输入层，稀疏自编码器网络包含输入层、隐藏层和输出层，通过输入层到隐藏层的编码网络，生成能够表征道岔功率曲线深层特征的隐藏层表达式F＝{F₁,F₂,...,F_m}；在隐藏层到输出层的解码网络中，由道岔功率曲线深层特征表达式重构得到与原始转换阶段功率曲线误差最小的输出曲线其中都是长度为T的一维向量，T是功率样本中的样本数量；在反向传播迭代优化中，经过反向传播迭代优化，损失函数最小时隐藏层的表达式F＝{F₁,F₂,...,F_m}即为最终得到的道岔深层劣化特征曲线；

编码过程和解码过程可由如下公式表示：

h＝S_e(W_eP+b_e) (1)

y＝S_d(W_dF+b_d) (2)

其中，h代表编码过程映射关系，y代表解码过程映射关系，S_e、S_d分别为编码和解码网络激活函数，通常采用sigmoid函数，其表达式为：

b_e、b_d为偏置量；W_e、W_d为权重矩阵，W_d＝W_e ^T，在反向传播迭代优化中，以损失函数E(θ)最小为优化目标对参数集θ＝{W_e,W_d,b_e,b_d}进行多次迭代优化，损失函数定义如下：

E(θ)＝E_MSE(θ)+E_Sparse(θ) (4)

其中，E_MSE(θ)是输入层输出层之间的重构误差，E_Sparse(θ)是稀疏惩罚项，α是权值的激活参数，m为隐藏层神经元数目，ρ为稀疏参数，为隐藏层第j个神经元的平均激活度，β_j(p_i)表示给定输入p_i时隐藏层第j个神经元的激活度，KL散度被用来度量使用输入曲线P来近似输出曲线/>时所损失的信息量，

在稀疏自编码器网络基础上进行改进，将Dropout机制被引入实现道岔深层特征提取网络的稀疏性，提出基于改进稀疏自编码器的特征提取方法，

具体做法是在编码与解码过程的激活函数前添加Dropout机制，使得部分神经元激活值以一定概率r被置为0，公式为：

其中，z为原激活函数的输入，z′为经过Dropout机制之后的激活函数输入，一旦神经元被置为0，相应的神经元的权重和偏置只是在在本次学习中得不到更新，对原始的编码和解码过程不产生影响，

在通过改进稀疏自编码器网络得到道岔功率曲线深层特征之后，对提取的特征采用局部加权回归进行平滑降噪处理；

在LOESS中，每个点使用其给定范围内的邻域数据进行计算，可表示为：

其中x是目标值即预测值，x_n表示范围内x的最邻近，x与范围内最远目标之间的距离为d,假设y是x的目标值，LOESS的目标是找到一个θ，使得∑_iω_i(y_i-θ^Tx_i)²具有最小值，ω_i是权值向量。

进一步，步骤2的具体过程分为两步：1)利用度量指标对平滑后的道岔功率曲线特征进行重要度排序；2)对排序特征组合进行冗余度分析，选取最小冗余特征组合；具体步骤如下：

首先利用单调性、趋势性和鲁棒性三个度量指标对道岔功率曲线特征进行重要度排序；

单调性揭示了特征是否具有增加或减少的趋势，定义如下：

其中，F_i ^s代表平滑后道岔功率曲线深层特征集合中第i条特征曲线，N代表道岔退化过程轨迹的个数，当前退化轨迹值大于前一退化轨迹值时，即退化轨迹在该点具有上升趋势时，pos(x)加1；反之neg(x)加1；

趋势性是用于度量特征与时间相关性的指标，其定义如下：

其中，是时间为t时刻的特征值，Cor(F_i ^s)∈[0,1],值越大说明其趋势性越强；

鲁棒性是衡量特征在噪声影响下稳健程度的指标，其定义如下：

其中，F_i为改进稀疏自编码器提取的道岔功率原始特征曲线，F_i ^s为采用LOESS平滑之后的特征曲线；

获取到上述三个指标之后，定义特征的重要度级别如下：

FIL＝Mon(F_i ^s)+Cor(F_i ^s)+Rob(F_i ^s) (14)

通过对FIL进行降序排序，选取排名靠前的特征组成排序特征子集其中特征数量小于等于F^s中特征数量，即m′＜＝m。同时，采取DC方法对排序特征子集进行冗余度分析，选取最佳特征组合，计算标准如下：

其中，k代表从排序特征子集F^d选取前k个道岔功率曲线特征，从2开始递增，为选取的特征F_i ^d和特征/>之间的距离相关系数，由距离协方差和距离标准差计算得出，当Merit_k为最小值时，意味着选取的道岔功率曲线特征组合冗余度最小，记为其特征数量小于等于排序特征子集F^d中特征数量，即m″＜＝m′。

