人工智能在鐵路信號故障診斷中的應用路徑分析

張賀寧?李欣?王彩?王偉芳

摘要：鐵路是現代綜合運輸體系中的重要組成部分，近年來，在我國鐵路交通行業的迅猛發展下，鐵路基礎設施及技術體系也在隨之完善。但是在智能化、自動化的發展模式下，精密的儀器、繁瑣的信號傳輸機制等增加了系統運行中的故障問題，如未能及時處理，可能增加鐵路交通的運輸風險。基于此，介紹了鐵路信號中傳統故障診斷方法，并對人工智能在鐵路信號故障診斷中的應用路徑進行研究。

關鍵詞：人工智能；鐵路信號；故障診斷

一、前言

鐵路作為重要的交通工具，在城市化發展進程的不斷加快下，其重要性愈發突出。鐵路系統具有多元性、自動性、高效性等特點，系統相關功能的實現需要借助不同載體完成指令驅動。鐵路在運行過程中，內部組件可能因為持續運轉產生損耗問題，如果未能及時查找到損耗點，極易產生運行失效的現象。鐵路信號故障診斷功能的實現，是利用信號監測出鐵路系統在運行期間可能產生的問題，通過故障診斷與分析，及時查找到系統運行中產生故障的時間與空間，幫助工作人員更為直接地查找到問題所在。在先進科學技術、工藝理念的支撐下，信號故障診斷體系也經歷了傳統診斷、模型診斷、人工智能診斷等幾個階段。如今，在人工智能技術的應用下，鐵路信號故障診斷更為精確化、智能化，其可在無人監管的情況下，按照人類的工作思維，對鐵路信號進行全天候的監測，最大限度提高鐵路系統運行的安全性。接下來，本文便對人工智能在鐵路信號故障診斷中的應用路徑進行探討，僅供參考。

二、鐵路信號中的傳統故障診斷方法

鐵路信號故障診斷方法多種多樣，且呈現出逐步更新勢態，檢測方式也從人工模式轉變到電子信息模式、數字模型模式，以及現階段的人工智能模式，專業化、智能化的轉變方式也證實著我國科學技術的發展途徑。

（一）傳統故障診斷方法

傳統故障診斷方法主要是指技術維修人員按照自己的經驗診斷鐵路信號的故障問題。此種現場檢測方法較為常見，如，壓縮方式、邏輯推理模式、觀察比較方式等，可以讓工作人員初步判斷故障的產生點，且人員可以借助專業設備儀器檢索出當前系統中是因為聯動影響增加系統故障的產生概率[1]。此類診斷方法的原理是以鐵路信號系統作為基底，在系統運行過程中，內部數據信息可能呈現的外在狀態可以直接或間接表明系統運行是否規范，如果出現故障，能夠通過某項故障點，了解到具體的動因。然后工作人員再借助個人的維修經驗，進一步檢索出系統運行中的故障問題。此類診斷方法即便是在智能化、自動化的診斷體系中，也沒有被淘汰，甚至可與人工智能診斷方法聯合使用，提高實際檢測效率，讓各項檢測工作更具時效性[2]。

（二）基于函數的信號檢測方式

通常情況下，利用函數的方式進行監測，可以更為直接地監測到信號系統內部是否存在異常問題。利用函數分析時，先進行特征提取，并利用函數關系，找到信號特征關系之間的差異現象，如果存在差異點，便可界定此類信號監測路段中存在故障問題，且整個處理過程無需人工憑借自己的經驗，而是通過儀器設備得出最終的數據結果。與此同時，此類監測方式對人員的專業度要求不高，只需要人員具備操作儀器設備的能力，便可以監測到該信號系統當前運行狀態是否規范、穩定。但是在具體應用過程中，信號檢測方式具有局限性，無法按照系統內部呈現的多點功能進行多維比對與分析，即為單憑某一個信號故障點去界定當前系統有哪些故障，存在以偏概全的現象，縮減了信號檢測方式的應用面[3]。為此，在后續發展中，需要加強對信號檢測工作的調整，從時間維度、空間維度給予必要的優化，讓故障檢測能夠按照信號的變動問題固定在某一個點位上，增強故障診斷的針對性與精確性。

