基于Dropout法優化的BP神經網絡地鐵列車塞拉門故障檢測

郭井寬

(中國電氣裝備集團科學技術研究院有限公司，200436，上海∥高級工程師)

地鐵列車塞拉門結構復雜、零件繁多、檢修工作量大，難以發現其諸多故障隱患。一旦發生塞拉門故障，就會嚴重威脅地鐵列車的安全運行。當前主要由檢測工人在列車停運時通過對塞拉門內部組件的檢測，來診斷塞拉門故障。但人工檢測結果受檢測工人熟練程度的影響較大，且對微小故障的檢測難度大，易遺漏車門故障隱患，從而導致地鐵列車在運行過程中發生故障。2017年，上海地鐵列車在運行中曾發生未能正常關閉車門即屬于此類故障。

地鐵列車塞拉門故障的在線檢測研究在國內外尚屬新興的領域。研究學者利用相關歷史數據結合故障樹技術[1-2]、貝葉斯網絡[3]搭建了眾多應用于地鐵列車塞拉門故障檢測的模型。文獻[4]利用故障樹技術；文獻[5]利用貝葉斯網絡都對地鐵車門可靠性進行了分析；文獻[6]建立了基于擴展Petri網的地鐵車門系統故障診斷模型；文獻[7]利用聲音信號易于采集的優點，提出了一種基于多向鄰域保持嵌入算法和改進粒子群優化的混合核SVM(支持向量機)算法的列車塞拉門故障診斷模型。這些模型在很大程度上克服了人工檢測的缺點，便于相關工作人員及時定位故障與排查，降低故障損失[8]，為地鐵列車塞拉門的日常維護工作提供了依據[9]。然而，目前的診斷模型很少涉及到下擋銷及壓輪故障等塞拉門典型故障的檢測，我國在相關領域的研究仍較少。文獻[10]對地鐵列車塞拉門下擋銷及壓輪故障的檢測進行了相關研究，通過對電機電流進行經驗模態分解、奇異值分解等分析處理來提取原始電流信號的特征，并結合支持向量機算法實現了對地鐵列車塞拉門下擋銷及壓輪故障的較高精度的檢測。但其數據處理過程較為復雜，檢測精度還可進一步提高。

本文通過仔細分析電機電流信號發現：雖然在原始的電機電流時域信號中，下擋銷及壓輪故障的特征差異不明顯，但對電機電流信號進行一定的預處理后，不同狀態下的時域波形存在著較為明顯的差異；對不同狀態下的電流數據提取合適的時域特征，即能實現對不同故障類型的分類。基于上述分析，本文通過提取電機電流信號的時域特征，基于Dropout法優化的BP(后向傳播)神經網絡理論，建立了一種地鐵列車塞拉門下擋銷及壓輪故障的檢測模型。利用實測塞拉門電機電流數據對該方法檢測。結果表明，該方法可在地鐵列車塞拉門下擋銷及壓輪故障的實際檢測中獲得較為優異的效果。

1 地鐵列車塞拉門典型故障檢測理論

通過車輛段現場實際調研，綜合分析車輛段歷史維修記錄數據發現，在塞拉門系統中下擋銷及壓輪出現故障的頻次相對較高，在塞拉門系統故障中較為典型。因此，本文選用下擋銷故障及壓輪故障作為本文故障診斷的研究對象，開展相關故障診斷研究。

1.1 下擋銷及壓輪故障檢測機理與路線

地鐵列車塞拉門的下擋銷部件和壓輪部件分別如圖1及圖2所示[10]。

圖1 塞拉門下擋銷示意圖

圖2 塞拉門壓輪示意圖

當列車車門執行開關動作時，電機輸出的動力最終傳遞到絲桿上，使絲桿在轉動的同時帶動車門水平移動。在正常狀態下，下擋銷隨著塞拉門的關門動作在擋塊滑道中做無接觸運動，并在關門到位后起固定門頁的作用。而當下擋銷發生故障與擋塊滑道發生接觸時，會引起關門過程中的局部阻力異常，產生一定的反向力矩，并通過塞拉門內部機械傳動結構反作用于塞拉門的驅動電機，使作為主動機構的電機產生異于常態的波動力矩[11]，同時導致電機電流發生與之相對應的變化。塞拉門壓輪部件在正常工作時，壓輪僅在末端嚙合對門扇進行壓緊，并不會對車門產生阻力。但當壓輪位置發生偏移并產生干涉時，同樣會引起開關門過程中的局部阻力異常，并反作用于塞拉門驅動電機，導致電機電流產生與之相對應的變化。因此，通過將電機電流信號作為原始數據進行分析，基本能實現對塞拉門下擋銷及壓輪的故障檢測[10]。

