基于并行图卷积网络的无砟轨道监测测点异常识别

孙 立，郏凯亮，林 超，黄 永，李 惠

(1.中铁第四勘察设计院集团有限公司 线站处，湖北 武汉 430063；2.哈尔滨工业大学 土木工程智能防灾减灾工信部重点实验室，黑龙江 哈尔滨 150006)

高速铁路(以下简称“高铁”)轨道的结构状况关系着高速列车能否正常运营,若存在安全隐患可能对旅客的生命安全、国家财产造成严重威胁[1]。结构健康监测技术能够及时评估和预警结构的异常状态,从而实现对可能发生损伤的结构构件进行详细检查及维修,最大程度避免大量财产损失[2]。目前,国内外研究者[3-4]针对土木工程结构健康监测技术进行了大量研究。欧进萍等[5]基于光纤拉断引起菲涅尔反射机理设计多段分布式光纤裂缝监测系统用于监测混凝土随机裂缝;朱宏平等[6]研究子结构与整体结构的关系,提出大型复杂结构的健康体检方法;李宏男等[7]研究建立大桥拱桥监测系统,并应用于沈阳伯宫大桥;罗尧治等[8]设计了雄安站屋盖结构无线健康监测系统,并利用实际数据进行验证。相比传统的土木工程结构,铁路设施的建设关系国计民生,其安全性尤为重要。为更清楚地掌握服役铁路轨道状态,研究者们进行了铁路轨道监测相关研究。周洋等[9]将网络链路拓扑结构转化为树形结构,在指定位置设置监测传感器实现高铁故障链路定位;冷伍明等[10]研究既有重载铁路过渡段沉降监测数据,分析沉降规律并利用模型预测差异沉降;杜彦良等[11]研究武汉长江大桥监测及评估系统,并根据运行结果验证了系统的可靠性;林超[12]研究了持续高温对CRTSⅡ型板式无砟轨道温度场影响。高铁无砟轨道作为一种新型轨道形式,为列车的高速行驶提供了必要条件,且高速列车多为载客列车,因此保证高铁无砟轨道运营安全尤为重要。然而,动态大荷载高铁无砟轨道的健康监测方法却鲜有报道。

随着计算机科学和人工智能技术的发展,具有提取图特征能力的图卷积神经网络被广泛应用于各个领域。王增光等[13]基于图卷积神经网络实现了短期交通速度的预测;曾筠程等[14]将图卷积神经网络与长短期记忆网络和注意力机制结合,利用时空特征建立预测模型,实现了短时交通速度预测;杨光泽等[15]基于图卷积网络建立有向图嵌入的自注意力模型,建立毕业去向预测方法;张刘超等[16]研究图卷积神经网络在组学数据分类的预测效能,通过对比验证了图卷积神经网络在组学数据分类存在的巨大潜力;Guo等[17]利用时空数据训练学习并优化图卷积神经网络,实现对交通运输量的预测;Geng等[18]将不同的区域关系建模为多个图,通过多图卷积网络的显式建模实现对出租车需求量的预测;Li等[19]通过研究Graph WaveNet[20],利用数据之间的时空相关性提出一种斜拉桥监测异常数据的检测方法。

针对高铁无砟轨道状态监测,本文提出一种基于并行图卷积神经网络的高铁轨道异常监测测点识别方法,利用图卷积神经网络学习传感器各测点之间的空间关联性,根据空间关联性预测传感器测量结果,进而判断测点数据是否异常。本文提出的方法基于对数据的评估,可以实现对高铁无砟轨道结构健康状况评估的目的。

1 并行图卷积神经网络模型

结构同一区域的传感器测点之间往往存在较强的空间关联性,利用不同测点之间的关联性可以实现对监测数据的预测,根据预测与实测数据的差异可实现测点异常识别的目的。然而,若用于预测的测点数据存在异常,异常的输入造成图卷积神经网络预测不准确进而影响对其他测点的预测准确性。本文提出一种并行图卷积神经网络模型用于监测测点的预测,该方法通过分散预测输出对输入测点的依赖,降低了局部异常数据对图卷积神经网络预测结果的影响,且多个并行图卷积神经网络可有效提高预测精度。

1.1 可学习邻接矩阵的并行图卷积层

本文提出的并行图卷积神经网络包含M个并行的图卷积层,每个图卷积层均参与学习不同测点之间的空间关联性。每个图卷积层均采用可学习邻接矩阵对各测点数据进行卷积运算,多个并行的图卷积神经网络的卷积运算结果在融合层融合后,得到预测结果的标准值,每个并行的图卷积层为

