王鐘銳，李 鵬，陳光武

（1.甘肅省高原交通信息工程及控制重點(diǎn)實(shí)驗(yàn)室；2.蘭州交通大學(xué)自動(dòng)化與電氣工程學(xué)院，甘肅蘭州 730070）

0 引言

近年來，隨著我國鐵路的飛速發(fā)展以及各種用于提速與提高運(yùn)輸效率的新技術(shù)的推廣，軌道電路作為檢測列車位置的重要裝置，其自身的運(yùn)行狀況直接影響著列車運(yùn)行狀態(tài)，因此在保障鐵路運(yùn)行安全與提高運(yùn)輸效率過程中起著至關(guān)重要的作用［1］。為保證其能夠正常運(yùn)行，鐵路單位每年對(duì)其運(yùn)行維護(hù)投入的成本也越來越多。因此，研究軌道電路的故障診斷與預(yù)測技術(shù)，實(shí)現(xiàn)精確運(yùn)維與早期故障預(yù)警，從而順應(yīng)鐵總所倡導(dǎo)的從“故障修”轉(zhuǎn)為“狀態(tài)修”的轉(zhuǎn)變，具有重要的理論意義和實(shí)用價(jià)值［2］。

現(xiàn)階段在鐵路中應(yīng)用的軌道電路有多種類型，其中交流軌道電路最為常見，包括50Hz 相敏軌道電路、ZPW-2000A 系列無絕緣軌道電路等，后者在高速鐵路中發(fā)揮了重要作用［3］。據(jù)國家統(tǒng)計(jì)網(wǎng)的數(shù)據(jù)顯示，截至2021 年末，全國鐵路營業(yè)里程達(dá)到150 000km，其中高鐵營業(yè)里程達(dá)到40 000km。鐵路復(fù)線率為59.5%，鐵路電化率為73.3%。全國鐵路路網(wǎng)密度達(dá)到156.7km/萬km2，ZPW-2000A 系列軌道電路覆蓋率達(dá)到95.5%。因此，本文主要對(duì)ZPW-2000A 系列的軌道電路故障診斷方法進(jìn)行綜述。

1 現(xiàn)階段故障診斷主流路線

ZPW-2000A 系列軌道電路故障信號(hào)主要表現(xiàn)為集中監(jiān)測系統(tǒng)中軌道狀態(tài)顯示異常以及軌道檢測車采集到的數(shù)據(jù)異常，其中軌道檢測車采集數(shù)據(jù)的表現(xiàn)形式有多種，如感應(yīng)電壓與感應(yīng)電流、補(bǔ)償電容及載頻信息等。

現(xiàn)階段的軌道檢測車以高速動(dòng)車組為載體，可編入正常運(yùn)營圖運(yùn)行，一方面不影響高速鐵路的正常運(yùn)行秩序，可提高檢測頻率；另一方面由于車體、速度與實(shí)際運(yùn)營條件接近，獲取的檢測數(shù)據(jù)能真實(shí)反映列車和基礎(chǔ)設(shè)施運(yùn)營時(shí)的狀態(tài)。軌道檢測車可根據(jù)車上感應(yīng)線圈通過無絕緣軌道電路時(shí)產(chǎn)生的電磁感應(yīng)，得到與該軌道電路相對(duì)應(yīng)的感應(yīng)電流及感應(yīng)電壓等信息［4］。

鐵路信號(hào)集中監(jiān)測系統(tǒng)在軌道電路方面的監(jiān)測內(nèi)容主要包括發(fā)送器故障、接收器故障以及兩端的調(diào)諧匹配單元故障等，上述故障均表現(xiàn)為多維形式，包括數(shù)字量、模擬量以及對(duì)應(yīng)設(shè)備正常與否的開關(guān)量［5］。目前主流的以上述故障信息為基礎(chǔ)的無絕緣軌道電路檢測方法技術(shù)路線如圖1所示。

Fig.1 Technical route for fault diagnosis of uninsulated track circuits圖1 無絕緣軌道電路故障診斷技術(shù)路線

主要分為3類：

第一種技術(shù)路線是對(duì)集中檢測系統(tǒng)或軌道檢測車傳遞的軌道電路信號(hào)進(jìn)行處理與降噪，然后進(jìn)行特征提取。再用上述方法對(duì)正常狀態(tài)下的軌道電路進(jìn)行特征提取，最后通過對(duì)以上兩種特征信息的對(duì)比，得到軌道電路的故障信息，進(jìn)而找到故障點(diǎn)［6］。此種路線大多在軌道電路軌面設(shè)備的在線分析中應(yīng)用較為廣泛，可在合適的條件下快速得出檢測結(jié)果，在工程上應(yīng)用的適用度高，一直是研究熱點(diǎn)。但其局限性在于相比于處理單個(gè)故障點(diǎn)，該方法處理多個(gè)故障點(diǎn)的能力不是太強(qiáng)，且故障檢測大多適用于軌面設(shè)備，如補(bǔ)償電容等。

第二種技術(shù)路線將淺層機(jī)器學(xué)習(xí)方法與故障特征提取相結(jié)合，進(jìn)而實(shí)現(xiàn)故障分類并診斷［7］。此種方法與第一種純信號(hào)處理的方法有一部分重合，同樣是先通過信號(hào)處理領(lǐng)域的方法實(shí)現(xiàn)降噪、分解、重構(gòu)，最后進(jìn)行故障特征提取。但與第一種方法不同的是，其將提取的特征輸入到淺層機(jī)器學(xué)習(xí)方法中實(shí)現(xiàn)故障分類，得到故障類型。該方法不再局限于軌面設(shè)備，可實(shí)現(xiàn)更多類型的故障診斷，但不足之處是該方法比較依賴故障類型庫中故障數(shù)據(jù)集的大小，在故障類型較少的情況下效果顯著，在故障類型較多的情況下準(zhǔn)確率會(huì)降低，且其依然依靠第一種技術(shù)路線中的故障提取方法［8］。

第三種路線則采用深度學(xué)習(xí)方法。深度學(xué)習(xí)是相對(duì)于淺層機(jī)器學(xué)習(xí)而言的，其具有比后者更深層的結(jié)構(gòu)，還有較強(qiáng)的非線性特征提取能力，可以直接實(shí)現(xiàn)軌道電路信號(hào)中的故障特征提取，相比于信號(hào)處理方法中特征提取的復(fù)雜步驟，深度學(xué)習(xí)方法更加便捷、高效。相比于淺層機(jī)器學(xué)習(xí)，其可以應(yīng)對(duì)更復(fù)雜的故障情況，且保持較高準(zhǔn)確率。缺點(diǎn)是深度學(xué)習(xí)需要大量樣本進(jìn)行訓(xùn)練，但由于目前“狀態(tài)修”代替“故障修”工作的開展，人工的日常維護(hù)使得軌道電路故障情況較少出現(xiàn)，導(dǎo)致故障數(shù)據(jù)集較少，該情況是深度學(xué)習(xí)方法的主要局限［9］。

