基于壓縮感知和卷積神經(jīng)網(wǎng)絡(luò)的機(jī)車(chē)受電弓故障診斷研究

劉福，李珊，趙俊棟

（1.朔黃鐵路機(jī)輛分公司，河北 滄州 061000；2.株洲中車(chē)時(shí)代電氣股份有限公司，湖南 株洲 412000；3.中南大學(xué)，湖南 長(zhǎng)沙 410083）

近年來(lái)，我國(guó)電氣化鐵道和高速鐵路事業(yè)得到了快速發(fā)展。高壓系統(tǒng)是機(jī)車(chē)的重要設(shè)備之一，而受電弓則是高壓系統(tǒng)中極為重要的一環(huán)，且由于設(shè)備位于機(jī)車(chē)頂部，當(dāng)故障時(shí)排查原因較為困難。為盡快實(shí)現(xiàn)故障定位，保證機(jī)車(chē)高壓系統(tǒng)安全、穩(wěn)定供電，智能化的機(jī)車(chē)受電弓故障診斷研究勢(shì)在必行。近年來(lái)，對(duì)機(jī)車(chē)高壓系統(tǒng)故障診斷研究引起了不少學(xué)者和專(zhuān)家的關(guān)注和重視。趙曉明、郭漢挺和宋龍龍等人對(duì)不同車(chē)型的受電弓故障結(jié)合故障樹(shù)、專(zhuān)家經(jīng)驗(yàn)等方式進(jìn)行了研究分析，均具有一定的局限。韓偉為分析高速接觸網(wǎng)的運(yùn)行參數(shù)，提出了一種神經(jīng)網(wǎng)絡(luò)模型并在此基礎(chǔ)上，開(kāi)發(fā)了簡(jiǎn)易的高速接觸網(wǎng)運(yùn)行參數(shù)分析軟件；周正，提出了一種基于數(shù)據(jù)挖掘技術(shù)弓網(wǎng)故障診斷方法，逐步弱化人工經(jīng)驗(yàn)；可以看出，針對(duì)受電弓故障診斷仍主要是以故障樹(shù)分析為主，其準(zhǔn)確性和實(shí)時(shí)性仍有較大提升空間。深度學(xué)習(xí)近年來(lái)飛速發(fā)展，因其良好的魯棒性使其檢測(cè)性能遠(yuǎn)遠(yuǎn)超過(guò)傳統(tǒng)檢測(cè)方法，已廣泛應(yīng)用于機(jī)車(chē)牽引系統(tǒng)等關(guān)鍵設(shè)備故障診斷研究，但目前來(lái)看，檢測(cè)速度慢是該類(lèi)算法的一大弊端。為實(shí)現(xiàn)高效準(zhǔn)確的智能化機(jī)車(chē)受電弓故障診斷，本文基于機(jī)車(chē)運(yùn)行過(guò)程中產(chǎn)生的離線(xiàn)數(shù)據(jù)，提出了一種基于CS-CNN模型的機(jī)車(chē)受電弓故障診斷方法，其利用壓縮感知提取數(shù)據(jù)特征，然后利用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建CSCNN受電弓故障診斷模型，實(shí)現(xiàn)對(duì)機(jī)車(chē)受電弓故障原因的有效定位。

1 機(jī)車(chē)受電弓常見(jiàn)故障

機(jī)車(chē)高壓系統(tǒng)是機(jī)車(chē)正常工作的重要組成部分，其主要由高壓電壓（電流）互感器、高壓接地開(kāi)關(guān)、高壓隔離開(kāi)關(guān)、受電弓、主斷路器等部件組成，是機(jī)車(chē)牽引動(dòng)力來(lái)源。本文重點(diǎn)對(duì)機(jī)車(chē)受電弓故障進(jìn)行研究。受電弓故障主要表現(xiàn)為“升弓故障”“自動(dòng)降弓”“降弓故障”等?？紤]到機(jī)車(chē)車(chē)載數(shù)據(jù)采集裝置現(xiàn)狀，本文主要針對(duì)受電弓無(wú)法升弓/降弓這一故障現(xiàn)象進(jìn)行診斷，具體故障原因如表1所示。

