基于LSTM網絡高速列車懸掛系統故障預測方法研究

張傳凱，劉佳龍

（1.北京市地鐵運營有限公司，北京 100005；2.北京地鐵工程管理有限公司，北京 100005；3.東北大學機械工程與自動化學院，遼寧沈陽 110819）

1 研究背景

隨著高速列車運營質量普遍性提升以及車輛運行速度不斷提高，其安全性成為運行與發展首要問題。懸掛系統作為高速列車重要組成部分，對其開展故障預測研究至關重要。Ye等將多尺度排列熵(Multiscale Permutation Entropy，MPE)與線性局部切空間排列（Linear Local Tangent Space Alignment，LLTSA)結合，實現對懸掛系統故障診斷。其他方法如采用卡爾曼濾波器、模糊神經網絡方法同樣能夠對高速列車懸掛系統進行故障診斷。但是，高速列車懸掛系統故障預測研究卻未得到普遍開展，目前我國高速列車主要是采用里程計劃維護策略，隨著智能化和信息化不斷推進，開展相關故障預測研究越來越重要。

由于長短時記憶（Long Short-Term Memory，LSTM）網絡在故障診斷領域優于深度神經網絡（Deep Neural Network，DNN）、循環神經網絡（Recurrent Neural Network，RNN）、卷積神經網絡（Convolutional Neural Network，CNN）的性能，因此廣泛應用于故障預測診斷領域。例如，利用LSTM網絡對旋轉機械進行剩余壽命預測；通過LSTM網絡對艦船軟件運行進行健康狀態預測；建立齒輪箱正常運行時的油溫監測LSTM網絡模型，實現對齒輪箱故障預測；將基于一對多法構造支持向量機長短時記憶網絡（SVM-LSTM）的壽命預測方法應用于高鐵牽引系統中。因此，LSTM網絡故障預測已是各行業中普遍采用的方法。

高速列車運行時原始振動加速度信號呈現非線性、非平穩特征，在每個數據采集點表現出數據波動較大且噪聲干擾較明顯，無法直接從原始信號中判斷早期故障發生時間。文章以時域均方根值和峰度值指標為例，構建其健康因子（Health Indicators，HI）曲線，并通過 LSTM網絡對關鍵部件進行健康狀態預測，以期證明基于LSTM網絡的高速列車懸掛系統故障預測方法行之有效。

2 LSTM網絡概述

LSTM網絡是一種特殊的RNN，通過學習算法以及精準控制輸入門、輸出門及遺忘門的開啟和關閉來解決普通RNN在長序列訓練中梯度消失和梯度爆炸問題。

RNN結構及其展開圖如圖1所示，xt為t時刻輸入；st為t時刻隱藏層特征；ot為t時刻的輸出；U，V，W分別表示為輸入層、輸出層和隱藏層的權值參數。t時刻隱藏層計算公式如下：

式（1）～式（2）中，f（?）為非線性激活函數；ht為t時刻隱藏層狀態值；U和W為參數矩陣；st-1為t-1時刻隱藏層特征。

ot在t時刻輸出計算公式如下：

式（3）中，g（?）為歸一化指數函數（Softmax）；V為參數矩陣。

LSTM網絡與RNN區別在于循環神經單元的節點設置。針對RNN不可長期記憶問題，LSTM網絡增加一個長期記憶單元狀態（cell -state），并引入輸入門、輸出門以及遺忘門3個門控循環單元，用于控制記憶更新與遺忘，保證重要信息始終被記憶，同時遺忘掉不太重要信息，實現記憶在隱含層單元中存儲和流動，即允許網絡學習何時忘記歷史信息以及何時用新信息更新存儲器單元。通過學習算法以及精準地控制輸入門、輸出門以及遺忘門的開啟和關閉，解決普通RNN在長序列訓練中的梯度消失和爆炸問題。

LSTM網絡遺忘門控制單元計算公式如下：

式（4）中，ft為遺忘門控制單元，代表遺忘上一層隱藏細胞狀態的概率；遺忘門的輸入分別為上一序列隱藏狀態ht-1和當前時刻序列數據xt；σ（?）為激活函數，通常使用S型函數（sigmoid）；LSTM網絡通過上一時刻輸出ht-1和當前時刻輸入xt共同組成輸入向量[ht-1，xt]；bf為遺忘門偏置向量；Wf為遺忘門權值矩陣，則得到[0，1]范圍內的遺忘門輸出數值ft。

圖1 RNN結構及其展開圖

LSTM網絡單元中輸入門是更新“新輸入信息”到當前時刻的單元狀態，由2部分組成，計算公式如下：

式（5）～式（6）中，it為輸入門控制單元，生成的向量確定某些信息在短期內狀態ht-1用于更新細胞狀態；是經it測試后被添加到長期細胞狀態內產生；bi和bc為輸入門偏置向量；Wi和Wc為輸入門權值矩陣。激活函數tanh為雙曲正切函數。

LSTM網絡最新更新長期狀態計算公式如下：

式（7）中，基于之前時刻狀態Ct-1與遺忘門輸出ft的乘積決定將過去長期記憶單元中不相關信息進行遺忘，加上輸入門的結果，從當前時刻輸入中提取緊要信息，對短期記憶單元中信息進行更新，以此決定最新的更新長期狀態，其中為元素相乘。

LSTM網絡輸出門控制單元計算公式如下：

式（8）～式（9）中，ot為輸出門狀態；bo為輸出門偏置向量；Wo為輸出門權值矩值；ht為t時刻輸出門控制單元輸出。

3 基于 LSTM網絡高速列車轉向架健康狀態預測

3.1 高速列車轉向架健康狀態退化模型

在進行多體動力學建模過程中，需要考慮所建模型與實際車型的高度相似性，使用多體動力學分析軟件SIMPACK建立高速列車轉向架及整車非線性動力學模型時，需要將實際列車運行過程中的輪軌接觸非線性幾何關系和作用力考慮其中。在軟件中建立高速列車轉向架動力學模型，如圖2所示。

