基于深度置信网络的轨道电路剩余寿命预测

基于深度置信网络的轨道电路剩余寿命预测

基于深度置信网络的轨道电路剩余寿命预测

刘伯鸿1，孙浩洋1，李振环2

(1. 兰州交通大学 自动化与电气工程学院，甘肃 兰州 730070；2. 北京铁科英迈技术有限公司，北京 100081)

摘 要：通过对影响轨道电路运行状态的设备进行分析，构建深度置信网络对微机监测系统记录的轨道电路运行数据及实测数据进行特征提取。采用权重分配的方式结合多种影响设备运行状态的因素计算反映轨道电路运行状态的健康评估指标，通过健康评估指标对轨道电路的运行状态进行划分，根据全生命周期的历史运行数据构建其各个状态的隐半马尔可夫模型。结合深度置信网络对轨道电路的退化状态和剩余寿命进行仿真试验。研究结果表明：采用融合深度置信网络进行特征提取后训练的隐半马尔可夫模型进行剩余寿命预测准确度和退化状态识别率相比原始隐半马尔可夫模型有较大的提高。

关键词：轨道电路；深度置信网络；HSMM；剩余寿命；退化状态

轨道电路是铁路信号系统的重要组成部分，目前，铁路部门对信号设备的维修决策往往以服役时间的长短作为依据[1]。目前，基于微机监测系统的实时运行数据监测技术日趋成熟，基于数据驱动的健康管理系统技术日益完善。现阶段微机监测系统实现了轨道电路全系统运行状态的实时监测，并对监测数据进行记录，为数据驱动技术在铁路领域的研究提供了平台。目前，基于数据驱动的故障预测技术主要应用于齿轮、电力系统及航空发动机等，刘超[2]提出了一种通过提取齿轮在动作过程中的震动信号构建HSMM(Hidden semi Markov model，隐半马尔可夫模型)模型，结合历史数据进行齿轮的剩余寿命估计；丁岩等[3]通过计算电网系统的状态转移概率预测下一阶段的运行状态，避免了发生连锁故障的可能性；刘勤明等[4]提出了一种自适应HSMM模型，通过液压泵运行数据进行仿真试验，验证了自适应HSMM模型在设备健康诊断方面的优越性；单晨晨[5]提出了一种基于深度置信网络结合BP神经网络的航空发动机故障预测方法。综上所述，基于数据的故障预测与健康管理技术在今年来得到大力发展，对历史数据的二次利用，充分发挥其剩余价值成为各大专业的发展方向，本文提出一种基于DBN(Deep Believe Network，深度置信网络)的HSMM模型对轨道电路发送器装置进行了状态转移及剩余寿命的预测，结合轨道电路运行状态历史数据，验证了该方法的在预测方面的有效性与可靠性。本文通过深度置信网络DBN融合多个受限玻尔兹曼机对轨道电路实时监测数据进行特征提取，结合历史故障数据进行健康参数HI及HSMM模型构建，得到DBN-HSMM剩余寿命预测模型，选取发送器10组状态转移数据验证模型健康参数HI及DBN-HSMM模型的准确度和可靠性。

1 基于DBN的健康指标构建

1.1 DBN构成

DBN(深度置信网络Deep Belief Net)由多个RBM(受限玻尔兹曼机Restricted Boltzmann Machine)及分类层构成[6−8]，在进行特征数据提取过程中有着速度快、自动化程度高的特点，本文通过对DBN进行训练，进而实现对轨道电路微机监测数据进行特征提取，构建出轨道电路系统的健康评估指标。

1.2 受限玻尔兹曼机

受限玻尔兹曼机由可见层和隐藏层构成，神经元状态为1时即为激活状态，为0时为未激活状态。受限玻尔兹曼机结构如图1所示。

图1 受限玻尔兹曼机结构示意图

Fig. 1 Restricted Boltzmann machine structure diagram

RBM的能量函数为

“浴血引劫它往？”萧琼杏眼圆睁。萧老夫人沉重地道：“以杀止杀是必由之路，据你羽弟所言祸福相伴所得颇丰，如果萧家远走择时雄起并非难事。可无论你羽弟收获多少也难抵萧家数代心血的结晶，你爹又渴望萧家汉口基业重现辉煌。”

