随着我国现代化都市圈建设和新型城镇化建设的不断深入，城市轨道交通（简称：城轨）行业迅猛发展。截至2022年底，已有55个城市开通308条城轨线路，总里程达10 291.95 km，预计到2025年，我国城轨交通线网总里程将达到14 000 km^[1]。

城轨的发展，带动城轨信号专业技术的飞速进步和变革^[2-3]。从传统的基于通信的列车控制系统（CBTC ，Communication Based Train Control System）向全自动运行列车控制系统（FAO，Fully Automatic Operation ），并逐步向列车自主运行系统（TACS ，Train Autonomous Circumambulation System）过渡^[4]。目前，城轨信号系统的设计理念伴随着计算机技术的发展，已经从具体线路数据与控制逻辑一体化设计，向一般通用控制逻辑与具体线路配置数据相分离的设计方案转变，正确、完整的线路配置数据是保证一般通用控制逻辑实现各项功能的前提^[5]。应答器精确安装数据是线路配置数据的重要组成部分，对列车运行有重要影响^[6]，主要作用包括：（1）列车需要获取地面精确安装的应答器位置，在列车运行中对列车位置进行校准，消除运行过程中因各种传感器误差而造成的列车偏移量误差；（2）列车在停车过程中，需要不断读取应答器位置，确认列车距离停车窗的间距，以满足《地铁设计规范》中对列车精确停车时停车误差在 ±30 cm 的停车要求；（3）在列车位置初始化过程中，列车需要与应答器组进行通信，实现列车位置初始化。

目前，应答器精确安装数据受工程实际影响较大，往往难以通过数据生成的方式直接给出应答器精确安装数据生成结果，需要在调试过程中不断对应答器精确安装情况进行调整，耗费的调试时间较长^[7]。

本文针对上述问题，采用神经网络算法，研究应答器精确安装数据生成与验证方法。通过整理目前应答器精确安装的基本原则，设计基于CAD二次开发的应答器精确安装数据自动生成方法，对应答器是否需要精确安装进行分类。针对分类结果中部分数据不服从约束条件的情况，构建一种基于深度神经网络 （DNN，Deep Neural Networks）的模型，保障数据准确性。

1   应答器精确安装数据自动生成方法

应答器精确安装数据受多种因素影响，主要考虑应答器类型、位置是否处于车站范围内和偏移量等，因此，快速、准确地获取上述数据是应答器精确安装数据生成的前提。本文设计了一种基于CAD二次开发的应答器精确安装数据自动生成方法，该方法分为数据提取、数据清洗、对象生成和数据生成等4个阶段，如图1所示。

图  1  应答器精确安装数据自动生成方法步骤

下载: 全尺寸图片 幻灯片

1.1   数据提取

城轨信号图纸以图的形式对城轨信号系统设备的拓扑结构进行展示，因此，数据提取的对象是城轨信号图纸。数据提取过程主要包括图纸分析和设备识别两部分。

1.1.1   图纸分析

城轨信号图纸对具体的绘制要求没有作出约定，本文明确了城轨信号图纸中所有对象的绘制要求。部分元素的绘制原则如表1所示。

表  1  图纸绘制原则（部分）

种类 规则	应答器	虚拟区段	坡度	限速平台
图层	信标	虚拟区段	坡度	限速平台
属性块种类数目	4	1	0	1
点对象0/线对象1	0	1	1	1
属性数目	3	6	0	3
颜色	跟随图层	跟随图层	灰色	红色

下载: 导出CSV 

| 显示表格

通过统一图纸绘制原则，应答器数据被分成自有数据和相关数据。自有数据指应答器固有信息，包括应答器的类型和位置等，类型可通过属性块种类进行区分，位置可通过应答器公里标图层获取；相关数据指应答器与其他设备间的关联数据，包括应答器所处虚拟区段的编号、位置、偏移量、坡度等信息，可通过虚拟区段类别、坡度类别等获取对应信息。

