謝本凱，蔡水涌，黃春雷，禹建麗，陳廣智，王國保

(1.鄭州航空工業(yè)管理學(xué)院 管理工程學(xué)院，河南 鄭州 450046；2.黑龍江瑞興科技股份有限公司 客戶技術(shù)服務(wù)中心，黑龍江 哈爾濱 150030；3.鄭州航空工業(yè)管理學(xué)院 智能工程學(xué)院，河南 鄭州 450046)

近年來，我國鐵路建設(shè)發(fā)展迅速，給人們的生活出行帶來了極大的便利，也在一定程度上推動了國民經(jīng)濟(jì)的發(fā)展，因此保證列車安全高效地運(yùn)行具有十分重要的價(jià)值。ZPW-2000系列無絕緣移頻軌道電路是列車運(yùn)行控制系統(tǒng)的基礎(chǔ)設(shè)備，軌道電路的正常工作是保證列車安全高效運(yùn)行的關(guān)鍵因素[1]。然而，軌道電路系統(tǒng)構(gòu)成復(fù)雜、工作環(huán)境惡劣、故障發(fā)生率高且故障類型多，因此軌道電路的故障診斷研究是非常重要的。

軌道電路的故障診斷技術(shù)經(jīng)歷了3個(gè)階段，依次為人工診斷、信號處理診斷和人工智能診斷[2]。人工診斷階段主要憑借工作人員維修經(jīng)驗(yàn)和維修技術(shù)對軌道電路的故障進(jìn)行判斷和維修，其盲目性大、工作效率低、勞動強(qiáng)度大；信號處理診斷階段主要依靠信號集中監(jiān)測系統(tǒng)對數(shù)據(jù)進(jìn)行采集和分析，其抗干擾能力差、精度低；人工智能診斷階段是在傳統(tǒng)診斷的基礎(chǔ)上再結(jié)合機(jī)器學(xué)習(xí)的眾多算法對軌道電路故障進(jìn)行診斷，既提高了診斷效率，又提高了診斷精度。目前一些學(xué)者在人工智能診斷階段已取得了一定的成果。Sun等[3]采用多分類支持向量機(jī) (support vector machines，SVM) 的一對一策略，提出了一種針對鐵路軌道電路中的關(guān)鍵部位電氣絕緣節(jié)的故障診斷系統(tǒng)。Ma等[4]提出了一種利用不同數(shù)據(jù)集訓(xùn)練的二進(jìn)制支持向量機(jī)新決策樹方法，進(jìn)行模擬電路故障診斷。Yuan等[5]針對經(jīng)典的SVM分類方法精度較低且難以訓(xùn)練大規(guī)模數(shù)據(jù)集的問題，采用一種改進(jìn)的混合粒子群優(yōu)化算法對SVM進(jìn)行優(yōu)化，并將其應(yīng)用于模擬電路故障診斷中。林俊亭等[6]提出了一種深度置信網(wǎng)絡(luò)和海洋捕食者算法優(yōu)化最小二乘SVM的故障診斷方法，解決了區(qū)間無絕緣軌道電路故障類型復(fù)雜、診斷精度低等問題。優(yōu)化后的SVM方法在一定程度上提高了故障診斷精度，但其面對多分類問題時(shí)，需要組合多個(gè)二類SVM，故障診斷過程較為復(fù)雜，且SVM方法對參數(shù)和核函數(shù)的選擇以及缺失數(shù)據(jù)較為敏感，構(gòu)建最優(yōu)結(jié)構(gòu)的SVM模型較為困難。隨著大數(shù)據(jù)收集、存儲、處理能力的迅速提升，深度學(xué)習(xí)等智能優(yōu)化算法應(yīng)運(yùn)而生并被運(yùn)用在故障診斷中。盧皎等[7]提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的ZPW-2000R軌道電路故障診斷模型，解決了ZPW-2000R軌道電路故障智能自診斷問題。田粉霞等[8]針對現(xiàn)有故障診斷中忽略調(diào)諧區(qū)故障對列車安全影響的問題，建立了基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的無絕緣軌道電路調(diào)諧區(qū)故障診斷系統(tǒng)。然而，軌道電路系統(tǒng)設(shè)備組成結(jié)構(gòu)復(fù)雜，僅依靠單一網(wǎng)絡(luò)模型對系統(tǒng)進(jìn)行故障診斷存在較大的局限性[9]，近年來大部分學(xué)者嘗試?yán)枚喾N方法的組合來進(jìn)一步提高軌道電路故障診斷的精度。宋威等[10]構(gòu)建了堆疊降噪自編碼器與卷積神經(jīng)網(wǎng)絡(luò)的集成模型，解決了軸承振動信號特征微弱、難以診斷的問題。張洪亮等[11]提出基于跳躍連續(xù)變分自編碼器與寬核深度卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的小樣本故障診斷方法，從而實(shí)現(xiàn)更高的故障識別精度。王秋實(shí)等[12]以ZPW-2000無絕緣移頻軌道電路紅光帶故障為研究對象，針對其故障的多樣性與復(fù)雜性，提出了一種基于故障樹分析與改進(jìn)BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的軌道電路智能故障診斷方法。

