基于大數據分析的軌道電路故障診斷模型設計

余 飛，黃鐵兵，楊 非

（廣安職業技術學院，四川 廣安 638000）

0 引 言

軌道電路是鐵路生產與運輸的安全設備，主要是用于列車占用檢測，只有運行穩定并且安全指數較高的電務設備才能保證鐵路企業的運輸質量和運輸效率[1]。通過軌道電路能夠直接監測到車輛占用軌道的實時情況，以便開展后續工作。相關工作人員根據室內的控制臺或者顯示器獲取到畫面，及時掌握車輛的位置和具體運行情況，有利于行車安全和提高運輸效率。我國軌道電路故障技術的發展過程主要經歷了人工診斷、信號處理診斷階段以及人工智能診斷階段3個階段。人工診斷主要是依托技術人員的維修技術與維修經驗，進行粗略的故障排查[2]。信號處理階段主要是通過信號傳感器進行采集檢測與故障分析，但是容易受到外界干擾，導致無法精確判斷故障發生原因。人工智能診斷是將先進的智能技術與人工診斷相結合，是未來一段時間內的主要研究方向。

1 收集軌道電路故障信息

1.1 劃分故障類型

軌道電路的故障主要表現包括閃紅光帶、分路不良以及紅光帶。紅光帶故障主要指的是在固定的軌道區段沒有出現車占用的情況，但是軌道電路卻發出被車占用的信號，由于主要形式是紅色光帶，因此被叫作紅光帶故障[3]。與紅光帶故障情況相反的是分路不良故障，指的是在部分軌道區段有車占用，但實際情況中卻沒能及時反映出來，給出了無車占用的信號。而閃紅光帶故障指的是軌道區無車占用，但出現了短暫的紅光帶。其中，分路不良和閃紅光帶是非安全性故障，紅光帶是會影響鐵路運輸效率的一種安全導向型故障。

1.2 分析故障原因

紅光帶故障出現的原因主要包括軌道地質結構的影響、鋼軌材質腐蝕以及絕緣墊板電阻變低等。由于軌道電路設備的長時間使用但沒有及時修護，造成電路的元器件老化失效，無法保證軌道電路的信號傳輸范圍，而且人為損壞也會導致發生紅光帶故障[4]。此外，車輪和鋼軌磨損產生的碎屑一旦出現在軌道的絕緣節點附近，就會導致電路短路，從而出現紅光帶故障。造成分路不良故障的原因主要是車輪與列車軌道的接觸面結構發生了變化。在鐵路運輸過程中，部分地區的氣候比較潮濕，鐵軌材質會受到空氣中的水分影響出現不同程度的氧化和銹蝕，導致軌道與車輪的接觸不良。閃紅光帶故障主要是各種類型的干擾造成的，包括電路牽引回流與諧波之間的傳導干擾、鄰線區段之間的干擾以及雷電天氣出現的電磁干擾等[5]。當軌道電路的電源電壓不穩定或者受列車的重量和速度影響時，都會造成軌道電路運行出現故障。

2 設計基于大數據分析的軌道鐵路故障診斷模型

2.1 處理故障診斷基礎數據信息

通過監測軌道電路的軌道信號，收集到大量軌道電路正常運行狀況的監測數據信息，將故障模式下的電路樣本數據進行整合匯總，并且在日后的診斷過程中不斷收集更新[6]。實際工作中的軌道電路運行環境更為復雜，故障診斷的樣本參數通常難以達到精確測量的水平[7]。在對軌道電路進行集中監測時，樣本數據通常在數值上存在不同程度的誤差，為了保證故障診斷結果的精確性，將均值法作為獲取和處理故障診斷數據的主要技術手段。軌道電路的輸送端口的電源和電壓直接影響著整個電路的通電運行狀態[8]。對于處在高壓環境下，軌道電路的不對稱脈沖是在輸送端發出的電壓信號，通過將軌道電路的脈沖發送器進行變壓器耦合，將電力輸送到鋼軌軌面。收集并處理軌道電路的歷史故障數據信息，為構建故障診斷模型奠定數據基礎。

