基于LSTM算法的ZPW-2000A型軌道電路故障預(yù)測(cè)模型畢業(yè)論文

1、畢業(yè)設(shè)計(jì)（論文）報(bào)告題 目 學(xué) 院 學(xué) 院 專 業(yè) 學(xué)生姓名 學(xué) 號(hào) 年級(jí) 級(jí) 指導(dǎo)教師 畢業(yè)教務(wù)處制表畢業(yè)學(xué)生姓名： xx填寫 學(xué)號(hào)： xx填寫 專業(yè)： xx填寫 畢業(yè)設(shè)計(jì)（論文）題目： 指導(dǎo)教師意見：（請(qǐng)對(duì)論文的學(xué)術(shù)水平做出簡(jiǎn)要評(píng)述。包括選題意義；文獻(xiàn)資料的掌握；所用資料、實(shí)驗(yàn)結(jié)果和計(jì)算數(shù)據(jù)的可靠性；寫作規(guī)范和邏輯性；文獻(xiàn)引用的規(guī)范性等。還須明確指出論文中存在的問題和不足之處。） 指導(dǎo)教師結(jié)論： （合格、不合格）指導(dǎo)教師姓名所在單位指導(dǎo)時(shí)間畢業(yè)設(shè)計(jì)（論文）評(píng)閱教師評(píng)閱意見表 學(xué)生姓名： xx填寫 學(xué)號(hào)： xx填寫 專業(yè)： xx填寫 畢業(yè)設(shè)計(jì)（論文）題目： 農(nóng)村宅基地測(cè)量技術(shù)研究 評(píng)閱意見：

2、（請(qǐng)對(duì)論文的學(xué)術(shù)水平做出簡(jiǎn)要評(píng)述。包括選題意義；文獻(xiàn)資料的掌握；所用資料、實(shí)驗(yàn)結(jié)果和計(jì)算數(shù)據(jù)的可靠性；寫作規(guī)范和邏輯性；文獻(xiàn)引用的規(guī)范性等。還須明確指出論文中存在的問題和不足之處。）修改意見：（針對(duì)上面提出的問題和不足之處提出具體修改意見。評(píng)閱成績(jī)合格，并可不用修改直接參加答辯的不必填此意見。）畢業(yè)設(shè)計(jì)（論文）評(píng)閱成績(jī) （百分制）： 評(píng)閱結(jié)論： （同意答辯、不同意答辯、修改后答辯）評(píng)閱人姓名所在單位評(píng)閱時(shí)間論文原創(chuàng)性聲明本人鄭重聲明：本人所呈交的本科畢業(yè)論文農(nóng)村宅基地測(cè)量技術(shù)研究，是本人在導(dǎo)師的指導(dǎo)下獨(dú)立進(jìn)行研究工作所取得的成果。論文中引用他人的文獻(xiàn)、資料均已明確注出，論文中的結(jié)論和結(jié)果為本人

3、獨(dú)立完成，不包含他人成果及使用過的材料。對(duì)論文的完成提供過幫助的有關(guān)人員已在文中說(shuō)明并致以謝意。本人所呈交的本科畢業(yè)論文沒有違反學(xué)術(shù)道德和學(xué)術(shù)規(guī)范，沒有侵權(quán)行為，并愿意承擔(dān)由此而產(chǎn)生的法律責(zé)任和法律后果。 論文作者（簽字）： xx填寫日期：xx填寫年月日題目：基于LSTM算法的ZPW-2000A型軌道電路故障預(yù)測(cè)模型摘 ?要：軌道電路是保證列車安全可靠運(yùn)營(yíng)的重要基礎(chǔ)設(shè)備。隨著鐵路信號(hào)設(shè)備“故障修”向“狀態(tài)修”的轉(zhuǎn)變，為了對(duì)軌道電路監(jiān)測(cè)信息分析進(jìn)而制定科學(xué)合理的維修策略，提出一種基于LSTM算法的故障預(yù)測(cè)模型方法。首先，對(duì)軌道電路結(jié)構(gòu)原理進(jìn)行了分析，在此基礎(chǔ)上提出使用LSTM模型對(duì)其故障進(jìn)行預(yù)測(cè)

