陳姝姝，田慕琴，宋建成

(太原理工大學 礦用智能電器技術國家地方聯(lián)合工程實驗室，煤礦電氣設備與智能控制山西省重點實驗室，太原 030024)

近年來，中國高鐵發(fā)展迅速，需要保證鐵路設備的安全、穩(wěn)定運行。ZPW-2000A軌道電路是以鐵路線路的兩根鋼軌作為導體，并用引接線連接信號電源和接收設備所構成的電氣回路，其軌道內(nèi)傳輸?shù)氖且祁l信號。由于軌道電路運營條件的復雜性，實際中發(fā)生故障的概率較大。目前，鐵路部門已建成了鐵路信號集中監(jiān)測系統(tǒng)，實時監(jiān)測軌道電路的電氣性能和運行狀態(tài)，實現(xiàn)了“狀態(tài)修”[1]。但是鐵路信號集中監(jiān)測系統(tǒng)缺少對室外軌旁設備電特性的監(jiān)測，難以全面準確地反映移頻軌道電路的真實運行狀態(tài)[2]。

國內(nèi)外在軌道電路故障診斷方面的研究特點是：結合傳感器技術、信號處理技術、人工智能及計算機技術，將故障機理分析、故障特征信號提取以及故障診斷的研究成果應用到綜合系統(tǒng)中。TIM et al[3]通過長短期記憶(LSTM)遞歸神經(jīng)網(wǎng)絡來學習軌道電路的各測量信號的時空依賴關系，從而實現(xiàn)軌道電路的故障診斷；段成波[4]綜合運用支持向量回歸、灰色模型、神經(jīng)網(wǎng)絡等方法，預測軌道電路的軌出電壓，依此預判軌道電路故障。然而目前仍然存在一些問題，實際導致軌道電路故障的原因很復雜，具有明顯的模糊性和不確定性；軌道電路發(fā)生故障時的大量有效信息未得到有效利用。

針對以上問題，提出了通過移頻信號來反映ZPW-2000A軌道電路狀態(tài)的方法。將功率譜熵和幅值下降比作為故障特征量，輸入到建立好的ANFIS故障診斷模型中，對軌道電路的幾種典型故障進行識別診斷。以此作為鐵路信號集中監(jiān)測系統(tǒng)室外監(jiān)測的補充。

1 煤礦移頻信號的功率譜熵

1.1 移頻信號

ZPW-2000A軌道電路內(nèi)傳輸?shù)男盘柺且环N移頻信號，其時域表達式為：

(1)

式中：A，fc，Δfp，g(t)，φ0分別為移頻信號的振幅、載頻、頻偏、低頻調(diào)制信號和初始相位。表1為ZPW-2000A移頻信號頻率參數(shù)表[5]。

表1 ZPW-2000A移頻信號頻率參數(shù)表Table 1 Frequency table of ZPW-2000A FSK Hz

1.2 功率譜熵

(2)

功率譜熵的計算過程如下：先通過FFT變換得到信號的功率譜，再計算其信息熵得到功率譜熵。

(3)

根據(jù)信息熵式(2)可以得到功率譜熵的公式(記作Hω，ω為頻域)[7]：

(4)

功率譜熵可表征鐵路移頻信號的頻譜結構。 移頻信號的能量在頻率上分布越均勻，信號就越復雜，不確定度越大，譜熵也就越大[8]。

圖1為某一類型軌道電路(載頻1 700 Hz，低頻10.3 Hz)正常狀態(tài)時的功率譜圖，計算其功率譜熵值為0.99.對其余頻率配置時的軌道移頻信號均求取其功率譜熵，可繪制出如圖2所示的變化曲線。