1.1.2   设备识别

城轨信号图纸通常采用.dwg格式文件进行绘制，本文采用CAD软件二次开发的方式对.dwg文件进行读取，并基于.Net对城轨信号图纸进行数据提取，提取分为初始化阶段、点设备识别阶段和线设备识别阶段。

1.2   数据清洗

提取数据后，需要对其进行筛选和清洗。数据清洗主要包括无效数据删除和低关联数据删除2个阶段。

（1）无效数据删除。无效数据是指图纸中存在，但对于应答器精确安装无意义的数据。例如：点元素中记录的图纸绘制信息（创建时间等）。需要删除此类数据。

（2）低关联数据删除。低关联数据是指信号系统需要但与应答器精确安装没有关联的数据。例如信号机数据中存在信号机的逻辑类型数据，需要删除此类数据。

1.3   对象生成

对象生成的目的是整合散乱的数据。在数据清洗后，需要整合数据间的关系。采用面向对象的整合方式，为不同的元素类型创建类，在每个类中附着属性（可以是一个值，也可以是另一个类的对象），形成基础对象池。对象关系示例如图2所示。

图  2  对象关系示例

下载: 全尺寸图片 幻灯片

图2中，应答器、信号机和轨道是对象，每一个对象均有若干属性，其中，应答器对象有4个属性，主信号机、所处区段属性又分别是信号机和轨道对象的属性，由此体现数据间的关系。

1.4   数据生成

形成基础对象池后，根据应答器精确安装逻辑，输出应答器是否需要精确安装。应答器需要精确安装与否取决于以下约束条件。

（1）应答器的类型是主信号应答器；

（2）应答器的类型是补充应答器；

（3）应答器的位置位于运营的站台轨上，且应答器距离站台轨两端运营停车点的距离≥3.65 m；

（4）应答器的位置位于列车自动监控系统（ATS，Automatic Train Supervision）规定的可折返的折返轨上。

若应答器满足以上任意一个条件，即可被认定为需要进行精确安装的应答器。基于该方法，可自动快速进行应答器精确安装数据生成。

2   应答器精确安装数据自动验证模型

1.4节中给出了应答器精确安装数据生成的方法，但通过现场工程调试发现，除满足上述约束条件的应答器外，仍有部分应答器需要进行精确安装，这部分应答器难以通过某一固定精确安装原则进行总结。本文采用DNN算法对自动产生的应答器精确安装数据进行验证和修正。

2.1   DNN模型构建

神经网络的基本单元称为神经元，每个单独的神经元被称为感知器或感知机^[8]。神经元对输入数据的处理机制，即工作原理如图3所示。

图  3  神经元工作原理

下载: 全尺寸图片 幻灯片

图3中，$ {x}_{1}、{x}_{2}、{x}_{3} $是不同的输入，可用输入矩阵 X 来表示。X 为

不同输入的权重值为$ {w}_{1}、{w}_{2}、{w}_{3} $，可组成权重矩阵 ${\boldsymbol{W}}$。W 为

添加偏置项 $ b $，该神经元的输出函数为

神经元虽然可较好地反应输入的线性关系，但将大量简单的神经元进行堆叠，仅起到调整参数的作用。因此，需要在神经元中加入非线性激活函数，即

式中，$ g（x） $为某一激活函数。一个神经元的输出可以是另一个神经元的输入，这就增加了神经网络的深度，当大量神经元进行有效深度组合后，就形成了DNN模型，如图4所示。

