摘 要：道岔設(shè)備的可靠運(yùn)行對(duì)鐵路運(yùn)輸安全至關(guān)重要，隨著人工智能技術(shù)的快速發(fā)展，其在鐵路系統(tǒng)中的應(yīng)用日益增多，特別是在道岔故障診斷領(lǐng)域展現(xiàn)出巨大的潛力。文章主要介紹了基于機(jī)器學(xué)習(xí)的故障診斷過程，深入分析了基于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的故障診斷方法。通過對(duì)歷史數(shù)據(jù)和故障模式的分析，這些方法能夠?qū)崿F(xiàn)監(jiān)測(cè)道岔故障、判斷故障類型的目的，顯著提高了道岔故障診斷的準(zhǔn)確性和效率，為鐵路安全、可靠和高效運(yùn)行提供了強(qiáng)有力的技術(shù)支撐。

關(guān)鍵詞：道岔 機(jī)器學(xué)習(xí) 特征提取 故障診斷

0 引言

作為鐵路的關(guān)鍵設(shè)備之一，道岔控制列車的運(yùn)行方向，實(shí)現(xiàn)線路轉(zhuǎn)換，在鐵路運(yùn)營中至關(guān)重要。而其長期暴露于室外，且機(jī)電結(jié)構(gòu)復(fù)雜，受設(shè)備老化及其他不確定因素（機(jī)械部分卡阻或缺油、滑床板斷裂和缺油等）影響，屬于易損設(shè)備。道岔一旦出現(xiàn)故障，若不及時(shí)診斷與維護(hù)，極易釀成重大事故，嚴(yán)重影響了鐵路運(yùn)行的安全與效率。

目前，現(xiàn)場(chǎng)對(duì)于道岔的故障診斷仍采用較為傳統(tǒng)的方式，即獲取道岔的電流、功率、動(dòng)作時(shí)間等數(shù)據(jù)，設(shè)置各類數(shù)據(jù)的閾值，當(dāng)某個(gè)指標(biāo)超出閾值時(shí)，表明道岔存在異常，再通過人工判斷，推斷故障原因，進(jìn)行故障診斷。但在實(shí)際中，各道岔工作環(huán)境存在差異，所設(shè)定的閾值及診斷過程受限于技術(shù)人員的經(jīng)驗(yàn)，存在易漏報(bào)誤報(bào)、準(zhǔn)確率低、診斷時(shí)間長等問題。因此，及時(shí)、準(zhǔn)確地提取故障道岔特征并進(jìn)行故障診斷，對(duì)保障行車安全意義重大。

1 道岔結(jié)構(gòu)與工作原理

道岔主要由基本軌、尖軌、導(dǎo)軌、翼軌、護(hù)軌及轉(zhuǎn)轍設(shè)備等組成，如圖1所示。其中，轉(zhuǎn)轍設(shè)備受動(dòng)力驅(qū)動(dòng)扳動(dòng)尖軌，可使兩側(cè)尖軌分別處于密貼或斥離位置，以確定道岔開通方向，完成列車行駛方向的改變。

轉(zhuǎn)轍設(shè)備是道岔動(dòng)作的核心，以我國廣泛應(yīng)用的ZD6型轉(zhuǎn)轍機(jī)為例，其構(gòu)造包括電動(dòng)機(jī)、減速器、摩擦連接器、自動(dòng)開閉器、動(dòng)作桿、表示桿及報(bào)警裝置等。其動(dòng)作過程可分為三個(gè)階段：

（1）解鎖階段：通過電動(dòng)機(jī)旋轉(zhuǎn)、減速器減速，輸出軸帶動(dòng)主軸旋轉(zhuǎn)，帶動(dòng)內(nèi)部傳動(dòng)裝置完成內(nèi)部解鎖，再推動(dòng)外鎖閉設(shè)備完成外部解鎖。

（2）轉(zhuǎn)換階段：動(dòng)作桿被拉動(dòng)，尖軌受轉(zhuǎn)轍機(jī)平穩(wěn)的推力而緩慢移動(dòng)直到與基本軌密貼，道岔轉(zhuǎn)換。