(1)

v为可见层神经元；h为隐藏层神经元，可见层偏置ai，隐藏层偏置bj，介于可见层与隐藏层之间连接二者的权重关系wij；RBM的参数模型可表示为θ={ai,bj,wij}。

由E(v,h)可得出隐藏层与可见层之间得概率分布为

(2)

(3)

Eθ(v,h)为归一化指标

总之，“导论篇”用于说明实验教程的主旨思想与中心要义，以帮助阅者能够快速知悉并理解相关内容，因此在编写过程中应精心处理。

(4)

(5)

Pθ(v)和Pθ(h)分别为可见层和隐藏层神经元的概率分布。

由于RBM中同类型层之间的神经元互不相连，在某一层神经元状态被确定后，其它层神经元的状态相互独立[8]，可得如下概率

(6)

(7)

推倒可得激活概率：

(8)

(9)

激活函数

(10)

1.3 深度置信网络DBN

RBM模型参数表示为θ={ai,bj,wij}，通过最大似然函数训练RBM，似然函数为

(11)

S={v1,v2,∙∙∙,vm}，为了便于计算，极大化似然估计函数Lθ,S可变为极大化lnLθ,S，通过对比散度算法(CD-k)对深度置信网络进行训练。

(12)

(13)

(14)

(15)

ε为学习率。

4.发展现代服务业。以“特效农业+乡村旅游+农村电商”为发展思路，把农业供给侧结构性改革贯彻其中，统筹推进农业农村工作。具体而言：一是按照“一乡一品”“一村一品”的发展格局，规划农业产业和扶贫产业示范基地，推进重点项目建设，形成以示范带为支撑骨架的优势产业集群，培育农业品牌，带动贫困村脱贫、贫困户致富。二是建成“寻味武隆”O2O体验馆、电商运营中心、物流分拨中心和村级电商服务网点，完善农村电商三级服务体系，打造了“寻味武隆”“大巷口”“凤来谷”“赵佳人”等电商品牌，带动贫困户增收和就业率的提高。

DBN训练过程中，将数据输入深度置信网络的可见层，输入数据通过可见层与隐藏层的连接权重、可见层偏置、隐藏层偏置在隐藏层对输入数据进行重构，充分训练后得到训练好的第1层RBM，以此类推，本文采取的深度置信网络结构为3层，当输入数据与重构数据误差最小时，得到训练完毕的深度置信网络。深度置信网络训练流程如图2 所示。

深度置信网络隐藏层节点数根据Kolmogorov定理表明，隐层节点数s=2n＋1(n为输入层节点数)，得到的深度置信网络示意图如图3所示。

图2 深度置信网络训练过程流程图

Fig. 2 Flow chart of deep believe network training process

图3 深度置信网络结构示意图

Fig. 3 Schematic diagram of deep believe network structure

2 健康指标构建

DBN训练过程中，系统输入由可见层逐层传输至隐藏层，由隐藏层进行数据重构，当重构的数据与输入的实际数据误差最小时，此时隐藏层数据为最优，逐层反向训练微调，进而达到全局最优9−10]。通过对历史数据进行滤波和标准化处理，处理后的数据输入DBN网络进行训练，通过调节参数使得重构数据的误差最小，得到训练后的DBN模型，分别输入历史失效数据与微机监测系统实时采集的数据，输出失效特征与当前监测阶段特征，通过实时特征与失效特征的插值构造HI。

(16)

ft为微机监测系统实时采集的数据特征，ffault为历史失效数据特征，HI的序列长度为K。

基于DBN的健康指标构建示意图如图4所示。

图4 基于DBN的健康指标构建结构图

Fig. 4 Structure chart of health indicators based on DBN

3 轨道电路剩余寿命预测模型

ZPW-2000A轨道电路剩余寿命估计系统原理如图5所示。

3.1 HSMM模型

状态个数：N，即轨道电路由正常态到故障共经历N个退化状态S1，S2，S3和S4。

观测值个数：M，对设备的全生命周期运行数据进行划分。

初始概率分布矢量：π=(π1，π2，…，πN)，即轨道电路当前状态处于哪一阶段的概率分布[11−12]，πi=Pr(q1=θi)，1≤i≤N。

状态转移矩阵：A={aij}，即工作状态的转移矩阵，其中aij=Pr(qt+1=j|qt=i)，1≤i,j≤N。

10多年来，祝国寺以大带小的管理和服务，对周边小寺小庙和谐局面的维护，起到很大作用，也为云南省和谐寺观教堂创建工作，提供了一个鲜活的样本。宗教和顺，离开不法治建设，离不开科学有效的管理。在这些方面，我们都看到了国家推进宗教法治化建设，加强宗教管理的实际意义。

