基于人工智能的ZPW-2000A軌道電路故障診斷方法研究

文武臣

（北京中鐵建電氣化設計研究院有限公司，北京 100043）

1 概述

隨著當今國內鐵路建設的高速發展，信號設備的正常運行在鐵路運輸中起到了重要作用。作為一種處于國際先進水平的ZPW-2000A軌道電路，以其可靠性高、傳輸長度長，具備鐵路擴能、提速和提效顯著等優點，在我國鐵路建設中廣泛應用。但是目前其日常檢修與維護工作仍然以人工為主，主要依賴于維修人員的技術水平和工作經驗。因而研究怎樣實時正確地判定ZPW-2000A軌道電路故障點，并迅速高效地對其維修，對鐵路設備安全運行具有重大而深遠的意義。人工智能作為利用計算機模擬人類思維過程和智能行為的一門學科，可以代替人腦且更有效地工作，從而將人類從繁重的科學和工程計算工作中解放出來。基于人工智能的此種特性，本文采取其幾種技術理論對ZPW-2000A軌道電路故障診斷的方法進行探討。

2 ZPW-2000A軌道電路常見故障

根據以往對現場故障診斷的分析和判斷，可以將ZPW-2000A軌道電路的故障類別分為兩種：一種是紅光帶故障，即當軌道電路實際狀態為空閑時，由于某種原因導致軌道繼電器無法可靠吸起，從而在控制臺顯示軌道電路被占用的現象；另一種是分路不良故障，即當軌道電路實際狀態為占用時，由于某種原因導致控制臺未顯示或未可靠顯示軌道電路被占用的現象。

根據ZPW-2000A軌道電路的系統結構，將其故障類別分為室內設備故障和室外設備故障，其宏觀故障樹模型及故障模式如圖1所示。

圖1 ZPW-2000A軌道電路系統宏觀故障樹模型Fig.1 Macro fault tree model of ZPW-2000A track circuit system

3 人工智能理論

3.1 專家系統

作為一種計算機系統，專家系統能夠存儲專家知識并運用其進行問題求解。通常專家系統的結構如圖2所示，主要包括：存儲專家知識的知識庫，運用專家知識進行推理的推理機，用于存放數據的數據庫，實現用戶與系統交流的人機接口、解釋程序和知識獲取程序。

圖2 專家系統的結構Fig.2 Expert system structure

3.2 人工神經網絡

人工神經網絡是一種對動物神經結構特征進行模仿的人工系統，可以利用物理器件系統或計算機實現對人腦結構及功能的模擬。作為一種計算模型，該網絡以神經元為處理信息的基本單元，將大量神經元廣泛互聯，并將它們之間的連接弧作為信息傳遞通道，能夠對信息進行分布式存儲、并行處理，從而在一定程度上模擬人腦生物神經系統的工作，并且具有容錯性好、自適應性強和自學習能力強的優越性能。其結構主要有層狀結構和網狀結構。

3.3 模糊理論

人類大腦中存儲的大部分知識和經驗并沒有明確清晰的邊界，而是以模糊信息集合的形式存在的。作為人類語言的特有形態，模糊信息無法被計算機直接識別，而模糊理論利用模糊邏輯系統，可以將這些模糊信息轉化成計算機能夠接受的形式，從而使其能夠被模擬人類大腦的計算機所識別、描述、處理、分析和判斷。

模糊理論的主要概念包括模糊邏輯、模糊算子、模糊集合及其隸屬函數。模糊集合由隸屬函數求得，采用隸屬度的概念來定量描述元素與集合之間的隸屬關系。模糊算子是模糊集合之間的運算算子。

模糊邏輯系統可以對模糊信息進行有效的處理，它是在模糊概念和模糊邏輯的理論基礎上構建的，其一般結構如圖3所示。

圖3 模糊邏輯系統一般結構Fig.3 General structure of fuzzy logic system

模糊邏輯系統構建的一般步驟是：分別確定輸入量集合和輸出量集合；確定輸入變量、輸出變量的模糊取值及對應的隸屬函數；建立模糊規則庫；確定模糊算子；確定模糊推理算法；確定去模糊化算法；利用硬件或軟件方法進行系統的具體實現。

4 基于人工智能的ZPW-2000A軌道電路故障診斷

4.1 專家系統在軌道電路故障診斷中的應用

專家經過大量研究工作成功排除某次軌道電路故障后，將獲取的知識存入故障診斷專家系統的知識庫。當同樣的故障現象發生在另一時間其他地點，即使該專家不在現場，利用專家系統也能很快地排除該故障，從而大大縮短了軌道電路故障排除時間，提高維修效率。結合現場運營使用單位的意見，發現常見的ZPW-2000A軌道電路故障及可能出現的故障點主要有以下幾個方面。

1）發送器故障

ZPW-2000A軌道電路發送器故障專家系統判別如表1所示。

表1 ZPW-2000A軌道電路發送器故障專家系統判別Tab.1 Discrimination of ZPW-2000A track circuit transmitter fault expert system