綜上，運(yùn)用神經(jīng)網(wǎng)絡(luò)或其他機(jī)器學(xué)習(xí)方法能有效地識別軌道電路故障類型，對輔助現(xiàn)場維護(hù)人員及時(shí)準(zhǔn)確地發(fā)現(xiàn)故障位置有極大的幫助。但這些方法需要大量的高質(zhì)量軌道電路故障數(shù)據(jù)進(jìn)行算法訓(xùn)練，一旦遇到未知或全新的故障數(shù)據(jù)，其診斷準(zhǔn)確率就會降低，將影響模型在實(shí)際場景中的應(yīng)用。針對上述問題，本文提出一種基于單分類支持向量機(jī)(one-class support vector machines，OC-SVM) 與深度神經(jīng)網(wǎng)絡(luò) (deep neural networks，DNN) 相結(jié)合的ZPW-2000R軌道電路故障診斷方法。首先對故障數(shù)據(jù)進(jìn)行單分類識別，然后對負(fù)樣本數(shù)據(jù)進(jìn)行收集，最后將正樣本數(shù)據(jù)輸入到DNN模型中進(jìn)行故障分類，以期解決未知或全新故障數(shù)據(jù)的檢測和收集問題，從而提高故障診斷準(zhǔn)確率。

1 OC-SVM和DNN的基本原理

1.1 OC-SVM的原理

OC-SVM是一種單分類算法，屬于無監(jiān)督學(xué)習(xí)的方法，不需要人為標(biāo)記數(shù)據(jù)集的標(biāo)簽，主要用于奇異點(diǎn)的檢測[13]。該算法通過對觀測到的高維樣本數(shù)據(jù)進(jìn)行訓(xùn)練，形成一個(gè)最小的超球面，超球面中包含大量的背景數(shù)據(jù)，而落在超球面外的數(shù)據(jù)則為奇異點(diǎn)數(shù)據(jù)，進(jìn)而實(shí)現(xiàn)奇異點(diǎn)的識別。SVM算法在實(shí)際應(yīng)用中會遇到正負(fù)數(shù)據(jù)不平衡的問題，如軌道電路中高質(zhì)量的故障標(biāo)簽數(shù)據(jù)難以獲取。然而，采用OC-SVM能高效解決負(fù)樣本數(shù)據(jù)與正樣本數(shù)據(jù)不平衡的問題，實(shí)現(xiàn)不同故障類別的信號數(shù)據(jù)的收集。

