米根鎖，王彥快，馬學(xué)霞

（蘭州交通大學(xué)自動化與電氣工程學(xué)院，甘肅 蘭州 730070）

1 引言

所謂預(yù)警是指測度某一警素的現(xiàn)狀和未來狀況，預(yù)報不正常狀態(tài)的危害程度和范圍，從而提出防范措施[1]。由于軌道電路的兩根鋼軌設(shè)在線路道床的基礎(chǔ)上，其工作性能受自然條件的影響較大，尤其對于煤炭、石油等貨物運輸鐵路站場而言，受其環(huán)境和工作性質(zhì)的影響，部分軌道區(qū)段處于極端惡劣的工作環(huán)境之中，產(chǎn)生分路電阻增大問題，從而造成軌道分路靈敏度降低，致使軌道電路分路不良而出現(xiàn)“車壓不死區(qū)段”的現(xiàn)象[2]。由于以上問題所引起的故障有著長期潛在的因素，不易掌握和控制，若不及時發(fā)現(xiàn)并采取措施，將影響行車效率，更為嚴重的會導(dǎo)致重大事故發(fā)生[3]。針對以上問題，本文以站內(nèi)25Hz相敏軌道電路為例，建立軌道電路分路不良預(yù)警系統(tǒng)，在對軌道區(qū)段調(diào)整電壓、現(xiàn)場溫度、濕度進行實時監(jiān)測的基礎(chǔ)上，采用BP神經(jīng)網(wǎng)絡(luò)方法對其監(jiān)測數(shù)據(jù)進行智能處理、報警，以便通知電務(wù)人員及時解決軌道電路故障，保證軌道電路的正常工作。

2 預(yù)警指標體系的建立

2.1 基本思路

軌道電路分路不良預(yù)警是通過判斷基本指標信息和預(yù)警知識庫中的信息是否匹配來實現(xiàn)的，基于以上思想，建立軌道電路分路不良預(yù)警知識庫，其中存有軌道電路分路不良時的各指標的典型特征值。通過實時監(jiān)測這些特征信息，并與預(yù)警知識庫進行對比，從而判斷發(fā)生軌道電路分路不良可能性的大小。傳統(tǒng)的預(yù)警方法是通過設(shè)置數(shù)條預(yù)警線實現(xiàn)的，受人為因素影響較大，而且在列車行駛的過程中，情況非常復(fù)雜，與預(yù)警知識庫中的信息完全匹配幾乎是不可能的，所以本文將采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建BP 神經(jīng)網(wǎng)絡(luò)預(yù)警模型，利用改進BP算法中常用的L-M（Levenberg-Marquardt）算法預(yù)測故障發(fā)生的可能性。

2.2 預(yù)警指標的選擇

影響軌道區(qū)段端電壓大小的因素有鋼軌阻抗、道砟電阻、軌道電路的類型及長度等。對于具體的車站，軌道區(qū)段性能、軌道電路類型及長度是確定的，所以道砟電阻起著主導(dǎo)作用。道砟電阻值的大小，一方面取決于線路上部建筑的結(jié)構(gòu)，即與道砟的材料、道砟層的厚度與清潔度、軌枕的材質(zhì)與數(shù)量有關(guān)；另一方面，還取決于溫度和濕度的變化[4]。綜上所述，通過定量分析和定性分析相結(jié)合的方法，對影響軌道電路分路不良的指標進行篩選，從而選用4個輸入變量作為預(yù)警指標，即軌道電壓、車站所處環(huán)境的溫度、濕度以及故障累計次數(shù)；1個網(wǎng)絡(luò)輸出作為警兆指標，即故障危險性程度。

2.3 預(yù)警警限區(qū)域界定

軌道電壓的預(yù)警警限區(qū)域界定如圖1所示。a表示道砟電阻取最大值時軌道繼電器端電壓（根據(jù)軌道電路的四端網(wǎng)絡(luò)模型計算得到，與軌道電路類型以及長度有關(guān)[5]）；b 表示調(diào)整狀態(tài)下軌道區(qū)段正常工作的電壓值；c表示道砟電阻取最小值時軌道繼電器端電壓；d 表示二元二位軌道繼電器穩(wěn)定落下值（根據(jù)具體車站而定）[6]。