图  4  DNN模型

下载: 全尺寸图片 幻灯片

2.2   模型训练

完成DNN模型构建后，需要进行模型训练。在训练初始阶段，需要初始化DNN模型内部的所有连接权重^[9]。手动将应答器是否需要精确安装作为标签，标记对应的应答器，每个应答器可视为一个样本，大量样本构成了模型的训练集。训练集中包括样本特征和样本标签2部分。样本特征为从基础对象池中提取的部分数据，包括应答器ID、是否为终端应答器、是否具有点式列控数据编码、对应的主信号机方向、应答器类型（普通应答器、补充应答器、主信号应答器）等。将训练集输入模型，对模型进行训练^[10]。每完成一次训练后，将模型给出的计算结果与训练集中样本的标签进行比对，不断调整权重，使得在某一权重矩阵下，该模型在训练集上获得最好结果。模型训练过程如图5所示。

图  5  模型训练过程

下载: 全尺寸图片 幻灯片

3   方法验证

本文将上述应答器精确安装数据自动生成与验证方法应用于南昌地铁3号线中，进行验证。

3.1   应答器精确安装数据自动生成

依据本文设计的应答器精确安装数据自动生成方法，对南昌地铁3号线城轨信号图纸进行数据提取、数据清洗、对象生成和数据生成。最终生成的应答器精确安装数据如图6所示（画红框部分）。其中，“1”表示该应答器需要进行精确安装；“0”则表示不需要进行精确安装。

图  6  应答器精确安装数据

下载: 全尺寸图片 幻灯片

3.2   数据验证

3.2.1   模型深度对验证结果的影响分析

依据本文提出的数据自动验证过程，对南昌地铁3号线城轨信号图纸进行建模，根据线路实际情况，建立了3种不同深度的DNN模型，并进行了模型训练。南昌地铁3号线应答器精确安装数据集共有575个样本，每一个样本均进行了手动标签标注。本文使用ADAM（Adaptive Moment Estimation）优化器，采用Relu激活函数，训练次数为100次，训练集与验证集分割比例为7∶3。图7给出了Batch Size为64时不同深度的DNN模型对训练结果的影响。

图  7  DNN模型深度对训练结果的影响

下载: 全尺寸图片 幻灯片

图7（a）（b）（c）分别是3层、4层、5层神经网络模型的准确度和损失度曲线。每张图左侧为训练集和验证集上的准确度曲线，右侧为训练过程中训练集和验证集上的损失度曲线，对比3种模型的准确度和损失度曲线可知，模型深度越深，损失度曲线收敛越快；模型深度增加可能导致过拟合，使得测试集上的准确度降低。

3.2.2   训练集样本对验证结果的影响分析

由图7（a）可知，3层DNN模型已可取得较好的准确率，但其收敛速度有待加强，且在训练末尾也已出现轻微过拟合的情况。因此，须调整每次训练的训练集样本数，实验结果如图8所示。

图  8  调整训练集样本数后模型的准确度和损失度曲线

下载: 全尺寸图片 幻灯片

图8是3层DNN模型在Batch Size为256时的训练结果，可看出，在整个训练过程中，验证集上的准确率均高于训练集，没有出现过拟合现象。但该模型的收敛速度进一步变慢，在上图中，进行到100次训练时，依然存在下降趋势，可能与训练次数不足有关。进一步增加训练次数，从100次增加到250次，实验结果如图9所示。

图  9  增加训练次数后模型的准确度和损失度曲线

下载: 全尺寸图片 幻灯片

图9中，将训练次数从100次增加到250次，对比图8可发现，在训练末期（200次训练后），下图整体区趋于平缓，模型准确度达95.45%，未出现过拟合现象，并与南昌地铁3号线现场实际情况相符。说明本模型可较好地预测应答器是否需要精确安装。

4   结束语

本文通过对城轨信号系统设备布置结构和属性进行分析，借助CAD二次开发技术，进行数据提取，设计了应答器精确安装数据的自动生成方法，提高了数据配置效率。针对数据准确性保障问题，提出了一种基于DNN模型的应答器精确安装数据自动验证模型，可对自动生成的数据进行验证。最后，以南昌地铁3号线为例进行了实验验证。未来，将进一步扩大模型训练样本，增强模型适应性，使模型具有更广的应用场景，推动模型的工程应用。