基于壓縮感知和卷積神經網絡的機車受電弓故障診斷研究

劉福，李珊，趙俊棟

（1.朔黃鐵路機輛分公司，河北 滄州 061000；2.株洲中車時代電氣股份有限公司，湖南 株洲 412000；3.中南大學，湖南 長沙 410083）

近年來，我國電氣化鐵道和高速鐵路事業得到了快速發展。高壓系統是機車的重要設備之一，而受電弓則是高壓系統中極為重要的一環，且由于設備位于機車頂部，當故障時排查原因較為困難。為盡快實現故障定位，保證機車高壓系統安全、穩定供電，智能化的機車受電弓故障診斷研究勢在必行。近年來，對機車高壓系統故障診斷研究引起了不少學者和專家的關注和重視。趙曉明、郭漢挺和宋龍龍等人對不同車型的受電弓故障結合故障樹、專家經驗等方式進行了研究分析，均具有一定的局限。韓偉為分析高速接觸網的運行參數，提出了一種神經網絡模型并在此基礎上，開發了簡易的高速接觸網運行參數分析軟件；周正，提出了一種基于數據挖掘技術弓網故障診斷方法，逐步弱化人工經驗；可以看出，針對受電弓故障診斷仍主要是以故障樹分析為主，其準確性和實時性仍有較大提升空間。深度學習近年來飛速發展，因其良好的魯棒性使其檢測性能遠遠超過傳統檢測方法，已廣泛應用于機車牽引系統等關鍵設備故障診斷研究，但目前來看，檢測速度慢是該類算法的一大弊端。為實現高效準確的智能化機車受電弓故障診斷，本文基于機車運行過程中產生的離線數據，提出了一種基于CS-CNN模型的機車受電弓故障診斷方法，其利用壓縮感知提取數據特征，然后利用卷積神經網絡構建CSCNN受電弓故障診斷模型，實現對機車受電弓故障原因的有效定位。

1 機車受電弓常見故障

機車高壓系統是機車正常工作的重要組成部分，其主要由高壓電壓（電流）互感器、高壓接地開關、高壓隔離開關、受電弓、主斷路器等部件組成，是機車牽引動力來源。本文重點對機車受電弓故障進行研究。受電弓故障主要表現為“升弓故障”“自動降弓”“降弓故障”等。考慮到機車車載數據采集裝置現狀，本文主要針對受電弓無法升弓/降弓這一故障現象進行診斷，具體故障原因如表1所示。

表1 受電弓無法升弓/降弓常見故障原因

2 受電弓故障診斷模型

機車受電弓故障診斷模型利用壓縮感知和卷積神經網絡技術，基于受電弓不同狀態下（正常和故障）運行數據實現對機車受電弓故障原因的有效定位。CS-CNN故障診斷模型通過CS理論對數據進行壓縮采樣，使得特征更加突出、集中，然后將壓縮測量信息（特征量）作為新樣本集合，輸入CNN進行特征辨識，實現故障診斷。該模型主要包括以下2個方面：（1）基于壓縮感知的受電弓故障信號處理；（2）基于卷積神經網絡的受電弓故障診斷。

2.1 基于壓縮感知的受電弓故障信號處理

壓縮感知通過對原始信號中的特征信息進行投影取樣，用更少采樣值包含更多原始關鍵信息。基于CS理論框架的信號處理過程如圖1所示，主要包含2個部分：

圖1 基于CS-CNN受電弓故障診斷過程示意圖

（1）信號的稀疏表示。CS理論應用的基礎條件使信號滿足稀疏性，但現實中大多數原始時域信號并不具有稀疏性，因此，需要將非稀疏的時域信號變換到其他域進行稀疏觀測，則原始信號X∈RN在基矩陣ψ下可表示為：

