铁路道岔故障的智能诊断--中国期刊网

字体：大中小

首页> 原创作品> 正文

铁路道岔故障的智能诊断

发表时间：2020/12/23 来源：《基层建设》2020年第24期作者：柳阳军

[导读] 摘要：道岔设备是车站联锁系统的重要组成部分，是排列进路和实现列车运行方向改变的关键设备。

        中国铁路呼和浩特局集团有限公司包头电务段内蒙古自治区包头市 014040
        摘要：道岔设备是车站联锁系统的重要组成部分，是排列进路和实现列车运行方向改变的关键设备。随着中国铁路的高速发展，道岔设备的维护也面临着越来越多的挑战。在铁路现场，道岔设备的监测手段主要依靠人工浏览微机监测系统中的转辙机动作功率、电流数据曲线。这种方式取决于人工的经验，难以满足道岔设备复杂的工作环境需求。而且该方式属于故障后维修，没能对道岔设备进行有效的故障防护，只有等故障特征表现明显后，才进行维护处理，难以形成有效的维修维护计划。
        关键词：铁路道岔故障；智能诊断；
        中国铁路正处于高速发展阶段，随之带来的是高密度、高强度的铁路运输，如何在确保安全的前提下提高铁路运输的效率日渐成为人们研究的热点。铁路信号设备是保证铁路运输安全和效率的重要设备，其性能的好坏直接影响着列车运行安全和铁路运输效率。随着列车不断提速及高铁技术的引进吸收，铁路运输安全问题已被人们普遍关注，信号设备担负着保障运输安全的重要任务，对电务部门的要求不仅是正确处理故障，还要尽量缩短故障处理时间.
        一、道岔设备故障诊断研究现状
        由于道岔设备结构复杂，工作环境恶劣，导致其出现故障具有一定的随机性和不确定性，往往很难建立精准的解析模型用于故障分析。故国内外关于道岔设备的故障诊断主要以基于信号处理的方法以及基于知识的方法为主在拥有大量的故障样本的情况下，神经网络故障诊断方法有很好的诊断效果；通过人工试验对道岔活动部位缺油这二故障进行故障加速，将道岔工作状态分为10种状态，采集每种状态下道岔的动作电流、压力、电压等数据，最后利用人工神经网络进行道岔设备退化状态识别及剩余寿命预测，达到故障诊断及预测的目的。相比于国外，国内关于道岔设备的监测及故障诊断还处于初级阶段，同时对于小样本数据也有很好地学习能力；总结来看，国内外在故障诊断领域方面有很深入的研究，产生一系列的故障诊断方法，这些方法各有不同的适用范围。而针对道岔设备的故障诊断研究方法中，神经网络的训练需要大量样本数据以求得经验风险最小化，对于小样本数据故障诊断并不适用。但是在实际中面对多分类问题则存在不足，当样本数量过大时耗费大量的存储空间。
        二、铁路道岔故障的智能诊断
        1.道岔系统组成。道岔系统是联锁系统中重要的组成部分，整个系统主要由室内和室外两部分组成室内部分包括电源电路、动作电路、保护电路、表示电路以及联锁输出控制等，该部分主要由道岔设备控制电路以及联锁控制台输出为主，联锁输出控制命令，通过控制电路进而控制道岔设备的转换过程。室外部分包括室外电缆及电缆盒、转辙机及其杆件、外锁闭装置、密贴检查器、道岔尖轨部件等设备，该部分主要完成道岔机械动作功能，如道岔解锁、尖轨转换、密贴检查等。
        2.道岔常见故障功率分析。对道岔系统进行功能故障模式及影响分析主要进行道岔设备的故障诊断及退化状态研究，其途径是分析设备动作过程中采集到的数据。因此，有必要对道岔设备动作过程中监测到的故障数据进行采集，同时根据典型故障模式，对故障数据进行分类并形成典型故障样本集。转辙机是控制道岔位置转换的关键部分，其功能的好坏直接影响着道岔转换的效率。目前现场主要通过分析信号集中监测系统中的电流曲线或功率曲线，对转辙机的动作过程进行监测。由于电流数据仅能反映电路电流的相关特征，所以得到的分析结果略显不足，而功率数据不仅与转换电流和电压有关，还可以反应转换过程中的力变量。

