基于模糊集對分析的軌道電路分路不良預警方法研究

王梓丞，易立富，虞凱，朱明，楊城

（中鐵二院工程集團有限責任公司，四川 成都 610031）

1 研究背景

軌道電路是以鋼軌為導體，用于自動、連續檢測線路是否被車輛占用的電路。由于軌道電路沿鐵路線路鋪設，其工作性能受室外環境的影響較大。例如，鋼軌表面易受污染導致分路電阻變化較大，從而出現分路不良故障，對鐵路運輸的高安全、高效率造成極大威脅。因此，本文提出了基于模糊集對分析的軌道電路分路不良預警策略，輔助現場維護人員發現早期故障，避免影響行車安全。

2 分路不良預警方法流程

基于模糊集對分析的軌道電路分路不良預警流程如下：

（1）指標選取，選取軌道電壓(V)、軌旁濕度(H)、溫度(T)以及故障累計次數(N)作為預警模型的預警指標。為使各指標具有可比性，將樣本數據歸一化為無量綱的指標值，其值域為[0,1]。

（2）等級劃分，結合樣本嚴重程度劃分為紅色、橙色、黃色及綠色預警等級，分別用S1，S2，S3，S4表示。

（3）指標權重求解，利用層次分析法結合現場專家經驗求解指標權重。

（4）指標權重優化，基于灰色關聯理論優化步驟3中得到的指標權重。

（5）計算指標值集合虞預警等級集合中各個預警等級的綜合同異反模糊聯系度。

（6）比較指標值集合與預警等級集合中各預警等級的綜合同異反模糊聯系度，最大的預警等級作為指標值集合的預警等級。

3 實例分析

本文以現有典型軌道電路分路不良故障為基礎，建立樣本數據集合Q=[Q1,Q2,Q3,Q4,Q5,Q6,Q7]，如表1所示，其中Qm=[U,H,T,N]，m=1,2…,7。前5組數據為參考樣本，后2組數據為實測樣本，歸一化處理結果見表2，預警等級范圍如表3所示。

表1 樣本數據

表2 預處理后實測樣本（歸一化）

表3 預警等級

基于三位專家的經驗構造判斷矩陣，用層次分析法得到指標權重矩陣如表4所示。

表4 指標權重矩陣

根據灰關聯理論計算各指標關聯度，歸一化后得到最終優化的指標權重矢量ω=[0.6230,0.1358,0.1357,0.1055]。

以表3實測樣本7為例，根據前述判斷標準，Q7與各預警等級的聯系度表達式如式（1）～（4）：

式中，Q7為第7個樣本數據集合；S1、S2、S3、S4分別為紅色、橙色、黃色及綠色預警等級；i為差異度系數；j為對立系數。

以確定中差異度系數i為例，當x1=0.833，x1∈[S2,S3]（其中S2=0.533，S3=0.933）時，將數據代入式（5）。

式（5）中，k=1,2,3,4。

得式（6）。

當x4=0.75，x4∈[S2,S3]（其中S2=0.5，S3=0.75）時，將數據代入式（5）得式（7）。

結 合4個 指 標 的 權 重ω=[ω1，ω2，ω3，ω4]=[0.6230，0.1358,0.1357,0.1055]，求得最終得到綜合模糊聯系度如式（8）。

再將所求得的綜合同異反模糊聯系度代入式（2）的差異度系數i中，得式（9）。

此時，所有的數據信息被全部利用，能滿足準確度的要求，取i=0，j=-1，代入式(10)：

根據上述方法，再計算實測樣本6的聯系度，計算結果如表5所示。

表5 實測樣本6聯系度的計算與結果分析

第6組數據聯系度的最大值為0.7342，此時，軌道區段在綠色預警信號區域，軌道電路能夠正常工作，將其軌道電壓值保存為調整最大值。同理，第7組數據聯系度的最大值為0.54769，軌道區段在黃色預警信號區域，其中第7組數據表明軌道電路在分路狀態下工作，其分路殘壓較高，易于發生軌道電路分路不良故障，針對此種情況，現場工作人員應加強監視，必要時，采取一定的措施。

4 結語

通過實例分析與計算，得到的預警結果與分別采用模糊模式識別方法、神經網絡方法以及雷達圖法對軌道電路分路不良預警的結果一致，驗證了預警結果的正確性。除此之外，基于模糊集對分析的預警方法計算簡單，具有可操作性強、易實現計算機編程的優點。