2）接收器故障

ZPW-2000A軌道電路接收器故障專家系統判別如表2所示。

表2 ZPW-2000A軌道電路接收器故障專家系統判別Tab.2 Discrimination of ZPW-2000A track circuit receiver fault expert system

以上兩種故障形式均屬于ZPW-2000A軌道電路有報警故障，故障發生時可以通過行車控制臺的聲光報警及時通知到運營使用單位。由于發送器和接收器均為冗余設計，系統正常工作可能不被中斷，不至于影響行車安全。

ZPW-2000A軌道電路故障診斷轉接系統對于無故障報警的診斷與維修，需要結合各個鐵路局已經掌握的現場經驗，通過對設備故障機理的了解，遵循信號傳輸路徑的規律，先判斷出故障發生的范圍，把現場的實測數據與電務部門日常維護積累的經驗數據值和電氣設備的標準性能數據進行比對，進而進行故障的精準定位和迅速排查。

除此之外，在引入相似度計算方法后，可以在傳統的專家系統中增加案例推理功能，以便在案例庫中搜尋、推理出匹配度最高的源案例并將其推薦給用戶。同時把案例學習或修正后的診斷結果作為新的故障案例存儲到案例庫中，從而擴大知識庫。基于案例推理的ZPW-2000A軌道電路故障診斷專家系統結構如圖4所示。

圖4 基于案例推理的ZPW-2000A軌道電路故障診斷專家系統結構Fig.4 Structure diagram of ZPW-2000A track circuit fault diagnosis expert system based on CBR

4.2 基于模糊神經網絡的故障診斷方法

作為一種混合智能處理方法，模糊神經網絡可以將模糊邏輯系統和人工神經網絡結合起來，在處理模糊性和非線性等問題上具備強大的優越性。以模糊神經網絡為依據，對故障診斷進行設計的整體思路如圖5所示。

圖5 故障診斷方法總體設計思路框Fig.5 Block diagram of the overall design idea of the fault diagnosis method

設計步驟如下。

FTA定性分析：通過對軌道電路系統工作原理的研究和對常見設備故障的調查分析，以室內和室外為故障分類依據，搭建 ZPW-2000A軌道電路系統故障樹模型，分別把紅光帶故障和分路不良作為頂事件，依據故障樹理論逐層分析，按照邏輯關系構建 ZPW-2000A軌道電路紅光帶故障樹模型和分路不良故障樹模型，并根據故障樹結構，利用下行法求得最小割集；“紅光帶故障”的結構函數用P1表示，“分路不良故障”的結構函數用P2表示， ZPW-2000A軌道電路系統故障結構函數用P表示，P=P1+P2。

FTA定量分析：統計底事件的發生次數，進而求得底事件的發生概率，而后依據底事件發生概率自下而上計算得出頂事件的發生概率，并利用 Fussell算法進行分析計算，得到最小割集重要度；從分析出來的結構函數P可以得出一、二、三階最小割集。P=X2+X3+X4+X5X6+X7X8+X9+X10+X10X11+X12X13+X14X15X16（Xi表示引起“紅光帶”和“分路不良”故障的最底層事件），其中一階最小割集屬于單點故障，比二階和三階最小割集顯得更為重要，必須做重點防護。

對故障樹進行分析，研究故障診斷的輸出并對其模式進行總結，進而歸納匯總，得出故障診斷的規則，并對各個模糊神經子網絡的輸入、輸出模式進行驗證；根據所列的最小割集逐一制定對策，從而降低ZPW-2000軌道電路故障率。針對不同的底事件制定相應的解決方案，解決方案主要分為3類：一是進行設備改造，徹底根治設備隱患；二是制定防控機制或手段減低設備故障發生；三是采取措施減低設備故障后的影響。

以故障樹的分析結果為依據，搭建故障診斷系統平臺，構建其系統結構，并對模糊神經網絡模型進行整體設計；神經網絡系統分為并聯和串聯兩種網絡系統。可以根據需要開發出登陸界面：數據輸入模塊、數據處理模塊、數據查詢模塊，數據存儲模塊及其他擴展模塊。

以故障診斷對象為基礎，創建模糊隸屬度函數，對函數參數進行設定，調整相應的網絡權值以適應系統環境，從而確立故障診斷模型。

將實測數據輸入到故障診斷系統模型中，經過一系列運算得到的輸出即為軌道電路故障的診斷結果，可以得到診斷報告和故障解決方案。

5 總結

目前人工智能已被提升到國家發展戰略的高度，本文研究了將專家系統、人工神經網絡、模糊邏輯系統等人工智能技術應用到 ZPW-2000A軌道電路故障診斷中的幾種方案。這些應用可以極大地提高故障診斷的準確性和時效性，對于提高軌道電路維修效率和行車效率具有重大而深遠的意義。如果將以上幾種技術相互結合起來，能夠更好地發揮各自的優勢，彌補各自存在的問題，為信號設備智能運維系統的健康有序發展，提供技術解決方案。