基于并行圖卷積網絡的無砟軌道監測測點異常識別

孫 立，郟凱亮，林 超，黃 永，李 惠

(1.中鐵第四勘察設計院集團有限公司 線站處，湖北 武漢 430063；2.哈爾濱工業大學 土木工程智能防災減災工信部重點實驗室，黑龍江 哈爾濱 150006)

高速鐵路(以下簡稱“高鐵”)軌道的結構狀況關系著高速列車能否正常運營,若存在安全隱患可能對旅客的生命安全、國家財產造成嚴重威脅[1]。結構健康監測技術能夠及時評估和預警結構的異常狀態,從而實現對可能發生損傷的結構構件進行詳細檢查及維修,最大程度避免大量財產損失[2]。目前,國內外研究者[3-4]針對土木工程結構健康監測技術進行了大量研究。歐進萍等[5]基于光纖拉斷引起菲涅爾反射機理設計多段分布式光纖裂縫監測系統用于監測混凝土隨機裂縫;朱宏平等[6]研究子結構與整體結構的關系,提出大型復雜結構的健康體檢方法;李宏男等[7]研究建立大橋拱橋監測系統,并應用于沈陽伯宮大橋;羅堯治等[8]設計了雄安站屋蓋結構無線健康監測系統,并利用實際數據進行驗證。相比傳統的土木工程結構,鐵路設施的建設關系國計民生,其安全性尤為重要。為更清楚地掌握服役鐵路軌道狀態,研究者們進行了鐵路軌道監測相關研究。周洋等[9]將網絡鏈路拓撲結構轉化為樹形結構,在指定位置設置監測傳感器實現高鐵故障鏈路定位;冷伍明等[10]研究既有重載鐵路過渡段沉降監測數據,分析沉降規律并利用模型預測差異沉降;杜彥良等[11]研究武漢長江大橋監測及評估系統,并根據運行結果驗證了系統的可靠性;林超[12]研究了持續高溫對CRTSⅡ型板式無砟軌道溫度場影響。高鐵無砟軌道作為一種新型軌道形式,為列車的高速行駛提供了必要條件,且高速列車多為載客列車,因此保證高鐵無砟軌道運營安全尤為重要。然而,動態大荷載高鐵無砟軌道的健康監測方法卻鮮有報道。

隨著計算機科學和人工智能技術的發展,具有提取圖特征能力的圖卷積神經網絡被廣泛應用于各個領域。王增光等[13]基于圖卷積神經網絡實現了短期交通速度的預測;曾筠程等[14]將圖卷積神經網絡與長短期記憶網絡和注意力機制結合,利用時空特征建立預測模型,實現了短時交通速度預測;楊光澤等[15]基于圖卷積網絡建立有向圖嵌入的自注意力模型,建立畢業去向預測方法;張劉超等[16]研究圖卷積神經網絡在組學數據分類的預測效能,通過對比驗證了圖卷積神經網絡在組學數據分類存在的巨大潛力;Guo等[17]利用時空數據訓練學習并優化圖卷積神經網絡,實現對交通運輸量的預測;Geng等[18]將不同的區域關系建模為多個圖,通過多圖卷積網絡的顯式建模實現對出租車需求量的預測;Li等[19]通過研究Graph WaveNet[20],利用數據之間的時空相關性提出一種斜拉橋監測異常數據的檢測方法。

針對高鐵無砟軌道狀態監測,本文提出一種基于并行圖卷積神經網絡的高鐵軌道異常監測測點識別方法,利用圖卷積神經網絡學習傳感器各測點之間的空間關聯性,根據空間關聯性預測傳感器測量結果,進而判斷測點數據是否異常。本文提出的方法基于對數據的評估,可以實現對高鐵無砟軌道結構健康狀況評估的目的。

1 并行圖卷積神經網絡模型

結構同一區域的傳感器測點之間往往存在較強的空間關聯性,利用不同測點之間的關聯性可以實現對監測數據的預測,根據預測與實測數據的差異可實現測點異常識別的目的。然而,若用于預測的測點數據存在異常,異常的輸入造成圖卷積神經網絡預測不準確進而影響對其他測點的預測準確性。本文提出一種并行圖卷積神經網絡模型用于監測測點的預測,該方法通過分散預測輸出對輸入測點的依賴,降低了局部異常數據對圖卷積神經網絡預測結果的影響,且多個并行圖卷積神經網絡可有效提高預測精度。

1.1 可學習鄰接矩陣的并行圖卷積層

本文提出的并行圖卷積神經網絡包含M個并行的圖卷積層,每個圖卷積層均參與學習不同測點之間的空間關聯性。每個圖卷積層均采用可學習鄰接矩陣對各測點數據進行卷積運算,多個并行的圖卷積神經網絡的卷積運算結果在融合層融合后,得到預測結果的標準值,每個并行的圖卷積層為