输出概率矩阵：B={bj(o), j=1,2,…,N}。

(17)

其中，M={Mj}，代表混合高斯元的个数；c={cjl},代表混合高斯元的权重；μ={μjl}，代表均值向量；U={Ujl}，代表协方差矩阵。其中1≤j≤N。

混合系数矩阵

(18)

假定补偿电容观测值维度为d, cjl为状态Sj的第l个混合参数，满足约束：

赋矿层礁灰岩礁灰岩存在许多孔隙，如沉积物原生孔洞（隙）、砂（砾）之间空隙、岩石（层）之间差异收缩裂（空）隙、层间裂隙等，这些孔洞（隙）成为储矿空间含矿。

(19)

均值矩阵

陷坑以单体形式和群体形式出现，以陷坑群体出现的塌陷少则2个，多则5～6个。单个陷坑形状呈圆形、椭圆形、长条形或不规则形出现，大多数周边伴有弧形裂缝，多数陷坑干涸无水，位于水渠边陷坑塌陷后重新被水灌满，部分陷坑仍可见水流现象(图3)。西侧山沟塌陷呈串珠状分布(图4)，陷坑面积相对较小，一般4～60 m2，塌陷深度3～7 m；东侧山沟塌陷呈北西向、北东向和近南北向分布，坑面积相对较大，多以群体出现，一般4～1 000 m2，塌陷深度1～10 m。

随着我国经济的发展，民众环保意识得到了显著提升，在享受物质生活的同时，也更加关注环境保护问题，我国科技人员对农村生活污水处理系统加大研究力度，其中以人工湿地技术与一级生物处理相结合的方法为目前的主流技术。

(20)

协方差矩阵

(21)

图5 轨道电路剩余寿命估计系统原理图

Fig. 5 Schematic diagram of track circuit residual life estimation system

状态补偿电容的Sj其概率密度函数可表示为：

众所周知，汉语言文学主要包含汉语言学与文学两部分，在我国作为语言基础研究学科，其内容包含民族、世界与中国等文学内容，有很强的包容性。学习汉语言时，加强学习其意境是十分重要的。意境来自生活而又超越生活，以此深入了解作者内心世界。因此高中学生提高对语言意境的分析能力，以此深入了解作者内心世界，养成更好的文学素养。

(22)

其中：

(23)

状态驻留时间分布矩阵：P={Pi(d)}表示每个状态的概率分布。Pi(d)=P(d|qt=i),1≤i≤N，1≤d≤D。D为全生命周期模型中每种状态的持续时长，通过其分布得出驻留时间的方差及均值。综上所述，连续性HSMM可表示为：λ=(N,M,π,A,B,P)，其中B=(c,μ,U)。对HSMM模型的训练过程就是对λ各项参数进行赋值的过程。隐半马尔可夫模型状态转移示意图如图6所示。

图6 隐半马尔可夫模型状态转移示意图

Fig. 6 State transition diagram of hidden semi Markov model

3.2 剩余寿命预测

剩余寿命预测是在确定当前设备处于正常运行状态的基础上，判断设备在当前运行阶段的剩余使用寿命[13−14]，结合HSMM模型的状态驻留时间参数对其剩余正常工作时间进行预估。在约束条 件为

阿拉伯文因字形差别太大，不属于楔形字形进化的序列。即使闪族语系原来是统一的语言，但在闪族语使用的同时，至少在中东地区还有埃及语、阿拉伯语和波斯语，怎么能说天下的语言是统一的呢？

(24)

情况下最大化

(25)

得到状态驻留时间

(26)

(27)

