鐵路信號系統(tǒng)故障預(yù)警與預(yù)防維護技術(shù)探索

摘 要：隨著信息技術(shù)發(fā)展，鐵路信號系統(tǒng)的復(fù)雜性和外界環(huán)境的不確定性使故障發(fā)生的概率越來越高。為了優(yōu)化故障預(yù)警系統(tǒng)，更好地應(yīng)用預(yù)防維護技術(shù)，本文提出了基于局部加權(quán)回歸（Locally Weighted Regression，LOESS）和經(jīng)驗?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）的數(shù)據(jù)預(yù)處理系統(tǒng)，利用主成分分析（Principal Component Analysis，PCA）和自動編碼器提取并優(yōu)化數(shù)據(jù)特征，構(gòu)建基于門控循環(huán)單元（Glavnoe Razvedivatelnoe Upravlenie， GRU）的故障預(yù)測模型以及基于長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）的預(yù)測性維護模型。研究結(jié)果表明，本文提出的模型能夠提高故障預(yù)警的準確性，為鐵路信號系統(tǒng)的穩(wěn)定運行提供技術(shù)支持，保障鐵路交通的安全性，提升了運行效率。

關(guān)鍵詞：鐵路信號系統(tǒng)；故障預(yù)警；預(yù)防維護

中圖分類號：U 284 " " " " 文獻標志碼：A

鐵路交通是現(xiàn)代交通體系的重要組成部分，其安全性和可靠性受到廣泛關(guān)注。由于鐵路信號系統(tǒng)具有復(fù)雜性，因此故障發(fā)生的概率較高，一旦出現(xiàn)故障，就可能導(dǎo)致列車晚點、停運，甚至發(fā)生重大安全事故。因此，本文研究鐵路信號系統(tǒng)故障預(yù)警技術(shù)，優(yōu)化數(shù)據(jù)預(yù)處理、提取特征、構(gòu)建故障預(yù)測模型以及設(shè)計預(yù)防維護策略等環(huán)節(jié)，提高鐵路信號系統(tǒng)的故障診斷準確率和維護效率，保障鐵路交通安全。

1 數(shù)據(jù)預(yù)處理與特征提取技術(shù)

1.1 數(shù)據(jù)預(yù)處理與特征提取

采用數(shù)據(jù)預(yù)處理與特征提取技術(shù)進行故障檢測。LOESS能夠探索信號數(shù)據(jù)中的局部結(jié)構(gòu)，以提高故障檢測的準確性。LOESS的核心思想是在給定數(shù)據(jù)點附近擬合一個簡單模型。對每個預(yù)測點Xi來說，LOESS對第i個數(shù)據(jù)點Yi進行局部擬合，如公式（1）所示。

Yi=β0+β1Xi+εi （1）

式中：εi為誤差項；β0、β1為模型的參數(shù)，分別為截距和自變量X的系數(shù)。

EEMD是一種處理非線性和非平穩(wěn)時間序列數(shù)據(jù)的有效方法，它利用添加白噪聲系列來解決模式混疊問題，在數(shù)據(jù)中識別固有的振蕩模式[1]。利用希爾伯特黃變換從原始信號中提取EEMD，須滿足2個條件：數(shù)據(jù)極值點的數(shù)目和通過數(shù)據(jù)零點的數(shù)目必須相等或者相差最多1個；在任何點，局部對稱軸的平均值為0。在完成數(shù)據(jù)預(yù)處理后，采用主成分分析（Principal Component Analysis，PCA）和自動編碼器提取并選擇特征。

PCA利用線性變換將數(shù)據(jù)轉(zhuǎn)換至新的坐標系中，計算過程如公式（2）所示。

W=argmax|WTXTXW| （2）

式中：W為映射矩陣，包括主成分的方向信息；X為原始數(shù)據(jù)矩陣，其中，每行代表1個樣本，每列代表1個特征。解決該優(yōu)化問題，PCA能夠識別最能代表數(shù)據(jù)集變化的特征向量。

自動編碼器是一種無監(jiān)督的神經(jīng)網(wǎng)絡(luò)，用于學(xué)習數(shù)據(jù)的有效編碼[2]，其目標是最小化輸入和輸出之間的差異。訓(xùn)練之后，自動編碼器能夠生成數(shù)據(jù)的簡化版本，可以作為特征輸入后續(xù)的故障預(yù)測模型中。

