基于改進對抗網絡與自適應數據對齊的轉轍機故障診斷研究

鄭啟明，姚新文，陳光武，王小敏，3，江 磊

(1.西南交通大學 信息科學與技術學院，四川 成都 611756；2.甘肅省高原交通信息工程及控制重點實驗室，甘肅 蘭州 730070；3.四川省列車運行控制技術工程研究中心，四川 成都 611756)

轉轍機作為鐵路信號系統中的無冗余執行單元,因常年工作在室外環境,其故障發生頻率同比其他鐵路信號設備相對較高,是運營維護工作的重心之一。集中監測系統(CMS)實時采集轉轍機牽引道岔轉換過程的表示電路與動作電流信號,并通過提取動作電流特征值與預設閾值比較實現轉轍機故障報警,然后借助人工經驗分析動作電流曲線實現故障確診。隨著CMS的廣泛應用和智能技術的發展,為轉轍機運維從周期修結合故障修的方式向狀態修轉變提供了可行條件,基于CMS監測數據的智能診斷方法正成為該領域的研究熱點。

近年來,結合轉轍機動作電流監測數據,相關學者開展了轉轍機故障智能診斷算法研究,并取得了一定進展[1-13],大體上可分為基于機器學習和基于深度學習兩類方法。2016年,王瑞峰等[2]將灰色關聯分析和神經網絡相結合,提出灰色神經網絡轉轍機故障診斷方法,其特征值由統計分析總結,在非均衡小樣本場景下可能存在一定偏差。2020年,孔令剛等[3]提出一種基于概率神經網絡(PNN)與改進的粒子群算法(PSO)相結合的道岔故障診斷方法,以主成分分析法降維時頻域的統計量與小波系數作為故障特征,再利用投票機制表決3個PSO-PNN分類器的故障診斷結果,該方法相比文獻[2]容錯性更強,但網絡結構復雜。文獻[2-3]在故障特征提取部分工作依賴統計特征與傳統智能算法,對數據質量要求高。隨著深度學習在圖像特征表示和分類方面的突出表現,基于深度學習的轉轍機故障診斷方法得到了廣泛關注。如文獻[4]提出一種基于深度自編碼器的轉轍機故障診斷算法,其利用深度學習自編碼器與人工經驗識別未知故障,并借助集合監控模型實現故障診斷,不依賴統計特征實現特征提取。文獻[5]針對現場轉轍機設備故障樣本不易獲取的難點,提出一種利用仿真數據訓練CNN深度網絡實現故障診斷的方法,該方法所需的大量訓練數據基于建模仿真,故障診斷性能與仿真數據的建模效果關聯密切。文獻[6]利用CNN卷積神經網絡提取一定維度的轉轍機故障特征,并作為GRU門控循環單元的輸入從而實現轉轍機故障診斷,該方法結合了卷積神經網絡和循環神經網絡的優勢,但同時也繼承了GRU網絡可能發生的梯度消失現象。2021年,文獻[7]提出一種基于改進深度森林網絡和案例推理的分層故障診斷模型,雖然網絡結構比文獻[4-6]更加復雜,但借助集成網絡的優勢提升了故障診斷效果。

上述基于數據驅動的智能診斷算法普遍對轉轍機故障數據需求量大,且忽略了故障數據的類別不均衡特性對診斷算法的不利影響。雖然CMS監測系統記錄了轉轍機動作電流的大量監測數據,但這些監測數據呈現以下三個特點:

(1)故障樣本量稀少。因轉轍機自身的高可靠性及高可用性,特別是現場的周期修運用條件下其故障發生的絕對概率低,絕大部分監測數據均為正常樣本。

(2)故障樣本類別不均衡。受運用環境、設備質量水平以及運營維護等因素影響,部分故障類型的發生率較高,導致不同故障類別的樣本量差異大。

(3)監測數據長度不一。因轉轍機類型不同、運營服役性狀差異及監測系統研制廠家不同,導致轉轍機動作電流的監測數據長度差異大。

對于現場監測數據的前兩個特點,現有的方法通常采用數據重抽樣或引入仿真數據的手段進行數據增強,但重抽樣或仿真的數據模式與分布空間高度重合,易引發機器學習的過擬合。對于監測數據長短不一的問題,通常采用數據填充或截斷到某一長度來對齊監測數據,而這種數據硬填充或硬截斷的對齊方式破壞了監測數據的曲線模式特征,一定程度上影響了診斷效果。上述的轉轍機監測數據特點不利于現有智能診斷算法的現場實際應用。

