余輝敏，徐永能，陳 新，肖添文

(南京理工大學(xué) 自動化學(xué)院， 南京 210000)

車載列車自動控制 (Automatic Train Control，ATC)設(shè)備在保障車輛安全運營、準(zhǔn)時到達(dá)方面占有舉足輕重的作用，該設(shè)備故障種類繁多，且同一故障現(xiàn)象的故障原因和對應(yīng)的故障處置手段也不盡相同。由于司機的技能水平、應(yīng)變能力以及對車載ATC設(shè)備故障的分辨能力參差不齊，因此，建立一套不依賴人為知識水平，通過診斷模型識別故障特征，實現(xiàn)故障標(biāo)準(zhǔn)化還原的智能診斷系統(tǒng)，對幫助故障標(biāo)準(zhǔn)化處置，保障列車的安全高效運營具有重要意義。

用于城市軌道交通信號設(shè)備的故障診斷技術(shù)主要分為基于解析模型的故障診斷技術(shù)和基于數(shù)據(jù)驅(qū)動的故障診斷技術(shù)[1]。1971年麻省理工學(xué)院的Beard[2]率先提出了基于解析模型的故障診斷思想，主要分為參數(shù)估計法、狀態(tài)估計法和等價空間法[3-4]，這種方法的優(yōu)點在于能夠深入而精確的探究設(shè)備的故障衍變機理，建立數(shù)學(xué)或物理模型準(zhǔn)確的描述設(shè)備；相應(yīng)的，由于模型的準(zhǔn)確性很大程度受到模型參數(shù)設(shè)置合理度的制約，所以對于軌道交通信號系統(tǒng)這樣大型復(fù)雜且先驗知識不足的系統(tǒng)來說，建立對應(yīng)的準(zhǔn)確模型存在一定難度。而隨著傳感器技術(shù)的進(jìn)步，以及設(shè)備狀態(tài)監(jiān)測系統(tǒng)的應(yīng)用，大量反映設(shè)備狀態(tài)的監(jiān)測數(shù)據(jù)產(chǎn)生，為基于數(shù)據(jù)驅(qū)動的故障診斷技術(shù)提供了實現(xiàn)基礎(chǔ)[5]?；跀?shù)據(jù)驅(qū)動的故障診斷技術(shù)通過挖掘設(shè)備運行數(shù)據(jù)中包含的設(shè)備狀態(tài)信息，對設(shè)備狀態(tài)進(jìn)行診斷[6]，這極大的滿足了大型復(fù)雜系統(tǒng)高可靠性的需求。統(tǒng)計方法、信號處理方法和基于定量的人工智能方法為3個主要方法[7]，其中基于定量知識的方法通過訓(xùn)練模型使計算機獲得學(xué)習(xí)、推理、決策等能力得出定量結(jié)論[8-10]，本文使用的基于Bi-LSTM神經(jīng)網(wǎng)絡(luò)的方法就是一種典型的基于數(shù)據(jù)驅(qū)動的故障診斷方法。

神經(jīng)網(wǎng)絡(luò)算法目前在智能診斷領(lǐng)域有著較為成熟的應(yīng)用，以故障特征為輸入，診斷結(jié)果為輸出，經(jīng)過神經(jīng)網(wǎng)絡(luò)模型的分類和判斷，往往有較為可靠的診斷結(jié)果[11-13]。由于車載ATC設(shè)備的故障歷史數(shù)據(jù)分布時間跨度大，本文建立了同時具有記憶特性和雙向語義關(guān)聯(lián)特性的Bi-LSTM模型作為分類器，以某地鐵1號線近7年的故障工單數(shù)據(jù)為樣本對模型進(jìn)行訓(xùn)練和驗證，實驗表明，該模型能利用有限的故障記錄數(shù)據(jù)實現(xiàn)故障診斷，對保障列車安全運營和及時準(zhǔn)確故障應(yīng)對具有十分重要的意義。

1 車載列車自動控制(ATC)系統(tǒng)組成

列車自動控制(ATC)系統(tǒng)由自動監(jiān)控系統(tǒng)(Automatic Train Supervision，ATS)、自動防護(hù)系統(tǒng)(Automatic Train Protection，ATP)和列車自動運行系統(tǒng)(Automatic Train Operation，ATO)三部分組成。ATC系統(tǒng)能夠?qū)崿F(xiàn)對地鐵車輛的自動防護(hù)和自動控制，同時具備行車指揮、列車運行監(jiān)視、安全防護(hù)以及降級運行的能力，ATC車載系統(tǒng)部件組成如圖1所示。

