基于神经网络的道岔智能故障诊断方法的研究
摘要：本文将神经网络信息融合技术运用在铁路道岔故障诊断领域，为铁
路信号领域提出了一种新型的道岔智能故障诊断方法。该方法能快捷、准确地融合从各传感器得到的故障信息，通过人工智能处理，自动诊断出故障原因，为维修人员提供技术参考，从而降低故障发生率和故障处理时间，确保运行安全，提高运行效率。
关键词：道岔智能故障诊断神经网络道岔监测系统
基于神经网络的道岔智能故障诊断方法的研究
兰州交通大学自动化与电气工程学院
王铁军董昱沈成禄崔宁宁黄媛媛
研究与探讨
1前言
随着武广客运专线的开通，列
车最高时速可达394公里/小时，我国铁路实现了一次飞跃式发展。更高的列车运行速度，对铁路关键设备道岔提出了更高的要求。然而我国目前道岔设备维修模式依旧是传统的故障修模式，已经不能适应铁路发展的要求。为了指导维修工作，进一步完善道岔监测系统的功能，智能故障诊断已成为道岔监测设备的重中之重。
2道岔智能故障诊断在道岔监测系统中的重要性
道岔监测设备是监测道岔运
用状态的必要设备，是实现状态修的重要手段。我国的道岔监测设备主要为微机监测系统和已经上道实验的道岔监测系统。两个系统目前只提供道岔各组成设备的在线监测信息和故障报警，缺少对设备的智能故障诊断功能，并不能为道岔设备状态修提供完善的技术支持。
本文提出一种道岔智能故障诊断方法，旨在完善道岔监测系统的功能，使道岔监测系统能随时了解设备的状态特征，并能根据设备当时状况，预测故障发展程度，区分故障类型，避免维修中的盲目性，减少道岔设备的维修次数和时间，从而提高道岔设备的可靠性和安全性，保证列车和线路的运行效率，适应高速铁路的发展要求[1]。
3道岔智能故障诊断的实现
3.1道岔智能故障诊断方法的选
取
本文采用神经网络结构类型
及其学习算法。此类智能诊断方法具有如下可行性：
（1）道岔设备的运行状态与其各种故障征兆参数之间关系是非常复杂、非线性及不确定的。传统的故障诊断方法很大程度上依赖于构建数学模型和诊断方程，对于非线性关系，数学模型很难建立，诊断结果不够理想。而神经网络则具有很强的自学习能力和泛化能
力，它的强大的非线性映射能力对于道岔设备运行状态的不确定模式识别具有良好的效果[2]。
（2）使用神经网络可以解决数据融合过程中各种数据差距过大导致的配准精度问题。
（3）道岔监测系统可以提供完善的状态监测信息，系统训练样本充足，确保了对神经网络模型的可靠训练。
3.2道岔智能故障诊断的实现步
骤
利用基于神经网络的信息融合技术建立道岔智能故障诊断模型。根据现场维修人员对道岔设备故障积累的经验，本文把道岔的典型故障分为三类：道岔密贴不良、道岔转换故障与道岔电路故障。
每类故障建立一个三层的单子神经网络模型，采用改进BP 算法以加快收敛速度，然后总体组建成一个并行神经网络信息融合系统，最后采用设置双阈值的方法进行故障前预警和故障后诊断。如图
1所示。
研究与探讨
基于神经网络的道岔智能故障诊断方法的研究
本文采用Visual C++和MAT -
LAB 作为实现故障诊断的工具软
件。用户交互界面由Visual C++开发完成，在与MATLAB 进行数据交换后，使用MATLAB 神经网络工具箱进行后台运算处理。
3.2.1道岔密贴不良故障类的诊断
方法
道岔密贴不良是道岔最为常见的故障。据统计，在武广客专联调联试阶段，密贴不良故障占总故障的18.7%。导致密贴不良有以下主要原因：
（1）道岔不方正：例如整体道床振动过大导致基础螺栓松动，进而导致道岔不方正造成卡阻；
（2）尖轨爬行；（3）轨距变化；（4）外锁闭调整不良；（5）缺口不合格。
对密贴不良原因采用单子神经网络进行诊断。以密贴量、尖轨开口量、转换力、振动加速度、轨温、轨距、缺口作为神经网络的输入端，以上述5种密贴不良原因作为输出端，进行故障诊断。诊断原理框图如图2所示：
3.2.2道岔转换故障类诊断方法道岔动作电流曲线是一条以电流为纵轴、时间为横轴，以10毫秒为测量间隔的各电流值逐点连接绘制而成的曲线，蕴涵了道岔转换过程中的电气特性和机械特性。通过对各时间段道岔动作电流分析，我们可以诊断出如下故障原因：
（1）电机匝间短路；
（2）电机断相；
（3）碳刷与整流子接触不良；（4）尖轨转换障碍：转换障碍由根部阻力过大、滑床板缺油、夹异物、吊板、故障电流过小等原因形成，需要电务人员现场核实；
（5）启动电路短线；（6）
继电器接点接触不良
；（7）自动开闭器动作不灵活。正常动作电流如图
3所示：
图1并行神经网络示意图图2道岔密贴不良的诊断原理框图
图3单机牵引提速道岔动作电流曲线
研究与探讨
基于神经网络的道岔智能故障诊断方法的研究
自动开闭器不灵活动作电流曲线如图4所示：
对正常动作电流和各故障动作电流采样，特征提取后作为神经网络的训练样本，可以较准确地对此类故障进行诊断。
3.2.3道岔电路故障类的诊断方法
X1、X2与X2、X4间的交、直流
电压，表示继电器1-4线圈和R1的交、直电压，充分反映了道岔启动和表示电路的电气特征，如表1。可以通过它们的变化对道岔的启动、表示电路进行诊断。
此类故障采用3个二级诊断子网络。子网络1采用X1、X2间的交、直流电压，表示继电器电压，电阻R1电压作为输入。子网络2采
用X2、X4间交、直流电压，表示继电器电压，电阻R1电压作为输入。
两个子网络输出均为8种故障原因。子网络3是融合决策网络，对
子网络1、2得出的故障决策进行
信息融合，提高确诊率。诊断原理如图5所示：
4结束语
本文是在道岔监测系统提供的
各项监测数据上，对实现智能道岔故障诊断方法的简述。道岔故障多种多样，这就要求我们在熟悉道岔室内外设备的基础上，不断进行总结，快速准确地判断故障原因，缩小故障范围，进一步完善道岔监测系统，保障设备的安全和行车效率。
参考文献:
[1]
刘克强.高速客运专线道岔监测系统研究及应用[J].中国铁路,2009，04(3):
40-41.
[2]
党建武,王阳萍,赵庶旭.神经网络理论[M].版本(第一版).兰州:兰州大学
出版社
,2005.
[3]岳丽丽.
专家系统和神经网络在道岔控制电路故障诊断中的应用研究.兰州:兰州交通大学,2009.
图4自动开闭器不灵活故障动作曲线
表1S700K 道岔控制电路故障时电气特性参考表
图5道岔控制电路故障诊断原理框图