對此,本文針對轉轍機監測數據的實際特點,提出一種基于改進生成對抗網絡(ACGAN)和自適應數據對齊的轉轍機故障診斷方法。首先借鑒生成對抗網絡博弈學習數據分布特征的思路,改進了ACGAN網絡的目標函數,并采用生成器迭代強化判別器的輔助分類器,可充分學習動作電流曲線的模式特征,僅需少量真實故障數據即完成了模型訓練并借此實現故障診斷。其次,針對轉轍機監測數據長短不一的問題,設計一種自適應數據壓縮方法,在實現數據自動對齊的同時能夠最大限度地保留監測曲線的模式特征,避免以往硬填充或硬截斷的對齊方式對模式特征的破壞,有效提升了故障診斷準確率。最后,以ZDJ9型電動轉轍機的真實監測數據為例進行實驗驗證并與相關診斷方法進行比較。結果表明,本文方法借助生成對抗數據增強和優化的目標函數,在非均衡和小樣本故障數據集下能夠充分學習轉轍機動作電流曲線的模式特征,故障診斷準確率高。采用自適應壓縮數據對齊后,強化了電流曲線的模式特征,進一步提升了故障診斷準確率。因此,本文方法符合轉轍機監測數據的現場特點和需求,具有較好的工程應用潛力。

1 轉轍機動作電流及故障模式分析

轉轍機內部電路可以分為控制電路與執行電路。收到變軌控制信號后,繼電器吸起,表示線路電平轉換,觸發執行電路開始工作,同時也觸發動作曲線監測接口采集動作曲線數據。轉轍機轉換完成后,一啟動繼電器(1DQJ)釋放,動作曲線采集完成并傳送至集中監測系統,其結構見圖1。

圖1 道岔轉轍機及集中監測系統結構框圖

轉轍機動作曲線記錄了該轉轍機的完整執行過程,其電流曲線與功率曲線反映了轉轍機的變軌阻力與工作時間,曲線平滑或波動映射了轉轍機的服役性狀。基于這一特性,通過觀察轉轍機動作曲線模式即可大致判斷其故障類型及原因,因此轉轍機的動作曲線模式亦是判定其健康狀態的重要依據之一。

圖2展示了轉轍機的一條標準動作曲線,記錄了A、B、C三相工作電流的變化趨勢。圖中①表示1DQJ繼電器吸起,轉轍機開始工作,動作電流開始記錄;②表示轉轍機根據控制信號確定轉換方向,并啟動電機,此時電流達到波峰;③、④之間電流呈現平緩區域,此時處于道岔變軌過程中;④、⑤之間,轉轍機變軌結束,此時1DQJ開始緩放,根據轉轍機變軌方向不同,B相電流或C相電流為0,其他兩項電流保持在0.4 A左右,呈小臺階狀;⑤之后,1DQJ完全釋放,轉轍機工作流程結束,停止動作曲線采集。根據上述過程可以看出,動作曲線能夠反映出轉轍機的變軌過程,以及電機啟動摩擦力、轉換過程阻力、變軌時間等服役狀態,可用來幫助診斷轉轍機故障原因。

圖2 轉轍機標準動作電流曲線示例

為了進一步闡述動作曲線與轉轍機服役狀態(故障模式)之間的關聯,圖3中分別列舉了9種常見的異常動作曲線(power曲線表示轉轍機動作時的功率),每種異常動作曲線對應的故障類型及原因分析如表1所示。為敘述方便,將正常動作曲線記為類型0。