( 1 )

1.2 图卷积神经网络架构

图1 并行图卷积网络结构

图卷积层个数M的取值和模型预测精度及计算复杂度紧密相关。试验结果表明:M取值越大,预测越精确,但是相应耗时会越多。此外,M增大到一定程度后,继续增大,模型预测结果提升效果并不明显。因此,综合考虑预测精度和计算效率等因素,本文将M取值为12。

图卷积运算过程如下:

2)12个图卷积层与其权重系数相乘在融合层利用tanh激活函数非线性处理,再对各个非线性处理后的结果累加作为标准化的预测值,融合层为

( 2 )

1.3 损失函数和惩罚项

利用传感器采集的早期初始状态的监测数据训练图卷积神经网络,训练过程采用MSE损失函数L,即

( 3 )

式中:m为批量训练数据量的大小。

若自身结点信息对自身结点进行模型预测,其贡献过多时,模型不能有效的学习不同传感器测点之间的空间关联性,会降低预测结果的准确性。为尽可能降低或者避免这种现象,引入惩罚项R,即

( 4 )

式中:tr(·)为矩阵的迹;λl为第l个图卷积神经网络邻接矩阵主对角线元素的惩罚项系数,其值越大,邻接矩阵主对角线元素参与预测的作用越小。

引入惩罚项R后的并行图卷积神经网络模型的损失函数Lu为

( 5 )

1.4 并行图卷积神经网络的特点

并行图卷积神经网络模型采用图1所示的12个并列的图卷积层,以及其后的融合层。并行图卷积神经网络具有以下优点:

1)每个图卷积层均采用tanh激活函数的非线性处理,增加了模型对非线性映射关系的预测能力。

2)利用多个并行邻接矩阵进行图卷积运算,每个不同的图卷积层提取图关系的特征不同,多个图卷积层运算结果融合后,使得模型具有更准确的预测能力。

3)单个的图卷积邻接矩阵较为稀疏,预测结果对单个节点的依赖较大,权重相对集中,若被依赖节点异常则会影响预测结果。多个并行图卷积层融合后的预测结果并不强烈依赖少数结点,邻接矩阵权重相对分散,单个测点异常不会对预测输出造成明显影响。

2 无砟轨道监测测点异常识别方法

利用可学习邻接矩阵的并行图卷积网络对高铁无砟轨道结构监测测点之间的空间关联性进行建模。结构早期状态相对完好且监测系统性能良好,因此采用监测系统早期采集的数据训练并行图卷积神经网络模型,并使用训练后的模型预测后续监测数据,通过实测数据与预测数据的对比,判断轨道监测数据的异常情况,进而识别结构测点的异常状态。若数据中出现明显漂移现象,则根据预测模型学习得到的空间关联性建立有向图,消除漂移数据的影响,更新预测数据,更准确地评估高铁轨道结构状态。

2.1 空间关联性建模与数据预处理

通常情况下,结构健康监测系统由多个测点组成,且测点数据间可能存在较强的非线性关系,仅分析结构两两测点数据之间的空间关联性不能够准确描述其关系且造成其他有关联性数据测点的浪费。因此本节利用基于并行图卷积神经网络建立结构健康监测测点数据异常识别方法,将监测测点建模为有向图上的结点,利用早期数据训练图卷积神经网络,对结点的关联性进行空间关系建模。训练后的模型用于预测后续监测数据,根据预测数据与测量数据的差异诊断监测数据。

预测某一个监测测点时需要利用同一时间的其他测点数据,因此将同一时间的所有测点数据合并一组数据样本。为避免信息缺失以及数据质差的影响,将缺失数据的数据点、超过3倍数据标准差范围的数据点剔除,得到筛选后的数据用作数据异常识别。

( 6 )

式中:xn,t为测点n对应的传感器在时间t所采集的数据;μn为测点n各个时间段测得的xn,t的均值:σn为测点n在各个时间段测得的xn,t的方差。

2.2 监测测点异常识别

经过训练后可获得12个并行的图卷积神经网络的邻接矩阵A(1),A(2),…,A(12)以及每个图卷积层对应的权重k1,k2,…,k12。模型预测数据和实测值对比结果可分为3类:数据正常、数据异常、明显漂移(明显异常)。正常数据和异常数据的区别在于残差是否过大,而明显漂移数据则是整体数据的大范围漂移。利用12个图卷积层的计算结果进行融合得到预测值,因此预测输出不会过分依赖某一个测点的数据,在数据没有明显漂移的情况下,单个测点的异常数据对网络预测结果不会产生较大影响。

