详情

原文传递智慧地铁中光栅阵列振动异常信号的无监督检测方法研究

论文题名：	智慧地铁中光栅阵列振动异常信号的无监督检测方法研究
关键词：	智慧地铁;光栅阵列;振动异常信号;无监督检测
摘要：	地铁运营期间，列车轮和轨道，轨道和道床结构间的长期相互作用，会导致地铁隧道结构出现不同程度的故障和损伤。因此，监测地铁隧道的结构状态对列车安全运营十分重要。随着分布式光纤传感技术的发展，实现地铁沿线结构的全时全域监测变为可能。光栅阵列传感装置可以采集地铁列车经过监测区域时激发的振动响应，而该振动响应的波形特征与监测区域以及列车状态密切相关。因此，检测列车经过监测区域时采集的异常振动响应对预警监测区域结构和列车的状态意义重大。　　作为智慧地铁的重要组成，地铁结构健康监测系统在长期运转中，可采集大量结构稳定状态下的振动响应，这类具有一致性的振动响应可以视为正常序列。相对而言，异常序列的表现则形式多样，分布几率具有随机性，该情况导致建立具有一定规模且带标签的异常信号样本库十分困难。所以，采用主流的有监督分类方法对异常信号进行识别存在限制条件多、应用范围窄的问题。因此，本文针对振动序列波形特征在时间上存在的关联性，利用无监督网络预测模型学习正常振动序列的波形特征。将预测误差视为判别异常序列的基准，提出了基于无监督学习的异常振动序列检测方法，主要研究工作如下：　　（1）设计了基于无监督学习的异常振动序列检测流程。将网络模型输出的预测序列与真实序列间的重构误差作为评判标准。基于重构误差设计了完整的异常检测流程，主要包括异常信号指标计算和异常阈值选择策略。采用长短时记忆(LongShortTermMemory,LSTM)网络作为网络预测模型，对和地铁道床振动响应具有类似性的结构健康监测振动数据集进行异常序列检测的预试验，分析了基于无监督学习的异常振动序列检测原理的合理性及异常检测流程的可靠性。实验结果发现，常规的LSTM网络预测模型对含有不同程度噪声的正常序列的非线性拟合和泛化能力较低，导致识别异常振动序列的能力有限。　　（2）针对网络预测模型对序列的非线性拟合和泛化能力不足的现象，提出了组合LSTM和卷积神经网络(ConvolutionalNeuralNetwork,CNN)并结合注意力机制(AttentionMechanism,AM)的网络预测模型。针对统一的预试验数据集，揭示了卷积核数目、LSTM堆叠层、LSTM单元数目和预测延迟等主要超参数对确立最优网络预测效果的影响。为评价建立的最优网络模型性能，将其与循环神经网络网络、LSTM网络和自编码网络模型开展了比较。基于AUC指标量化了四种异常指标对异常数据识别的影响。最后通过接收者操作特征曲线下方的面积(AreaUnderCurve,AUC)指标验证了CNN-LSTM-AM网络在选取的预试验数据集上识别异常序列具有的优势。　　（3）分析了列车行车激励下结构振动序列特征和异常振动序列产生的原因和波形特征。首先，提出了基于联合统计特征对列车行车激励下的结构振动序列进行端点检测的方法。其次，将经过预试验检验的CNN-LSTM-AM方法用于处理实际工程中采集到的地铁道床振动序列数据集。针对工程中异常标签样本不足的情况，根据真实异常序列特点模拟了三种不同异常程度序列。然后，通过AUC指标并结合真阳性率(TruePositiveRate,TPR)和假阳性率(FalsePositiveRate,FPR)分析和评估了不同异常指标计算方式的性能。最后，利用准确率和F1-score作为评价指标，将提出的异常序列检测方法与其他典型异常序列检测方法的实验效果进行了对比。结果显示基于CNN-LSTM-AM的检测方法可以显著提升对部分连续序列偏离正常状态时的识别效果。
作者：	邱阳
专业：	信息与通信工程
导师：	李盛
授予学位：	硕士
授予学位单位：	武汉理工大学
学位年度：	2022