高速鐵路信號設備智能分析研究

■ 陳建譯 周榮

1 概述

近年來，我國部分高校和科研單位積極開展電務設備故障智能診斷分析技術方面的研究工作，推動了電務監測維護技術向智能化發展。雖然我國鐵路在信號監測方面取得了一些成績，但還存在一些亟待解決的問題，如監測數據分析智能化程度不足。信號監測系統采集大量數據，由于智能化程度不高，大量數據只能靠人工分析，尤其是高速鐵路引入一些新設備或智能系統，這些新設備或智能系統還沒有建立全面完整的知識庫進行智能化分析診斷，無法完全代替人工分析。

針對目前高速鐵路信號監測系統智能化分析水平不高、故障判斷依靠人工經驗和維護方式采用計劃修的問題，以高速鐵路信號設備為研究對象，結合目前主流的人工智能算法，對智能分析技術進行研究，并將智能分析技術應用到信號集中監測系統中，為高速鐵路信號設備維護提供有力的維護手段。

2 智能分析技術

人工智能（Artificial Intelligence，AI）也稱作機器智能，是指由人工系統所表現出來的智能。通常人工智能是指通過普通計算機實現的智能。智能分析技術就是人工智能的一種。

2.1 專家系統

專家系統是早期人工智能的一個重要分支，可以看作是一類具有專門知識和經驗的計算機智能程序系統，一般采用人工智能中的知識表示和知識推理技術來模擬通常由領域專家才能解決的復雜問題。

一般來說，專家系統=知識庫+推理機，因此專家系統也被稱為基于知識的系統。

專家系統是一個智能計算機程序系統，其內部含有大量的某個領域專家水平的知識與經驗，能利用專家的知識和解決問題的方法處理該領域問題。專家系統是一個具有大量的專門知識與經驗的程序系統，應用人工智能技術和計算機技術，根據某領域一個或多個專家提供的知識和經驗，進行推理和判斷，模擬人類專家的決策過程，以便解決那些需要人類專家處理的復雜問題。簡而言之，專家系統是一種模擬人類專家解決領域問題的計算機程序系統。

2.2 自學習

傳統統計學主要基于漸進理論來解決機器學習問題，即當訓練樣本趨向無窮大時，應用經驗風險最小化原則來優化學習機器的參數。但是經驗風險與實際風險之間存在差異，這種差異在小樣本情況下尤為明顯。在實際的故障診斷問題中，故障發生的突然性、信號設備與故障之間對應關系的模糊性等因素使得典型故障的樣本數是有限的。像人工神經網絡這種基于經驗最小化原則的學習機器，如何從有限的故障樣本中得到推廣能力較強的決策函數是其難題，因其漸進性的前提條件得不到滿足，導致在故障診斷這種小樣本問題中難以取得令人滿意的結果，也很難得到有價值的、具有推廣意義的應用。在工程實際中，對解決小樣本學習問題的有效方案有著迫切的需求。采用基于統計學習理論的支持向量機（Support Vector Machine，SVM）能解決小樣本問題，還能解決神經網絡算法中的高維問題和局部極值問題，這使其具有更大的優勢。

2.3 綜合分析

智能分析系統在對信號設備不同的方面進行分析時，大多數時間需要采用多種算法進行綜合分析，基本思路是：信號聯鎖表＋經驗值＋故障后臺模型＋邏輯推理算法。智能分析系統對信號設備分析時，會采用綜合分析的方法才能得到滿意的結果。在故障發生后給出故障點的判斷，幫助信號工迅速判斷室內外故障，壓縮故障延時。

3 智能分析技術應用

智能分析系統使用業界成熟的專家系統設計模式進行設計，大范圍收集鐵路信號專家的經驗，最終形成鐵路信號專有的知識庫，利用先進的推理機算法，最終實現趨勢預警和故障診斷。

智能分析系統針對歷史數據信息進行數據挖掘和邏輯關聯分析，結合系統中各類實時信息和歷史信息，對設備進行趨勢預警和預防性維修警示，從而為維護人員提供科學的養護依據。

故障診斷時，對捕捉到的異常信息采用靈活的推理控制策略，從信號維護專家的角度進行故障診斷，以實時報警的形式為現場信號維護人員提供及時有效的診斷信息和解決問題的方向。

