基于粒子群支持向量機(jī)的軌道電路分路不良預(yù)測(cè)方法

張夢(mèng)琪，趙會(huì)兵，孫上鵬

(北京交通大學(xué) 電子信息工程學(xué)院，北京 100044)

1 問題的提出

軌道電路作為保障我國(guó)鐵路運(yùn)輸安全和運(yùn)輸效率的基礎(chǔ)設(shè)備，具備列車占用情況檢測(cè)、完整性檢查、向列車傳輸行車信息等功能，為列車的安全、高速運(yùn)行提供重要保障。當(dāng)列車進(jìn)入軌道電路時(shí)，列車輪對(duì)將兩根鋼軌導(dǎo)通，使該區(qū)段電氣回路被短路，控制該軌道區(qū)段的軌道繼電器落下，控制臺(tái)顯示該段軌道被占用，這時(shí)為軌道電路分路狀態(tài)。然而由于軌面生銹等原因，輪對(duì)進(jìn)入軌道時(shí)沒有可靠短路鋼軌，軌道繼電器不能正常落下，這種現(xiàn)象稱為分路不良。分路不良現(xiàn)象的發(fā)生可能引發(fā)進(jìn)路提前錯(cuò)誤解鎖、道岔中途轉(zhuǎn)換等情況，導(dǎo)致道岔被擠壓、列車延誤，甚至引起列車脫軌、沖撞等重大事故，將對(duì)乘客的生命安全造成威脅。據(jù)統(tǒng)計(jì)，全路共有超過3.6萬處分路不良區(qū)段[1]，在擠壞道岔、列車脫軌、車列沖撞等事故中，由分路不良引起的占30%以上[2]。

國(guó)內(nèi)現(xiàn)有的分路不良檢測(cè)方式主要有兩種：一是電務(wù)人員使用標(biāo)準(zhǔn)分路線可靠短路軌道進(jìn)行分路電壓、電流數(shù)據(jù)測(cè)量，這種方法適用于線路開通前或已確認(rèn)發(fā)生分路不良后進(jìn)行的檢查和記錄，不能及時(shí)預(yù)防分路不良現(xiàn)象；二是由電務(wù)人員觀察微機(jī)監(jiān)測(cè)系統(tǒng)監(jiān)測(cè)到的逐段軌道電路分路殘壓值是否達(dá)到標(biāo)準(zhǔn)，該方法耗費(fèi)人力，且當(dāng)管轄區(qū)段軌道電路數(shù)目較多，或遇到雨雪天氣分路不良頻繁發(fā)生時(shí)，極易出現(xiàn)遺漏。國(guó)內(nèi)外針對(duì)分路不良的產(chǎn)生機(jī)理、解決方案等已做過一些研究[3-8]，但對(duì)分路不良的預(yù)測(cè)方法研究相對(duì)較少。

表1列舉了引起分路不良的幾個(gè)主要原因。可以看出，不僅軌道電路設(shè)備本身，通行的列車和鐵路沿線的運(yùn)營(yíng)環(huán)境均有可能引起軌道電路分路不良。同時(shí)，分路不良的發(fā)生時(shí)間、位置和變化趨勢(shì)均存在不確定性。如：高速鐵路白天通車時(shí)線路正常，夜間維護(hù)時(shí)無車通過，當(dāng)夜間下雨時(shí)可能引起鋼軌生銹，引發(fā)分路不良；由于高鐵開通時(shí)間尚短，缺乏無砟軌道道床漏泄情況變化規(guī)律的相關(guān)研究，當(dāng)漏泄電阻過高未被及時(shí)發(fā)現(xiàn)時(shí)，對(duì)分路情況可能造成影響；普速線路通行貨物列車時(shí)，易被運(yùn)送的煤礦石等顆粒污染軌面，污染程度及位置難以確定，使得分路情況呈動(dòng)態(tài)變化；同一段軌道電路，長(zhǎng)編組列車輪對(duì)多，與軌面不斷打磨，可去除銹蝕或污染物，避免分路不良，而短編組軌檢車及其他維修車輛通行時(shí)，由于列車輪對(duì)少，輪對(duì)和軌面缺乏充分打磨，就可能出現(xiàn)分路不良；海南等沿海地區(qū)氣候潮濕，鋼軌極易生銹，分路不良現(xiàn)象難以預(yù)防。

