基于CAE和OCSVM的地铁道岔异常检测

为提高地铁道岔设备异常检测的准确率，提出了基于卷积自编码器与单类支持向量机的异常检测框架。以ZDJ9型交流电动转辙机为研究对象，使用现场运行过程中采集到的三相电流数据。首先，在数据预处理阶段，为保留原始数据的时频信息，本文利用短时傅里叶变换将原始一维时间序列数据转化为时频矩阵。同时，为综合利用多域信息，将每一相电流数据所对应的时频图堆叠，构成三维特征信息。然后，采用卷积自编码器对预处理后的图像数据进行进一步的降维与特征提取。最后，将提取出的特征输入到单类支持向量机进行异常检测模型训练。实验结果表明，相较于直接使用原始一维时间序列进行异常检测，结合时频与多域信息的模型具有更高的准确率以及F1-Score。

近年来，由于中国铁路行业的迅速发展，轨道交通对人们的出行提供了极大的便利。铁路上相关设备的正常运行是保证列车安全高效运行的关键因素，因此，在快速发展的铁路行业中，对铁路信号设备维护工作的要求也越来越高。道岔作为铁路信号设备中的重要基础设备之一，控制列车在不同进路间转换，是保证列车安全高效运行的不可或缺的关键节点。道岔由于工作负荷大、工作环境恶劣等特点，容易出现故障，进而导致一系列的问题，比如列车晚点、列车脱轨等，对人们的生命财产安全产生巨大威胁。

在实际现场环境中，道岔设备工作电流曲线被视为判断其工作状态的重要指标。工作人员往往是通过观察信号集中监测系统中采集到的道岔转换过程中电流曲线来判断道岔在转换过程中的整体的工作情况。在发生故障时需要维护人员利用工作经验以及专业知识处理故障。这种方式往往无法及时地识别出故障，而且由于维护人员自身能力等因素，极易导致误报与漏报的情况的频繁发生[1]。这在对铁路系统的运行带来安全隐患的同时，也浪费了大量的物力人力。因此，以机器为主导的智能化道岔设备运行状态异常检测有着重要的现实意义。

随着轨道交通行业的快速发展，针对道岔设备进行异常检测的研究已成为人们的研究重点[2]。目前，基于数据驱动的道岔设备异常检测智能方法主要可以分为三个步骤：数据预处理、特征提取以及模型构建。在数据预处理方面，现有研究大多是直接保留采集到的动作电流曲线与功率曲线等原始一维数组。在提取特征信息部分，主要利用曲线距离度量技术与信号处理技术完成初步信息提取。如根据弗雷歇距离、快速动态时间规整等来计算待测曲线与标准模板之间的相似度[3] [4]，利用小波变换提取时频特征信息等等[5]。随着人工智能技术在各领域内的研究与应用不断成熟，浅层机器学习模型在道岔异常检测模型构建等方面实现了相关技术的应用。如结合支持向量机、K 最近邻算法等分类器进行道岔异常检测与故障类型的判定[6] [7] [8] [9] [10]。尽管这些方法也被证明有效，但是对专家经验的依赖度很高。

随着深度学习的快速发展， 利用深度学习进行自动特征提取能够有效降低对专家经验的依赖。

Zhang等人提出了结合卷积神经网络提取深层次的特征信息并降低数据维度的方法[11]。Zhuang 等人提出了一