基于上述理論，本文將不同狀態下的電機電流信號的差異性作為故障判斷的依據，對在正常、下擋銷故障及壓輪故障三種狀態下的電機電流進行數據預處理及時域特征提取，并將之與BP神經網絡模型相結合，結合Dropout算法完成對模型的訓練，最終建立塞拉門下擋銷及壓輪的故障檢測模型，實現對地鐵列車塞拉門下擋銷及壓輪的故障檢測。故障檢測實現路線如圖3所示。

圖3 故障檢測流程圖

1.2 特征提取及分析

當前，對不同狀態下電機電流信號的時域分析主要采用平均幅值、均方根、最大值、方差、波形因子、脈沖因子、峭度因子等統計指標來表征數據特性。部分時域分析常用的特征參數如表1所示。

表1 部分時域分析常用的特征參數

在對電機電流信號的時域分析中發現，在對電機電流信號的時域數據進行一定的預處理后，不同故障狀態下的電機電流數據在時域上的波形存在較為明顯的差異。這種差異在關門過程末端的時域波形上體現得最為明顯。因此，對電機電流信號可提取其時域特征進行分析。篩選出峰值附近的電機電流數據進行時域分析，對其采取幅值量綱一化、取波形包絡等預處理，并進行時域特征提取，之后將所提取的特征參數作為BP神經網絡模型的輸入變量，以完成故障檢測模型的搭建。

此外，由于地鐵列車塞拉門下擋銷及壓輪故障檢測的復雜性及先驗知識的不充分，在開始階段一般難以直接確定與故障檢測最相關的特征。因此，需要對時域特征進行篩選以獲取合適特征。由于箱線圖不僅能反映單組數據的分布情況、異常值、波動情況、穩定性，還能對比不同類別的數據在分布上的差異。因此，本文通過不同狀態下所提取到的時域特征數據的箱線圖，來對比不同狀態下的時域特征的差異，最終選定合適的時域特征作為BP神經網絡模型的輸入。

1.3 BP神經網絡模型原理

BP神經網絡模型是一種利用梯度下降算法反向調整權重的多層神經元構成的前饋人工神經網絡模型，其結構如圖4所示。BP神經網絡模型的訓練學習過程分為兩個階段，第一階段是輸入信息前向傳遞，信息通過前向網絡逐層前進，分散傳輸到各層神經元，經過處理后，將實際結果輸出；第二階段是結果誤差反向傳播，通過更改模型中的權重使得網絡輸出結果和期望值之間的均方誤差達到最小，最終獲得高精度的擬合結果。

圖4 BP神經網絡結構示意圖

BP神經網絡模型的具體訓練學習過程如下：

輸入信息正向傳遞過程：首先，輸入樣本數據到輸入層神經元，使樣本信息進入神經網絡中，隱含層的各個神經元對多個樣本數據進行非線性運算處理；然后，通過輸出層將結果輸出，并與己知的結果進行比較。通過設定閾值范圍，判斷計算輸出結果與已知結果的誤差是否在閾值范圍內：如果在閾值范圍內，則算法訓練結束；如果超出設定范圍，則進行誤差反向傳播。

結果誤差反向傳播過程：首先，將總誤差從輸出層輸入，即可實現結果誤差進行反向傳播；經由隱含層神經元對誤差進行反向映射，將誤差傳到輸入層。這一過程是利用梯度下降算法將總誤差分散到各個神經元，用以大化小的思維一層一層地修改權重。

此處以典型的3層BP神經網絡進行說明，設輸入層的輸入向量為I=(I1I2…Il)，其中l表示輸入層包含的節點個數。此處加入“常數項輸入”x0=1，并為其賦權值w0j。輸入層的輸入值即為其輸出值。設隱藏層獲得的輸入向量h=(h1h2…hq)，輸出向量t=(t1t2…tk)，其中q是隱藏層神經元的個數，則有：

(1)

式中：

i——輸入層包含的各節點編號，i=1,2,3,…,l；

j——隱藏層包含的各節點編號，j=1,2,3,…,q；

wij——輸入層第i個神經元到隱藏層的第j個神經元之間的權重。

且有隱藏層的輸出值為：

(2)