設(shè)樣本數(shù)據(jù) {χ1,χ2,···,χm}∈Xn，m是樣本數(shù)量。分離超平面的表達(dá)式為 ωT?(χ)-ρ=0。其中，? (χ)是將樣本映射到特征空間的函數(shù)，ωT、ρ分別表示特征空間中分離超平面的法向量轉(zhuǎn)置和偏移量。目標(biāo)是最大化分離超平面與原點(diǎn)之間的距離，則OC-SVM需要求解的優(yōu)化問題為

式中，ξi是松弛變量，表示允許離群點(diǎn)存在；v是控制離群點(diǎn)數(shù)量上限和全部支持向量數(shù)量下限的參數(shù)。

利用拉格朗日乘子法，可得上述優(yōu)化問題的對偶問題，即

其中〈，αi是樣本〉χi對應(yīng)的拉格朗日系數(shù)；核函數(shù)κ(χi,χj)=?(χi),?(χj)，代替了特征空間中的內(nèi)積。

對軌道電路數(shù)據(jù)進(jìn)行測試，將其代入式 (3)，當(dāng)結(jié)果為+1時(shí)，可認(rèn)為該組數(shù)據(jù)為正樣本；若其結(jié)果為-1，則該組數(shù)據(jù)為負(fù)樣本。

1.2 DNN的原理

DNN通過學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)復(fù)雜函數(shù)的逼近，得到輸入數(shù)據(jù)的分布式表達(dá)[14]。

DNN包含前向傳播和反向傳播兩個(gè)過程：前向傳播算法是利用上一層的輸出計(jì)算下一層的輸出，反向傳播是對原始數(shù)據(jù)的反饋。

DNN的前向傳播算法主要進(jìn)行一系列的線性運(yùn)算和激活運(yùn)算。本文是對多種故障數(shù)據(jù)進(jìn)行識別，故激活函數(shù)的選擇如下：隱藏層使用ReLU激活函數(shù)，它是目前最常用的激活函數(shù)，計(jì)算速度較快。函數(shù)公式為

輸出層使用Softmax激活函數(shù)，它常用于多分類問題，將輸入映射為概率值。函數(shù)公式為

DNN的反向傳播算法是使用優(yōu)化器迭代求損失函數(shù)最小值的過程。在進(jìn)行反向傳播之前，需要確定一個(gè)損失函數(shù)來度量輸出數(shù)據(jù)與真實(shí)數(shù)據(jù)之間的損失。本文選擇交叉熵?fù)p失作為度量損失的函數(shù)，對于每組數(shù)據(jù)，均期望求得式 (4) 最小值。

其中，yi為目標(biāo)值，為預(yù)測值，m為樣本數(shù)。

總損失函數(shù)的平均值表達(dá)式為

其中，m為樣本數(shù)。

本文使用Adam優(yōu)化器對權(quán)重向量w、偏置向量b進(jìn)行梯度優(yōu)化，對于w計(jì)算過程如式 (6)～ (10) 所示 (b同理)。

將得到的w、b反饋到前向傳播過程，如此循環(huán)，直至達(dá)到最大迭代次數(shù)或滿足最小誤差要求。

2 實(shí)驗(yàn)數(shù)據(jù)的收集與分析

為了驗(yàn)證所提方法的實(shí)驗(yàn)效果，本文采用黑龍江瑞興科技有限公司采集的ZPW-2000R軌道電路數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。該數(shù)據(jù)具有強(qiáng)耦合、非線性的特征，能夠有效地測試軌道電路故障診斷模型。

ZPW-2000R系統(tǒng)的組成結(jié)構(gòu)為發(fā)送設(shè)備、接收設(shè)備、通道設(shè)備和軌旁設(shè)備，其故障設(shè)置結(jié)構(gòu)如圖1所示。本文采用控制單一變量法對14種全新的故障類型數(shù)據(jù)進(jìn)行收集，將每種故障類型數(shù)據(jù)分別在5個(gè)區(qū)段中進(jìn)行測試。各故障類型明細(xì)如表1所示。根據(jù)ZPW-2000R軌道電路的結(jié)構(gòu)，選取如表2所示的48個(gè)電流電壓監(jiān)測量作為故障數(shù)據(jù)的特征。

