基于粒子群支持向量機的軌道電路分路不良預測方法

張夢琪，趙會兵，孫上鵬

(北京交通大學 電子信息工程學院，北京 100044)

1 問題的提出

軌道電路作為保障我國鐵路運輸安全和運輸效率的基礎設備，具備列車占用情況檢測、完整性檢查、向列車傳輸行車信息等功能，為列車的安全、高速運行提供重要保障。當列車進入軌道電路時，列車輪對將兩根鋼軌導通，使該區段電氣回路被短路，控制該軌道區段的軌道繼電器落下，控制臺顯示該段軌道被占用，這時為軌道電路分路狀態。然而由于軌面生銹等原因，輪對進入軌道時沒有可靠短路鋼軌，軌道繼電器不能正常落下，這種現象稱為分路不良。分路不良現象的發生可能引發進路提前錯誤解鎖、道岔中途轉換等情況，導致道岔被擠壓、列車延誤，甚至引起列車脫軌、沖撞等重大事故，將對乘客的生命安全造成威脅。據統計，全路共有超過3.6萬處分路不良區段[1]，在擠壞道岔、列車脫軌、車列沖撞等事故中，由分路不良引起的占30%以上[2]。

國內現有的分路不良檢測方式主要有兩種：一是電務人員使用標準分路線可靠短路軌道進行分路電壓、電流數據測量，這種方法適用于線路開通前或已確認發生分路不良后進行的檢查和記錄，不能及時預防分路不良現象；二是由電務人員觀察微機監測系統監測到的逐段軌道電路分路殘壓值是否達到標準，該方法耗費人力，且當管轄區段軌道電路數目較多，或遇到雨雪天氣分路不良頻繁發生時，極易出現遺漏。國內外針對分路不良的產生機理、解決方案等已做過一些研究[3-8]，但對分路不良的預測方法研究相對較少。

表1列舉了引起分路不良的幾個主要原因。可以看出，不僅軌道電路設備本身，通行的列車和鐵路沿線的運營環境均有可能引起軌道電路分路不良。同時，分路不良的發生時間、位置和變化趨勢均存在不確定性。如：高速鐵路白天通車時線路正常，夜間維護時無車通過，當夜間下雨時可能引起鋼軌生銹，引發分路不良；由于高鐵開通時間尚短，缺乏無砟軌道道床漏泄情況變化規律的相關研究，當漏泄電阻過高未被及時發現時，對分路情況可能造成影響；普速線路通行貨物列車時，易被運送的煤礦石等顆粒污染軌面，污染程度及位置難以確定，使得分路情況呈動態變化；同一段軌道電路，長編組列車輪對多，與軌面不斷打磨，可去除銹蝕或污染物，避免分路不良，而短編組軌檢車及其他維修車輛通行時，由于列車輪對少，輪對和軌面缺乏充分打磨，就可能出現分路不良；海南等沿海地區氣候潮濕，鋼軌極易生銹，分路不良現象難以預防。

表1 分路不良的主要原因

本文主要針對ZPW-2000型軌道電路瞬時分路不良或局部區域分路不良的現象進行研究。瞬時分路不良或局部位置分路不良現象在列車過分相區、列車制動時撒砂、通過潮濕區段或貨運段時經常發生。由表1及上述分路不良的不確定性分析可知，從分路不良現象形成機理的角度來看，目前難以及時預防和徹底解決分路不良現象。因此，本文以機車信號接收到的感應電流信號為研究對象，通過分析分路不良對感應電流曲線的影響特點，提取相應特征指標并結合粒子群支持向量機算法，從數據的角度來實現分路不良的預測。

2 分路不良對感應電流的影響分析

2.1 機車信號感應電流模型

列車通過軌道電路的過程中，分路輪對數量先增加(列車正在進入該段軌道電路)，然后保持不變(列車完全進入)，最后減少(列車駛出本段軌道電路)，直至輪對完全出清該段軌道電路。文獻[5-7]通過軌道和輪對接觸的實驗模擬了列車的運行，證明單一輪對和復數輪對進入軌道電路時，輪對的分路電阻值基本相同，因此，本文將分路狀態簡化為只有一個分路輪對的情況。軌道電路分路狀態等效電路模型如圖1所示。