表1 異常動作曲線類型及原因分析

圖3 常見異常動作曲線

2 基于改進ACGAN與自適應數據對齊的故障診斷模型

生成對抗網絡(GAN)在數據增強領域具有重要的地位,該網絡通常由生成器G(·)和判別器D(·)兩個關聯網絡結構組成。G(·)根據隨機噪聲z～PZ(z)生成假樣本G(z),其中PZ(z)為z的概率分布;而D(·)判別真實數據x～Pdata(x)與G(z)為真假的概率,Pdata(x)為真實樣本的概率分布。經過多輪交替迭代博弈后pTrue(D(G(z)))≈pTrue(D(x)),此時G(z)與x分布相似,又因為z具備分布空間上的隨機性,從而得到以假亂真又各具差異的生成數據。

針對轉轍機的非均衡和小樣本故障數據的模型訓練和診斷問題,本文在輔助分類生成對抗網絡 (ACGAN)[14]基礎上,提出深度網絡模型并設計了新的損失函數。所設計的轉轍機故障診斷新模型主要由三部分構成:①轉轍機動作曲線的自適應數據對齊;②基于改進ACGAN目標函數的故障特征學習;③基于改進ACGAN判別器網絡的故障診斷機制。

2.1 轉轍機動作曲線的自適應數據對齊

轉轍機因型號不同或運營服役狀態差異,其動作電流數據通常在83～177個數據點之間變化。由于數據長短不一,無法直接通過機器學習卷積層提取其數據特征,既有方法通常采用補全或截斷的方式進行數據長度對齊,但這種“硬操作”人為破壞了轉轍機動作曲線的模式特征,降低了智能方法的診斷精度。為解決這一問題,本節主要討論針對轉轍機動作曲線這一數據形式的自適應定長壓縮方法,自適應實現轉轍機動作曲線的數據對齊預處理,且能夠保留動作曲線的原有模式特征,有利于提升智能診斷效果。

轉轍機動作曲線是由動作電流采樣值構成的時間序列集合,本文將其看作特殊的二維矩陣,采用圖像處理領域經典的Cubic插值算法實現對動作曲線的自適應壓縮。根據Cubic插值原理,假設轉轍機動作電流是一條連續可微曲線,其任意分段為小區間f(ω)

f(ω)=aω3+bω2+cω+d

(1)

式中:ω∈[0,1]為動作電流分段區間的兩端,那么區間參數可表示為

(2)

基于上述原理,對于任意一條轉轍機動作電流采樣后的n維離散動作曲線時間序列x=(x1,x2,…,xn),n表示動作曲線的最大采樣點數,本文將其自適應對齊為m維時間序列y=(y1,y2,…,ym),m為期望的時間序列長度。這里以yj|j∈[1,m]逼近xk|k∈[1,n],且k=nj/m。此時推導出yj的插值參數為

(3)

式中:采用x0=x1,xk+i|k+i>n=xn,i∈{1,2}準則處理邊界問題。那么yj處逼近數值為

yj=ajω3+bjω2+cjω+dj

(4)

式中:ω=nj/m。為提高故障診斷準確率,將max(x)與n并入歸一化后的y中,記為y+,以保留x的最大功率及動作轉換時長,則y+=[y,max(x),n]。

2.2 基于改進ACGAN目標函數的轉轍機故障診斷模型

本文提出的故障診斷模型是在ACGAN模型[14]范式的基礎上,針對轉轍機監測數據形式與自適應數據對齊后數據構成,重新設計了生成器網絡模型與判別器網絡模型,模型參數如表2與表3所示。針對轉轍機動作曲線的故障數據小樣本和不均衡問題,以優化故障診斷精確率為導向重構原始ACGAN[14]網絡的損失函數,強化網絡模型對小樣本數據故障特征的學習能力。該模型在數據增強訓練階段,利用生成對抗網絡交替迭代訓練生成器與判別器的框架,在生成器訓練階段強化生成數據的擬真性,在判別器訓練階段弱化模型生成數據對輔助分類器的影響,從兩個方面提高模型對真實數據故障模式特征的學習效果。

表2 本文判別器網絡模型參數

表3 本文生成器網絡模型參數

為方便計算,本文設定經過自適應數據對齊后動作曲線y+的長度為200,同時,動作曲線包含A相電流、B相電流、C相電流以及功率值4個維度,則本文提出模型的判別器網絡輸入維度為[4×200×1],該模型參數如表2所示。改進ACGAN模型判別器遵循的目標為:①盡可能區分真實故障數據與生成故障數據;②優先學習真實故障數據的模式特征,以生成故障數據做輔助訓練。根據表2建立判別器函數D(·),其損失函數分為兩個部分,分別為

