基于BP神经网络的轨道电路故障诊断

基于BP神经网络的轨道电路故障诊断
曹雲梦;边冰;张天奇
【摘要】针对高压脉冲轨道电路的故障预测问题,利用BP神经网络模型结构简单、非线性拟合能力强、容错性能良好等特点,构造了一种基于BP神经网络的高压脉冲轨道电路的故障诊断系统.该系统将直接构造出轨道电路发码器电压波峰峰值等相
关参量与轨道电路相关故障的非线性映射关系,继而实现对轨道电路有关故障的识
别分类.经分析研究表明,采取BP神经网络模型处理轨道电路故障,相比传统预测故
障的方法不仅切实可行而且更加高率.
【期刊名称】《河北联合大学学报（自然科学版）》
【年(卷),期】2018(040)001
【总页数】5页(P78-82)
【关键词】轨道电路;BP神经网络;故障诊断
【作者】曹雲梦;边冰;张天奇
【作者单位】华北理工大学电气工程学院,河北唐山 063210;华北理工大学电气
工程学院,河北唐山 063210;华北理工大学电气工程学院,河北唐山 063210
【正文语种】中文
【中图分类】TP212.9
在铁路信号系统中，轨道电路故障不仅会给系统运输效率造成严重的影响，甚至可能引发铁路行车事故。

以铁路线路的2条钢轨作为导体，在钢轨的两端加以电气
绝缘，用引接线连接其他设备，构成电气回路。

当列车在线路上时，2条钢轨轨道
被列车的轮对所短路，在车站的计算机显示终端会显示为红色，为轨道电路的分路状态，指示车辆位置。

轨道电路故障分为红光带故障和分路不良2类。

红光带故
障是指铁路线路上没有列车行驶、停靠，但车站计算机显示终端显示线路有车，即车站显示终端相应轨道区段出现红色光带；分路不良是指铁路线路上有列车行驶、停靠，但车站的显示终端相应的轨道区段并没有出现表示列车占用的红色光带或未可靠显示，即红光带未出现。

高压脉冲轨道电路基本原理是将不对称的脉冲信号周期性地送至轨道电路，利用高压击穿钢轨表面因锈蚀、油污、撒沙等原因造成的不良导电层，轨道电路正常分路。

因此，高压脉冲轨道电路比其他类型轨道电路能更好地预防解决分路不良问题。

轨道电路故障的成因错综复杂，如电源电压的变化、设备故障及轨道的各项参数改变等。

在实际的现场人工维修诊断时，首先通过观察故障现象，使用万用表等仪表依次测量相关区段的各类参数，根据故障参数与正常时数值的对比和人工经验对轨道故障做出判断，再实施维修。

如果仅依靠个人的经验判断结论出现失误，则必定重新进行诊断。

这需要信号维修人员有丰富的故障处理经验和较高的技术水平，但是在现场工作中，维修人员的水平不尽相同，难以达到要求，造成维修效率不高，甚至由于维修人员的失误造成行车事故的案例也比比皆是，因此构建一个稳定的轨道电路故障诊断系统具有重要意义[1,2]。

采用BP神经网络，以高压脉冲轨道电路为研究对象进行故障诊断。

BP神经网络
具有多维函数映射能力，它的最大特点是只借助样本数据实现对系统的非线性映射，是一种处理不确定性、非线性问题基础而有力的工具。

高压脉冲轨道电路的发送端将能够产生瞬时最大功率接近万瓦(100 V、100 A)的
脉冲信号输送到钢轨上，达到瞬间击穿因锈蚀、污损等各种原因在钢轨表面造成的不良导电层的目的，从而能够大幅度降低钢轨和轮对的接触电阻，使轨道分路良好，清除行车安全隐患。

经过几代的发展，现在电子的高压脉冲轨道电路已投入到实际
应用中，其主要由脉冲发送设备、传输设备、脉冲通道、脉冲接收设备组成，如图1所示。

轨道电路中电源屏输出25 Hz、220 V(或50 Hz、220 V)交流电，此为电源电压。

轨道电源电压通过电缆输送到室外多特征脉冲发码器，经脉冲发码器进行变压变频，它的脉冲频率值可选择3.25 Hz、3.50 Hz、3.75 Hz、4.00 Hz，能够设置输出峰
头电压值200 V、300 V、400 V、500 V共4级的脉冲电压，通过跳线选择频率
和电压的档位，产生的脉冲为高压脉冲。

高压脉冲信号分为正脉冲部分和负脉冲部分，脉冲正值部分的幅值，远大于脉冲负值部分的，同时脉冲正值部分存在的时间远小于负值部分，正因为比其他类型的轨道电路的脉冲幅值高，所以称为“高压”脉冲。

脉冲特征图形如图2所示。

送端的多特征脉冲发码器输出的头尾电压不同的脉冲信号经过变压器传输到轨面，通过钢轨后，经过受端的扼流变压器将脉冲信号传递给译码器，译码器将信号解调后产生2个(头、尾)直流信号，供给差动继电器工作。

差动继电器的导通电压为头DC 27 V、尾DC 19 V，继电器断开电压值为头DC 13.5 V、尾DC 9.5 V。

在轨
道电路空闲时，译码器解调输出的头、尾电压高于继电器导通值，轨道电路导通；分路状态时(有车在线路上)，译码器输出的头、尾电压小于差动继电器的释放值，轨道电路可靠分路[3]。