設輸出層輸入向量z=(z1z2…zn)，輸出向量y=(y1y2…yn)，其中n是輸出層包含的節點個數。則有輸出層的輸入值和輸出值類似于隱藏層的輸入值和輸出值，分別為：

(3)

(4)

式中：

vjk——隱藏層第j個神經元到隱藏層的第k個神經元之間的權重。

設d=(d1d2…dl)為期望輸出，而實際輸出為y=(y1y2…yn)，則BP神經網絡的實際輸出向量y與期望輸出向量d之間的誤差可表示為：

(5)

對于隱藏層則有：

(6)

對于輸入層則有：

(7)

由式(7)可知BP神經網絡的誤差是關于各層連接權值wij、vij的函數，因此可通過對各層連接權值的修正降低誤差，各層誤差修正則是通過誤差函數對各節點的求導進行確定。

對于輸出節點對誤差函數求導有：

(8)

其中：

(9)

(10)

則有：

(11)

對于隱層節點對誤差函數求導有：

(12)

其中：

(13)

(14)

(15)

則有：

(16)

為簡化公式，令

δk=-(dk-yk)f′(zk)

(17)

δj=δkvjkf′(hj)

(18)

則有：

(19)

權重的修正量Δwij、Δvij同誤差函數的負梯度方向成正比，則有：

(20)

vjk(m+1)=vjk(m)+Δvjk=vjk(m)+ηδktj

(21)

(22)

wij(m+1)=wij(m)+Δwij=wij(m)+ηδjxi

(23)

式中：

wij(m)——第m次迭代時輸入層第i個神經元到隱藏層的第j個神經元之間的權重；

wij(m+1)——第m+1次迭代時輸入層第i個神經元到隱藏層的第j個神經元之間的權重；

vjk(m)——第m次迭代時隱藏層第j個神經元到輸出層的第k個神經元之間的權重；

vjk(m+1)——第m+1次迭代時輸入層第j個神經元到隱藏層的第k個神經元之間的權重。

BP神經網絡通過以上方式不斷地進行信息前饋和誤差反饋，隨時調整權重，直至訓練學習收斂。訓練學習收斂方式一般有設定誤差閾值及設定訓練次數兩種。當滿足其中1種方式的收斂條件時，BP神經網絡模型就被訓練好了。

1.4 BP神經網絡模型的優化

在機器學習的模型中，如果模型的參數太多，而訓練樣本又太少，則訓練出來的模型很容易產生過擬合的現象。本文所選用的數據存在著數據量較少的問題，因此最終訓練所得的模型可能存在著過擬合的情況。為避免出現這類情況，本文在訓練模型時采用Dropout法[12]對BP神經網絡模型進行優化。

Dropout法是解決BP神經網絡在訓練學習過程中出現過擬合的有效方法，是指在深度學習網絡的訓練過程中，對于神經網絡單元，按照一定的概率將其暫時從網絡中丟棄，其原理圖如圖5所示。

a)原始網絡

則式(1)應變形為：

(24)

式中：

rij——前層第j個神經元到后層第i個神經元對應的伯努利函數，在本文中特指輸入層到隱藏層。

采用Dropout法對BP神經網絡模型進行優化的具體的訓練步驟如下：

步驟1 在訓練之前按照預設的幾率拋棄部分隱藏層的神經元，暫時不讓其涉及到正向傳遞，輸入和輸出層的神經元保持不變。

步驟2 將樣本數據在結構已經改變的BP神經網絡中進行傳遞，所得到的誤差在結構變化后的 BP神經網絡再反向傳播，同時更新BP神經網絡的權值和閾值。

步驟3 重復上述步驟1及步驟2，直至迭代完成。

2 實際案例測試

2.1 數據來源及特征提取

本文使用的塞拉門電機電流數據來源于某地鐵車輛段現場實測數據。1次開關門過程中的單相電機電流數據為1組試驗數據。其中1組原始試驗數據如圖6所示。圖6中，0～5.5 s為開門階段，5.5～11.0 s為關門階段。

a)正常狀態下的電機電流信號

由圖6可知，原始電機電流信號在下擋銷故障、壓輪故障等不同狀態下難以直接區分。但通過對不同狀態下的電機電流信號在關門階段后期(圖6虛線所圈出區域)的信號進行去噪及幅值量綱一化等預處理后，不同狀態下的電機電流信號則呈現較為明顯的區別。其中1組經過去噪及幅值量綱一化等預處理后不同狀態下的電流信號包絡線及波形圖如圖7—圖9所示。