報警區(qū)1表示軌道端電壓值大于調(diào)整狀態(tài)的上限值，相當(dāng)危險；報警區(qū)2表示無車占用但軌道區(qū)段反應(yīng)為有車占用，通常由于道砟電阻低，漏泄電流大而引起的“紅光帶”故障，從而影響行車效率；調(diào)整狀態(tài)正常區(qū)與分路狀態(tài)正常區(qū)表示軌道電路工作正常，但是不能避免故障發(fā)生，例如：當(dāng)軌道電壓值的變化范圍在19～22V 內(nèi)波動，雖然在調(diào)整狀態(tài)正常區(qū)，但是電壓的不正常波動將表明有發(fā)生故障的趨勢，所以將此區(qū)域定義為預(yù)警區(qū)。

Figure 1 Definition of warning limit district圖1 警限區(qū)域界定

3 預(yù)警模型的構(gòu)建及分析

3.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型

BP神經(jīng)網(wǎng)絡(luò)是一種采用誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò)，其主要特點是信息正向傳播，誤差反向傳播[7]。在傳遞過程中，輸入信號經(jīng)過輸入層、隱含層的逐層處理，直至輸出層，若在輸出層得不到期望值，則反向傳播，根據(jù)預(yù)測誤差調(diào)整權(quán)值和閾值，使BP神經(jīng)網(wǎng)絡(luò)的輸出不斷逼近預(yù)測輸出值。其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

Figure 2 BP neural network structure圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在圖2 中，系統(tǒng)的輸入向量為：P＝（p1，p2，…，pn）T，隱含層輸出向量為：Y＝（y1，y2，…，ym）T，輸出層輸出向量為：O＝（o1，o2，…，ol）T，輸入層至隱含層的連接權(quán)值向量為：V＝（v1，v2，…，vm）T，閾值為θ；隱含層至輸出層的連接權(quán)值向量為：W＝（w1，w2，…，wl）T，閾值為θ′。

信息正向傳播過程中，隱含層中各神經(jīng)元的輸出可表示為[8]：

輸出層中各神經(jīng)元的輸出可表示為：

BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元傳遞函數(shù)采用Sigmoid函數(shù)：

在預(yù)警前，BP 神經(jīng)網(wǎng)絡(luò)需要一個誤差反向傳播的學(xué)習(xí)過程。在此過程中，網(wǎng)絡(luò)根據(jù)輸入的訓(xùn)練樣本調(diào)整修改連接權(quán)值V、W 及閾值θ、θ′，使網(wǎng)絡(luò)的總誤差E 小于設(shè)定的允許值，從而得到穩(wěn)定的各神經(jīng)元連接權(quán)值和閾值。采用梯度法修正權(quán)值和閾值，其迭代式為：

其中，η為網(wǎng)絡(luò)學(xué)習(xí)速率，α為動量系數(shù)。

網(wǎng)絡(luò)誤差E 采用常見的平方誤差，如式（5）[9]所示：

式（1）～式（5）構(gòu)成了BP神經(jīng)網(wǎng)絡(luò)模型。

3.2 軌道電路分路不良預(yù)警BP神經(jīng)網(wǎng)絡(luò)的設(shè)計與實現(xiàn)

（1）輸入數(shù)據(jù)的歸一化處理。

為使各指標在預(yù)警系統(tǒng)中具有可比性，將樣本數(shù)據(jù)處理成[0，1]中無量綱的指標值。指標有正向與負向指標之分，正向指標按式（6）處理，負向指標按式（7）處理[10]。在本文中，正向指標處理后的值越大越安全，危險等級越小；相反，負向指標處理后的值越小越安全，危險等級越小。

