楊 璟，王小敏，張文芳，鄭啟明，陳 磊

(1.西南交通大學(xué) 信息科學(xué)與技術(shù)學(xué)院，四川 成都 611756；2.英國(guó)伯明翰大學(xué) 伯明翰鐵路研究與教育中心， 伯明翰 B15 2TT)

軌道電路是自動(dòng)完成列車占用狀態(tài)檢查的鐵路信號(hào)設(shè)備，其工作質(zhì)量直接影響鐵路運(yùn)輸?shù)男?，也是列車安全運(yùn)行的重要保障。軌道電路故障模式復(fù)雜，現(xiàn)場(chǎng)處理故障時(shí)間較長(zhǎng)，嚴(yán)重影響鐵路運(yùn)輸秩序，是鐵路信號(hào)現(xiàn)場(chǎng)維護(hù)的難點(diǎn)。因此，探索各種智能診斷方法以縮短故障處理時(shí)間，提升軌道電路故障維護(hù)效率，正成為人們關(guān)注的熱點(diǎn)。

目前，已有部分學(xué)者對(duì)ZPW-2000軌道電路故障智能診斷展開(kāi)研究，如：基于神經(jīng)網(wǎng)絡(luò)算法[1-2]構(gòu)造軌道電路相關(guān)變量與軌道電路相關(guān)故障的非線性映射關(guān)系，繼而實(shí)現(xiàn)故障的識(shí)別分類；基于粗糙集和模糊認(rèn)知圖[3]對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行屬性約簡(jiǎn)提取特征參數(shù)，構(gòu)建分類器實(shí)現(xiàn)故障診斷；通過(guò)組合決策樹(shù)[4]建立組合網(wǎng)絡(luò)模型獲取診斷規(guī)則，逐級(jí)壓縮診斷范圍最終完成多故障識(shí)別；利用相空間重構(gòu)技術(shù)[5]對(duì)一維分路電流包絡(luò)信號(hào)序列進(jìn)行重構(gòu)操作，提取補(bǔ)償電容的故障特征，從而實(shí)現(xiàn)補(bǔ)償電容故障的檢測(cè)；基于集中監(jiān)測(cè)系統(tǒng)獲取的電壓值或電流值[1，3-4]、機(jī)車或動(dòng)檢車采集的感應(yīng)信號(hào)[2,5-9]，通過(guò)對(duì)穩(wěn)態(tài)值進(jìn)行分析處理，從而對(duì)軌道電路故障進(jìn)行診斷。以上方法雖對(duì)故障機(jī)理明確或有較多歷史故障信息的顯性故障診斷精度較高，但在穩(wěn)態(tài)條件下可能忽略正常與故障狀態(tài)之間的暫歇性波動(dòng)狀態(tài)[10]，因其故障信息較少或無(wú)故障信息。然而如果只對(duì)正常和故障兩種狀態(tài)進(jìn)行判別，很難滿足鐵路現(xiàn)場(chǎng)對(duì)軌道電路設(shè)備的診斷要求，因此對(duì)軌道電路暫態(tài)故障進(jìn)行診斷尤為必要。

ZPW-2000軌道電路發(fā)生故障，其實(shí)質(zhì)是軌道電路參數(shù)的突變，從而引發(fā)軌道信號(hào)幅值由暫態(tài)過(guò)渡到穩(wěn)態(tài)[11]。若能基于集中監(jiān)測(cè)系統(tǒng)對(duì)采集的軌道電路電壓信號(hào)進(jìn)行暫態(tài)分析，探究其暫態(tài)特性與軌道電路故障的關(guān)系，實(shí)現(xiàn)故障地面實(shí)時(shí)檢測(cè)，則可提高診斷的便利性和時(shí)效性。

本文首先通過(guò)實(shí)地測(cè)試模擬故障獲取數(shù)據(jù)，并對(duì)軌道電路故障時(shí)電壓暫態(tài)波形進(jìn)行分析，組合利用梅爾頻率譜系數(shù)和動(dòng)態(tài)時(shí)間規(guī)整算法建立軌道電路診斷模型；然后通過(guò)該模型利用主成分分析約簡(jiǎn)特征屬性，再融入Fisher準(zhǔn)則和K-means聚類選擇合適故障模板，最終得到的模板具有清晰明顯的特點(diǎn)。測(cè)試結(jié)果表明，基于集中監(jiān)測(cè)系統(tǒng)與模型的使用，能夠?qū)壍离娐吩O(shè)備的多狀態(tài)進(jìn)行有效識(shí)別，提高診斷效率，為軌道電路的狀態(tài)監(jiān)測(cè)提供合理補(bǔ)充。