基于HSMM剩余寿命估计的基本思路是通过对衰耗盘微机监测数据进行归一化处理，通过DBN对监测数据进行特征提取，得到由特征数据构成的全生命周期运行状态HSMM模型，然后根据式(26)和式(27)求取各状态的驻留时间单元D(h0)，D(h1)，∙∙∙，D(hN)N表示总的状态数，判断设备当前所处的退化状态。

4 基于DBN-HSMM的剩余寿命预测

本文通过深度置信网络进行特征数据提取，采用数据特征训练HSMM模型，通过HSMM模型识别当前微机监测数据所处的状态结合HSMM模型的状态驻留时间对ZPW-2000A轨道电路进行剩余寿命的预测。在特征提取部分，采用深度置信网络对数据进行重构并将健康评估指标赋予其作为数据标签，进行后续的隐半马尔可夫模型退化状态识别并计算设备剩余寿命。原始隐半马尔可夫模型在进行剩余寿命预测阶段由于面对突发性数据畸变，无法进行准确的判断，结合深度置信网络进行特征提取后，由于DBN的窗函数可对影响运行状态评估的畸变数据进行过滤，避免了原始隐半马尔可夫模型在进行故障预测过程中所存在的弊端。

由于隐半马尔可夫模型在处理一维数据方面具有优势(例如语音信号)[15]，本文采用深度置信网络对监测数据进行降维，将二维的轨道电路设备运行状态监测数据的时域和幅值转化为数据标签集，即为HI序列，提升隐半马尔可夫模型的故障预测效果。

剩余寿命计算利用后向递归算法计算得知设备在当前运行状态时的剩余使用寿命[16−19]，以yi为例，RULi表示发送器运行状态为yi时的剩余使用寿命

马铃薯常见虫害有地下害虫、蚜虫、瓢虫等，地下虫害可在播种沟内配合底肥撒施3%辛硫磷颗粒剂防治，蚜虫可在苗期采用10%吡虫琳可湿性粉剂喷雾防治，瓢虫可用2.5%氯氟氰菊醋乳油喷雾防治。马铃薯常见病害有晚疫病、疮痂病、病毒性病等，晚疫病可用70%代森锰锌可湿性粉剂喷施防治，疮痂病可用65%代森锰锌可湿性粉剂喷雾防治，可采用脱毒种薯、淘汰病株的方法预防马铃薯病毒性病害。同时要加强草害防治，可用72%异丙草胺于苗前进行封闭灭草，或用24%烯草酮乳油于苗后进行除草等。

设备运行状态为yN−1时

(28)

设备运行状态为yN-2时

(29)

设备运行状态为yi时

(30)

分别计算设备处于当前运行状态的剩余寿命上限和下限。

(31)

(32)

μ(yi)表示状态yi的状态持续时间均值，σ2(yi)表示状态yi的状态持续时间方差。

对王家会站1992—2016年中水期流量实测流量资料进行统计分析。水位流量关系相关性比较散乱，单值化处理后的关系性也较差，见图5。主要原因为中水期流量较小，影响流量变化的控制因素不如高水时稳定。通过对资料的分析，选取了近六年即2011—2016年的实测资料进行单值化处理，相关性比较好，见图6。

5 仿真实验

5.1 退化状态划分

仿真实验过程中，结合各项参数融合后构造的HI值将轨道电路的全生命周期划分为4个退化状态，轨道电路设备退化状态划分情况如图7所示。

图7 状态划分示意图

Fig. 7 State division diagram

5.2 权重指标及退化状态识别

现以某铁路局已服役完的发送器为例，结合其历史运行参数进行仿真实验，根据表2所确定的权重结合DBN构建HI。

表2 权重指标

Table 2 Weight index

评估指标权重 运行环境0.177 7 实时状态0.327 6 工作时间0.054 7 工作试验0.056 6 检修记录0.297 6 电气特性测试0.086 8

本文通过发送器历史数据构建其健康指标，结合预测数据进行对比，验证模型的可靠性。通过实际数据所计算得出的HI值与经DBN重构特征数据计算得到的HI值进行对比。发送器HI随时间变化的曲线如图8所示，经深度置信网络对特征数据进行重构的发送器HI如图9所示。

图8 发送器HI变化曲线

Fig. 8 Transmitter HI change curves

由图9与图10的对比可见，采用深度置信网络对发送器运行参数进行特征重构所得的HI与实际运行状态的发送器HI误差处于合理范围内，即DBN可以较好的提取运行参数的特征数据。