（三）基于精確數學的解析模型方式

解析模型方式是一種較為精密的檢測手段，其借助數學模型可以更為精準分析當前信號系統運行存在的故障。解析模型方式結合了函數理論、統計學理論等，在數字化聯動機制下，可以全方位檢索到系統中存在的不穩定因素，且數據之間的變動方式也可描述信號系統的運行狀態，讓監測工作更具實用性。在鐵路信號系統運行過程中，內部數據之間的關系不再局限于特定的應用范疇中，而是通過信號內部的鏈接關系，在信號輸入與輸出之間提供一個能夠彼此認證關系的邏輯體系。工作人員在檢修期間，則可以通過觀察邏輯關系形成的數學模型，判定系統運行是否存在故障問題，且各項數字關系之間也不再局限于特定的功能組成，而是通過數據分析預判出當前信號系統在執行某項行為時可能存在的問題，且此類監測工作具有動態性、持續性，既可以作為檢測前的排查，也可以作為檢測的認證機制[4]。從系統運行機制來講，每項數據管理工作的開展，均可以按照不同的功能點設置任務驅動機制，并可以由模型進行解析，整個數據之間的關系不再局限于特定的模型鏈接任務中，而是通過數據信息之間的對接方式，讓各項檢測功能可以精準作用到不同的場景中。此外，解析模型可以進行累積，即為將故障生成的數據信息進行記錄，并作為故障檢測的重要經驗點，如果后續出現故障時，也可以及時調配出解析模型進行比對，幫助工作人員更為全面地分析故障所在，為鐵路信號系統運行奠定堅實基礎。

三、人工智能在鐵路信號故障診斷中的應用路徑

鐵路信號故障診斷中，由于各項先進技術設備的應用，在實際檢測與分析期間，如果過于沿用傳統的故障檢測方法，可能在部分信號檢測數據傳輸方面呈現出脫節的問題，從而無法及時反饋鐵路信號中存在的故障點。人工智能技術的應用則是建立在專家系統、神經網絡控制、模糊邏輯控制理論上，實現對鐵路信號故障問題的全過程化檢索，且人工智能可以按照人們的思維，深入分析鐵路信號產生故障的各項關聯點，通過集中識別的方式，診斷信號故障所處的關聯狀態，然后通過預測、分析，創建更為完整的監測機制，全天候、實時地檢索到鐵路信號系統運行中存在的故障問題[5]。

（一）專家系統在鐵路信號故障診斷中的應用

專家系統作為智能計算機程序系統，其通過計算機強大的整合處理與挖掘功能，將某個領域專家水平的知識與經驗進行復刻處理，然后經由人工智能的方式，利用已經具備的知識經驗，創建具有人類思維的推理與判斷流程。通過模擬人類專家的決策過程，可以幫助各類系統在處理問題時能夠以合理、可操控的方式解決系統運行中存在的各項問題點。對于鐵路信號系統而言，當出現故障時，借助專家系統在鐵路信號系統之間加設一個實時化、全天候的檢測機制，當故障問題產生時，信號可能會出現變動情況。此時信號傳輸到專家系統中，專家系統立即進行識別，并分析當前信號存在變動的主要原因，最終通過時間與空間方面的定位，幫助工作人員查找到鐵路信號故障的具體產生點。除此之外，在人工智能技術的應用下，整個處理流程乃至完善方法不再需要過多的人員干預。屆時人工智能系統可以按照當前的故障問題，在專家系統內部自動找尋出解決此類故障的具體方法，因為某個領域專家水平的知識與經驗則可以成為自動檢索與處理該故障的一個指標點，無需人工參與，并可以按照系統內部給予的決策指令去自動完成優化。當然也有部分故障可能是因為設備硬件的損壞而產生問題，此時專家系統則可以立即生成解決方案，上報到終端，讓工作人員進行處理。

從實際使用效果來講，專家系統在鐵路信號故障診斷中的應用優勢包含下列幾點。第一，可以模擬專家的思維，按照特定邏輯方式，對信號中存在復雜性的傳輸機制進行精確分析，且每一類信號所呈現出的關聯影響，均可以被專家系統識別與推斷。第二，專家系統所使用的知識均是以符號為主，通過在專家系統內部預設推理模塊，按照系統內部既定的程序執行檢索行為，讓信號診斷過程之中無需通過人工輸入指令，便可以精確地檢索系統運行中存在的問題。第三，專家系統在運行期間可以對信號傳輸中的各項環節起到良好的銜接作用，其既可以甄別出系統運行中存在的故障，也能夠對傳輸信號的各項設備終端載體進行精確化檢索，這樣可以更為真實、全面地分析診斷結果。

