面向高速铁路道岔的隐患分析与故障定位改进

林海香，李阳庆



面向高速铁路道岔的隐患分析与故障定位改进

林海香1, 2，李阳庆1, 2

(1. 兰州交通大学 自动化与电气工程学院，甘肃 兰州 730070； 2. 光电技术与智能控制教育部重点实验室，甘肃 兰州 730070)

以高铁常用S700K型交流转辙机为例，通过测试道岔动作过程中关键继电器的时序周期，探究造成交流道岔中途停转的深层次原因。提出基于动量BP(Back Propagation)算法的神经网络故障定位的改进方法，并在以往微机监测系统测试的电气参数基础上补充故障样本。对神经网络进行训练并测试，由误差比对结果可知，该方法使得高速铁路道岔智能故障定位更加精确。

高速铁路；偶发故障；故障定位；动量BP算法

近期京沪高铁、沪宁高铁某些车站的道岔偶尔发生不明原因的中途停转，且都发生在多机牵引的交流道岔上，再次操作时又能自行恢复。这种偶尔发生的故障，给高速铁路安全运行带来极大安全隐患。道岔转辙机作为信号设备的室外3大件之一，在实际应用中，由于动作频繁，发生故障的可能性大；另外，道岔转辙机的工作环境通常比较恶劣，且受到的干扰比较多，因此，导致其发生故障的因 素范围也比较大。从设备故障角度看，道岔转辙机的故障可以分为2种：1) 偶发故障，即平时正常、偶尔发生，不可预料的，可在短时间内自行或人工恢复；2) 瞬时故障，它的发生是由外界因素造成，不能自行恢复。这种多机牵引道岔发生的中途停转故障就属于典型的偶发故障，虽然高铁普遍采用信号集中监测，但其主要解决信号设备的瞬时故障问题[1]，针对类似于偶发故障这样的“疑难杂症”，仍需要人工进行隐患分析。随着人工智能理论在高速铁路信号设备故障诊断中的应用[2−5]，发现神经网络在诊断道岔故障时既方便，又准确。通过对故障数据进行特征提取,结合神经网络可以快速地进行故障诊断[6−7]。目前，灰色神经网络[8−9]、支持向量机[10]、贝叶斯网络[11]、小波包能量熵[12]、模糊神经网络[13]、BP神经网络[14−16]等方法在高速铁路以及提速铁路道岔故障诊断和故障智能定位中得到了充分的发展和应用，给本文研究提供了理论基础和解决问题的思路。以往的研究以常见故障为训练样本，达到了智能分析、定位故障，但没有考虑造成道岔中途停转这种偶发故障隐患的因素。根据搜集的现场资料，高铁交流道岔中途停转这类偶发故障，除了继电器底座簧片老化或不良这一故障因素外[17]，更有可能是启动电路的某些继电器动作过程或时间周期未能完全达到要求引起的。下面以高铁上常用的S700K型交流电动转辙机为例进行分析，搭建BP神经网络模型，补充瞬时故障和偶发故障训练样本，以实现提高道岔隐患智能定位精度的 目标。

1 隐患分析

1.1 交流道岔电路分析

本文以S700K转辙机启动电路为例进行分析。启动电路是道岔控制电路的一部分，它是执行排列进路或单操道岔命令时驱动道岔到需要位置的电路[18]。图1为S700K型电动转辙机的启动电路图。

图1 S700K型道岔转辙机的启动电路图

注：1DQJ—道岔第一启动继电器；2DQJ—道岔第二启动继电器；BHJ—保护继电器；1DQJF—道岔第一启动辅助继电器；DBQ—断相保护器

1.2 道岔继电器测试

使用存储记录仪重点对上述4个关键继电器的动作时序周期进行测试，结合图1，可选取交流道岔提速组合电路中的继电器1DQJ31，32接点；2DQJ141，142和143接点，BHJ31和32接点；1DQJF31，32，41和42接点，以及它们各自继电器线圈接点为测试点。