表1 受電弓無(wú)法升弓/降弓常見(jiàn)故障原因

2 受電弓故障診斷模型

機(jī)車(chē)受電弓故障診斷模型利用壓縮感知和卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，基于受電弓不同狀態(tài)下（正常和故障）運(yùn)行數(shù)據(jù)實(shí)現(xiàn)對(duì)機(jī)車(chē)受電弓故障原因的有效定位。CS-CNN故障診斷模型通過(guò)CS理論對(duì)數(shù)據(jù)進(jìn)行壓縮采樣，使得特征更加突出、集中，然后將壓縮測(cè)量信息（特征量）作為新樣本集合，輸入CNN進(jìn)行特征辨識(shí)，實(shí)現(xiàn)故障診斷。該模型主要包括以下2個(gè)方面：（1）基于壓縮感知的受電弓故障信號(hào)處理；（2）基于卷積神經(jīng)網(wǎng)絡(luò)的受電弓故障診斷。

2.1 基于壓縮感知的受電弓故障信號(hào)處理

壓縮感知通過(guò)對(duì)原始信號(hào)中的特征信息進(jìn)行投影取樣，用更少采樣值包含更多原始關(guān)鍵信息?；贑S理論框架的信號(hào)處理過(guò)程如圖1所示，主要包含2個(gè)部分：

圖1 基于CS-CNN受電弓故障診斷過(guò)程示意圖

（1）信號(hào)的稀疏表示。CS理論應(yīng)用的基礎(chǔ)條件使信號(hào)滿(mǎn)足稀疏性，但現(xiàn)實(shí)中大多數(shù)原始時(shí)域信號(hào)并不具有稀疏性，因此，需要將非稀疏的時(shí)域信號(hào)變換到其他域進(jìn)行稀疏觀(guān)測(cè)，則原始信號(hào)X∈RN在基矩陣ψ下可表示為：

（2）信號(hào)的壓縮觀(guān)測(cè)：信號(hào)的壓縮觀(guān)測(cè)過(guò)程需要設(shè)計(jì)M×N維投影矩陣Φ，且投影矩陣Φ和稀疏基矩陣ψ不相關(guān)，于是：

其中，原始信號(hào)X為N維，投影觀(guān)測(cè)信號(hào)y為M維，M＜＜N。

M維觀(guān)測(cè)信號(hào)已包含原始關(guān)鍵信息，是原始信號(hào)的特征量，具有特征集中、突出等特點(diǎn)，可直接作為CNN模型的輸入。

2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的受電弓故障診斷

為實(shí)現(xiàn)機(jī)車(chē)受電弓故障診斷，本文提出構(gòu)建CS-CNN故障診斷模型，由卷積層、池化層、全連接層組成，最后加入Softmax層對(duì)故障類(lèi)別分類(lèi)。

（1）卷積層。卷積層使用卷積核對(duì)輸入信號(hào)的局部區(qū)域進(jìn)行卷積運(yùn)算，然后利用Relu函數(shù)對(duì)結(jié)果進(jìn)行非線(xiàn)性變換以克服梯度彌散現(xiàn)象，其公式如下：

式中，kil(j')為第l層第i個(gè)卷積核第j'個(gè)權(quán)值，xl(j)為第l層第j個(gè)被卷積的區(qū)域，W為卷積核的寬度，al(i,j)為卷積層輸出yl(i,j)的激活值，f為激活函數(shù)。

（2）池化層。在卷積層后添加池化層以減少輸入數(shù)據(jù)的尺寸和神經(jīng)網(wǎng)絡(luò)的參數(shù)個(gè)數(shù)，采用最大值池化，即

式中，al(i,t)為第l層第i幀第t個(gè)神經(jīng)元的激活值，W為池化區(qū)域的寬度，pl(i,j)為池化結(jié)果。

（3）全連接層。將最后一個(gè)池化層的輸出展平為一維特征向量，作為全連接層的輸入，于是，全連接層的正向傳播為：

最后，輸出層采用Softmax激活函數(shù)將輸入神經(jīng)元轉(zhuǎn)換為和為1的概率分布。

3 基于CS-CNN的受電弓故障診斷

本文分別選取受電弓在不同狀態(tài)（正?；蚬收希┫庐a(chǎn)生的離線(xiàn)運(yùn)行數(shù)據(jù)進(jìn)行模型訓(xùn)練和診斷效果驗(yàn)證，部分離線(xiàn)數(shù)據(jù)，如表2所示。

