陳姝姝，田慕琴，宋建成

(太原理工大學(xué) 礦用智能電器技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，煤礦電氣設(shè)備與智能控制山西省重點(diǎn)實(shí)驗(yàn)室，太原 030024)

近年來(lái)，中國(guó)高鐵發(fā)展迅速，需要保證鐵路設(shè)備的安全、穩(wěn)定運(yùn)行。ZPW-2000A軌道電路是以鐵路線路的兩根鋼軌作為導(dǎo)體，并用引接線連接信號(hào)電源和接收設(shè)備所構(gòu)成的電氣回路，其軌道內(nèi)傳輸?shù)氖且祁l信號(hào)。由于軌道電路運(yùn)營(yíng)條件的復(fù)雜性，實(shí)際中發(fā)生故障的概率較大。目前，鐵路部門(mén)已建成了鐵路信號(hào)集中監(jiān)測(cè)系統(tǒng)，實(shí)時(shí)監(jiān)測(cè)軌道電路的電氣性能和運(yùn)行狀態(tài)，實(shí)現(xiàn)了“狀態(tài)修”[1]。但是鐵路信號(hào)集中監(jiān)測(cè)系統(tǒng)缺少對(duì)室外軌旁設(shè)備電特性的監(jiān)測(cè)，難以全面準(zhǔn)確地反映移頻軌道電路的真實(shí)運(yùn)行狀態(tài)[2]。

國(guó)內(nèi)外在軌道電路故障診斷方面的研究特點(diǎn)是：結(jié)合傳感器技術(shù)、信號(hào)處理技術(shù)、人工智能及計(jì)算機(jī)技術(shù)，將故障機(jī)理分析、故障特征信號(hào)提取以及故障診斷的研究成果應(yīng)用到綜合系統(tǒng)中。TIM et al[3]通過(guò)長(zhǎng)短期記憶(LSTM)遞歸神經(jīng)網(wǎng)絡(luò)來(lái)學(xué)習(xí)軌道電路的各測(cè)量信號(hào)的時(shí)空依賴(lài)關(guān)系，從而實(shí)現(xiàn)軌道電路的故障診斷；段成波[4]綜合運(yùn)用支持向量回歸、灰色模型、神經(jīng)網(wǎng)絡(luò)等方法，預(yù)測(cè)軌道電路的軌出電壓，依此預(yù)判軌道電路故障。然而目前仍然存在一些問(wèn)題，實(shí)際導(dǎo)致軌道電路故障的原因很復(fù)雜，具有明顯的模糊性和不確定性；軌道電路發(fā)生故障時(shí)的大量有效信息未得到有效利用。

針對(duì)以上問(wèn)題，提出了通過(guò)移頻信號(hào)來(lái)反映ZPW-2000A軌道電路狀態(tài)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(duì)軌道電路的幾種典型故障進(jìn)行識(shí)別診斷。以此作為鐵路信號(hào)集中監(jiān)測(cè)系統(tǒng)室外監(jiān)測(cè)的補(bǔ)充。

1 煤礦移頻信號(hào)的功率譜熵

1.1 移頻信號(hào)

ZPW-2000A軌道電路內(nèi)傳輸?shù)男盘?hào)是一種移頻信號(hào)，其時(shí)域表達(dá)式為：

(1)

式中：A，fc，Δfp，g(t)，φ0分別為移頻信號(hào)的振幅、載頻、頻偏、低頻調(diào)制信號(hào)和初始相位。表1為ZPW-2000A移頻信號(hào)頻率參數(shù)表[5]。

表1 ZPW-2000A移頻信號(hào)頻率參數(shù)表Table 1 Frequency table of ZPW-2000A FSK Hz

1.2 功率譜熵

(2)

功率譜熵的計(jì)算過(guò)程如下：先通過(guò)FFT變換得到信號(hào)的功率譜，再計(jì)算其信息熵得到功率譜熵。

(3)

根據(jù)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(hào)的頻譜結(jié)構(gòu)。 移頻信號(hào)的能量在頻率上分布越均勻，信號(hào)就越復(fù)雜，不確定度越大，譜熵也就越大[8]。