3.1 監測預警

實時監控信號設備的運行狀態和運用質量，捕捉瞬間異常情況，實現對信號設備的預警分析。預警分析從設備電氣特性的波動或趨勢變化方面進行，自動判斷異常程度，便于信號維護人員及時發現設備隱患并處理，為信號設備從計劃修轉變為狀態修提供基礎。

3.1.1 電氣特性預警

針對各類信號設備模擬量的電氣特性變化，對如下方面進行異常分析：

（1）突變：電氣特性突然脫離工作值后不回歸正常工作值或短暫、脈沖式偏離正常工作值。

（2）異常波動：電氣特性短、中期持續抖動或周期性地偏離工作值。

（3）趨勢：電氣特性中、長期劣化的趨勢。

以軌道電路繼電器端電壓為例，通過分析判斷，將繼電器端電壓異常波動從正常曲線挑選出來單獨顯示，在用戶界面上預警提示，提醒信號維護人員查找異常波動原因，發現設備隱患，防止設備故障發生。電氣特性分析示例見圖1。

3.1.2 道岔動作曲線預警

針對道岔動作電流、功率曲線，依據道岔曲線故障特征專家庫，采用以下分析方法：

（1）基于參考曲線的圖形相似度匹配算法：是預警的主要手段，捕捉設備異常、發現設備隱患。

（2）基于參考曲線的特征捕捉算法：依據曲線段特征，采用對比分析，查找異常、故障可能原因。

（3）基于獨立特征的故障分析算法：部分曲線不依賴于參考曲線，具有獨立特征，捕捉設備曲線是否具有該獨立特征，依此判斷設備故障或異常。

圖1 電氣特性分析示例

以ZD6道岔動作電流曲線為例，將道岔動作電流曲線分解為道岔解鎖曲線、道岔轉換曲線、道岔鎖閉曲線，以時間軸為基準，以標準道岔動作電流曲線為依據，自動判斷出道岔密貼時摩擦，不能正常轉換（在用戶界面中預警信息歸納到報警中，因為此現象已產生故障）。道岔動作電流曲線分析示例見圖2。

3.2 故障診斷

故障診斷功能是在故障發生后，由專家系統依據知識庫，通過多種方法進行綜合分析，自動給出故障原因判斷，幫助信號維護人員迅速判斷故障范圍和故障性質，壓縮故障處理時間。

故障診斷分析方法如下：

（1）綜合流程分析：采用信號專家處理故障流程進行信號設備故障診斷。

（2）進路關聯分析：利用信號聯鎖表和三點檢查的聯鎖原理進行診斷分析。

（3）自定義插件分析：開發一套“故障知識樹”的描述工具，用戶只需要用工具采用自定義方式畫出故障樹，系統即可實現符合故障樹邏輯的分析方法。當“故障知識”發生變化或有新的設備類型、新的分析邏輯出現時，不需要更新軟件，只需要修改或增加相應的故障樹即可。

（4）故障整合分析：根據同一個時刻出現多個報警，采用歸納方法分析，將故障真實原因報警出來。

以ZPW-2000A設備為例進行故障診斷分析：基于專家故障模型，結合動態行車關聯分析，采用進路關聯分析，利用故障樹技術和邏輯推理技術完成各類ZPW-2000A的故障分析及故障點定位。根據采集的發送電壓、發送電纜側電壓、本區段和相鄰區段的小軌電壓，經綜合分析，自動判斷發送通道中電纜模擬單元斷線或短路故障。ZPW-2000A故障定位分析示例見圖3。

圖2 道岔動作電流曲線分析示例

圖3 ZPW-2000A故障定位分析示例

4 結束語

隨著智能分析的日漸成熟和知識庫的積累，逐步形成了豐富、專門的道岔、軌道電路、信號機、各信號子系統等不同的電務設備 “專家知識庫”。通過對高速鐵路電務設備的實時智能分析，可指導現場維修人員的日常維修工作。該智能分析系統在廣深港高速鐵路已運用一年多時間，效果良好。

[1] 鐵道部運輸局. 運基信號［2010］709號 鐵路信號集中監測系統技術條件 [S].

[2] 鐵道部運輸局. 運基信號［2011］377號 鐵路信號集中監測安全要求 [S].

[3] 廣州鐵路（集團）公司. 廣鐵電發［2014］36號 鐵路信號集中監測系統智能分析與故障診斷功能技術規范 [S].