进一步，步骤3的具体过程为：

根据选取的最小冗余特征组合中的特征融合生成道岔健康状态指标，具体步骤如下：

t时刻根据特征选择模块求得的排名较高的特征F^c组成输入向量x^obs(t)，然后输入到数据融合模块，此模块的任务是通过式(17)将观察空间x^obs映射到预期的健康空间

其中，是包含K个特征，L个历史健康测量信号的L×K健康空间矩阵，表示从监测空间信号x^obs(t)到正常条件下该时刻重构的健康空间信号/>的空间的映射g，之后可由健康历史测量值的加权和得到/>即第k个重构信号/>可由式(18)定义，

其中ω_i是由特征之间距离确定的加权系数，采用欧式距离作为距离计算方式，选用常用的高斯核进行映射，其定义见式(19)，其中h为带宽参数，

得到加权系数后，通过计算在时间t处重构向量和观测观察向量x^obs(t)之间的欧式距离来量化得到健康指标HI，表示为：

其中L表示所选特征的总数，较大的HI表示设备的健康状况较差，当HI接近于零时道岔系统处于良好状态，而随劣化程度的增加，HI从零开始逐渐增大。

进一步，步骤4的具体过程为：

生成道岔HI之后，考虑到各个时间点的HI之间存在较强的时间相关性，即先前时刻的HI值会在一定程度上影响着当前时刻的RUL，将RUL预测看作一个时间序列预测问题，引入GRU网络进行预测，

门控循环单元网络是长短时记忆神经网络的变体，它继承了LSTM在处理时间序列数据上的优越性能，同时将LSTM中的遗忘门和输入门合并成了一个更新门，保存原有的重置门，因此降低了模型的计算复杂度，

在道岔故障预测工作中，道岔HI曲线记为hi_t＝(hi₁，hi₂,...,hi_N)，其中N为道岔退化状态轨迹点数，将其按照时间先后顺序输入到GRU网络中，网络内部的更新门z_t用来控制当前时刻输出的状态h_t中要保留多少历史状态h_t-1和当前时刻t的候选隐藏状态z_t的值越接近1则表示当前状态利用先前时刻的信息越丰富，重置门r_t用于控制从先前状态中剔除哪部分信息，r_t越接近0则说明先前时刻的输入状态在当前时刻的占比越小，具体的计算公式如下：

r_t＝σ(hi_tW_xr+h_t-1W_hr+b_r) (21)

z_t＝σ(hi_tW_xz+h_t-1W_hz+b_z) (22)

其中，W_xr、W_hr是重置门的权重向量，W_xz、W_hz是更新门的权重向量，W_xh、W_hh是候选隐藏状态的权重向量，表示矩阵的点乘运算，σ(·)表示sigmod函数，tanh为双曲正切激活函数。

本发明方法的创新点：

(1)设计了一种基于改进的稀疏自编码器的道岔劣化深层特征提取技术方案，该方案提取的特征与根据统计学知识手动提取的特征相比适应性更强，同时网络内部可根据误差函数进行反向传播迭代寻优，逐步优化特征对于劣化过程的刻画能力；

(2)设计了一种基于GRU的RUL预测技术方案，由于道岔RUL不仅与当前时刻HI有关，还会受到历史时刻HI的影响，GRU网络内部的更新门和重置门能够在时间序列上对历史时刻的HI信息进行选择性保留和传递，并结合当前时刻HI和历史时刻HI进行RUL预测，对于预测准确性有较好提升。

本发明的积极效果：

本发明提出了一种基于改进稀疏自编码器的道岔劣化深层特征自适应提取技术，与现有技术利用统计学知识进行时域和频域特征手动提取方式相比,该方法能够通过网络结构中的反向传播进行迭代寻优，从而寻找到能够最大程度上表达劣化过程的特征，且特征个数可以通过网络参数进行调整，适应性更高。

