基于LSTM的高速列車轉(zhuǎn)向架故障診斷

熊健

摘要：近年來(lái)，城市軌道交通運(yùn)營(yíng)里程的快速增長(zhǎng)和運(yùn)營(yíng)安全要求的提高使得城市軌道列車安全保障技術(shù)面臨著巨大挑戰(zhàn)，轉(zhuǎn)向架處于異常狀態(tài)往往會(huì)體現(xiàn)在轉(zhuǎn)向架和車體的異常振動(dòng)上，根據(jù)該類機(jī)械部件在整個(gè)系統(tǒng)中所起的作用和性能退化程度的不同，異常振動(dòng)信號(hào)的體現(xiàn)方式也有所不同。

關(guān)鍵詞：轉(zhuǎn)向架；故障診斷；LSTM網(wǎng)絡(luò)模型

1.研究背景

城市軌道列車走行部轉(zhuǎn)向架機(jī)械部件的振動(dòng)信號(hào)一直是用來(lái)分析轉(zhuǎn)向架穩(wěn)定性的一個(gè)重要指標(biāo)。

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）是深度學(xué)習(xí)中一種善于處理時(shí)間序列信息的網(wǎng)絡(luò)框架，它能夠結(jié)合前面時(shí)間點(diǎn)的信息來(lái)分析當(dāng)前時(shí)間點(diǎn)的信息，以此來(lái)提取時(shí)序信號(hào)內(nèi)部關(guān)聯(lián)性特征。由于轉(zhuǎn)向架振動(dòng)信號(hào)是時(shí)序信號(hào)，所以利用RNN來(lái)對(duì)其進(jìn)行分析是十分符合客觀規(guī)律的。LSTM網(wǎng)絡(luò)可以通過(guò)對(duì)輸入數(shù)據(jù)量、記憶量及輸出數(shù)據(jù)量的控制，來(lái)對(duì)信息進(jìn)行一定地取舍，以此來(lái)挖掘時(shí)序信號(hào)內(nèi)部的關(guān)聯(lián)特征，進(jìn)而提升分析效率。

城市軌道列車轉(zhuǎn)向架至關(guān)重要的一個(gè)結(jié)構(gòu)為二級(jí)懸掛系統(tǒng)，即：一系懸掛系統(tǒng)和二系懸掛系統(tǒng)。健康狀況良好的二級(jí)懸掛系統(tǒng)在高速列車行駛時(shí)，會(huì)對(duì)列車的安全穩(wěn)定運(yùn)行起到充分的保障作用，因此本文研究的主要目標(biāo)就是二級(jí)懸掛系統(tǒng)，其本身又包括：空氣彈簧、橫向減振器、垂向減震器、抗側(cè)滾扭桿及一系彈簧等幾個(gè)主要部件。

本實(shí)驗(yàn)選擇對(duì)列車時(shí)速為“120km/h”的轉(zhuǎn)向架振動(dòng)信號(hào)進(jìn)行故障診斷。其中全拆數(shù)據(jù)每種故障的數(shù)據(jù)規(guī)格為[50370，58]，即：共計(jì)50370個(gè)時(shí)間點(diǎn)，每個(gè)時(shí)間均有58個(gè)通道的故障數(shù)據(jù)。

2. 數(shù)據(jù)預(yù)處理與數(shù)據(jù)集劃分

1. z-score標(biāo)準(zhǔn)化：為了消除訓(xùn)練數(shù)據(jù)之間的尺寸差距，可以更好地訓(xùn)練訓(xùn)練集中的大量數(shù)據(jù)。訓(xùn)練集中的所有數(shù)據(jù)都通過(guò)z-score標(biāo)準(zhǔn)化處理，以便訓(xùn)練集中的每個(gè)數(shù)據(jù)在處理后符合標(biāo)準(zhǔn)正態(tài)分布，即：標(biāo)準(zhǔn)差歸一，其公式如公式1所示。

（1）

其中 為經(jīng)標(biāo)準(zhǔn)化處理后的訓(xùn)練集數(shù)據(jù)， 為訓(xùn)練集原始數(shù)據(jù)， 和 分別為這個(gè)原始數(shù)據(jù)的均值和標(biāo)準(zhǔn)差。經(jīng)處理后的數(shù)據(jù)將作為一個(gè)單純的數(shù)值，不再受量綱的約束，更有利于去作為模型的輸入數(shù)據(jù)，也更有利于實(shí)驗(yàn)的分析和評(píng)價(jià)。