車載ATC系統(tǒng)的主要作用是保證列車的安全運營，配合地面及軌旁信號設(shè)備，控制列車的行駛速度，使其保持在安全的范圍內(nèi)，并在特殊環(huán)境，如雨雪天濕滑環(huán)境下，啟動保護(hù)系統(tǒng)。車載ATC系統(tǒng)支持以下3種運行模式：自動駕駛模式(Automatic Mode，AM)、受監(jiān)督的手動駕駛模式(Supervised Manual Mode，SM)、受限模式(Restricted Mode，RM)。一般情況下，車輛運行處于AM模式，由ATO系統(tǒng)自動駕駛列車，ATP系統(tǒng)保證列車在安全速度曲線內(nèi)行駛，這極大降低了司機駕駛的疲勞度，也極大提升了地鐵車輛的安全性，但當(dāng)ATC系統(tǒng)發(fā)生故障時，可能會造成列車延誤、清客等現(xiàn)象，嚴(yán)重時甚至?xí)?dǎo)致列車事故，造成經(jīng)濟(jì)損失和人員傷亡。為了盡量減少故障的發(fā)生，一方面，有賴于車輛上線前細(xì)致的檢維修，另一方面也需要司機準(zhǔn)確判斷分析故障，定位故障模塊，迅速且合理的處置故障狀況，維持穩(wěn)定的運營。

圖1 ATC車載系統(tǒng)部件組成示意圖

2 車載ATC設(shè)備常見故障分析

車載ATC設(shè)備是軌道交通信號系統(tǒng)的核心組成部分，車載設(shè)備故障，將嚴(yán)重影響列車的運輸效率，以及乘客的出行體驗，嚴(yán)重時甚至危及車載人員的生命安全。以某地鐵1號線2010—2016年間1 003條車載ATC故障記錄工單數(shù)據(jù)作為樣本數(shù)據(jù)，對發(fā)生過的故障進(jìn)行樣本比例提取，如圖2所示。

圖2 某地鐵1號線常見故障類型及所占比例圖

由上述統(tǒng)計圖可以看出，列車緊急制動故障、列車到站時沖標(biāo)/欠標(biāo)故障和ATP打叉三類故障發(fā)生概率更高，占總體發(fā)生故障的48.9%，下面對三類故障進(jìn)行故障原因分析并給出處置建議。

1) 列車緊急制動故障。列車緊急制動出現(xiàn)故障是車載ATC系統(tǒng)出現(xiàn)頻率最高的故障，導(dǎo)致該故障的原因比較復(fù)雜，不同駕駛模式下列車發(fā)生緊制的原因也不相同，超速、軌道濕滑、沖標(biāo)等都會引起列車的緊急制動[13]。地鐵列車發(fā)生緊急制動不僅會降低乘客乘坐的舒適度，甚至?xí)鹆熊囇诱`和清客下線等嚴(yán)重后果，對列車的正常運營秩序造成不良影響。因此，列車發(fā)生緊制時，要求司機快速準(zhǔn)確處置故障，首先應(yīng)當(dāng)緩解列車的緊急制動，使列車降級，若列車無法降級，則需要切換至RM模式動車，等待列車正常升級，倘若無法正常升級，則切除ATP行駛至下一站，重新啟動。

2) 列車沖標(biāo)/欠標(biāo)故障。從故障統(tǒng)計中可以看出，列車沖標(biāo)/欠標(biāo)故障約占12%，指在ATO自動駕駛模式下，列車受信號設(shè)備控制自動進(jìn)站時，車輛越過/未到達(dá)停車位的一種現(xiàn)象。車輛發(fā)生沖標(biāo)/欠標(biāo)故障后，往往引發(fā)車輛門與屏蔽不聯(lián)動、列車緊急制動等問題，列車發(fā)生沖標(biāo)/欠標(biāo)故障時司機應(yīng)當(dāng)調(diào)整模式開關(guān)至手動位，手動駕駛列車對標(biāo)。沖標(biāo)/欠標(biāo)故障極易造成列車晚點，尤其在高峰期時段，并且這種故障的發(fā)生率較高，有時一條線路一天能發(fā)生2～3次沖/欠標(biāo)故障，為乘客出行帶來不便。

3) 車載ATP打叉故障。車載ATP打叉故障往往引起列車緊急制動的聯(lián)動反應(yīng)，進(jìn)而引發(fā)其他問題。就ATP打叉故障本身而言，故障原因存在多方面因素，常見的原因包括軌旁ATP故障、信號與車輛接口故障、信號傳輸故障等。