结构测点异常识别的流程见图2。

图2 结构监测测点异常识别步骤

具体步骤如下:

Step1对传感器采集的数据进行预处理,删除异常值,利用预处理后的数据以时间顺序按照1∶2划分训练集和预测集,将训练集前1/3数据视为早期结构完好状态,后2/3数据作为后期服役状态数据,用来诊断结构或健康监测系统是否出现异常。

Step2建立包含12个并行图卷积神经网络的预测模型。利用训练集数据训练网络模型,学习不同测点之间的空间关联性。

Step3预测集数据经过标准化处理后输入并行图卷积神经网络模型得到预测输出的标准值,并将其进行逆标准化变换得到预测输出。

Step4对比实测值和预测值,实现无砟轨道监测数据的异常诊断。若实测值与预测值趋势无偏差,可认为各测点无异常;若某些传感器测点有偏差则认为局部测点异常,建议检查无砟轨道监测区域,确定是否为结构局部损伤;若预测输出和测量值存在明显漂移,则可利用有向图进行分析,修正预测结果。

以异常节点为中心建立有向图分析方法为:模型训练完成后,将后续的实测数据输入到网络得到预测数据,将预测数据与实测数据明显漂移的测点视为异常测点。以明显漂移结点为中心结点根据加权邻接矩阵Am建立有向图。

按照上述方式建立的有向图表示明显漂移结点对其他结点预测的影响。加权邻接矩阵Am为

( 7 )

本方法对同一区域的传感器网络,当测点冗余度较高时,测点数据的预测可以达到较高的精度。

3 工程数据验证

本文数据来源于某高铁无砟轨道监测工点,采集2015—2017年无砟轨道应变监测数据,其监测系统见图3。路基、桥梁地段无砟无缝线路应变测试见图4、图5。图4、图5中,应变测量传感器为23个,编号为1～23。

图3 无砟轨道监测系统

图4 路基地段无砟无缝线路应变测试

图5 桥梁地段无砟无缝线路应变测试

3.1 数据预处理及网络模型建立

将同一时间段的23个传感器的数据合并作为单个样本,剔除异常数据,共有可用数据样本75 907组,其中2015年3月26日至12月31日的29 745组数据作为训练数据,2016年1月1日至2017年2月28日的46 162组数据作为预测数据集。模型学习率设置为0.001,图卷积神经网络邻接矩阵主对角线元素的惩罚项系数λl设定为0.1,l=1,2,…,12,单次训练样本批量大小为64,训练回合为500。

3.2 测点异常识别结果

利用2015年3月26日至12月30日的数据训练并行图卷积网络模型,使模型学习到早期无砟轨道的不同传感器测点数据之间的空间关系。结构空间关系用图6(a)中的加权邻接矩阵表示,其元素值大小表示不同测点间的预测权重。为了对比,单个的图卷积邻接矩阵A(1)见图6(b)。由图6可以看出,Am相较于A(1)更加分散,即多个并行图卷积层融合后的预测结果并不强烈依赖少数结点,这也是并行图卷积网络结构的优势。如果结构无损伤且传感器监测未发生故障,邻接矩阵表征的各个测点数据之间的关联性不会改变,否则,图卷积神经网络的预测结果和实测值会出现偏差。模型训练完成后,将所有时间的数据样本输入模型,得到包含所有结点的预测结果,无异常测点的数据实测值与预测值见图7,异常测点的数据实测值和预测值见图8。对比预测值和实测值,其中大部分测点预测值与实测值趋势一致,少数几个测量传感器在数据的时间后期出现了预测值与实测值偏差的情况。图7中预测值和实测值吻合度很好,可以认为对应的传感器和结构局部位置均没有异常。图8中传感器测点预测值和实测值在早期(2016年12月31日之前,为模型训练阶段)吻合较好,传感器2和6的后期监测数据(模型测试阶段)预测值和实测值两者发生了较明显偏差。下面通过加权邻接矩阵对此两个测点进行进一步分析。

图6 加权邻接矩阵和单层邻接矩阵

图7 无异常测点的数据实量值与预测值

根据加权邻接矩阵可以得到预测传感器2和6数据对应各传感器的权重见图9。由图9可以看出,传感器受到多个测点影响,并没有对某一个测点过分依赖,因此测点出现非明显漂移情况对预测影响较小。此外,可以推断传感器2和6等测点在服役阶段出现异常,其原因可能是局部结构异常或传感器故障,可根据此诊断结果对局部区域进行检查。