圖1 軌道電路分路狀態等效電路模型

圖1中，US為發送器所輸出軌道電路信號的振幅，對于特定的軌道電路，其取值范圍固定不變；Zes為發送端電氣絕緣節等效并聯諧振阻抗；Zp為發送端等效阻抗；C為補償電容；ZR為從分路點到接收端的等效視入阻抗；Rf為分路電阻；Icc為位于列車第一輪對前方的機車信號傳感器通過電磁感應原理接收到的下方鋼軌中傳輸的電流信號。該電流信號能反映鋼軌沿線分路情況的信息，且分路不良現象發生初期，該電流大小大于機車信號接收靈敏度，可被機車信號接收，因此該信號對分路不良預測有重要作用。該電流信號可以表示為

( 1 )

式中：G11(x)和G12(x)為發送器到列車分路點間的傳輸特性等效四端網絡G(x)的特性參數。

( 2 )

式中：Ttr為Zp的四端網傳輸矩陣；TESJ為Zes的四端網傳輸矩陣。Icc經模/數轉換等處理后轉變為電壓信號的形式，因此，電壓信號與Icc間僅存在幅值比例系數的差異，下文中將其稱為感應電流[9]。

2.2 分路不良對感應電流的影響分析

圖2為仿真得到的感應電流與實際機車信號傳感器記錄到的某段軌道電路感應電壓信號歸一化后的比較圖。

圖2 實際信號與仿真信號的比較

圖2中，C1～C11代表軌道電路由發送端至接收端的11個等間距補償電容；FS表示軌道電路的發送端；JS表示軌道電路的接收端。列車從軌道電路的接收端進入軌道電路，向發送端行駛，越接近發送端，接收到的感應電流信號幅值越大，因此形成如圖2所示的趨勢變化。可以看到，該等效電路模型具有較高的精度。

分路不良現象可反映為分路不良位置的分路電阻增大(分路電阻包含輪軌間接觸電阻和輪對本身電阻，其中輪對電阻影響極小，可忽略不計，因此分路電阻近似等于輪軌間接觸電阻[4]，表1中列舉的原因均會引起輪軌間的接觸異常，導致接觸電阻增大，即分路電阻增大)。由式( 1 )可知，ZR減小，感應電流隨之減小。圖3為仿真列車通過一段軌道電路時，軌道電路正常和C4～C6之間分路不良程度逐漸嚴重(Rf值逐漸增大)時Icc的變化曲線對比。由仿真結果可對分路不良時的感應電流曲線特性做如下總結。

圖3 分路不良對感應電流的影響

(1)列車通過發生分路不良的位置時，機車信號接收到的感應電流信號幅值減小，且隨著分路不良嚴重程度的加深(Rf增大)，在軌道電路相應位置接收到的感應電流信號幅值隨之減小。

(2)沒有出現分路不良的位置，機車信號接收到的感應電流信號和正常情況下相同，幅值和變化趨勢不受分路不良位置的影響。

(3)分路不良位置接收到的感應電流信號幅值驟降，但曲線的變化趨勢、包絡形狀不變。

3 分路不良預測方法總體設計

3.1 預測模型功能與模型參數設計

本文利用粒子群優化的支持向量機(PSO-SVM)模型，以機車感應電流信號中提取的特征量作為模型輸入，實現分路不良的預測功能。預測模型的輸入和輸出量見表2。其中，輸入量為感應電流信號經小波分解與細節分量重構后所提取的特征參數，在4.1中將詳細介紹。模型輸出0代表分路狀態正常，模型輸出1代表出現分路不良特征，可能會發生分路不良。

