基于机器学习的无绝缘轨道电路健康状态综合评价方法

针对检测车对ZPW-2000系列无绝缘轨道电路(JTC)的健康评价能力需要提升的实际需求,基于机器学习理论提出一种JTC健康状态综合评价方法。首先,基于JTC的工作原理和检测车的数据分析,研究并确定JTC健康状态评价指标和评价函数。然后,基于JTC仿真模型,使用故障注入技术对JTC常见故障模式下的数据进行仿真,构建JTC状态数据集,并基于半监督聚类算法,结合传统层次分析法的专家经验和数据中的规律,实现数据标注。最后,基于XGBoost模型和SHAP可解释框架计算各评价指标的权重,进而构造JTC健康分数HI,实现JTC健康状态的综合评价。实验表明,本文方法能够对JTC进行准确、合理地评价,克服现有评价方法的不足,有效提升检测车对JTC的健康评价能力,为实现“状态修”提供依据。

基于传输线理论的列车分路阻抗研究

通常以列车第一轮对分路电阻为等效模型研究列车对轨道电路的分路过程,但此过程忽略了其他轮对的分路作用,无法研究“分路不良”等故障情况。尤其是对于无绝缘轨道电路,其钢轨线路中所跨接的补偿电容,将使列车分路过程更为复杂。针对这一问题,根据传输线理论,从各轮对分路电阻出发,在考虑道床漏泄的情况下,建立列车分路阻抗的六端网络模型,并利用机车信号工作原理,间接验证了模型的正确性,着重分析轮对分路电阻、补偿电容和钢轨线路参数对列车分路阻抗的影响规律。最后,基于计算列车轮对结构重要度,构建列车分路阻抗的简化模型,为进一步研究“分路不良”等故障情况提供理论支持。