（3）鎖閉階段：隨著尖軌轉(zhuǎn)換到規(guī)定位置，鎖閉齒輪鎖閉，鎖閉動(dòng)作桿。

2 道岔故障診斷方法研究

不同學(xué)者在道岔故障診斷領(lǐng)域展開了多維度探究，常見有三種方法：基于模型的故障診斷、基于信號(hào)處理的故障診斷及基于機(jī)器學(xué)習(xí)和人工智能的故障診斷。其中，基于模型的故障診斷最先發(fā)展起來，該方法受制于所建模型的準(zhǔn)確度，需要詳細(xì)的參數(shù)和故障數(shù)據(jù)，但道岔系統(tǒng)機(jī)械結(jié)構(gòu)復(fù)雜，各設(shè)備之間存在耦合，應(yīng)用較為受限?；谛盘?hào)處理的故障診斷是通過觀察、分析道岔工作過程中所隱藏的數(shù)據(jù)信息，提取特征，依據(jù)特征值確定是否發(fā)生故障，該方法需要故障檢測(cè)人員具備較高的專業(yè)知識(shí)和技能水平，熟練掌握信號(hào)處理技術(shù)和故障診斷要點(diǎn)?；跈C(jī)器學(xué)習(xí)和人工智能的故障診斷則依據(jù)智能算法挖掘數(shù)據(jù)中隱藏的信息建立模型，并從數(shù)據(jù)和算法兩方面不斷積累和優(yōu)化，通過學(xué)習(xí)和訓(xùn)練形成智能化的故障診斷模型，從而更準(zhǔn)確地判斷故障狀況，提高了故障診斷的精度，有較好的應(yīng)用前景。

2.1 機(jī)器學(xué)習(xí)在道岔故障診斷中的應(yīng)用

機(jī)器學(xué)習(xí)通過大量數(shù)據(jù)訓(xùn)練，使計(jì)算機(jī)系統(tǒng)能夠自動(dòng)識(shí)別和學(xué)習(xí)數(shù)據(jù)中的模式，并進(jìn)行預(yù)測(cè)或決策。道岔故障檢測(cè)與診斷即利用測(cè)試數(shù)據(jù)（電流、功率等），尋求測(cè)試數(shù)據(jù)與故障之間的聯(lián)系?；跈C(jī)器學(xué)習(xí)的道岔故障診斷流程如圖2所示。首先，我們根據(jù)故障模式成因、轉(zhuǎn)轍機(jī)工作原理及傳感器數(shù)據(jù)采集的可行性，確定最佳的監(jiān)測(cè)數(shù)據(jù)類型。隨后，對(duì)采集到的原始數(shù)據(jù)進(jìn)行預(yù)處理，以構(gòu)建正常和故障狀態(tài)下的樣本集。接下來，利用數(shù)據(jù)挖掘、信號(hào)處理算法，從樣本集中提取出能夠最大程度區(qū)分不同狀態(tài)的特征向量。最后，通過構(gòu)建機(jī)器學(xué)習(xí)模型，實(shí)現(xiàn)對(duì)轉(zhuǎn)轍機(jī)故障的分類與精確診斷。

2.2 基于神經(jīng)網(wǎng)絡(luò)的道岔故障診斷

神經(jīng)網(wǎng)絡(luò)作為機(jī)器學(xué)習(xí)領(lǐng)域的核心模型之一，以其獨(dú)特的輸入層、隱藏層和輸出層結(jié)構(gòu)為基礎(chǔ)，通過不同的連接模式構(gòu)建出多樣化的網(wǎng)絡(luò)模型。這些模型不僅具備自我學(xué)習(xí)能力，還能實(shí)現(xiàn)非線性映射，并具備高效的并行計(jì)算能力和出色的容錯(cuò)性，因此，在道岔故障診斷領(lǐng)域應(yīng)用廣泛，誕生了許多神經(jīng)網(wǎng)絡(luò)模型，常見有：BP神經(jīng)網(wǎng)絡(luò)、PNN神經(jīng)網(wǎng)絡(luò)等。

2.2.1 基于多層前饋（BP）神經(jīng)網(wǎng)絡(luò)的道岔故障診斷

將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于道岔故障診斷，其故障診斷主要包含訓(xùn)練過程和測(cè)試過程，所對(duì)應(yīng)的原理圖如圖3所示。

基于BP神經(jīng)網(wǎng)絡(luò)的診斷原理，我們對(duì)道岔故障診斷進(jìn)行了深入研究，并構(gòu)建了相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)模型：

（1）道岔電流特征數(shù)據(jù)采集

在道岔故障診斷中，首要任務(wù)就是采集道岔動(dòng)作電流的數(shù)據(jù)。為了確保數(shù)據(jù)的準(zhǔn)確性和代表性，選擇能夠準(zhǔn)確反映道岔動(dòng)作電流趨勢(shì)和潛在故障區(qū)域的特征數(shù)據(jù)。

（2）數(shù)據(jù)歸一化處理

為了消除數(shù)據(jù)之間的數(shù)量級(jí)差異，提高神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能，我們對(duì)采集到的數(shù)據(jù)進(jìn)行了歸一化處理。通過這一步驟，可將不同維度的數(shù)據(jù)轉(zhuǎn)換到同一數(shù)量級(jí)，確保了網(wǎng)絡(luò)輸入輸出的穩(wěn)定性和可靠性。

