基于混合模型的道岔綜合監(jiān)測(cè)系統(tǒng)研究

曹 峰，張 娟

作為鐵路基礎(chǔ)的關(guān)鍵設(shè)備，道岔的工作狀態(tài)直接影響鐵路運(yùn)行安全和效率［1］。道岔設(shè)備結(jié)構(gòu)復(fù)雜，且易受到惡劣天氣及各種不確定因素影響，導(dǎo)致其故障率居高不下。據(jù)不完全統(tǒng)計(jì)，道岔設(shè)備故障占信號(hào)設(shè)備故障的40%以上［2］。

傳統(tǒng)的道岔監(jiān)測(cè)方法主要依靠專業(yè)技術(shù)人員進(jìn)行定期巡檢，電務(wù)、工務(wù)人員利用“天窗”時(shí)間上道檢修，存在人力成本高、效率低等問題，不能滿足現(xiàn)代鐵路運(yùn)輸?shù)男枨螅?］。隨著智能監(jiān)測(cè)技術(shù)的逐漸發(fā)展和完善，不少國(guó)內(nèi)外專家學(xué)者都利用人工智能方法對(duì)道岔故障檢測(cè)、監(jiān)測(cè)進(jìn)行了相關(guān)研究，并取得了一定成果。例如，馬華鑫［4］等建立偏最小二乘法的極限學(xué)習(xí)機(jī)故障預(yù)測(cè)模型，用以預(yù)測(cè)故障位置和故障發(fā)生趨勢(shì)；習(xí)家寧等［5］建立基于概率神經(jīng)網(wǎng)絡(luò)決策級(jí)融合算法的道岔故障診斷模型，并將其應(yīng)用在集中監(jiān)測(cè)道岔故障診斷軟件系統(tǒng)中，但由于算法本身的特性，導(dǎo)致訓(xùn)練需要大量數(shù)據(jù)和時(shí)間，且受訓(xùn)練樣本的影響，預(yù)測(cè)準(zhǔn)確性不高。為適應(yīng)我國(guó)鐵路快速發(fā)展的需求，確保列車行車安全，提高運(yùn)營(yíng)效率，本文開發(fā)了一種基于混合模型的道岔綜合監(jiān)測(cè)系統(tǒng)，為實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)道岔工作狀態(tài)并及時(shí)處理故障提供有力支持。

1 系統(tǒng)總體設(shè)計(jì)

1.1 總體架構(gòu)

基于混合模型的道岔綜合監(jiān)測(cè)系統(tǒng)由采集道岔室內(nèi)電氣特性的道岔電氣監(jiān)測(cè)子系統(tǒng)、采集道岔控制繼電器狀態(tài)的繼電器時(shí)序監(jiān)測(cè)子系統(tǒng)、采集環(huán)境信息的環(huán)境監(jiān)測(cè)子系統(tǒng)、采集道岔位置及框架的工況監(jiān)測(cè)子系統(tǒng)、采集轉(zhuǎn)轍機(jī)缺口數(shù)據(jù)的缺口監(jiān)測(cè)子系統(tǒng)，以及道岔綜合監(jiān)測(cè)數(shù)據(jù)庫(kù)和道岔智能分析決策平臺(tái)等組成。基于混合模型的道岔綜合監(jiān)測(cè)系統(tǒng)總體架構(gòu)見圖1。

圖1 基于混合模型的道岔綜合監(jiān)測(cè)系統(tǒng)總體構(gòu)架

1）道岔電氣監(jiān)測(cè)子系統(tǒng)負(fù)責(zé)采集和處理道岔電氣特性數(shù)據(jù)，包括表示電壓、動(dòng)作電壓、電流、動(dòng)作功率，以及道岔控制電路中繼電器狀態(tài)等。