图9 预测传感器2和6数据对应各传感器的权重

4 有向图在消除漂移数据影响的应用

监测系统的传感器在役过程中往往会出现数据漂移现象,可能是传感器出现故障等问题引起。为了研究有向图分析在消除漂移数据影响的应用,且考虑到本文所利用的实际数据集并无测点数据明显漂移现象,将制造漂移数据进行研究。传感器3实测数据和制造漂移数据见图10。由图10可知,在其他测点无偏移现象情况下,此测点预测数据无偏移现象。将传感器3的监测数据在第50 000个数据点后的所有数据点的数值增加1 000作为漂移数据。注意到构造漂移数据的目的只是研究有向图在消除漂移数据影响的应用潜力,模拟的漂移数据不一定完全符合实际,将来对实际的漂移数据可进一步深入研究。

图10 传感器3实测数据和制造漂移数据

根据加权邻接矩阵可以获得传感器3数据对其他测点数据的预测权重,见图11。由图11可知,传感器3对传感器1、6、8、9、10的预测权重较大,且权重均为正,传感器3漂移数据输入网络模型后其他测点的预测结果见图12。由图12可以看出,2个传感器测点数据的残差(预测值与实测值之差)为正,实际上传感器8、9、10的预测输出结果与此类似。异常节点为中心节点的有向图见图13,其为第50 000个数据样本点之后的数据利用并行图卷积神经网络预测输出和监测数据计算得到的残差以异常传感器3为中心节点的有向图。图13中,红色节点表示残差为正;蓝色节点表示残差为负;箭头的方向表示节点之间预测关系,箭头表示传感器3的测量数据对传感器1、6、8、9、10的预测输出有影响。由图13可以看出,中心节点和其相邻节点残差正负号相反,且传感器3对传感器1、6、8、9、10预测影响权重为正(影响权重即为图6的加权邻接矩阵的元素),所以可以判断残差为正的5个传感器测点受到了传感器3的明显漂移数据影响产生的偏差。这是因为传感器3的漂移数据整体增大,残差为负;传感器3漂移数据以较大权重参与预测的传感器1、6、8、9、10的预测输出则会随着传感器3的正向漂移而大于实测数据,残差为正。根据有向图和测点残差,可推断传感器1、6、8、9、10残差均为正的原因是受到了传感器3明显漂移数据的影响。为了解决此问题,利用图10(a)的传感器3的预测数据替代实测数据输入网络模型得到预测输出,传感器3预测数据替代漂移数据后其他测点预测结果见图14。由图14可以看出,图12中的异常恢复,消除了由明显数据漂移现象造成预测不准确的影响。因此,对于存在明显漂移数据的情况,可利用预测数据替代测量数据来消除明显漂移数据造成预测偏差。

图11 传感器3数据对其他测点数据的预测权重

图12 传感器3漂移数据输入网络模型后其他测点的预测结果

图13 异常节点为中心节点的有向图

图14 传感器3预测数据替代漂移数据后其他测点预测结果

5 结论

针对高铁轨道健康监测系统在服役过程中可能出现结构局部损伤或者发生传感器故障的问题,本文提出一种基于并行图卷积神经网络的高铁无砟轨道监测测点异常识别方法。该方法的图卷积层采用多个可学习的邻接矩阵学习各传感器测点间的空间关系,并通过实测值和预测值的对比实现测点数据是否异常的诊断,其中测点数据异常一般由传感器异常或局部结构异常所致。此外,本文对漂移数据影响预测输出的问题也提出了解决方案,对于存在漂移数据的传感器测点,根据加权邻接矩阵建立有向图进行分析,利用预测值替代漂移数据消除其对其他测点的预测影响。

为了验证方法有效性,将本文方法应用于某高铁无砟轨道监测工点的长期应变监测数据的异常识别。建立含12个图卷积层的并行图卷积神经网络模型,利用早期高铁轨道初始状态监测数据训练该模型。模型利用空间上具有相关性的周围测点对中心测点进行预测,通过对比测量值与预测值,实现对测点监测数据的诊断。此外,本文也研究了有向图在消除数据漂移问题中的应用,在确定漂移数据测点后,利用预测数据替代漂移数据可消除漂移数据对预测结果的影响。