高速铁路道岔故障诊断方法分析

王猛

摘 要：我国铁路事业的快速发展，促使其运输效率迅速提升的同时，也增加了维护压力，特别是作为重要信号设备的道岔。现阶段道岔维护主要选取周期修的模式，主要依据维护经验诊断道岔故障。因此，无法及时获取故障道岔运行情况，尤其是维护人员没有丰富经验的情况下，对道岔故障原因判断准确性不足，无法实现维护目标。为避免此类问题，必须有针对性地对高速铁路道岔故障进行诊断，选择科学有效的方法进行故障诊断。为此，本文主要对高速铁路道岔常见故障模式、诊断方法进行了分析与探究。

关键词：故障模式；高速铁路；道岔；故障诊断

1 高速铁路道岔常见故障模式

随着社会主义市场经济的快速发展与科学技术的不断进步，作为铁路信号的主要构成成分，道岔故障诊断是铁路信号系统发展为安全、可靠、网络化及数字化的重要途径。是确保行车安全、强化信号设备管理及提高应用质量的主要手段。为充分了解、熟悉现阶段高速铁路道岔运行状态，必须先对其常见故障模式进行分析，具体如下：

1、道岔卡阻或转辙机空转

作为道岔频繁发生的故障，道岔卡阻是大多数故障向程度严重方向发展的主要体现形式，这种情况下，道岔锁闭、解锁功能往往无法实现，正常转换动作不能快速完成，进而导致转换曲线长度增加及小台阶不会出现于缓放区。

转辙机空转过程中其功率曲线等同于卡阻。为实现以上2者之间的有效区分，需对具体出现的异常道岔器件进行检查。在识别功率曲线时故障诊断中，可把以上2者看作一种故障模式进行识别。

2、转换过程存在异常阻力

转换实施中，为对各类阻力进行克服，转辙机需对尖轨推动进行做功，因此在功率曲线转换区段可充分反映其阻力变化情况，如道岔局部产生异常现象，将增加其阻力，或对转换时间造成严重影响，进而出现道岔锁闭不正常现象。实际应用中，增加道岔转换阻力的因素较多，其故障模式还有以下几种，具体如下：

（1）滑床板异常：在滑床板上尖轨需实施左右移动，其转换阻力与其存在密切关联性，当损坏滑床板情况发生，将大大增加道岔转换阻力，甚至出现道岔卡阻问题。

（2）道岔尖轨爬行：气候改变，因热胀冷缩原理道岔尖轨常常出现伸长缩短现象，这种情况叫做尖轨爬行。此时，利用锁闭杆转辙机动作杆和尖轨出现连接情况，伴随尖轨爬行变化锁闭杆位置也会随之改变，致使动作杆无法与锁闭杆同时在相同直线上，且出现分解转辙机转换力，在转换时功率将大大增加。

（3）道岔不方正：道岔所有部件安装时如与标准不符，将出现其几何尺寸不方正现象，进而在道岔转换时将增加阻力，甚至出现道岔卡阻问题。

3、缓放区异常

因IDQJ缓放特征将出现道岔电流、功率曲线“小台阶”，该部分异常情况可由功率曲线、电流曲线获取。按照S700K道岔进行分析，在正常时值情况下其功率曲线小台阶约为0.2，0.5为电流曲线小台阶，当小台阶不见情况下，则无法接通电路回路。产生的原因可能为保护电阻断路、烧坏二极管导致断路等。

2 高速铁路道岔故障诊断方法研究

作为一个极为复杂的程序系统，铁路信号故障诊断系统必须对各个结构设备的合理应用进行分析，如道岔故障诊断，需先进行道岔动作电流曲线特征提取方式的确定，在根据实例对其故障诊断方法进行分析，且按照多种故障诊断方法对比分析，找出最佳诊断方式，只有这样才能对故障诊断水平进行有效提升。

1、道岔动作电流曲线特征提取方式

以S700K型转辙机提速道岔作为分析研究对象，选取三相交流电动机作为S700K型转辙机的主要构成部分，其动作电流曲线可进行4个区间的划分：

第一，解锁区。IDQJ吸起时间与2DQJ转极时间之和需控制在0.3秒以下，该情况下道岔具有极大的启动电流，道岔解锁完成，且与尖轨紧贴开始动作；

第二，运行区，选取三条线代表三相电机动作，具有相对平滑的直流电机，根据转换阻力大小准确确定时间，一般在0.5秒到7.2秒区间；

第三，锁闭区，尖轨紧贴到道岔锁闭时间，锁闭电流具有较小相对动作电流；

第四，缓放区，IDQJ缓放时间。

按照分析道岔动作电流曲线数据特点结果，选取相应指标作为其特征指标，如最大值、最小波谷值、平均值等。且进行特征参数提取及优化，以此对模型分类计算速度、效率进行全面提升。

2、高速铁路道岔故障诊断实例分析

通过对比分析FOA-LSSVM方法分类性能、神经网络方法与时间序列分析法，可充分体现FOA-LSSVM方法的优势。如由某高速铁路车站相应时间段内微机监测系统提速道岔动作电流曲线数据库内对1000个涵盖四类故障形式训练样本进行人工选取与训练，以此对其分类规律进行查询。在测试环节，可运用训练环节获取的模型分类2000个测试样本，其具有道岔无表示、轨枕不平正、启动电路接点接触不良与道岔转换过程中卡阻四类故障形式。

相同的方式可获取其他3类故障曲线特征指標，共5个。于道岔故障类型诊断而言，该5个指标作用明显。根据FOA-LSSVM模型需求标准将以上5个特征数据进行转换处理，利用既定故障道岔电流曲线样本训练获取核函数，在核函数内准确代入样本特征向量，在FOA-LSSVM道岔故障诊断算法内按照不同曲线特征向量组合的差异测定故障类型。最终分析三种方式，得出了结果如表1所示。

由表1得知，以道岔转换中途卡阻故障诊断而言，相比神经网络方法与时间序列分析法，FOA-LSSVM方法分类正确率要高出许多。其他故障诊断总，其分类正确率也具有极大优势。由此可见，在样本有限的情况下，选取FOA-LSSVM方法能够将结构风险降到最低。

3 结束语

综上所述，作为铁路运输基础设备之一，铁路信号设备担负着路网上各类行车设备状况的信息传输与调度指令控制的作用。特别是高速铁路道岔故障将存在重大事故隐患，如处理不到位，将给铁路行车安全造成极大的影响。FOA-LSSVM方法的应用，可准确进行道岔故障分类、诊断，进而满足高速铁路安全运行的需求。

参考文献

[1] 刘占强. 利用S700K道岔动作电流曲线迅速判断表示电路故障[J]. 自动化与仪器仪表. 2012（03）

[2] 冯琳玲. 运用微机监测道岔电流曲线分析提速道岔故障[J]. 铁路通信信号工程技术. 2011（01）

[3] 顾健. 几种常见道岔故障动作电流曲线分析及处理方法[J]. 铁道运营技术. 2014（01）

[4] 王铁军，董昱，马彩霞，沈成禄，崔宁宁. 基于BP神经网络的道岔智能故障诊断方法[J]. 铁道运营技术. 2011（02）

[5] 樊建平，王士琨，常峰，那仁满都拉，杨国礼. 提速道岔转换电路的故障处理办法[J]. 科技传播. 2015（23）