表1 故障類型明細(xì)Table 1 List of fault types

表2 本文所使用的具體數(shù)據(jù)名稱Table 2 Name of the specific data used in this paper

圖1 ZPW-2000R軌道電路故障設(shè)置圖Figure 1 Fault setting diagram of a ZPW-2000R track circuit

5個(gè)區(qū)段分別為1～ 3區(qū)段 (區(qū)段2為故障區(qū)段、區(qū)段1為后方區(qū)段，區(qū)段3為前方區(qū)段)、6～ 7區(qū)段(區(qū)段7為故障區(qū)段，區(qū)段6為后方區(qū)段)、10～ 11區(qū)段 (區(qū)段11為故障區(qū)段，區(qū)段10為后方區(qū)段)、12～13區(qū)段 (區(qū)段12為故障區(qū)段，區(qū)段13為前方區(qū)段) 和25區(qū)段 (區(qū)段25為故障區(qū)段)。其中1～ 3區(qū)段為中間區(qū)段，6～ 7區(qū)段和10～ 11區(qū)段為接近區(qū)段，12～13區(qū)段為離去區(qū)段，25區(qū)段為無岔區(qū)段。將各區(qū)段的數(shù)據(jù)按照前方區(qū)段、故障區(qū)段和后方區(qū)段的前后順序進(jìn)行數(shù)據(jù)組合，最后得到2 609組樣本數(shù)據(jù)，如表3所示。其中，代號N表示正常數(shù)據(jù)。在區(qū)段25中，缺失故障6和故障8兩種故障數(shù)據(jù)。

表3 各區(qū)段實(shí)驗(yàn)數(shù)據(jù)類型Table 3 Experimental data types for each zone

3 OC-SVM與DNN故障診斷模型

3.1 DNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

DNN模型的參數(shù)設(shè)置對ZPW-2000R軌道電路的故障診斷效果有重要的影響。為了得到最優(yōu)的DNN模型結(jié)構(gòu)，本文采用“經(jīng)驗(yàn)法”和“試錯(cuò)法”來調(diào)整DNN模型的各類參數(shù)[15]。確定隱藏層節(jié)點(diǎn)數(shù)借鑒經(jīng)驗(yàn)公式。式中，h為輸入層神經(jīng)元個(gè)數(shù)；n為輸出層神經(jīng)元個(gè)數(shù)；c為[1,10]之間的正整數(shù)；S為隱藏層節(jié)點(diǎn)數(shù)。確定隱藏層層數(shù)和迭代次數(shù)都通過實(shí)驗(yàn)進(jìn)行，將隱藏層層數(shù)設(shè)置為1～ 5層，迭代次數(shù)設(shè)置為100～ 500次。通過對隱藏層節(jié)點(diǎn)數(shù)、隱藏層層數(shù)和迭代次數(shù)等相關(guān)參數(shù)的實(shí)驗(yàn)結(jié)果分析，進(jìn)而確定5個(gè)區(qū)段的DNN模型結(jié)構(gòu)的隱藏層節(jié)點(diǎn)數(shù)分別為22、20、20、20和15，隱藏層層數(shù)均為1層，迭代次數(shù)均為500次。

