基于RBF-DRNN應答器傳輸系統高速適應性評估方法研究

許慶陽，孟景輝，段賀輝，羅依夢

(1.中國鐵道科學研究院集團有限公司 基礎設施檢測研究所，北京 100081；2.北京鐵科英邁技術有限公司，北京 100081)

列車運營速度是衡量一個國家高速鐵路發展水平和國家工業科技水平的一項重要指標,隨著中國國家鐵路集團“CR450科技創新工程”的逐步推進[1],標志著速度為400 km/h的高速鐵路已成為未來發展方向。伴隨著列車運行速度的不斷提高,現有信號系統設備能否滿足實際運營需求仍需進一步研究。應答器作為車-地信息傳輸基礎設備之一[2],用于向列控系統車載設備提供關鍵行車信息,其一旦在更高速條件下不能滿足列車運行要求,輕則影響行車,降低運輸效率,重則危及行車安全[3]。故需針對應答器傳輸系統進行速度適應性研究。

國內學者主要利用理論模型對傳輸系統的高速適應性展開分析,如趙會兵等[4]為定量評估應答器信息接收單元(Bolise Transmission Module,BTM)的高速適應性,提出BTM動態特性關鍵參數的理論計算方法與測試方法;李正交等[5]采用馬爾可夫方法建立應答器傳輸系統可靠性評估模型,分析列車運行速度對系統可靠性指標的影響程度;陳大偉[6]通過建立應答器傳輸理論仿真模型,定量分析多普勒頻移、動態作用距離、噪聲等參數與列車運行速度之間的關系。以上研究大都是建立在理論模型的基礎上對應答器傳輸系統高速適應性進行分析,而鐵路現場環境復雜,理論模型及方法的適用性有待驗證。

本文基于高速綜合檢測車采集的應答器動態檢測數據[7],以BTM接收到的有效報文幀數作為應答器傳輸系統高速條件下的適應性評估指標,采用徑向基函數(Radical Basis Function,RBF)神經網絡,擬合列車運行速度與車載設備接收比特數之間的非線性關系,用于評估高速度級下車載設備接收比特數,之后利用深度遞歸神經網絡(Deep Recurrent Neural Network,DRNN)建立接收比特數、誤碼率、有效率與有效報文幀數之間的關聯關系模型,最后基于RBF模型預測的高速度級下車載設備接收比特數,結合應答器實際誤碼率、有效率,評估傳輸系統在高速度級下接收到的有效報文幀數,并利用現場實際采集數據對模型準確性進行驗證,從而分析應答器傳輸系統在高速條件下的適應性。

1 應答器高速適應性評估指標

應答器傳輸系統由地面應答器、車載天線及BTM組成[8],其工作流程見圖1,地面應答器被激活后,發送4.234 MHz上行鏈路信號,該信號被BTM接收后,經過濾波、放大、解調、譯碼等處理,得到應答器傳輸報文信息,從而被車載安全計算機使用[9]。由此可見,報文信息被正常譯碼標志著傳輸系統工作正常,在同一速度級下,車載設備接收到正確報文數越多,系統的容錯性越強,說明其在該速度級下具有更高的適應性。因此選取BTM有效接收報文幀數作為應答器傳輸系統高速適應性評估指標。

圖1 應答器傳輸系統工作流程

在不考慮線路誤碼率的情況下,應答器BTM接收到的報文數NT計算式為

(1)

式中:NB為車載設備接收到的總比特數;nbal為一幀報文數據碼位數,長幀報文下nbal=1 023 bit[10];LD為車地有效作用距離;VT為列車運行速度,VB為數據平均傳輸速率。

通過式(1)可知,當車地有效作用距離一定時,列車速度越高,車地有效作用時間越短,這導致車載設備接收到的有效報文幀數逐漸減少,圖2為車載設備接收有效報文幀數隨列車速度的變化規律,可發現在300 km/h及更高速度等級條件下,車載BTM正常情況下平均接收到的有效報文幀數僅為4幀,甚至更低。一旦線路傳輸條件惡劣,車載設備接收不到完整報文的概率將大大增大,同時有效報文幀數與速度呈階梯狀負相關,若直接基于歷史數據進行有效報文幀數在更高速度等級的評估,結果具有不確定性。

圖2 速度與有效報文幀數關系

2 基于RBF-DRNN的應答器高速適應性評估方法

基于RBF-DRNN的應答器高速適應性評估方法整體思路見圖3。首先基于通過速度在350 km/h以下的應答器檢測數據,訓練得到速度與接收比特數之間的RBF回歸模型。然后基于DRNN建立接收比特數、有效率、誤碼率與有效報文幀數的評估模型,通過學習數據中的動態信息來推斷列車在高速行駛狀況下車載設備接收有效報文幀數的變化趨勢。最后以通過速度達350 km/h以上的數據作為驗證集,基于已建立RBF回歸模型可以得到高速等級下的接收比特數信息,這些信息直接輸入至DRNN有效報文幀數評估模型,從而實現對更高速度下車載設備接收到的有效報文幀數進行預測。