軌道電路分路不良預(yù)警BP 神經(jīng)網(wǎng)絡(luò)模型采用1個輸入層、4個輸入層節(jié)點、1個輸出層、1個輸出層節(jié)點。采用多隱含層可提高精度，降低網(wǎng)絡(luò)誤差，但也會使網(wǎng)絡(luò)復(fù)雜化，增加迭代非收斂的概率，所以在本文中采用單隱含層的網(wǎng)絡(luò)結(jié)構(gòu)，選擇典型的三層BP 神經(jīng)網(wǎng)絡(luò)。隱含層節(jié)點數(shù)通常是根據(jù)經(jīng)驗及輸入層節(jié)點數(shù)而確定，常見的經(jīng)驗公式是[11]：

其中，h為隱含層節(jié)點數(shù)，n 為輸入層節(jié)點數(shù)，m 為輸出層節(jié)點數(shù)。根據(jù)式（8）計算得到隱含層節(jié)點數(shù)為3，所以該網(wǎng)絡(luò)的拓撲結(jié)構(gòu)為4-3-1。

（3）網(wǎng)絡(luò)訓(xùn)練。

本文以昆明局拉鲊站的相關(guān)情況為例，通過對現(xiàn)有典型軌道電路分路不良時軌道電壓、現(xiàn)場溫濕度的監(jiān)測，結(jié)合故障累計次數(shù)，建立訓(xùn)練樣本。由于預(yù)警模型的仿真精度與樣本數(shù)有直接關(guān)系，本文建立80個學(xué)習(xí)樣本用于軌道電路分路不良預(yù)警網(wǎng)絡(luò)訓(xùn)練。

隨機抽取80個樣本中的72個作為訓(xùn)練樣本，其余8個作為檢驗樣本。利用MATLAB 7.0訓(xùn)練平臺對網(wǎng)絡(luò)進行訓(xùn)練，并預(yù)先設(shè)置一些訓(xùn)練參數(shù)。BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元傳遞函數(shù)采用tansig（）與purelin（）函數(shù)，訓(xùn)練函數(shù)采用L-M 算法所對應(yīng)的trainlm（）函數(shù)。某次訓(xùn)練的誤差曲線圖如圖3所示。

（2）網(wǎng)絡(luò)拓撲結(jié)構(gòu)的確定。

Figure 3 Training sample error'curve圖3 訓(xùn)練樣本誤差曲線圖

如圖3所示，當(dāng)網(wǎng)絡(luò)學(xué)習(xí)速率η＝0.05、動量系數(shù)α＝0.9、訓(xùn)練步長為50、最大訓(xùn)練次數(shù)為1 000、目標誤差設(shè)置為1e-5時，網(wǎng)絡(luò)訓(xùn)練7次后就已取得較好的收斂效果，訓(xùn)練樣本誤差隨著訓(xùn)練過程的延續(xù)而逐漸減小，并趨于目標誤差。

（4）預(yù)警知識庫的建立及完善。

軌道電路分路不良預(yù)警知識庫包括網(wǎng)絡(luò)學(xué)習(xí)后網(wǎng)絡(luò)結(jié)構(gòu)的輸入層節(jié)點數(shù)、輸出層節(jié)點數(shù)、隱含層節(jié)點數(shù)以及網(wǎng)絡(luò)連接權(quán)值矩陣的相關(guān)數(shù)據(jù)。經(jīng)過訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)，通過輸入分路不良各指標值的歸一化值后，得到網(wǎng)絡(luò)輸出值，并將其作為新的學(xué)習(xí)樣本輸入神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，使預(yù)警知識庫更加完善。

4 預(yù)警結(jié)果分析

將預(yù)警指標的監(jiān)測值輸入到訓(xùn)練后的BP 神經(jīng)網(wǎng)絡(luò)中，根據(jù)網(wǎng)絡(luò)輸出值預(yù)測故障危險性程度。網(wǎng)絡(luò)輸出變量有三種狀態(tài)，相應(yīng)地根據(jù)故障危險程度劃分為三個預(yù)警等級和預(yù)警信號，其對應(yīng)關(guān)系如表1所示。