如图2所示，提速组合处的1DQJ，1DQJF，BHJ和2DQJ 4个关键继电器的时序时间反映了多机牵引道岔的动作过程。

1) 在联锁控制台上办理进路，触发道岔动作指令，DCJ(定位操纵继电器)吸起，1DQJ的3-4线圈得电，得电130 ms后吸起，使1DQJF的1-4线圈得电，在140 ms后吸起。

2) 2DQJ转极，380 V三相交流电通过DBQ，1DQJ和1DQJF的前接点及2DQJ的前接点接通到室外转辙机的电机。同时，1DQJ的3-4线圈上的电源被断开，1DQJ开始缓放。1DQJ缓放250 ms后BHJ吸起，1DQJ的1-2线圈通过BHJ的前接点得电，1DQJ构成自保电路，保持在吸起状态。

3) 转辙机电机转动完成，转辙机内接点切断380 V三相交流电源，DBQ控制BHJ落下，1DQJ的1-2线圈失电，1DQJ缓放落下，1DQJF落下。

图2 道岔提速组合继电器时间测试

综合图1和图2分析，1DQJ工作正常时，道岔提速组合处继电器动作时序正常，由此可知，在DBQ输入稳定时，道岔不会发生中途停转的情况；只有当1DQJ吸起后，DBQ输出给BHJ线圈的电压不稳或中途断电，造成BHJ非正常落下，如果BHJ的落下时间大于1DQJ的缓放时间就会造成道岔中途停止转换。因而DBQ工作时输出断电或电压不稳是造成道岔中途停止转换的原因。经现场调研，证实更换DBQ后，道岔工作正常，与实验结论一致。

2 故障定位建模

2.1 故障样本采集

本文在实验环境下搭建BP神经网络模型,并将这种可能造成道岔中途停转的偶发因素纳入道岔故障智能定位的考量范围，可以优化定位精确度。由微机监测系统获取相应的电气特性值。表1是启动电路的部分电气特性参考值。分别用M1，M2，…，M17代表测试的继电器节点间的电压值，P1，P2，…，P20代表不同的故障类别。

表1 启动电路的部分电气特性参考值

注：M1：1DQJ 3-4线圈间电压；M2：1DQJF 1-4线圈间电压；M3：1DQJ 1-2线圈间电压；M4：BHJ 1-4线圈间电压；M5：DBQ11、31间电压；M6：DBQ11、51间电压；M7：DBQ31、51间电压；M8：DBQ1−2间电压；M9：1DQJF22与1DQJF12间电压；M10：1DQJF22与1DQJ12间电压；M11：1DQJF12与1DQJ12间电压；M12：1DQJF21−22间电压；M13：1DQJF11−12间电压；M14：1DQJ11−12间电压；M15：X1、X3间电压；M16：X1、X4间电压；M15：X3、X4间电压；P1：FCJ21−21接点接触不良；P2：1DQJ32−31接点接触不良；P3：1DQJF32−31接点接触不良；P4：BHJ32−31接点接触不良；P5：RD1故障或连接线断线；P6：RD2故障或连接线断线；P7：RD3故障或连接线断线；P8：三相电源故障；P9：1DQJF22与DBQ61间断线；P10：1DQJF12与DBQ41间断线；P11：1DQJ12与DBQ21间断线；P12：DBQ性能不良；P13：1DQJF21−22接点接触不良；P14：1DQJF11−12接点接触不良；P15：1DQJ11−12接点接触不良；P16：BHJ故障；P17：X3到电机U之间断线；P18：2DGJ121−123至2DQJ131−133接点之间断线；P19：1DQJ缓放时间不够；P20：正常情况

2.2 构造网络结构

本文采用3层网络结构，即网络包含1个输入层，1个输出层和1个隐含层。在实验环境下，电气特性值作为输入层，故障现象作为输出层。由文献[14−16, 19]可知，隐含层神经元的个数很大程度上决定了神经网络的认知能力。如果选取的隐含层神经元的个数太少，则训练的网络达不到故障检测的目的；如果选取的隐含层神经元的个数太多，则会增加网络的复杂程度，降低网络的效率。3层神经网络常用的经验公式如下：

