基于可靠性真值表的JTC补偿电容重要性评估

为实现不同位置补偿电容的重要性评估,得到对无绝缘轨道电路(JTC)影响较大的补偿电容位置,提出一种基于可靠性真值表的JTC补偿电容重要性评估方法。建立JTC调整态和分路态模型,并仿真得到补偿电容断线时全部故障类型的调整态接收电压和分路态分路电流幅值曲线;提取相应的接收电压和最小分路电流与其阈值进行对比分析,建立JTC可靠性真值表;基于可靠性真值表计算各补偿电容的重要度系数,并通过柱形图确定对JTC影响较大的补偿电容位置。结果表明:靠近接收端的第2个和第3个补偿电容对JTC的影响较大。所提方法可协助现场维修人员确定各补偿电容的维护优先级,为补偿电容的重点监测提供依据。

基于DCNN的ZPW-2000A无绝缘轨道电路故障诊断研究

针对ZPW-2000A无绝缘轨道电路故障发生的多样性和不确定性导致的故障诊断效率低的问题,从故障特征提取和故障分类的角度出发,提出一种基于深度卷积神经网络(DCNN)的轨道电路故障诊断方法。通过故障分析总结出12种轨道电路故障状态,并将不同故障状态下的轨道电路监测数据进行标准化处理,作为DCNN模型的输入。模型采用卷积-池化结构提取轨道电路的关键特征并滤除冗余特征。BP神经网络作为模型的全连接层,并结合Softmax函数进行故障分类。通过k折交叉验证法优化模型结构,确定最佳模型。实验结果表明,采用4层卷积-池化层结构的轨道电路故障诊断模型在诊断准确率方面达到了98.48%,较同为最优模型的长短期记忆网络(LSTM)模型、深度前馈网络(DFN)模型、双向长短时记忆网络模型(BiLSTM)与CNN-LSTM组合模型分别提升了6.06%,6.06%,3.33%与2.27%,训练收敛速度分别快了大约1250、4250、1250与1450次,且训练时的损失波动更小。本研究提升了轨道电路故障诊断效率,为轨道电路的故障诊断任务提供了一种新的有效方法。

基于有限元与传输线的JTC和TCR信号传输过程的建模与仿真

本文针对有限元和传输线理论各自的特点,提出一种将传输线与有限元相结合的JTC(Jointless TrackCircuit)和TCR(Track Circuit Reader)信号传输过程的建模仿真方法。该方法利用有限元分别建立轨道电路和TCR天线模型,以此确定JTC对TCR天线的有效作用范围。在其有效范围内利用有限元对JTC和TCR天线间的电磁感应过程进行建模,而在有效范围外由传输线负责对JTC信号在钢轨中的传输过程进行建模。采用此联合建模策略实现对JTC和TCR间信息传输过程的仿真。实验表明,该方法具有建模准确、仿真精度较高、计算时间较短等优点。

基于智能优化深度网络的轨道电路故障诊断研究

针对无绝缘轨道电路故障的随机性和复杂性,采用单一诊断模型存在提取特征片面,且模型结构经验设计不合理的问题,提出一种智能优化深度网络的故障诊断方法。首先以轨道电路信号集中监测系统的6个电压检测量建立故障特征集,使用卷积神经网络(CNN)提取特征空间信息,长短期记忆网络(LSTM)提取时间特征信息,从而让轨道电路故障诊断所提取的特征兼具时空信息;同时,引入遗传算法(GA)优化上述深度神经网络的结构及参数,并结合强化学习中的Q-learning方法对两个组合网络特征级的输出权重进一步优化;最后,使用多层感知器(MLP)对深度网络的分类误差进行拟合修正,提高模型对轨道电路的故障诊断精度。仿真结果表明,利用智能优化的深度网络模型对轨道电路的故障诊断相较于单一模型、精炼设计的组合模型识别率可达99.28%,评价指标等均有所提升,具有更高的故障诊断准确度,证明了智能优化深度网络能进一步提高轨道电路的故障诊断性能。