（3）BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

在設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)時(shí)，充分考慮道岔電流和類別的輸入輸出特點(diǎn)。仔細(xì)確定了隱含層神經(jīng)元的數(shù)量，并選擇了適合的訓(xùn)練函數(shù)。同時(shí)，根據(jù)網(wǎng)絡(luò)的特點(diǎn)和實(shí)際需求，調(diào)整學(xué)習(xí)速率、訓(xùn)練函數(shù)、最大訓(xùn)練步長和訓(xùn)練精度等關(guān)鍵參數(shù)。在選擇隱含層神經(jīng)元數(shù)目時(shí)，結(jié)合具體的道岔動(dòng)作電流數(shù)據(jù)，通過多次試驗(yàn)和驗(yàn)證，確定了合適的節(jié)點(diǎn)數(shù)。

（4）BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

在完成了網(wǎng)絡(luò)設(shè)計(jì)后，利用訓(xùn)練集數(shù)據(jù)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練。在訓(xùn)練過程中，各層神經(jīng)元的權(quán)值和閾值不斷調(diào)整，使得網(wǎng)絡(luò)的輸出逐漸接近實(shí)際值。當(dāng)輸出結(jié)果的誤差達(dá)到預(yù)設(shè)的精度要求時(shí)停止訓(xùn)練，并認(rèn)為網(wǎng)絡(luò)已經(jīng)具備了較好的預(yù)測(cè)能力。

（5）BP神經(jīng)網(wǎng)絡(luò)測(cè)試與分析

將測(cè)試集數(shù)據(jù)輸入到已訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中，驗(yàn)證神經(jīng)網(wǎng)絡(luò)的診斷。通過對(duì)比測(cè)試集的實(shí)際類別與網(wǎng)絡(luò)預(yù)測(cè)的輸出類別，對(duì)神經(jīng)網(wǎng)絡(luò)的診斷性能進(jìn)行了全面評(píng)估。這一步驟不僅驗(yàn)證了網(wǎng)絡(luò)的有效性和準(zhǔn)確性，還為后續(xù)改進(jìn)和優(yōu)化提供了依據(jù)。同時(shí)，我們還對(duì)診斷結(jié)果進(jìn)行深入分析，以發(fā)現(xiàn)可能存在的問題和改進(jìn)空間。最后，以正確率、漏報(bào)率等指標(biāo)來評(píng)價(jià)網(wǎng)絡(luò)的性能好壞。

2.2.2 基于概率神經(jīng)網(wǎng)絡(luò)（PNN）的道岔故障診斷

概率神經(jīng)網(wǎng)絡(luò)（PNN）由輸入層、模式層、求和層以及輸出層四部分構(gòu)成。其簡潔的結(jié)構(gòu)和易于訓(xùn)練的特性使得它在解決分類問題時(shí)表現(xiàn)出色。為了對(duì)道岔電流故障數(shù)據(jù)進(jìn)行深入分析并解決其分類問題，我們構(gòu)建基于PNN故障診斷模型（圖4）。

（1）樣本集數(shù)據(jù)的獲取

樣本集的獲取過程與BP神經(jīng)網(wǎng)絡(luò)相似，這里不再贅述。所獲取的數(shù)據(jù)將用于構(gòu)建PNN網(wǎng)絡(luò)的訓(xùn)練集和測(cè)試集，以確保網(wǎng)絡(luò)能夠得到充分的訓(xùn)練和驗(yàn)證。

（2）創(chuàng)建并優(yōu)化平滑因子可變的PNN網(wǎng)絡(luò)

在構(gòu)建PNN網(wǎng)絡(luò)時(shí)，我們利用Matlab中的newpnn（）函數(shù)，該函數(shù)允許設(shè)置平滑因子（SPREAD）作為唯一參數(shù)。平滑因子決定了網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)的敏感度，對(duì)PNN網(wǎng)絡(luò)的性能至關(guān)重要。通過多次試驗(yàn)和驗(yàn)證，確定了最優(yōu)的平滑因子，以確保PNN網(wǎng)絡(luò)在故障診斷中具有相對(duì)較高的準(zhǔn)確率。

（3）建立并測(cè)試最終PNN網(wǎng)絡(luò)