LOESS和EEMD的數(shù)據(jù)預(yù)處理可以降低數(shù)據(jù)噪聲，突出趨勢，采用PCA和自動編碼器提取并選擇特征不僅可以減少數(shù)據(jù)維度，還能保留最具信息量的特征，為鐵路信號系統(tǒng)的故障預(yù)警提供了可靠的數(shù)據(jù)基礎(chǔ)。

1.2 基于GRU的故障預(yù)測模型

在鐵路信號系統(tǒng)故障預(yù)警技術(shù)領(lǐng)域，構(gòu)建高效的故障預(yù)測模型是提高系統(tǒng)可靠性和安全性的關(guān)鍵。由于在處理時間序列數(shù)據(jù)方面性能優(yōu)異，因此GRU網(wǎng)絡(luò)廣泛應(yīng)用于構(gòu)建故障預(yù)測模型[3]。GRU的核心為更新門Rt和重置門Zt這2個門控結(jié)構(gòu)，GRU門控結(jié)構(gòu)如圖1所示。更新門決定保留哪些前一個時刻的信號狀態(tài)信息，以更好地預(yù)測未來可能發(fā)生的故障；重置門決定忽略哪些過去的信息，使模型更專注于當前的重要信號，提高預(yù)警準確性。

更新門Zt的計算過程如公式（3）所示。

Zt=σ（Wz·[ht-1，xt]+bz） （3）

重置門Rt的計算過程公式（4）所示。

Rt=σ（Wr·[ht-1，xt]+br） （4）

式中：xt為在時間的輸入；ht-1為前一時間步的隱藏狀態(tài)；σ為Sigmoid激活函數(shù)，用戶將輸入值映射至0～1；bz和br分別為用戶更新門和重置門的偏置向量；Wz和Wr分別為用戶更新門和重置門的權(quán)重矩陣。

基于預(yù)處理后的列車歷史故障數(shù)據(jù)集中的運行數(shù)據(jù)將其劃分為訓(xùn)練集和測試集。本文采用GRU網(wǎng)絡(luò)，該結(jié)構(gòu)由輸入層、數(shù)個GRU隱藏層以及輸出層組成。其中，輸入層的維度與所選特征的數(shù)量有統(tǒng)計學(xué)意義，輸出層的維度對應(yīng)可能出現(xiàn)的故障類型數(shù)目。本文精選了10個關(guān)鍵特征進行故障預(yù)測，設(shè)定輸出為5種主要的故障類型，具體數(shù)據(jù)見表1。

輸入層采用鐵路信號系統(tǒng)中關(guān)鍵的運行參數(shù)和環(huán)境因素，以浮點數(shù)形式表示，保證數(shù)據(jù)的連續(xù)性和多樣性，為GRU網(wǎng)絡(luò)提供全面的特征信息。輸出層根據(jù)系統(tǒng)中常見的故障類型設(shè)計，以每種故障類型的概率作為輸出，為故障預(yù)警提供了明確目標。

1.3 故障等級劃分與預(yù)警機制

在鐵路信號系統(tǒng)中，劃分故障等級、采用預(yù)警機制可以提高系統(tǒng)的可靠性。該過程包括精準地識別故障特征并對其進行適當分類，以便及時采取響應(yīng)措施。動態(tài)時間規(guī)整（Dynamic Time Warping，DTW）和時間序列聚類是該過程中2種關(guān)鍵的算法[4]。

DTW是一種經(jīng)典算法，可以比較2段時間序列。DTW利用彈性地拉伸或壓縮時間序列來找到2個序列之間的最佳匹配。時間序列聚類是一種將時間序列數(shù)據(jù)進行分組，計算時間序列之間的距離的方法，利用K-Means聚類算法將時間序列劃分為不同的類別或簇，使同一組的時間序列相似度高，不同組之間的時間序列相似度低。

本文利用DTW和時間序列聚類對故障信號進行等級劃分。利用DTW計算不同故障信號時間序列之間的相似度，以識別并區(qū)分類型不同、嚴重程度不等的故障模式。采用時間序列聚類算法將特征相似的故障信號進行分組，每個組代表一定等級的故障類型。