2. One-hot編碼：為了消除數(shù)據(jù)之間的間隙大小對(duì)實(shí)驗(yàn)結(jié)果的影響，本文采用One-hot編碼的方式對(duì)標(biāo)簽數(shù)據(jù)進(jìn)行預(yù)處理。其中N個(gè)寄存器的編碼由一個(gè)N位寄存器進(jìn)行處理，每個(gè)狀態(tài)都有自己獨(dú)立的寄存器，且在任何時(shí)候僅僅只有一個(gè)寄存器是生效的。這種編碼處理可以減少不同數(shù)據(jù)格式和不同數(shù)據(jù)維度對(duì)模型訓(xùn)練的影響，同時(shí)也大大提高了模型訓(xùn)練的精度和效率，也有利于擴(kuò)大樣本容量，便于樣本展開(kāi)。

3. 數(shù)據(jù)集劃分

圖1 數(shù)據(jù)集劃分流程圖

針對(duì)七種不同工況，每種工況均有50370個(gè)采樣數(shù)據(jù)，并且每個(gè)采樣數(shù)據(jù)均包含58個(gè)通道，所以共有352590個(gè)實(shí)驗(yàn)數(shù)據(jù)。將實(shí)驗(yàn)數(shù)據(jù)按1：5的比例分為測(cè)試集和訓(xùn)練集，即：58765個(gè)測(cè)試樣本和293825個(gè)訓(xùn)練樣本。由于故障類別的數(shù)量為7，所以訓(xùn)練標(biāo)簽設(shè)定為{1，2，3，4，5，6，7}，具體的數(shù)據(jù)集劃分細(xì)節(jié)見(jiàn)圖2。

模型對(duì)未知數(shù)據(jù)的認(rèn)知能力被稱為泛化能力，未經(jīng)特征提取的數(shù)據(jù)視為原始數(shù)據(jù)，將原始數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集為：原始數(shù)據(jù)中劃分出來(lái)的所占比重較大的數(shù)據(jù)，作為模型訓(xùn)練的主要數(shù)據(jù)。測(cè)試集為：原始數(shù)據(jù)中分出來(lái)的小部分的數(shù)據(jù)，相對(duì)于訓(xùn)練集，對(duì)于所訓(xùn)練的網(wǎng)絡(luò)來(lái)說(shuō)測(cè)試集是完全沒(méi)有出現(xiàn)過(guò)的，所以測(cè)試集的表現(xiàn)結(jié)果也最能夠反應(yīng)網(wǎng)絡(luò)模型好壞。

4. 網(wǎng)絡(luò)模型的評(píng)測(cè)標(biāo)準(zhǔn)

1）識(shí)別精確度與loss函數(shù)：估量你模型的預(yù)測(cè)值與真實(shí)值的一致程度，是一個(gè)非負(fù)實(shí)值函數(shù)，識(shí)別精確度越高或loss函數(shù)越小，模型的魯棒性就越好。

2）混淆矩陣

混淆矩陣是一個(gè)大小均為待分類別數(shù)的誤差表現(xiàn)矩陣?；煜仃嚨牧袨槟Ｐ皖A(yù)測(cè)到相應(yīng)類別的樣本數(shù)，混淆矩陣的行為數(shù)據(jù)中真正屬于該類的樣本數(shù)。通過(guò)混淆矩陣可以直觀地看到有多少數(shù)據(jù)被錯(cuò)誤分類以及錯(cuò)誤分類為哪一類。

3）AUC值

ROC曲線又稱為受試者（即網(wǎng)絡(luò)模型）工作特征曲線，即：以假陽(yáng)性概率為橫軸，真陽(yáng)性為縱軸所組成的坐標(biāo)圖，在此坐標(biāo)圖上繪制受試者受到刺激后產(chǎn)生的曲線。AUC曲線就是ROC曲線與橫縱坐標(biāo)軸所圍區(qū)域的面積，該值越大，說(shuō)明該網(wǎng)絡(luò)模型越好。