JTC邻区段干扰对TCR的影响研究

本文根据JTC(Jointless Track Circuit)的基本结构与工作原理,利用传输线理论建立JTC邻区段干扰在TCR(Track Circuit Reader)接收天线中的分量模型,确定邻区段干扰的最不利条件,并以此条件对各调谐单元正常与分别故障情况下,邻区段干扰在TCR天线中的接收分量进行仿真分析。实验表明,只有本轨道区段零阻抗调谐单元故障会产生较大的邻区段干扰,且其强度已超过TCR信号接收阈值。

基于模糊定性趋势分析的JTC综合故障诊断方法

针对JTC(jointless track circuit)补偿电容和调谐区故障检测方法不兼容的问题,提出基于模糊定性趋势分析的JTC综合故障诊断方法,实现包括补偿电容和调谐区设备的JTC综合故障诊断。基于传输线理论分别建立JTC补偿电容与调谐区设备故障的仿真模型,以补偿电容所在位置为分割点,提取JTC无故障及补偿电容与调谐区设备分别故障时的信号曲线趋势构建知识库,通过计算实际信号与知识库中经典故障模式的匹配度得出诊断结果。结果表明:信噪比越高,诊断正确率越高,当信噪比为50dB,电阻为1Ω·km时,诊断正确率高达94.9%。相比于模拟退火算法,诊断方法具有更好的适用性和灵活性。

基于TCR监测数据的JTC补偿电容容值估计方法

本文基于TCR远程监测系统,利用相应的感应电压幅值包络模型,在分析补偿电容不同容值对感应电压幅值包络影响规律的基础上,建立补偿电容容值与感应电压幅值包络间的映射关系,以此实现补偿电容容值的在线估计。实验表明,本文所提方法能够对补偿电容的容值进行准确估计,且具有计算速度快、鲁棒性强等优点,对分路电阻和道砟电阻的波动不敏感。

基于云理论的JTC可靠性实时评估方法

针对目前无绝缘轨道电路JTC可靠性分析方法无法实时反映指定JTC系统健康状况的不足,提出基于云理论的JTC可靠性实时评估方法。根据TCR远程监测系统获取的JTC实时状态信息,建立实时状态下JTC可靠性模型,并以实时状态下的平均故障前时间作为可靠性实时评估指标。基于云理论,建立周边环境数据与元件失效率之间的失效率适应云模型。通过建立系统可靠性评价集云,对实时外部环境和设备状态条件下的JTC可靠性进行评估,并得出评估结果。结果表明,基于云理论的JTC可靠性实时评估方法能够正确、客观地对JTC的可靠性进行实时评估,解决可变条件下JTC系统可靠性的实时评价问题。

基于列车结构和运行场景的JTC分路状态建模

"分路不良"和机车信号"掉码"是目前无绝缘轨道电路(Jointless Track Circuit,JTC)分路状态亟需解决的问题.为此,根据列车各轮对位置和编组结构,并考虑JTC钢轨与道床的漏泄,采用传输线六端口网络理论,对列车"仅占用接收端调谐区"、"占用接收端调谐区和主轨道"、"仅占用主轨道"、"占用主轨道和发送端调谐区"和"仅占用发送端调谐区"5个场景下的主、小轨道接收器分路残压和机车信号感应电压进行建模.实验表明:本文模型的仿真结果与实际数据更为接近,可为以上问题的研究提供良好的理论支持.

基于CSM系统的JTC故障智能诊断方法

信号集中监测(CSM)系统通过对无绝缘轨道电路(JTC)指定位置的数据采集,实现了对JTC的故障诊断。为进一步提高CSM系统的诊断水平,提出基于随机森林的JTC故障智能诊断方法。首先,通过传输线理论,对CSM系统所采集的JTC数据进行建模,并利用JTC半实物仿真平台对模型进行验证;然后,采用故障注入技术,利用所建模型,对JTC的典型故障模式下的CSM监测数据进行仿真,以此建立故障特征集;最后,制定包含再训练过程的JTC故障智能诊断策略,基于随机森林模型设计相应的故障诊断算法。实验结果表明,所提方法基于CSM,在不增加采集点的情况下,能够准确定位JTC上31种典型故障,且对未知故障具有智能诊断和学习能力,故障定位准确、识别度高、适应性强。

