高铁接触网吊弦故障检测方法

张学武

(中铁第一勘察设计院集团有限公司，西安 7 10043)

1 引言

电气化铁路的接触网沿轨道上空“之”字形架设，其主要功能是控制接触线的高度，保证弓网系统获得良好的受流质量[1].吊弦支撑着整个接触网，在承力索和接触线之间进行力的传递，是接触网系统最为重要的部件[2].高速铁路接触网长期暴露于自然环境中，由于恶劣的天气和受电弓在列车行驶过程中的冲击作用，吊弦可能出现断裂和松弛等故障，危及行车安全.目前，吊弦故障检测通过人工现场检查的方式进行，这种方式不仅工作量大，而且容易受到主观因素影响，很难保证检查质量.因此，吊弦自动检测技术已成为铁路部门关注的研究热点.Li等[3]从时频分析角度提取统计特征，再利用分类算法对接触网吊弦进行故障检测.卞建鹏等[4]提出了一种基于改进胶囊网络与CV模型结合的吊弦故障识别算法.西南交通大学工程研究院以接触网系统图像为研究对象，提出了一种将深度可分卷积与目标检测网络相结合的吊弦故障检测方法[5].这种方法首先采用定位网络(DPLN)获取位置，然后利用故障识别网络(DFRN)对吊弦故障类型进行识别.基于图像的深度学习技术进行吊弦故障检测，容易受光源、视角和复查背景等环境因素影响，检测精度有限.本文基于吊弦的加速度信号数据，利用深度学习技术对接触网吊弦进行故障检测，可弥补通过图像进行吊弦故障检测的一些不足.在脉动风和受电弓冲力同时作用下，承力索和接触线上检测点的加速度信号特征比较强烈，LSTM网络模型良好的时序特征表达能力使得吊弦断裂和松弛故障容易被检出.但仅在脉动风作用下，吊弦断裂或松弛时加速度信号特征比较微弱，吊弦故障难以检测.本文融合卷积神经网络强大的特征提取能力和循环神经网络的时序表达能力，同时在网络中引入注意力机制，建立CNN-LSTM和CNN-LSTM-Attention融合网络模型.在网络训练过程中，使用贝叶斯优化方法进行超参数选择，得到最优的网络模型.

2 数据来源

由于高速列车的弓网系统一直处于运行状态，无法在实际的接触网上安装加速度传感器采集数据.因此，本文建立弓网动态仿真模型，通过仿真实验获取接触网接触线和承力索检测点的振动加速度信号数据，为接触网吊弦的故障检测提供数据支持.

2.1 试验段接触网参数

本文基于非线性有限元方法[6-8]对兰新高铁试验段建立弓网动态仿真模型，接触网试验段的里程为K3066+568.795～K3065+588.795，该区段对应的接触网参数如表1所示.

表1 接触网的设计参数

2.2 传感器布局与仿真数据

试验段接触网每跨长度为50米，共有9个吊弦，每隔5米在承力索和接触线之间安装1根吊弦.加速度传感器的安装位置，如图1所示.1#～5#加速度传感器依次部署在承力索上支持点1内侧0.7m处、支持点2内侧0.7m处、承力索跨中处、接触线跨中处和接触线上跨中吊弦9处.每个加速度传感器可获取水平和垂向加速度数据.

图1 传感器空间布置图

实验中采集仅在脉动风作用的情况下，接触网第一吊弦断裂、跨中吊弦断裂、第一吊弦和跨中吊弦同时断裂和无断裂4种运行状态的数据.每种情况利用仿真软件计算200次，采样频率为277.77Hz，每条样本采样时间为17.28s，4800个数据点.

3 接触网吊弦故障检测模型

仅在脉动风作用下，吊弦断裂或松弛时承力索和接触线震动强度较小，测点加速度信号特征比较微弱.为提升神经网络的特征提取提取能力，本节建立两种融合网络模型：CNN-LSTM和CNN-LSTM-Attention.

