鐵道信號基礎設備在線監測方法研究

翁恩澤

（國能新朔鐵路有限責任公司 大準鐵路分公司，內蒙古 鄂爾多斯 010300）

0 引 言

鐵路信號基礎設備包含鐵路信號機、軌道電路等，對于提升鐵路行車安全質量、運輸效率等都有重要作用。鐵路信號基礎設備的軌道電路故障主要體現在多個方面，例如紅光帶、分路不良等。當故障發生后，軌道電路工作會嚴重不穩定，容易受到電氣化區段牽引影響而嚴重干擾鐵路信號基礎設備的供電系統。

目前針對鐵路信號基礎設備的故障診斷技術內容相當豐富，屬于一門全新的綜合性科學技術，對于機械設備故障診斷工作而言作用重大。就國內而言，目前的設備故障診斷技術系統中包含了基于模型的診斷技術、基于信號處理的診斷技術以及基于人工智能的診斷技術。而在這些技術方法中，結合神經網絡與模糊推理等先進技術也能實現對設備故障的智能化診斷[1]。

1 鐵路信號基礎設備的故障診斷技術實踐應用研究

鐵路信號基礎設備的故障診斷技術實踐應用內容相當豐富，充分運用人工神經網絡技術以及模糊神經網絡推理技術就能構建一套完整的故障診斷技術體系，并付諸實踐應用。

1.1 人工神經網絡故障診斷技術的實踐應用

人工神經網絡中融入了多種網絡模型，其中就包括了單向多層前反饋網絡，同時也引進了大量改進模型。具體來講，例如輸入層的信號向前傳遞、誤差逆向傳播機制，需要確保形成基本網絡結構圖，其中包括輸入層、隱含層以及輸出層。而在逆向傳播過程中，則需要保證誤差值控制在期望范圍內。結合徑向基函數（Radial Basis Function，RBF）神經網絡展開訓練仿真，其中也存在重要參數spread選擇問題。鐵道信號基礎設備在線監測過程中，需要確保spread值域選擇余地足夠大，在保證基礎函數輸入范圍合理的基礎上設置間隔遞增趨勢，減小網絡誤差。對網絡誤差問題進行進一步分析，將其最大迭代次數控制在500，學習精度控制在0.001，spread值控制在2。在基礎設備在線監測過程中，需要從網絡誤差層面分析隱含層節點數的增加或減少情況，誤差取得最小情況時的隱含層節點數應該為9～10個。就現場實際測試過程而言，需要滿足實時性要求，確保BP網絡本身的訓練時間有效延長，避免陷入極小值困局，優化其網絡記憶學習能力[2]。

1.2 模糊神經網絡推理故障診斷技術的實踐應用

在利用模糊神經網絡推理故障診斷技術展開鐵路信號基礎設備在線監測過程中，構建一套完整的故障識別方法機制[3]。

模糊神經網絡（Fuzzy Neural Network，FNN）是基于模糊理論與神經網絡，利用先進經驗知識來處理某些不確定信息內容，確保神經網絡展開自我學習過程中彌補諸多不足問題。在信息處理過程中，保證多種神經網絡與模糊邏輯系統相互結合，分析神經網絡計算與學習方法，形成模糊神經網絡模型算法機制[4]。創建基于模糊神經網絡的故障診斷模型，選取模型參數內容。根據數據采集系統實測情況分析調整FNN，利用FNN對軌道電路診斷選定高壓情況進行分析，提出不對稱脈沖分析機制，確保脈沖端波峰電壓調整到位。同步調整受端波峰電壓，結合特征提取過程分析頻率網絡輸入參數，其中f為高壓不對稱脈沖特征頻率，Ut為送端波峰電壓，Ur為受端波峰電壓。鐵道信號基礎設備在線監測過程中，存在鐵道鋼軌銹蝕嚴重（即出現A1故障）、供電電壓過高（即出現A2故障）、供電電壓過低（即出現A3故障）以及匝道電阻過低（即出現A4故障）等問題，FNN輸出參數表現起伏不定。結合軌道電路故障模糊神經網絡診斷過程可以了解到所輸出故障隸屬度是否發生變化，結合軌道電路常見故障及其參數關系來分析制定FNN故障診斷規則表，確保規則易于理解，從而有效規避故障問題[5]。

