鐵道信號基礎設備在線監測方法研究

馬 瑞

（洛陽鐵路信息工程學校，河南 洛陽 471000）

鐵道運輸一直是我國重要的運輸方式，其發展前景十分廣闊。隨著經濟快速發展，人們對交通運輸方式的要求也不斷提高，與此同時，國內高速鐵路技術得到了不斷發展，鐵道信號設備變得越來越重要，應用范圍也越來越廣[1]。對基礎設施進行準確監測是保證鐵路正常運行及提高鐵路運輸效率的重要手段，因此必須對鐵道信號基礎設備進行全面監控，以保證鐵路沿線作業的安全[2]?，F階段，鐵道信號基礎設備檢測工作在實施中存在諸多問題，其中最主要的問題是在采集到信號數據后，由于傳輸時間較長而導致信號數據丟失，進而造成鐵路運行出現故障。針對這一問題，需要對鐵道信號設備采取必要措施，進行在線、實時監測，以保證其能夠及時、準確獲取到監測信息。

1 鐵道信號基礎設備在線監測

1.1 采集鐵道電路信號

為實現對鐵道信號基礎設備在運行過程中的狀態信息獲取，利用轉轍機控制電路信號采集器對鐵道電路信號進行采集。圖1為該類型電路信號采集器內部結構示意圖。

圖1 轉轍機控制電路信號采集器內部結構示意圖

選用STM12D202VCT5型號作為單片機的處理器，該芯片內核為Cotex-M6，可為本文在線監測方法提供控制和信號處理的功能[3]。MCU電路提供3.3 V電壓，8 MHz外部晶振，內置72 MHz時鐘，為提升芯片穩定性，在硬體電路板設計中加入兩個陶瓷電容器；低速時鐘采用32.768 kHz的晶體振蕩，電容選擇10 pF；外接VBAT管腳；該采集系統采用上電復位方式，通過與電流限制電阻器并聯電容器的復位插針（NRST）與供電線路直接相連。利用采集器中的信號采集電路，在其基本結構上設置6個信號，3個AC電壓采集，3個DC電壓采集。在轉轍機的控制電路中，使用1個電壓互感器，其中A/D轉換器的轉換范圍為0.0～3.6 V。在信號采集時，將模擬功率與數字功率隔離開來，可以使信號線間隔盡量大，減小串擾，以確保最終電路信號的精度。

1.2 提取鐵道信號基礎設備故障參數

針對上述獲得的鐵道電路信號，引入一種將輸入信號混合到基帶的方法（ZoomFFT法）對頻譜進行細化處理，復合調制解調，經過數字低通濾波裝置，再取樣，對樣本進行二次處理，再完成時域補零，得到最終的特征頻率[4]。在提取故障參數時，將采樣頻率設置為4 054 Hz，并對所有節點進行傅里葉計算。截取精煉波形，使有效信號從原點開始移動。頻譜的搬移公式為

式中：y（n）為頻譜搬移后得到的信號結果；x（n）為采集到的原始鐵道電路信號；j為采樣次數；wd為搬移時產生的角頻率。角頻率的計算公式為

式中：fd為用于鐵道信號基礎設備故障參數提取的頻段。對所有移頻后的信號進行數字低通濾波處理，并將除0～fd以外頻段的數據全部清除。由于鐵道所處環境十分復雜，因此周圍多種干擾因素的存在會對監測精度造成一定負面影響。針對這一問題，為確保監測精度，還需要對所有信號進行快速傅氏變換（Fast Fourier Transformation，FFT）處理，并得到能量更加集中的頻譜圖像。

1.3 基于神經網絡的設備在線監測與故障識別

反向傳播（Back Propagation，BP）神經網絡是一種單向多層次的前反饋網絡，經過理論分析，80%以上的神經網絡模型都是在BP神經網絡結構和改進BP神經網絡結構的基礎上構建的。BP神經網絡具有以下特征：輸入層面的信號正向傳輸，而錯誤的反向傳輸。圖2為一個包含輸入層、隱含層和輸出層的BP神經網絡基礎結構圖。