表2 機(jī)車(chē)離線(xiàn)運(yùn)行數(shù)據(jù)

因受電弓出現(xiàn)各種故障的頻率不高，故訓(xùn)練樣本數(shù)據(jù)量有限。本文最終選取正常及故障狀態(tài)數(shù)據(jù)20組，50%用于模型訓(xùn)練，50%用于故障診斷效果驗(yàn)證。采用留一法交叉驗(yàn)證，以消除隨機(jī)分組對(duì)診斷結(jié)果造成的影響。

將10組訓(xùn)練樣本輸入不同層級(jí)的網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，得到不同網(wǎng)絡(luò)層級(jí)下的故障診斷率變化情況，如圖2所示?？梢钥闯?，隨網(wǎng)絡(luò)層數(shù)的加深，故障診斷準(zhǔn)確率逐漸提高，但超過(guò)一定范圍出現(xiàn)了網(wǎng)絡(luò)退化現(xiàn)象。層級(jí)在10～20范圍內(nèi)時(shí)，CS-CNN模型故障診斷準(zhǔn)確率保持在90%以上，其中深度為12時(shí)效果最佳，達(dá)到95.5%的診斷準(zhǔn)確率。

圖2 診斷準(zhǔn)確率隨網(wǎng)絡(luò)深化而變化情況對(duì)比

為驗(yàn)證CS-CNN故障診斷模型對(duì)機(jī)車(chē)受電弓故障診斷的有效性，增加傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和單一CNN算法作為對(duì)照，分別使用相同的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)對(duì)3種故障診斷模型進(jìn)行模型訓(xùn)練和故障識(shí)別測(cè)試。3種故障診斷模型對(duì)比結(jié)果如表3所示。圖3是基于CNN模型診斷準(zhǔn)確率隨迭代進(jìn)行的變化情況與CS-CNN模型診斷準(zhǔn)確率變化情況對(duì)比。

圖3 不同模型測(cè)試樣本損失值差異比較

表3 三種故障診斷模型對(duì)比結(jié)果

3種模型診斷對(duì)比結(jié)果表明，基于CNN故障診斷模型適用于機(jī)車(chē)受電弓離線(xiàn)故障診斷，然而輸入樣本維度過(guò)高會(huì)使得基于CNN算法故障診斷模型計(jì)算量增大、計(jì)算復(fù)雜度提升。因此，利用CS算法首先對(duì)數(shù)據(jù)進(jìn)行稀疏化處理，降低輸入數(shù)據(jù)維數(shù)，從而減少冗余信息對(duì)分析效率、訓(xùn)練速度的影響，優(yōu)化了小樣本CNN模型因過(guò)擬合產(chǎn)生的不良影響。

4 結(jié)語(yǔ)

本文提出了一種基于CS-CNN的機(jī)車(chē)受電弓故障診斷方法，利用CS理論對(duì)受電弓不同狀態(tài)下（正常和故障）數(shù)據(jù)進(jìn)行壓縮采樣，然后將特征更集中、明顯的低維度觀(guān)測(cè)信號(hào)作為CNN的輸入數(shù)據(jù)，從而形成了CS-CNN故障診斷模型。將該模型應(yīng)用到實(shí)際機(jī)車(chē)故障數(shù)據(jù)分析中進(jìn)行診斷驗(yàn)證，結(jié)果表明，相比基于原始信號(hào)的BP神經(jīng)網(wǎng)絡(luò)和LSSVM故障診斷方法，CS-CNN模型對(duì)受電弓故障特征具有更好的學(xué)習(xí)和提取能力，模型訓(xùn)練時(shí)間短、診斷準(zhǔn)確率高，其可將受電弓多復(fù)雜故障診斷技術(shù)的診斷準(zhǔn)確率提高到95%以上。