铁路信号设备故障诊断方法综述

1引
言
传统故障诊断方法， 就是信号设备维修人员依 靠设备故障机理的把握程度和经验， 进行现场分析、 判断和处理故障。常用方法有盘面压缩法、 步进电 压法、 逻辑推理法、 优选法、 比较法、 断线法、 校核法、 试验分析法、 观察检法、 代换法等。6502 电气集中 联锁和计算机联锁本身具有一定的设备故障诊断 能力，电路的故障诊断大多数属于非潜伏性故障， 设备故障后， 一般都能通过控制台的各种表示灯状 态， 直接或间接的表示出来。通过不同的操纵试验 方法， 根据控制台的显示， 可确定故障电路的层次， 故障的模块和大致范围。文献 [1] 对 DS6-11 型计算 机联锁设备的一些硬件和软件故障运用以上传统 的故障方法进行了故障处理。解决了硬件故障中 的控制台按钮损坏及连线断线、 按钮采集板损坏和 联锁机光电隔离板损坏等故障和软件故障中的进 站或出站信号机在机车进入信号机内方时应关闭 而不关闭、 列车或调车进路不能排出、 信号不能开 放和道岔不能转换的故障是室内还是室外故障等 问题。文献[2]解决了 TYJL-Ⅱ型计算机联锁系统中 联锁机或执行表机故障、 事故继电器落下、 接口故 障和监视控制机故障的问题。 2.2 信号处理法 信号处理法， 通常利用信号模型， 如相关函数、 频谱、 自回归滑动平均、 小波变换等， 直接分析可测 信号， 提取诸如方差、 幅值、 频率等特征值， 从而检
铁道勘测与设计
[4] [3]
当系统中存在故障时， 系统的输入输出关系就会改 变， 这些变化就会反映在数学模型中， 因而通过观测 系统数学模型的参数变化便能判定系统是否存在故 障。 基于解析模型的故障诊断方法能够深入研究系 统本质的动态性质并进行实时诊断。文献[5]运用基 于电路原理逻辑计算机仿真故障机理分析模型法、 基于模拟量监测数据的故障诊断及趋势预测分析模 型法和基于专家故障处理实际经验知识机理分析模 型法对铁路信号系统的所有控制电路进行了故障诊 断分析。 从而为解决铁路信号设备的复杂故障诊断 维修提供了一个重要的参考。 文献[6]提出了 FMEA/ CA 模型、 故障树分析方法、 事件树分析方法和 Markov 模型对铁路信号计算机联锁系统的具体情况分 析了每种模型的使用情况， 比如 FMEA/CA 模型应 用在部件和模块中、 故障树分析法应用在子系统中、 事件树分析法应用在子系统和集成部件中和 Markov 模型应用在子系统和部件中。但在实际诊断 中， 常常难以构成被诊断对象的精确数学模型， 加上 大型复杂设备的非线性特征， 大大限制了解析模型 诊断法的使用效果和使用范围。 2.4 人工智能故障诊断法 人工智能故障诊断法是利用专家系统、 模糊逻 辑、 人工神经网络等进行诊断以及与其他传统技术 相融合的诊断技术， 并构成以诊断对象进行状态识 别、 故障辨识和状态预测为目的故障智能诊断系统。 （1） 专家控制系统 专家系统是一个具有大量专业知识与经验的 程序系统， 它根据某个领域专家提供的知识和经验 进行推理和判断， 模拟专家的决策过程解决那些需 要专家决策的复杂问题。 专家控制系统的故障诊断技术的优点是适合 用于模拟人的逻辑思维过程， 解决需要进行逻辑推 理的复杂诊断问题； 知识可用显示的符号表示， 在 已知基本规则的情况下， 无需输入大量的细节知识； 便于模块化， 当个别事实发生变化时易于修改； 能 与传统的符号数据进行接口； 能解释自己的推理过 程。将专家系统与铁路信号设备的故障诊断结合 起来， 应用专家的知识提高信号设备故障诊断效率
2 故障诊断方法
根据铁路信号设备故障处理技术的发展， 故障 诊断方法可分为以下四类: 传统故障诊断方法、 基 于信号处理方法、 基于解析模型方法和基于人工智 能故障诊断方法。
49
铁道 勘测与设计