3 Bi-LSTM神經(jīng)網(wǎng)絡(luò)模型

3.1 Bi-LSTM神經(jīng)網(wǎng)絡(luò)模型介紹

Bi-LSTM (Bi-directional Long Short-Term Memory，雙向長短時記憶網(wǎng)絡(luò))由一個前向LSTM(Long Short Term Memory Network——長短期記憶網(wǎng)絡(luò))與一個后向LSTM組成。由于車載ATC設(shè)備故障的發(fā)生并不是彼此孤立的，往往存在兩種甚至兩種以上故障現(xiàn)象，而Bi-LSTM模型的前后向結(jié)構(gòu)，使得該模型在具有記憶特性的基礎(chǔ)上增加了雙向捕捉輸入語義的能力，因此更適用于車載ATC設(shè)備的故障診斷。LSTM神經(jīng)網(wǎng)絡(luò)單元是Bi-LSTM神經(jīng)網(wǎng)絡(luò)的基本單元，屬于一種判斷自然語言情感傾向的分類器，LSTM模型的工作原理是實現(xiàn)Bi-LSTM神經(jīng)網(wǎng)絡(luò)的計算邏輯的基礎(chǔ)[14-15]，其網(wǎng)絡(luò)細(xì)胞單元結(jié)構(gòu)如圖3所示。

圖3 LSTM單元結(jié)構(gòu)示意圖

1) 遺忘門篩選弱關(guān)聯(lián)度信息并刪除：

ft=σ(Wf[ht-1，xt]+bf)

(1)

其中，ht-1表示上一時刻的隱層信息；xt表示當(dāng)前的輸入；Wf、bf為訓(xùn)練參數(shù)；σ為sigmoid函數(shù)(神經(jīng)網(wǎng)絡(luò)激活函數(shù))；ft表示保留信息的權(quán)重。

2) 輸入門篩選強關(guān)聯(lián)度信息，sigmoid層和隱層共同更新細(xì)胞狀態(tài)中的信息：

Ct=ft·Ct-1+σ(Wi[ht-1，xt]+bi)·

tanh(Wc[ht-1，xt]+bc)

(2)

其中，Wc、bc表示訓(xùn)練參數(shù)；Ct-1表示前一個細(xì)胞狀態(tài)的信息；Ct表示當(dāng)前細(xì)胞狀態(tài)的信息。

3) 輸出門決定最終輸出信息：

ht=σ(w0[ht-1，xt]+b0)·tanh(Ct)

(3)

其中，w0為權(quán)重矩陣，本文使用的權(quán)重矩陣為隨機矩陣，即在模型訓(xùn)練開始時進(jìn)行隨機初始化，通過訓(xùn)練損失反向傳播，迭代更新權(quán)重矩陣；b0為偏置項，σ為激活函數(shù)。

將前向LSTM與后向LSTM組合，可以得到Bi-LSTM模型，模型結(jié)構(gòu)如圖4所示。

圖4 Bi-LSTM模型結(jié)構(gòu)示意圖

輸入信號{X0，X1，…，Xn}分別送入前向LSTM模型與后向LSTM模型，分別輸出前向隱向量{hL0，hL1，…，hLn}和后向隱向量{hR0，hR1，…，hRn}，將前向與后向隱向量拼接得：{[hL0，hRn]，[hL1，hRn-1]，…，[hLn，hR0]}，即{h0，h1，…，hn}。

3.2 Bi-LSTM網(wǎng)絡(luò)模型的構(gòu)建

1) 對原始車載ATC設(shè)備故障統(tǒng)計數(shù)據(jù)進(jìn)行特征提取和特征標(biāo)定，構(gòu)成模型訓(xùn)練集：

Ft={f1，f2，…，fn}

2) 數(shù)據(jù)標(biāo)準(zhǔn)化處理；用X={X1，X2，…，Xn}表示處理后的訓(xùn)練集，作為模型輸入，相應(yīng)的，以Y={Y1，Y2，…，Yn}表示模型輸出；

3) Bi-LSTM網(wǎng)絡(luò)初始化，為初始權(quán)值矩陣賦值，設(shè)定其為均勻分布在[0，1]之間的隨機數(shù)，設(shè)置最大迭代訓(xùn)練次數(shù)為800，窗口大小為32，學(xué)習(xí)率為0.001最小誤差值為0；