表1 分路不良的主要原因

本文主要針對(duì)ZPW-2000型軌道電路瞬時(shí)分路不良或局部區(qū)域分路不良的現(xiàn)象進(jìn)行研究。瞬時(shí)分路不良或局部位置分路不良現(xiàn)象在列車過分相區(qū)、列車制動(dòng)時(shí)撒砂、通過潮濕區(qū)段或貨運(yùn)段時(shí)經(jīng)常發(fā)生。由表1及上述分路不良的不確定性分析可知，從分路不良現(xiàn)象形成機(jī)理的角度來看，目前難以及時(shí)預(yù)防和徹底解決分路不良現(xiàn)象。因此，本文以機(jī)車信號(hào)接收到的感應(yīng)電流信號(hào)為研究對(duì)象，通過分析分路不良對(duì)感應(yīng)電流曲線的影響特點(diǎn)，提取相應(yīng)特征指標(biāo)并結(jié)合粒子群支持向量機(jī)算法，從數(shù)據(jù)的角度來實(shí)現(xiàn)分路不良的預(yù)測(cè)。

2 分路不良對(duì)感應(yīng)電流的影響分析

2.1 機(jī)車信號(hào)感應(yīng)電流模型

列車通過軌道電路的過程中，分路輪對(duì)數(shù)量先增加(列車正在進(jìn)入該段軌道電路)，然后保持不變(列車完全進(jìn)入)，最后減少(列車駛出本段軌道電路)，直至輪對(duì)完全出清該段軌道電路。文獻(xiàn)[5-7]通過軌道和輪對(duì)接觸的實(shí)驗(yàn)?zāi)M了列車的運(yùn)行，證明單一輪對(duì)和復(fù)數(shù)輪對(duì)進(jìn)入軌道電路時(shí)，輪對(duì)的分路電阻值基本相同，因此，本文將分路狀態(tài)簡(jiǎn)化為只有一個(gè)分路輪對(duì)的情況。軌道電路分路狀態(tài)等效電路模型如圖1所示。

圖1 軌道電路分路狀態(tài)等效電路模型

圖1中，US為發(fā)送器所輸出軌道電路信號(hào)的振幅，對(duì)于特定的軌道電路，其取值范圍固定不變；Zes為發(fā)送端電氣絕緣節(jié)等效并聯(lián)諧振阻抗；Zp為發(fā)送端等效阻抗；C為補(bǔ)償電容；ZR為從分路點(diǎn)到接收端的等效視入阻抗；Rf為分路電阻；Icc為位于列車第一輪對(duì)前方的機(jī)車信號(hào)傳感器通過電磁感應(yīng)原理接收到的下方鋼軌中傳輸?shù)碾娏餍盘?hào)。該電流信號(hào)能反映鋼軌沿線分路情況的信息，且分路不良現(xiàn)象發(fā)生初期，該電流大小大于機(jī)車信號(hào)接收靈敏度，可被機(jī)車信號(hào)接收，因此該信號(hào)對(duì)分路不良預(yù)測(cè)有重要作用。該電流信號(hào)可以表示為

( 1 )

式中：G11(x)和G12(x)為發(fā)送器到列車分路點(diǎn)間的傳輸特性等效四端網(wǎng)絡(luò)G(x)的特性參數(shù)。

( 2 )

式中：Ttr為Zp的四端網(wǎng)傳輸矩陣；TESJ為Zes的四端網(wǎng)傳輸矩陣。Icc經(jīng)模/數(shù)轉(zhuǎn)換等處理后轉(zhuǎn)變?yōu)殡妷盒盘?hào)的形式，因此，電壓信號(hào)與Icc間僅存在幅值比例系數(shù)的差異，下文中將其稱為感應(yīng)電流[9]。