建立預(yù)警機制的關(guān)鍵是將故障等級與相應(yīng)的響應(yīng)措施進行匹配。對每個故障等級來說，可以設(shè)定特定的預(yù)警閾值，并根據(jù)實時監(jiān)測的故障信號特征和所屬的故障等級來觸發(fā)相應(yīng)預(yù)警[5]。例如，對輕微故障來說，只需進行日常維護；對嚴重故障來說，需要立即采取緊急措施以避免潛在的安全風險。及早發(fā)現(xiàn)并處理故障，能夠顯著提升鐵路信號系統(tǒng)的運行安全性和可靠性。

2 鐵路信號系統(tǒng)預(yù)防維護技術(shù)

2.1 基于LSTM的預(yù)測性維護模型

在鐵路信號系統(tǒng)中，采取有效的預(yù)防維護策略是提升系統(tǒng)穩(wěn)定性和降低故障率的關(guān)鍵。LSTM在處理時間序列數(shù)據(jù)方面能力優(yōu)越，廣泛應(yīng)用于構(gòu)建預(yù)測性維護模型。LSTM特有的門控機制能夠有效解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）在長序列數(shù)據(jù)處理過程中遇到的梯度消失問題，使RNN能夠捕獲時間序列數(shù)據(jù)中的長期依賴關(guān)系。

LSTM單元由遺忘門、輸入門和輸出門3個主要門控結(jié)構(gòu)組成 。遺忘門決定哪些信息應(yīng)從單元狀態(tài)中丟棄，輸入門決定哪些新信息應(yīng)添加至單元狀態(tài)，輸出門決定下一個隱藏狀態(tài)的值。LSTM的門控單元結(jié)構(gòu)如圖2所示?；阼F路信號系統(tǒng)的實際運行數(shù)據(jù)收集的輸入數(shù)據(jù)維度見表2。

在網(wǎng)絡(luò)架構(gòu)設(shè)計階段，構(gòu)建1個具有2個LSTM層和1個全連接層的網(wǎng)絡(luò)。每個LSTM層包括128個單元，采用ReLu激活函數(shù)來提高網(wǎng)絡(luò)的非線性處理能力。作為網(wǎng)絡(luò)輸出層，全連接層生成最終的維護需求預(yù)測，采用Sigmoid激活函數(shù)輸出預(yù)測的維護需求概率。

在訓(xùn)練過程中，由于預(yù)測性維護問題可以看作回歸問題，因此采用均方誤差（Mean Square Error，MSE）作為損失函數(shù)。因為Adam優(yōu)化器能夠自適應(yīng)調(diào)整學(xué)習率，適合處理大規(guī)模且參數(shù)敏感的數(shù)據(jù)集，所以選擇其作為優(yōu)化器。為防止過擬合，模型還加入了Dropout網(wǎng)絡(luò)層，當在驗證集中的損失不再下降時停止訓(xùn)練。

2.2 維護決策支持系統(tǒng)

在鐵路信號系統(tǒng)中，采取有效的預(yù)防維護措施十分重要。維護決策支持系統(tǒng)結(jié)合決策樹和貝葉斯網(wǎng)絡(luò)，提供了一種系統(tǒng)化的解決方案，以優(yōu)化維護策略并預(yù)測潛在故障。系統(tǒng)基于歷史數(shù)據(jù)和實時監(jiān)測數(shù)據(jù)為維護團隊提供決策支持，降低系統(tǒng)故障率，提高運行效率。

決策樹廣泛應(yīng)用于分類和回歸任務(wù)，其核心思想利用多次迭代將數(shù)據(jù)集劃分為2個或多個同質(zhì)子集，直至達到預(yù)設(shè)的最大深度或節(jié)點內(nèi)數(shù)據(jù)點數(shù)量低于某個閾值。當選擇最佳分裂屬性時，本文采用信息增益來衡量數(shù)據(jù)集在特定屬性上分裂前后信息含量的變化，如公式（5）所示。

（5）

式中：Gain（D，a）為信息增益，為原始數(shù)據(jù)集的熵與加權(quán)子集熵總和的差值，差值越大，屬性a在降低數(shù)據(jù)集不確定性方面越有效，這是決策樹等算法選擇分割屬性的重要依據(jù)；|D|為數(shù)據(jù)集D中樣本的數(shù)量，i為數(shù)據(jù)點個數(shù)；|Di|為子集Di中樣本的數(shù)量；Ent（D）為數(shù)據(jù)集D的熵，用于衡量數(shù)據(jù)的不確定性；m為加權(quán)子集熵的總數(shù)。其計算過程如公式（6）所示。