表2 預測模型輸入輸出參數

3.2 總體設計

圖4為基于PSO-SVM的軌道電路分路不良預測方法總體設計示意圖。

圖4 基于PSO-SVM的軌道電路分路不良預測方法

基于PSO-SVM模型的軌道電路分路不良預測步驟如下。

步驟1生成樣本數據。仿真得到一段960 m長的軌道電路，有分路不良趨勢的位置為距離發送端280～400 m的區段。分路電阻Rf小于0.15 Ω為正常范圍，當分路電阻達到0.15～1 Ω之間時，為分路不良預警值。考慮軌道電路由于設備老化、人為調整等原因會引起發送端不完全匹配，設置發送端匹配程度控制參數Mfs在一定范圍內變化。同時考慮線路周圍環境對感應電流可能造成干擾，對感應電流信號加入高斯白噪聲。最終仿真得到樣本集共22 878組數據，以11 439組作為訓練樣本，11 439組作為測試樣本。

步驟2特征提取。首先對訓練樣本與測試樣本進行小波分解與細節分量重構，得到細節信號分量，作為特征提取的對象。提取訓練樣本和測試樣本的最大值、標準差、方差、峭度指標、變異系數5個特征量。

步驟3特征數據歸一化。考慮到5個特征量的數量級不同，為避免由于某些特征的取值范圍過大或過小，使其在訓練中占據過大或過小的比重，對5個特征指標做歸一化處理。

步驟4PSO-SVM模型訓練。將歸一化后的樣本特征集作為模型的訓練樣本，用PSO優化模型的懲罰參數和核函數參數，最終訓練得到PSO-SVM預測模型。正常分路情況的樣本標簽為0，出現分路不良特征的樣本標簽設為1。

步驟5預測結果檢驗。將歸一化后的測試特征集作為PSO-SVM預測模型的輸入量，得到最終預測結果。

4 預測方法詳細設計與結果分析

4.1 基于小波分解與重構的特征參數提取

感應電流信號不僅包含分路不良位置的感應電流信號特征，還包含其他信息，對分路不良的特征提取造成干擾。表3總結了對分路不良的特征提取造成干擾的主要因素(由于軌道電路多種設備同時故障的概率很低，本文僅針對軌道電路發生分路不良這一單一故障情況進行研究，不考慮多故障并發的情況)。根據表3可知，從原始信號中直接提取幅值、變化率等特征并不能有效地區分出分路不良與其他干擾因素。因此，首先采用小波分解與重構WDR(Wavelets Decomposition and Reconstruction)方法對感應電流進行多分辨率分解與細節分量重構。

表3 特征提取干擾因素

小波分解可去除信號的整體趨勢量，避免感應電流本身增減趨勢及發送端不匹配帶來的干擾。細節分量重構則保留了信號局部突變的特征。針對重構的細節分量信號進行特征提取，能捕捉到更準確的分路不良特征信息。圖5是對正常分路(圖5(a))和分路不良(圖5(b))情況下的感應電流分別進行小波分解與重構后產生的近似分量和細節分量圖，其中，縱坐標表示歸一化后的感應電流信號值，橫坐標表示感應電流樣本點數(共2 400個樣本點)。

圖5 分路電流信號5層小波分解與重構

圖5中，近似信號代表了感應電流信號變化趨勢的基本信息，細節信號代表了在不同分辨率下的干擾信息，即信號傳輸過程中的加性高斯白噪聲和軌道電路分路不良對于感應電流信號產生局部干擾信號的情況。將最不利分路條件下分路電阻值0.15 Ω[10]設為正常分路電阻值，當分路電阻值大于0.15 Ω時為分路不良。此處將分路不良位置的分路電阻設為0.3 Ω。

可以看出，發生分路不良時，各層細節信號在分路不良位置的波動幅值均遠大于正常分路情況，且在疊加有噪聲信號的情況下，分路不良位置的特征明顯大于噪聲引起的干擾。根據這一波動特征，本文選取重構細節信號的標準差、方差、峭度指標、變異系數、最大值5個指標作為特征。其中，方差和標準差是測量數據變異程度最重要、最常用的指標；峭度指標和變異系數對于脈沖類設備故障非常敏感，由圖5(b)可知，這兩種特征指標非常適用于本文研究的分路不良故障特征；最大值則可直觀反映出歸一化后細節分量信號的異常情況。

