0 引言

    作為一種重要的鐵路信號基礎(chǔ)設(shè)備，道岔的運行情況與列車的安全運行和運輸效率密不可分，一旦道岔運行發(fā)生故障沒有及時檢修，會帶來非常大的安全隱患，對人們的生命和財產(chǎn)安全造成巨大損失^[1]。因此，實時監(jiān)控其運行狀態(tài)并及時處理故障是鐵路安全運行的關(guān)鍵問題之一。

    目前，我國大部分地區(qū)鐵路道岔故障的傳統(tǒng)檢測方法是利用微機監(jiān)測系統(tǒng)采集道岔轉(zhuǎn)轍機動作時的電流值。圖1給出了隨著時間變化，道岔轉(zhuǎn)轍機動作時產(chǎn)生的電流變化趨勢圖。該圖可分為切斷表示電流、解鎖、轉(zhuǎn)換、鎖閉、接通表示電流5個階段。道岔傳統(tǒng)的故障檢測方式主要是現(xiàn)場工作人員將微機監(jiān)測系統(tǒng)監(jiān)測出的道岔動作電流曲線與總結(jié)得到的電流曲線進(jìn)行人為比對，最終確定道岔的工作狀態(tài)。然而，這種人工識別方式存在3個方面的缺陷：(1)對維護(hù)人員的工作經(jīng)驗依賴度較高，容易出現(xiàn)誤判或漏判等情況，特別是當(dāng)?shù)啦砉收媳徽`判為正常狀態(tài)時，會導(dǎo)致未及時采取維護(hù)措施，造成無法挽回的損失；(2)在中國高速鐵路和客運專線飛速發(fā)展的今天，這種單純靠人工經(jīng)驗判斷錯綜復(fù)雜的道岔設(shè)備的運行狀態(tài)需要耗費大量的人力、物力和財力；(3)人工判斷效率極其低下，已經(jīng)完全不能滿足經(jīng)濟發(fā)展的要求和人民出行的需求。因此，在當(dāng)今人工智能和中國鐵路事業(yè)飛速發(fā)展的大背景下，研究一種具備學(xué)習(xí)能力的道岔故障智能識別系統(tǒng)是亟待解決的問題之一。

    隨著人工智能方法的逐漸成熟和完善，國內(nèi)外專家學(xué)者利用人工智能方法對鐵路道岔故障的識別進(jìn)行了初步的研究，并取得了一些成果。例如，邢玉龍等人考慮外部環(huán)境因素，對數(shù)據(jù)做特殊處理，建立數(shù)學(xué)模型進(jìn)行故障檢測^[2]。然而，該模型和方法的分類性能并不穩(wěn)定，泛化能力不強。王思明、雷燁和關(guān)瓊利用支持向量機方法設(shè)計不同的求解算法，實現(xiàn)道岔設(shè)備的故障診斷^[3-4]。鐘志旺、唐濤和王峰通過分詞算法將故障文檔表達(dá)在詞項特征空間中，并將故障文檔表達(dá)在主題特征空間上，以SVM算法構(gòu)造診斷器^[5]。DIEGO J和GARCIA M F則是將模糊理論與神經(jīng)網(wǎng)絡(luò)結(jié)合設(shè)計改進(jìn)算法，用于道岔故障診斷^[6-7]。然而，神經(jīng)網(wǎng)絡(luò)在訓(xùn)練樣本較少時分類性能不佳，會出現(xiàn)過擬合現(xiàn)象?？傊?，以上方法只有在擁有大量的故障樣本(均衡數(shù)據(jù))時才具有較好的識別效果。事實上，在實際的運行環(huán)境中，每個道岔出現(xiàn)故障的概率十分小，即故障樣本遠(yuǎn)少于正常樣本，是一種不均衡問題。此外，不同道岔電流數(shù)據(jù)維度并不相同，且道岔電流數(shù)據(jù)往往維度很高，這也會導(dǎo)致以上方法的運算時間較長，不能滿足鐵路道岔實時檢測的要求。