式中：为输入层神经元个数；为输出层神经元个数；为隐含层神经元个数。

2.3 动量BP算法

动量BP算法(Momentum Back Propagation, MOBP)是BP神经网络算法中的一种，它是在梯度下降算法的基础上引入动量因子(0<<1)，即

该算法基于前一次的修正结果来影响本次修正量，当前一次的修正量过大时，式(2)等式右边第2项的符号与前一次修正量的符号相反，从而使本次的修正量减小，起到减小震荡的作用；当前一次的修正量过小时，式(2)等式右边第2项的符号与前一次修正量的符号相同，从而使本次的修正量增大，起到加速修正的作用。由此得出，动量BP算法总是加速同一方向上的修正量。另外，动量BP算法可以采用较大的学习速率，而不会造成学习过程的发散。在保证算法稳定的同时，其收敛速度较快，学习时间短。

2.4 特征预处理

神经网络是统计样本在事件中发生的几率来训练和预测的。BP神经网络采用Sigmoid型传递函数，其值域为[0,1]或[−1,1](根据不同的函数形式)，虽然其自变量的取值范围是[−∞,+ ∞]，但自变量过大或过小都会导致函数饱和，不能区分自变量中的变化。

因此，为避免这种情况，需要把特征进行标准化，使各特征的取值都基本在Sigmoid函数较灵敏的自变量取值范围内。特征标准化的方法有很多，本文采用将训练样本中的各特征的取值进行归一化。常用的归一化处理公式如下：

式中：mean数据序列的均值；var为数据的方差。

3 网络训练与测试

3.1 网络训练

由表1和2.2节可知，本文中构造神经网络的输入层神经元个数为17，输出层神经元个数为20。由式(1)可知，隐含层神经元个数为16。将归一化的样本在MATLAB中进行训练，设置训练目标为10−5、学习率为0.06，可得到最小的均方误差为0.000 274，训练记录过程如图3所示。由图3可得，经过6次训练后，网络的认知能力就可以达到目标。利用代码可以绘制出如图4和5所对应的验证误差和测试误差的变化曲线，可见验证误差和测试误差的变化趋势基本一致，说明样本集的划分基本合理。

图3 训练目标为10−5时的训练记录过程

图4 验证误差曲线

图5 测试误差曲线

3.2 网络测试

将测试样本进行特征预处理后，输入已训练过的网络，得出其测试误差图，如图6中星形符号所示。另在同等条件下训练一个未考虑偶发故障隐患因素的网络，将同一组测试样本输入该网络，得出其测试误差图，如图6中圆形符号所示。记0为测试误差最小，即故障定位准确。误差值越大，则故障定位精度越低。由图6中的比较可知，考虑偶发故障隐患因素的网络的故障定位更加精确，其平均准确率达到了96.8%，达到了优化智能故障定位的目的。

图6 实际值与理想值的误差对比图

3.3 模型比较

为了综合评价本文采用的基于动量BP算法的道岔故障诊断及定位模型，使用平均准确率、迭代次数这2个参数来进行评判。其与基于灰关联[8]的模型、基于灰色神经网络[9]模型和基于L-M优化算法的BP神经网络[16]模型的对比结果如表2。

表2 仿真结果比较

对表2进行分析可知：

1) 基于动量BP算法的道岔故障诊断及定位模型的平均准确率较高，说明该模型优化了智能道岔故障诊断及定位的性能。

2) 基于动量BP算法的道岔故障诊断及定位模型的迭代次数小于基于L-M的BP神经网络模型，即运行时间减少，说明本文采用的模型提高了智能道岔故障诊断及定位的效率。

4 结论

1) 本文从高速铁路道岔隐患分析入手，以高速铁路道岔S700K型转辙机为例，在排除了控制电路继电器本身老化这一故障因素，并分析交流道岔转辙机动作电路后，从继电器动作时序出发，测试了道岔启动关键继电器时间特性，从而分析、确定了多机牵引道岔偶发故障隐患的原因主要在于向DBQ供电的电压不稳或DBQ输出电压波动，为高速铁路道岔安全隐患分析提供解决问题的新思路。