3.2 OC-SVM與DNN算法實(shí)現(xiàn)

在ZPW-2000R軌道電路故障診斷中，數(shù)據(jù)的獲取至關(guān)重要，但人為地采集整理高質(zhì)量軌道電路故障數(shù)據(jù)，不足以達(dá)到人工智能故障診斷的要求。本文將OC-SVM和DNN相結(jié)合，OC-SVM對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行負(fù)樣本檢測，對負(fù)樣本數(shù)據(jù)實(shí)現(xiàn)標(biāo)簽添加并存放在數(shù)據(jù)庫中，以此不斷擴(kuò)大數(shù)據(jù)庫；將正樣本數(shù)據(jù)輸入到DNN模型中進(jìn)行故障診斷。OC-SVM模型的實(shí)驗(yàn)過程為：加載數(shù)據(jù)庫，使用MinMaxScaler () 函數(shù)對數(shù)據(jù)集進(jìn)行歸一化；利用itertlools.combinations ()函數(shù)獲取訓(xùn)練模型中故障類型數(shù)量為m時(shí)的所有組合方式；將每次組合對應(yīng)的實(shí)驗(yàn)數(shù)據(jù)作為訓(xùn)練樣本，剩余實(shí)驗(yàn)數(shù)據(jù)作為測試樣本；根據(jù)參考文獻(xiàn)[16]和[17]和粒子群算法確定重要參數(shù)的選擇和設(shè)置，其參數(shù)設(shè)置為nu=0.01，kernel=‘rbf’，gamma=0.01；每次取出一個(gè)組合的訓(xùn)練數(shù)據(jù)，對模型進(jìn)行訓(xùn)練，并將測試樣本加載至訓(xùn)練后的模型中進(jìn)行預(yù)測，直至所有的組合訓(xùn)練完畢求出平均值，以此來降低隨機(jī)因素對實(shí)驗(yàn)結(jié)果的影響；得出測試樣本準(zhǔn)確率的最小值、最大值和平均值。DNN模型的實(shí)驗(yàn)過程為：加載數(shù)據(jù)庫；使用to_categorical () 函數(shù)將標(biāo)簽列轉(zhuǎn)化為One-hot編碼；設(shè)置隱藏層節(jié)點(diǎn)數(shù)，激活函數(shù)選擇ReLU函數(shù)，輸出層節(jié)點(diǎn)數(shù)為故障類型個(gè)數(shù)，激活函數(shù)選擇Softmax函數(shù)，使用交叉熵?fù)p失函數(shù)計(jì)算損失，以Adam算法作為優(yōu)化器，迭代次數(shù)設(shè)置為500次；將正樣本數(shù)據(jù)加載到訓(xùn)練后的模型中進(jìn)行預(yù)測，并記錄結(jié)果。本文所提出的軌道電路故障診斷模型的整個(gè)流程如圖2所示。

圖2 故障診斷模型流程圖Figure 2 Flow chart of the fault diagnosis model

主要流程描述可分為以下4個(gè)步驟。

步驟1獲取某時(shí)刻軌道電路的信號數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行預(yù)處理。

步驟2將處理后的數(shù)據(jù)加載至One-Class SVM模型中進(jìn)行奇異點(diǎn)檢測。

步驟3若檢測結(jié)果為1，則將該時(shí)刻軌道電路的信號數(shù)據(jù)加載至DNN模型中進(jìn)行故障分類預(yù)測，而后將其存放在數(shù)據(jù)庫中；若檢測結(jié)果為-1，且連續(xù)穩(wěn)定出現(xiàn)，為其添加標(biāo)簽并存放到數(shù)據(jù)庫中，否則，視其為跳躍數(shù)據(jù)進(jìn)行刪除。