3.基于LSTM網(wǎng)絡(luò)的故障診斷

3.1 訓(xùn)練網(wǎng)絡(luò)·

預(yù)處理后的訓(xùn)練集數(shù)據(jù)用作輸入數(shù)據(jù)以進(jìn)入LSTM網(wǎng)絡(luò)參與訓(xùn)練。LSTM網(wǎng)絡(luò)的參數(shù)設(shè)置分以下幾種：學(xué)習(xí)率（lr），批量尺寸（batch_size），故障類別數(shù)（n_classes），隱藏層神經(jīng)元數(shù)（n_units）以及總迭代次數(shù)（epoch）。本次試驗(yàn)中，LSTM網(wǎng)絡(luò)參數(shù)的設(shè)置如表1所示。

其中，lr是一個(gè)極其重要的參數(shù)，它的大小決定著目標(biāo)函數(shù)可否收斂到局部最小值以及何時(shí)可以收斂到該值。lr過(guò)小會(huì)導(dǎo)致網(wǎng)絡(luò)訓(xùn)練速度很慢從而無(wú)法達(dá)到最小值，本次實(shí)驗(yàn)采用Adam優(yōu)化器逐次遞減的可變lr設(shè)置方法，隨著訓(xùn)練分批進(jìn)行，lr也隨之遞減，這樣動(dòng)態(tài)地設(shè)置lr可以更好地讓LSTM網(wǎng)絡(luò)挖掘到時(shí)序信號(hào)內(nèi)部的有效信息。

batch_size是小批梯度下降算法中每一批的樣本數(shù)量，該算法將數(shù)據(jù)分為大小相等的多個(gè)批次，分別計(jì)算其損失函數(shù)、更新權(quán)值，batch_size越小則訓(xùn)練速度越快，但是太小的batch_size會(huì)導(dǎo)致訓(xùn)練精度急劇降低；batch_size越大則訓(xùn)練速度越慢，導(dǎo)致訓(xùn)練效率極其低下，經(jīng)過(guò)大量實(shí)驗(yàn)，本文將batch_size設(shè)置為350。

n_classes是為已知的故障類別數(shù)。訓(xùn)練集中所有數(shù)據(jù)均被計(jì)算過(guò)一次，叫做一個(gè)epoch，epoch不宜過(guò)大不宜過(guò)小，通常設(shè)置范圍在10-50。n_units為隱藏層神經(jīng)元個(gè)數(shù)，即每個(gè)隱藏層存在的神經(jīng)元的個(gè)數(shù)，具體的數(shù)據(jù)設(shè)置需要按照樣本數(shù)量、網(wǎng)絡(luò)復(fù)雜度以及硬件水平來(lái)進(jìn)行調(diào)整。

LSTM網(wǎng)絡(luò)中的Dropout僅設(shè)置到非循環(huán)的隱藏層中，否則信息會(huì)因循環(huán)而逐步丟失，Dropout僅設(shè)置在虛線部分的隱藏層中，而不會(huì)加載到參與循環(huán)的部分。

LSTM網(wǎng)絡(luò)搭建如圖3所示。

3.2 實(shí)驗(yàn)結(jié)果

本次基于LSTM網(wǎng)絡(luò)的高速列車轉(zhuǎn)向架故障診斷實(shí)驗(yàn)所得識(shí)別精確度為95.6%，識(shí)別精度、loss曲線、混合矩陣分別如圖3、4、5所示。

由圖4和5可知，精確率隨著訓(xùn)練的進(jìn)行從0一直上升到0.956并一直保持，loss值則一直下降，代表訓(xùn)練誤差持續(xù)減小，直到降低為0.18并趨于穩(wěn)定。圖中較暗的曲線是小批量訓(xùn)練產(chǎn)生的震蕩效應(yīng)，在訓(xùn)練的后期震蕩效果逐步下降，趨于穩(wěn)定，實(shí)驗(yàn)的AUC值為0.76。

參考文獻(xiàn)

[1]王剛，徐厚廣. 淺析“一帶一路”倡議對(duì)中國(guó)高速鐵路發(fā)展的影響[J]. 綜合運(yùn)輸. 2017，39（09）：6-9.

[2]宿智利. 淺談中國(guó)高速鐵路的發(fā)展現(xiàn)狀及未來(lái)展望[J]. 才智. 2013（14）：356.

（作者單位：深圳中車軌道車輛有限公司）