基于PSE-ANFIS的ZPW-2000A軌道電路故障診斷方法

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，中國高鐵發展迅速，需要保證鐵路設備的安全、穩定運行。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，其軌道內傳輸的是移頻信號。由于軌道電路運營條件的復雜性，實際中發生故障的概率較大。目前，鐵路部門已建成了鐵路信號集中監測系統，實時監測軌道電路的電氣性能和運行狀態，實現了“狀態修”[1]。但是鐵路信號集中監測系統缺少對室外軌旁設備電特性的監測，難以全面準確地反映移頻軌道電路的真實運行狀態[2]。

國內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中。TIM et al[3]通過長短期記憶(LSTM)遞歸神經網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、神經網絡等方法，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測系統室外監測的補充。

1 煤礦移頻信號的功率譜熵

1.1 移頻信號

ZPW-2000A軌道電路內傳輸的信號是一種移頻信號，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、低頻調制信號和初始相位。表1為ZPW-2000A移頻信號頻率參數表[5]。

表1 ZPW-2000A移頻信號頻率參數表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，功率譜熵與低頻調制頻率有關，低頻調制頻率越大，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，可以根據表征軌道電路狀態的功率譜熵大小判斷是否存在故障[8]。

圖3為根據現場測回的移頻信號數據所得的軌道電路處于不同故障狀態時的功率譜圖。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為根據鐵路現場監測數據計算所得的軌道電路處于不同狀態時的功率譜熵分布區間。

表2 軌道電路不同狀態時的功率譜熵分布區間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[8]。因此，本文增加自適應神經模糊推理系統(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

自適應神經模糊推理系統，簡稱ANFIS，它將神經網絡的學習算法與模糊推理的簡潔形式相結合，通過從訓練數據集中學習產生數值解。 因此，該模型不僅具有學習機制，而且具有模糊系統語言推理的優點[9]。

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

第一層：模糊化層，對輸入參數進行選擇、模糊化。該層用節點函數表示的方形節點表示每個節點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[11]，通常可以選用鐘型函數：

(7)

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

第二層：與運算層，計算模糊規則的激勵強度。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個節點的第i條規則wi與所有規則w之和計算得到的比值：

(9)

第四層：結論層。第i層的每個節點均為自適應節點，其輸出為[10]：

(10)

第五層：去模糊化層。此層的單個節點是固定節點，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時的移頻信號數據；提取故障數據特征，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

3.1 系統軟件設計

以LabVIEW虛擬儀器為平臺，通過Matlab與LabVIEW聯合編程，采用模塊化的設計方法，設計了在線監測、特征提取、故障診斷、安全預警、數據存儲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時的移頻信號幅值、功率譜熵均會出現一定的變化。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據，每種故障狀態100組數據，對數據進行處理，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“軌道電路狀態編碼”構成的向量，為輸出向量：0表示正常狀態，1表示補償電容故障，2表示調諧單元故障，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函數創建ANFIS網絡，以gbellmf鐘形函數作為初始隸屬度函數，設置3條隸屬度函數，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 系統測試及結果

利用該軌道電路故障診斷系統，結合現場軌道故障數據進行軌道電路的故障診斷試驗。對每種狀態進行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]。統計正常狀態及3種故障狀態，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，可全面監測ZPW-2000A軌道電路室外部分的運行狀態。