步驟4將更新后的數(shù)據(jù)庫加載至One-Class SVM模型和DNN模型中再次進(jìn)行訓(xùn)練，生成新的預(yù)測模型。

4 實(shí)驗(yàn)與結(jié)果分析

為了檢驗(yàn)OC-SVM模型的奇異點(diǎn)檢測性能，針對ZPW-2000R軌道電路的15種數(shù)據(jù)類型，設(shè)置以下實(shí)驗(yàn)：依次選取1～ 15種數(shù)據(jù)類型作為訓(xùn)練集，為了避免隨機(jī)性，使用itertlools.combinations () 函數(shù)獲取訓(xùn)練集為m種數(shù)據(jù)類型時(shí)的所有組合方式1≤m≤15。例如當(dāng)m=1時(shí)，訓(xùn)練集有=15種組合方式，分別對每種組合方式的數(shù)據(jù)進(jìn)行訓(xùn)練，剩余數(shù)據(jù)進(jìn)行預(yù)測，取15種組合方式的平均值作為實(shí)驗(yàn)測試結(jié)果，并記錄15種組合方式中的最小值和最大值，并求得平均值。最終得到訓(xùn)練模型在不同數(shù)據(jù)類型數(shù)量的情況下，OC-SVM模型的預(yù)測結(jié)果，如圖3所示。

圖3 各區(qū)段測試樣本準(zhǔn)確率Figure 3 Accuracy of test samples in each zone

圖3顯示在訓(xùn)練數(shù)據(jù)類型個(gè)數(shù)變化的過程中，區(qū)段1～ 3、區(qū)段10～ 11和區(qū)段12～ 13的測試樣本的平均準(zhǔn)確率均達(dá)到100%，區(qū)段6～ 7的測試樣本的平均準(zhǔn)確率保持在98%以上，區(qū)段25的測試樣本的平均準(zhǔn)確率保持在96%以上。由實(shí)驗(yàn)結(jié)果可知，OCSVM模型能精準(zhǔn)地對負(fù)樣本數(shù)據(jù)進(jìn)行檢測，準(zhǔn)確地識別出負(fù)樣本數(shù)據(jù)，進(jìn)而實(shí)現(xiàn)對負(fù)樣本數(shù)據(jù)的添加和將正樣本數(shù)據(jù)輸入到DNN模型中進(jìn)行故障類型預(yù)測；隨著訓(xùn)練集中數(shù)據(jù)類型個(gè)數(shù)的變化，預(yù)測數(shù)據(jù)準(zhǔn)確率的平均值均較高且并未發(fā)生明顯的變化，即OC-SVM模型能有效地解決正負(fù)樣本不均衡問題，實(shí)現(xiàn)對負(fù)樣本數(shù)據(jù)的收集，成功解決了高質(zhì)量故障數(shù)據(jù)難以獲取的難題。本文針對負(fù)樣本數(shù)據(jù)進(jìn)行了標(biāo)簽添加并存放在數(shù)據(jù)庫中，實(shí)現(xiàn)了對負(fù)樣本數(shù)據(jù)的收集，填充了數(shù)據(jù)庫，有助于提高DNN模型的故障診斷準(zhǔn)確率。

將數(shù)據(jù)庫加載至最優(yōu)結(jié)構(gòu)的DNN模型中進(jìn)行訓(xùn)練，得到各區(qū)段訓(xùn)練過程模型的準(zhǔn)確率和損失函數(shù)的變化曲線，如圖4所示。

圖4 各區(qū)段訓(xùn)練樣本準(zhǔn)確率和損失值變化曲線Figure 4 Accuracy and loss value change curves of training samples in each zone

實(shí)驗(yàn)結(jié)果顯示隨著迭代次數(shù)的增加，本文構(gòu)建的DNN模型在各區(qū)段訓(xùn)練過程中準(zhǔn)確率逐步上升，約在第100次迭代后達(dá)到穩(wěn)定，準(zhǔn)確率穩(wěn)定在100%；損失值也隨著迭代次數(shù)的增加逐漸降低并達(dá)到穩(wěn)定，最后降低至0。由圖4可知，損失值的減小和診斷準(zhǔn)確率的提高呈正相關(guān)。為驗(yàn)證訓(xùn)練后模型對ZPW-2000R軌道電路故障數(shù)據(jù)的預(yù)測情況，將正樣本加載至訓(xùn)練后的模型中，對模型的準(zhǔn)確率進(jìn)行評估。