    針對以上兩個普遍存在的問題，本文提出一種基于不均衡問題的鐵路道岔故障智能診斷技術(shù)，具體地，包括道岔數(shù)據(jù)的缺失值補齊、特征提取、道岔智能識別問題的轉(zhuǎn)化、道岔的智能識別技術(shù)、識別性能指標(biāo)的設(shè)計等方面的研究。以廣州鐵路局的道岔數(shù)據(jù)為實驗數(shù)據(jù)，在環(huán)境為MATLAB 2014a，Windows 7，Intel Core i3 2.4 GHz CPU下進(jìn)行實驗?zāi)M。實驗結(jié)果表明，本文的識別系統(tǒng)在不均衡道岔樣本中仍具有很好的識別能力，并具有強泛化能力，且其識別平均時間為0.04 s，滿足智能識別的實時性要求。

1 道岔故障智能識別系統(tǒng)

1.1 道岔電流數(shù)據(jù)特征選擇

    微機監(jiān)測采集數(shù)據(jù)的周期為0.04 s，道岔正常轉(zhuǎn)換時，需要6.4 s~10 s，于是會產(chǎn)生160~250個電流數(shù)據(jù)；而道岔卡阻時，其轉(zhuǎn)換時間可能長達(dá)30 s，甚至更長時間，此時會采集600多個甚至更多的電流數(shù)據(jù)。因此，這就可能存在兩個問題：(1)以道岔動作一次得到的電流值為一個樣本向量，那么多次動作將得到多個樣本向量，以這些樣本向量作為本文的訓(xùn)練樣本，發(fā)現(xiàn)其維度并不相同，這將大大增加后面的訓(xùn)練難度; (2)道岔卡阻時會產(chǎn)生高維數(shù)據(jù)，這必然增加模型學(xué)習(xí)的訓(xùn)練時間，導(dǎo)致道岔故障識別遲緩。因此，本文首先對數(shù)據(jù)進(jìn)行預(yù)處理，即利用缺失值補零的方式將所有數(shù)據(jù)補為維度相同的向量。然而，補零操作必會出現(xiàn)高維小樣本數(shù)據(jù)，導(dǎo)致過擬合現(xiàn)象的出現(xiàn)。因此，接下來就需要對高維小樣本數(shù)據(jù)進(jìn)行特征提取，本文采取主成分分析方法對數(shù)據(jù)進(jìn)行特征選擇和提取。主成分分析(Principal Component Analysis，PCA)是KARL P發(fā)明的一種特征提取技術(shù)^[8]，它對多個樣本的輸入矩陣求協(xié)方差矩陣，根據(jù)協(xié)方差矩陣的特征值確定方差較大的屬性，通過獲得累計方差貢獻(xiàn)率，選擇協(xié)方差矩陣相應(yīng)的特征向量，確定主成分。具體的數(shù)據(jù)處理步驟如下：

    (1)輸入：鐵路道岔電流的n個樣本向量、參數(shù)θ；

    (2)原始數(shù)據(jù)預(yù)處理：以樣本的最高維度m為訓(xùn)練樣本的維度，將低于m維的樣本進(jìn)行補零操作，初步得樣本如下：

1.2 智能識別問題的轉(zhuǎn)化

    一方面，道岔異?？赡艹霈F(xiàn)在任何一個階段，且異常情況極其復(fù)雜；另一方面，出現(xiàn)異常道岔的概率較低，即本文得到的訓(xùn)練數(shù)據(jù)為不均衡數(shù)據(jù)，正常數(shù)據(jù)較多，而異常數(shù)據(jù)極少。鑒于此特點，區(qū)別于已有方法，本文將學(xué)習(xí)問題轉(zhuǎn)化為不均衡分類問題，即設(shè)道岔故障電流曲線數(shù)據(jù)為正類數(shù)據(jù)，記作x₁，x₂，…，x_p，其標(biāo)簽記為y_i=1，i=1，…，p；道岔正常電流曲線數(shù)據(jù)為負(fù)類數(shù)據(jù)，記作x_p+1，x_p+2，…，x_n，其標(biāo)簽記為yi=-1，i=p+1，…，n。與負(fù)類樣本相比較，正類數(shù)據(jù)的錯誤識別會導(dǎo)致更加嚴(yán)重的后果。因此，本文更看重正類數(shù)據(jù)的正確識別。本文在已知兩類訓(xùn)練樣本前提下，通過學(xué)習(xí)一個決策函數(shù)f(x)判斷任何新來道岔電流數(shù)據(jù)x∈R^r×1的所屬類別。