轨道电路中，电流通过钢轨，会受到钢轨阻抗和道床电阻的影响。

道床电阻指2
根轨条在单位公里长度内的漏泄电阻，又称道砟电阻。

它的单位是Ω·km，即欧·千米。

道砟材料、道砟层的高度、轨枕的材料以及天气情况等很多因素都会影
响道床电阻，现场的道床电阻值不可测量。

在同一轨道电路中，电流频率越大，道床电阻越小。

钢轨阻抗指每千米的2根轨条(回路)的阻抗[4]。

单位为Ω·km。

钢轨阻抗包含钢轨自身阻抗和钢轨连接处阻抗，交流电信号通过时，在钢轨及轨端接续线内部和周围空间内都会产生磁场，随着电流频率的增大，电路中感抗变大，阻抗
值也变大。

综上所述，当交流电通过轨道电路时，电流电压值会随着时间和空间的改变而发生变化。

钢轨传输通道模型则可以认为是电感、电容和电阻的混联电路。

轨道电路是一个多输入、多输出、非线性强耦合的复杂系统，故障检测难度较高，因此，采用神经网络进行故障诊断更加高效。

BP神经网络有着良好的非线性映射能力、泛化能力和容错能力，能够根据输入数
据特征不断调节系统参数，改进系统品质，从而在各类问题上应用广泛。

在MATLAB中使用神经网络工具箱(nntraintool)构建网络模型，实现基于BP神经
网络的高压脉冲轨道电路的故障诊断。

BP神经网络的基本结构如图3所示。

已知发送端波头峰值电压，即发码器产生的高压脉冲信号波峰的峰值，发送端轨面电压，即送端输出到钢轨的电压，受端轨面电压，即受端从钢轨接收到的电压、接收端波头峰值电压，即脉冲信号经过接收端变压器变压后的波头峰值，发送频率，即发码器选定的输出频率这5个参数，用MATLAB软件的神经网络工具(mapminmax)对5个参数数据进行归一化后，在正常调整状态下且发送电平级为200时，某一组数据的归一化结果如表1所示。

经过分析，其中发送端波头峰值电压Uf 、接收端波头峰值电压Us 、发送频率f
与常见的故障密切相关，在电路正常工作的情况下，发送端波头峰值电压越大，则接收端波头峰值电压越大，发送频率越小，则轨道电路的功耗越小。

构建3层的BP神经网络系统，输入层神经元数为3个(Uf 、Us 和f)：输出层神经元数为4个，输出参数分别为：工作电源电压过高、工作电源电压过低、道床电阻过小、送端变压器故障(Ⅱ次侧电压过高或过低，可能为室外箱盒端子短接)。

故障输出参数如表
2所示。

根据BP神经网络处理分类问题的要求，将故障数据输出设为1，非故障数据输出设为0，如表3所示。

BP神经网络隐含层节点太少，会导致网络结构过于简单，不能有效准确地映射关系，网络误差过大；相反若隐含层节点数太多，虽然能够建立有效准确的映射关系，但是网络结构过于复杂，不仅造成网络训练诊断时间长，甚至出现“过拟合”现象，即训练样本预测准确，但是其余样本误差比较大[5]。

常用的选择隐含层节点数参考公式：
:隐含层节点数；:输入层神经元数；:输出层神经元数；。

已知输入层和输出层神经元的个数，通过公式法可以先确定隐含层节点数取值的范围，再通过仿真试凑最终确定隐含层节点数为9[6]。

最大训练次数设置为500，训练步长为10，训练阶段的学习率为0.1，目标误差
为0.01。

选取故障数据60组，从中选定40组样本数据为训练样本集，20组样本数据为测试集。

对BP神经网络进行仿真测试。

仿真结果图4所示。

调用训练好的神经网络对检验样本进行仿真，以工作电源电压过高故障为例，网络的预测结果与检验样本期望输出的结果见表4。

输出0表示没有出现故障，1表示发生故障，经过训练的神经网络的输出比较接近样本期望的输出，可以对轨道电路的故障类别准确预报。

当神经网络的训练效果比较满意，能够满足训练要求时，保存训练好的神经网络，MATLAB会自动将该网络的权值、阈值及各参数进行记录并保存，以后可以方便
地调用保存后的神经网络进行仿真[7,8]。

根据仿真结果可以看到，BP神经网络经过201次训练，误差精度满足要求，且收敛速度较快，预测正确率为100%。

经过训练的BP神经网络可以实现对高压脉冲轨道电路进行故障诊断目的。

(1)BP神经网络模型在轨道电路故障诊断中比传统方法具有更好的快速性、稳定性、
准确性。

当在神经网络中输入训练样本以外的其他数据时，网络会迅速准确地对故障点做出预报，泛化性能良好。

(2)利用BP神经网络实现对轨道电路故障诊断具有推广价值。

从现场提取的大量数据对神经网络进行训练，进一步对神经网络进行完善，保证网络诊断的准确性，实现轨道电路设备的健康化管理。

【相关文献】
[1] 王小川，史封，郁磊，等.MATLAB神经网络43个案例分析[M]. 北京:北京航空航天大学出版社，2013.
[2] 杨润霞. 25Hz相敏轨道电路故障诊断系统的研究与设计[D]. 兰州：兰州交通大学,2014.
[3] 齐华. 25Hz相敏轨道电路的计算和仿真[J]. 电气化铁道, 2016, 27(2): 44-46.
[4] 黄达志. 轨道电路一次参数及维护管理[J]. 中国铁路, 2015，25(2):35-37.
[5] 周品. MATLAB神经网络设计与应用[M]. 北京：清华大学出版社, 2013.
[6] 边冰, 刘奇, 何浩. 基于LVQ神经网络的煤自然发火预测系统[J]. 华北理工大学学报:自然科学版, 2017, 39(1):12-16.
[7] 魏秀颖. 基于神经网络的ZPW-2000A无绝缘轨道电路故障诊断方法的研究[D]. 成都：西南交通大学, 2015.
[8] 王萌. 基于模糊神经网络的高压不对称脉冲轨道电路故障诊断[D]. 北京：北京交通大学, 2016.。