2）繼電器時(shí)序監(jiān)測(cè)子系統(tǒng)主要記錄道岔控制電路中繼電器動(dòng)作時(shí)間和順序，并進(jìn)行存儲(chǔ)。當(dāng)?shù)啦砜刂齐娐匪欣^電器動(dòng)作完成后，監(jiān)測(cè)子系統(tǒng)會(huì)按照預(yù)期的時(shí)序關(guān)系進(jìn)行比較，以辨別道岔控制電路是否存在故障。

3）環(huán)境監(jiān)測(cè)子系統(tǒng)采用設(shè)置溫度、濕度、雨量、光照強(qiáng)度等傳感器的方式，實(shí)時(shí)監(jiān)測(cè)環(huán)境相關(guān)信息，將采集數(shù)據(jù)傳輸至道岔室外綜合采集機(jī)，用于分析環(huán)境因素對(duì)道岔工作狀態(tài)的影響。

4）工況監(jiān)測(cè)子系統(tǒng)通過高精度激光位移傳感器，以非接觸方式精密測(cè)量尖軌、心軌、基本軌等位置變化，并結(jié)合過車及道岔扳動(dòng)時(shí)機(jī)，動(dòng)態(tài)測(cè)量尖軌及基本軌的三相振動(dòng)位移信息，對(duì)道岔工作過程中機(jī)械部位的動(dòng)靜態(tài)信息進(jìn)行實(shí)時(shí)監(jiān)測(cè)。

5）缺口監(jiān)測(cè)子系統(tǒng)采用高清紅外攝像頭，實(shí)時(shí)采集轉(zhuǎn)轍機(jī)缺口位置圖像，通過圖像識(shí)別技術(shù)監(jiān)測(cè)道岔表示缺口變化，從而實(shí)現(xiàn)對(duì)道岔實(shí)際運(yùn)用狀態(tài)的精準(zhǔn)監(jiān)測(cè)。

6）道岔綜合監(jiān)測(cè)數(shù)據(jù)庫(kù)用來(lái)收集各子系統(tǒng)的道岔狀態(tài)信息，包括電氣參數(shù)、機(jī)械參數(shù)、環(huán)境參數(shù)等，并進(jìn)行數(shù)據(jù)預(yù)處理后，發(fā)送給道岔智能分析決策平臺(tái)。

7）道岔智能分析決策平臺(tái)采用支持向量機(jī)（Support Vector Machines，SVM）和支持向量域（Support Vector Domain，SVD）的混合算法，通過可視化界面進(jìn)行故障預(yù)警，并生成相應(yīng)的故障處理方案，指導(dǎo)工作人員上道檢修。

1.2 功能設(shè)計(jì)

1）數(shù)據(jù)采集和存儲(chǔ)。實(shí)時(shí)采集道岔的運(yùn)行數(shù)據(jù)，包括電氣、機(jī)械、環(huán)境等參數(shù)，并存儲(chǔ)在數(shù)據(jù)庫(kù)中。

2）數(shù)據(jù)預(yù)處理。在進(jìn)行后續(xù)數(shù)據(jù)分析前，需先對(duì)采集到的數(shù)據(jù)進(jìn)行預(yù)處理，包括去除噪聲、降采樣、濾波等。

3）特征提取。從經(jīng)過預(yù)處理的數(shù)據(jù)中提取頻域、時(shí)域等有用特征，方便后續(xù)的故障檢測(cè)和分類。

4）故障檢測(cè)和分類。利用提取的特征對(duì)道岔進(jìn)行故障檢測(cè)和分類，區(qū)分出正常運(yùn)行和各種故障狀態(tài)。

5）故障診斷和定位。判斷故障的類型和位置，為現(xiàn)場(chǎng)作業(yè)人員提供最佳的維修方案。

6）可視化界面。友好的界面設(shè)計(jì)方便用戶進(jìn)行數(shù)據(jù)查詢、分析和故障診斷。同時(shí)，系統(tǒng)支持遠(yuǎn)程訪問和控制，方便用戶進(jìn)行遠(yuǎn)程故障監(jiān)測(cè)和管理。