1.3 道岔故障識別器

    由CORTES C和VAPNIK V開發(fā)出來的分類技術(shù)^[9]——支持向量機(SVM)，是以結(jié)構(gòu)風(fēng)險最小化為原則，將最大間隔思想和基于核的方法結(jié)合起來，構(gòu)建優(yōu)化模型。在很多實際應(yīng)用中，該模型都表現(xiàn)出了很好的泛化能力。基于此，為了保證正類樣本能正確分類，本文設(shè)定正類樣本的懲罰參數(shù)大于負(fù)類樣本的懲罰參數(shù)，來構(gòu)建如下非均衡學(xué)習(xí)的SVM模型：

    由此可以推出：

1.4 道岔故障識別性能指標(biāo)

    在學(xué)習(xí)到一個分類器之后，需要對它的分類性能進(jìn)行評估。目前，有許多標(biāo)準(zhǔn)來評估一個分類器性能，如：分類精度(分類的正確率)、分類錯誤率。然而，在鐵路道岔故障識別的電流數(shù)據(jù)中可能有高達(dá)98%的情況是正常道岔， 那么一個分類器不做任何分析而簡單地把每個數(shù)據(jù)分成“負(fù)類”就能達(dá)到98%的精度。顯然，分類精度這樣的評價準(zhǔn)則在鐵路道岔識別問題中是毫無用處的。本文更看重鐵路故障道岔(正類)的識別情況，受自然語言處理問題及部分監(jiān)督學(xué)習(xí)問題^[10]的啟發(fā)，本文設(shè)計正類樣本的查全率及查準(zhǔn)率兩個評價標(biāo)準(zhǔn)。具體的定義如下：

式(14)和(15)中各個指標(biāo)的具體含義如圖2所示。

    這兩個評估標(biāo)準(zhǔn)的直觀含義是十分明顯的，即更加關(guān)注正類樣本是否更加準(zhǔn)確及全面地識別。然而，由于這兩個標(biāo)準(zhǔn)從兩個角度說明正類樣本的識別性能，并不相關(guān)。這時，可以對查全率和查準(zhǔn)率求調(diào)和平均數(shù)，得到新的評價標(biāo)準(zhǔn)，即F值：

    該評價標(biāo)準(zhǔn)對故障道岔的識別提出更高的要求，只有查全率和查準(zhǔn)率都大時，F(xiàn)值才大；有一個小，F(xiàn)值就不高。

2 數(shù)值實驗

2.1 實驗安排

    本文實驗數(shù)據(jù)為廣州鐘村站的2016年11月28日-2017年6月14日的兩種類型鐵路道岔電流值，記為W1902#和W1904#。這些數(shù)據(jù)包括道岔的定位到反位、反位到定位數(shù)據(jù)(包括故障位)。經(jīng)過前期的數(shù)據(jù)缺失值補零預(yù)處理及特征提取后，隨機取其中的80%作為訓(xùn)練集，剩余的20%作為測試集進(jìn)行預(yù)測。實驗重復(fù)進(jìn)行100次，取平均F值即為本文分類器最終的分類性能的評估。

2.2 參數(shù)設(shè)置

    本文取累計貢獻(xiàn)率?茲=95%，保證95%的數(shù)據(jù)信息量不丟失，利用主成分分析進(jìn)行數(shù)據(jù)降維。本文采用十折交叉驗證方法對偏置-SVM的模型進(jìn)行選擇。十折交叉驗證(10-fold cross-validation)^[11]是將數(shù)據(jù)集隨機分成10份，輪流將其中9份作為訓(xùn)練樣本，1份作為驗證樣本。懲罰參數(shù)C₊，C_-在集合{2^-10，2^-9，…，2¹⁰}中選擇。此外，本文采用高斯核K(x_i，x)=進(jìn)行數(shù)據(jù)分類，核參數(shù)?滓在集合{2^-10，2^-9，…，2¹⁰}中選擇。每組參數(shù)在十折交叉驗證中得到10個F值，計算其平均F值。本文取最高平均F值所對應(yīng)的參數(shù)為最優(yōu)參數(shù)，同時偏置支持向量機的模型隨之確定。

