高速铁路道岔故障诊断方法研究

刘印宏

摘 要：我国铁路事业的发展非常迅速，特别是高速铁路得到了跨越式的发展，有效地提升了运输的效率，然而这也使道岔承受了更大的压力。当前我国各铁路局在进行高速铁路道岔维护时仍然使用周期修的模式，也就是主要依靠维护经验来进行故障诊断，这种诊断模式具有一定的弊端。本文简要分析了高速铁路道岔的常见故障，并分析了高速铁路道岔故障诊断的具体方法。

关键词：故障诊断；道岔；高速铁路

中图分类号： U284.92 文献标识码： A 文章编号： 1673-1069（2016）11-56-2

0 引言

与普速铁路相比，高速铁路的道岔诊断具有更大的难度。道岔是铁路中重要的信号设备，如果道岔出现故障会对铁路的运输效率造成直接的影响，甚至造成铁路运行的事故。铁路部门应该积极研究针对高速铁路道岔的状态维修维护模式，使高速铁路道岔的维修者能够及时了解故障道岔的原因和信息，从而更加及时和准确地排除道岔故障，使铁路道岔维护具有更高的效率，维护高速铁路的运输安全。

1 高速铁路道岔及其常见的故障模式

1.1 高速铁路道岔

在高速铁路中，道岔是一种重要的基础性和设备，也是铁路信号的一个重要控制对象。道岔的主要作用是对列车改变运行股道进行控制，因此可以将高速铁路道岔分为以下几个部分：道岔室外机械部分、执行机构、控制回路。高速铁路道岔的执行机构主要是ZYJ7电液型转辙机、S700IC电动型转辙机。高速铁路的单开道岔机械部分又可以分为护轨及徹叉、连接部分和转辙器。反位操作和道岔定位主要是用转辙器来完成，转辙器及其部件的驱动装置是转辙机。通过导曲线，连接部分能够将车辆过渡到护轨和辙叉单元。当车轮通过两股轨线交叉处时，为了对其进行保护就要应用到护轨和辙叉单元。

1.2 常见的高速铁路道岔故障模式

1.2.1 转辙机空转、道岔卡阻

很多高速铁路道岔故障演变到严重程度时都会产生道岔卡阻，从而无法解锁或闭锁道岔，导致正常的转换动作无法完成。转辙机空转也是一种常见的道岔故障，其具有与道岔卡阻基本一致的功率曲线，需要对产生异常的故障点进行实地检查，才能对二者进行区分，因此在故障诊断中，往往将转辙机空转和道岔卡阻作为同一种故障模式[1]。

1.2.2 转换过程的阻力异常

在对尖轨进行推动时必须克服一些阻力，才能完成整个转化的过程。可以通过功率曲线的转换区段来对阻力的变化进行反映。如果道岔出现异常会造成阻力过大，对转换时间造成不利的影响，甚至造成道岔不闭锁。例如某道岔的装置中有一螺帽出现了松动，造成装置漏油，通过功率曲线可以发现转换过程中的阻力不断增大，而道岔动作时间逐渐延长，比正常时间，增加了将近1.5秒。但是当时的媒体监测系统并没有对该故障进行及时的识别和上报，导致故障没有得到有效的维修，最终造成了道岔卡阻空转。有很多原因都会造成道岔转换阻力的增大，例如道岔不方正、道岔尖轨爬行、滑床板异常等[2]。

1.2.3 缓放区的异常

因为1DQJ具有缓放特性，会产生功率曲线和道岔电流的“小台阶”， 通过电流曲线和供给曲线都可以发现该方面的异常。例如S700K道岔正常时的电流曲线小台阶是0.5，功率曲线小台阶是0.2。如果电路回流没有接通就会造成小台阶的消失，道岔未到位、速动开关接点损坏、二极管烧坏造成断路、保护电阻断路都可能会造成电路回路未接通。

1.2.4 异常状态回操

道岔异常的状态还可以通过道岔功率曲线的长度变化来表现，如果出现道岔异常的现象，就会造成道岔未完全到位，其原因主要是上一次闭锁时道岔出现了卡阻。例如如果锁闭框有异物卡住，那么道岔闭锁时就会产生卡阻，造成尖轨不完全到位，从而使下一次回操时间被缩短。