同时，在寿命预测方面，本发明采用门控循环单元网络整合不同时刻的道岔健康指标进行预测，比现有技术中利用回归模型进行预测具有更高的预测精度。

附图说明

图1是基于自适应深层特征提取的道岔剩余寿命预测系统方案流程图；

图2是功率采集电路和转辙机内部结构图；

图3是某道岔全寿命周期功率信号样本；

图4是基于改进稀疏自编码器的深层特征提取；

图5是平滑前后的深层特征；

图6是基于AAKR方法的特征融合示意图；

图7是道岔健康指标；

图8是单个门控循环单元内部结构；

图9是预测结果和预测误差；

图10为图5中F1-F4的放大图；

图11为图5中F5-F8的放大图；

图12为图5中F9-F12的放大图。

具体实施方式

下面结合实施例对本发明做进一步说明。

特征提取是实现道岔剩余使用寿命预测的先决条件，在现有技术当中，针对道岔电流、功率曲线进行时域和频域分析，利用统计学知识进行人工特征提取是主要方式，但该方式提取的特征维度受限，且对于劣化过程的表达能力十分有限。本项发明利用深度学习网络的强大非线性学习能力，直接对电流、功率曲线进行自适应学习，实现深层特征提取，该项技术提取的特征维度可以通过网络参数进行调整，适应性较强，且能够通过网络结构进行迭代寻优，不断优化特征对于劣化过程的刻画能力。

在寿命预测现有技术当中，大多采用回归模型进行预测，将健康指标和剩余寿命看作一个回归问题，这种方式忽略了劣化状态在时间上的相关性，导致预测精度不够理想。本项发明采用门控循环单元网络作为预测模型，利用网络内部的遗忘门和更新门“整合”历史时刻和当前时刻的健康指标，实现精度更高的预测任务。

本发明采取了如下技术方案：

针对道岔劣化曲线数据，利用一个深度学习网络，即改进的稀疏自编码器实现劣化状态自适应深层特征提取，利用局部加权回归算法消除采集过程中噪声的影响；

对于提取得到的特征，进行单调性、趋势性和鲁棒性分析进行特征重要度排序，基于距离相关系数选取出最小冗余特征组合；

针对最小冗余特征组合，利用自联想核回归(Auto-Associative KernelRegression，AAKR)技术进行特征融合，生成能够较好地直接地反映道岔状态的健康指标(Health Indicator，HI)；

由于健康指标在时间上具有较强的相关性，利用长短时记忆神经网络技术在处理时间序列信号上的优势，整合不同时刻的健康指标，完成道岔剩余寿命预测。

根据具体的技术方案分为四个模块：深层特征提取和平滑、特征选择、特征融合以及寿命预测。

深层特征提取和平滑技术模块：按照道岔动作原理将其分为(a)启动解锁；(b)转换；(c)锁闭，和(d)表示四个过程(参见图4)。分段处理之后，考虑到退化过程主要发生在转换过程，本文选取转换阶段的功率信号作为研究对象，利用功率样本转换阶段的功率曲线生成输入数据P＝{P₁,P₂,P₃,...,P_n}，将其输入到改进的稀疏自编码器网络输入层。稀疏自编码器网络包含输入层、隐藏层和输出层，主要思想是通过无监督学习算法来学习一个函数，使得输出值在最大程度上接近输入值。通过输入层到隐藏层的编码网络，生成能够表征道岔功率曲线深层特征的隐藏层表达式F＝{F₁,F₂,...,F_m}；在隐藏层到输出层的解码网络中，由道岔功率曲线深层特征表达式重构得到与原始转换阶段功率曲线误差最小的输出曲线其中/>都是长度为T的一维向量，T是功率样本中的样本数量。在反向传播迭代优化中，经过反向传播迭代优化，损失函数最小时隐藏层的表达式F＝{F₁,F₂,...,F_m}即为最终得到的道岔深层劣化特征曲线。

编码过程和解码过程可由如下公式表示：

h＝S_e(W_eP+b_e) (1)

y＝S_d(W_dF+b_d) (2)

其中，h代表编码过程映射关系，y代表解码过程映射关系，S_e、S_d分别为编码和解码网络激活函数，通常采用sigmoid函数，其表达式为：

b_e、b_d为偏置量；W_e、W_d为权重矩阵，W_d＝W_e ^T。在反向传播迭代优化中，以损失函数E(θ)最小为优化目标对参数集θ＝{W_e,W_d,b_e,b_d}进行多次迭代优化。损失函数定义如下：

E(θ)＝E_MSE(θ)+E_Sparse(θ) (4)

其中，E_MSE(θ)是输入层输出层之间的重构误差，E_Sparse(θ)是稀疏惩罚项，α是权值的激活参数，m为隐藏层神经元数目，ρ为稀疏参数，为隐藏层第j个神经元的平均激活度，β_j(p_i)表示给定输入p_i时隐藏层第j个神经元的激活度。KL(Kullback-Leibler)散度是统计学中一种量化两种概率分布P和Q之间差异的方式。在本文中，KL散度被用来度量使用输入曲线P来近似输出曲线/>时所损失的信息量。将KL散度作为稀疏惩罚项可以使道岔功率曲线原始丢失的信息尽可能少，同时保证隐藏层的稀疏性。