( 1 )

1.2 圖卷積神經網絡架構

圖1 并行圖卷積網絡結構

圖卷積層個數M的取值和模型預測精度及計算復雜度緊密相關。試驗結果表明:M取值越大,預測越精確,但是相應耗時會越多。此外,M增大到一定程度后,繼續增大,模型預測結果提升效果并不明顯。因此,綜合考慮預測精度和計算效率等因素,本文將M取值為12。

圖卷積運算過程如下:

2)12個圖卷積層與其權重系數相乘在融合層利用tanh激活函數非線性處理,再對各個非線性處理后的結果累加作為標準化的預測值,融合層為

( 2 )

1.3 損失函數和懲罰項

利用傳感器采集的早期初始狀態的監測數據訓練圖卷積神經網絡,訓練過程采用MSE損失函數L,即

( 3 )

式中:m為批量訓練數據量的大小。

若自身結點信息對自身結點進行模型預測,其貢獻過多時,模型不能有效的學習不同傳感器測點之間的空間關聯性,會降低預測結果的準確性。為盡可能降低或者避免這種現象,引入懲罰項R,即

( 4 )

式中:tr(·)為矩陣的跡;λl為第l個圖卷積神經網絡鄰接矩陣主對角線元素的懲罰項系數,其值越大,鄰接矩陣主對角線元素參與預測的作用越小。

引入懲罰項R后的并行圖卷積神經網絡模型的損失函數Lu為

( 5 )

1.4 并行圖卷積神經網絡的特點

并行圖卷積神經網絡模型采用圖1所示的12個并列的圖卷積層,以及其后的融合層。并行圖卷積神經網絡具有以下優點:

1)每個圖卷積層均采用tanh激活函數的非線性處理,增加了模型對非線性映射關系的預測能力。

2)利用多個并行鄰接矩陣進行圖卷積運算,每個不同的圖卷積層提取圖關系的特征不同,多個圖卷積層運算結果融合后,使得模型具有更準確的預測能力。

3)單個的圖卷積鄰接矩陣較為稀疏,預測結果對單個節點的依賴較大,權重相對集中,若被依賴節點異常則會影響預測結果。多個并行圖卷積層融合后的預測結果并不強烈依賴少數結點,鄰接矩陣權重相對分散,單個測點異常不會對預測輸出造成明顯影響。

2 無砟軌道監測測點異常識別方法

利用可學習鄰接矩陣的并行圖卷積網絡對高鐵無砟軌道結構監測測點之間的空間關聯性進行建模。結構早期狀態相對完好且監測系統性能良好,因此采用監測系統早期采集的數據訓練并行圖卷積神經網絡模型,并使用訓練后的模型預測后續監測數據,通過實測數據與預測數據的對比,判斷軌道監測數據的異常情況,進而識別結構測點的異常狀態。若數據中出現明顯漂移現象,則根據預測模型學習得到的空間關聯性建立有向圖,消除漂移數據的影響,更新預測數據,更準確地評估高鐵軌道結構狀態。

2.1 空間關聯性建模與數據預處理

通常情況下,結構健康監測系統由多個測點組成,且測點數據間可能存在較強的非線性關系,僅分析結構兩兩測點數據之間的空間關聯性不能夠準確描述其關系且造成其他有關聯性數據測點的浪費。因此本節利用基于并行圖卷積神經網絡建立結構健康監測測點數據異常識別方法,將監測測點建模為有向圖上的結點,利用早期數據訓練圖卷積神經網絡,對結點的關聯性進行空間關系建模。訓練后的模型用于預測后續監測數據,根據預測數據與測量數據的差異診斷監測數據。

預測某一個監測測點時需要利用同一時間的其他測點數據,因此將同一時間的所有測點數據合并一組數據樣本。為避免信息缺失以及數據質差的影響,將缺失數據的數據點、超過3倍數據標準差范圍的數據點剔除,得到篩選后的數據用作數據異常識別。

( 6 )

式中:xn,t為測點n對應的傳感器在時間t所采集的數據;μn為測點n各個時間段測得的xn,t的均值:σn為測點n在各個時間段測得的xn,t的方差。

2.2 監測測點異常識別

經過訓練后可獲得12個并行的圖卷積神經網絡的鄰接矩陣A(1),A(2),…,A(12)以及每個圖卷積層對應的權重k1,k2,…,k12。模型預測數據和實測值對比結果可分為3類:數據正常、數據異常、明顯漂移(明顯異常)。正常數據和異常數據的區別在于殘差是否過大,而明顯漂移數據則是整體數據的大范圍漂移。利用12個圖卷積層的計算結果進行融合得到預測值,因此預測輸出不會過分依賴某一個測點的數據,在數據沒有明顯漂移的情況下,單個測點的異常數據對網絡預測結果不會產生較大影響。

