張學武

(中鐵第一勘察設(shè)計院集團有限公司，西安 7 10043)

1 引言

電氣化鐵路的接觸網(wǎng)沿軌道上空“之”字形架設(shè)，其主要功能是控制接觸線的高度，保證弓網(wǎng)系統(tǒng)獲得良好的受流質(zhì)量[1].吊弦支撐著整個接觸網(wǎng)，在承力索和接觸線之間進行力的傳遞，是接觸網(wǎng)系統(tǒng)最為重要的部件[2].高速鐵路接觸網(wǎng)長期暴露于自然環(huán)境中，由于惡劣的天氣和受電弓在列車行駛過程中的沖擊作用，吊弦可能出現(xiàn)斷裂和松弛等故障，危及行車安全.目前，吊弦故障檢測通過人工現(xiàn)場檢查的方式進行，這種方式不僅工作量大，而且容易受到主觀因素影響，很難保證檢查質(zhì)量.因此，吊弦自動檢測技術(shù)已成為鐵路部門關(guān)注的研究熱點.Li等[3]從時頻分析角度提取統(tǒng)計特征，再利用分類算法對接觸網(wǎng)吊弦進行故障檢測.卞建鵬等[4]提出了一種基于改進膠囊網(wǎng)絡(luò)與CV模型結(jié)合的吊弦故障識別算法.西南交通大學工程研究院以接觸網(wǎng)系統(tǒng)圖像為研究對象，提出了一種將深度可分卷積與目標檢測網(wǎng)絡(luò)相結(jié)合的吊弦故障檢測方法[5].這種方法首先采用定位網(wǎng)絡(luò)(DPLN)獲取位置，然后利用故障識別網(wǎng)絡(luò)(DFRN)對吊弦故障類型進行識別.基于圖像的深度學習技術(shù)進行吊弦故障檢測，容易受光源、視角和復查背景等環(huán)境因素影響，檢測精度有限.本文基于吊弦的加速度信號數(shù)據(jù)，利用深度學習技術(shù)對接觸網(wǎng)吊弦進行故障檢測，可彌補通過圖像進行吊弦故障檢測的一些不足.在脈動風和受電弓沖力同時作用下，承力索和接觸線上檢測點的加速度信號特征比較強烈，LSTM網(wǎng)絡(luò)模型良好的時序特征表達能力使得吊弦斷裂和松弛故障容易被檢出.但僅在脈動風作用下，吊弦斷裂或松弛時加速度信號特征比較微弱，吊弦故障難以檢測.本文融合卷積神經(jīng)網(wǎng)絡(luò)強大的特征提取能力和循環(huán)神經(jīng)網(wǎng)絡(luò)的時序表達能力，同時在網(wǎng)絡(luò)中引入注意力機制，建立CNN-LSTM和CNN-LSTM-Attention融合網(wǎng)絡(luò)模型.在網(wǎng)絡(luò)訓練過程中，使用貝葉斯優(yōu)化方法進行超參數(shù)選擇，得到最優(yōu)的網(wǎng)絡(luò)模型.

2 數(shù)據(jù)來源

由于高速列車的弓網(wǎng)系統(tǒng)一直處于運行狀態(tài)，無法在實際的接觸網(wǎng)上安裝加速度傳感器采集數(shù)據(jù).因此，本文建立弓網(wǎng)動態(tài)仿真模型，通過仿真實驗獲取接觸網(wǎng)接觸線和承力索檢測點的振動加速度信號數(shù)據(jù)，為接觸網(wǎng)吊弦的故障檢測提供數(shù)據(jù)支持.

2.1 試驗段接觸網(wǎng)參數(shù)

本文基于非線性有限元方法[6-8]對蘭新高鐵試驗段建立弓網(wǎng)動態(tài)仿真模型，接觸網(wǎng)試驗段的里程為K3066+568.795～K3065+588.795，該區(qū)段對應(yīng)的接觸網(wǎng)參數(shù)如表1所示.

表1 接觸網(wǎng)的設(shè)計參數(shù)

2.2 傳感器布局與仿真數(shù)據(jù)

試驗段接觸網(wǎng)每跨長度為50米，共有9個吊弦，每隔5米在承力索和接觸線之間安裝1根吊弦.加速度傳感器的安裝位置，如圖1所示.1#～5#加速度傳感器依次部署在承力索上支持點1內(nèi)側(cè)0.7m處、支持點2內(nèi)側(cè)0.7m處、承力索跨中處、接觸線跨中處和接觸線上跨中吊弦9處.每個加速度傳感器可獲取水平和垂向加速度數(shù)據(jù).

圖1 傳感器空間布置圖

實驗中采集僅在脈動風作用的情況下，接觸網(wǎng)第一吊弦斷裂、跨中吊弦斷裂、第一吊弦和跨中吊弦同時斷裂和無斷裂4種運行狀態(tài)的數(shù)據(jù).每種情況利用仿真軟件計算200次，采樣頻率為277.77Hz，每條樣本采樣時間為17.28s，4800個數(shù)據(jù)點.

3 接觸網(wǎng)吊弦故障檢測模型

僅在脈動風作用下，吊弦斷裂或松弛時承力索和接觸線震動強度較小，測點加速度信號特征比較微弱.為提升神經(jīng)網(wǎng)絡(luò)的特征提取提取能力，本節(jié)建立兩種融合網(wǎng)絡(luò)模型：CNN-LSTM和CNN-LSTM-Attention.

