基于機器學習的道岔故障特征提取及診斷方法探析

摘 要：道岔設備的可靠運行對鐵路運輸安全至關重要，隨著人工智能技術的快速發展，其在鐵路系統中的應用日益增多，特別是在道岔故障診斷領域展現出巨大的潛力。文章主要介紹了基于機器學習的故障診斷過程，深入分析了基于神經網絡和支持向量機的故障診斷方法。通過對歷史數據和故障模式的分析，這些方法能夠實現監測道岔故障、判斷故障類型的目的，顯著提高了道岔故障診斷的準確性和效率，為鐵路安全、可靠和高效運行提供了強有力的技術支撐。

關鍵詞：道岔 機器學習 特征提取 故障診斷

0 引言

作為鐵路的關鍵設備之一，道岔控制列車的運行方向，實現線路轉換，在鐵路運營中至關重要。而其長期暴露于室外，且機電結構復雜，受設備老化及其他不確定因素（機械部分卡阻或缺油、滑床板斷裂和缺油等）影響，屬于易損設備。道岔一旦出現故障，若不及時診斷與維護，極易釀成重大事故，嚴重影響了鐵路運行的安全與效率。

目前，現場對于道岔的故障診斷仍采用較為傳統的方式，即獲取道岔的電流、功率、動作時間等數據，設置各類數據的閾值，當某個指標超出閾值時，表明道岔存在異常，再通過人工判斷，推斷故障原因，進行故障診斷。但在實際中，各道岔工作環境存在差異，所設定的閾值及診斷過程受限于技術人員的經驗，存在易漏報誤報、準確率低、診斷時間長等問題。因此，及時、準確地提取故障道岔特征并進行故障診斷，對保障行車安全意義重大。

1 道岔結構與工作原理

道岔主要由基本軌、尖軌、導軌、翼軌、護軌及轉轍設備等組成，如圖1所示。其中，轉轍設備受動力驅動扳動尖軌，可使兩側尖軌分別處于密貼或斥離位置，以確定道岔開通方向，完成列車行駛方向的改變。

轉轍設備是道岔動作的核心，以我國廣泛應用的ZD6型轉轍機為例，其構造包括電動機、減速器、摩擦連接器、自動開閉器、動作桿、表示桿及報警裝置等。其動作過程可分為三個階段：

（1）解鎖階段：通過電動機旋轉、減速器減速，輸出軸帶動主軸旋轉，帶動內部傳動裝置完成內部解鎖，再推動外鎖閉設備完成外部解鎖。

（2）轉換階段：動作桿被拉動，尖軌受轉轍機平穩的推力而緩慢移動直到與基本軌密貼，道岔轉換。

（3）鎖閉階段：隨著尖軌轉換到規定位置，鎖閉齒輪鎖閉，鎖閉動作桿。

2 道岔故障診斷方法研究

不同學者在道岔故障診斷領域展開了多維度探究，常見有三種方法：基于模型的故障診斷、基于信號處理的故障診斷及基于機器學習和人工智能的故障診斷。其中，基于模型的故障診斷最先發展起來，該方法受制于所建模型的準確度，需要詳細的參數和故障數據，但道岔系統機械結構復雜，各設備之間存在耦合，應用較為受限。基于信號處理的故障診斷是通過觀察、分析道岔工作過程中所隱藏的數據信息，提取特征，依據特征值確定是否發生故障，該方法需要故障檢測人員具備較高的專業知識和技能水平，熟練掌握信號處理技術和故障診斷要點。基于機器學習和人工智能的故障診斷則依據智能算法挖掘數據中隱藏的信息建立模型，并從數據和算法兩方面不斷積累和優化，通過學習和訓練形成智能化的故障診斷模型，從而更準確地判斷故障狀況，提高了故障診斷的精度，有較好的應用前景。