2.2 分路不良對(duì)感應(yīng)電流的影響分析

圖2為仿真得到的感應(yīng)電流與實(shí)際機(jī)車信號(hào)傳感器記錄到的某段軌道電路感應(yīng)電壓信號(hào)歸一化后的比較圖。

圖2 實(shí)際信號(hào)與仿真信號(hào)的比較

圖2中，C1～C11代表軌道電路由發(fā)送端至接收端的11個(gè)等間距補(bǔ)償電容；FS表示軌道電路的發(fā)送端；JS表示軌道電路的接收端。列車從軌道電路的接收端進(jìn)入軌道電路，向發(fā)送端行駛，越接近發(fā)送端，接收到的感應(yīng)電流信號(hào)幅值越大，因此形成如圖2所示的趨勢(shì)變化?？梢钥吹?，該等效電路模型具有較高的精度。

分路不良現(xiàn)象可反映為分路不良位置的分路電阻增大(分路電阻包含輪軌間接觸電阻和輪對(duì)本身電阻，其中輪對(duì)電阻影響極小，可忽略不計(jì)，因此分路電阻近似等于輪軌間接觸電阻[4]，表1中列舉的原因均會(huì)引起輪軌間的接觸異常，導(dǎo)致接觸電阻增大，即分路電阻增大)。由式( 1 )可知，ZR減小，感應(yīng)電流隨之減小。圖3為仿真列車通過一段軌道電路時(shí)，軌道電路正常和C4～C6之間分路不良程度逐漸嚴(yán)重(Rf值逐漸增大)時(shí)Icc的變化曲線對(duì)比。由仿真結(jié)果可對(duì)分路不良時(shí)的感應(yīng)電流曲線特性做如下總結(jié)。

圖3 分路不良對(duì)感應(yīng)電流的影響

(1)列車通過發(fā)生分路不良的位置時(shí)，機(jī)車信號(hào)接收到的感應(yīng)電流信號(hào)幅值減小，且隨著分路不良嚴(yán)重程度的加深(Rf增大)，在軌道電路相應(yīng)位置接收到的感應(yīng)電流信號(hào)幅值隨之減小。

(2)沒有出現(xiàn)分路不良的位置，機(jī)車信號(hào)接收到的感應(yīng)電流信號(hào)和正常情況下相同，幅值和變化趨勢(shì)不受分路不良位置的影響。

(3)分路不良位置接收到的感應(yīng)電流信號(hào)幅值驟降，但曲線的變化趨勢(shì)、包絡(luò)形狀不變。

3 分路不良預(yù)測(cè)方法總體設(shè)計(jì)

3.1 預(yù)測(cè)模型功能與模型參數(shù)設(shè)計(jì)

本文利用粒子群優(yōu)化的支持向量機(jī)(PSO-SVM)模型，以機(jī)車感應(yīng)電流信號(hào)中提取的特征量作為模型輸入，實(shí)現(xiàn)分路不良的預(yù)測(cè)功能。預(yù)測(cè)模型的輸入和輸出量見表2。其中，輸入量為感應(yīng)電流信號(hào)經(jīng)小波分解與細(xì)節(jié)分量重構(gòu)后所提取的特征參數(shù)，在4.1中將詳細(xì)介紹。模型輸出0代表分路狀態(tài)正常，模型輸出1代表出現(xiàn)分路不良特征，可能會(huì)發(fā)生分路不良。

表2 預(yù)測(cè)模型輸入輸出參數(shù)

3.2 總體設(shè)計(jì)

圖4為基于PSO-SVM的軌道電路分路不良預(yù)測(cè)方法總體設(shè)計(jì)示意圖。

圖4 基于PSO-SVM的軌道電路分路不良預(yù)測(cè)方法

基于PSO-SVM模型的軌道電路分路不良預(yù)測(cè)步驟如下。

步驟1生成樣本數(shù)據(jù)。仿真得到一段960 m長(zhǎng)的軌道電路，有分路不良趨勢(shì)的位置為距離發(fā)送端280～400 m的區(qū)段。分路電阻Rf小于0.15 Ω為正常范圍，當(dāng)分路電阻達(dá)到0.15～1 Ω之間時(shí)，為分路不良預(yù)警值?？紤]軌道電路由于設(shè)備老化、人為調(diào)整等原因會(huì)引起發(fā)送端不完全匹配，設(shè)置發(fā)送端匹配程度控制參數(shù)Mfs在一定范圍內(nèi)變化。同時(shí)考慮線路周圍環(huán)境對(duì)感應(yīng)電流可能造成干擾，對(duì)感應(yīng)電流信號(hào)加入高斯白噪聲。最終仿真得到樣本集共22 878組數(shù)據(jù)，以11 439組作為訓(xùn)練樣本，11 439組作為測(cè)試樣本。