7）報(bào)警與預(yù)警。根據(jù)監(jiān)測(cè)數(shù)據(jù)和故障診斷結(jié)果，自動(dòng)發(fā)出報(bào)警和預(yù)警，提醒現(xiàn)場(chǎng)作業(yè)人員及時(shí)維修。

8）數(shù)據(jù)分析和挖掘。對(duì)歷史數(shù)據(jù)進(jìn)行分析和挖掘，總結(jié)出規(guī)律和趨勢(shì)，為管理決策提供有價(jià)值的參考建議。

2 算法設(shè)計(jì)與實(shí)現(xiàn)

2.1 算法選擇

系統(tǒng)采用支持向量機(jī)和支持向量域的混合算法，對(duì)正常和故障數(shù)據(jù)進(jìn)行分類和異常檢測(cè)，從而提高故障檢測(cè)的準(zhǔn)確率。選擇混合算法主要基于以下考慮。

1）更準(zhǔn)確。傳統(tǒng)的信號(hào)集中監(jiān)測(cè)系統(tǒng)可能會(huì)受到噪聲和干擾的影響，導(dǎo)致監(jiān)測(cè)結(jié)果的誤差較大。而混合算法能夠提供高精度的分類和回歸分析，從而提高道岔狀態(tài)的判斷準(zhǔn)確率。

2）更高效。傳統(tǒng)的信號(hào)集中監(jiān)測(cè)系統(tǒng)需要對(duì)大量數(shù)據(jù)進(jìn)行處理，效率較低。而混合算法能夠快速處理數(shù)據(jù)，極大地提升了效率。

3）更智能。傳統(tǒng)的信號(hào)集中監(jiān)測(cè)系統(tǒng)只能通過人工分析監(jiān)測(cè)數(shù)據(jù)，而混合算法能夠?qū)崿F(xiàn)智能化的監(jiān)測(cè)方式，自動(dòng)分析數(shù)據(jù)并做出判斷。

2.2 自動(dòng)特征提取

在學(xué)習(xí)過程中，特征提取可以消除原始數(shù)據(jù)中的冗余信息，降低數(shù)據(jù)維度，減少計(jì)算工作量，并提高分類準(zhǔn)確率。這種特征提取也被看作是一種數(shù)據(jù)降維的方法。在傳統(tǒng)機(jī)器學(xué)習(xí)中，分類效果依賴于基于人工經(jīng)驗(yàn)的特征提取，但現(xiàn)有的原始數(shù)據(jù)維度較高，人工進(jìn)行特征提取十分困難［6］。為此，系統(tǒng)使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Net?works，CNN）進(jìn)行自動(dòng)特征提取，不斷探索道岔狀態(tài)的特征。

卷積神經(jīng)網(wǎng)絡(luò)是一種前饋型的神經(jīng)網(wǎng)絡(luò)，一般由輸入層、卷積層、池化層、激活層、全連接層和輸出層組成［7］。其中，輸入層即為預(yù)處理層；卷積層、池化層、激活層和全連接層構(gòu)成特征提取層；輸出層即為優(yōu)化層。CNN 主要包含特征提取和分類識(shí)別2 類。特征提取是先接收輸入圖像，對(duì)其進(jìn)行特征信息提取，然后再將信號(hào)傳遞給分類識(shí)別神經(jīng)網(wǎng)絡(luò)。道岔狀態(tài)特征提取過程見圖2。

圖2 道岔狀態(tài)特征提取過程

Step 1預(yù)處理層進(jìn)行數(shù)據(jù)準(zhǔn)備。將圖像傳感器中獲取的道岔狀態(tài)圖像數(shù)據(jù)進(jìn)行預(yù)處理，包括圖像裁剪、大小歸一化、顏色空間轉(zhuǎn)換等。