當然在實際使用過程中，專家系統也呈現出一定的使用弊端，主要體現在知識獲取難度較大，知識經驗臺階較窄，人工智能的凸顯優勢不明顯等問題。對此，在后期應用及發展過程中，可以在專家系統運行架構之上加入故障樹的處理方式，進一步完善知識資源庫，此時則可以讓專家系統內部的邏輯思維以及各類知識經驗突破固有的局限，讓系統所具備的診斷功能更加全面、高效與便捷。其間，故障樹可以將專家系統內部的知識庫進行簡化處理，排除不必要的知識內容，然后幫助專家系統進行精確化的邏輯推斷，有效提高鐵路信號系統故障檢測效率[6]。

（二）模糊邏輯診斷法在鐵路信號故障診斷中的應用

模糊邏輯是指建立在多值邏輯基礎之上，運用模糊集合的方式研究模糊性思維、語言形式及規律的一種科學方法。此類技術最早是由20世紀60年代美國科研人員提出的，其本身是建立在模糊集合論的基礎之上，來進一步明晰不同數值所呈現的界限點，然后分析出在系統驅動過程之中數值模糊在多值集合之上可能呈現的變動情況，進而精確檢索系統運行中存在的各項問題。從人工智能角度來講，模糊邏輯則是按照人腦思維的方式，對相關概念或者推理形式進行不確定性的思維認證，其本身可以看成是建立在模糊未知或者是不能確定的描述系統、非線性控制對象來進行特定模糊規則的推理，這樣以模糊作為過渡性界限的定性認知，可以綜合判斷或者是近似地模仿人們思維進行一定的推理。此類模糊邏輯的診斷方式在系統運行之間具有更多的優勢。在20世紀80年代，日本便將模糊邏輯控制技術應用于列車的自動化控制系統之中，真正實現了理論意義上的無人駕駛，此類技術成果也逐漸被歐美國家所引用，并逐漸地運用于地鐵以及各項列車的應用之中。

在鐵路信號故障診斷之中，模糊邏輯控制方法的實現則是在模糊理論基礎之上幫助系統分析出故障產生的原因與具體現象，為了能夠增強兩者之間的連接性，需要通過模糊關系矩陣確定系統執行某一項行為時所產生的信號信息是否能夠在模糊控制模型的結構性知識架構之上完成相對應的表述。整個模糊控制理論的推理過程近乎人們的思維方式，其是對事件可認定性的一種固定描述，然后把人們處理所產生的各項思維當成是模糊控制或者是下一階段控制的基準點，從多個方面分析出系統運行期間，因為信號信息傳輸故障而導致的關聯影響[7]。

模糊邏輯診斷方法的具體實現主要分為下列兩種，第一，基于模糊關系合成算法的診斷方式。第二，基于模糊知識技術的診斷方式。因為在信號系統傳輸過程中，其是對整個鐵路運行機制起到傳輸與支撐的作用，這也導致故障問題的產生具有多樣化特點。但是從故障具體的動因形式或者是差別形式來講，任何一項故障產生均是通過內部數據信息以及函數關系模糊規則來確定的，此類診斷方法固然可以提高系統的檢測效率，但是在模糊邏輯確定期間，仍然對系統內部知識庫具有過多的依賴，間接導致在知識診斷以及數據分析時無法提供更多的獲取來源，所以在系統的驅動以及檢測期間仍存在較多的可補充性。

為此在后期檢測過程中，可以分析出模糊邏輯之間的語言變量，所能涵蓋的最大區域點，保證內部信息具有可讀性，這樣才可以在識別范圍之內、邏輯推理能力期間，模糊語言變量與自然語言相對接近，那么便可以將模糊邏輯診斷過程貼合于人類的思維方式，并按照自然語言的呈現機制，對各類系統運行中信號所產生的信息進行合理描述。但是其中又存在故障診斷過于依賴知識庫的問題，為了能夠充分解決學習能力低下的問題，則可以在診斷過程中加入神經網絡方式，讓整個系統具備較強的學習能力，且在模糊邊界的分析期間也可以按照神經網絡系統之間節點呼應與對接的功能進行鏈接處理，讓系統本身建立在特定規則知識之上，完成系統內部的自主優化及學習。如此一來，則可以保證系統在進行推理時，不會因為特定的邏輯方式而產生斷層問題，充分解決在推理過程中因為邊界不清而造成的匹配沖突現象，進而提高推理的邏輯性與指向性。