步驟2特征提取。首先對(duì)訓(xùn)練樣本與測(cè)試樣本進(jìn)行小波分解與細(xì)節(jié)分量重構(gòu)，得到細(xì)節(jié)信號(hào)分量，作為特征提取的對(duì)象。提取訓(xùn)練樣本和測(cè)試樣本的最大值、標(biāo)準(zhǔn)差、方差、峭度指標(biāo)、變異系數(shù)5個(gè)特征量。

步驟3特征數(shù)據(jù)歸一化?？紤]到5個(gè)特征量的數(shù)量級(jí)不同，為避免由于某些特征的取值范圍過大或過小，使其在訓(xùn)練中占據(jù)過大或過小的比重，對(duì)5個(gè)特征指標(biāo)做歸一化處理。

步驟4PSO-SVM模型訓(xùn)練。將歸一化后的樣本特征集作為模型的訓(xùn)練樣本，用PSO優(yōu)化模型的懲罰參數(shù)和核函數(shù)參數(shù)，最終訓(xùn)練得到PSO-SVM預(yù)測(cè)模型。正常分路情況的樣本標(biāo)簽為0，出現(xiàn)分路不良特征的樣本標(biāo)簽設(shè)為1。

步驟5預(yù)測(cè)結(jié)果檢驗(yàn)。將歸一化后的測(cè)試特征集作為PSO-SVM預(yù)測(cè)模型的輸入量，得到最終預(yù)測(cè)結(jié)果。

4 預(yù)測(cè)方法詳細(xì)設(shè)計(jì)與結(jié)果分析

4.1 基于小波分解與重構(gòu)的特征參數(shù)提取

感應(yīng)電流信號(hào)不僅包含分路不良位置的感應(yīng)電流信號(hào)特征，還包含其他信息，對(duì)分路不良的特征提取造成干擾。表3總結(jié)了對(duì)分路不良的特征提取造成干擾的主要因素(由于軌道電路多種設(shè)備同時(shí)故障的概率很低，本文僅針對(duì)軌道電路發(fā)生分路不良這一單一故障情況進(jìn)行研究，不考慮多故障并發(fā)的情況)。根據(jù)表3可知，從原始信號(hào)中直接提取幅值、變化率等特征并不能有效地區(qū)分出分路不良與其他干擾因素。因此，首先采用小波分解與重構(gòu)WDR(Wavelets Decomposition and Reconstruction)方法對(duì)感應(yīng)電流進(jìn)行多分辨率分解與細(xì)節(jié)分量重構(gòu)。

表3 特征提取干擾因素

小波分解可去除信號(hào)的整體趨勢(shì)量，避免感應(yīng)電流本身增減趨勢(shì)及發(fā)送端不匹配帶來的干擾。細(xì)節(jié)分量重構(gòu)則保留了信號(hào)局部突變的特征。針對(duì)重構(gòu)的細(xì)節(jié)分量信號(hào)進(jìn)行特征提取，能捕捉到更準(zhǔn)確的分路不良特征信息。圖5是對(duì)正常分路(圖5(a))和分路不良(圖5(b))情況下的感應(yīng)電流分別進(jìn)行小波分解與重構(gòu)后產(chǎn)生的近似分量和細(xì)節(jié)分量圖，其中，縱坐標(biāo)表示歸一化后的感應(yīng)電流信號(hào)值，橫坐標(biāo)表示感應(yīng)電流樣本點(diǎn)數(shù)(共2 400個(gè)樣本點(diǎn))。

圖5 分路電流信號(hào)5層小波分解與重構(gòu)

圖5中，近似信號(hào)代表了感應(yīng)電流信號(hào)變化趨勢(shì)的基本信息，細(xì)節(jié)信號(hào)代表了在不同分辨率下的干擾信息，即信號(hào)傳輸過程中的加性高斯白噪聲和軌道電路分路不良對(duì)于感應(yīng)電流信號(hào)產(chǎn)生局部干擾信號(hào)的情況。將最不利分路條件下分路電阻值0.15 Ω[10]設(shè)為正常分路電阻值，當(dāng)分路電阻值大于0.15 Ω時(shí)為分路不良。此處將分路不良位置的分路電阻設(shè)為0.3 Ω。

