基于RBF-DRNN应答器传输系统高速适应性评估方法研究

许庆阳，孟景辉，段贺辉，罗依梦

(1.中国铁道科学研究院集团有限公司 基础设施检测研究所，北京 100081；2.北京铁科英迈技术有限公司，北京 100081)

列车运营速度是衡量一个国家高速铁路发展水平和国家工业科技水平的一项重要指标,随着中国国家铁路集团“CR450科技创新工程”的逐步推进[1],标志着速度为400 km/h的高速铁路已成为未来发展方向。伴随着列车运行速度的不断提高,现有信号系统设备能否满足实际运营需求仍需进一步研究。应答器作为车-地信息传输基础设备之一[2],用于向列控系统车载设备提供关键行车信息,其一旦在更高速条件下不能满足列车运行要求,轻则影响行车,降低运输效率,重则危及行车安全[3]。故需针对应答器传输系统进行速度适应性研究。

国内学者主要利用理论模型对传输系统的高速适应性展开分析,如赵会兵等[4]为定量评估应答器信息接收单元(Bolise Transmission Module,BTM)的高速适应性,提出BTM动态特性关键参数的理论计算方法与测试方法;李正交等[5]采用马尔可夫方法建立应答器传输系统可靠性评估模型,分析列车运行速度对系统可靠性指标的影响程度;陈大伟[6]通过建立应答器传输理论仿真模型,定量分析多普勒频移、动态作用距离、噪声等参数与列车运行速度之间的关系。以上研究大都是建立在理论模型的基础上对应答器传输系统高速适应性进行分析,而铁路现场环境复杂,理论模型及方法的适用性有待验证。

本文基于高速综合检测车采集的应答器动态检测数据[7],以BTM接收到的有效报文帧数作为应答器传输系统高速条件下的适应性评估指标,采用径向基函数(Radical Basis Function,RBF)神经网络,拟合列车运行速度与车载设备接收比特数之间的非线性关系,用于评估高速度级下车载设备接收比特数,之后利用深度递归神经网络(Deep Recurrent Neural Network,DRNN)建立接收比特数、误码率、有效率与有效报文帧数之间的关联关系模型,最后基于RBF模型预测的高速度级下车载设备接收比特数,结合应答器实际误码率、有效率,评估传输系统在高速度级下接收到的有效报文帧数,并利用现场实际采集数据对模型准确性进行验证,从而分析应答器传输系统在高速条件下的适应性。

1 应答器高速适应性评估指标

应答器传输系统由地面应答器、车载天线及BTM组成[8],其工作流程见图1,地面应答器被激活后,发送4.234 MHz上行链路信号,该信号被BTM接收后,经过滤波、放大、解调、译码等处理,得到应答器传输报文信息,从而被车载安全计算机使用[9]。由此可见,报文信息被正常译码标志着传输系统工作正常,在同一速度级下,车载设备接收到正确报文数越多,系统的容错性越强,说明其在该速度级下具有更高的适应性。因此选取BTM有效接收报文帧数作为应答器传输系统高速适应性评估指标。

图1 应答器传输系统工作流程

在不考虑线路误码率的情况下,应答器BTM接收到的报文数NT计算式为

(1)

式中:NB为车载设备接收到的总比特数;nbal为一帧报文数据码位数,长帧报文下nbal=1 023 bit[10];LD为车地有效作用距离;VT为列车运行速度,VB为数据平均传输速率。

通过式(1)可知,当车地有效作用距离一定时,列车速度越高,车地有效作用时间越短,这导致车载设备接收到的有效报文帧数逐渐减少,图2为车载设备接收有效报文帧数随列车速度的变化规律,可发现在300 km/h及更高速度等级条件下,车载BTM正常情况下平均接收到的有效报文帧数仅为4帧,甚至更低。一旦线路传输条件恶劣,车载设备接收不到完整报文的概率将大大增大,同时有效报文帧数与速度呈阶梯状负相关,若直接基于历史数据进行有效报文帧数在更高速度等级的评估,结果具有不确定性。

图2 速度与有效报文帧数关系

2 基于RBF-DRNN的应答器高速适应性评估方法

基于RBF-DRNN的应答器高速适应性评估方法整体思路见图3。首先基于通过速度在350 km/h以下的应答器检测数据,训练得到速度与接收比特数之间的RBF回归模型。然后基于DRNN建立接收比特数、有效率、误码率与有效报文帧数的评估模型,通过学习数据中的动态信息来推断列车在高速行驶状况下车载设备接收有效报文帧数的变化趋势。最后以通过速度达350 km/h以上的数据作为验证集,基于已建立RBF回归模型可以得到高速等级下的接收比特数信息,这些信息直接输入至DRNN有效报文帧数评估模型,从而实现对更高速度下车载设备接收到的有效报文帧数进行预测。

