25Hz相敏軌道電路綜合診斷方法研究

摘? 要：文章從失效模式和故障原因2個方面，對25 Hz相敏軌道電路系統進行深入分析，搭建了25 Hz軌道電路的故障預測與健康管理（PHM）體系結構;提出了數據采集、故障分區方案;憑借基于決策樹的故障診斷模型，最終輸出維修維護決策，其有助于提高25 Hz相敏軌道電路維修效率，降低維修維護成本，提高軌道電路的可靠性和可用性，為保障列車安全運行發揮積極作用。

關鍵詞：25 Hz相敏軌道電路;數據采集;決策樹;綜合診斷

中圖分類號：U284.2? ? 文獻標識碼：A 文章編號：2096-4706（2021）18-0044-04

Abstract： This paper deeply analyzes the 25 Hz phase sensitive track circuit system from two aspects of failure mode and failure cause， builds the architecture of Prognostics and Health Management （PHM） for 25 Hz track circuit fault; proposes data acquisition and fault partition scheme; with the fault diagnosis model based on decision tree， the maintenance decision is finally output， which helps to improve the maintenance efficiency of 25 Hz phase sensitive track circuit， reduce the maintenance cost， improve the reliability and availability of track circuit， and play a positive role in ensuring the safe operation of train.

Keywords： 25 Hz phase sensitive track circuit; data acquisition; decision tree; comprehensive diagnosis

0? 引? 言

目前在國內，25 Hz相敏軌道電路是既有線站內軌道電路的主要制式，由于其室外設備長期暴露在開放環境下，受雨雪天氣、牽引電流工頻干擾等因素影響較大，給設備維護人員帶來了極大的挑戰。當前對軌道電路的維護措施主要有3種：

（1）人工巡檢，效率低且存在極大的人身安全隱患。

（2）電務綜合檢測車，成本高且檢測周期長，不能及時反映現場設備狀況。

（3）信號集中監測系統，雖是當前最主要的維護輔助系統，但針對站內25 Hz軌道電路，只采集了少量室內設備電氣參數，幾乎不采集室外設備電氣參數，存在室內設備監測不全、室外設備監測基本空白等不足。

通過查找相關文獻，研究25 Hz相敏軌道電路故障綜合診斷判別方法。文獻[1]提出了采用模糊神經網絡的方法，建立高壓脈沖軌道電路故障預測模型，對高壓脈沖軌道電路的故障分析十分有效;文獻[2]提出基于定性趨勢分析理論的電氣絕緣節設備故障診斷方法，為無絕緣軌道電路的故障分析提供了重要參考;文獻[3]提出一種基于組合決策樹的無絕緣軌道電路診斷方法，對ZPW-2000A型軌道電路故障診斷具有較高的準確率;文獻[4]利用組合模型對25 Hz軌道電路進行診斷，可以克服單項診斷方法信息單一、診斷片面等不足，具有更好的故障診斷準確度;文獻[5]通過粒子群參數優化的支持向量機模型，實現了對ZPW-2000型軌道電路分路不良的預測;文獻[6-10]對25 Hz軌道電路故障診斷方法進行了研究。

以上文獻對ZPW-2000型系列和高壓脈沖型軌道電路的研究較多，但尚未從故障預測與健康管理的角度對25 Hz軌道電路進行綜合診斷。為此，提出采集25 Hz軌道電路的電氣特性數據，基于數據進行故障定位和故障預警，最終實現25 Hz軌道電路健康管理的方案，以保證軌道電路的高可靠性和高安全性。

1? 25 Hz軌道電路系統組成

25 Hz軌道電路由送電端設備和受電端設備組成[11]，圖1為典型的25 Hz軌道電路的結構圖。送電端設備主要由送電端軌道變壓器、限流電阻、熔斷器組成;受電端設備主要由受電端軌道變壓器、熔斷器、補償防護器、防護盒、25 Hz軌道電路接收器等組成。室內送電電源經過送電端設備到達室外，通過電纜送至鋼軌，鋼軌作為傳輸介質，將電流送至受電端軌道接收器軌道線圈側，當兩側的電壓和頻率達到規定要求時，軌道繼電器勵磁吸起，軌道電路處于調整狀態;當區段內有車占用時，輪對將軌道電路短路，受電端軌道接收器失磁落下，軌道電路處于分路狀態。

