列车运行控制系统故障诊断方法研究

2010-08-15徐正国王文海孙优贤

铁道通信信号 2010年5期

陆陆徐正国王文海孙优贤

列车运行控制系统(列控系统)是保证列车安全运行的关键装备。虽然随着研发水平的提高和制造技术的发展,使得列控系统元件和装置的可靠性有了显著提高,同时科学完善的管理也降低了列控系统在使用过程中发生故障的概率,但是在运行过程中,由于列控系统自身的老化和外部环境等因素的影响,发生故障还是不可避免。因此实现对列控系统故障快速而准确地诊断,减少故障对列车安全运行的影响,是铁路工作者亟待解决的问题。

故障诊断技术就是通过某些技术手段,对采集获得的、与被诊断设备运行状态相关的信息进行分析后,判断被诊断设备运行状态是否正常,并确定故障发生的原因和部位。利用故障诊断技术对列控系统进行诊断,及时发现故障并确定故障原因,并给维修工作人员适当的提示,使故障能够得到及时的处理,保证列车的正常运行。

下面就根据故障诊断的方法,对列控系统的故障诊断研究进行分类、总结,并介绍列控系统故障预测的一些研究成果,指出未来列控系统故障诊断研究的发展方向。

1 列控系统故障诊断方法

根据实际使用的故障诊断方法不同,列控系统故障诊断方法大致可分为基于专家系统的方法、基于神经网络的方法、基于模糊理论的方法、基于故障树的方法和其他方法等几大类。

1.1 基于专家系统的方法

该方法是在列控系统故障诊断中应用较为广泛的一种。专家系统的原理是利用领域专家在工作中积累的知识形成知识库,并以此作为故障诊断的依据,再利用推理机根据知识判断故障的发生和故障原因。专家系统的主要构成包括知识库、推理机、综合数据库、人机接口及解释模块等。

在利用专家系统对列控系统进行故障诊断的研究领域中,科研人员已经开发了针对计算机联锁系统故障的专家系统和针对铁路信号设备故障的专家系统。此外,利用车站信号控制电路模型和人工智能方法的专家系统也得到了一定的应用,充分显示了专家系统故障诊断方法的有效性。

1.2 基于神经网络的方法

列控系统故障的复杂性使得传统的人工故障诊断方法在列控系统故障诊断中受到很大制约,而利用神经网络对列控系统故障进行诊断,则能取得更加理想的诊断效果。神经网络是一种模仿人脑运作的系统,它对历史诊断数据进行分析,并通过反向传播网络 (Back Propagation,BP)等算法建立故障模型。神经网络对非线性映射具有良好的拟合能力,强大的自组织和自学习能力。这些特点使神经网络成为实现列控系统故障诊断的一种有效方法和手段。

虽然神经网络方法在故障诊断中有其固有的优势,但是也存在训练样本获取困难、网络权值表达方式难以理解、忽略领域专家的经验知识等问题,限制了神经网络的应用。因此神经网络经常与模糊理论结合,形成模糊神经网络,并被用于建立车-地无线通信单元的故障模型和对轨旁设备的故障诊断,以克服神经网络无法处理模糊信息的缺陷。此外,神经网络与专家系统相结合也可用于对计算机联锁系统等设备的故障诊断中,克服其忽略领域专家经验知识的问题。

1.3 基于模糊理论的方法

模糊理论是一种用来处理现实中无法精确描述的、带有一定不确定性的事件和问题的理论工具。基于模糊理论的故障诊断方法主要是将模糊集合和模糊运算规则应用于故障诊断,以处理不确定信息,并建立模糊逻辑系统,最终达到诊断的目的。列控系统运行环境恶劣、结构复杂,采用人工诊断的方法对列控系统故障进行处理存在一定的困难,而基于模糊理论的方法则较为适合处理这类故障。

模糊理论应用于列控系统的故障诊断也产生了一些研究成果。例如,基于模糊规则的推理方法,以及基于多级模糊综合评判故障诊断方法等都被用于车站信号系统中,以达到故障诊断的目的。