测出故障。信号处理方法的优点是不需要对象的 准确模型， 因此具有很强的适应性。该方法简单且 易于实现。缺点是是其依赖于信号的检测和处理， 因此往往会受信号噪声的影响； 通常只局限于特定 信号诊断某些特定故障， 未能考虑各种故障间的相 互影响， 当诊断对象变得庞大复杂时， 通常需要增 加检验手段和计算量； 诊断系统往往只局限于某一 具体系统或故障的诊断， 很难进行扩充或应用于不 同的对象。 文献 根据地铁 FS-2500 轨道电路 FSK 信号的特点， 在传统的复调制 ZFFT 基础上提出了 基于多相滤波技术的 ZFFT 技术， 并结合近年来数 字信号处理技术的新发展， 把基于多相滤波器的复 调制处理技术引入到 FS-2500 轨道电路 FSK 信号 检测中。信号的检测精度和检测时间得到了很大 程度的提高。 虽然， 目前大多数故障诊断方法都是针对线性 系统提出的， 但比较容易推广到非线性系统。小波 变换技术是这种方法中的热点。基于小波变换的 故障诊断方法无需对象的数学模型， 对输入信号的 要求较低， 计算量较小， 可以进行在线实时故障检 测， 同时灵敏度高， 抗干扰能力强。对于提高系统 灵敏度， 同时降低漏报率。对铁路信号电源供电系 统一旦发生信号电源的停电事故， 会造成信号及道 岔的自动闭锁， 当有列车进出站时， 可能造成冒进 信号等事故的问题文献 针对铁路 10 kV 信号电源 供电系统的特点， 提出了一种基于小波变换的外加 电压脉冲式行波测距法。通过对单端注入的行波 进行小波变换，根据波形特征、 模极大值出现的特 点、波形奇异点的变化等判断故障线路和故障点， 实现准确故障选线和测距， 并针对行波在铁路供电 系统的架空线和电缆线中波阻抗不同， 行波往返回 路不同而影响波速度参数选取等问题， 提出了相关 算法及解决方法。 2.3 解析模型法 解析模型法， 是在建立诊断对象精确数学模型 的基础上， 运用数理统计、 解析函数等数学方法， 对 被测信息进行处理诊断。 基于解析模型的方法应用 在线系统辨识技术来实时地为系统建立数学模型， 50
铁道勘测与设计
铁路信号设备是组织指挥列车运行， 提高运输 效率， 改善行车人员劳动条件的重要设施， 同时也是 保障铁路运输安全的关键所在。 所以当信号设备出 现故障时， 如何准确的、 及时地判断故障部位， 并快 速、 顺利地排除故障就成为一项重要的研究课题。 造成铁路信号设备故障的原因错综复杂， 比如有设 备失修发生的故障、 产品质量问题发生的故障、 也有 维修、 施工以及使用操作中人为造成的故障等； 在分 析、 处理故障时， 依赖设备维修人员对设备故障处理 的经验外， 由于人工智能技术善于模拟人类处理问 题的过程并具有一定的学习能力等特点在铁路信号 设备故障诊断这一领域得到了广泛的应用。 本文将 对铁路信号设备故障诊断中应用的故障诊断的基本 方法的概念做简要的介绍， 并对文献中提出的相应 方法进行文献评述， 分析它们在铁路信号故障诊断 中的应用的特点以及存在的主要问题。
铁道勘测与设计
铁道 勘测与设计
的并行处理反馈来的不同方面的故障信息， 具有训 练速度快、 扩展性强、 鲁棒性强、 实时诊断等优点。 在故障诊断方面应用最多的网络类型仍然是 多层前馈神经网络， 如 BP 网络， RBF 网络。但是， 由于 BP 算法在迭代时采用梯度下降法， 存在着收 敛慢， 振荡和局部极小的问题， 针对 BP 算法存在的 问题， 有人研究将无监督算法用于故障诊断问题。 如 ART2 模型。文献[15] 采用 Dempster-Shafer 理论 来表示局部的神经网络或决策树的输出， 结合这个 输出诊断和定位系统的故障， 解决了铁路轨道电路 中的故障诊断和隔离问题。 文献[16]将遗传算法引入 到轨道电路的故障诊断领域， 利用机车信号的实际 记录数据能够对无绝缘轨道电路中多个补偿电容 故障以及道岔电阻波动等情况作出正确的综合评 判， 从而弥补了目前检测方法的不足。
源自文库
铁路信号设备故障诊断方法综述
冷
娜
技 术 应 用 研 究
和可靠性。 文献[7] 对铁路信号设备故障的特点进行 了分析， 介绍了信号故障诊断专家系统的主要特 点、 系统要求、 一般结构和信号设备故障具有多样 性和复杂性需要解决的问题。并提出信号故障诊 断专家系统在信号维修保障领域具有广泛的研究 和应用前景。 文献 基于我国车站微机监测的实际， 提出了有知识获取子系统、 设备状态监测数据导入、 知识库子系统和综合数据库子系统等功能模块构 成的系统总体开发结构， 采用人工智能和专家系统 的方法， 对车站信号控制设备故障诊断专家系统的 开发与实现方法进行了探讨。 但是专家系统的缺点是存在知识获取困难、 知 识台阶窄、 智能水平低等缺点。