期刊文章分类查询,尽在期刊图书馆

因此，造成此种情况主要有以下两个方面原因：其一，在进行功率、电流数据采集过程中，正好避开了峰值采集点，导致峰值数据未能采集到；第二，可能道岔密贴不足，导致解锁时未形成峰值区段，这种情况下，若由故障发展，则可能会导致道岔尖轨与基本轨不密贴，会造成严重的安全隐患。转换过程卡阻故障是道岔设备动作过程中经常出现的一类故障，道岔转换过程卡阻功率故障曲线。转换过程卡阻现象一般表现为：道岔正常进行启动及解锁，但是在转换阶段，道岔动作功率数据会突然增大，然后转辙机一直处于空转状态，道岔无法转换到位进行锁闭，直至30s左右后断相保护器自动切断道岔控制电路，转辙机停止动作，功率值直接降为0。导致此类故障发生的主要原因是由于道岔转换过程中，转辙机动作杆件被异物卡死，导致道岔无法转换到位。由于道岔工作环境较为恶劣，所以此类故障发生频率较高，但这种故障一般属于突发性故障，往往很难进行预测。
        3.功率信号数据特征处理。转辙机动作过程中采集到的功率信号数据能很好反映道岔状态，其正常动作一次采集到的功率数据大约有165个，若将这些数据全部作为诊断模型输入，会因输入维数过大而导致“维数爆炸”的现象，而且原始数据中还包含很多不必要的信息。所以有必要对采集到的原始功率数据进行特征处理，得到能有效表征道岔状态的特征向量作为后续模型的输入。针对道岔功率样本数据，首先对故障功率数据分别从时域、值域两个方面进行统计特征提取，得到特征候选集；其次利用准则函数进行特征选择，筛选出能有效表征故障状态的特征量；最后利用方法对特征进行降维处理，以便得到合适维数特征作为后续模型的输入。从而完成对道岔动作过程中的功率数据的特征处理过程。目前针对功率数据进行分析的方法主要以时间特性进行分析，即按照道岔动作的先后顺序，将功率数据划分区段，分别提取出各区段功率数据的统计特征量，如峰值、均值、方差等。但是这种方法提取的特征很难准确表征道岔的状态，因为道岔动作过程的功率值往往与转辙机的推拉力相关，仅分析其时域特性会忽略值域的敏感性，同时对于某些故障而言，如室外二极管短路、表示电路断路等，其故障主要集中表现在表示区段，而对道岔整个动作区段进行时域分析，势必会弱化这些小区间内存在的差异。此外，道岔在动作过程中会由于外界扰动而产生冲击信号，因此还需对功率信号中存在的冲击信号进行分析评估。所以针对时域分析的缺陷，分别提取时域、值域两方面功率数据特征进行特征融合，得到特征候选集。在铁路现场，存在大量道岔设备的历史监测数据，而且这些数据仅有故障与非故障两种类型，以往很多研究都是针对故障数据进行分析，忽略了非故障数据中所隐藏的信息，本文认为道岔设备的退化状态信息往往可从非故障历史数据中挖掘出来。网络的训练方法是当样本输入后，网络竞争层首先计算输入样本与各神经元权值之间的欧式距离，将距离最小的神经元确立为获胜神经元。然后通过调整获胜神经元和相邻神经元权值，使获胜神经元及周边权值对这一输入样本更加敏感，后续输入的类似样本可以与该神经元更好地匹配。最后通过反复训练，各神经元的连接权值形成一定分布，该分布把数据间的相似属性汇聚到各类典型神经元下，使同类神经元权系数相近，不同类权系数差别明显。此外，在学习过程中，网络的权值修改学习速率和神经元领域均在不断下降，以达到使同类神经元逐渐集中的目的。
        结束语：
        由于本文资源有限，难以有效拟合道岔的退化过程，对现场维修维护计划的制动有一定的指导意义，但是难以形成系统、高效的维修计划。所以需要从现场采集更多道岔动作的数据，才能合理描述道岔设备的退化过程，对其退化状态进行有效的划分，从而合理指导现场进行设备的维修维护。
        参考文献：
        [1]何桥．基于灰关联的道岔故障诊断方法研究[D]．北京交通大学，2017．17．46
        [2]翟艳青．道岔设备故障诊断专家系统实现方法研究[D]．北京交通大学，2019．
        [3]李向前．复杂装备故障预测与健康管理关键技术研究[D]．北京理工大学，2019．