但是，以上采用KL散度作为稀疏自编码器的稀疏约束只适用于真实值为0或1的分类问题，本项发明所要提取的道岔功率深层特征为0-1之间的能够表征道岔退化过程的连续数值，无法将作为依据。因此在稀疏自编码器网络基础上进行改进，将Dropout机制被引入实现道岔深层特征提取网络的稀疏性，提出基于改进稀疏自编码器的特征提取方法。

具体做法是在编码与解码过程的激活函数前添加Dropout机制，使得部分神经元激活值以一定概率r(一般为0.5)被置为0，公式为：

其中，z为原激活函数的输入，z′为经过Dropout机制之后的激活函数输入。

一旦神经元被置为0,相应的神经元的权重和偏置只是在在本次学习中得不到更新,对原始的编码和解码过程不产生影响。

现场实际运行中，传感器在采集道岔动作三相电压和三相电流数据时，室外复杂多变的环境噪声和道岔转辙机内部机械结构带来噪声，而其中某些噪声在趋势上可能和道岔退化特征具有完全相反的趋势，这会导致特征对退化过程的表征能力大大减弱，因此在通过改进稀疏自编码器网络得到道岔功率曲线深层特征之后，需要对提取的特征进行平滑降噪处理。

同时，在道岔转换过程中，滑床板和钢轨之间的往复运动带来的滚动接触会在一定程度上进行“自我修复”，导致退化曲线会在小范围内呈现“增加-减少-增加”或“减少-增加-减少”的局部震荡特性。为了尽可能降低噪声和局部振荡对劣化趋势的掩盖，考虑到局部加权回归(Locally Weighted Regression，LOESS)在提取局部趋势问题上的优越性，本文采用其对改进稀疏自编码器网络中隐藏层输出的深层特征进行平滑处理。在LOESS中，每个点使用其给定范围内的邻域数据进行计算，可表示为：

其中x是目标值即预测值，x_n表示范围内x的最邻近，x与范围内最远目标之间的距离为d,假设y是x的目标值，LOESS的目标是找到一个θ，使得∑_iω_i(y_i-θ^Tx_i)²具有最小值，ω_i是权值向量。

特征选择模块：在经过平滑处理之后的道岔功率曲线深层特征中，只有部分特征与道岔退化状态具有较强的关联，特征选择的目的就是选取出与道岔退化状态高度相关的特征，剔除与劣化无关的干扰特征。这项工作主要分为两步：1)利用度量指标对平滑后的道岔功率曲线特征进行重要度排序；2)对排序特征组合进行冗余度分析，选取最小冗余特征组合。

首先利用单调性、趋势性和鲁棒性三个度量指标对道岔功率曲线特征进行重要度排序。

单调性揭示了特征是否具有增加或减少的趋势，定义如下：

其中，F_i ^s代表平滑后道岔功率曲线深层特征集合中第i条特征曲线，N代表道岔退化过程轨迹的个数，当前退化轨迹值大于前一退化轨迹值时，即退化轨迹在该点具有上升趋势时，pos(x)加1；反之neg(x)加1。

趋势性是用于度量特征与时间相关性的指标，其定义如下：

其中，是时间为t时刻的特征值，Cor(F_i ^s)∈[0,1],值越大说明其趋势性越强。

鲁棒性是衡量特征在噪声影响下稳健程度的指标。其定义如下：

其中，F_i为改进稀疏自编码器提取的道岔功率原始特征曲线，F_i ^s为采用LOESS平滑之后的特征曲线。

获取到上述三个指标之后，我们定义特征的重要度级别如下：

FIL＝Mon(F_i ^s)+Cor(F_i ^s)+Rob(F_i ^s) (14)

通过对FIL进行降序排序，我们选取排名靠前的特征组成排序特征子集其中特征数量小于等于F^s中特征数量，即m′＜＝m。这些特征集合能够较好表征道岔系统退化状态，但特征之间存在一定的冗余，这会在一定程度上加大后续道岔寿命预测模型的复杂度、降低模型的准确性。深层特征相比于传统的方法手动提取的特征来说特征之间的非线性相关性较强，距离相关系数(Distance Correlation，DC)在识别特征之间非线性相关性问题上具有良好性能。因此，本项发明采取DC方法对排序特征子集进行冗余度分析，选取最佳特征组合。计算标准如下：

其中，k代表从排序特征子集F^d选取前k个道岔功率曲线特征，从2开始递增，为选取的特征F_i ^d和特征/>之间的距离相关系数，由距离协方差和距离标准差计算得出。当Merit_k为最小值时，意味着选取的道岔功率曲线特征组合冗余度最小，记为其特征数量小于等于排序特征子集F^d中特征数量，即m″＜＝m′。