2? 基于FTA的故障分析

25 Hz軌道電路具有組成元器件多、傳輸介質復雜，易受室外環境影響等特點，從而導致故障的原因比較復雜。因此提出采用基于FTA的故障原因分析方法，分別對25 Hz軌道電路有車占用時無紅光帶顯示（即分路不良故障）和無車占用時點亮紅光帶（即紅光帶故障）2種典型故障現象進行原因分析，如圖2所示。

通過對25 Hz軌道電路的兩種故障現象自上而下地分析原因，可以確定其基本的故障現象。如圖2（a）對分路不良故障FTA分析：首先分析是否為聯鎖采集軌道繼電器故障，如果是則確定一個故障原因;接著分析是否為軌道繼電器本身錯誤吸起，如果是也可以確定一個故障原因;再分析接收端的電平是否高于門限值，直至所有事件都分析完畢。圖2（b）對紅光帶故障FTA分析，故障原因有聯鎖采集軌道繼電器故障、防護盒、防雷補償器、端子連接不當、防護盒、防雷補償器故障、受端鋼軌絕緣破損、斷軌、道床電阻過低等，依據故障樹可依次確定故障原因。

基于FTA的故障原因分析從定性的角度對25 Hz軌道電路進行故障分析。為確保25 Hz軌道電路穩定運行，提高維修效率，設計25 Hz軌道電路健康管理系統。通過采集25 Hz軌道電路關鍵節點的參數，判斷是否存在故障，做到將故障定位至具體分區和模式，并對當前未出現故障的設備進行故障預測，最終實現健康管理。

3? 25 Hz軌道電路PHM體系結構設計

預測與健康管理技術（Prognosties and Health Management， PHM）是在綜合利用現代信息技術、人工智能技術最新研究成果的基礎上，提出的一種全新的管理健康狀態的解決方案[12]。PHM包括2層含義：一是故障預測，即預先診斷部件或系統完成其功能的狀態，確定部件正常工作的時間長度;二是健康管理，即根據診斷、預測信息、可用資源和使用需求對維修活動做出適當決策的能力[13，14]。一般而言，PHM系統主要由6個部分構成：數據采集、數據預處理、狀態監測、狀態評估、故障診斷和故障預測、人機接口。本文提出搭建的25 Hz軌道電路的PHM體系結構如圖3所示。

3.1? 數據采集

通過傳感器等手段，監測軌道電路系統室內外設備電氣特性及關鍵參數;采集設備所處的環境參數，如溫度、濕度等;提前獲取軌道電路系統的功能參數以及各部件的基本參數。

根據實際的25 Hz軌道電路元器件布置及健康管理分析需求，確定采集點位置，如圖1所示。“V數字”代表采集此處的電壓，“A數字”代表采集此處的電流。具體采集位置和采集內容如表1所示。

3.2? 狀態監測及評估

對預處理后的數據進行分析，通過閾值判斷、似然度比較、偏離度計算等方法，實現對軌道電路系統的狀態監測，并評估狀態監測的結果。如果結果偏離正常值過大，則判斷為故障;若略有偏差，但系統仍正常工作，則判斷為系統的退化狀態，由此可確定25 Hz軌道電路是處于故障狀態還是正常狀態。

3.3? 故障診斷和故障預測

若判斷為故障，通過故障診斷模塊進行故障識別和定位;若判斷為退化狀態，則通過故障預測與健康管理模塊對其進行趨勢分析，并制定保障策略。使用決策樹方法對采集的數據進行分析，確定對應的故障分區及具體的故障模式。

決策樹是一種樹形結構，從根節點出發，每一個樹節點表示一個屬性測試，每個分支表示一個測試輸出，從根節點依次向下遍歷分支路徑，最終由樹的葉節點標記實例類別[15]。決策樹形成的樹狀判別網絡結構清晰，可解釋性較強。

構建25 Hz軌道電路的決策樹網絡模型，首先需確定其故障分區和每個分區對應的故障模式：

（1）故障分區。將軌道電路劃分為8個區域，具體劃分如圖1所示。每個區域又歸納了對應的常見故障模式，如表2所示，故障代碼為F1～F16，F0代表系統正常。

（2）故障定位。如圖4所示，在根節點處判別系統狀態，正常則輸出“F0”，異常則依次向下遍歷分支，直到判別出具體故障模式（F1～F16）。其中每一個樹節點都可以表示為一顆決策樹，將采集的數據（V1～V5，A1～A6）作為條件屬性，通過對條件屬性的判斷，得到最終的故障診斷結果。