1 ZPW-2000軌道電路故障類別

1.1 ZPW-2000軌道電路組成

ZPW-2000軌道電路由軌面、發(fā)送端和接收端組成，其中發(fā)送端包括發(fā)送器、傳輸電纜和防雷單元，接收端包括接收器、衰耗器、傳輸電纜和防雷單元。發(fā)送端至接收端軌面等間距分布著補(bǔ)償電容，相鄰軌道電路區(qū)間由調(diào)諧區(qū)實(shí)現(xiàn)電氣隔離。ZPW-2000軌道電路結(jié)構(gòu)示意見(jiàn)圖1。

圖1 ZPW-2000軌道電路結(jié)構(gòu)示意

在集中監(jiān)測(cè)系統(tǒng)中，反映軌道電路性能狀態(tài)的主要指標(biāo)是電壓，因此本文采用軌道電路電壓數(shù)據(jù)進(jìn)行故障診斷，以軌道電路的多故障系統(tǒng)作為研究對(duì)象。軌入電壓在一段時(shí)間內(nèi)的電壓狀態(tài)曲線見(jiàn)圖2，其按照時(shí)間的先后順序可以分成三部分：正常、波動(dòng)、正常。對(duì)于ZPW-2000軌道電路，在不同時(shí)間、地點(diǎn)、環(huán)境下其電壓曲線波動(dòng)情況會(huì)略有不同，但是總體上還是一致的。

圖2 軌入電壓曲線

1.2 故障類型

為了驗(yàn)證軌道電路暫態(tài)理論的合理性，通過(guò)分析故障產(chǎn)生的原因[12-13]，查閱現(xiàn)場(chǎng)實(shí)際案例的相關(guān)資料，并結(jié)合現(xiàn)場(chǎng)工作人員的歷史經(jīng)驗(yàn)，在西南交通大學(xué)軌道電路試驗(yàn)基地進(jìn)行了常見(jiàn)故障的測(cè)試。故障采集系統(tǒng)包括硬件和軟件兩部分。硬件部分進(jìn)行通信、自動(dòng)切換測(cè)試點(diǎn)和采集模擬量等；軟件部分進(jìn)行發(fā)送指令、數(shù)據(jù)采集和存儲(chǔ)等。測(cè)試的核心板卡選用NI-USB 6251，采樣頻率可達(dá)10 MHz，單點(diǎn)定位輸出時(shí)序差分?jǐn)?shù)據(jù)。針對(duì)不同故障的暫態(tài)過(guò)程進(jìn)行數(shù)據(jù)采集，輸出的數(shù)據(jù)具有噪聲較小、精確度高等特點(diǎn)。使用LabVIEW中的DAQmx控件做上位機(jī)，圖形化編寫簡(jiǎn)單。測(cè)試系統(tǒng)結(jié)構(gòu)見(jiàn)圖3。圖3中，主機(jī)確認(rèn)采集點(diǎn)后，由DAQmx控件把采集命令傳給采集卡，通過(guò)采集卡與室內(nèi)設(shè)備通信，切換單元控件自動(dòng)選擇采集點(diǎn)，并通過(guò)采集卡將采集的數(shù)據(jù)傳入計(jì)算機(jī)中存儲(chǔ)。軌道電路故障模式見(jiàn)表1。

圖3 測(cè)試系統(tǒng)結(jié)構(gòu)

表1 軌道電路故障模式

對(duì)表1中8種故障類型每種隨機(jī)各選一組提取包絡(luò)，見(jiàn)圖4。由圖4可以看出,F1～F8故障的表現(xiàn)形式差異較為明顯：F1為發(fā)送端故障，軌入電壓短暫趨于0；F2為防雷單元故障，設(shè)備短時(shí)間內(nèi)電壓波動(dòng)幅度較大；F3為電纜網(wǎng)絡(luò)模擬故障，設(shè)備短時(shí)間內(nèi)電壓波動(dòng)趨于0；F4為空心線圈斷線故障，軌出1電壓瞬間幅度降低；F5為調(diào)諧單元短路故障，軌出2電壓瞬間波動(dòng)幅度較大；F6為主軌故障，軌出2電壓短時(shí)間波動(dòng)幅度較大；F7為小軌故障，軌出1電壓短時(shí)間波動(dòng)幅度較大；F8為單個(gè)補(bǔ)償電容斷線故障，主軌電壓瞬間降低。