2.2 提取大數據分析技術特征

大數據分析技術作為主要的軌道電路故障診斷途徑，以云計算的方式將大量相關數據進行集中整合并管理，在大數據平臺上進行數據共享。針對軌道電路室外設備的相關數據，以列隊的方式進行實時采集，并且將采集到的數據信息輸送到大數據平臺的數據接收模塊[9]。對軌道電路電力設備的數據類型進行劃分歸類，根據不同的數據類型特征，以結構化的形式接入物聯網數據處理端口[10]。針對不同的數據量，利用大數據分析技術平臺的存儲器對數據進行儲存管理，提取軌道電路故障相關數據的交互性和并發性特征。基于軌道電路精確到秒級響應的數據分析要求，應用大數據分析技術進行數據實時處理和實時清洗，采用數據復雜加工框架實現。在數據接收和數據加工的過程中，必須按照云計算數據處理步驟進行數據處理和結構轉換，主要包括車站電子設備、室外零部件以及鐵路信號維度等因素。此外，根據軌道電路故障診斷數據的復雜程度，還可以采用數據搜索引擎將故障規律與故障維修進行匹配，實現軌道電路故障監測和規律探索的目標，為故障診斷模型構建提供技術支撐。

2.3 構建故障診斷模型

軌道電路模型在發生故障后，會呈現出復雜的非線性關系，應用大數據分析技術的深度學習優勢，將輸入的故障信息數據自動調整成與平臺相匹配的形式。利用大數據分析技術對非線性關系的擬合能力，進行數據分析處理。軌道電路的隱藏層節點直接影響著故障診斷結果的質量，隱藏節點的數量過少會導致故障診斷結果不夠準確，數量過多導致模型結構過于復雜，因此需要計算固定時間段內軌道電路的隱藏節點數量，計算公式為：

式中，Q表示隱藏節點的數量；a表示大數據平臺接收端口的數據流量；b表示大數據平臺輸出端口的數據流量；β∈(5,15)表示數據基礎參數及數據的基礎參數取值范圍。根據計算公式可知最終隱藏節點的數量為11個，符合大數據分析技術的要求。處理后的故障診斷節點結構如表1所示。

表1 故障診斷節點結構

根據表1可知，處理后的接收端和輸出端口節點峰值電壓取值范圍在（-1，1）之間，挖掘軌道鐵路的隱藏節點，實現軌道鐵路故障的診斷。

3 仿真實驗

3.1 實驗準備

設置軌道電路的仿真實驗參數，ZC表示故障嚴重程度（Ω），具體如下。連接故障樣本數10 820個，0.5≤ZC≤2；空心線圈故障樣本數10 820個，0.25≤ZC≤1；數字電纜故障樣本數7 890個，0.75≤ZC≤1；電纜連接故障樣本數6 500個，1.5≤ZC≤3；衰耗器故障樣本數6 500個，0.5≤ZC≤1；電纜連接故障樣本數10 820個，15≤ZC≤20；空心線圈故障樣本數7 200個，10≤ZC≤50；數字電纜故障樣本數9 600個，12.5≤ZC≤60；電阻過高樣本數10 820個，1≤ZC≤50。

文中診斷模型分別與3種傳統故障診斷模型進行實驗對比，并得出實驗結果。

3.2 實驗結果

實驗結果如表2所示。

表2 實驗結果

實驗結果表明，文中故障診斷模型比傳統故障診斷模型的精確度提高了1.156%～6.748%，因此文中鐵路軌道故障診斷模型更加有效。

4 結 論

本文通過設計基于大數據分析技術的軌道電路故障診斷模型，提高了故障診斷結果的精確度。在一定程度上推動了鐵路行業的發展，也為學術界開展相關研究奠定了理論基礎和實踐基礎。由于研究條件有限，文章在軌道電路故障的數據收集方面還不夠全面，未來將繼續完善。