铁道信号基础设备在线监测方法研究

马 瑞

（洛阳铁路信息工程学校，河南 洛阳 471000）

铁道运输一直是我国重要的运输方式，其发展前景十分广阔。随着经济快速发展，人们对交通运输方式的要求也不断提高，与此同时，国内高速铁路技术得到了不断发展，铁道信号设备变得越来越重要，应用范围也越来越广[1]。对基础设施进行准确监测是保证铁路正常运行及提高铁路运输效率的重要手段，因此必须对铁道信号基础设备进行全面监控，以保证铁路沿线作业的安全[2]。现阶段，铁道信号基础设备检测工作在实施中存在诸多问题，其中最主要的问题是在采集到信号数据后，由于传输时间较长而导致信号数据丢失，进而造成铁路运行出现故障。针对这一问题，需要对铁道信号设备采取必要措施，进行在线、实时监测，以保证其能够及时、准确获取到监测信息。

1.1 采集铁道电路信号

为实现对铁道信号基础设备在运行过程中的状态信息获取，利用转辙机控制电路信号采集器对铁道电路信号进行采集。图1为该类型电路信号采集器内部结构示意图。

图1 转辙机控制电路信号采集器内部结构示意图

选用STM12D202VCT5型号作为单片机的处理器，该芯片内核为Cotex-M6，可为本文在线监测方法提供控制和信号处理的功能[3]。MCU电路提供3.3 V电压，8 MHz外部晶振，内置72 MHz时钟，为提升芯片稳定性，在硬体电路板设计中加入两个陶瓷电容器；
低速时钟采用32.768 kHz的晶体振荡，电容选择10 pF；
外接VBAT管脚；
该采集系统采用上电复位方式，通过与电流限制电阻器并联电容器的复位插针（NRST）与供电线路直接相连。利用采集器中的信号采集电路，在其基本结构上设置6个信号，3个AC电压采集，3个DC电压采集。在转辙机的控制电路中，使用1个电压互感器，其中A/D转换器的转换范围为0.0～3.6 V。在信号采集时，将模拟功率与数字功率隔离开来，可以使信号线间隔尽量大，减小串扰，以确保最终电路信号的精度。

1.2 提取铁道信号基础设备故障参数

针对上述获得的铁道电路信号，引入一种将输入信号混合到基带的方法（ZoomFFT法）对频谱进行细化处理，复合调制解调，经过数字低通滤波装置，再取样，对样本进行二次处理，再完成时域补零，得到最终的特征频率[4]。在提取故障参数时，将采样频率设置为4 054 Hz，并对所有节点进行傅里叶计算。截取精炼波形，使有效信号从原点开始移动。频谱的搬移公式为

式中：y（n）为频谱搬移后得到的信号结果；
x（n）为采集到的原始铁道电路信号；
j为采样次数；
wd为搬移时产生的角频率。角频率的计算公式为

式中：fd为用于铁道信号基础设备故障参数提取的频段。对所有移频后的信号进行数字低通滤波处理，并将除0～fd以外频段的数据全部清除。由于铁道所处环境十分复杂，因此周围多种干扰因素的存在会对监测精度造成一定负面影响。针对这一问题，为确保监测精度，还需要对所有信号进行快速傅氏变换（Fast Fourier Transformation，FFT）处理，并得到能量更加集中的频谱图像。

1.3 基于神经网络的设备在线监测与故障识别

反向传播（Back Propagation，BP）神经网络是一种单向多层次的前反馈网络，经过理论分析，80%以上的神经网络模型都是在BP神经网络结构和改进BP神经网络结构的基础上构建的。BP神经网络具有以下特征：输入层面的信号正向传输，而错误的反向传输。图2为一个包含输入层、隐含层和输出层的BP神经网络基础结构图。