5.3 状态识别概率对比

HSMM参数估计过程为：

1) 确定初始模型λ=(π,A,B,Pj(d))和观测序列，基于初始模型λ结合广义前−后向算法计算得到P(O|λ)的初始值，判断P(O|λ)收敛的阈值τ。

2) 通过各参数的重估公式求得新的参数值,将各个参数重估值代入前−后向变量递归公式计算新的P(O|λ)值。

3) 计算差值D-value，比较D-value的绝对值和收敛阈值τ的大小,最终确定HSMM的模型。HSMM训练过程如图10所示。

图9 DBN重构的发送器HI变化曲线

Fig. 9 Hi curve of transmitter reconstructed by DBN

图10 HSMM参数重估过程

Fig. 10 HSMM parameter revaluation process

设置参数重估误差值τ为0.000 1，开始迭代，迭代收敛情况如图11所示。

综上所述，现代电气工程的建设和发展过程中，对于自动化技术及智能化已经取得了明显的进步，通过智能化技术已经提升了电气工程的发展效果，为了保障整体电气工程的技术应用，还应该注重对电气智能化控制技术进行分析，充分发挥电气工程智能化和自动化的优势，将电气智能化更好的应用到电气工程的各个领域，从PLC技术到故障诊断技术全面提升电气智能化的技术效果。

图11 HSMM参数重估迭代收敛情况

Fig. 11 Iterative convergence of HSMM parameter revaluation

可见当迭代数大于20次后，HSMM收敛。选取发送器工作至第15 a至第25 a之间(健康状态处于由第2状态至第4状态转移之间)的50组工作数据对模型可靠性进行验证。

表3 传统HSMM识别结果

Table 3 Traditional HSMM recognition results

状态状态1状态2状态3状态4识别率/% 10000— 27319362 33633866 425152856

表4 DBN-HSMM识别结果

Table 4 DBN-HSMM Recognition results

时间循环状态1状态2状态3状态4识别率/% 10000— 22452190 30444288 40134692

表3和表4通过对DBN-HSMM和传统HSMM对发送器状态转移过程中的数据进行退化模式识别的识别率进行对比可见，融合了深度置信网络进行特征参数处理的HSMM模型在退化状态识别方面有更高的识别率。

互联网和教育作为推进未来社会发展的两大核心动力，将在很大程度上影响受教育者在未来社会的竞争力。医学院校专业性强，专业课程培养占去学生学习的绝大部分时间，学习非专业的知识没有足够的时间和精力，为了培养出适合社会发展需要的复合型医学专业人才，网络教育无疑是一个很好地解决方式，既解决了时间问题又提供丰富的教育资源。让医学生在专业领域外获取更多更广的知识，做到医学与人文融通，培养出更加优秀的医学人才。

代入10组数据结合训练后的各状态HSMM计算似然概率，似然概率最高的即为当前输入数据所处的状态。

各状态的预测结果如图12所示。可以看出，当样本数据较少时，预测模型能保持较高的状态识别率。

图12 试验数据似然概率

Fig. 12 Likelihood probability of test data

5.4 剩余寿命预测结果

1) 采用发送器全生命周期运行数据构建HSMM；

2) 结合DBN重构数据计算各个状态运行数据健康评估指标HI；

3) 计算HSMM全生命周期状态驻留时间的均值和方差；

4) 通过计算实时监测数据的健康评估指标HI确定监测数据所处的运行状态，进而计算剩余寿命上、下限。

表5 DBN-HSMM预测模型状态转移概率

Table 5 State transition probability of DBN-HSMM prediction model

状态正常状态轻微退化中期退化故障状态 正常状态0.960 40.039 600 轻微退化00.791 50.208 50 中期退化000.802 60.197 4 故障状态0001

表6 DBN-HSMM预测模型状态持续时间

Table 6 DBN-HSMM prediction model state duration

状态持续时间均值持续时间方差 正常状态135.792 8 k1 219.103 8 轻微退化24.103 6 k203.148 3 中期退化9.095 1 k91.032 7 故障状态6.061 4 k45.233 5

