基于人工智能的ZPW-2000A轨道电路故障诊断方法研究

文武臣

（北京中铁建电气化设计研究院有限公司，北京 100043）

1 概述

随着当今国内铁路建设的高速发展，信号设备的正常运行在铁路运输中起到了重要作用。作为一种处于国际先进水平的ZPW-2000A轨道电路，以其可靠性高、传输长度长，具备铁路扩能、提速和提效显著等优点，在我国铁路建设中广泛应用。但是目前其日常检修与维护工作仍然以人工为主，主要依赖于维修人员的技术水平和工作经验。因而研究怎样实时正确地判定ZPW-2000A轨道电路故障点，并迅速高效地对其维修，对铁路设备安全运行具有重大而深远的意义。人工智能作为利用计算机模拟人类思维过程和智能行为的一门学科，可以代替人脑且更有效地工作，从而将人类从繁重的科学和工程计算工作中解放出来。基于人工智能的此种特性，本文采取其几种技术理论对ZPW-2000A轨道电路故障诊断的方法进行探讨。

2 ZPW-2000A轨道电路常见故障

根据以往对现场故障诊断的分析和判断，可以将ZPW-2000A轨道电路的故障类别分为两种：一种是红光带故障，即当轨道电路实际状态为空闲时，由于某种原因导致轨道继电器无法可靠吸起，从而在控制台显示轨道电路被占用的现象；另一种是分路不良故障，即当轨道电路实际状态为占用时，由于某种原因导致控制台未显示或未可靠显示轨道电路被占用的现象。

根据ZPW-2000A轨道电路的系统结构，将其故障类别分为室内设备故障和室外设备故障，其宏观故障树模型及故障模式如图1所示。

图1 ZPW-2000A轨道电路系统宏观故障树模型Fig.1 Macro fault tree model of ZPW-2000A track circuit system

3 人工智能理论

3.1 专家系统

作为一种计算机系统，专家系统能够存储专家知识并运用其进行问题求解。通常专家系统的结构如图2所示，主要包括：存储专家知识的知识库，运用专家知识进行推理的推理机，用于存放数据的数据库，实现用户与系统交流的人机接口、解释程序和知识获取程序。

图2 专家系统的结构Fig.2 Expert system structure

3.2 人工神经网络

人工神经网络是一种对动物神经结构特征进行模仿的人工系统，可以利用物理器件系统或计算机实现对人脑结构及功能的模拟。作为一种计算模型，该网络以神经元为处理信息的基本单元，将大量神经元广泛互联，并将它们之间的连接弧作为信息传递通道，能够对信息进行分布式存储、并行处理，从而在一定程度上模拟人脑生物神经系统的工作，并且具有容错性好、自适应性强和自学习能力强的优越性能。其结构主要有层状结构和网状结构。

3.3 模糊理论

人类大脑中存储的大部分知识和经验并没有明确清晰的边界，而是以模糊信息集合的形式存在的。作为人类语言的特有形态，模糊信息无法被计算机直接识别，而模糊理论利用模糊逻辑系统，可以将这些模糊信息转化成计算机能够接受的形式，从而使其能够被模拟人类大脑的计算机所识别、描述、处理、分析和判断。

模糊理论的主要概念包括模糊逻辑、模糊算子、模糊集合及其隶属函数。模糊集合由隶属函数求得，采用隶属度的概念来定量描述元素与集合之间的隶属关系。模糊算子是模糊集合之间的运算算子。

模糊逻辑系统可以对模糊信息进行有效的处理，它是在模糊概念和模糊逻辑的理论基础上构建的，其一般结构如图3所示。

图3 模糊逻辑系统一般结构Fig.3 General structure of fuzzy logic system

模糊逻辑系统构建的一般步骤是：分别确定输入量集合和输出量集合；确定输入变量、输出变量的模糊取值及对应的隶属函数；建立模糊规则库；确定模糊算子；确定模糊推理算法；确定去模糊化算法；利用硬件或软件方法进行系统的具体实现。

4 基于人工智能的ZPW-2000A轨道电路故障诊断

4.1 专家系统在轨道电路故障诊断中的应用

专家经过大量研究工作成功排除某次轨道电路故障后，将获取的知识存入故障诊断专家系统的知识库。当同样的故障现象发生在另一时间其他地点，即使该专家不在现场，利用专家系统也能很快地排除该故障，从而大大缩短了轨道电路故障排除时间，提高维修效率。结合现场运营使用单位的意见，发现常见的ZPW-2000A轨道电路故障及可能出现的故障点主要有以下几个方面。

1）发送器故障

ZPW-2000A轨道电路发送器故障专家系统判别如表1所示。

表1 ZPW-2000A轨道电路发送器故障专家系统判别Tab.1 Discrimination of ZPW-2000A track circuit transmitter fault expert system