可以看出，發(fā)生分路不良時(shí)，各層細(xì)節(jié)信號(hào)在分路不良位置的波動(dòng)幅值均遠(yuǎn)大于正常分路情況，且在疊加有噪聲信號(hào)的情況下，分路不良位置的特征明顯大于噪聲引起的干擾。根據(jù)這一波動(dòng)特征，本文選取重構(gòu)細(xì)節(jié)信號(hào)的標(biāo)準(zhǔn)差、方差、峭度指標(biāo)、變異系數(shù)、最大值5個(gè)指標(biāo)作為特征。其中，方差和標(biāo)準(zhǔn)差是測(cè)量數(shù)據(jù)變異程度最重要、最常用的指標(biāo)；峭度指標(biāo)和變異系數(shù)對(duì)于脈沖類設(shè)備故障非常敏感，由圖5(b)可知，這兩種特征指標(biāo)非常適用于本文研究的分路不良故障特征；最大值則可直觀反映出歸一化后細(xì)節(jié)分量信號(hào)的異常情況。

4.2 參數(shù)優(yōu)化

4.2.1 PSO與SVM算法簡(jiǎn)述

粒子群優(yōu)化算法PSO(Particle Swarm Optimization)從隨機(jī)解出發(fā)，通過迭代尋找最優(yōu)解，通過適應(yīng)度評(píng)價(jià)解的品質(zhì)。設(shè)一個(gè)E維空間由n個(gè)粒子組成一個(gè)種群。對(duì)粒子i，它在E維空間中的位置為xi=[xi1xi2…xin]T，飛行速度vi=[vi1vi2…vin]T，個(gè)體經(jīng)歷最好位置pi=[pi1pi2…pin]T，整個(gè)群體最好位置pg=[pg1pg2…pgn]T。在每次迭代中，粒子i的位置和速度表達(dá)式如式( 3 )、式( 4 )所示。

( 3 )

( 4 )

式中：ω為慣性權(quán)重；d=1，2，…；k為迭代次數(shù)；c1、c2為加速因子；r1、r2為取值范圍為[0，1]的隨機(jī)數(shù)。

支持向量機(jī)SVM(Support Vector Machine)是建立在統(tǒng)計(jì)學(xué)習(xí)理論VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的，根據(jù)有限樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以獲得最好的推廣能力。對(duì)于線性不可分問題，SVM通過非線性變換將其轉(zhuǎn)化為高維空間中的線性問題，在變換空間中求出最優(yōu)分類面。決策輸出函數(shù)可以表示為

( 5 )

式中：α*為拉格朗日乘子；偏置b*可通過α*求得；K(x，xi)為核函數(shù)。Mercer定理將核解釋為特征空間內(nèi)積，核函數(shù)的思想是將原本在高維特征空間中的計(jì)算，通過核函數(shù)在輸入空間中完成，無需知道高維變換的顯式公式。

4.2.2 參數(shù)優(yōu)化設(shè)計(jì)

SVM能較好地解決小樣本、非線性、高維數(shù)和局部極小點(diǎn)等實(shí)際問題，已在函數(shù)逼近、時(shí)間序列預(yù)測(cè)和分類等領(lǐng)域被廣泛應(yīng)用。本文利用SVM的分類算法實(shí)現(xiàn)分路不良的預(yù)測(cè)。在SVM模型中需要設(shè)置兩個(gè)關(guān)鍵參數(shù)：懲罰參數(shù)c(用于控制超出誤差的樣本懲罰程度)和核函數(shù)參數(shù)g(表示徑向基函數(shù)的寬度)。這兩個(gè)參數(shù)決定SVM的泛化能力，若由人為設(shè)置，需通過大量實(shí)驗(yàn)嘗試，存在模型生成效率低、無法找到最優(yōu)參數(shù)設(shè)置、不利于訓(xùn)練樣本更新后的預(yù)測(cè)效果等缺陷。因此首先將兩個(gè)參數(shù)構(gòu)成一個(gè)微粒(c，g)，采用PSO優(yōu)化算法對(duì)SVM分類模型中的懲罰參數(shù)和核函數(shù)參數(shù)進(jìn)行參數(shù)尋優(yōu)，將計(jì)算得到的最優(yōu)懲罰參數(shù)和最優(yōu)核函數(shù)參數(shù)作為預(yù)測(cè)模型的參數(shù)。參數(shù)優(yōu)化流程圖如圖6所示。