（三）神經網絡診斷法在鐵路信號故障診斷中的應用

基于神經網絡的智能診斷方法，模擬人腦結構并進行信息處理而實現復雜問題的求解。其在鐵路信號故障診斷中的應用主要有兩種方式：第一，神經網絡以分類器的身份進行故障模式的識別。第二，神經網絡作為動態預測模型而進行故障的診斷與分析[8]。神經網絡對于專家知識庫的依賴程度較低，且不會因為大容量數據的導入產生冗余問題，有較高的容錯能力，可以保證系統在實現某項功能時，以神經元作為基礎單位，獨立計算出系統運行中可能存在的問題。此外，神經網絡系統具有較強的自主學習能力，可在處理某項數據信息時，按照系統內部預設的程序，自主識別風險，且把此類指標作為后期檢索識別的標定點。在鐵路信號故障診斷中，利用神經網絡可以綜合分析不同運行場景中故障的產生點，并按照特定的操作機制，對系統內部產生的變量數據進行精細分析，從而提高數據信息的檢索效率，能夠真實、高效地反饋系統運行存在的錯誤點。另一方面，神經網絡系統在運行過程中，可以通過不斷的試錯學習，在信號系統內部的諸多變量中找到數據可控點，然后分析數據或信號信息的閾值、權值等，測算出當前系統運行中實際數據與正常數據之間的差值，從而幫助工作人員更好地認清系統運行中的故障問題，并制定解決方案，為鐵路信號系統的運行奠定堅實基礎。

（四）模型解析診斷法在鐵路信號故障診斷中的應用

模型解析診斷法的應用及實現是在確定診斷目標之后，按照模型建構出的規則，分解與識別系統運行中存在的故障問題。此類方式的應用理論為數理統計分析、函數關系解析等，通過嚴格、縝密的數學思維，分析系統在運行過程中，因為數字變化產生的差值，如此一來，系統相關功能的實現，則可按照其衍生出的邏輯關系，判定當前系統運行中存在哪些差異點，以此提高動態監測效果。此外，模型解析方法，還包含等價空間法、最小二乘法等，但是其中不同的監測方式，需要具體明確監測對象之后，才可以進行相對應的監測，保證系統功能在呈現過程中，不會產生診斷誤區。但是此類診斷方法也存在一定的弊端，即在明確診斷對象的環節增加監測的局限性，所以，模型解析法需要配合數學模型，才可以拓寬監測范圍，提升對鐵路信號系統的監測質量。

四、結語

綜上所述，鐵路信號系統具有綜合性、復雜性，信號的穩定傳輸決定系統運行是否規范。在不同應用場景下，能夠通過監測信號分析整個鐵路系統的運行參數，并可以實現全天候的動態監測。針對鐵路信號系統故障診斷方式來講，利用人工智能的方式，對系統內部信號傳輸機制進行智能化、自動化檢索，可以最大限度地增強系統檢索效率，且當發現故障時，可以及時反饋到控制終端，讓工作人員了解到故障的產生時間與空間，及時找到故障產生的動因點，并做好防范處理。從未來發展趨勢來講，鐵路信號故障診斷的智能化處理將隨著技術、設備的更新而愈發重要，所以需要加強研發人工智能處理技術，及時引入新理念、新工藝，從基礎方面夯實故障診斷模式，確保我國鐵路事業的穩定發展。

參考文獻

[1]曹巍.基于神經網絡的鐵路信號設備故障診斷方法研究[J].自動化應用，2022（06）：46-48.

[2]于勇.基于狀態推理的全電子鐵路信號計算機聯鎖故障診斷[J].自動化與儀器儀表，2021（09）：54-57+61.

[3]張湘婷.基于關聯規則的鐵路信號設備故障診斷方法研究[D].蘭州：蘭州交通大學，2021.

[4]李新琴，張鵬翔，史天運，李平.基于深度學習集成的高速鐵路信號設備故障診斷方法[J].鐵道學報，2020，42（12）：97-105.

[5]王東升.人工智能在鐵路信號故障診斷中的應用研究[J].科技風，2020（17）：123-124.

[6]匡薇.淺析幾個常見鐵路信號設備故障診斷方法[J].計算機產品與流通，2019（09）：167.

[7]石磊.淺析幾個常見鐵路信號設備故障診斷方法[J].電子世界，2018（06）：160-161.

[8]徐明.基于信息融合的鐵路信號設備故障診斷方法研究[J].交通世界，2017（08）：144-145+147.

作者單位：? 新疆鐵道職業技術學院