圖4 F1～F8的故障信號(hào)包絡(luò)

圖4展示了故障的發(fā)生會(huì)導(dǎo)致電壓值的瞬間波動(dòng)，工作狀態(tài)發(fā)生跳變，可以較為直觀地反映故障信息。但是，實(shí)際列車運(yùn)行條件下設(shè)備會(huì)受到多方面影響，如天氣、人為等因素，使故障波形不能直觀精準(zhǔn)反映故障位置，難以及時(shí)為維修人員提供有效的指導(dǎo)。因此，本文對(duì)ZPW-2000軌道電路的多種故障模式進(jìn)行智能識(shí)別，組合使用PMFCC-DTW算法建立軌道電路診斷模型。

2 診斷模型基本原理

2.1 梅爾頻率譜系數(shù)

梅爾頻率倒譜(Mel-Frequency Cepstrum Coefficient, MFCC)在語(yǔ)音處理中表示一個(gè)語(yǔ)音的短時(shí)功率譜，由對(duì)數(shù)功率譜在頻率的一個(gè)非線性梅爾刻度上進(jìn)行線性余弦轉(zhuǎn)換所得[14]。梅爾頻率倒譜fmel與頻率f的關(guān)系為

(1)

軌道電路在復(fù)雜的工況下，暫態(tài)故障通常是潛在的故障或早期的微弱故障，具有故障特征不明顯、易被噪聲影響的特點(diǎn)，使故障難以被發(fā)現(xiàn)。MFCC是按臨界帶寬由密到疏形成一組帶通濾波器，對(duì)樣本信號(hào)進(jìn)行濾波，可以有效抑制非本頻帶的高頻噪聲成分。并且通過(guò)大量試驗(yàn)發(fā)現(xiàn)，當(dāng)軌道電路發(fā)生故障時(shí)，不同狀態(tài)下同一頻帶的信號(hào)頻率基本一致，使用MFCC提取得到的不同狀態(tài)下的特征各不相同，因此可以將MFCC用于軌道電路的故障診斷中。具體診斷過(guò)程如下：

Step1濾波輸出為

H(z)=1-αz-1

(2)

Step2輸出對(duì)數(shù)能量為

(3)

1≤m≤M

Step3提取梅爾系數(shù)為

(4)

式中：n為梅爾系數(shù)的數(shù)量；Ci(n)為第i幀的第n個(gè)MFCC系數(shù)；s(m)為對(duì)數(shù)能量模塊的輸出；M為Mel濾波器的個(gè)數(shù)。

由上述過(guò)程，依次獲取8種故障的總采樣點(diǎn)數(shù)，分別計(jì)算出每幀MFCC參數(shù)Sm和差分系數(shù)特征集Cn，約簡(jiǎn)后得到特征矩陣Mmel為

Mmel=|SmCn|

(5)

通過(guò)MFCC提取的特征能夠精準(zhǔn)地捕捉信號(hào)變化，但是信號(hào)特征維度較高，不利于可視化分析，更會(huì)導(dǎo)致診斷時(shí)間增長(zhǎng)。因此，本文利用主成分分析(Principal Component Analysis，PCA)，對(duì)高維數(shù)據(jù)進(jìn)行壓縮，把可能具有相關(guān)性的高維變量合成線性無(wú)關(guān)的低維變量，新的低維變量集會(huì)盡可能保留原始信號(hào)的特征。組合MFCC和PCA，尋找和保留最有效、最重要的信號(hào)特征，從而降低計(jì)算復(fù)雜度、減少數(shù)據(jù)存儲(chǔ)量，并且提高信號(hào)識(shí)別的效率。

2.2 動(dòng)態(tài)時(shí)間規(guī)整

在模式匹配中，通常選用動(dòng)態(tài)時(shí)間規(guī)整(Dynamic time warping，DTW)求解衡量不同信號(hào)間似然度的測(cè)度函數(shù)，也可以不要求每條故障數(shù)據(jù)長(zhǎng)度嚴(yán)格對(duì)齊，允許在時(shí)間軸上的拉伸或壓縮[15]。本文通過(guò)計(jì)算模板庫(kù)和測(cè)試集中對(duì)應(yīng)幀之間的失真距離，得出幀匹配距離矩陣，編制DTW表格。表格中的格點(diǎn)是對(duì)應(yīng)的交匯點(diǎn)，按照距離最短原則搜索格點(diǎn)，反復(fù)遞推得到組最優(yōu)解，并將累積距離最小的歸為此類故障。

