[发明专利]一种改进的轨道电路红光带故障诊断方法

摘要

本发明公开了一种改进的轨道电路红光带故障诊断方法。主要包括以下步骤：1)FTA定性分析，根据现场故障分析确立故障树模型；2)由最小割集确定诊断模型的诊断属性,通过分析故障树所蕴含的知识，提取故障诊断规则；3)根据FTA分析结果，设计诊断系统结构并构建改进粒子群优化支持向量机的模型；4)根据诊断对象设定改进粒子群算法参数，通过样本学习训练改进的向量机模型，确立故障诊断模型；5)将实际运行时将实测数据输入到故障诊断模型中，计算得到故障诊断结果。本发明可用于诊断ZPW‑2000无绝缘移频轨道电路红光带故障，故障诊断准确度和故障样本利用率高，为轨道电路智能故障诊断提供一种新的技术手段。

主权项

1.一种改进的轨道电路红光带故障诊断方法，包括如下主要步骤：(1)FTA定性分析：首先通过现场故障分析，搭建宏观ZPW‐2000轨道电路系统故障树模型，将其故障类型区分为室内故障与室外故障；然后以红光带故障为顶事件，逐级分析并按逻辑关系搭建ZPW‐2000轨道电路红光带故障树模型，采用下行法逐层搜寻最小割集，并将其按室内故障和室外故障进行分类；(2)诊断规则提取：通过分析故障树所蕴含的知识，总结红光带故障的故障模式，提取故障诊断规则，确定各改进粒子群优化支持向量机模型的诊断属性输入和诊断故障分类输出；(3)根据FTA分析结果，设计诊断系统结构，并构建两个改进粒子群优化支持向量机模型；(4)根据诊断对象设定改进粒子群算法参数，通过样本学习训练模型，确立故障诊断模型；(5)将实测数据输入到故障诊断模型中，计算得到故障诊断结果；所述步骤(1)中，搭建ZPW‐2000轨道电路红光带故障树模型，采用下行法确立最小割集，按室内外故障对最小割集进行分类；所述步骤(2)中，分析所建立的故障树模型建立两个故障诊断子模型，即：以轨道继电器动作电压U1、接收端接收电平U2、接收端模拟网络设备侧电压U3、轨出“1”电压U4和发送功出电压U5为诊断属性；以F1：与TCC通信故障、F2：轨道继电器故障、F3：接收器故障、F4：衰耗器故障、F5：接收端防雷模拟网络故障、F6：发送端防雷模拟网络故障、F7：发送电平调整不当、发送器故障、电源故障为分类输出的室内设备故障诊断改进粒子群优化支持向量机模型；以接收端模拟网络设备侧电压U6、轨出“1”电压U7、接收端轨面电压U8、发送端轨面电压U9为诊断属性；以F8：接收端SPT电缆故障、F9：接收端SVA故障、接收端谐振单元故障、F10：接收端匹配电压器故障、F11补偿电容故障、F12：道床电阻过低:、F13：发送端匹配变压器故障、F14发送端SVA故障、发送端谐振单元故障、F15发送端SPT电缆故障为分类输出的室外设备故障诊断改进粒子群优化支持向量机模型；所述步骤( 3)中，为向量机模型的确立，选取非线性向量机模型，设计非线性模型的基本思想是：选取合适的非线性映射函数，把输入向量x∈Rⁿ映射到高维特征空间G中，在此高维特征空间G中建立最优分类超平面；输入向量x具体为室内、室外故障的诊断属性；引入松弛变量ξ_i和惩罚因子C得到目标优化函数：将待优化目标函数转化为对偶问题，采用拉格朗日乘子法和KKT理论求解得到最终线性可分问题的优化式子：对非线性问题，需要通过非线性映射把数据映射到更高维的特征空间，假设核函数K(x_i,x)为非线性映射函数，则确定决策函数为由于径向基核函数(RBF)只需确定一个参数，有利于参数优化，因此选择RBF为核函数：式中σ是核函数宽度；所述步骤(3)中，当ZPW‐2000轨道电路发生红光带故障时，通过铁路信号微机监测平台CSM采集相关故障诊断模型特征输入数据，包括：发送功出电压V1、分线盘发送电压V2、分线盘送回电压V3；根据室内外设备故障判定规则进行初步判断，若：V1正常、V3正常或V1异常、V2异常则判定为室内设备故障，若：V1正常、V3异常或V1异常、V2正常且V3异常则判定为室外设备故障；若判定为室内故障，则进入室内设备故障诊断改进粒子群优化支持向量机模型进行诊断计算；若判定为室外故障，则进入室外设备故障诊断改进粒子群优化支持向量机模型进行诊断计算；所述步骤( 4)中，由理论研究发现惩罚因子C和核参数σ是决定SVM性能的最重要参数，为了获得最好的分类能力，采用改进粒子群优化算法来优化惩罚因子C和核参数σ；原始粒子群算法中假设在N维搜索空间中由m个粒子组成一个群体，x_i＝(x_i1,x_i2,...,x_iN)指第i个粒子的位置，v_i＝(v_i1,v_i2,...,v_iN)指第i个粒子的速度；第i个粒子的最优位置为p_i＝(p_i1,p_i2,...,p_iN)，整个群体的最优位置为p_b＝(p_b1,p_b2,...,p_bN)；群体中粒子的速度和位置可以表示成如下方程：v_in(k+1)＝w·v_in(k)+rand(0,c₁)·[p_in(k)‑x_in(k)]+rand(0,c₂)·[p_bn(k)‑x_in(k)]x_in(k+1)＝x_in(k)+v_in(k+1)；n＝1,2,...,N     (5)式中：c₁，c₂是加速常数，分别代表了一个粒子向局部最优位置(p_in)和全局最优位置(p_bn)飞行的加速权重；rand(0,c₁)、rand(0,c₂)分别是在[0,c₁]、[0,c₂]中均匀分布的随机数；w是惯性权重；本方法通过引入可变惯性权重w(i)来改善原始粒子群算法寻优的性能：式中，k为控制因子，控制w与i变化曲线的平滑度；i表示当前迭代次数；针对原始粒子群算法容易陷入局部最优的缺点，本方法引入过早停滞判断，具体如下：当p_in在M次迭代过程中不变化或者p_bn在N次迭代过程中不变化，则认为种群陷入了过早停滞.这说明群体已经或者即将陷入局部最优；M、N的值根据问题的规模和经验提前设定，M、N的值越大说明判断过早停滞的条件越宽松；在PSO算法中加入过早停滞计算器K₁、K₂来计算停滞次数.如果P_i或P_b的值与前一次相同，K₁或K₂的值加1；否则清零.当K₁、K₂的值达到极限值M、N，重置P_i和P_b使粒子跳出局部最优；对P_i的改进对P_b的改进得到改进算法中群体粒子速度和位置方程x_in(k+1)＝x_in(k)+v_in(k+1)；n＝1,2,...N    (9)按照得到的公式(9)去优化SVM模型中惩罚因子C和核参数σ；所述步骤(4)中，通过调整惯性权重的值来平衡局部寻优和全局寻优间的关系；通过引入过早停滞判断判别粒子群算法是否陷入局部最优。