Step 2特征提取層進(jìn)行特征提取。卷積層使用一組可學(xué)習(xí)的卷積核對(duì)輸入的道岔狀態(tài)圖像進(jìn)行卷積計(jì)算，從而提取出不同層次的特征；池化層則對(duì)卷積層輸出的特征進(jìn)行下采樣處理，減少特征數(shù)量，提高模型的魯棒性和泛化性；激活層對(duì)卷積層和池化層的輸出進(jìn)行非線性變換，增強(qiáng)模型的表達(dá)能力；全連接層對(duì)卷積層和池化層輸出的特征進(jìn)行分類或回歸。

Step 3優(yōu)化層對(duì)數(shù)據(jù)不斷進(jìn)行優(yōu)化。損失函數(shù)會(huì)衡量模型預(yù)測(cè)結(jié)果與真實(shí)標(biāo)簽的差距，優(yōu)化器則根據(jù)損失函數(shù)的梯度，更新模型參數(shù)，使模型不斷優(yōu)化。

2.3 數(shù)據(jù)分類

SVM 是一種二分類模型，其模型定義為特征空間上間隔最大的線性分類器。決策邊界是對(duì)學(xué)習(xí)樣本求解的最大邊距超平面［8］，能夠正確刻畫訓(xùn)練樣本和測(cè)試樣本的泛化誤差結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則。SVM 算法以核函數(shù)的形式引入高維特征空間，實(shí)現(xiàn)了非線性分類器的構(gòu)建。通過尋找一個(gè)線性或非線性的超平面，將不同類別的數(shù)據(jù)分隔開，并且使間隔最大化，即尋找一個(gè)能夠最優(yōu)分類的決策邊界。這種學(xué)習(xí)策略使得該算法能在統(tǒng)計(jì)樣本量較少（小樣本）的條件下，實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)最小化［9］，以獲得良好的統(tǒng)計(jì)分類效果。

系統(tǒng)利用CNN 自動(dòng)提取出適合分類任務(wù)的特征。這些特征將被用于訓(xùn)練和測(cè)試支持向量機(jī)分類器。

1）系統(tǒng)將數(shù)據(jù)分割成訓(xùn)練集和測(cè)試集。訓(xùn)練集用于訓(xùn)練SVM 分類器，測(cè)試集用于評(píng)估分類器的性能。本文采用交叉驗(yàn)證的方法，將數(shù)據(jù)劃分為50份，分別進(jìn)行50次訓(xùn)練和測(cè)試。

2）利用SVM 對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，找到一個(gè)最優(yōu)的分類超平面，以實(shí)現(xiàn)對(duì)正常和故障數(shù)據(jù)的區(qū)分。

3）將訓(xùn)練好的SVM 分類器用于實(shí)時(shí)監(jiān)測(cè)道岔狀態(tài)信息，對(duì)新數(shù)據(jù)進(jìn)行分類，以便及時(shí)發(fā)現(xiàn)并處理故障。

4）利用測(cè)試集對(duì)訓(xùn)練好的SVM 分類器進(jìn)行評(píng)估，評(píng)估結(jié)果包括準(zhǔn)確率、精確率和召回率等指標(biāo)。

利用SVM 進(jìn)行數(shù)據(jù)分類的過程是基于混合模型的道岔綜合監(jiān)測(cè)系統(tǒng)保障可靠性的重要措施之一。該過程可以有效地識(shí)別和區(qū)分正常和故障數(shù)據(jù)，幫助系統(tǒng)及時(shí)發(fā)現(xiàn)并處理故障。基于SVM 的道岔故障檢測(cè)流程見圖3。

圖3 基于SVM的道岔故障檢測(cè)流程

需要注意的是，SVM 對(duì)于數(shù)據(jù)的線性可分性有較高的要求，因此針對(duì)一些復(fù)雜的道岔故障檢測(cè)問題，就需要與SVD算法結(jié)合使用。