3.1 CNN-LSTM網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)[9-11]是在全連接神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，引進卷積計算，利用卷積層代替全連接層來進行特征提取的神經(jīng)網(wǎng)絡(luò).循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)[12,13]是一種可以根據(jù)上下文信息學習序列數(shù)據(jù)的時序特征的神經(jīng)網(wǎng)絡(luò).本文融合卷積神經(jīng)網(wǎng)絡(luò)對空間特征和循環(huán)神經(jīng)網(wǎng)絡(luò)對時序的表達能力，建立CNN-LSTM融合網(wǎng)絡(luò)模型.如圖2所示，CNN-LSTM融合模型由四部分構(gòu)成：信號的輸入層、卷積層、LSTM層以及全連接層.其中輸入層接收5個加速度傳感器采集的10路加速度信號，信號長度為200；卷積層利用1D-CNN的卷積、池化操作進行特征提?。籐STM層堆疊兩個LSTM單元進行時序特征的提??；最后通過全連接對提取的特征進行故障識別.

圖2 CNN-LSTM網(wǎng)絡(luò)模型

3.2 CNN-LSTM-Attention網(wǎng)絡(luò)模型

盡管CNN-LSTM網(wǎng)絡(luò)模型融合了CNN和LSTM的特征表達能力，但CNN-LSTM只利用了LSTM最后一個時間步輸出.為克服這一不足，本文引入注意力機制，將LSTM前幾步輸出信息融合，形成CNN-LSTM-Attention網(wǎng)絡(luò)模型.如圖3所示，該模型包括5部分：信號輸入層、1D-CNN特征提取層、LSTM時序特征提取層、引入注意力機制的特征選擇層和全連接層.

圖3 基于注意力機制的吊弦故障檢測模型

4 實驗與分析

對于所提出的兩種網(wǎng)絡(luò)模型，進行訓練時有較多超參數(shù)需要選擇，為了得到最優(yōu)的網(wǎng)絡(luò)參數(shù)和訓練過程參數(shù)，采用貝葉斯優(yōu)化方法[14,15]對其進行超參數(shù)優(yōu)化.

4.1 模型訓練

首先配置深度學習環(huán)境，然后搭建CNN-LSTM網(wǎng)絡(luò)模型和CNN-LSTM-Attention網(wǎng)絡(luò)模型.對數(shù)據(jù)集使用五折交叉驗證，運用貝葉斯優(yōu)化方法選擇超參數(shù)，CNNLSTM和CNN-LSTM-Attention的超參數(shù)名稱和取值范圍相同，如表2所示.

表2 待選擇超參數(shù)空間

超參數(shù)優(yōu)化選取的結(jié)果如表3所示.對深度網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和訓練參數(shù)調(diào)優(yōu)后，接下來進行網(wǎng)絡(luò)模型的訓練.從圖4可以看出，隨著迭代次數(shù)的增加，CNN-LSTM算法和CNN-LSTM-Attention算法逐漸收斂，對于測試集，兩種網(wǎng)絡(luò)模型都達到了很高的故障識別準確率.

圖4 模型訓練過程

表3 超參數(shù)選擇結(jié)果

4.2 結(jié)果分析

表4對比了LSTM、CNN-LSTM、CNN-LSTM-Attention三種網(wǎng)絡(luò)模型在測試集上的評價指標Precision、Recall、F1-score和Accuracy.從表4可以看出，CNN-LSTM接觸網(wǎng)吊弦故障檢測模型的識別準確率達到了96.38%，相比較LSTM網(wǎng)絡(luò)模型，提高了3%以上.CNN-LSTM模型不僅利用LSTM網(wǎng)絡(luò)提取了振動加速度信號的時序特征，而且利用卷積神經(jīng)網(wǎng)絡(luò)進行了空間特征的提取，網(wǎng)絡(luò)模型效果更好.在CNN-LSTM網(wǎng)絡(luò)模型基礎(chǔ)上，引進注意力機制，形成CNN-LSTM-Attention故障檢測模型，其查準率和查全率均為98.20%，所得到的網(wǎng)絡(luò)模型預測效果最佳.與CNN-LSTM網(wǎng)絡(luò)模型比較，CNN-LSTM-Attention組合了兩種網(wǎng)絡(luò)模型的優(yōu)點，并利用注意力機制綜合進行特征信息的重組和選擇，故障檢測的查準率和查全率都提升了1.8%.

模型 評價指標

Presicion Recall F1-score Accuracy

LSTM 93.00% 93.20% 93.10% 93.00%

CNN-LSTM 96.40% 96.40% 96.40% 96.38%CNN-LSTM-Attention 98.20% 98.20% 98.20% 98.13%

5 結(jié)論

本文主要針對僅脈動風作用下接觸網(wǎng)吊弦斷裂或松弛時檢測點加速度信號特征不明顯，故障難以識別問題，提出了兩種融合網(wǎng)絡(luò)模型：CNN-LSTM模型和CNNLSTM-Attention模型.通過實驗驗證了兩種融合網(wǎng)絡(luò)模型對吊弦故障檢測的有效性，其中CNN-LSTM-Attention模型由于綜合了卷積神經(jīng)網(wǎng)絡(luò)強大的特征提取能力、循環(huán)神經(jīng)網(wǎng)絡(luò)的時序建模能力和注意力機制的特征分析能力，在吊弦振動加速度較為微弱的情況下，具有更加優(yōu)異的特征提取能力，使得網(wǎng)絡(luò)模型的故障檢測精度更高.