此外還有研究將不同方法相融合對(duì)上述路線進(jìn)行改進(jìn)，以提高準(zhǔn)確率。下面將對(duì)各類方法的具體應(yīng)用進(jìn)行說明。

2 基于信號(hào)分解的故障診斷方法

軌道電路上的故障大部分來自補(bǔ)償電容的故障，隨著環(huán)境的變化會(huì)出現(xiàn)容值下降或斷線故障等情況，但是由于補(bǔ)償電容數(shù)量太多以及鐵路線路太長等原因，不能每一個(gè)故障都進(jìn)行人工確認(rèn)，。除補(bǔ)償電容斷線故障外，補(bǔ)償電容容值下降及接觸不良等故障只能由軌道檢測車上的線圈間接感應(yīng)到。針對(duì)這一問題，信號(hào)處理方法在鐵路軌道電路故障診斷中得到了廣泛應(yīng)用，其可對(duì)頻譜隨時(shí)間的變化特性進(jìn)行有效分析，對(duì)于處理感應(yīng)電壓與感應(yīng)電流等較為復(fù)雜的信號(hào)效果顯著。

2.1 經(jīng)驗(yàn)?zāi)B(tài)分解

經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）是1998 年由美國科學(xué)家Norden 博士提出的一種新型自適應(yīng)信號(hào)時(shí)頻處理方法，該方法依據(jù)數(shù)據(jù)自身的時(shí)間尺度特征進(jìn)行信號(hào)分解，無須預(yù)先設(shè)定任何基函數(shù)［10］。

基于EMD 的時(shí)頻分析方法既適合于線性、平穩(wěn)信號(hào)分析，也適合于非線性、非平穩(wěn)信號(hào)分析，這一點(diǎn)對(duì)于軌道電路非線性、非平穩(wěn)的信息處理比較適用。有一個(gè)假設(shè)貫穿整個(gè)信號(hào)處理領(lǐng)域：任何復(fù)雜的信號(hào)均可視為多個(gè)不同的固有模態(tài)函數(shù)（Intrinsic Mode Function，IMF）疊加的結(jié)果，這些固有模態(tài)函數(shù)相互獨(dú)立，且分為線性與非線性兩種情況［11］。根據(jù)此假設(shè)，設(shè)需要分解的信號(hào)為x(t)，其EMD 分解步驟如下：

（1）生成原始信號(hào)的上下包絡(luò)線，方法是以給定插值結(jié)點(diǎn)處的二階導(dǎo)數(shù)值作為未知數(shù)求解構(gòu)造三次樣條函數(shù)。在整個(gè)信號(hào)中，連接極大值點(diǎn)形成上包絡(luò)線，極小值點(diǎn)形成下包絡(luò)線。

（2）計(jì)算每一點(diǎn)中的上下包絡(luò)線均值，得到m1(t)：

（3）用原始信號(hào)x(t)減去包絡(luò)線均值m1(t)，得到中間信號(hào)。

這就是原始信號(hào)x(t)篩分后得到新信號(hào)的過程C1，1(t)。

（4）由步驟（3）得到的新信號(hào)C1，1(t)，判斷其是否滿足上述IMF 的條件，如果滿足，該信號(hào)就是一個(gè)IMF 分量；如果不滿足，則將C1，1(t)看作新的原始信號(hào)，重新進(jìn)行步驟（1）-（4）。直到分解k次后滿足IMF 條件為止。

I1(t)代表原始信號(hào)x(t)中最高頻的IMF 分量，IMF 分量的獲取通常需要若干次迭代。

（5）從原始信號(hào)x(t)中減去I1(t)得到剩余分量r1(t)，隨后將r1(t)看作新的原始信號(hào)，重復(fù)步驟（1）-（4）得到第二個(gè)IMF 分量I2(t)，再用r1(t)減去I2(t)后獲得剩余分量r2(t)。如此分解下去，直到無法繼續(xù)分解為止，從而完成對(duì)信號(hào)x(t)的EMD 過程。

（6）剩余的rn(t)為殘余分量，為單調(diào)函數(shù)，所有IMF分量與殘余分量之和為原始信號(hào)x(t)：

原始信號(hào)x(t)分解后的第一個(gè)IMF 包含原始信號(hào)的最高頻率，同時(shí)也包含最低時(shí)間尺度。隨著篩分過程的迭代，IMF 階數(shù)增加，對(duì)應(yīng)IMF 包含原始信號(hào)的頻率成分降低，時(shí)間尺度升高，EMD 分解的收斂條件就是最后的rn(t)為單調(diào)函數(shù)，且此時(shí)rn(t)包含的原始信號(hào)頻率最低，時(shí)間尺度不小于原始信號(hào)的時(shí)間尺度，因此可將rn(t)作為趨勢項(xiàng)。

但其不足之處在于容易出現(xiàn)模態(tài)混疊與端點(diǎn)效應(yīng)。模態(tài)混疊是指EMD 分解有不完全的情況，即多個(gè)不同頻率分量共存于一個(gè)IMF 中，會(huì)影響后續(xù)信號(hào)分析。同理，最后的剩余分量可能混在最低一階的IMF 分量里，使得剩余分量作為趨勢項(xiàng)的提取不完全，影響后面的趨勢判斷。端點(diǎn)效應(yīng)是指原始信號(hào)x(t)終究是有限的，在其兩端的信號(hào)點(diǎn)用三次樣條法生成上下包絡(luò)線時(shí)，無法判斷在兩端是否存在極值點(diǎn)以及極值點(diǎn)的性質(zhì)，所以三次樣條法在此處插值時(shí)，不可避免地會(huì)出現(xiàn)信號(hào)失真的情況。以上兩種情況都會(huì)使信號(hào)處理結(jié)果受到影響，進(jìn)而導(dǎo)致故障診斷結(jié)果的準(zhǔn)確率下降［12］。

2.2 總體經(jīng)驗(yàn)?zāi)Ｊ椒纸馀c補(bǔ)充的總體平均經(jīng)驗(yàn)?zāi)B(tài)分解

針對(duì)上述EMD 分解的不足，人們提出一種噪聲輔助數(shù)據(jù)分析方法，即總體經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥nsemble Empirical Mode Decomposition，EEMD）。在EMD 中如果極值點(diǎn)分布不均，會(huì)出現(xiàn)模態(tài)混疊問題，因此文獻(xiàn)［13］將白噪聲加入待分解信號(hào)，利用白噪聲頻譜的均勻分布，當(dāng)信號(hào)加在遍布整個(gè)時(shí)頻空間且分布一致的白噪聲背景上時(shí)，不同時(shí)間尺度的信號(hào)會(huì)自動(dòng)分布到合適的參考尺度上，并且由于零均值噪聲的特性，經(jīng)過多次平均后，噪聲將相互抵消，集成均值的結(jié)果即可作為最終結(jié)果。