圖1為某一類(lèi)型軌道電路(載頻1 700 Hz，低頻10.3 Hz)正常狀態(tài)時(shí)的功率譜圖，計(jì)算其功率譜熵值為0.99.對(duì)其余頻率配置時(shí)的軌道移頻信號(hào)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(hào)的功率譜圖Fig.1 Power spectrum of track FSK

圖2 不同頻率時(shí)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(diào)制頻率有關(guān)，低頻調(diào)制頻率越大，譜線分布越集中，功率譜熵越?。欢c載頻幾乎沒(méi)有關(guān)系。對(duì)于軌道電路故障診斷，可以根據(jù)表征軌道電路狀態(tài)的功率譜熵大小判斷是否存在故障[8]。

圖3為根據(jù)現(xiàn)場(chǎng)測(cè)回的移頻信號(hào)數(shù)據(jù)所得的軌道電路處于不同故障狀態(tài)時(shí)的功率譜圖。由圖可看出，軌端絕緣不良對(duì)移頻信號(hào)功率譜圖造成的波形畸變最為嚴(yán)重。

圖3 軌道電路不同故障狀態(tài)時(shí)的移頻信號(hào)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(jì)算出的功率譜熵對(duì)于任何一種故障都有一定的分布范圍。表2為根據(jù)鐵路現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)計(jì)算所得的軌道電路處于不同狀態(tài)時(shí)的功率譜熵分布區(qū)間。

表2 軌道電路不同狀態(tài)時(shí)的功率譜熵分布區(qū)間Table 2 Frequency table of ZPW-2000A FSK

然而，僅僅使用功率譜熵來(lái)診斷軌道電路的故障并不理想。如果未知故障類(lèi)型的功率譜熵為1.26，則很難判斷故障屬于哪個(gè)狀態(tài)[8]。因此，本文增加自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)，綜合時(shí)域的幅值下降比、功率譜熵兩種特征值，對(duì)軌道電路故障進(jìn)行診斷。

2 ANFIS診斷模型

2.1 ANFIS概述

自適應(yīng)神經(jīng)模糊推理系統(tǒng)，簡(jiǎn)稱(chēng)ANFIS，它將神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法與模糊推理的簡(jiǎn)潔形式相結(jié)合，通過(guò)從訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)產(chǎn)生數(shù)值解。 因此，該模型不僅具有學(xué)習(xí)機(jī)制，而且具有模糊系統(tǒng)語(yǔ)言推理的優(yōu)點(diǎn)[9]。

ANFIS結(jié)構(gòu)有5層。假設(shè)模糊推理系統(tǒng)有兩個(gè)輸入，分別是x和y，輸出是f，兩者都是可用的數(shù)據(jù)對(duì)。網(wǎng)絡(luò)中同一層中的每個(gè)節(jié)點(diǎn)均具有相似的功能；其中，O1,i表示第一層輸出的第i個(gè)節(jié)點(diǎn)，其它依此類(lèi)推。

第一層：模糊化層，對(duì)輸入?yún)?shù)進(jìn)行選擇、模糊化。該層用節(jié)點(diǎn)函數(shù)表示的方形節(jié)點(diǎn)表示每個(gè)節(jié)點(diǎn)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(yǔ)言變量，與節(jié)點(diǎn)功能相關(guān)，如“高”和“低”、“大”和“小”等等；或者說(shuō)O1,i是模糊集A(A=A1,A2,B1,B2)的隸屬度函數(shù)[11]，通?？梢赃x用鐘型函數(shù)：

(7)

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

第二層：與運(yùn)算層，計(jì)算模糊規(guī)則的激勵(lì)強(qiáng)度。把兩個(gè)輸入信號(hào)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(gè)節(jié)點(diǎn)的第i條規(guī)則wi與所有規(guī)則w之和計(jì)算得到的比值：

(9)

第四層：結(jié)論層。第i層的每個(gè)節(jié)點(diǎn)均為自適應(yīng)節(jié)點(diǎn)，其輸出為[10]：

(10)