基于股票分析与灰关联的JTC轨面设备故障诊断方法

补偿电容和调谐单元作为无绝缘轨道电路(JTC)的轨面设备,其故障会对JTC和轨道电路读取器(TCR)的正常工作造成影响。在分析轨面设备组合故障对TCR感应电压幅值包络影响规律的基础上,利用TCR感应电压幅值包络与股票价格变化的相似性,提出一种基于股票分析和灰关联的轨面设备多故障诊断方法。首先利用股票技术指标提取故障特征;然后通过Fisher准则对故障特征进行筛选,构建各故障模式下的特征向量;最后计算待测样本与各故障模式特征间的灰关联度,并将满足门限要求的最大灰关联度所对应的故障模式作为待测样本的诊断结果。实验表明,该方法具有准确率高和适应性好等特点,其准确率达到97.8%,虚警率仅为2.2%,且无拒识、漏报和误报,能够满足铁路现场的实际需求。

基于检测车数据的JTC补偿电容容值估计方法

为满足铁路现场对无绝缘轨道电路补偿电容进行“状态修”的需要,基于电磁场理论建立并验证检测车补偿电容检测过程的有限元模型。在此基础上,分析补偿电容、钢轨阻抗和道床电阻对检测车接收天线中反馈信号幅值包络的影响程度,建立补偿电容、钢轨电感与反馈信号幅值包络峰值三者间的回归模型。根据检测车对补偿电容的故障诊断特点,提出基于检测车数据的钢轨电感回归估计方法,并以此给出补偿电容容值估算公式。实验表明,本文方法具有估值准确、鲁棒性强等特点,为进一步实现补偿电容的故障预测和“状态修”提供理论支持。

改进麻雀算法和Q-Learning优化集成学习轨道电路故障诊断

无绝缘轨道电路的故障具有复杂性与随机性,采用单一的模型进行故障诊断,其性能评价指标难以提高。而采用集成学习方式,则存在各基学习器结构、参数设计盲目,集成模型中各基学习器组合权重难以分配的问题。针对以上问题,提出一种改进麻雀算法和Q-Learning优化集成学习的轨道电路故障诊断新方法,该方法有机地将集成学习与计算智能和强化学习相结合,充分挖掘轨道电路故障特征,提高性能评价指标。首先,使用卷积神经网络、长短期记忆网络和多层感知器深度学习模型,以及支持向量机和随机森林传统机器学习模型,共同构成集成学习基学习器,解决单一学习模型的不足,不同基学习器的使用保证集成学习的多样性。从自动化机器学习角度出发,采用改进麻雀算法优化该集成学习模型的结构和参数,克服其结构和参数难以确定的问题。在此之上,引入强化学习Q-learning对集成模型中各基学习器组合权重进行优化,智能地确定集成学习各基学习器的组合权重。最后,将集成学习模型的预测结果与真实结果比较后得到误差,再采用BP神经网络对预测结果进行补偿修正,进一步提高轨道电路的故障诊断性能评价指标。仿真结果表明,利用所提方法进一步改善了轨道电路故障诊断的准确度、精确度、召回率和F1值等性能评价指标。

基于注意力机制和双向LSTM网络的轨道电路故障预测研究

基于铁路电务段轨道电路微机监测系统数据记录,提出一种基于注意力机制和双向长短期记忆网络的轨道电路故障预测方法。首先按照一定时间间隔记录并处理ZPW-2000A轨道电路微机监测数据,并使用合成少数类过采样算法进行数据扩充;然后基于注意力机制和双向LSTM网络构建轨道电路故障预测模型;考虑到神经网络超参数组合对模型性能有较大影响,使用基于贝叶斯采样的Hyperband算法优化轨道电路故障预测模型的超参数组合,再利用Adam算法优化模型参数,从而了解故障发生前轨道电路状态随时间的变化情况,实现对轨道电路故障状态的预测。实验表明:该模型能够准确预测轨道电路故障状态,从而指导电务段一线工作人员在故障发生前介入,提升轨道电路维护效率和运行效率。本研究为轨道电路故障预测相关研究提供一种新思路。

