基于機器學習的道岔故障特征提取及診斷方法探析

摘 要：道岔設備的可靠運行對鐵路運輸安全至關重要，隨著人工智能技術的快速發(fā)展，其在鐵路系統(tǒng)中的應用日益增多，特別是在道岔故障診斷領域展現(xiàn)出巨大的潛力。文章主要介紹了基于機器學習的故障診斷過程，深入分析了基于神經網絡和支持向量機的故障診斷方法。通過對歷史數(shù)據(jù)和故障模式的分析，這些方法能夠實現(xiàn)監(jiān)測道岔故障、判斷故障類型的目的，顯著提高了道岔故障診斷的準確性和效率，為鐵路安全、可靠和高效運行提供了強有力的技術支撐。

關鍵詞：道岔 機器學習 特征提取 故障診斷

0 引言

作為鐵路的關鍵設備之一，道岔控制列車的運行方向，實現(xiàn)線路轉換，在鐵路運營中至關重要。而其長期暴露于室外，且機電結構復雜，受設備老化及其他不確定因素（機械部分卡阻或缺油、滑床板斷裂和缺油等）影響，屬于易損設備。道岔一旦出現(xiàn)故障，若不及時診斷與維護，極易釀成重大事故，嚴重影響了鐵路運行的安全與效率。

目前，現(xiàn)場對于道岔的故障診斷仍采用較為傳統(tǒng)的方式，即獲取道岔的電流、功率、動作時間等數(shù)據(jù)，設置各類數(shù)據(jù)的閾值，當某個指標超出閾值時，表明道岔存在異常，再通過人工判斷，推斷故障原因，進行故障診斷。但在實際中，各道岔工作環(huán)境存在差異，所設定的閾值及診斷過程受限于技術人員的經驗，存在易漏報誤報、準確率低、診斷時間長等問題。因此，及時、準確地提取故障道岔特征并進行故障診斷，對保障行車安全意義重大。

1 道岔結構與工作原理

道岔主要由基本軌、尖軌、導軌、翼軌、護軌及轉轍設備等組成，如圖1所示。其中，轉轍設備受動力驅動扳動尖軌，可使兩側尖軌分別處于密貼或斥離位置，以確定道岔開通方向，完成列車行駛方向的改變。

轉轍設備是道岔動作的核心，以我國廣泛應用的ZD6型轉轍機為例，其構造包括電動機、減速器、摩擦連接器、自動開閉器、動作桿、表示桿及報警裝置等。其動作過程可分為三個階段：

（1）解鎖階段：通過電動機旋轉、減速器減速，輸出軸帶動主軸旋轉，帶動內部傳動裝置完成內部解鎖，再推動外鎖閉設備完成外部解鎖。

（2）轉換階段：動作桿被拉動，尖軌受轉轍機平穩(wěn)的推力而緩慢移動直到與基本軌密貼，道岔轉換。

（3）鎖閉階段：隨著尖軌轉換到規(guī)定位置，鎖閉齒輪鎖閉，鎖閉動作桿。

2 道岔故障診斷方法研究

不同學者在道岔故障診斷領域展開了多維度探究，常見有三種方法：基于模型的故障診斷、基于信號處理的故障診斷及基于機器學習和人工智能的故障診斷。其中，基于模型的故障診斷最先發(fā)展起來，該方法受制于所建模型的準確度，需要詳細的參數(shù)和故障數(shù)據(jù)，但道岔系統(tǒng)機械結構復雜，各設備之間存在耦合，應用較為受限?；谛盘柼幚淼墓收显\斷是通過觀察、分析道岔工作過程中所隱藏的數(shù)據(jù)信息，提取特征，依據(jù)特征值確定是否發(fā)生故障，該方法需要故障檢測人員具備較高的專業(yè)知識和技能水平，熟練掌握信號處理技術和故障診斷要點?；跈C器學習和人工智能的故障診斷則依據(jù)智能算法挖掘數(shù)據(jù)中隱藏的信息建立模型，并從數(shù)據(jù)和算法兩方面不斷積累和優(yōu)化，通過學習和訓練形成智能化的故障診斷模型，從而更準確地判斷故障狀況，提高了故障診斷的精度，有較好的應用前景。