圖2 BP神經網絡基礎結構圖

BP神經網絡是對樣本進行重復的訓練，當訓練誤差達到理想狀態時，就會使訓練達到一個穩定的狀態?；贐P神經網絡的應用優勢，利用其實現對鐵道信號基礎設備的在線監測，并根據監測結果確定設備是否發生故障以及故障的具體類型。采用BP神經網絡的方法，選取軌道交通信號基礎設施中高壓脈沖的特征頻率、送端波峰和接收端的峰值電壓作為輸入參數，按照分路不良和紅光帶故障類型，將4種不同的故障描述作為BP神經網絡的輸出[5]。其中分路不良故障類型包括鋼軌銹蝕A1和供電電壓過高A2兩種，紅光帶故障類型包括供電電壓過低A3和道砟電阻過低A4兩種故障描述輸出結果。針對各個故障存在的隸屬度等級進行互粉，分別為十分可能、可能、偶然是和基本不可能，其對應的隸屬度數值依次為0.98，0.65，0.30，0.15。在實際應用中，監測結果輸出的隸屬度可通過高斯型隸屬函數計算得出，表達式為

式中：m為隸屬度結果；Xi為BP神經網絡輸入；dij常數；σ為隱藏層因子個數。根據上述BP神經網絡輸出的結果實現對鐵道信號基礎設備的監測與故障識別。

2 實證分析

使用LabVIEW軟件對上文設計的鐵道信號基礎設備在線方法進行測試，LabVIEW軟件由美國NI公司開發，具有相對友好的編程界面，可以實現對虛擬化測試環境的開發。本次測試使用LabVIEW作為主要軟件，不僅可以實現在監測過程中工業設備之間的通信，還可以提高信號采集的效率，實現對數據的快速解析與應用。

開展測試前，對設計的監測方法具體應用與操作思路進行分析：在控制線路信號采集裝置和測試環境中，通過IP地址和端口號與PC軟件進行連接，同步在以太網上傳輸數據，由PC根據預定的數據傳輸協議對數據進行分析，從而獲得對應的監測數據。在此基礎上，通過對鐵道線路實時信號進行小波特征參數提取，然后將其輸入到神經網絡中進行故障診斷與分析。在啟動故障分析程序后，可輸出具有一定可信性的多種典型的故障類型，并給出故障的可能性與結果，將此結果輸入RBF網絡，在網絡中激活后，即可將對應的故障類型和結果顯示出來。主程序見圖3。

圖3 監測方法在測試環境中的主程序

驅動主程序后，按照以下步驟，進行設備的在線監測。

1）點擊LabVIEW軟件中的驅動程序，開始執行監測行為，點擊此按鈕后，會出現實時監控界面，界面中包括多個功能項目：故障診斷、故障數據顯示、在線監測時序等。終端監測人員可以根據現場監測作業需求，選擇對應的功能項。

2）在按下“Fuzzy NANN（神經網絡）”鍵后，會顯示Matlab的監測操作界面，根據本文所訓練的模型，對所輸入的數據進行處理，將處理后的數據保存在“.txt”文檔中。

3）點擊操作界面中的“數據顯示”，調用“.txt”文檔中的數據，處理數據后進行監測結果的生成。

4）點擊“故障診斷”功能按鍵，界面中會顯示一個設備運行的故障診斷界面。該接口由“Fuzzyy NANN”輸出的數據進行故障判定，該界面上有“類型”“程度”“原因”“故障名稱”等模塊，并顯示了出現不同條件下故障的電壓。通過此界面展示的信息，可以實現對設備監測過程中故障的實時診斷，診斷界面見圖4。

圖4 設備在線監測故障診斷界面示意圖

當該方法可以實現對故障參數與故障條件的實時展示與輸出時，證明該方法可以實現對設備的在線監測。

在此基礎上，對監測方法監測結果的準確性進行分析。將不同時刻下監測界面展示的脈沖特征頻率、脈沖發送端波峰電壓、接收端波峰電壓作為監測指標，對比在相同時刻下人工監測結果數值與此方法監測結果數值，其結果見表1。

表1 相同時刻下人工監測結果數值與此方法監測結果數值對比結果

3 結論

根據相同時刻下人工監測結果數值與此方法監測結果數值對比結果，得到以下結論。

1）本文方法監測設備脈沖特征頻率，與人工監測結果的偏差基本可以控制在0.1 Hz范圍內。

2）本文方法監測脈沖發送端波峰電壓/脈沖接收端波峰電壓，與人工監測結果的偏差基本可以控制在1 kV范圍內。

3）綜合上述結果可知，本文方法監測結果精準度較高，符合在線監測工作需求。