但EEMD 也引入了新問題，固有模態(tài)函數(shù)由于通過求取平均來近似而產(chǎn)生了相應(yīng)偏差，且其在信號(hào)重構(gòu)過程中殘留了大量冗余噪聲。為此文獻(xiàn)［14］提出互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解（Complementary Ensemble Empirical Mode Decomposition Method，CEEMD）方法，CEEMD 方法主要向原始信號(hào)中添加兩個(gè)相反的白噪聲信號(hào)，并分別進(jìn)行EEMD 分解。CEEMD 不僅解決了EMD 引起的模態(tài)混疊問題，而且在保證分解效果與EEMD 相當(dāng)?shù)那闆r下，減小了由白噪聲引起的重構(gòu)誤差。CEEMD 包括以下幾個(gè)步驟：

（1）向信號(hào)中加入一對(duì)幅值相同、相位角相差180°的高斯白噪聲，形成兩個(gè)新信號(hào)，即：

（2）對(duì)信號(hào)x1和x2分別進(jìn)行EMD 分解，將每組分解結(jié)果的總體平均記為IMF1和IMF2。

（3）求IMF1和IMF2對(duì)應(yīng)分量的平均值，把該值作為CEEMD 的分解結(jié)果，即：

該方法不但克服了EMD 中的模態(tài)混疊和能量泄露現(xiàn)象，而且減少了EEMD 方法在信號(hào)重構(gòu)過程中的白噪聲殘留，為軌道電路中的故障診斷提供了新方法。

2.3 小波包分解

小波分解可用于突變信號(hào)和有孤立奇異點(diǎn)函數(shù)的處理，通過小波分解能夠在時(shí)域和頻域內(nèi)表征原始信號(hào)的局部特征。但是，小波分解對(duì)高頻部分的分辨率低。小波包分解在小波分解的基礎(chǔ)上，對(duì)信號(hào)的高頻部分作進(jìn)一步分解，克服了小波分辨率低的缺點(diǎn)，提供了更全面的信號(hào)分析。小波包變換建立在小波變換的基礎(chǔ)上，其定義為：

式中的h0(k)、h1(k)相當(dāng)于長度為2N 的低通和高通濾波器。利用濾波器組實(shí)現(xiàn)小波包變換（Wavelet Package Transformation，WPT）的過程類似于小波變換（Wavelet Transform，WT），小波變換是通過一組基函數(shù)不停地分解低頻，而對(duì)分解出的高頻部分不作任何處理，但是小波包變換除分解低頻外，也分解高頻，得到的頻帶更加精確。

利用小波包可實(shí)現(xiàn)非線性信號(hào)分析，小波包分析將原始信號(hào)分解為多個(gè)時(shí)頻帶，此時(shí)可通過觀察特定頻帶內(nèi)的時(shí)變信號(hào)特征對(duì)原始信號(hào)進(jìn)行分析。同時(shí)，小波包能量中包含大量故障信息，通過對(duì)特定頻帶計(jì)算其小波包能量并分析，可得到故障特征。文獻(xiàn)［15］證明了小波包分析法在軌道電路故障診斷中取得了較好效果。

2.4 VMD變分模態(tài)分解

變分模態(tài)分解（Variational Mode Decomposition，VMD）是Konstantin 等［16］在2014 年提出的完全非遞歸模型，其可以同時(shí)提取模態(tài)分量。VMD 通過給定的原始信號(hào)尋找給定數(shù)目k 的一組模態(tài)，并確定其各自的中心頻率，使其能夠共同再現(xiàn)原始信號(hào)，同時(shí)滿足每個(gè)模態(tài)解調(diào)到基帶后都是平滑的。其本質(zhì)是能夠自適應(yīng)地在各個(gè)波段運(yùn)用經(jīng)典的維納濾波器。

相比于上述小波包分析法，當(dāng)遇到軌道電路電信號(hào)中不存在突變信號(hào)和有孤立奇異點(diǎn)信號(hào)時(shí)，可以考慮VMD方法，其對(duì)采樣噪聲的魯棒性更強(qiáng)。因?yàn)槠渥兎帜Ｐ蛢?yōu)化的方式是采用交替方向乘子法，所以也避免了傳統(tǒng)經(jīng)驗(yàn)?zāi)B(tài)分解方法因循環(huán)遞歸分解導(dǎo)致的端點(diǎn)效應(yīng)和模態(tài)混疊問題［17］。VMD 算法流程如下：

（1）采用Hilbert 變換，計(jì)算給定函數(shù)uk（t），獲取其單側(cè)頻譜：

（2）將uk（t）與其對(duì)應(yīng)的中心頻率指數(shù)混疊，使其頻譜轉(zhuǎn)移到相應(yīng)基帶中。

（3）根據(jù)高斯平滑度和梯度平方范數(shù)估計(jì)信號(hào)帶寬。

（4）得到約束變分問題為：

式中，uk=｛u1，u2，...，uk｝為模態(tài)函數(shù)，ωk=｛ω1，ω2，...，ωk｝為各個(gè)模態(tài)函數(shù)對(duì)應(yīng)的中心頻率。為了將約束變分問題轉(zhuǎn)變成非約束變分問題，引入拉格朗日算子λ（t）實(shí)現(xiàn)精確重構(gòu)，以及二次懲罰因子α實(shí)現(xiàn)重構(gòu)信號(hào)保真。兩者結(jié)合后，得到拓展的拉格朗日表達(dá)式為：

使用乘法算子交替方向法求解變分問題，迭代優(yōu)化uk+1、ωk+1、λk+1，求解式（14），其最優(yōu)解對(duì)應(yīng)的模態(tài)分量為：

VMD 方法雖然可根據(jù)實(shí)際情況確定所給序列的模態(tài)分解個(gè)數(shù)，且在求解過程中可以自適應(yīng)地匹配每種IMF 的帶寬與最佳中心頻率，還可以很好地實(shí)現(xiàn)IMF 的有效分離與其信號(hào)頻域的有效劃分，但其模態(tài)分量個(gè)數(shù)即k值與懲罰因子α的選取需要視情況而定，帶有一定的主觀性。換句話說，k與α的選取影響著VMD 分解效果?，F(xiàn)在學(xué)術(shù)上普遍利用鯨魚算法、灰狼優(yōu)化算法等確定自適應(yīng)函數(shù)，進(jìn)而對(duì)VMD 算法進(jìn)行改進(jìn)。改進(jìn)后的VMD 算法在軌道電路的補(bǔ)償電容故障檢測上取得了較好效果［18］。