Table 1 Pre-warning degrees and numerical evaluation’s relation table表1 預(yù)警等級與數(shù)值評估關(guān)系表

為驗證BP 神經(jīng)網(wǎng)絡(luò)預(yù)警方法的性能，現(xiàn)以XJG 為例，監(jiān)測并記錄XJG 的軌道電壓與該站所處環(huán)境的溫濕度。分別將8組數(shù)據(jù)歸一化處理后輸入到已訓(xùn)練好的網(wǎng)絡(luò)中進行測試，得到相應(yīng)的網(wǎng)絡(luò)輸出值，其數(shù)據(jù)與預(yù)警結(jié)果如表2所示。

根據(jù)表2中的網(wǎng)絡(luò)輸出值，結(jié)合表1的相關(guān)數(shù)據(jù)信息，可以判斷出第1、2、3、6組數(shù)據(jù)有一般故障危險，系統(tǒng)發(fā)出“藍色”預(yù)警信號；第7組數(shù)據(jù)有重大故障危險，系統(tǒng)發(fā)出“紅色”預(yù)警信號；第4、5、8組數(shù)據(jù)無故障危險，系統(tǒng)發(fā)出“綠色”預(yù)警信號。以上預(yù)警結(jié)果表明，當(dāng)有發(fā)生故障趨勢時，系統(tǒng)能夠根據(jù)網(wǎng)絡(luò)輸出值判斷出預(yù)警等級，并發(fā)出相應(yīng)預(yù)警信號，同現(xiàn)場的實際情況一致，同時證明了將BP神經(jīng)網(wǎng)絡(luò)用于軌道電路分路不良預(yù)警中具有較高的準確性和應(yīng)用價值。現(xiàn)場采用傳統(tǒng)設(shè)置數(shù)條軌道電壓警線的方法判斷故障發(fā)生與否而實現(xiàn)報警，即只有當(dāng)監(jiān)測到的軌道電壓值在圖1所示的報警區(qū)2中，系統(tǒng)才發(fā)出報警信號，此時必須派人到現(xiàn)場檢查并確認列車位置及相關(guān)情況，所以受人為因素影響較多，效率極低。而BP 神經(jīng)網(wǎng)絡(luò)預(yù)警方法能夠綜合影響軌道電路分路不良的多個主要因素，更加準確地預(yù)警故障發(fā)生的趨勢，根據(jù)不同的預(yù)警信號，實施相應(yīng)措施，從而實現(xiàn)真正意義上的狀態(tài)修復(fù)。

5 結(jié)束語

本文以站內(nèi)25Hz相敏軌道電路為例，在建立預(yù)警評價指標體系的基礎(chǔ)上，構(gòu)建了軌道電路分路不良BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型。預(yù)警結(jié)果表明：

（1）由于影響軌道電路分路不良的因素很多，故障的發(fā)生具有一定的模糊性和隨機性，而BP神經(jīng)網(wǎng)絡(luò)具有良好的模式識別能力和較強的非線性處理能力，能從大量復(fù)雜數(shù)據(jù)中通過學(xué)習(xí)發(fā)現(xiàn)規(guī)律，所以基于BP神經(jīng)網(wǎng)絡(luò)的軌道電路分路不良預(yù)警方法是可行的。

（2）BP神經(jīng)網(wǎng)絡(luò)預(yù)警方法有效地減少了傳統(tǒng)預(yù)警方法的人為因素，具有自學(xué)能力強、可信度高、速度快等特點，能較好地模擬專家評價方法。

（3）BP神經(jīng)網(wǎng)絡(luò)在軌道電路分路不良預(yù)警中具有較高的準確性和應(yīng)用價值，對解決軌道電路分路不良問題提供了有效的技術(shù)支持，為軌道電路日常維護和故障的及時發(fā)現(xiàn)處理創(chuàng)造了條件。

Table 2 Pre-warning results表2 預(yù)警結(jié)果

[1]Bian Xi-chen，Chen Li-hua，Wang Peng.Application of BP neural network on health warning of forest ecosystem[J].Bulletin of Soil and Water Conservation，2011，31（4）：108-111.（in Chinese）