特征融合模块：根据选取的最小冗余特征组合中的特征融合生成道岔健康状态指标，具体技术方案如下：

t时刻根据特征选择模块求得的排名较高的特征F^c组成输入向量x^obs(t)，然后输入到数据融合模块。此模块的任务是通过式(17)将观察空间x^obs映射到预期的健康空间

其中，是包含K个特征，L个历史健康测量信号的L×K健康空间矩阵，表示从监测空间信号x^obs(t)到正常条件下该时刻重构的健康空间信号/>的空间的映射g。之后可由健康历史测量值的加权和得到/>即第k个重构信号/>可由式(18)定义。

其中ω_i是由特征之间距离确定的加权系数，距离计算方式有很多如，欧几里得距离，马氏距离，曼哈顿距离等。在本发明中采用欧式距离作为距离计算方式。同样在核函数的选择上也有很多中，这里我们选用常用的高斯核进行映射，其定义见式(19)，其中h为带宽参数。

得到加权系数后，通过计算在时间t处重构向量和观测观察向量x^obs(t)之间的欧式距离来量化得到健康指标HI，表示为：

其中L表示所选特征的总数。一般来说，较大的HI表示设备的健康状况较差。即在本文研究内容中可理解为：当HI接近于零时道岔系统处于良好状态，而随劣化程度的增加，HI从零开始逐渐增大。

剩余寿命预测模块：生成道岔HI之后，考虑到各个时间点的HI之间存在较强的时间相关性，即先前时刻的HI值会在一定程度上影响着当前时刻的RUL。因此，本文将RUL预测看作一个时间序列预测问题，引入GRU网络进行预测。

门控循环单元网络(Gated Recurrent Unit，GRU)是长短时记忆神经网络(LongShort-Term Memory，LSTM)的变体，它继承了LSTM在处理时间序列数据上的优越性能，同时将LSTM中的遗忘门和输入门合并成了一个更新门，保存原有的重置门，因此降低了模型的计算复杂度，单个门控循环单元的内部结构示意图如图8所示。

在道岔故障预测工作中，道岔HI曲线记为hi_t＝(hi₁，hi₂,...,hi_N)，其中N为道岔退化状态轨迹点数，将其按照时间先后顺序输入到GRU网络中，网络内部的更新门z_t用来控制当前时刻输出的状态h_t中要保留多少历史状态h_t-1和当前时刻t的候选隐藏状态z_t的值越接近1则表示当前状态利用先前时刻的信息越丰富。重置门r_t用于控制从先前状态中剔除哪部分信息，r_t越接近0则说明先前时刻的输入状态在当前时刻的占比越小。具体的计算公式如下：

r_t＝σ(hi_tW_xr+h_t-1W_hr+b_r) (21)

z_t＝σ(hi_tW_xz+h_t-1W_hz+b_z) (22)

其中，W_xr、W_hr是重置门的权重向量，W_xz、W_hz是更新门的权重向量，W_xh、W_hh是候选隐藏状态的权重向量，表示矩阵的点乘运算，σ(·)表示sigmod函数，tanh为双曲正切激活函数。

为便于对本发明实施例的理解，下面将结合附图以一个具体实施例为例做进一步的解释说明，且实施例并不构成对本发明实施例的限定。

实施例1

图1为本实施例的基于自适应特征提取的寿命预测流程图，图2为道岔功率采集电路和室外转辙机内部结构示意图，室内转辙机上的传感器负责实时数据采集，并通过电缆盒配线与功率采集电路实现连接，图3为某道岔一个生命周期内采集的功率数据。该方法的具体流程包括：

S1通过功率采集模块获取道岔全寿命周期功率数据，并通过分段方法获取转换阶段数据曲线，将其按照图4方式输入到改进稀疏自编码器器网络进行无监督自适应特征提取。网络结构参数为126*12*126，其中126为一次转换采集的数据点数，12为隐藏层提取的深层特征维数。为了消除噪声和传感器采集精度带来的影响，对所选取的特征采用LOESS方法进行平滑处理，平滑前后的12维特征如图5、图10-图12所示。

S2计算12维特征的单调性、趋势性和鲁棒性指标，并将三者之和作为特征重要性度量指标，进行特征排序。然后从k为2开始递增，依次选择前k个重要度较高的特征计算距离相关系数，进行冗余度分析。表1和表2分别为特征重要度排序结果和特征组合冗余度分析结果。