（6）

式中：pk為數(shù)據(jù)集中術(shù)語類別k的樣本比例；K為2個時間序列對齊后的最大長度。

在鐵路信號維護決策支持系統(tǒng)中，決策樹可以分析故障類型和原因、維護操作的影響以及可能的維護結(jié)果。訓(xùn)練決策樹模型，基于系統(tǒng)的歷史維護數(shù)據(jù)和故障記錄識別導(dǎo)致故障的關(guān)鍵因素，為維護團隊提供可行的維護建議。

貝葉斯網(wǎng)絡(luò)是一種表示條件依賴關(guān)系的圖形模型，節(jié)點表示隨機變量，邊表示變量間的概率依賴關(guān)系。貝葉斯網(wǎng)絡(luò)根據(jù)已知的故障概率和維護措施的效果預(yù)測采取某種維護措施后系統(tǒng)狀態(tài)的改變概率。

3 試驗驗證

3.1 試驗設(shè)計

試驗數(shù)據(jù)集包括2021年第一季度至2023年第二季度某鐵路信號系統(tǒng)在實際運行過程中收集的數(shù)據(jù)以及系統(tǒng)記錄的相關(guān)故障與維修數(shù)據(jù)。將預(yù)處理后的數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集，其數(shù)據(jù)比例為6∶2∶2。利用訓(xùn)練集分別訓(xùn)練GRU和LSTM網(wǎng)絡(luò)模型，使用驗證集對模型進行調(diào)優(yōu)，使用測試集評估模型的性能，驗證模型的預(yù)測能力。

3.2 故障預(yù)測模型的驗證

本文對GRU故障預(yù)測模型進行性能評估，GRU模型與原有系統(tǒng)性能對比如圖3所示。

從圖3中可以看出，與原有系統(tǒng)相比，GRU模型的準確率和召回率更高，說明其在故障預(yù)測方面性能更好。F1分數(shù)是衡量二分類模型精確度的指標，兼顧分類模型的精確率和召回率，分數(shù)提升也表明模型在準確性和召回率之間取得了較好的平衡。

3.3 預(yù)防維護模型的驗證

本文對LSTM預(yù)防維護模型進行性能評估，本文采用均方根誤差（RMSE）、平均絕對誤差（MAE）以及決定系數(shù)（R2）作為評估指標。2023年第一、二季度數(shù)據(jù)的預(yù)防維護模型評估結(jié)果見表3。

從表3可以看出，LSTM模型的RMSE與MAE較低，說明模型預(yù)測的準確性較高，模型預(yù)測值與實際值之間的差異較小。R2反映了模型解釋數(shù)據(jù)變異的能力，值越接近1，模型越能準確預(yù)測數(shù)據(jù)變動。LSTM模型R2較高，說明其在鐵路信號系統(tǒng)預(yù)防維護方面適用性較高。

4 結(jié)論

本文研究了鐵路信號系統(tǒng)故障預(yù)警與預(yù)防維護技術(shù)以及應(yīng)用數(shù)據(jù)預(yù)處理與特征提取技術(shù)，有效減少了數(shù)據(jù)噪聲并突出了趨勢特征。經(jīng)試驗驗證，本文構(gòu)建的基于GRU的故障預(yù)測模型和基于LSTM的預(yù)防維護模型性能良好，能夠為鐵路信號系統(tǒng)的故障預(yù)警提供可靠的技術(shù)支持。

參考文獻

[1]韓昶.鐵路信號設(shè)備的可靠性設(shè)計與維護策略研究[J].運輸經(jīng)理世界，2023（35）：166-168.

[2]常懌.如何利用微機監(jiān)測系統(tǒng)分析和處理鐵路信號設(shè)備故障[J].信息系統(tǒng)工程，2023（4）：83-85.

[3]邢玉龍.面向預(yù)測性維護的軌道電路故障診斷及預(yù)測方法研究[D].北京：北京交通大學(xué)，2022.

[4]王坤.基于機器學(xué)習的鐵路信號設(shè)備故障預(yù)警系統(tǒng)的設(shè)計與實現(xiàn)[D].邯鄲：河北工程大學(xué)，2021.

[5]尹航.鐵路信號集中監(jiān)測系統(tǒng)智能分析及預(yù)警方法研究[D].蘭州：蘭州交通大學(xué)，2021.