改進GM(1，1)型軌道電路故障預測模型研究

黃斌 黃鶯

摘要：針對傳統電務部門對相敏軌道電路維護中所沿用的“故障修”“計劃修”在保證行車安全、提高運營效率等方面的不足，文章采用改進GM（1，1）模型進行軌道電路的故障預測，對GM（1，1）模型進行滑動平均法改進，將已知軌道電路的狀態序列送入改進GM（1，1）模型進行序列預測，并以實際案例進行模型的測試，驗證了改進GM（1，1）模型方法的可行性與有效性。

關鍵詞：相敏軌道電路;改進GM（1，1）模型;故障預測

中圖分類號：U284.2 文獻標識碼：A DOI：10.13282/j.cnki.wccst.2019.10.037

文章編號：1673-4874（2019）10-0132-03

0引言

相敏軌道電路是我國鐵路信號系統中應用廣泛的重要基礎設備之一。當前，鐵路電務部門對軌道電路檢修的主要方式是借助微機監測記錄的各電壓日曲線、日報表。同時我國鐵路部門仍然沿用傳統的“定時修”和“故障修”策略，即在規定的時間或當設備發生故障后才進行檢測維護。該方法的缺點是維護效率低、故障隱患高，若處理故障不及時可能造成行車事故，影響行車效率。

針對軌道電路故障預測的主要研究有：文獻給出一種基于神經網絡的軌道電路混合故障診斷算法，旨在通過快速的神經網絡訓練，實現軌道電路故障診斷的高效性。文獻分別針對軌道電路的故障采用智能算法進行優化診斷研究。

伴隨著3C（計算機、通信、控制）技術及故障預測與健康管理（Prognostic and HealthManagement，PHM）技術的發展，建立基于“狀態修”的智能維護模式，將智能化的預測技術引入軌道電路的故障分析中，對于保證列車行車的可靠性、可用性、可維護性、安全性技術意義重大。

為避免GM（1，1）模型在預測中忽略系統發展過程的一些必要干擾因素，影響預測精度，本文對其改進優化，實現對相敏軌道電路故障預測，旨在為電務人員掌握軌道狀態、輔助故障分析、故障處理起到指導作用。

1相敏軌道電路原理結構

相敏軌道電路設備一般分為室內和室外設備兩部分，如圖1所示。

軌道電路的主要作用是監測軌道空閑與占用情況。若軌道上有車，列車輪對的分路作用會使接收器輸入的軌道電壓顯著降低;若軌道上無車，接收器輸入的軌道電壓相對較大。相敏軌道電路送電端將電信號通過鐵路線路傳送到接收端，信號傳輸過程如圖2所示。

2 GM（1，1）算法介紹

2.1模型

傳統的CM（1，1）是包含單變量的一階灰微分方程。其基本方法為：將無規則的數據進行求和，得到規律性強的數列并重新建模，由生成的新數據再求減，得到還原模型，最后由還原模型進行預測，具體過程如下：

第一步：獲取累加模型

設X={x（1），x。（1），…，x。（n）}為原始數據，對其進行一次累加生成的數列為：

X={X（1），X（1）…，X（n）}（1）

第二步：重構

對x做相鄰均值生成計算，結果為GM（1，1）模型背景值，記作z：

Z=0.5x（n）-0.5x（n-1） （2）

其中，n=2，3，…k。

則GM（1，1）的灰色微分方程為：

X（n）+ax=b （3）

第三步：建立GM（1，1）模型

對生成序列x做一階單變量微分方程擬合，得到灰色白化過程的動態模型為：

第五步：求出絕對誤差和相對誤差，最終利用該序列進行預測。

2.2 改進GM（1，1）模型

GM（1，1）模型預測結果數據離散程度越大，預測精度越低。一般對GM（1，1）模型的改進主要有：改造原始數列、選取初值、改造灰色模型、改進技術方法等。為降低數據的不平滑度，強化數據的趨勢，本文采用滑動平均法對數據緊湊平滑化處理，以提高輸出數據的擬合度。其中，對于原始序列x={x（1），x（2），…，x（n）}，n=1，2，…k，其滑動平均計算可表述為：

其中，x’（0）為緊湊平滑處理后的值。通過增加數據的權值，避免數據過度波動。

3 驗證方法

（1）相對誤差

（2）均方誤差

4 分析驗證

測試為FC終端，WIN1064位系統，i3處理器，MATLAB2014b。

結合2017年1月至2018年6月的接收器數據的電壓作為訓練模型，2018年7月至2018年10月的作為測試模型，仿真模型數據來自柳州某客運站每月一次的維修測試。原始預測數據如表1所示，各種算法預測結果如表2所示。

表3通過對表2中3種預測算法性能結果進行比對，明顯可以看出改進GM（1，1）預測結果與實際值擬合度更高，驗證了改進模型預測的有效性。

5 結語

相敏軌道電路是鐵路信號系統中重要的基礎設備，對其進行故障預測的研究勢在必行。本文結合對象故障發生的隨機性與模糊性以及可獲悉的樣本較少的特點，采用改進GM（1，1）模型對軌道電路進行故障預測，并結合實例驗證，證明了預測模型的有效性。

本文為軌道電路提供了一種故障預測與維修的新方法。