2.1 基于RBF的应答器接收比特数回归预测模型

作为一种前馈型神经网络,RBF泛化学习能力更强,采用径向基函数作为隐藏层的“基”,在面对非线性问题时,能以任意精度进行全局逼近,有效解决了BP神经网络局部最优解的问题。同时RBF神经网络对隐含层各节点采用线性加权的形式得到输出层结果,其输入输出映射更强,具有良好的自适应功能。故选取RBF神经网络作为应答器接收比特数回归预测模型,其总体思路见图4。

图4 基于RBF的应答器接收比特数回归预测总体思路

在利用RBF神经网络对速度与接收比特数关系进行回归分析时,由于线路与车体环境影响,在同一速度级下,列车接收到的比特数存在一定差异,大多时候无法对比特数进行精确评估,而对同速度级下,BTM接收比特数的变化趋势与变化空间进行预测显得更为重要,若能掌握BTM接收比特数随速度变化趋势与变化空间,更便于现场掌握应答器传输系统的速度适应性。

故对同一速度级下BTM接收比特数进行处理,得到最小(Low)、平均(R)、最大(Up)接收比特数与速度关系样本集,分别采用RBF网络建立Low、R、Up的回归预测模型,预测在高速度级下BTM接收比特数的变化趋势和变化空间。

采用高斯函数作为应答器接收比特数回归预测RBF神经网络的径向基函数[12],则激活函数R(xp-ci)和网络输出yj为

i=1,2,…,hp=1,2,…,P

(2)

j=1,2,…,np=1,2,…,P

(3)

式中:‖xp-ci‖2为欧式范数,xp为第p个样本的输入,ci为第i个隐含层节点基函数的中心;h为隐含层节点数;P为样本数;ωij为隐含层到输出层的连接权值;n为输出层节点数;yj为输出层节点j的实际输出;σ为基函数的宽度参数。

为保证RBF神经网络的准确性,需对ci、σi和ωij三个参数进行学习,计算步骤见图5,为避免基函数过于分散,本文中各隐含层节点基函数宽度参数σi保持一致,其计算式为

(4)

式中:cmax为各隐含层中心之间最大距离。

得到隐含层节点参数后,计算各节点间的连接权值ω如下

i=1,2,…,hp=1,2,…,P

(5)

2.2 基于DRNN的应答器有效报文数评估模型

DRNN神经网络采用多隐藏层结构,具有强大的学习能力,可深度描述应答器接收比特数、误码率、有效率与接收报文数之间复杂的非线性关系。同时应答器传输系统的传输性能应与其使用时间有一定的关联性,而DRNN网络通过增设反馈关联层,使网络的输出能关联到每一时刻的历史信息,具有良好的动态记忆能力,在自调节训练期间通过前馈传递和反向网络参数优化更新,学习历史数据中潜在依赖性信息[14],并基于学习的动态信息有效揭示在列车高速行驶状况下有效报文帧数的变化趋势。训练完成后的DRNN模型可以自动评估应答器有效报文帧数,所构建的模型见图6。

针对路线多样性,需构建一个通用模型对不同线路中应答器传输有效报文帧数进行预测。考虑各线路上应答器传输的误码率和有效率具有显著的模式特征,因此采用包括接收比特数、误码率、有效率的多变量序列数据作为输入数据用于DRNN模型学习,以提升模型对于不同线路的泛化能力。通过对多变量序列数据的内在关联性特征以及连贯的动态依赖性进行学习,DRNN模型可以准确地预测不同线路下的应答器有效报文帧数。将时间跨度T内的上述参数,作为补充数据输入至模型,从而得到多变量输入序列X={xt|t=1,…,T},其中xt=(speedt,totalBitt,bert,validRatet);对应的输入序列为有效报文帧数序列Y={vt|t=1,…,T}。

该DRNN模型由一个输入层、三个长短期记忆(LSTM)网络层、一个全连接层以及一个输出层堆叠构建,每个LSTM网络层和全连接层均采用Dropout正则化技术,以防止过拟合问题。通过这种构建方式,网络的内在状态和参数被分布在不同层次以增强记忆尺寸[15]。三个堆叠LSTM层计算并输出多变量序列的状态信息为

(6)

(7)

(8)