[2]Liu Yan.Probe into the problems in and solutions for the track circuit under the conditions of small ballast resistance and large shunt resistance[J].Sci-tech Information Development ＆Economy，2010，2.（25）：200-202.（in Chinese）

[3]Ma Yi-bu.The analysis of the common faults in poor shunting of track circuit[J].Automation ＆Instrumentation，2012，2.（1）：110-111.（in Chinese）

[4]Ren Guo-qiao.The research of the solutions in poor-shunting of track circuit[J].RSCE，2008，5（5）：41-44.（in Chinese）

[5]An Hai-jun，Li Jian-qing，Wu Bao-ying.The 25Hz phase detecting track circuit[M].Beijing：China Railway Publishing House，2006.（in Chinese）

[6]Li Wen-hai.The principle，maintenance and trouble-shooting of the 25Hz phase detecting track circuit[M].Beijing：China Railway Publishing House，2010.（in Chinese）

[7]Li Song，Xie Yong-le，Wang Wen-xu.Application of Ada-Boost＿BP neural network in prediction of railway freight volumes[J].Computer Engineering and Applications，2012，48（6）：233-234.（in Chinese）

[8]Xin Jing，Xia Deng-you，Kang Qing-chun.Application of BP neural network in the fore-warning of vehicle fires[J].China Safety Science Journal，2006，16（11）：29-33.（in Chinese）

[9]Nefti S，Oussalah M.A neural network approach for railway safety prediction[C]∥Proc of International Conference on Systems，Man and Cybemetics，2004，65（7）：3915-3920.

[10]Feng Ji-miao，Hu Li-fang.Accident database early warning based on BP neural network[J].Computer Systems ＆Applications，2011，2.（9）：127-130.（in Chinese）

[11]Liu Zhi-jie，Ji Ling，Ye Yu-ling.Study on prediction of railway freight volumes based on RBF neural network[J].Journal of the China Railway Society，2006，2.（5）：1-5.（in Chinese）

附中文參考文獻：

[1]卞西陳，陳麗華，王鵬.BP 神經(jīng)網(wǎng)絡(luò)在森林健康預(yù)警中的應(yīng)用[J].水土保持通報，2011，31（4）：108-111.

[2]劉燕.道碴電阻小和分路電阻大情況下軌道電路存在問題的解決方法探討[J].科技情報開發(fā)與經(jīng)濟，2010，2.（25）：200-202.

[3]馬義不.軌道電路分路不良常見問題分析[J].自動化與儀器儀表，2012，2.（1）：110-111.

[4]任國橋.基于軌道電路解決站內(nèi)分路不良方案的研究[J].鐵路通信信號工程技術(shù)，2008，5（5）：41-44.

[5]安海軍，李建清，吳保英.25Hz相敏軌道電路[M].北京：中國鐵道出版社，2006.

[6]李文海.25Hz相敏軌道電路原理、維護和故障處理[M].北京：中國鐵道出版社，2010.

[7]李松，解永樂，王文旭.AdaBoost＿BP神經(jīng)網(wǎng)絡(luò)在鐵路貨運量預(yù)測中的應(yīng)用[J].計算機工程與應(yīng)用，2012，48（6）：233-234.

[8]辛晶，夏登友，康青春.BP 神經(jīng)網(wǎng)絡(luò)技術(shù)在交通工具火災(zāi)預(yù)警中的應(yīng)用[J].中國安全科學(xué)學(xué)報，2006，16（11）：29-33.

[10]馮繼妙，胡立芳.基于BP神經(jīng)網(wǎng)絡(luò)的車禍庫預(yù)警技術(shù)[J].計算機系統(tǒng)應(yīng)用，2011，2.（9）：127-130.

[11]劉志杰，季令，葉玉玲.基于徑向基神經(jīng)網(wǎng)絡(luò)的鐵路貨運量預(yù)測[J].鐵道學(xué)報，2006，2.（5）：1-5.