4、，為驗(yàn)證模型的預(yù)測(cè)效果，提出用平均絕對(duì)誤差（MAE）、平均絕對(duì)百分比誤差（MAPE）、均方誤差（NMSE）和相對(duì)誤差百分比（REP）對(duì)預(yù)測(cè)結(jié)果進(jìn)行度量;其次，結(jié)合預(yù)測(cè)實(shí)例將改進(jìn)算法與傳統(tǒng)的SVM算法、BP神經(jīng)網(wǎng)絡(luò)，RNN算法的預(yù)測(cè)效果進(jìn)行對(duì)比，結(jié)果顯示LSTM各指標(biāo)均最優(yōu);最后，結(jié)合一個(gè)實(shí)例采用LSTM進(jìn)行預(yù)測(cè)，驗(yàn)證了模型的高效性。關(guān)鍵詞：軌道電路;長(zhǎng)短時(shí)神經(jīng)網(wǎng)絡(luò);故障預(yù)測(cè);智能運(yùn)維軌道電路作為鐵路信號(hào)系統(tǒng)中的基礎(chǔ)設(shè)備，在保證行車安全、提高運(yùn)輸效率等方面都起到重要作用。本文以我國(guó)鐵路線路超過30000km里程所采用的ZPW-2000A型無(wú)絕緣移頻軌道電路作為研究對(duì)象，其是在法國(guó)UM71基礎(chǔ)上改

5、造而來(lái)，在全程調(diào)諧斷軌檢測(cè)、斷線作業(yè)檢查及信號(hào)傳輸長(zhǎng)度中都得極大改善。目前，我國(guó)鐵路軌道電路的維修方式：（1） 沿用傳統(tǒng)的“故障修”和“定時(shí)修”;（2）借助集中監(jiān)測(cè)（微機(jī)監(jiān)測(cè)）的數(shù)據(jù)分析、判斷。此類維修方法存在：（1） 存在滯后性且效率低、故障排查復(fù)雜;（2）對(duì)集中監(jiān)測(cè)利用不充分，造成未及時(shí)處理故障而導(dǎo)致的事故，影響行車安全與線路效率。近年來(lái)，關(guān)于軌道電路的研究主要有：文獻(xiàn)3就軌道電路銹蝕、集污造成軌面電阻超高導(dǎo)致分路不良進(jìn)行研究;文獻(xiàn)4針對(duì)軌道電路檢測(cè)精度低、耗時(shí)長(zhǎng)等方面進(jìn)行算法改進(jìn);文獻(xiàn)5就軌道電路紅光帶故障的多樣性及復(fù)雜性進(jìn)行故障診斷分析;文獻(xiàn)6-10對(duì)道閘信號(hào)、多故障診斷方法等方面進(jìn)行

6、了研究。寧濱院士指出目前交通基礎(chǔ)設(shè)備維護(hù)和檢修主要采用的方式是靜態(tài)的“定期修”，難以滿足交通系統(tǒng)安全保障及運(yùn)營(yíng)成本的降低。如何采用動(dòng)態(tài)數(shù)據(jù)和系統(tǒng)機(jī)理建立“狀態(tài)修”的智能維護(hù)模式是當(dāng)前智能交通核心研究。鐵路信號(hào)設(shè)備正處于由“故障修”、“定時(shí)修”的方式向基于狀態(tài)監(jiān)測(cè)的“視情修”方式的過渡階段，所以故障預(yù)測(cè)與健康管理（Prognostic and Health Management?，PHM）模式應(yīng)用而生。在軌道電路故障分析中引入智能化的預(yù)測(cè)技術(shù)，對(duì)滿足列車行車RAMS技術(shù)要求具有重要意義。常見的故障預(yù)測(cè)的方法有：統(tǒng)計(jì)預(yù)測(cè)、數(shù)學(xué)預(yù)測(cè)、智能預(yù)測(cè)和信息融合方法。其中，數(shù)學(xué)預(yù)測(cè)可解決機(jī)理非線性、無(wú)精確解析