2.1 基于RBF的應答器接收比特數回歸預測模型

作為一種前饋型神經網絡,RBF泛化學習能力更強,采用徑向基函數作為隱藏層的“基”,在面對非線性問題時,能以任意精度進行全局逼近,有效解決了BP神經網絡局部最優解的問題。同時RBF神經網絡對隱含層各節點采用線性加權的形式得到輸出層結果,其輸入輸出映射更強,具有良好的自適應功能。故選取RBF神經網絡作為應答器接收比特數回歸預測模型,其總體思路見圖4。

圖4 基于RBF的應答器接收比特數回歸預測總體思路

在利用RBF神經網絡對速度與接收比特數關系進行回歸分析時,由于線路與車體環境影響,在同一速度級下,列車接收到的比特數存在一定差異,大多時候無法對比特數進行精確評估,而對同速度級下,BTM接收比特數的變化趨勢與變化空間進行預測顯得更為重要,若能掌握BTM接收比特數隨速度變化趨勢與變化空間,更便于現場掌握應答器傳輸系統的速度適應性。

故對同一速度級下BTM接收比特數進行處理,得到最小(Low)、平均(R)、最大(Up)接收比特數與速度關系樣本集,分別采用RBF網絡建立Low、R、Up的回歸預測模型,預測在高速度級下BTM接收比特數的變化趨勢和變化空間。

采用高斯函數作為應答器接收比特數回歸預測RBF神經網絡的徑向基函數[12],則激活函數R(xp-ci)和網絡輸出yj為

i=1,2,…,hp=1,2,…,P

(2)

j=1,2,…,np=1,2,…,P

(3)

式中:‖xp-ci‖2為歐式范數,xp為第p個樣本的輸入,ci為第i個隱含層節點基函數的中心;h為隱含層節點數;P為樣本數;ωij為隱含層到輸出層的連接權值;n為輸出層節點數;yj為輸出層節點j的實際輸出;σ為基函數的寬度參數。

為保證RBF神經網絡的準確性,需對ci、σi和ωij三個參數進行學習,計算步驟見圖5,為避免基函數過于分散,本文中各隱含層節點基函數寬度參數σi保持一致,其計算式為

(4)

式中:cmax為各隱含層中心之間最大距離。

得到隱含層節點參數后,計算各節點間的連接權值ω如下

i=1,2,…,hp=1,2,…,P

(5)

2.2 基于DRNN的應答器有效報文數評估模型

DRNN神經網絡采用多隱藏層結構,具有強大的學習能力,可深度描述應答器接收比特數、誤碼率、有效率與接收報文數之間復雜的非線性關系。同時應答器傳輸系統的傳輸性能應與其使用時間有一定的關聯性,而DRNN網絡通過增設反饋關聯層,使網絡的輸出能關聯到每一時刻的歷史信息,具有良好的動態記憶能力,在自調節訓練期間通過前饋傳遞和反向網絡參數優化更新,學習歷史數據中潛在依賴性信息[14],并基于學習的動態信息有效揭示在列車高速行駛狀況下有效報文幀數的變化趨勢。訓練完成后的DRNN模型可以自動評估應答器有效報文幀數,所構建的模型見圖6。

針對路線多樣性,需構建一個通用模型對不同線路中應答器傳輸有效報文幀數進行預測。考慮各線路上應答器傳輸的誤碼率和有效率具有顯著的模式特征,因此采用包括接收比特數、誤碼率、有效率的多變量序列數據作為輸入數據用于DRNN模型學習,以提升模型對于不同線路的泛化能力。通過對多變量序列數據的內在關聯性特征以及連貫的動態依賴性進行學習,DRNN模型可以準確地預測不同線路下的應答器有效報文幀數。將時間跨度T內的上述參數,作為補充數據輸入至模型,從而得到多變量輸入序列X={xt|t=1,…,T},其中xt=(speedt,totalBitt,bert,validRatet);對應的輸入序列為有效報文幀數序列Y={vt|t=1,…,T}。

該DRNN模型由一個輸入層、三個長短期記憶(LSTM)網絡層、一個全連接層以及一個輸出層堆疊構建,每個LSTM網絡層和全連接層均采用Dropout正則化技術,以防止過擬合問題。通過這種構建方式,網絡的內在狀態和參數被分布在不同層次以增強記憶尺寸[15]。三個堆疊LSTM層計算并輸出多變量序列的狀態信息為

(6)

(7)

(8)