2.1 機器學習在道岔故障診斷中的應用

機器學習通過大量數據訓練，使計算機系統能夠自動識別和學習數據中的模式，并進行預測或決策。道岔故障檢測與診斷即利用測試數據（電流、功率等），尋求測試數據與故障之間的聯系。基于機器學習的道岔故障診斷流程如圖2所示。首先，我們根據故障模式成因、轉轍機工作原理及傳感器數據采集的可行性，確定最佳的監測數據類型。隨后，對采集到的原始數據進行預處理，以構建正常和故障狀態下的樣本集。接下來，利用數據挖掘、信號處理算法，從樣本集中提取出能夠最大程度區分不同狀態的特征向量。最后，通過構建機器學習模型，實現對轉轍機故障的分類與精確診斷。

2.2 基于神經網絡的道岔故障診斷

神經網絡作為機器學習領域的核心模型之一，以其獨特的輸入層、隱藏層和輸出層結構為基礎，通過不同的連接模式構建出多樣化的網絡模型。這些模型不僅具備自我學習能力，還能實現非線性映射，并具備高效的并行計算能力和出色的容錯性，因此，在道岔故障診斷領域應用廣泛，誕生了許多神經網絡模型，常見有：BP神經網絡、PNN神經網絡等。

2.2.1 基于多層前饋（BP）神經網絡的道岔故障診斷

將BP神經網絡應用于道岔故障診斷，其故障診斷主要包含訓練過程和測試過程，所對應的原理圖如圖3所示。

基于BP神經網絡的診斷原理，我們對道岔故障診斷進行了深入研究，并構建了相應的BP神經網絡模型：

（1）道岔電流特征數據采集

在道岔故障診斷中，首要任務就是采集道岔動作電流的數據。為了確保數據的準確性和代表性，選擇能夠準確反映道岔動作電流趨勢和潛在故障區域的特征數據。

（2）數據歸一化處理

為了消除數據之間的數量級差異，提高神經網絡的預測性能，我們對采集到的數據進行了歸一化處理。通過這一步驟，可將不同維度的數據轉換到同一數量級，確保了網絡輸入輸出的穩定性和可靠性。

（3）BP神經網絡設計

在設計BP神經網絡時，充分考慮道岔電流和類別的輸入輸出特點。仔細確定了隱含層神經元的數量，并選擇了適合的訓練函數。同時，根據網絡的特點和實際需求，調整學習速率、訓練函數、最大訓練步長和訓練精度等關鍵參數。在選擇隱含層神經元數目時，結合具體的道岔動作電流數據，通過多次試驗和驗證，確定了合適的節點數。

（4）BP神經網絡訓練

在完成了網絡設計后，利用訓練集數據對BP神經網絡進行了訓練。在訓練過程中，各層神經元的權值和閾值不斷調整，使得網絡的輸出逐漸接近實際值。當輸出結果的誤差達到預設的精度要求時停止訓練，并認為網絡已經具備了較好的預測能力。

（5）BP神經網絡測試與分析

將測試集數據輸入到已訓練好的BP神經網絡中，驗證神經網絡的診斷。通過對比測試集的實際類別與網絡預測的輸出類別，對神經網絡的診斷性能進行了全面評估。這一步驟不僅驗證了網絡的有效性和準確性，還為后續改進和優化提供了依據。同時，我們還對診斷結果進行深入分析，以發現可能存在的問題和改進空間。最后，以正確率、漏報率等指標來評價網絡的性能好壞。

2.2.2 基于概率神經網絡（PNN）的道岔故障診斷

概率神經網絡（PNN）由輸入層、模式層、求和層以及輸出層四部分構成。其簡潔的結構和易于訓練的特性使得它在解決分類問題時表現出色。為了對道岔電流故障數據進行深入分析并解決其分類問題，我們構建基于PNN故障診斷模型（圖4）。

