王国保，蔡水涌，杨红刚，谢本凯，黄春雷

（1.郑州航空工业管理学院 管理工程学院，郑州 450046；2.黑龙江瑞兴科技股份有限公司，哈尔滨 150030）

轨道电路是用来监测线路的占用情况及列车运行情况、控制道岔转辙机的设备。由于轨道电路的构成较为复杂，且受室外环境影响较大，导致其发生故障的概率较高，且故障类型复杂多样。因此，监测轨道电路的运行状态并诊断故障类型对确保列车安全运行具有重要意义。

很多学者对轨道电路的智能故障诊断方法展开了研究，且取得了相应的研究成果。文献[1]采用模糊逻辑与神经网络相结合的方法对25 Hz 相敏轨道电路建立故障诊断模型，实现对道砟电阻低、电源电压高、电源电压低和防护盒断线等多种故障的诊断；文献[2]结合深度信念网络和BP 神经网络建立轨道电路故障诊断模型，实现轨道电路的15 种故障分类。以往相关研究实现了对故障信号的智能监测与诊断，提高了工作效率，但存在诊断精度低等问题，难以切实应用到工业领域。随即，学者们针对如何提高诊断准确率展开了进一步的研究。研究发现，实现故障诊断的关键在于故障特征的提取[3]。文献[4]分别采用核主元分析和局部非负矩阵分解方法，对时频图像的全局和局部特征进行提取融合，并使用独立分量分析法对融合得到的特征进行降维，最后使用最近邻分类器实现故障分类；文献[5]建立基于核主元分析和稀疏自编码器（SAE，Sparse Auto-Encoder）构建的轨道电路故障诊断模型，与原SAE故障诊断模型相比，平均诊断准确率有所提高，平均诊断时间相对较短。上述故障特征的提取都是基于机理的提取，有一定的物理意义，但存在较大的局限性[6]，需要掌握大量处理信号数据的方法与故障诊断的经验。

随着大数据分析、机器学习、人工智能等技术的发展，一些学者开始研究智能特征提取算法，采用无监督或半监督的学习方法对故障数据进行深层特征提取，避免传统手工提取特征的信息遗漏问题。文献[7]采用SAE 实现轴承数据的特征提取，得到了不同裂缝尺寸下轴承的故障特征；文献[8]采用最大熵来优化SAE 的损失函数，增强了模型提取滚动机械振动信号故障特征的能力。现有研究表明，自编码器（AE，Auto-Encoder）能够在训练过程中挖掘故障数据的深层特征，有助于提高故障诊断的准确率，加速智能故障诊断算法在工业领域的应用。

基于上述研究，针对ZPW-2000R 型无绝缘轨道电路的故障诊断准确率较低等问题，本文将栈式稀疏自编码器（SSAE，Stacked SAE）和深度神经网络（DNN，Deep Neural Networks）相结合，提出了基于SSAE-DNN 的智能故障诊断方法，利用SSAE 的特征提取能力，实现故障数据特征的有效提取，提取出的深度特征同时具有全局特征和局部特征，能有效地完成无绝缘轨道电路输入信号的信息表达[9]，将经SSAE 提取的特征输入到DNN 模型中，进行训练和预测，并通过大量仿真实验，实现故障类型的准确分类。

1 相关原理

1.1 SAE 原理

AE 是一种无监督的数据维度压缩和数据特征表达方法[10]。它由两部分组成：编码器（Encoder）和解码器（Decoder）。AE 的网络结构如图1 所示。

图1 AE 网络结构

图1 中，Χ为编码器的输入数据；Ζ为编码器将高维数据Χ映射到低维抽象空间的数据，亦称为瓶颈层；Χ′为解码器通过数据Ζ重建后的数据。AE 的编码过程、解码过程和损失函数分别如公式（1）～公式（3）所示。

式中，gφ和fβ分别为编码器和解码器中的激活函数；W1、b1、W2、b2分别为编码器和解码器中的权重矩阵和偏置向量；m为网络中样本点的数量。

为了避免AE 对恒等函数的简单学习，Olshausen 等学者[11]在AE 中添加了稀疏惩罚项，提出了SAE。稀疏性限制是在AE 的损失函数上添加关于激活度的正则化项，惩罚过大的激活度，降低无效的特征数据量。通常采用 L1范数或 KL散度正则化项。