2.4 數(shù)據(jù)處理

SVD 算法是一種基于SVM 的非線性分類方法，它可以在保證SVM 模型精度的同時(shí)，顯著提高模型的計(jì)算效率。其基本思想是：在高維空間中尋求一個(gè)囊括絕大部分指定類別的訓(xùn)練數(shù)據(jù)，且體積最小的最優(yōu)超球體［10］，而非指定類別的數(shù)據(jù)盡可能不包含在該區(qū)域中。SVD 具有良好的推廣性和較好的分類精度，能有效地解決過學(xué)習(xí)問題，從而被廣泛應(yīng)用在人臉識(shí)別、噪聲識(shí)別、故障診斷等領(lǐng)域。

1）在采集到正常數(shù)據(jù)后，利用CNN進(jìn)行特征提取。

2）將特征提取數(shù)據(jù)輸入到SVM 中進(jìn)行數(shù)據(jù)訓(xùn)練與分類。

3） 將故障數(shù)據(jù)輸入SVD 訓(xùn)練模型中進(jìn)行訓(xùn)練。

通過計(jì)算新的測(cè)試數(shù)據(jù)與超平面的距離，可二次判斷該數(shù)據(jù)是否為異常數(shù)據(jù)，從而實(shí)現(xiàn)對(duì)道岔故障的檢測(cè)，并且自動(dòng)生成故障處理方案。基于SVD模型的道岔故障檢測(cè)流程見圖4。

圖4 基于SVD的道岔故障檢測(cè)流程

利用SVD 進(jìn)行故障檢測(cè)具有較好的分類效果和泛化性能，可以為道岔綜合監(jiān)測(cè)系統(tǒng)提供可靠的故障檢測(cè)手段。

2.5 系統(tǒng)運(yùn)行流程

系統(tǒng)采用SVM 與SVD 混合算法檢測(cè)道岔故障，能夠有效地提高監(jiān)測(cè)準(zhǔn)確率和穩(wěn)定性。系統(tǒng)運(yùn)行流程見圖5。

圖5 系統(tǒng)運(yùn)行流程

1）數(shù)據(jù)采集模塊采集道岔及其周圍環(huán)境的各種數(shù)據(jù)，包括道岔位置、電流、電壓、壓力、音頻、軌溫、軌距、濕度、雨量等信息，并通過傳感器和監(jiān)測(cè)設(shè)備實(shí)時(shí)上傳到數(shù)據(jù)處理模塊；然后對(duì)提取到的數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、去噪和缺失值處理等。

2）采用CNN進(jìn)行數(shù)據(jù)特征提取，全面地描述道岔狀態(tài)信息。

3）采用SVM 算法進(jìn)行分類，將檢測(cè)結(jié)果分為正常和故障2 類。考慮到在實(shí)際應(yīng)用中存在正負(fù)樣本不平衡問題，只采用SVM 算法可能會(huì)導(dǎo)致分類結(jié)果的偏移，因此引入SVD 算法來(lái)進(jìn)行異常檢測(cè)。SVD 算法能夠?qū)颖緮?shù)據(jù)映射到高維空間中，通過尋求最小的最優(yōu)超球體來(lái)檢測(cè)異常值，可更準(zhǔn)確地識(shí)別故障狀態(tài)，提高算法的穩(wěn)定性。

4）系統(tǒng)將檢測(cè)結(jié)果以聲光報(bào)警形式通過移動(dòng)端通知作業(yè)人員，以便及時(shí)進(jìn)行故障處理。同時(shí)，將檢測(cè)結(jié)果和歷史數(shù)據(jù)進(jìn)行存儲(chǔ)和管理，以便后續(xù)的數(shù)據(jù)分析和建模。

3 應(yīng)用案例與對(duì)比分析

目前，基于混合模型的道岔綜合監(jiān)測(cè)系統(tǒng)已在南京鐵道職業(yè)技術(shù)學(xué)院實(shí)訓(xùn)基地搭建完成，以下列舉使用過程中出現(xiàn)的2個(gè)故障案例。