（1）樣本集數據的獲取

樣本集的獲取過程與BP神經網絡相似，這里不再贅述。所獲取的數據將用于構建PNN網絡的訓練集和測試集，以確保網絡能夠得到充分的訓練和驗證。

（2）創建并優化平滑因子可變的PNN網絡

在構建PNN網絡時，我們利用Matlab中的newpnn（）函數，該函數允許設置平滑因子（SPREAD）作為唯一參數。平滑因子決定了網絡對輸入數據的敏感度，對PNN網絡的性能至關重要。通過多次試驗和驗證，確定了最優的平滑因子，以確保PNN網絡在故障診斷中具有相對較高的準確率。

（3）建立并測試最終PNN網絡

再次使用newpnn（）函數創建最終的PNN網絡，并將最優參數代入網絡中。為了驗證網絡的性能，可利用之前準備的測試集數據對網絡進行測試。在測試過程中，統計網絡的正確率、漏報率和虛警率等關鍵指標，并對測試結果進行了詳細分析。這些指標將幫助我們評估PNN網絡在道岔故障診斷中的應用效果，為后續的改進和優化提供依據。

2.3 基于支持向量機（SVM）的道岔故障診斷

支持向量機（SVM）是一種功能強大的二分類模型，通過引入核函數，有效地解決了在高維空間中的內積運算問題，具有小樣本量、非線性、高維模式識別和易實現等優點，在道岔故障診斷領域得到了廣泛應用。

盡管SVM通常作為二分類器使用，但在實際應用中，道岔故障診斷等問題通常涉及多分類任務。為了應對這些挑戰，可以通過結合多個SVM分類器的方法來實現多分類，如一對一法、一對多法和SVM決策樹法等。這些方法通過構建多個二分類SVM，并根據它們的輸出結果來綜合判斷樣本的類別，從而解決多分類問題。在道岔故障診斷（圖5）中，這些方法能夠有效地識別不同類型的故障，為維修和保養提供有力的支持。

BP神經網絡中已整理好道岔樣本集，可直接用于SVM故障診斷模型的訓練和測試，利用LIBSVM工具箱來建立SVM模型，分別確定核函數、最優參數，以此完成最終模型測試。

3 結論

道岔設備的可靠運行是確保鐵路運輸安全的關鍵要素之一。隨著機器學習和人工智能領域的飛速發展，為道岔故障診斷提供了一種全新的、高效的方法。基于數據分析和機器學習的方法，通過對大量歷史數據和故障模式的深入分析，能夠快速識別故障發生的模式，判斷故障類型，提高了故障診斷的準確性和效率。此外，這些智能算法具有自學習和持續優化的特性，使得故障診斷系統能夠不斷適應新的故障類型和情況，保持長期的穩定性和可靠性。通過應用先進的機器學習算法和數據分析技術，能夠更好地預防和解決道岔設備故障，確保鐵路運輸的順暢和安全。

基金項目：西安鐵路職業技術學院院級課題“行車安全驅動的道岔故障特征提取與診斷方法”（XTZY23K14）。

參考文獻：

[1]謝博才，宮殿君.基于機器學習的道岔故障診斷與預測研究綜述[J]．鐵路通信信號工程技術，2021，18（8）：93-99．

[2]胡啟正.基于機器學習的道岔轉轍設備故障智能診斷研究[D].北京：中國鐵道科學研究院，2019.

[3]習家寧.基于機器學習的集中監測道岔故障診斷研究與設計[D].北京：北京交通大學，2020.

[4]楊靜.道岔故障診斷方法研究[D].南京：南京理工大學，2017.

[5]劉玲，張西，汪琳娜.故障診斷技術的現狀與發展[J].電子測試，2016（Z1）：62-63.

[6]趙林海.故障診斷技術及其在軌道電路中的應用[M].北京：北京交通大學出版社，2013.

[7]馬笑瀟.智能故障診斷中的機器學習新理論及其應用研究[D].重慶：重慶大學，2002.