結構測點異常識別的流程見圖2。

圖2 結構監測測點異常識別步驟

具體步驟如下:

Step1對傳感器采集的數據進行預處理,刪除異常值,利用預處理后的數據以時間順序按照1∶2劃分訓練集和預測集,將訓練集前1/3數據視為早期結構完好狀態,后2/3數據作為后期服役狀態數據,用來診斷結構或健康監測系統是否出現異常。

Step2建立包含12個并行圖卷積神經網絡的預測模型。利用訓練集數據訓練網絡模型,學習不同測點之間的空間關聯性。

Step3預測集數據經過標準化處理后輸入并行圖卷積神經網絡模型得到預測輸出的標準值,并將其進行逆標準化變換得到預測輸出。

Step4對比實測值和預測值,實現無砟軌道監測數據的異常診斷。若實測值與預測值趨勢無偏差,可認為各測點無異常;若某些傳感器測點有偏差則認為局部測點異常,建議檢查無砟軌道監測區域,確定是否為結構局部損傷;若預測輸出和測量值存在明顯漂移,則可利用有向圖進行分析,修正預測結果。

以異常節點為中心建立有向圖分析方法為:模型訓練完成后,將后續的實測數據輸入到網絡得到預測數據,將預測數據與實測數據明顯漂移的測點視為異常測點。以明顯漂移結點為中心結點根據加權鄰接矩陣Am建立有向圖。

按照上述方式建立的有向圖表示明顯漂移結點對其他結點預測的影響。加權鄰接矩陣Am為

( 7 )

本方法對同一區域的傳感器網絡,當測點冗余度較高時,測點數據的預測可以達到較高的精度。

3 工程數據驗證

本文數據來源于某高鐵無砟軌道監測工點,采集2015—2017年無砟軌道應變監測數據,其監測系統見圖3。路基、橋梁地段無砟無縫線路應變測試見圖4、圖5。圖4、圖5中,應變測量傳感器為23個,編號為1～23。

圖3 無砟軌道監測系統

圖4 路基地段無砟無縫線路應變測試

圖5 橋梁地段無砟無縫線路應變測試

3.1 數據預處理及網絡模型建立

將同一時間段的23個傳感器的數據合并作為單個樣本,剔除異常數據,共有可用數據樣本75 907組,其中2015年3月26日至12月31日的29 745組數據作為訓練數據,2016年1月1日至2017年2月28日的46 162組數據作為預測數據集。模型學習率設置為0.001,圖卷積神經網絡鄰接矩陣主對角線元素的懲罰項系數λl設定為0.1,l=1,2,…,12,單次訓練樣本批量大小為64,訓練回合為500。

3.2 測點異常識別結果

利用2015年3月26日至12月30日的數據訓練并行圖卷積網絡模型,使模型學習到早期無砟軌道的不同傳感器測點數據之間的空間關系。結構空間關系用圖6(a)中的加權鄰接矩陣表示,其元素值大小表示不同測點間的預測權重。為了對比,單個的圖卷積鄰接矩陣A(1)見圖6(b)。由圖6可以看出,Am相較于A(1)更加分散,即多個并行圖卷積層融合后的預測結果并不強烈依賴少數結點,這也是并行圖卷積網絡結構的優勢。如果結構無損傷且傳感器監測未發生故障,鄰接矩陣表征的各個測點數據之間的關聯性不會改變,否則,圖卷積神經網絡的預測結果和實測值會出現偏差。模型訓練完成后,將所有時間的數據樣本輸入模型,得到包含所有結點的預測結果,無異常測點的數據實測值與預測值見圖7,異常測點的數據實測值和預測值見圖8。對比預測值和實測值,其中大部分測點預測值與實測值趨勢一致,少數幾個測量傳感器在數據的時間后期出現了預測值與實測值偏差的情況。圖7中預測值和實測值吻合度很好,可以認為對應的傳感器和結構局部位置均沒有異常。圖8中傳感器測點預測值和實測值在早期(2016年12月31日之前,為模型訓練階段)吻合較好,傳感器2和6的后期監測數據(模型測試階段)預測值和實測值兩者發生了較明顯偏差。下面通過加權鄰接矩陣對此兩個測點進行進一步分析。

圖6 加權鄰接矩陣和單層鄰接矩陣

圖7 無異常測點的數據實量值與預測值

根據加權鄰接矩陣可以得到預測傳感器2和6數據對應各傳感器的權重見圖9。由圖9可以看出,傳感器受到多個測點影響,并沒有對某一個測點過分依賴,因此測點出現非明顯漂移情況對預測影響較小。此外,可以推斷傳感器2和6等測點在服役階段出現異常,其原因可能是局部結構異常或傳感器故障,可根據此診斷結果對局部區域進行檢查。