表1特征重要度排序

	单调性	趋势性	鲁棒性	特征重要度	特征排名
						F1	0.4297	0.9059	0.7004	2.036	1
F2	0.2129	0.7807	0.6938	1.687	5
						F3	0.004	0.2459	0.6829	0.933	12
F4	0.4538	0.8418	0.6229	1.918	2
						F5	0.1325	0.7184	0.6354	1.486	10
F6	0.3655	0.7913	0.6741	1.831	3
						F7	0.1406	0.8183	0.632	1.591	9
F8	0.1807	0.7919	0.6625	1.635	6
						F9	0.0683	0.5781	0.6068	1.253	11
F10	0.2369	0.8269	0.5512	1.615	8
						F11	0.3092	0.6782	0.7139	1.701	4
F12	0.2369	0.752	0.6467	1.636	7

表2特征组合冗余度

特征组合	冗余度
		{F1,F4}	1.0078
{F1,F4,F6}	1.0115
		{F1,F4,F6,F11}	1.0836
{F1,F4,F6,F11,F2}	1.0753
		{F1,F4,F6,F11,F2,F8}	1.0655
{F1,F4,F6,F11,F2,F8,F12}	1.0672
		{F1,F4,F6,F11,F2,F8,F12,F10}	1.0608

S3利用如图6所示的AAKR模型，选取道岔前30次转换监测数据为历史健康数据矩阵，对最优特征组合中的F1、F4进行特征融合，生成的健康指标曲线如图7所示。计算得到AAKR方法融合得到的HI曲线的单调性、趋势性和鲁棒性指标以及重要性指标分别为：0.5341，0.8924，0.7182和2.1447；特征组合中重要度指标最高的特征F1的四项指标分别为：0.4297，0.9059，0.7004和2.0360。由此可知，经过AAKR融合得到的健康指标与单一特征相比能够更加有效地刻画道岔劣化状态。

S4将融合生成的道岔健康指标HI划分为60％的训练集集和40％的测试集。将测试集HI输入到如图8所示的GRU网络，以道岔实际RUL为模型输出，考虑到道岔全寿命过程初期退化情况非常微弱，因此选用分段函数标记道岔实际RUL相比线性函数更加符合实际应用。以全寿命周期为250次转换为例，我们选取前30次转换为完全健康状态，在这段时间道岔RUL保持不变，其值为220。

经迭代实验，设置GRU网络隐藏层数为10，时间步长为8，批处理大小为10，使用平均绝对误差(MAE)为其损失函数，选择自适应优化算法Adam对其参数进行优化。最终得到的预测结果和预测误差如图9所示。

综上所示，本发明实施例提供了一种基于自适应深层特征提取的道岔寿命预测方法，该方法通过深度学习网络进行自适应特征提取，并通过反向传播迭代优化机制不断优化隐藏层特征对于劣化过程的表达能力。同时考虑到道岔状态在时间上具有较强的相关性，考虑到门控循环单元网络在时间序列预测上的良好性能，利用其“整合”了历史时刻健康状态指标和当前时刻指标，提高了寿命预测的精度。

本发明方法的工作原理：

在道岔设备动作电路中串入三相道岔电流传感器，采集室外道岔转换过程中的电流变化，生成三相电流曲线并输入到功率采集单元。在交流转辙机三相电路上并入电压采集配线，将三相电路电压曲线输入到功率采集单元。在功率采集单元中，利用三相电流、电压曲线，计算得到道岔动作功率曲线；将道岔功率曲线分段处理输入到深层特征提取和平滑模块，得到深层特征的同时减弱数据测量时的噪声影响；将平滑后的噪声输入到特征选择模块，基于单调性、趋势线和鲁棒性指标进行特征重要度排序，然后利用距离相关系数分析不同特征组合之间的冗余，具有最小冗余的特征组合即为最优特征组合；将最优特征组合作为输入，以道岔前期转换数据作为健康空间，基于自组织核回归方法进行特征融合，生成健康指标；将健康指标作为时间序列输入到门控循环单元网络，整合不同时刻的健康指标信息，进行剩余寿命预测。

本发明方法的优点：

1、本发明采用改进稀疏自编码网络进行自适应特征提取，避免了手动选取特征时取点不精确带来的干扰，并且通过网络输出层和输入层之间的反向传播进行迭代优化可以不断提高特征对于道岔系统退化的表达能力；

2、本发明通过特征选择和特征融合生成了健康指标，并通过健康指标进行剩余寿命预测，无需进行阈值设定，减少了不必要的人为引入误差；

3、本发明不仅能够预测故障会不会发生，还能预测故障发生时间，有利于对道岔进行提前维护。

以上内容是结合具体的优选实施方式对本发明所作出的进一步详细说明，不能认定本发明的具体实施仅限于这些说明。对于本发明所属领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以作出若干简单推演或替换，都应该视为属于本发明的保护范围。