图2 BP神经网络基础结构图

BP神经网络是对样本进行重复的训练，当训练误差达到理想状态时，就会使训练达到一个稳定的状态。基于BP神经网络的应用优势，利用其实现对铁道信号基础设备的在线监测，并根据监测结果确定设备是否发生故障以及故障的具体类型。采用BP神经网络的方法，选取轨道交通信号基础设施中高压脉冲的特征频率、送端波峰和接收端的峰值电压作为输入参数，按照分路不良和红光带故障类型，将4种不同的故障描述作为BP神经网络的输出[5]。其中分路不良故障类型包括钢轨锈蚀A1和供电电压过高A2两种，红光带故障类型包括供电电压过低A3和道砟电阻过低A4两种故障描述输出结果。针对各个故障存在的隶属度等级进行互粉，分别为十分可能、可能、偶然是和基本不可能，其对应的隶属度数值依次为0.98，0.65，0.30，0.15。在实际应用中，监测结果输出的隶属度可通过高斯型隶属函数计算得出，表达式为

式中：m为隶属度结果；
Xi为BP神经网络输入；
dij常数；
σ为隐藏层因子个数。根据上述BP神经网络输出的结果实现对铁道信号基础设备的监测与故障识别。

使用LabVIEW软件对上文设计的铁道信号基础设备在线方法进行测试，LabVIEW软件由美国NI公司开发，具有相对友好的编程界面，可以实现对虚拟化测试环境的开发。本次测试使用LabVIEW作为主要软件，不仅可以实现在监测过程中工业设备之间的通信，还可以提高信号采集的效率，实现对数据的快速解析与应用。

开展测试前，对设计的监测方法具体应用与操作思路进行分析：在控制线路信号采集装置和测试环境中，通过IP地址和端口号与PC软件进行连接，同步在以太网上传输数据，由PC根据预定的数据传输协议对数据进行分析，从而获得对应的监测数据。在此基础上，通过对铁道线路实时信号进行小波特征参数提取，然后将其输入到神经网络中进行故障诊断与分析。在启动故障分析程序后，可输出具有一定可信性的多种典型的故障类型，并给出故障的可能性与结果，将此结果输入RBF网络，在网络中激活后，即可将对应的故障类型和结果显示出来。主程序见图3。

图3 监测方法在测试环境中的主程序

驱动主程序后，按照以下步骤，进行设备的在线监测。

1）点击LabVIEW软件中的驱动程序，开始执行监测行为，点击此按钮后，会出现实时监控界面，界面中包括多个功能项目：故障诊断、故障数据显示、在线监测时序等。终端监测人员可以根据现场监测作业需求，选择对应的功能项。

2）在按下“Fuzzy NANN（神经网络）”键后，会显示Matlab的监测操作界面，根据本文所训练的模型，对所输入的数据进行处理，将处理后的数据保存在“.txt”文档中。

3）点击操作界面中的“数据显示”，调用“.txt”文档中的数据，处理数据后进行监测结果的生成。

4）点击“故障诊断”功能按键，界面中会显示一个设备运行的故障诊断界面。该接口由“Fuzzyy NANN”输出的数据进行故障判定，该界面上有“类型”“程度”“原因”“故障名称”等模块，并显示了出现不同条件下故障的电压。通过此界面展示的信息，可以实现对设备监测过程中故障的实时诊断，诊断界面见图4。

图4 设备在线监测故障诊断界面示意图

当该方法可以实现对故障参数与故障条件的实时展示与输出时，证明该方法可以实现对设备的在线监测。

在此基础上，对监测方法监测结果的准确性进行分析。将不同时刻下监测界面展示的脉冲特征频率、脉冲发送端波峰电压、接收端波峰电压作为监测指标，对比在相同时刻下人工监测结果数值与此方法监测结果数值，其结果见表1。

表1 相同时刻下人工监测结果数值与此方法监测结果数值对比结果

根据相同时刻下人工监测结果数值与此方法监测结果数值对比结果，得到以下结论。

1）本文方法监测设备脉冲特征频率，与人工监测结果的偏差基本可以控制在0.1 Hz范围内。

2）本文方法监测脉冲发送端波峰电压/脉冲接收端波峰电压，与人工监测结果的偏差基本可以控制在1 kV范围内。

3）综合上述结果可知，本文方法监测结果精准度较高，符合在线监测工作需求。