圖6 預(yù)測(cè)模型的關(guān)鍵參數(shù)優(yōu)化流程圖

4.3 實(shí)驗(yàn)結(jié)果分析

表4為分別通過3種方式選取懲罰參數(shù)c和核函數(shù)參數(shù)g的模型進(jìn)行軌道電路分路不良預(yù)測(cè)的結(jié)果。

表4 3種模型預(yù)測(cè)結(jié)果比較

采用隨機(jī)生成參數(shù)的方法經(jīng)10次實(shí)驗(yàn)，得到最高預(yù)測(cè)準(zhǔn)確率88.89%，預(yù)測(cè)用時(shí)在2～7 s之間。圖7(a)為采用交叉驗(yàn)證參數(shù)優(yōu)化算法對(duì)SVM模型的參數(shù)進(jìn)行優(yōu)化后的預(yù)測(cè)結(jié)果，預(yù)測(cè)準(zhǔn)確度可達(dá)到97.2%，預(yù)測(cè)用時(shí)約2.5 min。圖7(b)為通過PSO參數(shù)優(yōu)化后的PSO-SVM模型預(yù)測(cè)結(jié)果，最終得到最優(yōu)懲罰參數(shù)c=16，核函數(shù)參數(shù)g=16，預(yù)測(cè)準(zhǔn)確率高達(dá)99.5%，高于另兩種模型，但預(yù)測(cè)用時(shí)大于10 min。由實(shí)驗(yàn)結(jié)果可知：利用PSO-SVM模型進(jìn)行軌道電路分路不良預(yù)測(cè)可達(dá)到極高的預(yù)測(cè)準(zhǔn)確率，但當(dāng)實(shí)驗(yàn)數(shù)據(jù)樣本過大時(shí)，運(yùn)算量偏大，運(yùn)算時(shí)間也較其他方法更長(zhǎng)。

圖7 預(yù)測(cè)結(jié)果對(duì)比

5 結(jié)束語

本文提出一種基于粒子群支持向量機(jī)的軌道電路分路不良預(yù)測(cè)方法。首先分析正常和分路不良情況下機(jī)車感應(yīng)電流信號(hào)的特性，然后采用小波分解與重構(gòu)的方法去除感應(yīng)電流的趨勢(shì)量，得到兩種情況下的信號(hào)細(xì)節(jié)分量，對(duì)細(xì)節(jié)分量進(jìn)行特征提取，最終通過粒子群支持向量機(jī)模型實(shí)現(xiàn)對(duì)軌道電路分路不良情況的預(yù)測(cè)。根據(jù)表4可知，在樣本數(shù)據(jù)量足夠大的情況下，沒有進(jìn)行粒子群優(yōu)化的預(yù)測(cè)模型運(yùn)算速度更快，加入粒子群優(yōu)化算法后的模型計(jì)算速度相對(duì)較慢，但最終能找到參數(shù)最優(yōu)解，模型預(yù)測(cè)準(zhǔn)確度可達(dá)99.5%，高于其他兩種模型的預(yù)測(cè)準(zhǔn)確度。

本文提出的分路不良預(yù)測(cè)方法存在以下幾方面不足，將在今后研究中進(jìn)一步完善：

(1)預(yù)測(cè)模型優(yōu)化用時(shí)過長(zhǎng)，主要由于PSO算法的運(yùn)算量過大，后續(xù)將考慮更多優(yōu)化方法以降低運(yùn)算量，提高預(yù)測(cè)模型的預(yù)測(cè)速度。

(2)ZPW-2000理論模型根據(jù)實(shí)際軌道電路參數(shù)進(jìn)行搭建，且仿真結(jié)果與實(shí)際機(jī)車信號(hào)接收數(shù)據(jù)比較接近，但后續(xù)研究仍需考慮預(yù)測(cè)模型的現(xiàn)場(chǎng)實(shí)驗(yàn)，通過現(xiàn)場(chǎng)實(shí)驗(yàn)數(shù)據(jù)作為訓(xùn)練樣本以提高預(yù)測(cè)模型準(zhǔn)確度。

