基于机器学习的道岔故障特征提取及诊断方法探析

摘 要：道岔设备的可靠运行对铁路运输安全至关重要，随着人工智能技术的快速发展，其在铁路系统中的应用日益增多，特别是在道岔故障诊断领域展现出巨大的潜力。文章主要介绍了基于机器学习的故障诊断过程，深入分析了基于神经网络和支持向量机的故障诊断方法。通过对历史数据和故障模式的分析，这些方法能够实现监测道岔故障、判断故障类型的目的，显著提高了道岔故障诊断的准确性和效率，为铁路安全、可靠和高效运行提供了强有力的技术支撑。

关键词：道岔 机器学习 特征提取 故障诊断

0 引言

作为铁路的关键设备之一，道岔控制列车的运行方向，实现线路转换，在铁路运营中至关重要。而其长期暴露于室外，且机电结构复杂，受设备老化及其他不确定因素（机械部分卡阻或缺油、滑床板断裂和缺油等）影响，属于易损设备。道岔一旦出现故障，若不及时诊断与维护，极易酿成重大事故，严重影响了铁路运行的安全与效率。

目前，现场对于道岔的故障诊断仍采用较为传统的方式，即获取道岔的电流、功率、动作时间等数据，设置各类数据的阈值，当某个指标超出阈值时，表明道岔存在异常，再通过人工判断，推断故障原因，进行故障诊断。但在实际中，各道岔工作环境存在差异，所设定的阈值及诊断过程受限于技术人员的经验，存在易漏报误报、准确率低、诊断时间长等问题。因此，及时、准确地提取故障道岔特征并进行故障诊断，对保障行车安全意义重大。

1 道岔结构与工作原理

道岔主要由基本轨、尖轨、导轨、翼轨、护轨及转辙设备等组成，如图1所示。其中，转辙设备受动力驱动扳动尖轨，可使两侧尖轨分别处于密贴或斥离位置，以确定道岔开通方向，完成列车行驶方向的改变。

转辙设备是道岔动作的核心，以我国广泛应用的ZD6型转辙机为例，其构造包括电动机、减速器、摩擦连接器、自动开闭器、动作杆、表示杆及报警装置等。其动作过程可分为三个阶段：

（1）解锁阶段：通过电动机旋转、减速器减速，输出轴带动主轴旋转，带动内部传动装置完成内部解锁，再推动外锁闭设备完成外部解锁。

（2）转换阶段：动作杆被拉动，尖轨受转辙机平稳的推力而缓慢移动直到与基本轨密贴，道岔转换。

（3）锁闭阶段：随着尖轨转换到规定位置，锁闭齿轮锁闭，锁闭动作杆。

2 道岔故障诊断方法研究

不同学者在道岔故障诊断领域展开了多维度探究，常见有三种方法：基于模型的故障诊断、基于信号处理的故障诊断及基于机器学习和人工智能的故障诊断。其中，基于模型的故障诊断最先发展起来，该方法受制于所建模型的准确度，需要详细的参数和故障数据，但道岔系统机械结构复杂，各设备之间存在耦合，应用较为受限。基于信号处理的故障诊断是通过观察、分析道岔工作过程中所隐藏的数据信息，提取特征，依据特征值确定是否发生故障，该方法需要故障检测人员具备较高的专业知识和技能水平，熟练掌握信号处理技术和故障诊断要点。基于机器学习和人工智能的故障诊断则依据智能算法挖掘数据中隐藏的信息建立模型，并从数据和算法两方面不断积累和优化，通过学习和训练形成智能化的故障诊断模型，从而更准确地判断故障状况，提高了故障诊断的精度，有较好的应用前景。

2.1 机器学习在道岔故障诊断中的应用

机器学习通过大量数据训练，使计算机系统能够自动识别和学习数据中的模式，并进行预测或决策。道岔故障检测与诊断即利用测试数据（电流、功率等），寻求测试数据与故障之间的联系。基于机器学习的道岔故障诊断流程如图2所示。首先，我们根据故障模式成因、转辙机工作原理及传感器数据采集的可行性，确定最佳的监测数据类型。随后，对采集到的原始数据进行预处理，以构建正常和故障状态下的样本集。接下来，利用数据挖掘、信号处理算法，从样本集中提取出能够最大程度区分不同状态的特征向量。最后，通过构建机器学习模型，实现对转辙机故障的分类与精确诊断。

2.2 基于神经网络的道岔故障诊断

神经网络作为机器学习领域的核心模型之一，以其独特的输入层、隐藏层和输出层结构为基础，通过不同的连接模式构建出多样化的网络模型。这些模型不仅具备自我学习能力，还能实现非线性映射，并具备高效的并行计算能力和出色的容错性，因此，在道岔故障诊断领域应用广泛，诞生了许多神经网络模型，常见有：BP神经网络、PNN神经网络等。

2.2.1 基于多层前馈（BP）神经网络的道岔故障诊断

将BP神经网络应用于道岔故障诊断，其故障诊断主要包含训练过程和测试过程，所对应的原理图如图3所示。

基于BP神经网络的诊断原理，我们对道岔故障诊断进行了深入研究，并构建了相应的BP神经网络模型：

（1）道岔电流特征数据采集

在道岔故障诊断中，首要任务就是采集道岔动作电流的数据。为了确保数据的准确性和代表性，选择能够准确反映道岔动作电流趋势和潜在故障区域的特征数据。

（2）数据归一化处理

为了消除数据之间的数量级差异，提高神经网络的预测性能，我们对采集到的数据进行了归一化处理。通过这一步骤，可将不同维度的数据转换到同一数量级，确保了网络输入输出的稳定性和可靠性。