7、模型的問題。LSTM在RNN的基礎(chǔ)上進(jìn)行改進(jìn)，有效解決了長(zhǎng)序列訓(xùn)練過程中出現(xiàn)的梯度消失和爆破問題。本文試圖采用時(shí)間序列的LSTM模型，預(yù)測(cè)ZPW-2000A軌道電路的故障，為電務(wù)人員了解軌道狀態(tài)、分析故障、處理故障提供依據(jù)。1 ZPW-2000A軌道電路原理結(jié)構(gòu)ZPW-2000A型無(wú)絕緣移頻自動(dòng)閉塞軌道電路由主軌道電路和小軌道電路組成，其電路原理圖如圖1所示。通過載頻、低頻編碼條件控制主軌道電路發(fā)送器。電纜把匹配變壓器中的信號(hào)從室外調(diào)諧單元傳遞至主軌道與調(diào)諧區(qū)小軌道。經(jīng)鋼軌主軌道信號(hào)被送至接收端，經(jīng)過電纜把匹配變壓器放大的信號(hào)傳到室內(nèi)電纜模擬網(wǎng)絡(luò)盒、衰耗器，最后經(jīng)過調(diào)整電平后送入接收器。其中調(diào)

8、諧單元處產(chǎn)生并聯(lián)諧振，其阻抗較大。小軌道電路為隔離信息發(fā)送設(shè)備和信息接收的調(diào)諧區(qū)。由前方相鄰軌道電路接收端進(jìn)行信號(hào)處理，若接收到的信號(hào)在規(guī)定范圍內(nèi)，則可以達(dá)成小軌道繼電器執(zhí)行條件，再將其送至本區(qū)段接收器。其中調(diào)諧單元處產(chǎn)生串聯(lián)諧振，其阻抗較小。接收器需收到本區(qū)段主軌道移頻信號(hào)和小軌道繼電器執(zhí)行條件，若同時(shí)滿足要求電壓信號(hào)才能輸出，指示本區(qū)段空閑及列車占用情況。目前，鐵路部門使用集中監(jiān)測(cè)系統(tǒng)的ZPW-2000A實(shí)現(xiàn)對(duì)開關(guān)量及模擬量的監(jiān)測(cè)，其中主要監(jiān)測(cè)電壓、電流采集信息如表1所示。將主軌道電路經(jīng)電平級(jí)調(diào)整后的輸出電平即為軌出1，將小軌道經(jīng)過衰耗盒電阻分壓后的輸出電壓稱為軌出2電壓。2 LSTM算法

9、介紹為解決循環(huán)卷積神經(jīng)網(wǎng)絡(luò)（RNN）在長(zhǎng)序列訓(xùn)練過程中出現(xiàn)的梯度消失和爆破問題。通過在RNN中引入遺忘門，形成LSTM網(wǎng)絡(luò)，使輸入門和輸出門的記憶能力更為持久。若GPS信號(hào)是有效的，則可以使用LSTM網(wǎng)絡(luò)學(xué)習(xí)位置速度信息之間的邏輯關(guān)系;若GPS信號(hào)是缺失的，則需要為UPF提供更準(zhǔn)確的輸入信息。圖2為L(zhǎng)STM網(wǎng)絡(luò)隱藏層運(yùn)算圖。LSTM 網(wǎng)絡(luò)具體步驟：（1）決定丟棄序列中的無(wú)用信息為（1）式中：、 、分別為遺忘門輸出和遺忘門的權(quán)重、偏移矩陣;、為隱藏層的輸入向量和序列向量;為函數(shù)。（2）將序列中有用的待更新信息存入當(dāng)前狀態(tài)為 （2）式中：、分別為輸入門的輸出和權(quán)重、偏移矩陣;為經(jīng)過調(diào)整后的新內(nèi)容;

10、激活函數(shù)選用雙曲正切。（3）更新當(dāng)前狀態(tài)為 （3）式中：、分別為上一時(shí)刻和當(dāng)前時(shí)刻的記憶單元狀態(tài)。（4）狀態(tài)輸出為 （4）式中：分別為輸出門的輸出和權(quán)重、偏移矩陣。3 預(yù)測(cè)結(jié)果驗(yàn)證方式將提出的LSTM算法應(yīng)用于軌道電路故障預(yù)測(cè)中，采用時(shí)間序列為：，?（5）式中，為預(yù)測(cè)步長(zhǎng);為數(shù)據(jù)維數(shù);包括歷史數(shù)據(jù)的因素。采用以下指標(biāo)評(píng)價(jià)模型預(yù)測(cè)性能，如式（6）-（9）所示。 平均絕對(duì)誤差（）; 平均絕對(duì)百分比誤差（）; 均方誤差（）;（4）相對(duì)誤差百分比（）。 （6）（7） （8） （9）其中，、分別為待預(yù)測(cè)時(shí)間序列方差、點(diǎn)數(shù)、各點(diǎn)的實(shí)際輸出和模型預(yù)測(cè)輸出。4 模型驗(yàn)證仿真模型數(shù)據(jù)來(lái)自柳州1128G每月一次的