第五層：去模糊化層。此層的單個(gè)節(jié)點(diǎn)是固定節(jié)點(diǎn)，將全部輸入信號(hào)的總輸出計(jì)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(tài)時(shí)的移頻信號(hào)數(shù)據(jù)；提取故障數(shù)據(jù)特征，以此作為ANFIS故障分類(lèi)器的訓(xùn)練樣本、測(cè)試樣本；最后，建立ANFIS 故障診斷模型，識(shí)別出軌道電路的故障模式，并輸出最終的診斷結(jié)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(tǒng)

3.1 系統(tǒng)軟件設(shè)計(jì)

以LabVIEW虛擬儀器為平臺(tái)，通過(guò)Matlab與LabVIEW聯(lián)合編程，采用模塊化的設(shè)計(jì)方法，設(shè)計(jì)了在線監(jiān)測(cè)、特征提取、故障診斷、安全預(yù)警、數(shù)據(jù)存儲(chǔ)5個(gè)模塊[5]。

3.1.1 特征提取模塊

軌道電路故障時(shí)較正常狀態(tài)時(shí)的移頻信號(hào)幅值、功率譜熵均會(huì)出現(xiàn)一定的變化。因此本模塊中主要對(duì)這兩種特征量進(jìn)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(jié)構(gòu)。從鐵路電務(wù)段收集軌道電路不同故障時(shí)的數(shù)據(jù)，每種故障狀態(tài)100組數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行處理，構(gòu)成三維向量集[H1H2H3]，其中H1是“時(shí)域幅值較正常時(shí)的下降比”構(gòu)成的向量，為輸入向量；H2是“移頻信號(hào)功率譜熵”構(gòu)成的向量，也為輸入向量；H3是“軌道電路狀態(tài)編碼”構(gòu)成的向量，為輸出向量：0表示正常狀態(tài)，1表示補(bǔ)償電容故障，2表示調(diào)諧單元故障，3表示軌道短路故障。再將向量集隨機(jī)分成訓(xùn)練樣本和校驗(yàn)樣本，分別對(duì)ANFIS進(jìn)行訓(xùn)練與測(cè)試，以建立ANFIS故障診斷模型[13]。

應(yīng)用Matlab提供的anfis函數(shù)創(chuàng)建ANFIS網(wǎng)絡(luò)，以gbellmf鐘形函數(shù)作為初始隸屬度函數(shù)，設(shè)置3條隸屬度函數(shù)，進(jìn)行30次訓(xùn)練。在LabVIEW中，ANFIS故障分類(lèi)器的設(shè)計(jì)是采用Matlab script腳本實(shí)現(xiàn)的，將運(yùn)行無(wú)誤的Matlab程序?qū)氲組atlab script腳本框中即可。

3.2 系統(tǒng)測(cè)試及結(jié)果

利用該軌道電路故障診斷系統(tǒng)，結(jié)合現(xiàn)場(chǎng)軌道故障數(shù)據(jù)進(jìn)行軌道電路的故障診斷試驗(yàn)。對(duì)每種狀態(tài)進(jìn)行10組測(cè)試，從而驗(yàn)證診斷的效果。圖6為補(bǔ)償電容故障時(shí)的診斷結(jié)果圖，可以看出診斷結(jié)果是正確的[14]。統(tǒng)計(jì)正常狀態(tài)及3種故障狀態(tài)，一共40組測(cè)試結(jié)果，總體診斷正確率為97.5%，診斷效果較好。

圖6 補(bǔ)償電容故障時(shí)的時(shí)頻監(jiān)測(cè)圖Fig.6 Time-frequency monitoring chart when the compensation capacitor is in fault state

4 結(jié)論

1) 在研究移頻信號(hào)功率譜的理論基礎(chǔ)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(lèi)器進(jìn)行軌道電路的故障模式識(shí)別，簡(jiǎn)化了軌道電路故障診斷的復(fù)雜性。

2) 運(yùn)用LabVIEW平臺(tái)對(duì)移頻信號(hào)進(jìn)行深入分析，對(duì)軌道電路故障的類(lèi)型、位置進(jìn)行識(shí)別。LabVIEW軟件界面友好、運(yùn)行可靠，可全面監(jiān)測(cè)ZPW-2000A軌道電路室外部分的運(yùn)行狀態(tài)。