以上幾種信號(hào)分解方法并不是對(duì)軌道電路采集到的原始信號(hào)進(jìn)行處理，而是需要建立相應(yīng)模型，在模型中抽象出數(shù)據(jù)量，從而對(duì)得到的數(shù)據(jù)量進(jìn)行信號(hào)分解得到特征值。信號(hào)分解方法應(yīng)用于軌道電路故障診斷中的步驟一般是首先建立ZPW-2000A 軌道電路模型，然后利用模型抽象出可利用以上信號(hào)分解方法處理的數(shù)據(jù)，將其處理后提取故障特征，最后再通過特征分析、故障模式識(shí)別等方法達(dá)到故障檢測的目的。

要建立軌道電路模型，首先要分析其原理。ZPW-2000A 軌道電路設(shè)備根據(jù)功能可分為發(fā)送端設(shè)備、軌面設(shè)備與接收端設(shè)備。當(dāng)軌道電路無車占用時(shí)，發(fā)送端發(fā)送移頻信號(hào)，移頻信號(hào)沿著鋼軌傳輸至接收端，接收端得到信號(hào)后控制驅(qū)動(dòng)吸起軌道繼電器或向車站給出軌道空閑的表示，這種狀態(tài)又稱為調(diào)整態(tài)；當(dāng)軌道電路有車占用時(shí)，發(fā)送端發(fā)送移頻信號(hào)，移頻信號(hào)在流經(jīng)列車輪對(duì)時(shí)，由于輪對(duì)的阻抗遠(yuǎn)遠(yuǎn)小于軌面上補(bǔ)償電容的阻抗，移頻信號(hào)則會(huì)通過輪對(duì)返回發(fā)送端，此時(shí)只有一小部分到達(dá)接收端。移頻信號(hào)的數(shù)量遠(yuǎn)小于接收端驅(qū)動(dòng)繼電器吸起的閾值，所以繼電器此時(shí)落下表示有車占用，此時(shí)移頻信號(hào)列車的輪對(duì)分路也被稱為分路狀態(tài)。

在ZPW-2000A 軌道電路故障診斷中，由其工作原理可知，根據(jù)信號(hào)分解所需的原始信號(hào)不同，要選取不同的軌道電路狀態(tài)，有時(shí)甚至要對(duì)分路狀態(tài)與調(diào)整狀態(tài)進(jìn)行對(duì)比分析。通過分析軌道電路結(jié)構(gòu)，在其發(fā)送端與接收端之間的設(shè)備其實(shí)都可以用一個(gè)等效四端網(wǎng)絡(luò)來表示，整體模型即可表示為一個(gè)發(fā)送器與一個(gè)接收器之間級(jí)聯(lián)一系列的等效四端網(wǎng)絡(luò)，其中最常用的就是分路態(tài)模型，如圖2所示。

Fig.2 Circuit breaker state model for uninsulated track circuits圖2 無絕緣軌道電路分路狀態(tài)模型

ZF為從分路點(diǎn)看去的等效阻抗，RF為列車分路輪對(duì)的等效電阻，W（x）為主軌道的等效四端網(wǎng)絡(luò)模型，WXX為調(diào)諧區(qū)的等效四端網(wǎng)絡(luò)模型，Wp、Wc分別為匹配變壓器與傳輸電纜等效四端網(wǎng)絡(luò)模型。模型得到的數(shù)據(jù)最終大多表現(xiàn)為軌道電路分路狀態(tài)下幅值包絡(luò)電流曲線或其歸一化處理后的曲線，首先得到從分路點(diǎn)到發(fā)送端的等效四端網(wǎng)絡(luò)矩陣F：

根據(jù)四端網(wǎng)絡(luò)理論，網(wǎng)絡(luò)端口的電壓電流滿足以下關(guān)系：

因此分路電流為：

最后通過信號(hào)分解方法對(duì)分路幅值電流信號(hào)進(jìn)行分解處理，提取出故障特征。在軌道電路故障診斷領(lǐng)域常用的故障特征是經(jīng)過信號(hào)分解后的各個(gè)頻帶的信號(hào)能量。利用信號(hào)能量得到各個(gè)分量的信號(hào)能量特征向量集，通過特征向量集判斷故障點(diǎn)，實(shí)現(xiàn)軌道電路故障診斷。

3 基于淺層機(jī)器學(xué)習(xí)的故障診斷方法

以上信號(hào)分解方法主要針對(duì)ZPW-2000A 的室外軌道設(shè)備，大多用于補(bǔ)償電容的故障診斷，而基于淺層機(jī)器學(xué)習(xí)的診斷方法通過采集到的更多數(shù)據(jù)集，可以檢測更多故障設(shè)備以及判斷出更多故障類型。

對(duì)于故障診斷，其理論基礎(chǔ)本質(zhì)上是數(shù)據(jù)挖掘，其中特征工程是數(shù)據(jù)挖掘的一項(xiàng)重要內(nèi)容。對(duì)于軌道電路而言，故障特征的提取尤為重要，提取特征后即進(jìn)行模式識(shí)別，從而實(shí)現(xiàn)故障診斷的目的［19］。

基于淺層機(jī)器學(xué)習(xí)的軌道電路診斷方法就是通過輸入的特征信息進(jìn)行模式識(shí)別，而獲得特征信息所需的特征提取步驟則由于淺層機(jī)器學(xué)習(xí)的局限性，需要配合其他方法來完成，進(jìn)而實(shí)現(xiàn)故障診斷。常見的軌道電路故障模類別如表1所示。

Table 1 Common track circuit fault categories表1 常見的軌道電路故障類別

3.1 軌道電路故障診斷中故障特征提取與選擇方法

當(dāng)對(duì)檢測到的軌道電路信息數(shù)據(jù)進(jìn)行觀測時(shí)，這些數(shù)據(jù)常常擁有較為龐大的數(shù)據(jù)量以及較為復(fù)雜的變量關(guān)系，為大樣本數(shù)據(jù)。大樣本的數(shù)據(jù)集固然提供了豐富的信息，但是在一定程度上增加了問題的復(fù)雜性。

如果分別對(duì)每個(gè)指標(biāo)進(jìn)行分析，往往得到的結(jié)論是孤立的，并不能完全利用數(shù)據(jù)蘊(yùn)含的信息。但是盲目地減少分析指標(biāo)，又會(huì)損失很多有用信息。所以需要找到一種合適的方法，一方面可減少分析指標(biāo)，另一方面可盡量減少原信息的損失。