式中:M為樣本數。

每一次訓練后,通過反饋傳播將模型的總體損失發送至DRNN中,以此更新梯度參數。直至所有訓練完成后,基于Adam隨機優化器來有效傳播梯度并最小化損失函數[16]。

3 實驗驗證

以某線路聯調聯試過程中應答器動態檢測數據為依據,選取通過速度在350 km/h以下的應答器檢測數據作為訓練集,350 km/h及以上的應答器檢測數據作為測試集進行驗證。結果如下:

(1)基于RBF的接收比特數回歸預測模型

圖7為最小、平均、最大接受比特數與速度的RBF擬合結果。為評估模型的準確性,選用誤差平方和SSE、確定系數R-square作為評估指標,可發現Low、R、Up三種擬合模型的SSE值分別為3.076×107、3.247×107、7.056×107,R-square分別為0.999 6、0.999 6、0.999 4,三種擬合模型的R-square均接近于1,說明基于RBF的應答器接收比特數回歸模型對列車通過速度為350 km/h及以下的應答器接收比特數評估效果良好。

圖7 基于RBF網絡建立速度-比特數擬合結果

(2)基于DRNN的有效報文幀數評估模型

對聯調聯試數據進行異常值剔除后,選取列車通過速度在350 km/h及以下的應答器檢測數據作為樣本數據集,按照8∶2的比例劃分為訓練集與測試集樣本。利用訓練集數據完成應答器傳輸性能評估DRNN模型的訓練,之后利用測試集數據驗證模型的準確性。圖8為DRNN神經網絡測試結果,為量化模型的評估結果,選擇均方根誤差RMSE和平均絕對誤差MAE作為模型評估指標[17],計算式為

圖8 基于DRNN神經網絡的訓練集評估結果

(9)

(10)

誤差越小說明模型擬合結果越好。經計算得到模型RMSE=0.130 4,MAE=0.098 7,可發現DRNN可以有效地評估不同時間內有效報文幀數。

(3)基于RBF-DRNN的應答器高速適應性評估結果

基于訓練好的RBF神經網絡和DRNN模型,對樣本中列車運行速度達350～385 km/h的BTM接收報文幀數進行評估,通過與實際測量值進行對比,從而評估所提出方法的準確性。

圖9為基于訓練好的RBF網絡預測350 km/h以上速度時,BTM接收到的最大、最小以及平均比特數預測結果與誤差,可以發現整體而言,隨著列車速度等級的提升,車載設備接收到的比特數呈下降趨勢,且基于RBF網絡的平均誤差約為3.85%,其中速度-平均接收比特數的RBF模型誤差最小,平均誤差僅為1.65%。

圖9 350 km/h以上速度條件RBF網絡預測結果及誤差

基于RBF網絡預測速度大于350 km/h條件下BTM接收比特數后,需進一步結合線路實際誤碼率、有效率,對BTM接收有效報文幀數進行評估,從而為應答器傳輸系統在350 km/h以上條件下的適應性評估提供依據。圖10為列車通過地面應答器時速超過350 km/h條件下,車載BTM實際接收報文數與RBF-DRNN模型預測報文數的對比結果,求得預測模型RMSE=0.480 0,MAE=0.456 2,整體誤差相對較小,且實際接收報文數基本處于模型評估的最大、最小接收報文之間,其中平均誤差為0.45幀,最大的絕對誤差為0.81幀。

表1為采用不同方法進行高速度級下報文數的預測結果,可發現多項式回歸(Polynomial Regression)模型訓練測試時間最短,但是預測精度誤差最大;相較于直接利用速度進行報文數的預測模型,RBF-DRNN模型雖然訓練時間相對較長,但是基于訓練好的模型進行測試數據的評估時間基本一致,均保持在20 ms左右,且RBF-DRNN模型對高速度級下報文數的預測誤差遠低于其他方法,說明采用RBF-DRNN方法可以更好地評估應答器傳輸系統在高速條件下接收報文數。

表1 不同模型報文預測結果對比

4 結論

基于應答器動態檢測數據,本文提出一種應答器高速適應性評估方法。首先針對應答器傳輸系統作用過程,選取BTM接收有效報文幀數作為傳輸系統高速適應性評估指標,然后采用RBF神經網絡構建了列車運行速度與車載設備接收比特數之間的非線性關系模型,并預測更高速度等級下BTM接收比特數,之后采用DRNN神經網絡建立BTM接收有效報文幀數與接收比特數、有效率、誤碼率的關聯關系模型。最后以某線路聯調聯試數據為依據,以350 km/h以下速度的應答器檢測結果為訓練集樣本,建立RBF-DRNN模型,以350 km/h以上速度的應答器檢測結果進行驗證。實驗結果表明,基于RBF-DRNN的應答器高速適應性評估方法可對350 km/h及以上條件下,應答器接收有效報文幀數進行評估,最大的絕對誤差為0.81幀。可見,該方法能有效評估車載BTM在更高時速條件下的接收報文數,為400 km/h以上高速鐵路應答器傳輸系統的適應性分析提供一定的參考意義。