E[lnP(S=fake|Xfake)]+

0.5×E[lnP(C=c|Xreal)]+

0.5×E[lnP(C=c|Xfake)]}

(5)

E[lnP(S=fake|Xfake)]+

E[lnP(C=c|Xreal)]}

(6)

式中:E為數學期望;C=c|X為當真樣本或假樣本時判斷類別正確的概率;P為概率;S=real/Xreal為判別器判別數據為真的概率;S=fake|Xfake為判別器判別數據為假的概率。

結合式(5)、式(6),得出改進ACGAN網絡判別器的LD為

LD=pLD1+(1-p)LD2

(7)

式中:p為在訓練過程的單次迭代中將LD1作為判別器損失函數的概率,(1-p)為將LD2作為判別器損失函數的概率。LD根據p交替采用LD1和LD2作為損失函數,以改進ACGAN網絡訓練前期未成形的生成故障數據對輔助分類器的負面影響,加強輔助分類器對真實數據的分類精度,實現快速收斂。

本文改進ACGAN模型生成器遵循的目標為:①生成符合故障模式特征的仿真轉轍機動作曲線,使得判別器無法區分真假動作曲線;②優先保證判別器對生成數據的分類精確,其次保證判別器對真實數據的分類精確。生成器模型參數如表3所示,其損失函數同樣分為以下兩個部分

E[lnP(C=c|Xfake)]-

0.5×E[lnP(S=real|Xreal)]-

0.5×E[lnP(S=fake|Xfake)]}

(8)

E[lnP(C=c|Xfake)]-

E[lnP(S=fake|Xfake)]}

(9)

結合式(8)、式(9),得到改進ACGAN模型生成器的損失函數LG為

LG=pLG1+(1-p)LG2

(10)

式中:p為訓練過程的單次迭代中,將LG1作為生成器損失函數的概率,即生成器訓練過程中對真實數據的分類精度納入損失估計的概率,(1-p)為采用LG2作為生成器損失函數的概率。

本文提出的改進ACGAN網絡的轉轍機故障診斷模型訓練流程見圖4,訓練目標為判別器網絡盡可能地學習小樣本非平衡故障數據的模式特征,具體步驟如下:

圖4 基于改進ACGAN與自適應數據對齊的轉轍機故障診斷模型訓練流程

Step1通過式(3)與式(4)對訓練數據做自適應數據對齊預處理,初始化D(·)和G(·)。

Step2固化D(·)參數,訓練G(·)并更新其參數。

生成隨機數ρ∈(0,1),生成隨機噪聲z∈R100,打亂y+順序并提取標簽c∈[0,N-1],其中N為樣本總數。

(1)生成假動作曲線,通過判別器判別真假與分類。

(11)

rD,cD=D(y+)

(12)

(13)

(2)計算生成器損失。

(14)

(3)反向傳播梯度,優化生成器G(·),并更新參數。

Step3固化G(·)參數,訓練,D(·),并更新其參數。

(1)重復Step2中(1)與Step2中(2)。

(2)計算判別器損失。

(15)

(3)反向傳播梯度,優化判別器D(·),并更新參數。

Step4重復Step2與Step3,直至LG與LD共同收斂。

本文所提出的故障診斷方法是在判別器的基礎上,借助全連接層與softmax激活函數實現分類器,對數據預處理后由判別器引出輔助分類器即可實現轉轍機的故障診斷,其工作原理見圖5,具體步驟如下:

圖5 基于改進ACGAN與自適應數據對齊的轉轍機故障診斷流程框圖

Step1加載已訓練好判別器D(·)的模型參數,通過自適應數據對齊實現對測試數據的預處理。

Step2通過式(12)預測測試數據的類別。

Step3將式(12)中cD作為改進ACGAN網絡輔助分類器對動作曲線的診斷結果。

3 實驗驗證及結果分析

3.1 實驗數據

本文數據來自成都地鐵四號線停車場內ZDJ9型電動轉轍機采集的真實數據。整理出的9類常見故障類型所對應的異常數據如表1所示。將轉轍機單次動作的三相電流監測曲線及功率曲線整理為4×t的二維時間序列,其中t表示動作曲線的采樣點數。表4列舉了訓練數據集的分布情況。