2) 在分析偶发故障的基础上，为了实现对交流转辙机故障智能定位并提高定位精度，构造了基于动量BP算法的神经网络模型。在以往道岔故障智能定位的基础上增加了转辙机发生中途停转的偶发故障样本，扩大了高速铁路道岔故障检测范围和故障定位方向。通过网络训练，验证误差和测试误差的变化趋势基本一致，这表明所构造神经网络输入层神经元个数和输出层神经元数的设置满足要求，样本集划分合理，所构造模型合理。

3) 将原始样本和优化样本输入所构造的BP神经网络进行测试，通过误差比对可知，增加了偶发故障样本的神经网络模型误差更小，故障定位精度更高，达到了预期的结果，使得高速铁路道岔故障诊断变得更智能高效。

4) 面向高速铁路道岔的故障诊断要求智能、快速、定位精确，本文所采用的合理增加故障样本与BP神经网络结合的方法可以优化道岔故障定位，也为高速铁路道岔故障诊断的优化提供依据。

[1] 林海香, 董昱. 信号集中监测系统原理及工程应用[M]. 北京: 中国铁道出版社, 2015: 198−218. LIN Haixiang, DONG Yu. Signal monitoring system principle and engineering application[M]. Beijing: Chinese Railway Press, 2015: 198−218.

[2] García Márquez, Weston F P, Roberts C. Failure analysis and diagnostics for railway trackside equipment[J]. Engineering Failure Analysis, 2007(14): 1411−1426.

[3] 王平, 陈嵘, 徐井芒, 等. 高速铁路道岔系统理论与工程实践研究综述[J]. 西南交通大学学报, 2016(2): 357−372. WANG Ping, CHEN Rong, XU Jingmang, et al. High speed railway turnout system theory and engineering practice review[J]. Journal of Southwest Jiaotong University, 2016(2): 357−372.

[4] 苏旷宇, 陈洪云, 欧阳宏志. 提速道岔故障的人工智能诊断实现[J]. 微计算机信息, 2007(22): 188−189, 227. SU Kuangyu, CHEN Hongyun, OUYANG Hongzhi. Artificial intelligent diagnosis of speed increasing switch faults[J]. Microcomputer Information, 2007(22): 188− 189, 227.

[5] WANG Ping, CHEN Rong. Control circuit analysis and conversion calculation of electric switch machine of high speed railway turnout[J]. Przeglad Elektrotechniczny, 2012, 88(1B): 52−56.

[6] 翟琛, 肖蒙. 改进的道岔智能故障诊断系统建模研究[J]. 铁道标准设计, 2015(2): 118−121. ZHAI Chen, XIAO Meng. Improved modeling of intelligent fault diagnosis system for railway switches[J]. Railway Standard Design, 2015(2): 118−121.

[7] YUAN Haiying, CHEN Guangju, XIE Yongle. Feature evaluation and extraction based on neural network in analog circuit fault diagnosis[J]. Journal of Systems Engineering and Electronics, 2007(2): 434−436.

[8] 赵林海, 陆桥. 基于灰关联的道岔故障诊断方法[J]. 铁道学报, 2014(2): 69−74. ZHAO Linhai, LU Qiao. Method of turnout fault diagnosis based on grey correlation analysis[J]. Journal of the China Railway Society, 2014(2): 69−74.

[9] 王瑞峰, 陈旺斌. 基于灰色神经网络的S700K转辙机故障诊断方法研究[J]. 铁道学报, 2016(6): 68−72. WANG Ruifeng, CHEN Wangbin. Research on fault diagnosis method of S700K switch machine based on grey neural network[J]. Journal of the China Railway Society, 2016(6): 68−72.

[10] 何攸旻. 高速铁路道岔故障诊断方法研究[D]. 北京: 北京交通大学, 2014: 1−30. HE Youmin. Research on fault diagnosis method of high-speed railway turnouts[D]. Beijing: Beijing Jiaotong University, 2014: 1−30.