將實(shí)測(cè)數(shù)據(jù)分為測(cè)試故障和故障模板，分別為X=(x1,x2,…,xm)和Y=(y1,y2,…,yn)，長(zhǎng)度分別為m和n。其中xi與yj之間的距離dij采用歐式距離計(jì)算

dij=d(xi,yj)=|xi-yj|

(6)

計(jì)算得出兩序列對(duì)應(yīng)點(diǎn)間的距離矩陣D，并在D中確定出一條路徑W=(w1,w2,…,wk)讓X與Y匹配程度最大。為了求出有效路徑，需要符合的約束條件見(jiàn)表2。

表2 約束條件

計(jì)算得出多條路徑，其中最優(yōu)路徑為

(7)

綜上所述，本模型的基本原理為，首先針對(duì)MFCC算法進(jìn)行優(yōu)化，然后結(jié)合PCA降維的梅爾頻率倒譜(以下簡(jiǎn)稱為“PMFCC算法”)，并組合DTW算法診斷出故障類型，簡(jiǎn)稱為“PMFCC-DTW算法”。

3 軌道電路特征參數(shù)提取

本文將PMFCC特征提取過(guò)程分為兩部分：梅爾頻率系數(shù)和主成分分析。通過(guò)梅爾頻率系數(shù)獲取MFCC特征值后利用PCA進(jìn)行降維處理，最終得到軌道電路特征參數(shù)。軌道電路特征提取流程見(jiàn)圖5。

圖5 軌道電路特征提取流程

選用圖4中8種不同故障的信號(hào)進(jìn)行MFCC特征提取，得到24維的MFCC信號(hào)特征，再進(jìn)行PCA降維。通過(guò)求得各主成分φk的貢獻(xiàn)率μk，計(jì)算出降維滿意度。假如前k個(gè)主成分的累計(jì)貢獻(xiàn)率δk大于閾值(通常為85%)，則選取前k個(gè)主成分作為新的樣本主成分進(jìn)行循環(huán)。其中，第k個(gè)主成分貢獻(xiàn)率為

(8)

通過(guò)計(jì)算得出符合閾值的特征維數(shù)并不唯一，為更好地選出最有效的特征維數(shù)，本文利用費(fèi)舍爾判別準(zhǔn)則(Fisher準(zhǔn)則)對(duì)滿足累計(jì)貢獻(xiàn)率δk>85%的特征參數(shù)直接進(jìn)行二分類求解，其最優(yōu)參數(shù)求解公式為

(9)

式中：Sa為類內(nèi)散度矩陣；Sb為類間散度矩陣。

設(shè)d維度空間的兩類樣本為X1和X2，且樣本個(gè)數(shù)為N，當(dāng)d維度空間的樣本映射到一維Y空間時(shí)得到y(tǒng)=wtx。其中，類內(nèi)散度矩陣與類間散度矩陣分別為

(10)

(11)

圖6 Fisher準(zhǔn)則分類正確率

從圖6可以看出，8種故障的特征數(shù)據(jù)在不同維度下分類的正確性有很大不同。計(jì)算不同維數(shù)分類正確率的平均值，6維為78.54%、8維為87.39%、10維為81.19%、14維為78.22%、18維為74.09%，可以看出8維的分類正確率最高，隨著維度增加或減少，特征數(shù)據(jù)的分類效果降低，差異性變小。因此，本文以8維數(shù)據(jù)作為信號(hào)特征。

進(jìn)一步對(duì)降維后PMFCC算法得到的8維條件下信號(hào)特征與MFCC算法的24維信號(hào)特征進(jìn)行比較分析，利用歐氏距離計(jì)算不同故障間的相對(duì)距離，通過(guò)距離的大小分析不同故障間的差異性。選定F1故障作為參考與F2～F8故障進(jìn)行比較計(jì)算，然后歸一化處理得到雷達(dá)圖，見(jiàn)圖7。

圖7 F1作為參考的雷達(dá)圖

從圖7中可以看出，8維條件下PMFCC算法的特征數(shù)據(jù)差異性高于24維條件下MFCC算法，并且F1與F2～F8故障的相對(duì)距離較為均勻，不易受到外界干擾。同理，將F2～F8分別作為參考，計(jì)算得到的結(jié)果與圖7類似。8維條件下的PMFCC特征數(shù)據(jù)間差別明顯，為后續(xù)的模板訓(xùn)練和故障識(shí)別，既減少了計(jì)算量又降低了模板庫(kù)的存儲(chǔ)量，同時(shí)還將特征值進(jìn)行最優(yōu)化，不但提高了信號(hào)的識(shí)別精度也提高了信號(hào)的識(shí)別效率。