圖7—圖9中橫、縱坐標分別為時間采樣點和電流的幅值，突出波形分別為截選出的原始數據絕對值波形和取峰值包絡后的對應包絡波形。在完成對數據的峰值包絡后，本文再按照表1對包絡波形提取其時域特征，完成對數據特征提取操作。

圖7 正常狀態下電機電流信號的包絡線及波形圖

圖8 下擋銷故障下電機電流信號的包絡線及波形圖

圖9 壓輪故障下電機電流信號的包絡線及波形圖

2.2 輸入特征分析及篩選

按表1，計算不同狀態下電機電流信號的時域特征數據，并繪制相應的時域特征箱線圖(見圖10)，以對比其分布差異性。

從圖10可知，在不同狀態下：時域特征中方差、最大值、波形因子、平均幅值、脈沖因子等時域特征參數的分布差異較大；峭度因子、均方根的分布差異較小。因此，本文選取電機電流的方差、最大值、波形因子、平均幅值及脈沖因子作為BP神經網絡的輸入參數。

a)波形因子箱線圖

2.3 BP神經網絡的結構設計

BP神經網絡模型結構對塞拉門下擋銷及壓輪的故障檢測有著至關重要的影響，應合理選擇。本文的BP神經網絡模型結構設計如下：

1)神經網絡層數。根據實際情況，本文選擇了含有1層隱藏層的3層BP神經網絡模型結構，來完成塞拉門下擋銷及壓輪故障的檢測。

2)輸入層神經元數目。基于時域特征分析，本文選擇了電機電流信號的均方根、波形因子、峭度因子、最大值、方差等時域特征參數來表征時域特征。相應的輸入層神經元數目確定為5。

3)輸出層神經元數目。輸出層神經元數目是由實際需求來確定的，其與故障檢測最終分類結果的類型數目有關。本文的輸出層神經元數據標簽分為正常、下擋銷故障及壓輪故障3類，故輸出層神經元數目確定為3。

4)隱藏層神經元數目。隱藏層的神經元個數過多，可使神經網絡結構變得復雜，從而獲得良好的訓練效果，但是會出現收斂緩慢、訓練時間長等現象，在測試時會造成誤差精度和識別率下降。相反，如果神經元個數太少，則使神經網絡結構過于簡單，不能有效利用樣本數據，出現欠擬合現象，精度降低，訓練結果較差，從而不能用于與經過幾種估算公式計算的結果作比較。最終，本文隱藏層神經元數目確定為9。

5)學習率及Dropout值。在用于故障檢測的BP神經網絡的最終實現中，學習率一般取值為0～1。本文通過調用scipy.optimize數據庫中的minimize函數自動選擇學習率。此外，Dropout值一般取0.3～0.5。本文根據經驗將Dropout值取0.3。

2.4 預測結果及模型性能評估

本文以模型預測精度作為模型性能的主要評估指標。對未經Dropout法優化的BP神經網絡故障檢測模型(以下稱為“模型一”)，以及經過結構合理設計及Dropout法優化的BP神經網絡故障檢測模型(以下稱為“模型二”)，均采用同一訓練數據對模型參數進行更新，并通過測試數據集對2個模型進行測試，以驗證其性能。測試結果對比如表2所示。

由表2可知，與模型一相比，模型二在在測試數據集上的預測準確率明顯更優，且達到了98.8%。

表2 模型一與模型二的測試結果對比

綜上所述，利用Dropout法對BP神經網絡故障檢測模型進行優化，可在一定程度上減少過擬合現象的發生，有效提高故障檢測的精度。最終所搭建的BP神經網絡故障檢測模型能有效地對塞拉門下擋銷及壓輪故障進行檢測，提高了設備運行可靠性。

3 結語

本文通過對不同狀態下電機電流信號的時域特征分析，研究對比了不同狀態下電機電流信號在時域上的分布差異，建立了一種基于BP神經網絡的塞拉門下擋銷及壓輪故障檢測模型。

基于實際案例數據，對該檢測模型進行測試分析。測試結果表明：不同狀態下的地鐵列車塞拉門電機電流信號經預處理后在時域分布上存在著一定差異，通過提取合適的時域特征參數，并結合BP神經網絡及Dropout優化技術，能有效檢測出塞拉門下擋銷及壓輪的故障。