圖1 軌道移頻信號的功率譜圖Fig.1 Power spectrum of track FSK

圖2 不同頻率時的功率譜熵Fig.2 PSE curves at different frequencies

如圖2所示，功率譜熵與低頻調(diào)制頻率有關，低頻調(diào)制頻率越大，譜線分布越集中，功率譜熵越小；而與載頻幾乎沒有關系。對于軌道電路故障診斷，可以根據(jù)表征軌道電路狀態(tài)的功率譜熵大小判斷是否存在故障[8]。

圖3為根據(jù)現(xiàn)場測回的移頻信號數(shù)據(jù)所得的軌道電路處于不同故障狀態(tài)時的功率譜圖。由圖可看出，軌端絕緣不良對移頻信號功率譜圖造成的波形畸變最為嚴重。

圖3 軌道電路不同故障狀態(tài)時的移頻信號功率譜圖Fig.3 Power spectrum of FSK under different fault states of track circuit

在軌道電路典型故障條件下，計算出的功率譜熵對于任何一種故障都有一定的分布范圍。表2為根據(jù)鐵路現(xiàn)場監(jiān)測數(shù)據(jù)計算所得的軌道電路處于不同狀態(tài)時的功率譜熵分布區(qū)間。

表2 軌道電路不同狀態(tài)時的功率譜熵分布區(qū)間Table 2 Frequency table of ZPW-2000A FSK

然而，僅僅使用功率譜熵來診斷軌道電路的故障并不理想。如果未知故障類型的功率譜熵為1.26，則很難判斷故障屬于哪個狀態(tài)[8]。因此，本文增加自適應神經(jīng)模糊推理系統(tǒng)(ANFIS)，綜合時域的幅值下降比、功率譜熵兩種特征值，對軌道電路故障進行診斷。

2 ANFIS診斷模型

2.1 ANFIS概述

自適應神經(jīng)模糊推理系統(tǒng)，簡稱ANFIS，它將神經(jīng)網(wǎng)絡的學習算法與模糊推理的簡潔形式相結合，通過從訓練數(shù)據(jù)集中學習產(chǎn)生數(shù)值解。 因此，該模型不僅具有學習機制，而且具有模糊系統(tǒng)語言推理的優(yōu)點[9]。

ANFIS結構有5層。假設模糊推理系統(tǒng)有兩個輸入，分別是x和y，輸出是f，兩者都是可用的數(shù)據(jù)對。網(wǎng)絡中同一層中的每個節(jié)點均具有相似的功能；其中，O1,i表示第一層輸出的第i個節(jié)點，其它依此類推。

第一層：模糊化層，對輸入?yún)?shù)進行選擇、模糊化。該層用節(jié)點函數(shù)表示的方形節(jié)點表示每個節(jié)點i，如下[10]：

O1,i=uAi(x),i=1,2 ;

(5)

O1,i=uBi-2(y),i=3,4 .

(6)

式中：Ai和Bi-2是語言變量，與節(jié)點功能相關，如“高”和“低”、“大”和“小”等等；或者說O1,i是模糊集A(A=A1,A2,B1,B2)的隸屬度函數(shù)[11]，通常可以選用鐘型函數(shù)：

(7)

式中：{ai,bi,ci}是隸屬函數(shù)參數(shù)集。另外，梯形隸屬函數(shù)(trapmf)、三角隸屬函數(shù)(trimf)等均為常見的模糊化函數(shù)。該部分的參數(shù)集稱為前件參數(shù)集[12]。

第二層：與運算層，計算模糊規(guī)則的激勵強度。把兩個輸入信號的隸屬度相乘，得到輸出為：

O2,i=wi=uAi(x)uBi(y),i=1,2 .