11、維修測(cè)試，內(nèi)容及數(shù)據(jù)如表2所示。優(yōu)化中，核參數(shù)初始值、正則化系數(shù)的取值范圍分別為（0.1，300、0，100。數(shù)據(jù)選擇某路局2016年1月2018年1月時(shí)間段測(cè)的軌出1和軌出2的電壓值作為訓(xùn)練樣本集，預(yù)測(cè)2018年2月（28天）的數(shù)據(jù)。在實(shí)驗(yàn)中，LSTM的隱含層節(jié)點(diǎn)L=20，給定step為5，激活函數(shù)為函數(shù)，經(jīng)過訓(xùn)練后，不同方法性能如表3。為便于直觀，對(duì)表3數(shù)據(jù)進(jìn)行處理，各指標(biāo)結(jié)果繪圖成柱狀圖如圖2所示，可以看出LSTM誤差最小，預(yù)測(cè)效果最佳。圖3給出了SVM、BP、RNN和LSTM算法在2018年2月份的軌出1數(shù)據(jù)的Matlab2014b預(yù)測(cè)仿真圖，可看出LSTM預(yù)測(cè)效果最好。5 實(shí)例驗(yàn)證選

12、用2018年10月發(fā)生的ZPW-2000A電氣分離式斷軌故障數(shù)據(jù)，對(duì)本文算法模型進(jìn)行驗(yàn)證（數(shù)據(jù)由某鐵路局某電務(wù)段提供），具體步驟如下：Step1：分別將本區(qū)段軌出1電壓、相鄰區(qū)段軌出2電壓代入一般SVM、BP、RNN和LSTM模型初始序列;Step2：預(yù)測(cè)數(shù)值，并與門限值比較;Step3：根據(jù)分離式斷軌故障特征分析并判定故障及發(fā)生時(shí)刻。若電氣分離式斷軌表現(xiàn)為區(qū)段紅光帶時(shí)，軌出1、軌出2就是ZPW-200A軌道電路最敏感的參考指標(biāo)，表現(xiàn)為：（1）主軌道：軌出1小于落下門限（170mV）;（2）小軌道：軌出2電壓很低，僅幾毫伏（10mV）。對(duì)軌出1、軌出2數(shù)據(jù)進(jìn)行驗(yàn)證，表4為實(shí)驗(yàn)數(shù)據(jù)如表，預(yù)測(cè)曲線

13、如圖4、圖5所示。（選用參考指標(biāo)參照鐵科運(yùn)200836號(hào)文客運(yùn)專線鐵路信號(hào)產(chǎn)品暫行技術(shù)文件匯編）觀察圖4、圖5發(fā)現(xiàn)2018年10月份，軌出1和軌出2的電壓值均低于門限值，且軌出1和軌出2的預(yù)測(cè)電壓趨勢(shì)與實(shí)際發(fā)生的電氣分離式斷軌現(xiàn)象故障實(shí)測(cè)電壓均吻合，證明該模型有效。若電務(wù)檢修人員在9月份檢查時(shí)結(jié)合軌道電路狀態(tài)發(fā)展趨勢(shì)，對(duì)軌道電路進(jìn)行及時(shí)維修，可阻止運(yùn)行狀態(tài)繼續(xù)惡化，避免事故的發(fā)生。6 結(jié)論故障預(yù)測(cè)是一門新興學(xué)科，旨在使維護(hù)人員提前預(yù)知設(shè)備的健康狀態(tài)。本文通過對(duì)傳統(tǒng)電務(wù)部門軌道電路維護(hù)方式的分析，未對(duì)設(shè)備機(jī)理復(fù)雜、精確模型影響因素眾多考慮，而是從運(yùn)行數(shù)據(jù)出發(fā)建立了基于LSTM的故障預(yù)測(cè)模型。（1

