高速铁路信号设备智能分析研究

2014-10-25陈建译周荣

铁路技术创新 2014年3期

■ 陈建译周荣

1 概述

近年来，我国部分高校和科研单位积极开展电务设备故障智能诊断分析技术方面的研究工作，推动了电务监测维护技术向智能化发展。虽然我国铁路在信号监测方面取得了一些成绩，但还存在一些亟待解决的问题，如监测数据分析智能化程度不足。信号监测系统采集大量数据，由于智能化程度不高，大量数据只能靠人工分析，尤其是高速铁路引入一些新设备或智能系统，这些新设备或智能系统还没有建立全面完整的知识库进行智能化分析诊断，无法完全代替人工分析。

针对目前高速铁路信号监测系统智能化分析水平不高、故障判断依靠人工经验和维护方式采用计划修的问题，以高速铁路信号设备为研究对象，结合目前主流的人工智能算法，对智能分析技术进行研究，并将智能分析技术应用到信号集中监测系统中，为高速铁路信号设备维护提供有力的维护手段。

2 智能分析技术

人工智能（Artificial Intelligence，AI）也称作机器智能，是指由人工系统所表现出来的智能。通常人工智能是指通过普通计算机实现的智能。智能分析技术就是人工智能的一种。

2.1 专家系统

专家系统是早期人工智能的一个重要分支，可以看作是一类具有专门知识和经验的计算机智能程序系统，一般采用人工智能中的知识表示和知识推理技术来模拟通常由领域专家才能解决的复杂问题。

一般来说，专家系统=知识库+推理机，因此专家系统也被称为基于知识的系统。

专家系统是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能利用专家的知识和解决问题的方法处理该领域问题。专家系统是一个具有大量的专门知识与经验的程序系统，应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题。简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。

2.2 自学习

传统统计学主要基于渐进理论来解决机器学习问题，即当训练样本趋向无穷大时，应用经验风险最小化原则来优化学习机器的参数。但是经验风险与实际风险之间存在差异，这种差异在小样本情况下尤为明显。在实际的故障诊断问题中，故障发生的突然性、信号设备与故障之间对应关系的模糊性等因素使得典型故障的样本数是有限的。像人工神经网络这种基于经验最小化原则的学习机器，如何从有限的故障样本中得到推广能力较强的决策函数是其难题，因其渐进性的前提条件得不到满足，导致在故障诊断这种小样本问题中难以取得令人满意的结果，也很难得到有价值的、具有推广意义的应用。在工程实际中，对解决小样本学习问题的有效方案有着迫切的需求。采用基于统计学习理论的支持向量机（Support Vector Machine，SVM）能解决小样本问题，还能解决神经网络算法中的高维问题和局部极值问题，这使其具有更大的优势。

2.3 综合分析

智能分析系统在对信号设备不同的方面进行分析时，大多数时间需要采用多种算法进行综合分析，基本思路是：信号联锁表＋经验值＋故障后台模型＋逻辑推理算法。智能分析系统对信号设备分析时，会采用综合分析的方法才能得到满意的结果。在故障发生后给出故障点的判断，帮助信号工迅速判断室内外故障，压缩故障延时。

3 智能分析技术应用

智能分析系统使用业界成熟的专家系统设计模式进行设计，大范围收集铁路信号专家的经验，最终形成铁路信号专有的知识库，利用先进的推理机算法，最终实现趋势预警和故障诊断。

智能分析系统针对历史数据信息进行数据挖掘和逻辑关联分析，结合系统中各类实时信息和历史信息，对设备进行趋势预警和预防性维修警示，从而为维护人员提供科学的养护依据。

故障诊断时，对捕捉到的异常信息采用灵活的推理控制策略，从信号维护专家的角度进行故障诊断，以实时报警的形式为现场信号维护人员提供及时有效的诊断信息和解决问题的方向。

3.1 监测预警

实时监控信号设备的运行状态和运用质量，捕捉瞬间异常情况，实现对信号设备的预警分析。预警分析从设备电气特性的波动或趋势变化方面进行，自动判断异常程度，便于信号维护人员及时发现设备隐患并处理，为信号设备从计划修转变为状态修提供基础。

3.1.1 电气特性预警

针对各类信号设备模拟量的电气特性变化，对如下方面进行异常分析：

（1）突变：电气特性突然脱离工作值后不回归正常工作值或短暂、脉冲式偏离正常工作值。

（2）异常波动：电气特性短、中期持续抖动或周期性地偏离工作值。

（3）趋势：电气特性中、长期劣化的趋势。

以轨道电路继电器端电压为例，通过分析判断，将继电器端电压异常波动从正常曲线挑选出来单独显示，在用户界面上预警提示，提醒信号维护人员查找异常波动原因，发现设备隐患，防止设备故障发生。电气特性分析示例见图1。

3.1.2 道岔动作曲线预警

针对道岔动作电流、功率曲线，依据道岔曲线故障特征专家库，采用以下分析方法：

（1）基于参考曲线的图形相似度匹配算法：是预警的主要手段，捕捉设备异常、发现设备隐患。

（2）基于参考曲线的特征捕捉算法：依据曲线段特征，采用对比分析，查找异常、故障可能原因。

（3）基于独立特征的故障分析算法：部分曲线不依赖于参考曲线，具有独立特征，捕捉设备曲线是否具有该独立特征，依此判断设备故障或异常。

图1 电气特性分析示例

以ZD6道岔动作电流曲线为例，将道岔动作电流曲线分解为道岔解锁曲线、道岔转换曲线、道岔锁闭曲线，以时间轴为基准，以标准道岔动作电流曲线为依据，自动判断出道岔密贴时摩擦，不能正常转换（在用户界面中预警信息归纳到报警中，因为此现象已产生故障）。道岔动作电流曲线分析示例见图2。

3.2 故障诊断

故障诊断功能是在故障发生后，由专家系统依据知识库，通过多种方法进行综合分析，自动给出故障原因判断，帮助信号维护人员迅速判断故障范围和故障性质，压缩故障处理时间。

故障诊断分析方法如下：

（1）综合流程分析：采用信号专家处理故障流程进行信号设备故障诊断。

（2）进路关联分析：利用信号联锁表和三点检查的联锁原理进行诊断分析。

（3）自定义插件分析：开发一套“故障知识树”的描述工具，用户只需要用工具采用自定义方式画出故障树，系统即可实现符合故障树逻辑的分析方法。当“故障知识”发生变化或有新的设备类型、新的分析逻辑出现时，不需要更新软件，只需要修改或增加相应的故障树即可。

（4）故障整合分析：根据同一个时刻出现多个报警，采用归纳方法分析，将故障真实原因报警出来。

以ZPW-2000A设备为例进行故障诊断分析：基于专家故障模型，结合动态行车关联分析，采用进路关联分析，利用故障树技术和逻辑推理技术完成各类ZPW-2000A的故障分析及故障点定位。根据采集的发送电压、发送电缆侧电压、本区段和相邻区段的小轨电压，经综合分析，自动判断发送通道中电缆模拟单元断线或短路故障。ZPW-2000A故障定位分析示例见图3。