由于不同指標(biāo)中存在著相關(guān)關(guān)系，因此可考慮將關(guān)系緊密的變量合成一些新變量，使得新變量不相關(guān)，從而可以用較少變量來代表存在于各個(gè)變量中的數(shù)據(jù)信息。

以上敘述的就是降維的基本思想，降維有兩種方法，一種是特征選擇，另一種是特征提取。特征選擇是直接消除不重要的特征，選擇重要的信息留下，方法較為簡單，存在一定的不準(zhǔn)確性，可能丟失這些特征中的很多信息，常見的方法有頻域分析法［20］。

特征提取則是通過組合現(xiàn)有特征來創(chuàng)建新變量，可以盡量保存特征中存在的信息［21］。但通常選取算法會(huì)較為繁瑣，影響運(yùn)行時(shí)間與診斷效率。常見的軌道電路故障檢測領(lǐng)域的特征提取方法有主成分分析法（Principal Component Analysis，PCA）、核主成分分析法（Kernel Principal Component Analysis，KPCA）以及自適應(yīng)層次聚類分析法等。下面對(duì)特征選擇與特征提取的幾種方法分別進(jìn)行介紹：

（1）頻域分析法。由于ZPW-2000A 軌道電路為無絕緣高頻軌道電路，顯然利用時(shí)域分析法不合適。頻域分析是指直接處理通過軌道檢測車獲得的原始頻率信號(hào)，主要針對(duì)載頻信息與補(bǔ)償電容兩種數(shù)據(jù)。在軌道電路領(lǐng)域主要利用頻率譜進(jìn)行分析，而忽略頻率統(tǒng)計(jì)特征。因?yàn)閷?duì)頻域信號(hào)的平均頻率、均方根頻率、中心頻率和根方差頻率等統(tǒng)計(jì)量進(jìn)行特征選擇，無法取得良好效果。在頻譜分析方面，通過奇異譜、幅值譜、功率譜、倒頻譜、細(xì)化譜等頻域方法進(jìn)行信號(hào)分析，可將得到的特征輸入人工智能模型進(jìn)行故障診斷。

（2）主成分分析法。其是一種多變量統(tǒng)計(jì)方法，可將一組存在相關(guān)性的數(shù)據(jù)轉(zhuǎn)換為線性不相關(guān)的數(shù)據(jù)。其轉(zhuǎn)換的核心就是正交變換，轉(zhuǎn)換后的變量被稱為主成分［22］，可以使用特征分解或奇異值分解（Singular Value Decomposition，SVD）的方法進(jìn)行主成分分析。PCA 方法本質(zhì)上是：現(xiàn)假設(shè)有一個(gè)n 維的數(shù)據(jù)集，PCA 通過改變?cè)搉 維數(shù)據(jù)集的基向量，對(duì)基向量的坐標(biāo)軸與坐標(biāo)原點(diǎn)進(jìn)行平移，力求使變換后的數(shù)據(jù)方差最大，即讓數(shù)據(jù)之間的相關(guān)性降到最低。變換后去掉正交軸，得到降維后的數(shù)據(jù)集。

軌道電路故障檢測中常用奇異值分解進(jìn)行PCA 降維，假設(shè)共有x個(gè)樣本，每行是y維的，可看作x×y維的數(shù)據(jù)樣本X，則根據(jù)SVD 方法，該數(shù)據(jù)集矩陣可分解為：

這里正交陣U的維數(shù)是x×y，正交陣V的維數(shù)是y×y，Σ是y×y 的對(duì)角陣。接下來將Σ分割成r列，記作Σr，利用U和V便能得到降維數(shù)據(jù)點(diǎn)Yr：

PCA 方法可用來刪除單個(gè)特征，也可以減少多個(gè)特征。以下有一些策略來幫助判斷到底該減少多少特征：

（1）根據(jù)對(duì)軌道電路的原理分析選擇一個(gè)合適的特征數(shù)目，該方法高度依賴于數(shù)據(jù)集本身的特征以及后續(xù)的分析模型，且有一定的主觀性。

（2）通過計(jì)算每個(gè)成分因子，能夠解釋原始數(shù)據(jù)變異的百分比，然后將不同成分因子所能解釋的變異百分比相加，即得到了一個(gè)值，被稱為累積變異百分比。在PCA 過程中，將選擇能使該值最接近于1的維度個(gè)數(shù)。

（3）根據(jù)上一步驟得到的百分比，進(jìn)而判斷減去多少特征。

KPCA 本質(zhì)上是一種新的非線性PCA 方法，該方法的基本思想是：對(duì)樣本進(jìn)行非線性變換，在變換空間進(jìn)行主成分分析以實(shí)現(xiàn)在原空間的非線性主成分分析［23］。其算法步驟如下：

通過核函數(shù)計(jì)算矩陣K={Kij}n×n，其元素為Kij=k(xi，xj)。其中xi和xj為原空間的樣本，k(·，·)是核函數(shù)。

計(jì)算K的特征值，并從大到小進(jìn)行排列，找出由特征值對(duì)應(yīng)的特征向量al，并對(duì)al進(jìn)行歸一化（||al||=1）。原始樣本在第l個(gè)非主成分下的坐標(biāo)為：

其中，xi是指第i個(gè)樣本al的維度與樣本數(shù)相同。如果選擇m個(gè)非線性主成分，即計(jì)算K的前m個(gè)特征值及相應(yīng)特征向量，則樣本x在前m個(gè)非線性主成分上的坐標(biāo)構(gòu)成了樣本在新空間中的表示。

聚類是通過無監(jiān)督的方式將數(shù)據(jù)對(duì)象以類或簇為單位進(jìn)行劃分，將具有較高相似度的數(shù)據(jù)劃分為同一個(gè)類，不同類之間的相似度差別較大。

層次聚類算法屬于無監(jiān)督的分類算法，聚類結(jié)果要求類別之間具有良好的可分性，即：類間距離盡量大，類內(nèi)距離盡量小。由于聚類之前需要人為指定聚類個(gè)數(shù)或設(shè)定相應(yīng)門限，文獻(xiàn)［24］提出一種自適應(yīng)層次聚類算法，使其能夠根據(jù)自定義判別函數(shù)的取值來自適應(yīng)確定聚類個(gè)數(shù)，以適用于軌道電路的特征提取。對(duì)于具有n個(gè)特征的輸入樣本x，綜合考慮類內(nèi)類間距離對(duì)樣本的可分性，定義類內(nèi)類間距離判據(jù)J（x）為：