4.2 參數優化

4.2.1 PSO與SVM算法簡述

粒子群優化算法PSO(Particle Swarm Optimization)從隨機解出發，通過迭代尋找最優解，通過適應度評價解的品質。設一個E維空間由n個粒子組成一個種群。對粒子i，它在E維空間中的位置為xi=[xi1xi2…xin]T，飛行速度vi=[vi1vi2…vin]T，個體經歷最好位置pi=[pi1pi2…pin]T，整個群體最好位置pg=[pg1pg2…pgn]T。在每次迭代中，粒子i的位置和速度表達式如式( 3 )、式( 4 )所示。

( 3 )

( 4 )

式中：ω為慣性權重；d=1，2，…；k為迭代次數；c1、c2為加速因子；r1、r2為取值范圍為[0，1]的隨機數。

支持向量機SVM(Support Vector Machine)是建立在統計學習理論VC維理論和結構風險最小原理基礎上的，根據有限樣本信息在模型的復雜性和學習能力之間尋求最佳折衷，以獲得最好的推廣能力。對于線性不可分問題，SVM通過非線性變換將其轉化為高維空間中的線性問題，在變換空間中求出最優分類面。決策輸出函數可以表示為

( 5 )

式中：α*為拉格朗日乘子；偏置b*可通過α*求得；K(x，xi)為核函數。Mercer定理將核解釋為特征空間內積，核函數的思想是將原本在高維特征空間中的計算，通過核函數在輸入空間中完成，無需知道高維變換的顯式公式。

4.2.2 參數優化設計

SVM能較好地解決小樣本、非線性、高維數和局部極小點等實際問題，已在函數逼近、時間序列預測和分類等領域被廣泛應用。本文利用SVM的分類算法實現分路不良的預測。在SVM模型中需要設置兩個關鍵參數：懲罰參數c(用于控制超出誤差的樣本懲罰程度)和核函數參數g(表示徑向基函數的寬度)。這兩個參數決定SVM的泛化能力，若由人為設置，需通過大量實驗嘗試，存在模型生成效率低、無法找到最優參數設置、不利于訓練樣本更新后的預測效果等缺陷。因此首先將兩個參數構成一個微粒(c，g)，采用PSO優化算法對SVM分類模型中的懲罰參數和核函數參數進行參數尋優，將計算得到的最優懲罰參數和最優核函數參數作為預測模型的參數。參數優化流程圖如圖6所示。

圖6 預測模型的關鍵參數優化流程圖

4.3 實驗結果分析

表4為分別通過3種方式選取懲罰參數c和核函數參數g的模型進行軌道電路分路不良預測的結果。

表4 3種模型預測結果比較

采用隨機生成參數的方法經10次實驗，得到最高預測準確率88.89%，預測用時在2～7 s之間。圖7(a)為采用交叉驗證參數優化算法對SVM模型的參數進行優化后的預測結果，預測準確度可達到97.2%，預測用時約2.5 min。圖7(b)為通過PSO參數優化后的PSO-SVM模型預測結果，最終得到最優懲罰參數c=16，核函數參數g=16，預測準確率高達99.5%，高于另兩種模型，但預測用時大于10 min。由實驗結果可知：利用PSO-SVM模型進行軌道電路分路不良預測可達到極高的預測準確率，但當實驗數據樣本過大時，運算量偏大，運算時間也較其他方法更長。

圖7 預測結果對比

5 結束語

本文提出一種基于粒子群支持向量機的軌道電路分路不良預測方法。首先分析正常和分路不良情況下機車感應電流信號的特性，然后采用小波分解與重構的方法去除感應電流的趨勢量，得到兩種情況下的信號細節分量，對細節分量進行特征提取，最終通過粒子群支持向量機模型實現對軌道電路分路不良情況的預測。根據表4可知，在樣本數據量足夠大的情況下，沒有進行粒子群優化的預測模型運算速度更快，加入粒子群優化算法后的模型計算速度相對較慢，但最終能找到參數最優解，模型預測準確度可達99.5%，高于其他兩種模型的預測準確度。