由于現(xiàn)有微機(jī)監(jiān)測(cè)系統(tǒng)自動(dòng)化程度不高，缺乏智能化數(shù)據(jù)分析功能，我國(guó)分路不良檢測(cè)完全依賴電務(wù)人員根據(jù)微機(jī)監(jiān)測(cè)曲線進(jìn)行人為判斷，判斷結(jié)果受人為因素影響大，且易遺漏。分路不良是鐵路運(yùn)輸?shù)囊淮蟀踩[患，開展分路不良預(yù)測(cè)方法的研究對(duì)于預(yù)防分路不良發(fā)生，保障行車安全有著十分重要的意義。本文提出的基于粒子群支持向量機(jī)模型的分路不良預(yù)測(cè)方法，通過人工智能算法實(shí)現(xiàn)數(shù)據(jù)分析和預(yù)測(cè)，為分路不良的預(yù)警提供了新的思路。

參考文獻(xiàn)：

[1]胡永生.軌道電路分路不良整治方案研究[J].鐵道通信信號(hào),2008,44(5)：24-26.

HU Yong-sheng.Research on Track Circuit Bad Shunting Improvement Plan[J].Railway Signalling & Communication,2008,44(5)：24-26.

[2]陳鋼.溫州動(dòng)車追尾事故與CTCS-2技術(shù)規(guī)范中的安全隱患[J].軟件，2011,32(8):27-30.

CHEN Gang.The Wenzhou Train Collision and Safety Issue in CTCS-2 Specification[J].Software,2011,32(8):27-30.

[3]袁孝均.軌道電路分路不良問題研究[J].鐵道通信信號(hào),2007,43(4):11-13.

YUAN Xiao-jun.Research on Track Circuit Bad Shunting[J].Railway Signalling & Communication,2007,43(4):11-13.

[4]孫上鵬,趙會(huì)兵,陳德旺,等.基于電接觸理論的軌道電路分路電阻計(jì)算方法研究[J].鐵道學(xué)報(bào),2014,36(3):31-36.

SUN Shang-peng,ZHAO Hui-bing,CHEN De-wang,et al.Research on Method for Calculation of Shunt Resistances of Track Circuits Using Electrical Contact Theory[J].Jounal of the China Railway Society,2014,36(3):31-36

[5]WAKABAYASHI Yusuke,TANAKA Nobuharu,NAKAGAWA Daisuke,et al.Influence of Contact Condition between Rails and Wheels upon Track Circuit Shunting(2nd Report Measuring Methods and Results of Track Circuit Shunting Resistance of Running Train's Wheels)[J].The Japan Society of Mechanical Engineers,2002,68(672):186-193.

[6]HIRAMA Junji,WAKABAYASHI Yusuke,KITAGAWA Tomoya,et al.Influence of Contact Condition between Rails and Wheels upon Track Circuit Shunting(4th Report Result of Continuously Shunting Resistance of Run Measured Shunting Resistance of the Running Wheels)[J].Japan Society of Mechanical Engineers,2005,71(704):151-156.

[7]HIRAMA Junji,WAKABAYASHI Yusuke,KITAGAWA Tomoya,et al.Influence of Contact Condition between Rails and Wheels upon Track Circuit Shunting(3rd Report Measuring Methods and Results of Track Circuit Shunting Resistance of Running Train′s Wheels)[J].Japan Society of Mechanical Engineers,2002,68(674):183-188.

[8]OSCAR A C,LI Z L,ROGER L.A Laboratory Investigation on the Influence of the Particle Size and Slip During Sanding on the Adhesion and Wear in the Wheel-Rail Contact[J].Wear,2011,271(1-2):14-24.

[9]孫上鵬.無絕緣軌道電路故障機(jī)理分析及故障診斷方法研究[D].北京：北京交通大學(xué)，2014.

[10]北京全路通信信號(hào)研究設(shè)計(jì)院.ZPW-2000系列無絕緣軌道電路技術(shù)條件(暫行)[S].