(8)

第三層：歸一化層。其公式為第i個節(jié)點的第i條規(guī)則wi與所有規(guī)則w之和計算得到的比值：

(9)

第四層：結論層。第i層的每個節(jié)點均為自適應節(jié)點，其輸出為[10]：

(10)

第五層：去模糊化層。此層的單個節(jié)點是固定節(jié)點，將全部輸入信號的總輸出計算為[12]：

(11)

2.2 基于PSE-ANFIS的故障診斷模型

基于PSE-ANFIS的軌道電路故障診斷方法是采集軌道電路不同健康狀態(tài)時的移頻信號數(shù)據(jù)；提取故障數(shù)據(jù)特征，以此作為ANFIS故障分類器的訓練樣本、測試樣本；最后，建立ANFIS 故障診斷模型，識別出軌道電路的故障模式，并輸出最終的診斷結果[8]。其故障診斷模型如圖4所示。

圖4 基于PSE-ANFIS的診斷模型Fig.4 Diagnosis model based on PSE-ANFIS

3 軌道電路故障診斷系統(tǒng)

3.1 系統(tǒng)軟件設計

以LabVIEW虛擬儀器為平臺，通過Matlab與LabVIEW聯(lián)合編程，采用模塊化的設計方法，設計了在線監(jiān)測、特征提取、故障診斷、安全預警、數(shù)據(jù)存儲5個模塊[5]。

3.1.1 特征提取模塊

軌道電路故障時較正常狀態(tài)時的移頻信號幅值、功率譜熵均會出現(xiàn)一定的變化。因此本模塊中主要對這兩種特征量進行特征提取。

圖5為特征提取模塊的程序框圖。

圖5 特征提取模塊程序框圖Fig.5 Block diagram of feature extraction module

3.1.2 故障診斷模塊

本文中的ANFIS模型為二輸入單輸出的結構。從鐵路電務段收集軌道電路不同故障時的數(shù)據(jù)，每種故障狀態(tài)100組數(shù)據(jù)，對數(shù)據(jù)進行處理，構成三維向量集[H1H2H3]，其中H1是“時域幅值較正常時的下降比”構成的向量，為輸入向量；H2是“移頻信號功率譜熵”構成的向量，也為輸入向量；H3是“軌道電路狀態(tài)編碼”構成的向量，為輸出向量：0表示正常狀態(tài)，1表示補償電容故障，2表示調(diào)諧單元故障，3表示軌道短路故障。再將向量集隨機分成訓練樣本和校驗樣本，分別對ANFIS進行訓練與測試，以建立ANFIS故障診斷模型[13]。

應用Matlab提供的anfis函數(shù)創(chuàng)建ANFIS網(wǎng)絡，以gbellmf鐘形函數(shù)作為初始隸屬度函數(shù)，設置3條隸屬度函數(shù)，進行30次訓練。在LabVIEW中，ANFIS故障分類器的設計是采用Matlab script腳本實現(xiàn)的，將運行無誤的Matlab程序導入到Matlab script腳本框中即可。

3.2 系統(tǒng)測試及結果

利用該軌道電路故障診斷系統(tǒng)，結合現(xiàn)場軌道故障數(shù)據(jù)進行軌道電路的故障診斷試驗。對每種狀態(tài)進行10組測試，從而驗證診斷的效果。圖6為補償電容故障時的診斷結果圖，可以看出診斷結果是正確的[14]。統(tǒng)計正常狀態(tài)及3種故障狀態(tài)，一共40組測試結果，總體診斷正確率為97.5%，診斷效果較好。

圖6 補償電容故障時的時頻監(jiān)測圖Fig.6 Time-frequency monitoring chart when the compensation capacitor is in fault state

4 結論

1) 在研究移頻信號功率譜的理論基礎上，提出了一種基于PSE-ANFIS的ZPW-2000A軌道電路故障診斷方法。將功率譜熵作為故障特征量，利用ANFIS故障分類器進行軌道電路的故障模式識別，簡化了軌道電路故障診斷的復雜性。

2) 運用LabVIEW平臺對移頻信號進行深入分析，對軌道電路故障的類型、位置進行識別。LabVIEW軟件界面友好、運行可靠，可全面監(jiān)測ZPW-2000A軌道電路室外部分的運行狀態(tài)。