最后取軌道電路某一點(diǎn)至其前方發(fā)送端所有分路點(diǎn)位置處的感應(yīng)電壓幅值數(shù)據(jù)的標(biāo)準(zhǔn)差作為特征，構(gòu)成k×（m+1）維的特征矩陣Φ，表示為：

其中，Φ（i=1，2…k）表示軌道電路中所有感應(yīng)電壓包絡(luò)幅值數(shù)據(jù)的標(biāo)準(zhǔn)差，反映了所有電容狀態(tài)對(duì)感應(yīng)電壓幅值波動(dòng)的影響；隨后對(duì)特征矩陣Φ進(jìn)行重構(gòu)，對(duì)重構(gòu)后的矩陣進(jìn)行自適應(yīng)層次聚類，以達(dá)到故障特征提取的目的。

3.2 淺層機(jī)器學(xué)習(xí)的故障診斷方法

目前在故障診斷領(lǐng)域，淺層機(jī)器學(xué)習(xí)方法可分為監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)兩大類，也有介于兩者之間的半監(jiān)督學(xué)習(xí)的特殊情況。常用的監(jiān)督類學(xué)習(xí)方法主要有人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）、支持向量機(jī)（Support Vector Machine，SVM）、相關(guān)向量機(jī)（Relevance Vector Machine，RVM）等模式識(shí)別方法，這些方法各有優(yōu)缺點(diǎn)，通常與不同的信號(hào)處理方法和其他特征提取方法及其對(duì)應(yīng)的優(yōu)化算法相融合，以實(shí)現(xiàn)軌道電路故障診斷，而無法獨(dú)自實(shí)現(xiàn)特征自提取與識(shí)別。

聚類分析法主要應(yīng)用于非監(jiān)督學(xué)習(xí)，聚類與分類相對(duì)應(yīng)，聚類方法不需要樣本的訓(xùn)練標(biāo)簽即可對(duì)數(shù)據(jù)根據(jù)其特征屬性進(jìn)行聚合分類，常用的聚類方法有最近鄰分類器等。但聚類方法在數(shù)據(jù)集較大、維度較高的情況下應(yīng)用較為困難。文獻(xiàn)［25］建立了基于最小二乘支持向量機(jī)的軌道電路故障診斷模型，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

在軌道電路的故障診斷中選取輸入最小二乘支持向量機(jī)模型中的特征量時(shí)，要滿足特征量之間的獨(dú)立性要盡可能大，輸入量對(duì)輸出量的影響也要盡可能大，且容易被設(shè)備檢測出來?；跍\層機(jī)器學(xué)習(xí)進(jìn)行故障診斷通常用主軌道輸入電壓、小軌道輸入電壓、衰耗盤電壓等數(shù)據(jù)作為故障診斷特征量。

Fig.3 Fault diagnosis model of track circuit based on least squares support vector machine圖3 基于最小二乘支持向量機(jī)的軌道電路故障診斷模型

在基于機(jī)器學(xué)習(xí)軌道電路故障診斷訓(xùn)練過程中，比較關(guān)鍵的一步就是對(duì)數(shù)據(jù)進(jìn)行預(yù)先的歸一化處理，防止不同單位與數(shù)量級(jí)帶來訓(xùn)練中的混亂及不準(zhǔn)確性。常用的歸一化方法如下：

其中，xi為原始數(shù)據(jù)，min（x）、max（x）分別為原始數(shù)據(jù)中的最小值與最大值，y 為歸一化數(shù)據(jù)。處理后的數(shù)據(jù)被輸入到最小二乘向量機(jī)模型中進(jìn)行訓(xùn)練，針對(duì)軌道電路的多種故障，采用一對(duì)一的方法對(duì)k類軌道電路進(jìn)行故障診斷，對(duì)每個(gè)類別的樣本和其他類別樣本之間一對(duì)一地構(gòu)建二值分類器，每個(gè)二值分類器只用相關(guān)的二類訓(xùn)練樣本進(jìn)行訓(xùn)練，一共可構(gòu)造出k（k-1）/2 個(gè)二值分類器。在對(duì)測試樣本進(jìn)行識(shí)別時(shí)采用“投票法”，將測試樣本輸入給k類中第m類樣本和第n類樣本構(gòu)造的二值分類器。如果輸出結(jié)果判定測試樣本屬于第m類，則給第m類加一票；如果輸出結(jié)果判定測試樣本屬于第n類，則給第n類加一票。當(dāng)所有的k（k-1）/2 個(gè)二值分類器對(duì)測試樣本分類后，k類中的哪一類得票最多，則判定測試樣本屬于這一類。

選取合適的核函數(shù)寬度與調(diào)節(jié)常數(shù)值，得到?jīng)Q策函數(shù)，完成該模型的訓(xùn)練，即得到軌道電路故障診斷的最小二乘向量機(jī)模型。

文獻(xiàn)［26］將粒子群算法（Particle Swarm Optimization，PSO）用于支持向量機(jī)的參數(shù)優(yōu)化，提出基于粒子群支持向量機(jī)的故障診斷模型，并將其運(yùn)用于軌道電路中，結(jié)果優(yōu)于隨機(jī)的參數(shù)選取。粒子群算法的主要思想是在可解空間中初始化一群粒子，每個(gè)粒子由位置、速度和適用度值確定，適用度值由適用度函數(shù)計(jì)算得到。粒子在解空間中運(yùn)動(dòng)，通過跟蹤個(gè)體極值點(diǎn)和群體極值點(diǎn)來更新自己的位置。個(gè)體極值是指個(gè)體所經(jīng)歷位置中計(jì)算得到的適應(yīng)度最優(yōu)位置，群體極值是指種群中所有粒子搜索到的適應(yīng)度最優(yōu)位置。粒子不斷地更新位置，每更新一次即重新計(jì)算一次適應(yīng)度值，再通過比較適應(yīng)度值，更新個(gè)體極值和群體極值。

在每一次迭代過程中，粒子通過個(gè)體極值與全局極值更新自身的速度和位置，更新公式為：

式中，ω為慣性權(quán)重；t為當(dāng)前迭代次數(shù)；vid為粒子速度；c1、c2為非負(fù)常數(shù)，稱為加速度因子；r1、r2為分布于［0，1］之間的隨機(jī)數(shù)。

以徑向基函數(shù)（Radial Basis Function，RBF）為核函數(shù)的支持向量機(jī)中有2 個(gè)參數(shù)：懲罰參數(shù)c和核函數(shù)參數(shù)g。其中，懲罰參數(shù)c用于控制超出誤差的樣本懲罰程度，核函數(shù)參數(shù)g表示徑向基函數(shù)RBF 的寬度，c、g對(duì)于SVM 的分類準(zhǔn)確率有著很大影響。因此，將兩個(gè)參數(shù)（c，g）構(gòu)成一個(gè)微粒，采用粒子群優(yōu)化算法尋求較優(yōu)參數(shù)，提高了SVM算法故障診斷的準(zhǔn)確率和效率。