2.1 機器學習在道岔故障診斷中的應用

機器學習通過大量數(shù)據(jù)訓練，使計算機系統(tǒng)能夠自動識別和學習數(shù)據(jù)中的模式，并進行預測或決策。道岔故障檢測與診斷即利用測試數(shù)據(jù)（電流、功率等），尋求測試數(shù)據(jù)與故障之間的聯(lián)系?；跈C器學習的道岔故障診斷流程如圖2所示。首先，我們根據(jù)故障模式成因、轉轍機工作原理及傳感器數(shù)據(jù)采集的可行性，確定最佳的監(jiān)測數(shù)據(jù)類型。隨后，對采集到的原始數(shù)據(jù)進行預處理，以構建正常和故障狀態(tài)下的樣本集。接下來，利用數(shù)據(jù)挖掘、信號處理算法，從樣本集中提取出能夠最大程度區(qū)分不同狀態(tài)的特征向量。最后，通過構建機器學習模型，實現(xiàn)對轉轍機故障的分類與精確診斷。

2.2 基于神經網絡的道岔故障診斷

神經網絡作為機器學習領域的核心模型之一，以其獨特的輸入層、隱藏層和輸出層結構為基礎，通過不同的連接模式構建出多樣化的網絡模型。這些模型不僅具備自我學習能力，還能實現(xiàn)非線性映射，并具備高效的并行計算能力和出色的容錯性，因此，在道岔故障診斷領域應用廣泛，誕生了許多神經網絡模型，常見有：BP神經網絡、PNN神經網絡等。

2.2.1 基于多層前饋（BP）神經網絡的道岔故障診斷

將BP神經網絡應用于道岔故障診斷，其故障診斷主要包含訓練過程和測試過程，所對應的原理圖如圖3所示。

基于BP神經網絡的診斷原理，我們對道岔故障診斷進行了深入研究，并構建了相應的BP神經網絡模型：

（1）道岔電流特征數(shù)據(jù)采集

在道岔故障診斷中，首要任務就是采集道岔動作電流的數(shù)據(jù)。為了確保數(shù)據(jù)的準確性和代表性，選擇能夠準確反映道岔動作電流趨勢和潛在故障區(qū)域的特征數(shù)據(jù)。

（2）數(shù)據(jù)歸一化處理

為了消除數(shù)據(jù)之間的數(shù)量級差異，提高神經網絡的預測性能，我們對采集到的數(shù)據(jù)進行了歸一化處理。通過這一步驟，可將不同維度的數(shù)據(jù)轉換到同一數(shù)量級，確保了網絡輸入輸出的穩(wěn)定性和可靠性。

（3）BP神經網絡設計

在設計BP神經網絡時，充分考慮道岔電流和類別的輸入輸出特點。仔細確定了隱含層神經元的數(shù)量，并選擇了適合的訓練函數(shù)。同時，根據(jù)網絡的特點和實際需求，調整學習速率、訓練函數(shù)、最大訓練步長和訓練精度等關鍵參數(shù)。在選擇隱含層神經元數(shù)目時，結合具體的道岔動作電流數(shù)據(jù)，通過多次試驗和驗證，確定了合適的節(jié)點數(shù)。

（4）BP神經網絡訓練

在完成了網絡設計后，利用訓練集數(shù)據(jù)對BP神經網絡進行了訓練。在訓練過程中，各層神經元的權值和閾值不斷調整，使得網絡的輸出逐漸接近實際值。當輸出結果的誤差達到預設的精度要求時停止訓練，并認為網絡已經具備了較好的預測能力。

（5）BP神經網絡測試與分析

將測試集數(shù)據(jù)輸入到已訓練好的BP神經網絡中，驗證神經網絡的診斷。通過對比測試集的實際類別與網絡預測的輸出類別，對神經網絡的診斷性能進行了全面評估。這一步驟不僅驗證了網絡的有效性和準確性，還為后續(xù)改進和優(yōu)化提供了依據(jù)。同時，我們還對診斷結果進行深入分析，以發(fā)現(xiàn)可能存在的問題和改進空間。最后，以正確率、漏報率等指標來評價網絡的性能好壞。

2.2.2 基于概率神經網絡（PNN）的道岔故障診斷

概率神經網絡（PNN）由輸入層、模式層、求和層以及輸出層四部分構成。其簡潔的結構和易于訓練的特性使得它在解決分類問題時表現(xiàn)出色。為了對道岔電流故障數(shù)據(jù)進行深入分析并解決其分類問題，我們構建基于PNN故障診斷模型（圖4）。