4) 前向計算；訓(xùn)練集X輸入隱層，Bi-LSTM模型包含雙向LSTM隱層(前向和后向)，訓(xùn)練時分別提取兩組特征，每個LSTM隱層包含n個按時間數(shù)序排列的細(xì)胞單元，經(jīng)過隱層的輸出可表示為：HL={hL1，hL2，…，hLn}和HR={hR1，hR2，…，hRn}；

5) 誤差反向計算；分別從正向和反向兩個方向的LSTM傳遞特征并計算結(jié)果，求得真實值和預(yù)測值的差異損失，根據(jù)這個損失，反向回溯整個網(wǎng)絡(luò)，進(jìn)而修改參數(shù)；

6) 當(dāng)訓(xùn)練次數(shù)和誤差值滿足設(shè)定需求時，停止模型訓(xùn)練，并將剩余10%未知樣本數(shù)據(jù)投入訓(xùn)練完成的模型中，對測試集分類。

7) 十折交叉法精度驗證，從訓(xùn)練損失/準(zhǔn)確率和測試損失/準(zhǔn)確率四個方面分別對模型進(jìn)行精度驗證。

4 驗證

本實驗的訓(xùn)練數(shù)據(jù)為某地鐵1號線2010—2016年間 1 003 條車載ATC故障記錄工單數(shù)據(jù)，如表1所示。

首先對原始故障統(tǒng)計工單數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化還原，將車載ATC設(shè)備的故障數(shù)據(jù)按類別標(biāo)定為訓(xùn)練數(shù)據(jù)；由于數(shù)據(jù)樣本量較小，為了避免過擬合問題，本實驗采取十折交叉驗證法進(jìn)行數(shù)據(jù)擬合，并對模型進(jìn)行精度估算，即，按照9：1的比例，輪流對數(shù)據(jù)集進(jìn)行訓(xùn)練與驗證，訓(xùn)練集輸入Bi-LSTM模型進(jìn)行訓(xùn)練，分析故障描述語句與人工標(biāo)定分類的關(guān)系，學(xué)習(xí)描述語句間的雙向語義聯(lián)系；最后將驗證集輸入模型，對未知樣本故障進(jìn)行診斷，驗證結(jié)果如圖5、圖6所示。

表1 某地鐵1號線車載ATC工單數(shù)據(jù)

圖5 Bi-LSTM模型對學(xué)習(xí)樣本和未知樣本的訓(xùn)練損失和測試損失曲線

圖6 Bi-LSTM模型對學(xué)習(xí)樣本和未知樣本的訓(xùn)練損失準(zhǔn)確率和測試準(zhǔn)確率曲線

圖5展示了Bi-LSTM模型對學(xué)習(xí)樣本和未知樣本的訓(xùn)練損失和測試損失，圖6表示Bi-LSTM模型的訓(xùn)練準(zhǔn)確率和測試準(zhǔn)確率。由圖5、圖6可知，該模型在對數(shù)據(jù)樣本進(jìn)行分類訓(xùn)練時，隨著迭代次數(shù)的增加，約四百次左右，訓(xùn)練結(jié)果趨于穩(wěn)定和準(zhǔn)確，取十折交叉驗證的10次結(jié)果平均值作為該模型的精度值，如表2所示。

表2 Bi-LSTM模型精度

從驗證結(jié)果發(fā)現(xiàn)，10次驗證的精度結(jié)果相近，證明該模型魯棒性較強，本文模型的精確度為98.9%，證實了該模型的有效性，值得注意的是，由于某些類型故障樣本訓(xùn)練量過小，模型存在未能準(zhǔn)確分類的誤差，倘若增加學(xué)習(xí)樣本量，模型還可以更加準(zhǔn)確的分類。

5 結(jié)論

1) Bi-LSTM網(wǎng)絡(luò)能夠更精確的從歷史故障樣本中挖掘出不同類別的故障特征，提高了故障診斷的準(zhǔn)確率；

2) 隨著訓(xùn)練樣本的不斷積累與豐富完善，該故障診斷模型的準(zhǔn)確率能夠進(jìn)一步提高，在訓(xùn)練樣本不足的情況下，基于Bi-LSTM模型的故障診斷準(zhǔn)確率能達(dá)到98.9%，對于時間跨度較長的車載ATC設(shè)備故障數(shù)據(jù)來說，該故障診斷方案具備良好的有效性；

3) 從實際運營的角度來看，該故障診斷方法容易實現(xiàn)，將突發(fā)故障描述輸入訓(xùn)練完成的模型中，僅進(jìn)行一次模型推理即可返回結(jié)果，耗時約0.03 s，在保障列車安全運營，實時故障診斷方面具有重要意義。