表7 DBN-HSMM预测模型状态驻留时间

Table 7 DBN-HSMM prediction model state dwell time

状态正常状态轻微退化中期退化故障状态 D(yi)135.897 1k24.1210 k9.102 9 k6.065 3 k

通过对比RUL预测结果可见，基于DBN- HSMM的轨道电路剩余寿命预测方法相对于传统HSMM在剩余寿命预测精确度和可靠性方面有较大的提升，验证了DBN-HSMM在进行剩余寿命预测方面的有效性。

表8 DBN-HSMM预测模型预测RUL结果

Table 8 DBN-HSMM prediction model predicts RUL results

样本状态剩余寿命区间[RULlower,RULupper]实际剩余寿命预测情况 1正常状态75.028 4 k[93.904 4 k,94.121 8k]94.092 6 k正确 2轻微退化148.507 1 k[20.425 7,20.524 0 k]20.427 6 k正确 3中期退化165.076 1 k[3.856 7,3.974 1 k]3.858 6 k正确

6 结论

1) 通过深度置信网络对轨道电路实时监测数据进行特征提取，采用多特征信息融合的方式构造轨道电路运行状态健康评估参数HI。

2) 结合历史运行数据中的典型数据，结合构建的HI对数据赋予标签后采用历史数据训练DBN- HSMM模型。

3) 在仿真试验过程中，通过对轨道电路发送器的退化状态进行识别，经分析对比表明，基于DBN- HSMM的状态识别准确率相对原始HSMM模型有30%左右的提高。

4) 在进行剩余寿命预测方面，融合了深度置信网络进行特征提取的HSMM预测结果精确度更高。

参考文献：

[1] 黄赞武. 轨道电路故障预测与健康管理关键技术的研究[D]. 北京: 北京交通大学, 2013: 21−50. HUANG Zanwu. Research on key technologies of track circuit fault prediction and health management[D]. Beijing: Beijing Jiaotong University, 2013: 21−50.

[2] 刘超. 基于隐半马尔科夫模型的风电机组齿轮箱故障预测[D]. 北京: 华北电力大学, 2016: 16−34. LIU Chao. Fault prediction of wind turbine gearbox based on hidden semi-Markov model[D]. Beijing: North China Electric Power University, 2016: 16−34.

[3] 丁岩, 郭和强. 基于隐马尔可夫模型的电力系统连锁故障预测[J]. 电网与清洁能源, 2017(9): 93−98. DING Yan, GUO Heqiang. Hidden Markov model based cascading fault prediction for power system[J]. Power Grid and Clean Energy, 2017(9): 93−98.

[4] 刘勤明, 李亚琴, 吕文元, 等. 基于自适应隐式半马尔可夫模型的设备健康诊断与寿命预测方法[J]. 计算机集成制造系统, 2016, 22(9): 2187−2194. LIU Qinming, LI Yaqin, LÜ Wenyuan,et al. Equipment health diagnosis and life prediction based on adaptive hidden semi Markov model[J]. Computer Integrated Manufacturing System, 2016, 22(9): 2187−2194.

[5] 单晨晨. 基于深度置信网络的发动机状态监控研究[D]. 天津: 中国民航大学, 2017: 10−35. SHAN Chenchen. Research on engine condition monitoring based on depth confidence network[D]. Tianjin: China Civil Aviation University, 2017: 10−35.

[6] 孙上鹏. 无绝缘轨道电路故障诊断方法研究[D]. 北京:北京交通大学, 2014: 45−90. SUN Shangpeng. Research on fault diagnosis method of insulated track circuit[D]. Beijing: Beijing Jiaotong University, 2014: 45−90.

[7] 张凤霞. ZPW-2000A轨道电路健康管理系统的研究[D].兰州: 兰州交通大学, 2015: 10−50. ZHANG Fengxia. Research on ZPW-2000A track circuit health management system[D]. Lanzhou: Lanzhou Jiaotong University, 2015: 10−50.

[8] 王秋实. ZPW-2000A型无绝缘移频轨道电路智能故障诊断方法研究[D]. 成都: 西南交通大学, 2017: 25−55. WANG Qiushi. Research on intelligent fault diagnosis method of ZPW-2000A non-insulated frequency shift track circuit[D]. Chengdu: Southwest Jiaotong University, 2017: 25−55.