3.1 案例一：7#道岔尖軌不密貼

故障描述：系統(tǒng)預(yù)警7#道岔處在定位時(shí)，尖軌與基本軌之間存在2.1 mm 的縫隙，不密貼，道岔尖軌不密貼故障案例示意見圖6。

圖6 道岔尖軌不密貼故障案例示意

原因分析：尖軌經(jīng)常受到正向運(yùn)行列車的沖擊，導(dǎo)致尖軌彎曲和基本軌橫向位移，使尖軌不密貼。

處理方案：使用0.5 mm 調(diào)整片調(diào)整尖軌，整治軌距，確保插入2 mm 試驗(yàn)片道岔鎖閉，插入4 mm試驗(yàn)片道岔不鎖閉，順利完成整治。

3.2 案例二：14#道岔爬行

故障描述：系統(tǒng)預(yù)警14#道岔動(dòng)作曲線嚴(yán)重超高，故障案例示意見圖7。

圖7 道岔動(dòng)作曲線嚴(yán)重超高故障案例示意

原因分析：經(jīng)檢查后發(fā)現(xiàn)列車通過上行正向道岔，導(dǎo)致基本軌向岔尖方向縱移，限位器頂死，道岔爬行。

處理方案：重新配軌，拆裝轉(zhuǎn)轍設(shè)備并調(diào)整道岔表示缺口，順利完成整治。

3.3 對(duì)比分析

為進(jìn)一步驗(yàn)證基于混合模型的道岔綜合監(jiān)測(cè)系統(tǒng)性能，在校內(nèi)實(shí)訓(xùn)基地進(jìn)行為期3 個(gè)月的數(shù)據(jù)統(tǒng)計(jì)，從準(zhǔn)確率、魯棒性、時(shí)間效率和安全性4 個(gè)方面與傳統(tǒng)的集中監(jiān)測(cè)系統(tǒng)進(jìn)行比較，對(duì)比分析結(jié)果見表1。

表1 對(duì)比分析%

由表1可見：

1）準(zhǔn)確率方面。采集2 個(gè)系統(tǒng)100 次報(bào)警信息，傳統(tǒng)的集中監(jiān)測(cè)系統(tǒng)誤報(bào)25 次，而本系統(tǒng)誤報(bào)10 次。分析原因是傳統(tǒng)的集中監(jiān)測(cè)系統(tǒng)只對(duì)有限的監(jiān)測(cè)點(diǎn)進(jìn)行監(jiān)測(cè)，采集測(cè)試點(diǎn)和項(xiàng)目較少，且采集點(diǎn)設(shè)置不合理，在隱患處理和故障判斷過程中需要進(jìn)行大量人工測(cè)試，集中監(jiān)測(cè)效果發(fā)揮不明顯［11］。而本系統(tǒng)采用多種傳感器進(jìn)行數(shù)據(jù)采集，結(jié)合CNN 及SVM、SVD 等機(jī)器學(xué)習(xí)算法進(jìn)行特征提取和分類，能夠?qū)崿F(xiàn)對(duì)道岔狀態(tài)的全方位、多角度、實(shí)時(shí)監(jiān)測(cè)和故障診斷，因此在準(zhǔn)確率方面優(yōu)勢(shì)明顯。