2.3 實驗結(jié)果

    通過MATLAB軟件實現(xiàn)對數(shù)據(jù)的缺失值補零及PCA降維處理后，得到的訓(xùn)練樣本如表1所示。其中，#正樣本表示異常道岔數(shù)據(jù)量，#負(fù)樣本表示正常道岔數(shù)據(jù)量，#特征表示道岔數(shù)據(jù)通過PCA降維后的數(shù)據(jù)維數(shù)，#訓(xùn)練(80%)表示隨機取80%數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)的個數(shù)，#測試(20%)表示測試數(shù)據(jù)個數(shù)。通過表1發(fā)現(xiàn)在進(jìn)行數(shù)據(jù)降維之后，樣本的屬性個數(shù)有明顯的下降，從600多降到7~8維，這說明采集到的電流值大部分都是冗余的，沒有區(qū)分度和實際意義的。

    在進(jìn)行100次的實驗運行后，得到W1902#和W1904#道岔檢測的平均查全率、查準(zhǔn)率及F值，如表2、表3所示。表2說明W1902#道岔的查全率高達(dá)0.98以上，平均F值為0.94以上。

表3體現(xiàn)了W1904#極好的效果，平均查全率值高達(dá)100%，即本文偏置-SVM智能識別器可以精準(zhǔn)檢測故障道岔。

3 結(jié)論

    本文提出了一種鐵路智能檢測系統(tǒng)，該系統(tǒng)從數(shù)據(jù)預(yù)處理、特征選擇、SVM建模到性能評價標(biāo)準(zhǔn)設(shè)計這幾個方面做了詳細(xì)的研究，最后針對廣州鐘村站的道岔電流數(shù)據(jù)，利用MATLAB軟件進(jìn)行仿真實驗。實驗結(jié)果顯示，該智能系統(tǒng)具有強的泛化能力，即在環(huán)境復(fù)雜變化時仍具有極高的檢測效果，同時運行時間為0.04 s，滿足實時性要求。

參考文獻(xiàn)

[1] 中華人民共和國鐵道部．鐵路行車事故案例選編[M]．北京：中國鐵道版社，1999．

[2] 邢玉龍，趙會兵，田健.道岔動作電流曲線的特征提取方法及道岔故障診斷方法：中國，CN105260595B[P].2017-03-15.

[3] 王思明，雷燁.一種基于LS-SVM的道岔控制電路故障診斷[J].蘭州交通大學(xué)學(xué)報，2010，29(4)：1-5.

[4] 關(guān)瓊.基于FOA-LSSVM的高速鐵路道岔故障診斷[J].科技通報，2015，31(4)：230-232.

[5] 鐘志旺，唐濤，王峰.基于PLSA和SVM的道岔故障特征提取與診斷方法研究[J].鐵道學(xué)報，2018，40(7)：80-87.

[6] DIEGO J，PEDREGALA F P，GARCIA F S.RCM2 predictive maintenance of railway systems based on unobserved components models[J].Reliability Engineering and System Safety，2004，83(1)：103-110.

[7] GARCIA M F，SCHMID F，CONDE J.Wear assessment employing remote condition monitoring：a case study[J].Wear，2003，255(7)：1209-1220.

[8] KARL P.Principal component analysis[J].Chemometrics & Intelligent Laboratory Systems，1987，2(1)：37-52.

[9] CORTES C，VAPNIK V.Support-vector network[J].Machine Learning，1995，20：273-297.

[10] KE T，JING L，LV H，et al.Global and local learning from positive and unlabeled examples[J].Applied Intelligence，2018，48(8)：2373-2392.

[11] 鄧乃揚，田英杰.支持向量機——理論、算法與拓展[M]．北京：科學(xué)出版社, 2009.

作者信息:

可  婷1，葛雪純2，張立東1，呂  慧1 

(1.天津科技大學(xué) 理學(xué)院，天津300457；2.北京華鐵信息技術(shù)有限公司，北京100081)