[9] 杨杰. ZPW-2000A型轨道电路可靠性与安全性研究[D]. 北京: 北京交通大学, 2018: 22−47. YANG Jie. Research on reliability and safety of ZPW-2000A track circuit[D]. Beijing: Beijing Jiaotong University, 2018: 22−47.

[10] 贾楠. ZPW-2000A健康状态评估及维修策略优化研究[D]. 兰州: 兰州交通大学, 2019: 10−40. JIA Nan. ZPW-2000A health assessment and maintenance strategy optimization[D]. Lanzhou: Lanzhou Jiaotong University, 2019: 10−40.

[11] HOU W, FAN X. A testability modeling method for analog circuit fault prediction[J]. Prognostics & System Health Management Conference, 2017(12): 1−6.

[12] Bessa I V D, Palhares R M, Filho J E C. Data-driven fault detection and isolation scheme for a wind turbine benchmark[J]. Renewable Energy, 2016(87): 634−645.

[13] FENG L, ZHANG Y, LI X, et al. Independent component analysis based on data-driven reconstruction of multi- fault diagnosis[J]. Journal of Chemometrics, 2017, 31(12): 512−520.

[14] LIU X, XU X, JIANG Z, et al. Application of the state deterioration evolution based on bi-spectrum entropy and HMM in wind turbine[J]. Chaos Solitons & Fractals, 2016(89): 160−168.

[15] Gonzalez I, Cartella F, Enescu V, et al. Recognition of facial actions and their temporal segments based on duration models[J]. Multimedia Tools & Applications, 2015, 74(22): 10001−10024.

[16] 廖雯竹, 李丹. 基于SAEM-HMM的设备状态诊断模型研究[J]. 系统工程理论与实践, 2017, 37(7): 1910− 1918. LIAO Wenzhu, LI Dan. Research on equipment state diagnosis model based on SAEM-HMM[J]. Theory and Practice of System Engineering, 2017, 37(7): 1910−1918.

[17] 米根锁, 张凤霞, 魏蕾. 基于剩余寿命的铁路轨道电路调整型维修方法研究[J], 铁道学报, 2019, 4(37): 69−74. MI Gensuo, ZHANG Fengxia, WEI Lei. Research on adjustment maintenance method of railway track circuit based on residual life[J]. Journal of the China Railway Society, 2019, 4(37): 69−74.

[18] Amini M. A new locally optimum watermark detection using vector-based hidden Markov model in wavelet domain[J]. Signal Processing, 2017(137): 213−222.

[19] JIANG H, CHEN J, DONG G. Hidden Markov model and nuisance attribute projection based bearing performance degradation assessment[J]. Mechanical Systems and Signal Processing, 2016(72−73): 184−205.

Residual life prediction of track circuit based on depth believe network

LIU Bohong1, SUN Haoyang1, LI Zhenhuan2

(1. School of Automatic & Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China; 2. Tieke Yingmai Technology Co., Ltd., Beijing 100081, China)

Abstract: In this paper, through the analysis of the equipment that affects the running state of the track circuit, the in-depth confidence network was constructed to extract the characteristics of the running data and the measured data of the track circuit recorded by the microcomputer monitoring system, and the health assessment index reflecting the running state of the track circuit was calculated by the way of weight distribution combined with a variety of factors that affect the running state of the equipment, and the track was evaluated by the health assessment index. The operation state of the circuit was divided. The hidden semi-Markov model of each state was constructed according to the historical operation data of the whole life cycle, and the degradation state and the remaining life of the track circuit were simulated with the depth confidence network. The test results show that the hidden semi-Markov model trained after feature extraction is used to predict the remaining life. Compared with the original hidden semi Markov model, the accuracy and the degraded state recognition rate are greatly improved.

Key words: track circuit; deep believe net; HSMM; residual life; degradation state

中图分类号：U284.2

文献标志码：A

文章编号：1672 − 7029(2020)09 − 2387 − 10

DOI: 10.19713/j.cnki.43−1423/u. T20191139

收稿日期：2019−12−23

基金项目：国家自然科学基金地区项目(61661027，61664010)

通信作者：刘伯鸿(1968−)，男，甘肃临洮人，副教授，从事轨道交通自动化及控制方面的研究；E−mail：[e-mail]

(编辑 蒋学东)