3.1 CNN-LSTM网络模型

卷积神经网络(Convolutional Neural Networks,CNN)[9-11]是在全连接神经网络的基础上，引进卷积计算，利用卷积层代替全连接层来进行特征提取的神经网络.循环神经网络(Recurrent Neural Network,RNN)[12,13]是一种可以根据上下文信息学习序列数据的时序特征的神经网络.本文融合卷积神经网络对空间特征和循环神经网络对时序的表达能力，建立CNN-LSTM融合网络模型.如图2所示，CNN-LSTM融合模型由四部分构成：信号的输入层、卷积层、LSTM层以及全连接层.其中输入层接收5个加速度传感器采集的10路加速度信号，信号长度为200；卷积层利用1D-CNN的卷积、池化操作进行特征提取；LSTM层堆叠两个LSTM单元进行时序特征的提取；最后通过全连接对提取的特征进行故障识别.

图2 CNN-LSTM网络模型

3.2 CNN-LSTM-Attention网络模型

尽管CNN-LSTM网络模型融合了CNN和LSTM的特征表达能力，但CNN-LSTM只利用了LSTM最后一个时间步输出.为克服这一不足，本文引入注意力机制，将LSTM前几步输出信息融合，形成CNN-LSTM-Attention网络模型.如图3所示，该模型包括5部分：信号输入层、1D-CNN特征提取层、LSTM时序特征提取层、引入注意力机制的特征选择层和全连接层.

图3 基于注意力机制的吊弦故障检测模型

4 实验与分析

对于所提出的两种网络模型，进行训练时有较多超参数需要选择，为了得到最优的网络参数和训练过程参数，采用贝叶斯优化方法[14,15]对其进行超参数优化.

4.1 模型训练

首先配置深度学习环境，然后搭建CNN-LSTM网络模型和CNN-LSTM-Attention网络模型.对数据集使用五折交叉验证，运用贝叶斯优化方法选择超参数，CNNLSTM和CNN-LSTM-Attention的超参数名称和取值范围相同，如表2所示.

表2 待选择超参数空间

超参数优化选取的结果如表3所示.对深度网络结构参数和训练参数调优后，接下来进行网络模型的训练.从图4可以看出，随着迭代次数的增加，CNN-LSTM算法和CNN-LSTM-Attention算法逐渐收敛，对于测试集，两种网络模型都达到了很高的故障识别准确率.

图4 模型训练过程

表3 超参数选择结果

4.2 结果分析

表4对比了LSTM、CNN-LSTM、CNN-LSTM-Attention三种网络模型在测试集上的评价指标Precision、Recall、F1-score和Accuracy.从表4可以看出，CNN-LSTM接触网吊弦故障检测模型的识别准确率达到了96.38%，相比较LSTM网络模型，提高了3%以上.CNN-LSTM模型不仅利用LSTM网络提取了振动加速度信号的时序特征，而且利用卷积神经网络进行了空间特征的提取，网络模型效果更好.在CNN-LSTM网络模型基础上，引进注意力机制，形成CNN-LSTM-Attention故障检测模型，其查准率和查全率均为98.20%，所得到的网络模型预测效果最佳.与CNN-LSTM网络模型比较，CNN-LSTM-Attention组合了两种网络模型的优点，并利用注意力机制综合进行特征信息的重组和选择，故障检测的查准率和查全率都提升了1.8%.

模型 评价指标

Presicion Recall F1-score Accuracy

LSTM 93.00% 93.20% 93.10% 93.00%

CNN-LSTM 96.40% 96.40% 96.40% 96.38%CNN-LSTM-Attention 98.20% 98.20% 98.20% 98.13%

5 结论

本文主要针对仅脉动风作用下接触网吊弦断裂或松弛时检测点加速度信号特征不明显，故障难以识别问题，提出了两种融合网络模型：CNN-LSTM模型和CNNLSTM-Attention模型.通过实验验证了两种融合网络模型对吊弦故障检测的有效性，其中CNN-LSTM-Attention模型由于综合了卷积神经网络强大的特征提取能力、循环神经网络的时序建模能力和注意力机制的特征分析能力，在吊弦振动加速度较为微弱的情况下，具有更加优异的特征提取能力，使得网络模型的故障检测精度更高.