基于深度网络的轨道电路暂态特征多补偿电容故障定位

补偿电容作为无绝缘轨道电路的重要组成部分,若发生故障会影响轨道电路的正常工作。针对轨道电路补偿电容开路故障的随机性与突发性问题,提出一种基于轨出电压暂态特征的深度网络补偿电容故障定位方法。其核心思想是利用暂态理论分析多个补偿电容开路故障,对其进行智能定位。模型首先构建线性核与高斯核组合的深度混合核网络(DHK)用于提取暂态特征,并利用高斯过程回归优化核函数和超参数;随后将混合核网络提取的高维暂态特征信息送入GRU层,实现多个补偿电容开路故障定位;最后引入负对数似然估计优化DHK-GRU网络参数,提升模型的故障定位能力。通过实测数据验证轨道电路仿真模型的正确性,进而通过仿真模型对多补偿电容故障类型进行扩充。选取40种不同情况下多补偿电容开路故障的轨出电压信号,经归一化处理后作为输入数据。将DHK-GRU模型与GRU模型、双向GRU模型以及DHK-双向GRU模型进行对比分析,使用混淆矩阵计算实际样本值和模型诊断值的误差,评估模型的定位效果。实验结果表明:提出的DHK-GRU模型的正确率为97.98%,精确率为97.6%,召回率为98.5%,F值为0.980,说明模型在多补偿电容故障定位中具有优异的表现。由此也表明构建的DHK-GRU模型可协助现场维修人员实现多个补偿电容故障的有效定位,为补偿电容的预防性维修和突发性故障诊断提供依据。

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GA-VMD的无绝缘轨道电路调谐区和补偿电容故障特征提取

为准确提取ZPW-2000A型无绝缘轨道电路调谐区和补偿电容故障特征信息,提出一种以包络熵为优化目标的遗传算法(Genetic Algorithm, GA)优化变分模态分解(Variational Mode Decomposition, VMD)的故障特征提取方法 .首先,采用传输线理论建立无绝缘轨道电路模型,仿真分析调谐区和补偿电容不同故障的分路电流曲线.其次,以VMD方法中的模态分量的最小包络熵为目标函数,通过遗传算法搜索目标函数的最小值来确定最佳组合参数,原始故障信号经最佳参数组合下的VMD分解成若干个本征模态分量,并对算法的有效性进行了验证.最后,通过与总体经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)、传统VMD方法相对比.研究结果表明:GAVMD方法具有更强的故障信息提取能力,避免了EEMD方法出现的模态混叠问题和传统VMD方法在分解信号过程中出现的过分解、欠分解问题,GA-VMD方法实现了复杂信号的准确提取.

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。

一种无绝缘轨道电路道砟电阻估算方法

针对无绝缘轨道电路中道砟电阻易受工作环境影响以及现场测量困难的问题,提出一种道砟电阻估算方法。首先根据二端口网络理论,构建调整状态下轨道电路传输模型,仿真分析道砟电阻和补偿电容对轨道电路各设备两端电压、电流的影响规律;其次基于现场微机监测数据,计算轨道电路各设备两端电压、电流仿真值与监测值之间的误差;最后利用粒子群优化算法,将轨道电路传输模型和误差值作为算法适应函数和适应值估算道砟电阻,并对结果进行性能验证。实验结果表明该方法的估算结果在验证中平均绝对百分比误差(MAPE)为14.31%,计算精度相比轨入电压法较优,从而验证所提道砟电阻估算方法的有效性和可行性。

基于ReliefF-Adaboost的无绝缘轨道电路故障诊断模型

现阶段对ZPW-2000A型无绝缘轨道电路的故障判别方式主要是对微机监测数据进行人工分析,但这种方式存在主观性强、判别效率低等问题。为解决上述问题,提出了ReliefF-Adaboost故障诊断模型对轨道电路进行故障识别。首先,通过分析轨道电路工作原理,初步选取10个特征参数;然后,利用ReliefF算法得到各个特征参数的权重,并按照权重由大到小依次输入到Adaboost故障分类器中,筛选出对轨道电路故障诊断最有效的特征参数;最后,将其再次输入到Adaboost故障分类器中完成故障识别。仿真结果表明:ReliefF-Adaboost模型故障诊断准确率为96.67%,相较于无特征参数筛选的Adaboost模型提升了2.50%。该模型有效提升了ZPW-2000A型无绝缘轨道电路的故障诊断性能。