（3）BP神经网络设计

在设计BP神经网络时，充分考虑道岔电流和类别的输入输出特点。仔细确定了隐含层神经元的数量，并选择了适合的训练函数。同时，根据网络的特点和实际需求，调整学习速率、训练函数、最大训练步长和训练精度等关键参数。在选择隐含层神经元数目时，结合具体的道岔动作电流数据，通过多次试验和验证，确定了合适的节点数。

（4）BP神经网络训练

在完成了网络设计后，利用训练集数据对BP神经网络进行了训练。在训练过程中，各层神经元的权值和阈值不断调整，使得网络的输出逐渐接近实际值。当输出结果的误差达到预设的精度要求时停止训练，并认为网络已经具备了较好的预测能力。

（5）BP神经网络测试与分析

将测试集数据输入到已训练好的BP神经网络中，验证神经网络的诊断。通过对比测试集的实际类别与网络预测的输出类别，对神经网络的诊断性能进行了全面评估。这一步骤不仅验证了网络的有效性和准确性，还为后续改进和优化提供了依据。同时，我们还对诊断结果进行深入分析，以发现可能存在的问题和改进空间。最后，以正确率、漏报率等指标来评价网络的性能好坏。

2.2.2 基于概率神经网络（PNN）的道岔故障诊断

概率神经网络（PNN）由输入层、模式层、求和层以及输出层四部分构成。其简洁的结构和易于训练的特性使得它在解决分类问题时表现出色。为了对道岔电流故障数据进行深入分析并解决其分类问题，我们构建基于PNN故障诊断模型（图4）。

（1）样本集数据的获取

样本集的获取过程与BP神经网络相似，这里不再赘述。所获取的数据将用于构建PNN网络的训练集和测试集，以确保网络能够得到充分的训练和验证。

（2）创建并优化平滑因子可变的PNN网络

在构建PNN网络时，我们利用Matlab中的newpnn（）函数，该函数允许设置平滑因子（SPREAD）作为唯一参数。平滑因子决定了网络对输入数据的敏感度，对PNN网络的性能至关重要。通过多次试验和验证，确定了最优的平滑因子，以确保PNN网络在故障诊断中具有相对较高的准确率。

（3）建立并测试最终PNN网络

再次使用newpnn（）函数创建最终的PNN网络，并将最优参数代入网络中。为了验证网络的性能，可利用之前准备的测试集数据对网络进行测试。在测试过程中，统计网络的正确率、漏报率和虚警率等关键指标，并对测试结果进行了详细分析。这些指标将帮助我们评估PNN网络在道岔故障诊断中的应用效果，为后续的改进和优化提供依据。

2.3 基于支持向量机（SVM）的道岔故障诊断

支持向量机（SVM）是一种功能强大的二分类模型，通过引入核函数，有效地解决了在高维空间中的内积运算问题，具有小样本量、非线性、高维模式识别和易实现等优点，在道岔故障诊断领域得到了广泛应用。

尽管SVM通常作为二分类器使用，但在实际应用中，道岔故障诊断等问题通常涉及多分类任务。为了应对这些挑战，可以通过结合多个SVM分类器的方法来实现多分类，如一对一法、一对多法和SVM决策树法等。这些方法通过构建多个二分类SVM，并根据它们的输出结果来综合判断样本的类别，从而解决多分类问题。在道岔故障诊断（图5）中，这些方法能够有效地识别不同类型的故障，为维修和保养提供有力的支持。

BP神经网络中已整理好道岔样本集，可直接用于SVM故障诊断模型的训练和测试，利用LIBSVM工具箱来建立SVM模型，分别确定核函数、最优参数，以此完成最终模型测试。

3 结论

道岔设备的可靠运行是确保铁路运输安全的关键要素之一。随着机器学习和人工智能领域的飞速发展，为道岔故障诊断提供了一种全新的、高效的方法。基于数据分析和机器学习的方法，通过对大量历史数据和故障模式的深入分析，能够快速识别故障发生的模式，判断故障类型，提高了故障诊断的准确性和效率。此外，这些智能算法具有自学习和持续优化的特性，使得故障诊断系统能够不断适应新的故障类型和情况，保持长期的稳定性和可靠性。通过应用先进的机器学习算法和数据分析技术，能够更好地预防和解决道岔设备故障，确保铁路运输的顺畅和安全。

基金项目：西安铁路职业技术学院院级课题“行车安全驱动的道岔故障特征提取与诊断方法”（XTZY23K14）。

参考文献：

[1]谢博才，宫殿君.基于机器学习的道岔故障诊断与预测研究综述[J]．铁路通信信号工程技术，2021，18（8）：93-99．

[2]胡启正.基于机器学习的道岔转辙设备故障智能诊断研究[D].北京：中国铁道科学研究院，2019.

[3]习家宁.基于机器学习的集中监测道岔故障诊断研究与设计[D].北京：北京交通大学，2020.

[4]杨静.道岔故障诊断方法研究[D].南京：南京理工大学，2017.

[5]刘玲，张西，汪琳娜.故障诊断技术的现状与发展[J].电子测试，2016（Z1）：62-63.

[6]赵林海.故障诊断技术及其在轨道电路中的应用[M].北京：北京交通大学出版社，2013.

[7]马笑潇.智能故障诊断中的机器学习新理论及其应用研究[D].重庆：重庆大学，2002.