以上兩種基于SVM 算法的情況，前者的準(zhǔn)確率及參數(shù)選取的穩(wěn)定性不如后者，后者則會(huì)面臨陷入局部最優(yōu)解的問題。為解決粒子群算法陷入局部最優(yōu)解的問題，文獻(xiàn)［27］提出將模擬退火算法（Simulated Annealing，SA）與粒子群最小二乘支持向量機(jī)結(jié)合的方法。

SA 算法的思想源于物理中固體物質(zhì)的退火過程，整個(gè)過程與一般的組合優(yōu)化問題類似，SA 算法能以一定的概率接受惡化解。此概率由其新解與原解對(duì)應(yīng)目標(biāo)函數(shù)的絕對(duì)差值、溫度參數(shù)T共同決定，T減小則概率減小。概率計(jì)算如下：

雖然傳統(tǒng)的SA 算法具有非常好的全局搜索能力、概率突變能力，但仍有一些不足：

（1）在T較大時(shí)，迅速收斂至全局最優(yōu)解，易錯(cuò)失當(dāng)前最優(yōu)解。

（2）過度依賴參數(shù)。若T0較大，衰減步長太小，會(huì)導(dǎo)致收斂速度過慢，反之，若T0較小則易丟失全局最優(yōu)解。針對(duì)以上不足，利用遺傳（GA）算法的變異思想，在SA 算法中引入簡單變異算子：即引入一個(gè)變異概率P，隨機(jī)對(duì)當(dāng)前更新后粒子中的一個(gè)變量再次初始化。如果P 小于隨機(jī)數(shù)，則進(jìn)行自適應(yīng)變異操作，否則放棄，從而在變異過程中增大種群搜索空間，針對(duì)性地改善PSO 算法尋優(yōu)能力的不足，保證其跳出局部最優(yōu)解，得到全局最優(yōu)解，以提高收斂速度和尋優(yōu)精度。

4 基于深度學(xué)習(xí)的軌道電路故障診斷方法

隨著我國鐵路事業(yè)的飛速發(fā)展以及軌道檢測車檢測系統(tǒng)和集中檢測系統(tǒng)的高度自動(dòng)化，針對(duì)軌道電路的狀態(tài)檢測將產(chǎn)生大量數(shù)據(jù)，這些數(shù)據(jù)不僅維度較高且數(shù)據(jù)量龐大。對(duì)于淺層機(jī)器學(xué)習(xí)而言，有兩個(gè)方面無法很好地處理。數(shù)據(jù)集太大會(huì)導(dǎo)致其計(jì)算時(shí)間變長，且淺層機(jī)器學(xué)習(xí)面對(duì)高維數(shù)據(jù)無法很好地實(shí)現(xiàn)降維，需要結(jié)合其他方法。與淺層機(jī)器學(xué)習(xí)相對(duì)的就是深度學(xué)習(xí)，以深度學(xué)習(xí)為主的方法恰好彌補(bǔ)了淺層機(jī)器學(xué)習(xí)的缺點(diǎn)，因此在軌道電路故障診斷領(lǐng)域逐步得到應(yīng)用。

目前，在軌道故障診斷領(lǐng)域應(yīng)用廣泛的主要有卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）、深度置信網(wǎng)絡(luò)（Deep Belief Network，DBN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）等深度學(xué)習(xí)方法。文獻(xiàn)［28］利用深度置信網(wǎng)絡(luò)與海洋捕食者算法優(yōu)化后的最小二乘支持向量機(jī)（Least Squares Support Vector Machine，LSSVM）提取故障特征，并取得了較好效果。

深度置信網(wǎng)絡(luò)DBN 是一種由多層隱藏受限玻爾茲曼機(jī)（Restricted Boltzmann Machine，RBM）堆疊而成的概率生成模型，其典型結(jié)構(gòu)如圖4所示。

Fig.4 Multilayer hidden restricted boltzmann machine probabilistic generative model圖4 多層隱藏受限玻爾茲曼機(jī)概率生成模型

RBM 由可見層v和隱藏層h構(gòu)成，每一層的單元之間都有雙向連接，但每一層中的單元互相獨(dú)立?？梢妼由窠?jīng)元可表示為v=｛v1，v2，…，vn｝，隱藏層神經(jīng)元可表示為h=｛h1，h2，…，hm｝，其能量函數(shù)為：

其中，wij為可見層單元i與隱藏層單元j的連接權(quán)值，ai為可見層單元i的偏移量，bj為隱藏層單元j的偏移量。

DBN 方法對(duì)于軌道電路故障特征的提取過程分為預(yù)訓(xùn)練和微調(diào)兩個(gè)階段。在預(yù)訓(xùn)練階段，將不同類型的軌道電路故障數(shù)據(jù)輸入到深度置信網(wǎng)絡(luò)的第一層RBM 進(jìn)行無監(jiān)督訓(xùn)練，將訓(xùn)練得到的輸出作為下一層的輸入，以此逐層傳遞貪婪學(xué)習(xí)，直到輸出層輸出軌道電路故障特征。微調(diào)階段是一個(gè)有監(jiān)督學(xué)習(xí)的過程，將輸出結(jié)果與標(biāo)簽數(shù)據(jù)進(jìn)行對(duì)比，利用誤差反向傳播算法對(duì)DBN 進(jìn)行逆向訓(xùn)練，完成參數(shù)尋優(yōu)，進(jìn)而提取出故障特征。然后采用海洋捕食者（Marine Predators Algorithm，MPA）智能算法對(duì)LSSVM 的懲罰因子和核函數(shù)參數(shù)進(jìn)行尋優(yōu)，并建立最優(yōu)MPA-LSSVM 診斷模型。最后，將DBN 提取的特征樣本導(dǎo)入診斷模型進(jìn)行軌道電路的故障分類識(shí)別。

文獻(xiàn)［29］利用卷積神經(jīng)網(wǎng)絡(luò)創(chuàng)建軌道電路故障診斷模型，將軌道電路診斷主機(jī)的實(shí)時(shí)變化數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，將實(shí)際使用中常見的故障類型作為輸出，建立輸入與輸出之間的映射關(guān)系。在選取深度學(xué)習(xí)樣本數(shù)量的問題上，如果采取單個(gè)樣本的方法更新參數(shù)，會(huì)陷入局部最優(yōu)，影響神經(jīng)網(wǎng)絡(luò)的性能和泛化能力，因此在處理深度學(xué)習(xí)樣本數(shù)的問題上選用了批處理方法。但使用該方法沒有完全消除上述問題，批處理數(shù)目較少會(huì)嚴(yán)重影響迭代速度，同時(shí)極易陷入局部最優(yōu)；而批處理數(shù)目較多會(huì)導(dǎo)致無法找到最優(yōu)參數(shù)，批處理數(shù)目選擇過于繁瑣。