针对铁路车站微机 联锁这种规模大、 复杂、 逻辑控制等特点的系统， 文 献 将专家系统与故障树技术有机地结合起来， 建 立基于故障树的专家系统知识库， 能够克服基于产 生式规则的诊断专家系统最突出的弱点--知识获取 的 “瓶颈” ， 保证诊断知识的完整性， 同时也充分发 挥专家系统故障诊断快速有效的特点。 文献 采用 专家系统的方法对车站信号电路故障进行诊断和 处理。通过故障树的简化使生成的知识库尽可能 地简化， 降低冗余， 便于故障推理的进行， 提高了系 统的使用性。 （2） 模糊逻辑方法 模糊性是由于事物在质上没有确切的含义， 在 量上没有明确的界限而表现出的一种属性。 美国自 控论学者 L. A. Zadeh 于 1965 年提出了模糊集合论 以来创立的模糊数学就是用来研究这种模糊性。 1985 年日本首次将模糊控制技术成功地应用于地 铁列车自动控制， 实现了无人驾驶。之后法国、 德 国、 澳大利亚等国也相继开展了模糊控制在地铁自 动化方面的应用研究。 由于模糊逻辑具有较强的结 构性知识表达能力， 适于表达模糊或定性的知识， 推 理过程比较接近于人的思维模式， 同时模糊分类可 以直对专家用语言描述的事件， 关联的关系进行编 码， 易追踪其推理过程， 因此将模糊理论引入故障诊 断领域是一种必然的趋势。文献 [11] 对 6502 电气集 中联锁设备中各个道岔继电器是否闭合、 信号灯是
[10] [9] [8]
否点亮等相关开关量和不同灯泡间电压值多少的 模拟量结合基于规则的推理和基于事例的推理可 以快速确定故障点， 并得到合理有效的诊断结果。 模糊语言变量接近自然语言， 知识的表示课读 性强， 模糊推理逻辑严谨， 类似人类思维过程， 易于 解释。但是， 模糊诊断知识获取困难， 尤其是故障 与征兆的模糊关系较难确定， 且系统的诊断能力依 赖模糊知识库， 学习能力差， 容易发生漏诊或误诊， 可以将人工神经网络方法与模糊逻辑方法结合起 来， 实现故障诊断系统对不精确或不确定等模糊信 息的处理， 克服传统神经网络不能很好处理边界分 类模糊数据及故障误诊问题， 同时使得基于规则的 结构性知识能够得到学习和调整。文献 [12] 针对系 统原型进行分析， 以基于规则和判定树概念的知识 表示方法和模糊规则的推理方法等进行分析究。 由 于铁路设备处理的层次性， 导致设备与设备之间存 在故障上的关联性， 这种关联性最直接的表现形式 就是树状关联， 根据这一特性， 在专家系统中将设 备故障处理信息以树状的形式存入知识库中。文 献[13]对于铁路中机车电路这样一个庞大、 复杂的系 统提出了将神经网络理论和模糊理论与专家系统 相结合进行机车故障诊断，解决了知识获取困难、 推理中常见的 “匹配冲突” 、 “组合爆炸” 及 “无穷递 归” 使推理速度慢， 效率低的问题。 （3） 人工神经网络方法 人工神经网络是一种通过模拟人脑结构来模 拟人脑处理信息功能从而求解的复杂问题方法。 目 前， 人工神经网络方法在设备故障诊断领域的应用 主要集中在两个方面： 一是神经网络作为分类器进 行故障模式识别； 二是神经网络作为动态预测模型 进行故障预测。 人工神经网络的优点是避免了专家系统所面临 的知识库构建等难题， 且推理速度与规模大小无明 显的关系， 并具有一定的泛化能力； 具有一定的容错 能力； 各个神经元之间的计算具有相对独立性， 便于 并行处理， 因此诊断速度较快。文献[14] 通过基于信 息融合技术的集成神经网络来实现对故障环境复杂 的铁路道岔系统进行故障诊断， 该方法能快速、 有效 51
铁路信号设备故障诊断方法综述
冷
娜
技 术 应 用 研 究
铁路信号设备故障诊断方法综述
冷 娜
（中铁第四勘察设计院集团有限公司通号处 武汉 430063）
【摘 要】 铁路信号设备在保证行车安全、 提高运输效率、 传递行车信息和改善行车人员劳动条件等方面 起到了显著的作用。 针对铁路信号设备故障诊断中应用的传统故障诊断方法、 基于信号处理方法、 解析模 型方法和人工智能故障诊断方法， 进行概念简介、 文献评述， 分析它们在铁路信号设备故障诊断中应用的 特点以及存在的主要问题。 【关键词】 铁路信号设备 故障诊断 信号处理法 解析模型法 人工智能故障诊断法 2.1 传统故障诊断方法