（2）信號的壓縮觀測：信號的壓縮觀測過程需要設計M×N維投影矩陣Φ，且投影矩陣Φ和稀疏基矩陣ψ不相關，于是：

其中，原始信號X為N維，投影觀測信號y為M維，M＜＜N。

M維觀測信號已包含原始關鍵信息，是原始信號的特征量，具有特征集中、突出等特點，可直接作為CNN模型的輸入。

2.2 基于卷積神經網絡的受電弓故障診斷

為實現機車受電弓故障診斷，本文提出構建CS-CNN故障診斷模型，由卷積層、池化層、全連接層組成，最后加入Softmax層對故障類別分類。

（1）卷積層。卷積層使用卷積核對輸入信號的局部區域進行卷積運算，然后利用Relu函數對結果進行非線性變換以克服梯度彌散現象，其公式如下：

式中，kil(j')為第l層第i個卷積核第j'個權值，xl(j)為第l層第j個被卷積的區域，W為卷積核的寬度，al(i,j)為卷積層輸出yl(i,j)的激活值，f為激活函數。

（2）池化層。在卷積層后添加池化層以減少輸入數據的尺寸和神經網絡的參數個數，采用最大值池化，即

式中，al(i,t)為第l層第i幀第t個神經元的激活值，W為池化區域的寬度，pl(i,j)為池化結果。

（3）全連接層。將最后一個池化層的輸出展平為一維特征向量，作為全連接層的輸入，于是，全連接層的正向傳播為：

最后，輸出層采用Softmax激活函數將輸入神經元轉換為和為1的概率分布。

3 基于CS-CNN的受電弓故障診斷

本文分別選取受電弓在不同狀態（正常或故障）下產生的離線運行數據進行模型訓練和診斷效果驗證，部分離線數據，如表2所示。

表2 機車離線運行數據

因受電弓出現各種故障的頻率不高，故訓練樣本數據量有限。本文最終選取正常及故障狀態數據20組，50%用于模型訓練，50%用于故障診斷效果驗證。采用留一法交叉驗證，以消除隨機分組對診斷結果造成的影響。

將10組訓練樣本輸入不同層級的網絡進行模型訓練，得到不同網絡層級下的故障診斷率變化情況，如圖2所示。可以看出，隨網絡層數的加深，故障診斷準確率逐漸提高，但超過一定范圍出現了網絡退化現象。層級在10～20范圍內時，CS-CNN模型故障診斷準確率保持在90%以上，其中深度為12時效果最佳，達到95.5%的診斷準確率。

圖2 診斷準確率隨網絡深化而變化情況對比

為驗證CS-CNN故障診斷模型對機車受電弓故障診斷的有效性，增加傳統的BP神經網絡和單一CNN算法作為對照，分別使用相同的訓練數據和測試數據對3種故障診斷模型進行模型訓練和故障識別測試。3種故障診斷模型對比結果如表3所示。圖3是基于CNN模型診斷準確率隨迭代進行的變化情況與CS-CNN模型診斷準確率變化情況對比。

圖3 不同模型測試樣本損失值差異比較

表3 三種故障診斷模型對比結果

3種模型診斷對比結果表明，基于CNN故障診斷模型適用于機車受電弓離線故障診斷，然而輸入樣本維度過高會使得基于CNN算法故障診斷模型計算量增大、計算復雜度提升。因此，利用CS算法首先對數據進行稀疏化處理，降低輸入數據維數，從而減少冗余信息對分析效率、訓練速度的影響，優化了小樣本CNN模型因過擬合產生的不良影響。

4 結語

本文提出了一種基于CS-CNN的機車受電弓故障診斷方法，利用CS理論對受電弓不同狀態下（正常和故障）數據進行壓縮采樣，然后將特征更集中、明顯的低維度觀測信號作為CNN的輸入數據，從而形成了CS-CNN故障診斷模型。將該模型應用到實際機車故障數據分析中進行診斷驗證，結果表明，相比基于原始信號的BP神經網絡和LSSVM故障診斷方法，CS-CNN模型對受電弓故障特征具有更好的學習和提取能力，模型訓練時間短、診斷準確率高，其可將受電弓多復雜故障診斷技術的診斷準確率提高到95%以上。