4 故障診斷模型

4.1 故障模板選取

本文利用DTW計(jì)算模板信號(hào)與測(cè)試信號(hào)在每一幀的Mel倒譜距離，通過(guò)該距離尋求待檢測(cè)信號(hào)與模板信號(hào)的最佳匹配路徑，從而實(shí)現(xiàn)測(cè)試信號(hào)與模板信號(hào)間的時(shí)差失真最小、相似特征最大。診斷流程由增量式訓(xùn)練和匹配識(shí)別兩個(gè)階段組成，見(jiàn)圖8。通過(guò)歷史故障數(shù)據(jù)訓(xùn)練出最優(yōu)的故障模板作為匹配依據(jù)，然后將實(shí)時(shí)故障數(shù)據(jù)提取特征后與故障模板進(jìn)行匹配，并將結(jié)果在人工復(fù)合后作為新的歷史數(shù)據(jù)反饋給故障模式庫(kù)進(jìn)行訓(xùn)練形成新的故障模板，從而實(shí)現(xiàn)自適應(yīng)效果。

圖8 診斷流程

在實(shí)際運(yùn)用中，增量式的故障模板庫(kù)能夠有效更新報(bào)告設(shè)備故障情況，提高診斷精準(zhǔn)度，因此模板庫(kù)的選取意義重大。本文使用K-means聚類與最小歐式距離結(jié)合的方式找出最優(yōu)的不同故障的模板庫(kù)，并且根據(jù)實(shí)時(shí)數(shù)據(jù)與故障模板進(jìn)行對(duì)比后反饋給故障模式庫(kù)進(jìn)行訓(xùn)練形成新的各類故障，從而保證算法實(shí)際應(yīng)用的有效性。K-means聚類主要步驟如下：

Step1輸入故障集{X}，有n個(gè)樣本和k個(gè)故障模式,分類{Gi，i=1,2,…,K}。

Step2隨機(jī)選取k個(gè)初始聚類中心{c1,c2,…,ck}，依次計(jì)算故障集{X}到聚類核心的距離D(xi,cj)，按照最小距離原則形成k個(gè)聚類核心，計(jì)算式為

Dij=‖xi-cj‖i=1,2,…,nj=1,2,…,k

(12)

(13)

式中：Nj為第j個(gè)聚類中心的樣本個(gè)數(shù)。

Step4利用式(14)～式(15)聚類準(zhǔn)則數(shù)值E判斷聚類結(jié)果是否合理，若合理迭代終止，否則重復(fù)Step2和Step3。

(14)

|E′-E|<ζ

(15)

4.2 結(jié)果分析

從采集的故障文件中隨機(jī)抽取數(shù)據(jù)63條，其中發(fā)送端數(shù)據(jù)7條，防雷單元數(shù)據(jù)5條，電纜網(wǎng)絡(luò)模擬數(shù)據(jù)9條，空心線圈斷線數(shù)據(jù)6條，調(diào)諧單元短路數(shù)據(jù)10條，主軌出數(shù)據(jù)8條，小軌出數(shù)據(jù)7條，補(bǔ)償電容斷線數(shù)據(jù)11條。將隨機(jī)抽取的數(shù)據(jù)使用K-means聚類得出各故障參考模板，再利用PMFCC-DTW故障診斷把t1～t9測(cè)試數(shù)據(jù)與F1～F8模式庫(kù)中的參考樣本進(jìn)行匹配，求出部分動(dòng)態(tài)匹配距離，見(jiàn)表3。其中匹配計(jì)算得到的數(shù)值越小，則距離越近，相似度就越高，并將該測(cè)試數(shù)據(jù)歸為此類故障。例如表3中圈出的數(shù)據(jù)，t1所在列中最小的值是與F6相對(duì)應(yīng)，故t1是F6故障；t4所在列中最小的值是與F1相對(duì)應(yīng)，故t4是F1故障。同理，按此計(jì)算也可以得到動(dòng)態(tài)匹配結(jié)果。