[11] 肖蒙, 翟琛, 潘翠亮. 基于快速贝叶斯网络的S700K转辙机故障诊断研究[J]. 铁道科学与工程学报, 2015, 12(2): 414−418. XIAO Meng, ZHAI Chen, PAN Cuiliang. Research on fault diagnosis of S700K switch machine based on fast Bayesian network[J]. Journal of Railway Science and Engineering, 2015, 12(2): 414−418.

[12] 安春兰, 甘方成, 罗微, 等. 提速道岔小波包能量熵故障诊断方法[J]. 铁道科学与工程学报, 2015, 12(2): 269−274. AN Chunlan, GAN Fangcheng, LUO Wei, et al. Speed up switch fault diagnosis method of wavelet packet energy entropy[J]. Journal of Railway Science and Engineering, 2015, 12(2): 269−274.

[13] 田健. 基于模糊神经网络的高速铁路道岔故障诊断方法研究[D]. 北京: 北京交通大学, 2015: 1−55. TIAN Jian. Fault diagnosis method for railway switch point based on fuzzy neural network[D]. Beijing: Beijing Jiaotong University, 2015: 1−55.

[14] 张凯, 杜凯, 巨永锋. 基于BP神经网络的提速道岔故障诊断算法[J]. 武汉理工大学学报, 2014(11): 77−81. ZHANG Kai, DU Kai, JU Yongfeng. Algorithm of speed-up turnout fault diagnosis based on BP neural network[J]. Journal of Wuhan University of Technology, 2014(11): 77−81.

[15] 王铁军, 董昱, 马彩霞, 等. 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(2): 4−7. WANG Tiejun, DONG Yu, MA Caixia, et al. Method of switch fault diagnosis based on BP neural network[J]. Railway Operation Technology, 2011(2): 4−7.

[16] 董玉峰, 谭丽. S700K转辙机控制电路故障智能分析与定位的研究[J]. 计算机测量与控制, 2014(4): 991−993, 996. DONG Yufeng, TAN Li. Study on intelligent analysis and location of fault in control circuit of S700K switch machine[J]. Computer Measurement and Control, 2014(4): 991−993, 996.

[17] LIU Linhui, CHEN Jie, XU Lixin. Realization and application research of BP neural network based on MATLAB[C]// Proceedings of 2008 International Seminar on Future Bio Medical Information Engineering, 2008: 4.

[18] 林瑜筠, 刘连峰, 洪冠. 计算机联锁图册[M]. 北京: 中国铁道出版社, 2012: 16−22. LIN Yuyun, LIU Lianfeng, HONG Guan. Computer interlocking atlas[M]. Beijing: China Railway Press, 2012: 16−22.

[19] 罗成汉. 基于MATLAB神经网络工具箱的BP网络实现[J]. 计算机仿真, 2004(5): 109−111, 115. LUO Chenghan. BP network implementation based on MATLAB neural network toolbox[J]. Computer Simulation, 2004(5): 109−111, 115.

(编辑 蒋学东)

Hidden-security-risk analysis and fault location improvement for high-speed railway switch

LIN Haixiang1, 2, LI Yangqing1, 2

(1. School of Automation and Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China; 2. Key Laboratory of Opto-Technology and Intelligent Control Ministry of Education, Lanzhou 730070, China)

Through testing the time sequence of the key relay in the course of switch action, the reason why the AC switch-machine such as S700K switch stopping on the way was explored. Then, an improved method to locate switch-fault based on the neural network algorithm of Momentum BP (Back Propagation) was proposed, and the fault samples were supplemented on the basis of the electrical parameters measured by the Maintenance and Monitoring system. Through training and testing this kind of neural network, the error comparison shows that the intelligent fault location of high-speed railway switches can be more accurate by this way.

high-speed railway; accidental failure; fault location; momentum BP algorithm

10.19713/j.cnki.43−1423/u.2018.09.005

U284.92

A

1672 − 7029(2018)09 − 2217 − 07

2017−07−10

甘肃省自然科学基金资助项目(1310RJZA061)；兰州交通大学校青年基金资助项目(2011040)

林海香(1977−)，女，甘肃天水人，副教授，从事轨道交通信息工程及控制；E−mail：linhaixiang@mail.lzjtu.cn