2）魯棒性方面。傳統(tǒng)集中監(jiān)測(cè)系統(tǒng)的魯棒性為89%，而本系統(tǒng)為94%，提升了5個(gè)百分點(diǎn)。因?yàn)閭鹘y(tǒng)集中監(jiān)測(cè)系統(tǒng)在處理異常數(shù)據(jù)和噪聲數(shù)據(jù)時(shí)表現(xiàn)不佳，而本系統(tǒng)具有數(shù)據(jù)冗余處理的特點(diǎn)。即當(dāng)某個(gè)傳感器故障時(shí)，其他傳感器仍然可以提供數(shù)據(jù)，且數(shù)據(jù)在產(chǎn)生輕微變化并包含一些隨機(jī)噪聲時(shí)，該模型仍不會(huì)產(chǎn)生過度的波動(dòng)，從而保證數(shù)據(jù)采集的魯棒性。同時(shí)，本系統(tǒng)可以通過使用核函數(shù)引入高維特征空間，實(shí)現(xiàn)非線性分類器的構(gòu)建，對(duì)異常數(shù)據(jù)和噪聲數(shù)據(jù)的處理具有更好的魯棒性。

3）時(shí)間效率方面。傳統(tǒng)集中監(jiān)測(cè)系統(tǒng)的時(shí)間效率為90%，而本系統(tǒng)為98%。因?yàn)閭鹘y(tǒng)集中監(jiān)測(cè)系統(tǒng)只能進(jìn)行周期性的數(shù)據(jù)采集和分析，無(wú)法實(shí)時(shí)監(jiān)測(cè)，及時(shí)做出響應(yīng)。而本系統(tǒng)采用了實(shí)時(shí)監(jiān)測(cè)的方式，能夠及時(shí)發(fā)現(xiàn)道岔狀態(tài)的變化，并進(jìn)行故障診斷和處理，有效提高了系統(tǒng)的響應(yīng)速度和故障維修的效率。同時(shí)，本系統(tǒng)可以利用CNN 進(jìn)行自動(dòng)特征提取，從而大大縮短了數(shù)據(jù)預(yù)處理的時(shí)間。

4）在安全性方面。通過人為設(shè)置道岔各類故障，統(tǒng)計(jì)分析傳統(tǒng)集中監(jiān)測(cè)系統(tǒng)的故障識(shí)別率為85%，而本系統(tǒng)為97%。傳統(tǒng)集中監(jiān)測(cè)系統(tǒng)信息處理難度大，報(bào)警信息量多而不全，導(dǎo)致準(zhǔn)確性和安全性不高。而本系統(tǒng)的各子系統(tǒng)均進(jìn)行安全性冗余結(jié)構(gòu)設(shè)計(jì)，配置雙通道數(shù)據(jù)采集模塊，若同類數(shù)據(jù)誤差超3%，則系統(tǒng)報(bào)錯(cuò)。道岔智能分析決策平臺(tái)由2 臺(tái)不同主機(jī)進(jìn)行數(shù)據(jù)分析和故障檢測(cè)，并比對(duì)運(yùn)算結(jié)果，一致則輸出至可視化界面，否則系統(tǒng)報(bào)錯(cuò)，提高了系統(tǒng)整體的安全性。

綜上所述，基于混合模型的道岔綜合監(jiān)測(cè)系統(tǒng)相比傳統(tǒng)的集中監(jiān)測(cè)系統(tǒng)更可靠、更高效。

4 結(jié)論

為滿足工電融合、“天窗”綜合利用和道岔聯(lián)合整治的需要而開發(fā)的基于混合模型的道岔綜合監(jiān)測(cè)系統(tǒng)，可以為電務(wù)、工務(wù)維護(hù)人員及時(shí)生成最佳維護(hù)方案，實(shí)時(shí)掌握道岔工作狀態(tài)，實(shí)現(xiàn)道岔的全生命周期管理。與傳統(tǒng)集中監(jiān)測(cè)系統(tǒng)相比，該系統(tǒng)在準(zhǔn)確率、魯棒性、時(shí)間效率，以及安全性等方面優(yōu)勢(shì)明顯，實(shí)現(xiàn)了道岔的預(yù)防性維修，為道岔維修管理模式從“計(jì)劃修”到“狀態(tài)修”的轉(zhuǎn)變，提供了有力的技術(shù)支撐，有效提升道岔的運(yùn)用質(zhì)量和使用壽命。