当采用 KL 散度正则化项时，给定稀疏性参数 ρ，隐藏层节点j的平均激活度为，KL 正则化系数 β，SAE 的损失函数为

KL散度的计算公式为

稀疏性参数 ρ 通常近似为0，表示隐藏层节点的理想平均激活度，为达到更好的稀疏效果，隐藏层节点的激活度必须趋近于0。的计算公式为

式中，αj(Xi) 为在给定输入为第i组样本的情况下，隐藏层第j个神经元的单元激活量。

1.2 SSAE 原理

由多个SAE 叠加构造的网络称为SSAE。SSAE是将前1 层SAE 的输出作为后1 层SAE 的输入，采用逐层贪婪训练法获取SSAE 参数，即在训练某层参数时，保持其他层参数不变，逐层训练[12]。SSAE 的训练过程如图2 所示。

图2 SSAE 训练过程

由图2 可看出，训练好一个SAE 结构后，舍去解码器部分，将编码器部分的输出作为下一个编码器的输入，再用反向传播进行训练，如此重复，使每次栈式过程的学习保持近似最优，最后添加上相对应个数和结构的解码器，便完成了SSAE 的训练。

1.3 DNN 原理

DNN 是具有至少2 个隐藏层的神经网络，为深度学习的一种框架。与浅层神经网络相比，既能为复杂非线性的系统建立模型，又能提供更高的抽象层次，更好地学习有效信息[13]。具有2 个隐藏层的DNN 结构如图3 所示。

图3 具有2 个隐藏层的DNN 结构

由图3 可知，DNN 各层间是全连接的，包含正向传播和反向传播两个过程。

2 SSAE-DNN 模型

2.1 网络结构

在训练一个有效的深度学习模型的过程中，参数寻优一直是研究人员关注的重点问题[14]。为了构建最优的网络结构，本文采用“经验法”与“试凑法”来获取模型的各类参数。

由于SAE 个数太多会造成网络训练不稳定，因此，本文选择由2 个SAE 组成的网络对无绝缘轨道电路故障数据进行训练和特征提取，瓶颈层的节点数量设置为30。为保证SSAE 模型能够在微调后快速收敛，将神经元的丢弃比例设置为0.2，并在每层之间添加批量归一化。为避免梯度消失和梯度爆炸，本文选择ReLU 作为激活函数。考虑到SSAE 提取数据特征的稀疏性，选择Adam 优化器，损失函数选择经典的均方误差与散度相结合，迭代次数设置为200 次，批处理大小设置为64 次。

由于SSAE 网络为无监督学习，只能实现原始数据的重构，为使SSAE 具有分类识别的功能，本文将编码器提取后的数据特征作为DNN 的输入，实现对故障数据的分类效果。DNN 网络结构为：隐藏层为2 层、隐藏层节点数分别为22 和18 个、隐藏层激活函数为ReLU、输出层节点数为故障种类个数、输出层激活函数为Softmax、优化器为Adam、损失函数为多分类交叉熵、迭代次数为200 次。

2.2 算法实现

本文基于SSAE-DNN 模型构，实现了无绝缘轨道电路智能故障诊断。对获取的故障数据进行归一化处理，并将其划分为训练样本和测试样本，划分比例为8∶2；再将其输入到SSAE 中进行特征提取，得到数据的深度特征；随后输入到DNN 中进行训练和预测；最终输出故障类别。诊断流程如图4 所示。

图4 ZPW-2000R 型无绝缘轨道电路智能故障诊断流程

3 ZPW-2000R 设备和数据集

3.1 ZPW-2000R 型无绝缘轨道电路设备

ZPW-2000R 型无绝缘轨道电路设备采用模块化设计，由发送设备、接收设备、通道设备和轨旁设备组成，主要用于实现对无绝缘轨道电路占用检查、断轨断线检查、机车所需信息的安全传递和智能运维等功能。ZPW-2000R 型无绝缘轨道电路拓扑结构如图5 所示[15]，包括室内部分和室外部分。

图5 ZPW-2000R 型无绝缘轨道电路拓扑结构

3.2 数据集

根据ZPW-2000R 型无绝缘轨道电路拓扑结构，本文采用A 公司监测的电路特征，收集正常状态的数据和14 种故障类型的数据。每种故障类型分别在5 个区段中进行测试，5 个区段分别为中间区段10455AG、道口接近区段10499AG 和10555AG、离去区段10562BG 和无岔区段IG2。故障类型的相关信息如表1 所示。