Claims (1)

1.一种基于自适应深层特征提取的道岔剩余寿命预测方法，其特征在于，包括如下步骤：

步骤1，深层特征提取和平滑

利用道岔动作功率采集模块获取道岔功率数据，对曲线进行分段处理，选取转换阶段数据作为样本输入到改进的稀疏自编码器网络输入层，通过编码和解码过程以及反向传播迭代寻优，将误差最小时的隐藏层表达式输出为道劣化深层特征，利用局部加权回归算法对深层特征进行平滑处理，消除噪声干扰；

步骤2，特征选择

对平滑处理之后的深层特征进行单调性、趋势性和鲁棒性分析，对特征进行排序，选出与道岔劣化过程高度相关的特征组合，然后利用距离相关系数对特征之间的相关性进行量化，从而选取出冗余度最小的特征组合作为最佳特征组合；

步骤3，特征融合

将最佳特征组合中的所有特征作为输入向量，选取道岔前期转换过程数据作为健康数据空间，将整个生命周期的数据映射到健康空间得到预期健康向量，利用原始空间和预期健康空间之间的欧氏距离进行计算得到道岔健康指标；

步骤4，寿命预测

将道岔健康指标输入到门控循环单元网格，进行道岔剩余寿命预测；

其中，步骤1的具体过程为：

按照道岔动作原理将道岔功率数据分为(a)启动解锁、(b)转换、(c)锁闭、(d)表示四个过程，分段处理之后，考虑到退化过程主要发生在转换过程，选取转换阶段的功率信号作为研究对象，利用功率样本转换阶段的功率曲线生成输入数据P＝{P₁,P₂,P₃,...,P_n}，将其输入到改进的稀疏自编码器网络输入层，稀疏自编码器网络包含输入层、隐藏层和输出层，通过输入层到隐藏层的编码网络，生成能够表征道岔功率曲线深层特征的隐藏层表达式F＝{F₁,F₂,...,F_m}；在隐藏层到输出层的解码网络中，由道岔功率曲线深层特征表达式重构得到与原始转换阶段功率曲线误差最小的输出曲线其中P_i,/>F_j(i＝1,2,...n；j＝1,2,...,m)都是长度为T的一维向量，T是功率样本中的样本数量；在反向传播迭代优化中，经过反向传播迭代优化，损失函数最小时隐藏层的表达式F＝{F₁,F₂,...,F_m}即为最终得到的道岔深层劣化特征曲线；

编码过程和解码过程可由如下公式表示：

h＝S_e(W_eP+b_e) (1)

y＝S_d(W_dF+b_d) (2)

其中，h代表编码过程映射关系，y代表解码过程映射关系，S_e、S_d分别为编码和解码网络激活函数，通常采用sigmoid函数，其表达式为：

b_e、b_d为偏置量；W_e、W_d为权重矩阵，在反向传播迭代优化中，以损失函数E(θ)最小为优化目标对参数集θ＝{W_e,W_d,b_e,b_d}进行多次迭代优化，损失函数定义如下：

E(θ)＝E_MSE(θ)+E_Sparse(θ) (4)

其中，E_MSE(θ)是输入层输出层之间的重构误差，E_Sparse(θ)是稀疏惩罚项，α是权值的激活参数，m为隐藏层神经元数目，ρ为稀疏参数，为隐藏层第j个神经元的平均激活度，β_j(p_i)表示给定输入p_i时隐藏层第j个神经元的激活度，KL散度被用来度量使用输入曲线P来近似输出曲线/>时所损失的信息量，

在稀疏自编码器网络基础上进行改进，将Dropout机制被引入实现道岔深层特征提取网络的稀疏性，提出基于改进稀疏自编码器的特征提取方法，

具体做法是在编码与解码过程的激活函数前添加Dropout机制，使得部分神经元激活值以一定概率r被置为0，公式为：

其中，z为原激活函数的输入，z′为经过Dropout机制之后的激活函数输入，一旦神经元被置为0，相应的神经元的权重和偏置只是在在本次学习中得不到更新，对原始的编码和解码过程不产生影响，

在通过改进稀疏自编码器网络得到道岔功率曲线深层特征之后，对提取的特征采用局部加权回归进行平滑降噪处理；

在LOESS中，每个点使用其给定范围内的邻域数据进行计算，可表示为：

其中x是目标值即预测值，x_n表示范围内x的最邻近，x与范围内最远目标之间的距离为d,假设y是x的目标值，LOESS的目标是找到一个θ，使得∑_iω_i(y_i-θ^Tx_i)²具有最小值，ω_i是权值向量；