根據專家經驗，當系統異常時，先判斷V4是否大于50 V，若大于該值則定位為室內故障;若不大于該值再判斷V1是否小于200 V，如果小于200 V則為室內故障，如果等于220±6.6 V則為室外故障。

3.4? 健康管理模型

當判斷系統狀態正常的時候，進一步對其進行故障預測分析。結合設備生命周期內各個階段的參數，預判設備的故障時間。在決策樹模型的基礎上，引入時間t參數，輸出結果為“t時間后，可能發生的故障”。

基于故障診斷結果和預測結果，輸出設備故障分析報告、設備故障預警報告，為維修維護人員的日常決策提供支持。

4? 結? 論

本文通過對25 Hz軌道電路的系統組成、失效模式、故障原因的分析，構建了25 Hz相敏軌道電路的PHM體系，提出了數據采集方案，歸納了軌道電路故障分區和故障模式，采用組合決策樹進行故障定位，并引入時間參數對設備進行故障預測，最終將診斷和預測結果反饋給維修維護人員，為其維修維護決策提供支持。可有效降低維修保養費用，縮短維修時間，提高軌道電路設備的安全性，對保障列車安全可靠運行具有重要意義。后續健康管理模型可研究引入多維數據來進行綜合判斷，可有效提升設備維修維護水平。

參考文獻：

[1] 黃贊武，魏學業，李紹斌.軌道電路故障預測與健康管理體系結構設計 [J].計算機工程，2012，38（20）：232-235.

[2] 孫上鵬，趙會兵，全宏宇，等.基于定性趨勢分析的無絕緣軌道電路電氣絕緣節設備故障診斷方法 [J].中國鐵道科學，2014，35（1）：105-113.

[3] 朱文博，王小敏.基于組合決策樹的無絕緣軌道電路故障診斷方法研究 [J].鐵道學報，2018，40（7）：74-79.

[4] 米根鎖，楊潤霞，梁利.基于組合模型的軌道電路復雜故障診斷方法研究 [J].鐵道學報，2014，36（10）：65-69.

[5] 張夢琪，趙會兵，孫上鵬.基于粒子群支持向量機的軌道電路分路不良預測方法 [J] 鐵道學報，2015，37（10）：68-74.

[6] 陸曉峰，王小敏，李光耀.基于Mamdani模糊神經網絡的相敏軌道電路故障診斷方法研究 [J].鐵道標準設計，2015，59（11）：104-109.

[7] 王剛.基于分層歸類法的25 Hz相敏軌道電路故障診斷與分析 [J].鐵路通信信號工程技術，2017，14（5）：105-107+120.

[8] 鄭云水，牛行通，康毅軍.蝙蝠算法優化模糊神經網絡的25 Hz相敏軌道電路故障診斷研究 [J].鐵道學報，2018，40（12）：93-100.

[9] 謝旭旭，戴勝華.基于深度學習的無絕緣軌道電路故障診斷研究 [J].鐵道學報，2020，42（6）：79-85.

[10] 董煜.基于改進證據理論的25Hz軌道電路故障診斷方法研究 [D].蘭州：蘭州交通大學，2019.

[11] 安海君，李建清，吳保英.25Hz相敏軌道電路：第四版 [M].北京：中國鐵道出版社，2018.

[12] 孔學東，恩云飛，陸裕東.電子產品故障預測與健康管理 [M].北京：電子工業出版社，2013.

[13] 彭宇，劉大同，彭喜元.故障預測與健康管理技術綜述 [J].電子測量與儀器學報，2010，24（1）：1-9.

[14] 時旺，孫宇鋒，王自力，等.PHM系統及其故障預測模型研究 [J].火力與指揮控制，2009，34（10）：29-32+35.

[15] 徐鵬，林森.基于C4.5決策樹的流量分類方法 [J].軟件學報，2009，20（10）：2692-2704.

作者簡介：黃旭（1994—），女，漢族，陜西榆林人，工程師，碩士研究生，研究方向：鐵路信號、軌道電路。