再次使用newpnn（）函數(shù)創(chuàng)建最終的PNN網(wǎng)絡(luò)，并將最優(yōu)參數(shù)代入網(wǎng)絡(luò)中。為了驗(yàn)證網(wǎng)絡(luò)的性能，可利用之前準(zhǔn)備的測(cè)試集數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行測(cè)試。在測(cè)試過程中，統(tǒng)計(jì)網(wǎng)絡(luò)的正確率、漏報(bào)率和虛警率等關(guān)鍵指標(biāo)，并對(duì)測(cè)試結(jié)果進(jìn)行了詳細(xì)分析。這些指標(biāo)將幫助我們?cè)u(píng)估PNN網(wǎng)絡(luò)在道岔故障診斷中的應(yīng)用效果，為后續(xù)的改進(jìn)和優(yōu)化提供依據(jù)。

2.3 基于支持向量機(jī)（SVM）的道岔故障診斷

支持向量機(jī)（SVM）是一種功能強(qiáng)大的二分類模型，通過引入核函數(shù)，有效地解決了在高維空間中的內(nèi)積運(yùn)算問題，具有小樣本量、非線性、高維模式識(shí)別和易實(shí)現(xiàn)等優(yōu)點(diǎn)，在道岔故障診斷領(lǐng)域得到了廣泛應(yīng)用。

盡管SVM通常作為二分類器使用，但在實(shí)際應(yīng)用中，道岔故障診斷等問題通常涉及多分類任務(wù)。為了應(yīng)對(duì)這些挑戰(zhàn)，可以通過結(jié)合多個(gè)SVM分類器的方法來實(shí)現(xiàn)多分類，如一對(duì)一法、一對(duì)多法和SVM決策樹法等。這些方法通過構(gòu)建多個(gè)二分類SVM，并根據(jù)它們的輸出結(jié)果來綜合判斷樣本的類別，從而解決多分類問題。在道岔故障診斷（圖5）中，這些方法能夠有效地識(shí)別不同類型的故障，為維修和保養(yǎng)提供有力的支持。

BP神經(jīng)網(wǎng)絡(luò)中已整理好道岔樣本集，可直接用于SVM故障診斷模型的訓(xùn)練和測(cè)試，利用LIBSVM工具箱來建立SVM模型，分別確定核函數(shù)、最優(yōu)參數(shù)，以此完成最終模型測(cè)試。

3 結(jié)論

道岔設(shè)備的可靠運(yùn)行是確保鐵路運(yùn)輸安全的關(guān)鍵要素之一。隨著機(jī)器學(xué)習(xí)和人工智能領(lǐng)域的飛速發(fā)展，為道岔故障診斷提供了一種全新的、高效的方法?；跀?shù)據(jù)分析和機(jī)器學(xué)習(xí)的方法，通過對(duì)大量歷史數(shù)據(jù)和故障模式的深入分析，能夠快速識(shí)別故障發(fā)生的模式，判斷故障類型，提高了故障診斷的準(zhǔn)確性和效率。此外，這些智能算法具有自學(xué)習(xí)和持續(xù)優(yōu)化的特性，使得故障診斷系統(tǒng)能夠不斷適應(yīng)新的故障類型和情況，保持長期的穩(wěn)定性和可靠性。通過應(yīng)用先進(jìn)的機(jī)器學(xué)習(xí)算法和數(shù)據(jù)分析技術(shù)，能夠更好地預(yù)防和解決道岔設(shè)備故障，確保鐵路運(yùn)輸?shù)捻槙澈桶踩?/p>

基金項(xiàng)目：西安鐵路職業(yè)技術(shù)學(xué)院院級(jí)課題“行車安全驅(qū)動(dòng)的道岔故障特征提取與診斷方法”（XTZY23K14）。

參考文獻(xiàn)：

[1]謝博才，宮殿君.基于機(jī)器學(xué)習(xí)的道岔故障診斷與預(yù)測(cè)研究綜述[J]．鐵路通信信號(hào)工程技術(shù)，2021，18（8）：93-99．

[2]胡啟正.基于機(jī)器學(xué)習(xí)的道岔轉(zhuǎn)轍設(shè)備故障智能診斷研究[D].北京：中國鐵道科學(xué)研究院，2019.

[3]習(xí)家寧.基于機(jī)器學(xué)習(xí)的集中監(jiān)測(cè)道岔故障診斷研究與設(shè)計(jì)[D].北京：北京交通大學(xué)，2020.

[4]楊靜.道岔故障診斷方法研究[D].南京：南京理工大學(xué)，2017.

[5]劉玲，張西，汪琳娜.故障診斷技術(shù)的現(xiàn)狀與發(fā)展[J].電子測(cè)試，2016（Z1）：62-63.

[6]趙林海.故障診斷技術(shù)及其在軌道電路中的應(yīng)用[M].北京：北京交通大學(xué)出版社，2013.

[7]馬笑瀟.智能故障診斷中的機(jī)器學(xué)習(xí)新理論及其應(yīng)用研究[D].重慶：重慶大學(xué)，2002.