表3 部分動(dòng)態(tài)匹配距離

為了證明本文采用的PMFCC-DTW算法進(jìn)行故障診斷的有效性，根據(jù)實(shí)測(cè)ZPW-2000軌道電路的數(shù)據(jù)建立數(shù)據(jù)庫(kù)，選取2 400條數(shù)據(jù)，做改進(jìn)效果對(duì)比實(shí)驗(yàn)分析。其中發(fā)送端數(shù)據(jù)、防雷單元數(shù)據(jù)、電纜網(wǎng)絡(luò)模擬數(shù)據(jù)、空心線圈斷線數(shù)據(jù)、調(diào)諧單元短路數(shù)據(jù)、補(bǔ)償電容斷線數(shù)據(jù)、主軌出數(shù)據(jù)和小軌出數(shù)據(jù)各300條。PMFCC-DTW模型與MFCC-DTW模型的診斷效果對(duì)比見(jiàn)表4。對(duì)比結(jié)果顯示，PMFCC-DTW模型單個(gè)故障的識(shí)別率高達(dá)96.67%，而且對(duì)每一種故障的識(shí)別率都要高于MFCC-DTW模型，正確率有明顯提升。

表4 故障識(shí)別率 %

另一方面利用混淆矩陣(Confusion Matrix)計(jì)算實(shí)際樣本值和模型診斷值的正確率、精準(zhǔn)率和召回率，并統(tǒng)計(jì)模型診斷耗時(shí)。

正確率為

(16)

精準(zhǔn)率為

Precision=TP/(FP+TP)

(17)

召回率為

Recall=TP/(FN+TP)

(18)

式中：TP為樣本的真實(shí)類別是某類故障，并且模型診斷的結(jié)果是同類故障的個(gè)數(shù)；FN為樣本的真實(shí)類別是某類故障，但是模型將其診斷成為其他故障的個(gè)數(shù)；FP為樣本的真實(shí)類別是正常，但是模型將其診斷成為故障的個(gè)數(shù)；TN為樣本的真實(shí)類別是正常，并且模型診斷的結(jié)果也是正常的個(gè)數(shù)。

基于改進(jìn)效果對(duì)比實(shí)驗(yàn)的2 400條數(shù)據(jù)以及1 000條正常數(shù)據(jù)，仿真了HHT-DBWT算法和SVM算法，并與本文改進(jìn)的PMFCC-DTW算法進(jìn)行對(duì)比分析，評(píng)價(jià)結(jié)果見(jiàn)表5。

表5 評(píng)價(jià)結(jié)果

由表5可見(jiàn)，PMFCC-DTW算法的正確率較高，而且精準(zhǔn)率高達(dá)97.76%，表示本模型診斷故障的準(zhǔn)確度很高。通過(guò)召回率分析出模型診斷故障可信性強(qiáng)，且用時(shí)短。

在實(shí)際應(yīng)用中，通過(guò)安裝軌道電路室內(nèi)外設(shè)備信號(hào)采集裝置，結(jié)合信號(hào)集中監(jiān)測(cè)系統(tǒng)獲取室內(nèi)外監(jiān)測(cè)信息，利用本文方法對(duì)軌道電路信號(hào)實(shí)時(shí)監(jiān)控實(shí)時(shí)診斷，若能獲取較完整的監(jiān)測(cè)數(shù)據(jù)和突發(fā)故障數(shù)據(jù)以便故障模式更深入研究，對(duì)提高軌道電路故障診斷及日常維護(hù)效率具有重要意義。

5 結(jié)論

(1)本文針對(duì)高速鐵路軌道電路常見(jiàn)的故障，通過(guò)實(shí)地測(cè)試采集到的暫態(tài)電壓數(shù)據(jù)按時(shí)域、頻域進(jìn)行智能化區(qū)段劃分，利用MFCC提取出表征軌道電路狀態(tài)的特征參數(shù)，并基于主成分分析進(jìn)行特征降維，使用Fisher準(zhǔn)則選出最優(yōu)特征集，通過(guò)K-means聚類進(jìn)行故障集訓(xùn)練，得到軌道電路暫態(tài)數(shù)據(jù)的初始模板，形成軌道電路的模板庫(kù)，最后通過(guò)DTW模型計(jì)算出測(cè)試集與每種模型的匹配距離，從而進(jìn)行故障診斷。

(2)通過(guò)實(shí)驗(yàn)以及與其他診斷方法進(jìn)行對(duì)比可以發(fā)現(xiàn)，基于PMFCC-DTW的軌道電路故障診斷的識(shí)別時(shí)間大為縮短，正確率達(dá)到90%以上，為軌道電路設(shè)備健康狀態(tài)監(jiān)測(cè)提供了一種新思路。