本文提出的分路不良預測方法存在以下幾方面不足，將在今后研究中進一步完善：

(1)預測模型優化用時過長，主要由于PSO算法的運算量過大，后續將考慮更多優化方法以降低運算量，提高預測模型的預測速度。

(2)ZPW-2000理論模型根據實際軌道電路參數進行搭建，且仿真結果與實際機車信號接收數據比較接近，但后續研究仍需考慮預測模型的現場實驗，通過現場實驗數據作為訓練樣本以提高預測模型準確度。

由于現有微機監測系統自動化程度不高，缺乏智能化數據分析功能，我國分路不良檢測完全依賴電務人員根據微機監測曲線進行人為判斷，判斷結果受人為因素影響大，且易遺漏。分路不良是鐵路運輸的一大安全隱患，開展分路不良預測方法的研究對于預防分路不良發生，保障行車安全有著十分重要的意義。本文提出的基于粒子群支持向量機模型的分路不良預測方法，通過人工智能算法實現數據分析和預測，為分路不良的預警提供了新的思路。

參考文獻：

[1]胡永生.軌道電路分路不良整治方案研究[J].鐵道通信信號,2008,44(5)：24-26.

HU Yong-sheng.Research on Track Circuit Bad Shunting Improvement Plan[J].Railway Signalling & Communication,2008,44(5)：24-26.

[2]陳鋼.溫州動車追尾事故與CTCS-2技術規范中的安全隱患[J].軟件，2011,32(8):27-30.

CHEN Gang.The Wenzhou Train Collision and Safety Issue in CTCS-2 Specification[J].Software,2011,32(8):27-30.

[3]袁孝均.軌道電路分路不良問題研究[J].鐵道通信信號,2007,43(4):11-13.

YUAN Xiao-jun.Research on Track Circuit Bad Shunting[J].Railway Signalling & Communication,2007,43(4):11-13.

[4]孫上鵬,趙會兵,陳德旺,等.基于電接觸理論的軌道電路分路電阻計算方法研究[J].鐵道學報,2014,36(3):31-36.

SUN Shang-peng,ZHAO Hui-bing,CHEN De-wang,et al.Research on Method for Calculation of Shunt Resistances of Track Circuits Using Electrical Contact Theory[J].Jounal of the China Railway Society,2014,36(3):31-36

[5]WAKABAYASHI Yusuke,TANAKA Nobuharu,NAKAGAWA Daisuke,et al.Influence of Contact Condition between Rails and Wheels upon Track Circuit Shunting(2nd Report Measuring Methods and Results of Track Circuit Shunting Resistance of Running Train's Wheels)[J].The Japan Society of Mechanical Engineers,2002,68(672):186-193.

[6]HIRAMA Junji,WAKABAYASHI Yusuke,KITAGAWA Tomoya,et al.Influence of Contact Condition between Rails and Wheels upon Track Circuit Shunting(4th Report Result of Continuously Shunting Resistance of Run Measured Shunting Resistance of the Running Wheels)[J].Japan Society of Mechanical Engineers,2005,71(704):151-156.

[7]HIRAMA Junji,WAKABAYASHI Yusuke,KITAGAWA Tomoya,et al.Influence of Contact Condition between Rails and Wheels upon Track Circuit Shunting(3rd Report Measuring Methods and Results of Track Circuit Shunting Resistance of Running Train′s Wheels)[J].Japan Society of Mechanical Engineers,2002,68(674):183-188.

[8]OSCAR A C,LI Z L,ROGER L.A Laboratory Investigation on the Influence of the Particle Size and Slip During Sanding on the Adhesion and Wear in the Wheel-Rail Contact[J].Wear,2011,271(1-2):14-24.

[9]孫上鵬.無絕緣軌道電路故障機理分析及故障診斷方法研究[D].北京：北京交通大學，2014.

[10]北京全路通信信號研究設計院.ZPW-2000系列無絕緣軌道電路技術條件(暫行)[S].