在高壓不對稱脈沖軌道電路中，需要對鐵道信號基礎設備的在線監測方法進行調整，充分利用FNN模型展開故障診斷，確保FNN模糊系統與神經網絡完美融合，持續強化網絡模型的決策能力，為處理軌道故障問題提供諸多建議，有效提高現場軌道維修準確率。在利用FNN網絡模型對高壓不對稱脈沖軌道電路故障進行診斷的過程中，也可以嵌入鐵道信號基礎設備，做好在線監測工作，有效解決故障診斷識別問題[6]。

2 鐵路信號基礎設備的故障診斷系統測試分析

在鐵路信號基礎設備中創建故障診斷系統，合理選擇軟件平臺LabVIEW。該軟件開發環境與編程界面友好，其中的代碼開發也相對形象直觀，可直接面向工程應用。明確LabVIEW圖標并創建應用程序圖形化編程語言，為軟件平臺提供內容豐富的圖形顯示軟件，采用創新圖形化編程技術方法，最大限度提高程序設計效率。利用ActiveX技術，結合公式節點、腳本節點等等展開分析，保證LabVIEW中文本語言混合編程技術應用到位。創建動態鏈接庫（Dynamic Link Library，DLL），分析發布源代碼ZIP文件，形成緊密的硬件集成接口連接機制。內置LabVIEW豐富數據信息，結合函數處理與開放架構來設置大量實例，建立使用者參考管理機制，確保數據分析與信號處理更加方便快捷[7,8]。

基于模糊神經網絡創建診斷系統，保證系統總體思路明確。軌道電路信號采集器與S700K分析轉轍機道岔控制電路信號采集器分別與上位機軟件通過固定IP地址和端口號建立連接，然后通過以太網上傳數據。對于上位機而言，根據軟件需要設置良好的數據通信協議內容，建立動態實時獲取數據包解析處理機制，以便及時解析處理相關數據包內容，有效獲取相應數據并加以有效存儲，保證軌道電路實時數據小波特征參數提取到位。在啟動模糊神經網絡過程中，輸入A1、A2、A3、A4等具有高可信度的典型故障類型，對給出的故障內容結果進行分析。當啟動RBF神經網絡后，需要輸出相應故障類型內容。在對系統進行登錄過程中，要確認計算機文檔內容。對于鐵道信號基礎設備而言，通過故障診斷系統軟件可以了解故障發生類型、程度與發生成因，同時顯示故障發生過程中可能存在的高壓不對稱脈沖、脈沖特征頻率過高以及發送端波峰電壓不穩定等問題。

結合大量文獻資料分析研究高壓不對稱脈沖軌道電路，明確S700K轉轍機控制電路工作原理和典型故障，為后期故障診斷奠定堅實基礎[9]。采用小波變換方法對高壓不對稱脈沖軌道電路故障特征參數進行分析并提取，結合算法合理分析處理，有效避免高壓不對稱脈沖軌道電路受沖擊干擾問題。在完成BP神經網絡與RBF神經網絡調整后，需要分析鐵路道岔控制電路故障問題，做好故障診斷。通過Matlab仿真實現對鐵道信號基礎設備的智能分析和故障識別，并通過MathScript成功嵌入到LabVIEW軟件開發平臺，實現了故障診斷結果顯示，界面運行流暢[10]。

3 結 論

綜上所述，鐵路信號基礎設備故障診斷系統在線測試中大量運用到人工神經網絡與模糊網絡推理技術方法，結合多種技術內容展開故障實驗分析。結合系統穩定運行需求，分析鐵道信號基礎設備在線監測技術的應用過程，最終實現對故障問題的有效監測和處理。