圖9 預測傳感器2和6數據對應各傳感器的權重

4 有向圖在消除漂移數據影響的應用

監測系統的傳感器在役過程中往往會出現數據漂移現象,可能是傳感器出現故障等問題引起。為了研究有向圖分析在消除漂移數據影響的應用,且考慮到本文所利用的實際數據集并無測點數據明顯漂移現象,將制造漂移數據進行研究。傳感器3實測數據和制造漂移數據見圖10。由圖10可知,在其他測點無偏移現象情況下,此測點預測數據無偏移現象。將傳感器3的監測數據在第50 000個數據點后的所有數據點的數值增加1 000作為漂移數據。注意到構造漂移數據的目的只是研究有向圖在消除漂移數據影響的應用潛力,模擬的漂移數據不一定完全符合實際,將來對實際的漂移數據可進一步深入研究。

圖10 傳感器3實測數據和制造漂移數據

根據加權鄰接矩陣可以獲得傳感器3數據對其他測點數據的預測權重,見圖11。由圖11可知,傳感器3對傳感器1、6、8、9、10的預測權重較大,且權重均為正,傳感器3漂移數據輸入網絡模型后其他測點的預測結果見圖12。由圖12可以看出,2個傳感器測點數據的殘差(預測值與實測值之差)為正,實際上傳感器8、9、10的預測輸出結果與此類似。異常節點為中心節點的有向圖見圖13,其為第50 000個數據樣本點之后的數據利用并行圖卷積神經網絡預測輸出和監測數據計算得到的殘差以異常傳感器3為中心節點的有向圖。圖13中,紅色節點表示殘差為正;藍色節點表示殘差為負;箭頭的方向表示節點之間預測關系,箭頭表示傳感器3的測量數據對傳感器1、6、8、9、10的預測輸出有影響。由圖13可以看出,中心節點和其相鄰節點殘差正負號相反,且傳感器3對傳感器1、6、8、9、10預測影響權重為正(影響權重即為圖6的加權鄰接矩陣的元素),所以可以判斷殘差為正的5個傳感器測點受到了傳感器3的明顯漂移數據影響產生的偏差。這是因為傳感器3的漂移數據整體增大,殘差為負;傳感器3漂移數據以較大權重參與預測的傳感器1、6、8、9、10的預測輸出則會隨著傳感器3的正向漂移而大于實測數據,殘差為正。根據有向圖和測點殘差,可推斷傳感器1、6、8、9、10殘差均為正的原因是受到了傳感器3明顯漂移數據的影響。為了解決此問題,利用圖10(a)的傳感器3的預測數據替代實測數據輸入網絡模型得到預測輸出,傳感器3預測數據替代漂移數據后其他測點預測結果見圖14。由圖14可以看出,圖12中的異常恢復,消除了由明顯數據漂移現象造成預測不準確的影響。因此,對于存在明顯漂移數據的情況,可利用預測數據替代測量數據來消除明顯漂移數據造成預測偏差。

圖11 傳感器3數據對其他測點數據的預測權重

圖12 傳感器3漂移數據輸入網絡模型后其他測點的預測結果

圖13 異常節點為中心節點的有向圖

圖14 傳感器3預測數據替代漂移數據后其他測點預測結果

5 結論

針對高鐵軌道健康監測系統在服役過程中可能出現結構局部損傷或者發生傳感器故障的問題,本文提出一種基于并行圖卷積神經網絡的高鐵無砟軌道監測測點異常識別方法。該方法的圖卷積層采用多個可學習的鄰接矩陣學習各傳感器測點間的空間關系,并通過實測值和預測值的對比實現測點數據是否異常的診斷,其中測點數據異常一般由傳感器異常或局部結構異常所致。此外,本文對漂移數據影響預測輸出的問題也提出了解決方案,對于存在漂移數據的傳感器測點,根據加權鄰接矩陣建立有向圖進行分析,利用預測值替代漂移數據消除其對其他測點的預測影響。

為了驗證方法有效性,將本文方法應用于某高鐵無砟軌道監測工點的長期應變監測數據的異常識別。建立含12個圖卷積層的并行圖卷積神經網絡模型,利用早期高鐵軌道初始狀態監測數據訓練該模型。模型利用空間上具有相關性的周圍測點對中心測點進行預測,通過對比測量值與預測值,實現對測點監測數據的診斷。此外,本文也研究了有向圖在消除數據漂移問題中的應用,在確定漂移數據測點后,利用預測數據替代漂移數據可消除漂移數據對預測結果的影響。