其中，步骤2的具体过程分为两步：1)利用度量指标对平滑后的道岔功率曲线特征进行重要度排序；2)对排序特征组合进行冗余度分析，选取最小冗余特征组合；具体步骤如下：

首先利用单调性、趋势性和鲁棒性三个度量指标对道岔功率曲线特征进行重要度排序；

单调性揭示了特征是否具有增加或减少的趋势，定义如下：

其中，F_i ^s代表平滑后道岔功率曲线深层特征集合中第i条特征曲线，N代表道岔退化过程轨迹的个数，当前退化轨迹值大于前一退化轨迹值时，即退化轨迹具有上升趋势时，pos(x)加1；反之neg(x)加1；

趋势性是用于度量特征与时间相关性的指标，其定义如下：

其中，是时间为t时刻的特征值，Cor(F_i ^s)∈[0,1],值越大说明其趋势性越强；

鲁棒性是衡量特征在噪声影响下稳健程度的指标，其定义如下：

其中，F_i为改进稀疏自编码器提取的道岔功率原始特征曲线，F_i ^s为采用LOESS平滑之后的特征曲线；

获取到上述三个指标之后，定义特征的重要度级别如下：

FIL＝Mon(F_i ^s)+Cor(F_i ^s)+Rob(F_i ^s) (14)

通过对FIL进行降序排序，选取排名靠前的特征组成排序特征子集其中特征数量小于等于F ^s中特征数量，即m′<＝m；同时，采取DC方法对排序特征子集进行冗余度分析，选取最佳特征组合，计算标准如下：

其中，k代表从排序特征子集F^d选取前k个道岔功率曲线特征，从2开始递增，为选取的特征F_i ^d和特征/>之间的距离相关系数，由距离协方差和距离标准差计算得出，当Merit_k为最小值时，意味着选取的道岔功率曲线特征组合冗余度最小，记为其特征数量小于等于排序特征子集F ^d中特征数量，即m″<＝m′；

其中，步骤3的具体过程为：

根据选取的最小冗余特征组合中的特征融合生成道岔健康状态指标，具体步骤如下：

t时刻根据特征选择模块求得的排名较高的特征F ^c组成输入向量x^obs(t)，然后输入到数据融合模块，此模块的任务是通过式(17)将观察空间x^obs映射到预期的健康空间

其中，是包含K个特征，L个历史健康测量信号的L×K健康空间矩阵，表示从监测空间信号x^obs(t)到正常条件下该时刻重构的健康空间信号/>的空间的映射g，之后可由健康历史测量值的加权和得到/>即第k个重构信号/>可由式(18)定义，

其中ω_i是由特征之间距离确定的加权系数，采用欧式距离作为距离计算方式，选用常用的高斯核进行映射，其定义见式(19)，其中h为带宽参数，

得到加权系数后，通过计算在时间t处重构向量和观测观察向量x^obs(t)之间的欧式距离来量化得到健康指标HI，表示为：

其中L表示所选特征的总数，较大的HI表示设备的健康状况较差，当HI接近于零时道岔系统处于良好状态，而随劣化程度的增加，HI从零开始逐渐增大；

其中，步骤4的具体过程为：

生成道岔HI之后，考虑到各个时间点的HI之间存在较强的时间相关性，即先前时刻的HI值会在一定程度上影响着当前时刻的RUL，将RUL预测看作一个时间序列预测问题，引入GRU网络进行预测，

门控循环单元网络是长短时记忆神经网络的变体，它继承了LSTM在处理时间序列数据上的优越性能，同时将LSTM中的遗忘门和输入门合并成了一个更新门，保存原有的重置门，因此降低了模型的计算复杂度，

在道岔故障预测工作中，道岔HI曲线记为hi_t＝(hi₁，hi₂,...,hi_N)，其中N为道岔退化状态轨迹点数，将其按照时间先后顺序输入到GRU网络中，网络内部的更新门z_t用来控制当前时刻输出的状态h_t中要保留多少历史状态h_t-1和当前时刻t的候选隐藏状态z_t的值越接近1则表示当前状态利用先前时刻的信息越丰富，重置门r_t用于控制从先前状态中剔除哪部分信息，r_t越接近0则说明先前时刻的输入状态在当前时刻的占比越小，具体的计算公式如下：

r_t＝σ(hi_tW_xr+h_t-1W_hr+b_r) (21)

z_t＝σ(hi_tW_xz+h_t-1W_hz+b_z) (22)

其中，W_xr、W_hr是重置门的权重向量，W_xz、W_hz是更新门的权重向量，W_xh、W_hh是候选隐藏状态的权重向量，表示矩阵的点乘运算，σ(·)表示sigmod函数，tanh为双曲正切激活函数。