文獻(xiàn)［30］針對(duì)軌道電路調(diào)諧區(qū)故障，通過CNN 中的卷積層實(shí)現(xiàn)軌道電路調(diào)諧區(qū)特征提取，并對(duì)比不同卷積層參數(shù)下的診斷準(zhǔn)確率及訓(xùn)練時(shí)間，選擇當(dāng)前條件下相對(duì)最優(yōu)的卷積層參數(shù)。同時(shí)針對(duì)訓(xùn)練中可能出現(xiàn)的過擬合現(xiàn)象而采用dropout 函數(shù)，并通過CNN 中第二全連接層實(shí)現(xiàn)故障分類。此外，還考慮到人為構(gòu)建數(shù)據(jù)集時(shí)數(shù)據(jù)標(biāo)簽錯(cuò)誤的問題，通過構(gòu)建標(biāo)簽錯(cuò)誤數(shù)據(jù)集的方式，減小錯(cuò)誤標(biāo)簽數(shù)據(jù)對(duì)訓(xùn)練過程的影響，取得了比較全面、良好的效果。

文獻(xiàn)［31］運(yùn)用深度信念網(wǎng)絡(luò)的無監(jiān)督學(xué)習(xí)對(duì)故障數(shù)據(jù)進(jìn)行訓(xùn)練，得到最優(yōu)參數(shù)值并提取出故障數(shù)據(jù)高層的分布式特征。選擇BPNN 作為分類器，以無監(jiān)督學(xué)習(xí)輸出的參數(shù)作為BPNN 初始值，完成反向調(diào)優(yōu)，實(shí)現(xiàn)了軌道電路的15 種故障分類。利用數(shù)據(jù)進(jìn)行多次驗(yàn)證，證明了其準(zhǔn)確性與有效性。文獻(xiàn)［32］提出一種具有長短期記憶的循環(huán)神經(jīng)網(wǎng)絡(luò)，通過對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練實(shí)現(xiàn)故障診斷。

以上介紹的基于深度學(xué)習(xí)的故障診斷方法，相比于傳統(tǒng)的淺層機(jī)器學(xué)習(xí)，其在故障診斷流程方面有著創(chuàng)新性的發(fā)展。傳統(tǒng)的淺層機(jī)器學(xué)習(xí)首先進(jìn)行數(shù)據(jù)預(yù)處理，然后進(jìn)行特征提取，最后選擇分類器；深度學(xué)習(xí)方法則是在數(shù)據(jù)預(yù)處理之后直接設(shè)計(jì)模型，然后直接訓(xùn)練得出結(jié)果。深度學(xué)習(xí)的特征提取并不依賴于人工，而是由算法自動(dòng)完成，雖然降低了一些可解釋性，但其在很大程度上解決了如何提取特征以及提取特征的有效性問題。

深度學(xué)習(xí)方法的學(xué)習(xí)能力非常強(qiáng)，尤其是在特征工程、故障診斷等應(yīng)用中表現(xiàn)非常好，只要有足夠的數(shù)據(jù)驅(qū)動(dòng)，可以將故障診斷的準(zhǔn)確率保持在較高水平。此外，其適應(yīng)范圍也比傳統(tǒng)的機(jī)器學(xué)習(xí)廣泛，里面的神經(jīng)網(wǎng)絡(luò)層數(shù)很多、寬度很廣，可以映射到軌道電路的很多函數(shù)中，實(shí)現(xiàn)綜合故障診斷。

鐵路行業(yè)自動(dòng)化與智能化程度的加快，勢必要在日常生產(chǎn)中產(chǎn)生大量數(shù)據(jù)。在軌道電路故障診斷中，適合淺層機(jī)器學(xué)習(xí)的特定簡單任務(wù)會(huì)越來越少，而對(duì)于基于深度學(xué)習(xí)的方法，數(shù)據(jù)量越大，深度學(xué)習(xí)的表現(xiàn)越好，非常適用于未來的鐵路故障診斷。

深度學(xué)習(xí)在軌道電路故障診斷中的大致發(fā)展方向是需要更便捷的設(shè)備和更加契合的算法模型。現(xiàn)在深度學(xué)習(xí)所需的硬件設(shè)備尚不足以移植到移動(dòng)端，無法滿足鐵路高效運(yùn)營與維護(hù)的要求，因此未來需要運(yùn)算能力更強(qiáng)、更加小巧快捷的移動(dòng)端來支撐深度學(xué)習(xí)故障診斷模型，以提高運(yùn)營效率。如今在軌道電路方面利用深度學(xué)習(xí)方法進(jìn)行故障診斷通常采用現(xiàn)成的模型，雖然也取得了不錯(cuò)的準(zhǔn)確率，但是沒有針對(duì)軌道電路乃至整個(gè)鐵路系統(tǒng)的故障診斷算法，故障診斷效果還有很大的提升空間。綜上所述，基于深度學(xué)習(xí)的方法必定會(huì)成為今后鐵路行業(yè)故障診斷領(lǐng)域應(yīng)用的主要方法。

5 結(jié)語

本文總結(jié)了現(xiàn)階段以軌道檢測車采集與集中監(jiān)測系統(tǒng)得到信號(hào)為數(shù)據(jù)集的軌道電路故障診斷方法的3 類技術(shù)路線，詳細(xì)介紹了3 類技術(shù)路線中常用的具體方法，并且在前人基礎(chǔ)上對(duì)這些方法發(fā)展現(xiàn)狀和本身的局限性進(jìn)行了梳理?；谛盘?hào)處理的方法雖然應(yīng)用的軌道電路故障類型較為單一，大多數(shù)只有軌面設(shè)備，但由于準(zhǔn)確率與實(shí)時(shí)性較高，應(yīng)用較為廣泛，依舊是研究熱點(diǎn)；基于淺層機(jī)器學(xué)習(xí)的方法針對(duì)較少數(shù)據(jù)集有著很好的準(zhǔn)確率與運(yùn)算效率，但其特征提取等關(guān)鍵步驟的過程有些繁瑣，常需要與其他方法結(jié)合；深度學(xué)習(xí)有著以上兩者的優(yōu)點(diǎn)，但對(duì)數(shù)據(jù)集大小的要求較高。然而在大數(shù)據(jù)時(shí)代下，這種要求也較容易滿足，因此基于深度學(xué)習(xí)的軌道電路故障診斷方法將成為今后軌道電路故障診斷的主要思路。