2）接收器故障

ZPW-2000A轨道电路接收器故障专家系统判别如表2所示。

表2 ZPW-2000A轨道电路接收器故障专家系统判别Tab.2 Discrimination of ZPW-2000A track circuit receiver fault expert system

以上两种故障形式均属于ZPW-2000A轨道电路有报警故障，故障发生时可以通过行车控制台的声光报警及时通知到运营使用单位。由于发送器和接收器均为冗余设计，系统正常工作可能不被中断，不至于影响行车安全。

ZPW-2000A轨道电路故障诊断转接系统对于无故障报警的诊断与维修，需要结合各个铁路局已经掌握的现场经验，通过对设备故障机理的了解，遵循信号传输路径的规律，先判断出故障发生的范围，把现场的实测数据与电务部门日常维护积累的经验数据值和电气设备的标准性能数据进行比对，进而进行故障的精准定位和迅速排查。

除此之外，在引入相似度计算方法后，可以在传统的专家系统中增加案例推理功能，以便在案例库中搜寻、推理出匹配度最高的源案例并将其推荐给用户。同时把案例学习或修正后的诊断结果作为新的故障案例存储到案例库中，从而扩大知识库。基于案例推理的ZPW-2000A轨道电路故障诊断专家系统结构如图4所示。

图4 基于案例推理的ZPW-2000A轨道电路故障诊断专家系统结构Fig.4 Structure diagram of ZPW-2000A track circuit fault diagnosis expert system based on CBR

4.2 基于模糊神经网络的故障诊断方法

作为一种混合智能处理方法，模糊神经网络可以将模糊逻辑系统和人工神经网络结合起来，在处理模糊性和非线性等问题上具备强大的优越性。以模糊神经网络为依据，对故障诊断进行设计的整体思路如图5所示。

图5 故障诊断方法总体设计思路框Fig.5 Block diagram of the overall design idea of the fault diagnosis method

设计步骤如下。

FTA定性分析：通过对轨道电路系统工作原理的研究和对常见设备故障的调查分析，以室内和室外为故障分类依据，搭建 ZPW-2000A轨道电路系统故障树模型，分别把红光带故障和分路不良作为顶事件，依据故障树理论逐层分析，按照逻辑关系构建 ZPW-2000A轨道电路红光带故障树模型和分路不良故障树模型，并根据故障树结构，利用下行法求得最小割集；“红光带故障”的结构函数用P1表示，“分路不良故障”的结构函数用P2表示， ZPW-2000A轨道电路系统故障结构函数用P表示，P=P1+P2。

FTA定量分析：统计底事件的发生次数，进而求得底事件的发生概率，而后依据底事件发生概率自下而上计算得出顶事件的发生概率，并利用 Fussell算法进行分析计算，得到最小割集重要度；从分析出来的结构函数P可以得出一、二、三阶最小割集。P=X2+X3+X4+X5X6+X7X8+X9+X10+X10X11+X12X13+X14X15X16（Xi表示引起“红光带”和“分路不良”故障的最底层事件），其中一阶最小割集属于单点故障，比二阶和三阶最小割集显得更为重要，必须做重点防护。

对故障树进行分析，研究故障诊断的输出并对其模式进行总结，进而归纳汇总，得出故障诊断的规则，并对各个模糊神经子网络的输入、输出模式进行验证；根据所列的最小割集逐一制定对策，从而降低ZPW-2000轨道电路故障率。针对不同的底事件制定相应的解决方案，解决方案主要分为3类：一是进行设备改造，彻底根治设备隐患；二是制定防控机制或手段减低设备故障发生；三是采取措施减低设备故障后的影响。

以故障树的分析结果为依据，搭建故障诊断系统平台，构建其系统结构，并对模糊神经网络模型进行整体设计；神经网络系统分为并联和串联两种网络系统。可以根据需要开发出登陆界面：数据输入模块、数据处理模块、数据查询模块，数据存储模块及其他扩展模块。

以故障诊断对象为基础，创建模糊隶属度函数，对函数参数进行设定，调整相应的网络权值以适应系统环境，从而确立故障诊断模型。

将实测数据输入到故障诊断系统模型中，经过一系列运算得到的输出即为轨道电路故障的诊断结果，可以得到诊断报告和故障解决方案。

5 总结

目前人工智能已被提升到国家发展战略的高度，本文研究了将专家系统、人工神经网络、模糊逻辑系统等人工智能技术应用到 ZPW-2000A轨道电路故障诊断中的几种方案。这些应用可以极大地提高故障诊断的准确性和时效性，对于提高轨道电路维修效率和行车效率具有重大而深远的意义。如果将以上几种技术相互结合起来，能够更好地发挥各自的优势，弥补各自存在的问题，为信号设备智能运维系统的健康有序发展，提供技术解决方案。