為了更好地評估DNN模型的效果，本文引入了精確率、召回率、準(zhǔn)確率和F1-score 4個(gè)指標(biāo)對DNN模型進(jìn)行性能分析[18]。精確率指的是模型正確分類的樣本數(shù)與測試集的總樣本數(shù)之比，可評估出模型的總體分類性能。召回率指的是模型識別的目標(biāo)類樣本在總目標(biāo)類中的比例，它衡量的是診斷模型的召回率。準(zhǔn)確率指的是預(yù)測正確的結(jié)果占總樣本的百分比。F1-score是從精確率和召回率中得來的概率值，其反映了模型對故障類型的分類性能。精確率P、召回率R、準(zhǔn)確率A和F1-score的計(jì)算公式如式 (11)～ (14) 所示。

式中，TP為被模型預(yù)測為正的正樣本；FP為被模型預(yù)測為正的負(fù)樣本；FN為被模型預(yù)測為負(fù)的正樣本；TN為被模型預(yù)測為負(fù)的負(fù)樣本[19]。TP、FP、FN、TN構(gòu)成了混淆矩陣，進(jìn)而得到故障類型的預(yù)測結(jié)果和DNN模型的性能分析如圖5和表4所示。

表4 DNN模型在各區(qū)段中的評價(jià)指標(biāo)Table 4 Evaluation indicators of DNN model in each zone%

圖5 DNN模型在各區(qū)段的分類結(jié)果Figure 5 Classification results of DNN model in each zone

實(shí)驗(yàn)結(jié)果表明，對于ZPW-2000R軌道電路的5個(gè)區(qū)段故障類型，本文構(gòu)建的DNN模型達(dá)到了99.62%的識別率，但也存在一些誤判情況：在區(qū)段1～ 3中，有1條的故障代號為6的數(shù)據(jù)，被誤判為正常數(shù)據(jù)；在區(qū)段10～ 11中，有1條正常數(shù)據(jù)，被誤判為故障代號為8的故障類型；在區(qū)段12～ 13中，有1條故障代號為8的數(shù)據(jù)，被誤判為正常數(shù)據(jù)。由實(shí)驗(yàn)結(jié)果可知，有兩種故障類型數(shù)據(jù)被誤判為正常數(shù)據(jù)，分別是衰耗器故障或主接收器故障 (調(diào)接入異常) 和衰耗器故障或并接收器故障 (調(diào)接入異常)；有1條正常數(shù)據(jù)被誤判為衰耗器故障或并接收器故障 (調(diào)接入異常)。DNN模型在各區(qū)段的測試過程中的準(zhǔn)確率依次為99.40%、100.00%、99.37%、99.34%和100%。故使用DNN模型對ZPW-2000R軌道電路的各區(qū)段故障類型進(jìn)行診斷時(shí)，準(zhǔn)確率較高，具有可行性，且本文構(gòu)建的DNN模型性能優(yōu)良，當(dāng)ZPW-2000R軌道電路發(fā)生故障時(shí)，運(yùn)用該模型可快速定位到故障位置，提高故障維修的效率，從而提高列車的安全性能。

由上述實(shí)驗(yàn)結(jié)果可知，OC-SVM模型的奇異點(diǎn)檢測準(zhǔn)確地區(qū)分了負(fù)樣本數(shù)據(jù)與正樣本數(shù)據(jù)，進(jìn)而實(shí)現(xiàn)負(fù)樣本數(shù)據(jù)的標(biāo)簽添加，實(shí)現(xiàn)了負(fù)樣本數(shù)據(jù)的自動收集；將正樣本數(shù)據(jù)輸入到DNN模型中進(jìn)行故障分類；且能在高質(zhì)量標(biāo)簽缺失的情況下，準(zhǔn)確高效地進(jìn)行奇異點(diǎn)檢測。DNN模型對正樣本數(shù)據(jù)進(jìn)行精準(zhǔn)的分類，能準(zhǔn)確無誤地識別出各區(qū)段中的各種故障類型。經(jīng)過ZPW-2000R軌道電路信號數(shù)據(jù)的驗(yàn)證，證明了該方法具有可靠性和實(shí)用性。