表4 訓練數據集分布

表4中監測數據的原始時間序列長度區間為[83,177],為方便深度網絡構建,且盡可能保留原始動作曲線的模式特征,根據2.2小節所述,采用自適應壓縮算法對轉轍機動作曲線實現數據對齊。

3.2 動作曲線自適應壓縮效果分析

本文提出的故障診斷方法,首先通過自適應壓縮重構轉轍機動作曲線以實現數據對齊預處理。為分析不同數據對齊方法對原始轉轍機動作曲線模式特征的影響情況,圖6分別展示了原始動作曲線、經填充或截斷處理后的動作曲線,以及通過自適應壓縮重構后的動作曲線。圖中A、B、C分別為ZDJ9型電動轉轍機轉換道岔時的三項驅動電流的監測數據曲線(也稱為動作曲線)。

圖6 原始動作曲線

圖6～圖8展示了3種不同數據類型的轉轍機動作曲線,將數據對齊到120個采樣點后其動作電流及功率曲線呈現的效果。其中,圖6展示了不同長度的原始動作曲線;圖7展示了經填充或截斷預處理后的動作曲線;圖8展示了經自適應對齊預處理后的動作曲線。以數據類型6為例,對于序列長度較短的數據,經過填充后其曲線的變化趨勢與原始曲線相比有一定改變,而經自適應數據對齊后曲線變化趨勢與原始曲線幾乎一致。對于序列長度較長的曲線(如數據類型1和2),經過截斷后其曲線變化模式與原始曲線有明顯差異,而經自適應數據對齊后其數據長度成比例壓縮?？梢钥闯?采用自適應數據對齊處理后,能夠有效保留原始曲線的模式特征,便于后續的故障診斷。

圖7 填充或截斷預處理后的動作曲線

圖8 自適應數據對齊預處理后的動作曲線

3.3 模型訓練與收斂效果分析

針對轉轍機監測數據不均衡、故障樣本量小的特點,本文分析改進ACGAN 網絡相對于原始ACGAN網絡[14]的模型訓練情況與故障特征學習效果。改進ACGAN目標函數在生成器訓練階段強化生成數據的擬真性,在判別器訓練階段弱化模型生成數據對判別器的影響,旨在降低生成對抗網絡訓練初期的不確定性對最終故障診斷結果的潛在影響。式(7)與式(10)中,當p=1時,生成器與判別器損失函數與原始ACGAN網絡一致;當p=0時,生成數據不參與判別器的訓練,網絡不易收斂。為提升故障診斷準確率,同時確保模型的穩定性,實驗中設定p=0.5的折中方案。

圖9展示了本文改進ACGAN模型與原始網絡模型的生成器與判別器網絡的訓練損失曲線。可以看出,本文改進生成器網絡相比原始生成器網絡更快收斂。改進判別器網絡訓練損失震蕩收斂,表明LG1與LG2交替作用于訓練階段。此外,判別器收斂損失的絕對值相比原始網絡更接近于0,說明改進后的判別器網絡能夠更有效地學習轉轍機動作曲線的模式特征。

圖9 生成器與判別器的損失曲線

為進一步分析本文改進模型損失函數對生成數據的影響,分別統計了改進ACGAN網絡與原始ACGAN網絡判別器對真實數據與生成數據的區分能力,見圖10。

圖10 真假樣本判斷為真概率分布

由圖10可見,模型訓練前期,判別器無法有效分辨真假樣本,故而判定樣本真假的概率均值接近0.5,處于盲猜階段;約50輪后,判別器判定真實數據與生成數據為真的概率均值趨近于0.5,表明生成器網絡已經逐步學習了動作曲線的模式特征,能夠生成高質量的樣本。由圖10可知,改進ACGAN網絡判別器區分真假樣本的概率均值更趨近于0.5,表明改進ACGAN網絡模型的生成數據真實性得到了加強,樣本質量更好。