式中:M为样本数。

每一次训练后,通过反馈传播将模型的总体损失发送至DRNN中,以此更新梯度参数。直至所有训练完成后,基于Adam随机优化器来有效传播梯度并最小化损失函数[16]。

3 实验验证

以某线路联调联试过程中应答器动态检测数据为依据,选取通过速度在350 km/h以下的应答器检测数据作为训练集,350 km/h及以上的应答器检测数据作为测试集进行验证。结果如下:

(1)基于RBF的接收比特数回归预测模型

图7为最小、平均、最大接受比特数与速度的RBF拟合结果。为评估模型的准确性,选用误差平方和SSE、确定系数R-square作为评估指标,可发现Low、R、Up三种拟合模型的SSE值分别为3.076×107、3.247×107、7.056×107,R-square分别为0.999 6、0.999 6、0.999 4,三种拟合模型的R-square均接近于1,说明基于RBF的应答器接收比特数回归模型对列车通过速度为350 km/h及以下的应答器接收比特数评估效果良好。

图7 基于RBF网络建立速度-比特数拟合结果

(2)基于DRNN的有效报文帧数评估模型

对联调联试数据进行异常值剔除后,选取列车通过速度在350 km/h及以下的应答器检测数据作为样本数据集,按照8∶2的比例划分为训练集与测试集样本。利用训练集数据完成应答器传输性能评估DRNN模型的训练,之后利用测试集数据验证模型的准确性。图8为DRNN神经网络测试结果,为量化模型的评估结果,选择均方根误差RMSE和平均绝对误差MAE作为模型评估指标[17],计算式为

图8 基于DRNN神经网络的训练集评估结果

(9)

(10)

误差越小说明模型拟合结果越好。经计算得到模型RMSE=0.130 4,MAE=0.098 7,可发现DRNN可以有效地评估不同时间内有效报文帧数。

(3)基于RBF-DRNN的应答器高速适应性评估结果

基于训练好的RBF神经网络和DRNN模型,对样本中列车运行速度达350～385 km/h的BTM接收报文帧数进行评估,通过与实际测量值进行对比,从而评估所提出方法的准确性。

图9为基于训练好的RBF网络预测350 km/h以上速度时,BTM接收到的最大、最小以及平均比特数预测结果与误差,可以发现整体而言,随着列车速度等级的提升,车载设备接收到的比特数呈下降趋势,且基于RBF网络的平均误差约为3.85%,其中速度-平均接收比特数的RBF模型误差最小,平均误差仅为1.65%。

图9 350 km/h以上速度条件RBF网络预测结果及误差

基于RBF网络预测速度大于350 km/h条件下BTM接收比特数后,需进一步结合线路实际误码率、有效率,对BTM接收有效报文帧数进行评估,从而为应答器传输系统在350 km/h以上条件下的适应性评估提供依据。图10为列车通过地面应答器时速超过350 km/h条件下,车载BTM实际接收报文数与RBF-DRNN模型预测报文数的对比结果,求得预测模型RMSE=0.480 0,MAE=0.456 2,整体误差相对较小,且实际接收报文数基本处于模型评估的最大、最小接收报文之间,其中平均误差为0.45帧,最大的绝对误差为0.81帧。

表1为采用不同方法进行高速度级下报文数的预测结果,可发现多项式回归(Polynomial Regression)模型训练测试时间最短,但是预测精度误差最大;相较于直接利用速度进行报文数的预测模型,RBF-DRNN模型虽然训练时间相对较长,但是基于训练好的模型进行测试数据的评估时间基本一致,均保持在20 ms左右,且RBF-DRNN模型对高速度级下报文数的预测误差远低于其他方法,说明采用RBF-DRNN方法可以更好地评估应答器传输系统在高速条件下接收报文数。

表1 不同模型报文预测结果对比

4 结论

基于应答器动态检测数据,本文提出一种应答器高速适应性评估方法。首先针对应答器传输系统作用过程,选取BTM接收有效报文帧数作为传输系统高速适应性评估指标,然后采用RBF神经网络构建了列车运行速度与车载设备接收比特数之间的非线性关系模型,并预测更高速度等级下BTM接收比特数,之后采用DRNN神经网络建立BTM接收有效报文帧数与接收比特数、有效率、误码率的关联关系模型。最后以某线路联调联试数据为依据,以350 km/h以下速度的应答器检测结果为训练集样本,建立RBF-DRNN模型,以350 km/h以上速度的应答器检测结果进行验证。实验结果表明,基于RBF-DRNN的应答器高速适应性评估方法可对350 km/h及以上条件下,应答器接收有效报文帧数进行评估,最大的绝对误差为0.81帧。可见,该方法能有效评估车载BTM在更高时速条件下的接收报文数,为400 km/h以上高速铁路应答器传输系统的适应性分析提供一定的参考意义。