為進(jìn)一步驗(yàn)證該方法的優(yōu)越性，本文基于相同的訓(xùn)練集和測試集，選擇近幾年較為常用且先進(jìn)的3種故障診斷模型進(jìn)行對比分析，其網(wǎng)絡(luò)結(jié)構(gòu)均為最優(yōu)。3種故障診斷模型和參數(shù)設(shè)置分別如下。粒子群算法優(yōu)化支持向量機(jī) (SVM)，其中PSO的慣性權(quán)重設(shè)置為1，加速度系數(shù)c1和c2均為2，其優(yōu)化后的最佳參數(shù)為Best γ=35.79，核函數(shù)參數(shù)為Best σ2=1.87；卷積神經(jīng)網(wǎng)路 (CNN)，優(yōu)化器設(shè)置為Adam，卷積核大小為3×1，采樣寬度為2×1，卷積層的激活函數(shù)為ReLU，池化層為MaxPooling，輸出層的激活函數(shù)為Softmax，批處理數(shù)目為64；堆疊自編碼器(SAE)，層數(shù)設(shè)置為2，第二個(gè)隱藏層節(jié)點(diǎn)數(shù)為30，隱藏層的激活函數(shù)為ReLU，優(yōu)化器為Adam，損失函數(shù)為mse，批處理數(shù)目為64，采用KL散度正則化，分類器為Softmax。為避免隨機(jī)性，每種模型進(jìn)行10次實(shí)驗(yàn)，平均診斷準(zhǔn)確率如表5所示。

表5 不同方法的診斷結(jié)果Table 5 Diagnosis results of different methods

實(shí)驗(yàn)結(jié)果顯示本文方法的診斷準(zhǔn)確率分別比SVM、CNN、SAE模型高16.08%、2.4%、6.67%，且標(biāo)準(zhǔn)差和測試時(shí)間均小于其他方法，即本文提出的方法具有較高的診斷準(zhǔn)確率和穩(wěn)定性。

5 結(jié)論

本文針對ZPW-2000R軌道電路故障診斷中高質(zhì)量故障數(shù)據(jù)難以獲取以及故障診斷準(zhǔn)確率較低等問題，提出了一種基于單分類支持向量機(jī)與DNN相結(jié)合的故障診斷方法。根據(jù)ZPW-2000R軌道電路的結(jié)構(gòu)選擇了48個(gè)監(jiān)測量作為DNN模型的特征，對15種數(shù)據(jù)類型進(jìn)行識別，并采用OC-SVM算法實(shí)現(xiàn)了奇異點(diǎn)檢測，進(jìn)而實(shí)現(xiàn)負(fù)樣本數(shù)據(jù)的標(biāo)簽添加。選擇該模型對ZPW-2000R軌道電路故障數(shù)據(jù)進(jìn)行預(yù)測，并與SVM、CNN和SAE進(jìn)行了模型預(yù)測對比實(shí)驗(yàn)，發(fā)現(xiàn)該模型在準(zhǔn)確率和預(yù)測時(shí)間等方面均具有優(yōu)勢。本研究為軌道電路的故障維修提供了可靠的指導(dǎo)，可提高軌道電路維護(hù)維修的效率和智能化水平，確保現(xiàn)代化鐵路運(yùn)輸?shù)母咚?、高效和安全可靠；同時(shí)，實(shí)現(xiàn)了高質(zhì)量故障數(shù)據(jù)的獲取，為擴(kuò)充數(shù)據(jù)庫進(jìn)一步提高故障診斷準(zhǔn)確率打下了基礎(chǔ)，具有良好的應(yīng)用前景。但DNN模型的故障診斷仍有少量的誤判情況，在后續(xù)的研究中將對此進(jìn)行深入的研究，以達(dá)到理想的識別效果。