3.4 故障診斷效果分析

以小樣本真實數據訓練并測試本文提出的故障診斷方法,采用獨立于訓練數據集和驗證數據集的真實測試數據集,并結合由隨機噪聲產生的生成測試數據集驗證其故障診斷效果。其中,真實測試數據集整理出40條正常數據以及9類常見故障各40條數據,生成測試數據集包括3 000條隨機標簽的動作曲線數據,其診斷結果見圖11。

圖11 本文改進ACGAN網絡與原始網絡對小樣本場景下測試數據集的故障診斷效果對比

圖11中,縱坐標為實際數據標簽,橫坐標為輔助分類器的判別器,即為故障診斷結論。從圖11(a)中看出,本文提出的改進模型對動作曲線的故障診斷標簽與實際標簽完全一致,相比較于圖11(c),原始ACGAN網絡對標簽3和標簽6的數據存在誤診斷現象。為進一步驗證改進模型的效果,采用生成數據比較兩種模型學習非均衡小樣本數據集中數據模式特征的能力。圖11(d)表明,原始ACGAN網絡欠擬合,針對生成測試數據集其故障診斷準確率為 90.47%,部分故障類型4的數據被錯診斷為故障8,故障類型8的被分別診斷為故障4和故障5,錯診率為 10.72%。實驗表明,在非均衡小樣本數據集訓練場景下,本文提出的模型能夠更好地學習轉轍機動作曲線的各類故障特征分布,故障診斷效果更優。

為進一步驗證本文方法的故障診斷效果,將真實測試數據集與生成測試數據集進行混合,形成混合數據集,并與表5中的5個參考文獻進行對比試驗,結果如表5所示。由表5可以看出,在非均衡小樣本數據集訓練場景下,本文方法的準確率和F1-Score指標均最高,其診斷效果優勢明顯。

表5 各方法對混合測試數據集的故障診斷效果比較

由于現場收集的轉轍機真實故障數據有限,實驗中用于訓練的數據只有47條至105條不等,用于測試的各類型真實故障數據只有40條,在此小規模測試集下,本文方法的故障診斷結果完全正確(正如表5中的100%準確率),不排除在更大規模測試集上其準確性會有所降低,但算法機理上對非均衡小樣本故障數據的診斷準確率要比其他方法更高。

3.5 自適應數據對齊對診斷結果的影響

如2.2小節所述,采用自適應數據對齊預處理能夠保留轉轍機動作曲線的模式特征,理論上有助于后續的故障診斷。為進一步分析數據對齊方式對故障診斷的影響,采用數據填充與本文自適應對齊兩種數據對齊方式進行數據預處理后訓練模型實現診斷。因本文故障診斷主要針對非均衡小樣本數據集,基于統計的準確率和F1-Score存在一定不足,故采用AUC指標[15-16]評估本文改進網絡對真實數據集的分類效果,AUC指標越大越好。

AUC指標為本文故障診斷方法重復訓練 10次網絡模型后得到的平均值。采用自適應數據對齊預處理后的AUC指標為0.999,而傳統數據填充對齊后AUC為0.932,表明采用自適應對齊預處理后的故障診斷效果更好,驗證了自適應數據對齊的有效性。

4 結論

本文提出一種基于改進ACGAN與自適應數據對齊的轉轍機故障診斷方法。受益于生成器與判別器的相互對抗迭代學習的優勢,利用生成數據加強判別器網絡的訓練效果,僅借助少量非均衡訓練數據使得改進ACGAN網絡學習到各類常見故障的特征分布。同時,對數據長度不一的轉轍機動作曲線,采用自適應數據對齊預處理后更有利于提升故障診斷效果。實驗結果表明,對于非平衡小樣本的轉轍機現場監測數據診斷效果優良。由于本文方法針對的監測數據具備故障樣本量小、故障樣本不均衡和監測數據長度不一致等特點,更符合轉轍機現場監測數據的實際情況,因此本文方法具有良好的工程應用價值,對于其他領域的非均衡小樣本的故障診斷問題也具有一定的參考價值。未來將在更大的非均衡數據集下進一步檢驗本文方法的有效性。