高鐵接觸網吊弦故障檢測方法

張學武

(中鐵第一勘察設計院集團有限公司，西安 7 10043)

1 引言

電氣化鐵路的接觸網沿軌道上空“之”字形架設，其主要功能是控制接觸線的高度，保證弓網系統獲得良好的受流質量[1].吊弦支撐著整個接觸網，在承力索和接觸線之間進行力的傳遞，是接觸網系統最為重要的部件[2].高速鐵路接觸網長期暴露于自然環境中，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，很難保證檢查質量.因此，吊弦自動檢測技術已成為鐵路部門關注的研究熱點.Li等[3]從時頻分析角度提取統計特征，再利用分類算法對接觸網吊弦進行故障檢測.卞建鵬等[4]提出了一種基于改進膠囊網絡與CV模型結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系統圖像為研究對象，提出了一種將深度可分卷積與目標檢測網絡相結合的吊弦故障檢測方法[5].這種方法首先采用定位網絡(DPLN)獲取位置，然后利用故障識別網絡(DFRN)對吊弦故障類型進行識別.基于圖像的深度學習技術進行吊弦故障檢測，容易受光源、視角和復查背景等環境因素影響，檢測精度有限.本文基于吊弦的加速度信號數據，利用深度學習技術對接觸網吊弦進行故障檢測，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網絡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.本文融合卷積神經網絡強大的特征提取能力和循環神經網絡的時序表達能力，同時在網絡中引入注意力機制，建立CNN-LSTM和CNN-LSTM-Attention融合網絡模型.在網絡訓練過程中，使用貝葉斯優化方法進行超參數選擇，得到最優的網絡模型.

2 數據來源

由于高速列車的弓網系統一直處于運行狀態，無法在實際的接觸網上安裝加速度傳感器采集數據.因此，本文建立弓網動態仿真模型，通過仿真實驗獲取接觸網接觸線和承力索檢測點的振動加速度信號數據，為接觸網吊弦的故障檢測提供數據支持.

2.1 試驗段接觸網參數

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動態仿真模型，接觸網試驗段的里程為K3066+568.795～K3065+588.795，該區段對應的接觸網參數如表1所示.

表1 接觸網的設計參數

2.2 傳感器布局與仿真數據

試驗段接觸網每跨長度為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內側0.7m處、支持點2內側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據.

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種運行狀態的數據.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個數據點.

3 接觸網吊弦故障檢測模型

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.為提升神經網絡的特征提取提取能力，本節建立兩種融合網絡模型：CNN-LSTM和CNN-LSTM-Attention.

3.1 CNN-LSTM網絡模型

卷積神經網絡(Convolutional Neural Networks,CNN)[9-11]是在全連接神經網絡的基礎上，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網絡.循環神經網絡(Recurrent Neural Network,RNN)[12,13]是一種可以根據上下文信息學習序列數據的時序特征的神經網絡.本文融合卷積神經網絡對空間特征和循環神經網絡對時序的表達能力，建立CNN-LSTM融合網絡模型.如圖2所示，CNN-LSTM融合模型由四部分構成：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取；LSTM層堆疊兩個LSTM單元進行時序特征的提取；最后通過全連接對提取的特征進行故障識別.

圖2 CNN-LSTM網絡模型

3.2 CNN-LSTM-Attention網絡模型

盡管CNN-LSTM網絡模型融合了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網絡模型.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絡模型，進行訓練時有較多超參數需要選擇，為了得到最優的網絡參數和訓練過程參數，采用貝葉斯優化方法[14,15]對其進行超參數優化.

4.1 模型訓練

首先配置深度學習環境，然后搭建CNN-LSTM網絡模型和CNN-LSTM-Attention網絡模型.對數據集使用五折交叉驗證，運用貝葉斯優化方法選擇超參數，CNNLSTM和CNN-LSTM-Attention的超參數名稱和取值范圍相同，如表2所示.

表2 待選擇超參數空間

超參數優化選取的結果如表3所示.對深度網絡結構參數和訓練參數調優后，接下來進行網絡模型的訓練.從圖4可以看出，隨著迭代次數的增加，CNN-LSTM算法和CNN-LSTM-Attention算法逐漸收斂，對于測試集，兩種網絡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 超參數選擇結果

4.2 結果分析

表4對比了LSTM、CNN-LSTM、CNN-LSTM-Attention三種網絡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接觸網吊弦故障檢測模型的識別準確率達到了96.38%，相比較LSTM網絡模型，提高了3%以上.CNN-LSTM模型不僅利用LSTM網絡提取了振動加速度信號的時序特征，而且利用卷積神經網絡進行了空間特征的提取，網絡模型效果更好.在CNN-LSTM網絡模型基礎上，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%，所得到的網絡模型預測效果最佳.與CNN-LSTM網絡模型比較，CNN-LSTM-Attention組合了兩種網絡模型的優點，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 結論

本文主要針對僅脈動風作用下接觸網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，提出了兩種融合網絡模型：CNN-LSTM模型和CNNLSTM-Attention模型.通過實驗驗證了兩種融合網絡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網絡強大的特征提取能力、循環神經網絡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，具有更加優異的特征提取能力，使得網絡模型的故障檢測精度更高.