（1）樣本集數(shù)據(jù)的獲取

樣本集的獲取過程與BP神經網絡相似，這里不再贅述。所獲取的數(shù)據(jù)將用于構建PNN網絡的訓練集和測試集，以確保網絡能夠得到充分的訓練和驗證。

（2）創(chuàng)建并優(yōu)化平滑因子可變的PNN網絡

在構建PNN網絡時，我們利用Matlab中的newpnn（）函數(shù)，該函數(shù)允許設置平滑因子（SPREAD）作為唯一參數(shù)。平滑因子決定了網絡對輸入數(shù)據(jù)的敏感度，對PNN網絡的性能至關重要。通過多次試驗和驗證，確定了最優(yōu)的平滑因子，以確保PNN網絡在故障診斷中具有相對較高的準確率。

（3）建立并測試最終PNN網絡

再次使用newpnn（）函數(shù)創(chuàng)建最終的PNN網絡，并將最優(yōu)參數(shù)代入網絡中。為了驗證網絡的性能，可利用之前準備的測試集數(shù)據(jù)對網絡進行測試。在測試過程中，統(tǒng)計網絡的正確率、漏報率和虛警率等關鍵指標，并對測試結果進行了詳細分析。這些指標將幫助我們評估PNN網絡在道岔故障診斷中的應用效果，為后續(xù)的改進和優(yōu)化提供依據(jù)。

2.3 基于支持向量機（SVM）的道岔故障診斷

支持向量機（SVM）是一種功能強大的二分類模型，通過引入核函數(shù)，有效地解決了在高維空間中的內積運算問題，具有小樣本量、非線性、高維模式識別和易實現(xiàn)等優(yōu)點，在道岔故障診斷領域得到了廣泛應用。

盡管SVM通常作為二分類器使用，但在實際應用中，道岔故障診斷等問題通常涉及多分類任務。為了應對這些挑戰(zhàn)，可以通過結合多個SVM分類器的方法來實現(xiàn)多分類，如一對一法、一對多法和SVM決策樹法等。這些方法通過構建多個二分類SVM，并根據(jù)它們的輸出結果來綜合判斷樣本的類別，從而解決多分類問題。在道岔故障診斷（圖5）中，這些方法能夠有效地識別不同類型的故障，為維修和保養(yǎng)提供有力的支持。

BP神經網絡中已整理好道岔樣本集，可直接用于SVM故障診斷模型的訓練和測試，利用LIBSVM工具箱來建立SVM模型，分別確定核函數(shù)、最優(yōu)參數(shù)，以此完成最終模型測試。

3 結論

道岔設備的可靠運行是確保鐵路運輸安全的關鍵要素之一。隨著機器學習和人工智能領域的飛速發(fā)展，為道岔故障診斷提供了一種全新的、高效的方法?；跀?shù)據(jù)分析和機器學習的方法，通過對大量歷史數(shù)據(jù)和故障模式的深入分析，能夠快速識別故障發(fā)生的模式，判斷故障類型，提高了故障診斷的準確性和效率。此外，這些智能算法具有自學習和持續(xù)優(yōu)化的特性，使得故障診斷系統(tǒng)能夠不斷適應新的故障類型和情況，保持長期的穩(wěn)定性和可靠性。通過應用先進的機器學習算法和數(shù)據(jù)分析技術，能夠更好地預防和解決道岔設備故障，確保鐵路運輸?shù)捻槙澈桶踩?/p>

基金項目：西安鐵路職業(yè)技術學院院級課題“行車安全驅動的道岔故障特征提取與診斷方法”（XTZY23K14）。

參考文獻：

[1]謝博才，宮殿君.基于機器學習的道岔故障診斷與預測研究綜述[J]．鐵路通信信號工程技術，2021，18（8）：93-99．

[2]胡啟正.基于機器學習的道岔轉轍設備故障智能診斷研究[D].北京：中國鐵道科學研究院，2019.

[3]習家寧.基于機器學習的集中監(jiān)測道岔故障診斷研究與設計[D].北京：北京交通大學，2020.

[4]楊靜.道岔故障診斷方法研究[D].南京：南京理工大學，2017.

[5]劉玲，張西，汪琳娜.故障診斷技術的現(xiàn)狀與發(fā)展[J].電子測試，2016（Z1）：62-63.

[6]趙林海.故障診斷技術及其在軌道電路中的應用[M].北京：北京交通大學出版社，2013.

[7]馬笑瀟.智能故障診斷中的機器學習新理論及其應用研究[D].重慶：重慶大學，2002.