14、）選擇LSTM模型對(duì)ZPW-2000A軌道電路故障預(yù)測(cè)。并與BP、SVM、RNN進(jìn)行了模型預(yù)測(cè)效果對(duì)比試驗(yàn)。最終顯示LSTM模型各個(gè)性能均優(yōu)。（2）通過實(shí)例采用LSTM模型進(jìn)行預(yù)測(cè)驗(yàn)證，與實(shí)際一致。驗(yàn)證了改進(jìn)模型在ZPW-2000A軌道電路故障預(yù)測(cè)應(yīng)用的高效性。參考文獻(xiàn)1 王瑞峰.鐵路信號(hào)運(yùn)營(yíng)基礎(chǔ)M.中國(guó)鐵道出版社，2008.2 董昱.區(qū)間信號(hào)與列車運(yùn)行控制系統(tǒng)M.中國(guó)鐵道出版社，2008.3張友鵬，祁歡，趙斌.軌道電路分路態(tài)檢測(cè)方法研究J.鐵道學(xué)報(bào)，2017，39（1）：70-75.4張友鵬，常高武，趙斌.基于SA算法的無(wú)絕緣軌道電路故障綜合檢測(cè)方法J.鐵道學(xué)報(bào)，2017，39（4）：68-

15、72.5 王秋實(shí)，王小敏.基于FTA與改進(jìn)神經(jīng)網(wǎng)絡(luò)的軌道電路紅光帶診斷方法J.鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2017，61（4）：147-153.6 趙林海，劉成波，冉義奎.無(wú)絕緣軌道電路道砟電阻在線監(jiān)測(cè)方法J.鐵道學(xué)報(bào)，2017，39（8）：101-106.7 徐侃，趙林海.無(wú)絕緣軌道電路補(bǔ)償電容多故障的快速診斷方法J.鐵道學(xué)報(bào)，2018（2）：67-72.8戴勝華，王宇琦.基于SDAE的無(wú)絕緣軌道電路調(diào)諧區(qū)故障診斷研究J/OL.安全與環(huán)境學(xué)報(bào)：1-102021-04-07. https：/10.13637/j.issn.1009-6094.2020.0583.9? 陳星，董昱.基于模糊認(rèn)知圖模型的軌道電路

16、故障診斷J.鐵道科學(xué)與工程學(xué)報(bào)， 2017， 14（9）：1983-1989.10 于曉英，董煜，董昱.基于多方法證據(jù)融合的軌道電路故障診斷J.鐵道學(xué)報(bào)，2021，43（2）：86-94.11 滕金保，孔韋韋，田喬鑫，王照乾.基于LSTM-Attention與CNN混合模型的文本分類方法J/OL.計(jì)算機(jī)工程與應(yīng)用：1-92021-04-07.http：/kcms/detail/11.2127.TP.20210331.1507.016.html.12 陳勇青.海洋環(huán)境影響下的船舶航跡預(yù)測(cè)方法研究D.哈爾濱：哈爾濱工程大學(xué)，2019.13 王婷.ZPW-2000A無(wú)絕緣軌道電路故障預(yù)測(cè)研究D.成都

17、：西南交通大學(xué)，2015.14 任瑞琪，李軍.基于優(yōu)化核極限學(xué)習(xí)機(jī)的中期電力負(fù)荷預(yù)測(cè)J.測(cè)控技術(shù)，2018（6）：15-19.15 劉慶.基于LSTM模型的汽車配件安全庫(kù)存量預(yù)測(cè)研究D.成都：西南交通大學(xué)，2018.16 張志豪，楊文忠，袁婷婷，等.基于 LSTM 神經(jīng)網(wǎng)絡(luò)模型的交通事故預(yù)測(cè)J.計(jì)算機(jī)工程與應(yīng)用，2019，55（14）：249-253+259. Track circuit is an important basic equipment to ensure the safe and reliable operation of trains. With the transition

18、 from fault repair to state repair of railway signal equipment， in order to analyze track circuit monitoring information and formulate a scientific and reasonable maintenance strategy， a fault prediction model method based on LSTM algorithm is proposed. First， the principle of the track circuit structure is analyzed， and on this basis， it is proposed to use the LSTM model to predict its failure. In order to verify the prediction effect of the model， it is proposed to use th