表1 ZPW-2000R 型无绝缘轨道电路14 种故障类型

4 故障诊断实例分析及比较

4.1 实例分析

为验证基于SSAE-DNN 的智能故障诊断方法的效果，本文采用ZPW-2000R 型无绝缘轨道电路的故障数据进行大量实验。

4.1.1 训练部分

采用SSAE 对原始信号数据进行自适应特征提取，提取30 项特征。为体现SSAE 的故障数据特征提取能力，本文将编码器部分提取到的训练样本数据特征输入到T-SNE 方法中，T-SNE 将训练样本的数据特征映射到二维空间，绘制的散点图如图6 所示，每种颜色代表一种故障类型。由图6 可看出，经SSAE 提取数据特征后，不同的故障类型数据分布在二维空间的不同位置，互不重叠，区分度明显，证明了本文构建的SSAE 对ZPW-2000R 型无绝缘轨道电路故障数据具有较强的故障数据特征提取能力。

图6 训练集提取特征后降维可视化效果

为进一步验证经SSAE 提取故障数据特征后，有助于实现故障诊断，本文将原始数据和经过SSAE进行特征提取后的数据都输入到DNN 中，比较两者训练过程的准确率和损失值，训练过程的比较如图7所示。

图7 DNN 分类器训练过程的准确率与损失值变化曲线

由图7 可知，两者在5 个区段中的准确率都随迭代次数的增加而增加，但是相比于原始数据，经过SSAE 进行特征提取后的数据均更早稳定，在未达到稳定之前，相同迭代次数下，原始数据的准确率较低；两者在5 个区段中的损失值都随着迭代次数的增加而减少，且最终均稳定于0，经过SSAE 进行特征提取后的数据相比于原始数据更早降至0。由此可知，经SSAE 提取故障数据特征有助于提高故障诊断准确率，且减少了故障诊断时间。

4.1.2 测试部分

为清楚地体现DNN 对每种故障的诊断效果，将原始数据和经过SSAE 进行特征提取后的测试样本都输入到训练好的DNN 中。得到正常数据和14 种故障数据的预测情况，如图8 所示。由图8 可看出，DNN 能准确诊断出正常数据和14 种故障数据，且总体诊断准确率较高。但也存在少数误判情况：在区段10455AG 中，原始数据出现7 条错误预测，错误预测类型分别为正常数据、标签为6、标签为9、标签为10 和标签为13 的故障数据；而经SSAE 进行特征提取后的数据仅出现1 条错误预测，将标签为1 的故障数据误判为标签为2 的故障数据。在其余4 个区段中，预测模型对于经SSAE 特征提取后的数据预测准确率均高于对原始数据预测的准确率。结果显示，经SSAE 进行特征提取后的ZPW-2000R 型无绝缘轨道电路数据相较原始数据更有助于DNN 对其进行分类。

图8 DNN 模型预测过程中各种标签的真实与预测情况

4.2 方法对比

为进一步证明本文方法对ZPW-2000R 型无绝缘轨道电路故障诊断具有优势，选择反向传播（BP，Back Propagation）神经网络、卷积神经网络（CNN，Convolutional Neural Network）和支持向量机（SVM，Support Vector Machine）与本文方法对比，对区段10455AG 的故障数据进行分析比较，为避免试验过程中随机因素对试验结果的影响，每种方法进行10次试验，不同方法每种故障数据的平均准确率如图9所示。

图9 不同方法的预测结果

由图9 可知，本文方法对于标签为1 的故障数据预测准确率为91.67%，其余故障数据的预测准确率均为100%。而其他3 种方法，对于标签为1 的故障数据预测准确率分别为83.33%、87.50%和83.33%，且对于正常数据、标签为6 和标签为8 等故障数据都出现预测错误的情况。由此可知，本文方法对于ZPW-2000R 型无绝缘轨道电路故障数据的诊断准确率优于BP 神经网络、CNN 神经网络和SVM。因此，本文提出的基于SSAE-DNN 的ZPW-2000R 型无绝缘轨道电路故障诊断方法具有更高的故障诊断精度。

5 结束语

本文提出的基于SSAE-DNN 模型的故障诊断方法在ZPW-2000R 型无绝缘轨道电路故障诊断中具有较好的性能。并通过一系列的试验证明了该方法的有效性、可行性和优越性。但本文并未将SSAE 与其他特征提取方法进行对比，后续研究将会考虑对比多种特征提取方法，采用更优的方法获取故障数据的深层特征，进一步提高故障诊断准确率。