3.2 轉向架健康狀態預測步驟及評價指標選取

為保證高速列車正常運行，需要在構架、車身和軸箱等重要位置添加傳感器采集實時信息，并通過信息融合反映高速列車典型部件實時健康狀態，設置關于高速列車橫向減振器健康程度，從100%、90%、…、10%進行模擬仿真，高速列車轉向架退化狀態建模流程主要包括以下5個部分，具體步驟如下。

圖2 高速列車轉向架動力學仿真模型

（1）退化振動數據采集。選取傳感器采集的高速列車轉向架橫向減振器運行過程不同程度的歷史退化數據，采樣頻率為243 Hz，列車運行仿真時間為3 990 s，選取固定通道傳感器采集原始故障信息數據，每個通道采集959 670個數據點。以其中某一通道車體中部橫向振動加速度傳感器為例，其原始振動加速度信號如圖3所示，全壽命周期過程中，隨著橫向減振器不同程度損壞以及外界其他因素影響，原始振動加速度信號在每個數據采集點表現出數據波動較大且噪聲干擾較明顯，無法直接從原始信號中判斷早期故障發生時間。

圖3 車身中部橫向加速度原始信號

（2）數據歸一化。將原始振動加速度信號歸一化至[0，1]區間內，歸一化數據計算公式如下：

式（10）中，x*為歸一化數據；x為原始數據；xmin和xmax分別為每個傳感器在退化時間序列的最大值和最小值。

（3）HI健康因子構建?；谏鲜龆嗤ǖ纻鞲衅鬟M行特征融合，構建能夠表征高速列車橫向減振器性能狀態程度變化的健康因子曲線。

（4）健康狀態預測?；谏鲜霁@得的HI健康因子曲線通過實時LSTM網絡預測模型對高速列車健康狀態進行實時預測。

（5）健康預測算法評估。對LSTM網絡預測算法進行性能評價，評價指標采用均方根誤差RMSE和平均絕對誤差MAE。

文章采用RMSE和MAE兩個評價指標對提出的預測算法進行性能評價。計算公式如下：

式（11）～式（12）中，n為測量次數；ηi為1組測量值與平均值的偏差，i=1，2，…，n。

3.3 基于 LSTM網絡高速列車轉向架健康狀態預測

實驗中分別基于多維振動加速度信號數據構建表征高速列車健康狀態的均方根值和峰度值2個健康因子的HI健康狀態曲線，共444個樣本，以其中356個前期樣本作為訓練樣本，以89個后期樣本作為測試樣本進行預測，根據其他研究對象文獻作為參考，具體實驗參數如表1所示。

表1 高速列車轉向架健康狀態預測實驗參數

根據以上實驗參數設置，分別從均方根值、峰度值2個角度對高速列車的實時健康狀態進行預測，均方根值健康因子曲線如圖4所示，從圖中可知，均方根值在高速列車健康狀態退化過程中有所增加，將預測值與觀測值數據進行對比，如圖5、圖6所示。

從圖5可知預測值與實際觀測值無論是從趨勢還是從數值上都比較吻合，只是在第80個樣本之后預測有一定偏差。從圖6所示的誤差圖可以看出，樣本之間的誤差值有所增加，誤差絕對值范圍為[0.000 6，0.081 3]，所得RMSE為0.016 3，MAE為0.012 7。

圖4 均方根值健康因子曲線

圖5 均方根值健康因子觀測值與預測值對比曲線

圖6 均方根值健康因子預測誤差值

根據實驗參數設置，從峰度值角度對高速列車實時健康狀態進行預測，高速列車運行退化狀態峰度值健康因子曲線如圖7所示。

從圖7中可知，峰度值在高速列車健康狀態退化過程中有所增加，將預測值與觀測值進行對比如圖8、圖 9所示。

圖7 峰度值健康因子曲線

圖8 峰度值健康因子觀測值與預測值對比曲線

圖9 峰度值健康因子預測誤差值

從圖8可知預測值與實際觀測值無論是從趨勢還是從數值上都比較吻合，圖9的誤差圖中可以得知樣本之間的誤差值無較大明顯變化，誤差絕對值范圍為[0.000 3，0.238 6]，所得RMSE為0.010 8，MAE為0.048 8。

綜上所述，利用LSTM網絡復雜數據趨勢學習能力，在高速列車懸掛系統故障預測中取得了良好效果。

以均方根值為健康因子預測，其RMSE和MAE分別為0.016 3和0.012 7；以峰度值為健康因子預測，其RMSE和MAE分別為0.010 8和0.048 8。經分析，以上2種健康因子誤差值均較小，同時結合圖5、圖8，可以得出預測數據和實際觀測數據擬合度很高，預測數據的趨勢符合實際觀測數據的趨勢。

因此，文章所采取的基于LSTM網絡高速列車懸掛系統故障預測方法所得到的預測值可以反映出實際未發生的裝備退化過程，從而實施針對性的健康管理工作，是一種可行的預測高速列車懸掛系統故障方法。

4 結論

文章提出了一種基于LSTM網絡的高速列車轉懸掛系統故障預測方法。利用SIMPACK獲得懸掛系統在各健康狀態下運行的仿真實驗數據，提取其均方根值和峰度值特征構建HI曲線，通過LSTM網絡對其進行分析與預測，得到了與實際觀測值誤差很小的預測值，預測值HI曲線與實際觀測值HI曲線擬合程度很高。實驗結果驗證了文章所提出的高速列車懸掛系統故障預測方法可行性。