2 高速铁路道岔故障诊断方法

道岔转辙机和道岔外闭锁装置是道岔故障多发的两个部分，高速铁路的道岔故障诊断具有非常重要的意义，通过对高速铁路道岔的电流曲线特征和功率特征进行分析，来了解道岔的运行状态，及时发现道岔故障并对其进行处理。本文简要介绍了以SVM理论为依据的高速铁路道岔故障诊断方法。

2.1 SVM理论

SVM（support vector machine）又被称为支持向量机，是一种机器学习方法，在回归预测和分类中都获得了较好的应用效果。可以将已标记好的样本输入训练分类器，如果这个训练样本集线性可分，训练分类器就会以线性规划理论为依据，分开不同类型的样本，并保障分开样本的超平面到最接近其训练样本的距离之和达到最大。否则训练分类器就会通过和函数，在更高维度的空间中映射样本，使样本线性可分。径向基核函数是SVM理论中应用最多的核函数。以常见的道岔故障模式为依据，本文对SVM算法进行了相应的改进，主要应用一对一法，在算法研究和验证中使用ibsvm提供的支持向量工具箱，使其能够对多分类问题进行处理[3]。

2.2 故障诊断的具体方法

2.2.1 诊断流程

使用装备S700IC转辙机的高速铁路道贫提供算法研究的数据，并对其测试样本和转换功率数据构造进行使用，与SVM机器学习方法构造经验模型相结合，对各种工作状态进行识别。故障诊断的流程如图1所示，也就是先由具有较多的高速铁路道岔故障处理经验的专家将其先验知识输入训练样本，然后使用不同的标签来对不同的故障模式样本进行标注。因为道岔功率数据的长度是不一致的，而SVM模型要求训练向量必须具有一定的长度，因此还需要进一步的处理原始功率数据，将其特征提取出来，并使之保持一致的长度。然后应该运用人工尝试的方法对核函数的类型进行确定，核函数的参数组合过多，要对其进行确定可以使用优化算法或参数选择。在获得了诊断模型之后就可以进行诊断，并获得诊断的结果。

2.2.2 数据归一化

在训练模型中，不能直接应用提取到的特征，而是应该对其进行归一化，以免值范围过大的特征在训练中占据的比重过大。在训练模式中的每个样本都包括了多列特征变量，例如长度、均值、方差、最小值、最大值等，其范围有着较大的差距，必须对其进行归一化。

2.2.3 特征提取方法

常用的特征提取方法有两种：将样本数据点作为特征、将样本数据的几何与统计参数作为特征。为了对输入向量的长度相同进行保障，可以使用原始数据构造训练样本，输出向量的维度为最长的样本长度，并对其他样本进行延拓。或者也可以采取一个固定的输入向量维度，再对其他的数据向量长度进行处理。为了对输入至SVM模型进行训练的向量的维度进行降低，也可以将原始样本数据的统计参数或者几何参数作为训练向量[4]。

2.2.4 优化SVM模型参数

在SVM模型中可以对核的数系数g和惩罚参数c进行人工设置，这两个参数也会影响模型的诊断性能。要优化模型参数还要对该参数训练出的模型的诊断性能进行验证，一般可以使用交叉验证的方法。在机器学习方法的参数优化中也经常使用网格搜索优化，从而选出性能最佳的模型，将其参数组合输出作为结果。

3 结语

有很多原因都会造成高速铁路的道岔故障，而道岔故障会影响高速铁路的正常运行，甚至造成安全事故。传统的周期修的道岔维护模式存在较多的弊端，不能保障道岔维修的质量和效率，也不能针对道岔的故障原因来进行有针对性的维护。本文基于SVM理论，对高速铁路道岔故障诊断方法进行了研究，通过建立数学模型的方式，使用曲线数据和支持向量机（SVM）构造经验模型，开发相应的故障诊断软件，实现最佳的诊断性能。

参 考 文 献

[1] 李雅美，魏文军.基于模糊神经网络的道岔故障诊断系统研究[J].铁路计算机应用，2012（01）.

[2] 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）.

[3] 王思明，雷烨.一种基于LS-SVM的道岔控制电路故障诊断[J].兰州交通大学学报，2010（04）.

[4] 尚志信，周宇，叶庆卫，王晓东.基于粗糙集和BP神经网络算法的网络故障诊断模型研究[J].宁波大学学报（理工版），2013（02）.