同样,模糊理论也存在一些问题,如缺乏自学习能力、推理过程中模糊性会增加等,这在某种程度上限制了模糊理论及方法在列控系统故障诊断中的应用。为此,可将模糊理论与其他方法进行结合,以达到理想的诊断效果。例如将模糊理论与决策树方法相结合,并以此构造铁路车站信号故障诊断专家系统中的推理机部分。

1.4 基于故障树方法

故障树诊断是从研究系统最不希望发生的事件出发,通过逆向分析推断导致故障发生的原因,并用相应的逻辑关系将故障原因与故障现象相连接,建立起一种类似树形结构的故障关系模型。

在列控系统故障诊断中,故障树一般用于分析计算机联锁系统的故障原因与影响,或与字典法相结合,建立计算机联锁系统的故障诊断模型,实现故障诊断。此外,故障树还可用于对信号微机联锁系统进行故障分析,建立系统的故障模型。

1.5 其他方法

目前,铁路工作者已将基于多 Agent的智能故障诊断方法、基于 “事件—条件—动作”规则的故障诊断方法、利用主动数据库的故障诊断方法,以及基于小波分析的故障诊断方法等应用于列控系统的故障诊断,取得了良好的诊断效果。

2 列控系统故障预测技术

现代铁路运输必将向着高速化、重载化的方向发展,这就进一步提高了对列控系统可靠性的要求。因此人们希望能够在故障发展的早期就发现征兆,并且能在一定程度上预测故障发生的时间和部位,这样就可以对故障采取预防措施或进行事先维修,保证列车运行的安全。相对于故障诊断来说,故障预测需要处理的是还未发生的故障,是未来的不确定事件,所以其困难与挑战性更大。

故障预测技术在列控系统中的应用还处于起步阶段,研究成果也比较有限。目前,主要的故障预测研究成果主要有利用神经网络对列车信号设备监测数据进行分析,并对设备的故障进行预测;利用基于神经网络的智能传感器对列车自动停车设备的早期故障进行监测,以及通过建立寿命函数分析模型对列控设备故障进行预测等。这些成果都为今后的研究提供了思路,并且打下了一定的基础。

3 未来的研究方向

目前我国铁路运输行业正在步入快速发展的时期,列控系统也随之不断发展,大量新设备和新技术的应用,使得列控系统出现了很多新的特征。针对这些新特征,列控系统故障诊断技术将可能会向多个方向发展。

3.1 多种方法的结合

随着列控系统越来越复杂,利用单一的诊断方法已经很难对故障做出精确的判断,所以需要将多种诊断方法相结合,取长补短,以实现准确、快速的诊断。目前在其他工业领域中使用多种方法结合进行故障诊断的案例屡见不鲜,例如主元分析法与D-S证据理论相结合,粗糙集与神经网络相结合,以及粗糙集与 Petri网相结合构造故障模型的方法等。这些方法的出现为列控系统进行故障的诊断发展提出了启示,但是如何将这些方法进行应用,以使其更符合列控系统的特性,还需要做进一步的研究。

3.2 机内测试技术的使用

机内测试技术 (Built-In Test,BIT)是一种使系统或者设备具备故障检测、隔离和测试能力的技术。该技术能够提高设备的测试性和诊断能力,减少不必要的报警,使系统的效率更高、经济性更好。将 BIT技术应用于列控系统中,能够提高故障诊断的准确性,降低维修费用。

3.3 远程故障诊断技术

随着铁路的不断发展建设,我国的铁路网已经覆盖了大部分国土。在铁路穿越的地带中,有很多地区荒芜人烟,例如青藏铁路的拉萨—格尔木段,在这些地区进行列控系统地面设备的常规维修和监控就变得非常困难。因此,应用远程技术进行列控系统故障诊断是一条可行之路。目前对远程故障诊断技术的研究还只是局限于列控系统的子系统中,对于整体的远程故障诊断研究还有待深入。今后,随着铁路网覆盖面的不断拓展,列控系统的远程故障诊断研究的迫切性也会更加突出。