基于fta与多层次模糊神经子网络的轨道电路红光带故障诊断方法
【技术领域】
[0001] 本发明关于铁路信号设备故障处理领域，涉及的是一种ZPW-2000轨道电路故障 诊断方法，具体地说是一种基于FTA和多层次模糊神经子网络的ZPW-2000无绝缘移频轨道 电路红光带故障智能诊断方法。 技术背景
[0002] 轨道电路是现代高速铁路信号系统的重要基础设备，用于监督轨道占用情况以及 传递列车运行控制信息，保障列车运行安全，是电务部门的重点维护对象。目前，ZPW-2000 无绝缘移频轨道电路以其抗干扰能力强、传输长度长、传输安全性高、易实现牵引回流等优 点，被广泛应用于我国客运专线与高速铁路，并被确立为我国今后铁路移频自动闭塞系统 的统一制式。
[0003] ZPW-2000无绝缘移频轨道电路主要由电气绝缘节、发送器、接收器、衰耗器、防雷 组合、轨道继电器、传输电缆、匹配变压器等设备组成。在实际运行中，其组成复杂且易受不 良环境影响，由于运输损耗、检修维护不良、环境变换恶劣等因素，导致设备系统出现各种 故障。根据故障-安全原则，一般系统设备发生故障时，必须满足故障导向安全的要求，因 此轨道电路空闲调整状态下的红光带异常故障是最常见的多发性故障，是影响行车安全的 最主要故障之一。目前轨道电路故障处理一般采用传统故障诊断方法，即主要依靠维修人 员经验结合现场状态进行故障诊断，要求维修人员必须掌握较深的相关专业知识与工作经 验才能保证诊断具备一定的准确性。该方法过程繁琐、盲目性过高、诊断准确性较低、自动 化和智能化水平较低。
[0004] 近年来，一些先进的故障诊断理念与算法被尝试应用到轨道电路故障诊断中，其 中针对ZPW-2000无绝缘移频轨道电路故障诊断的方法研宄有：文献"基于遗传算法的无绝 缘轨道电路故障综合诊断方法"（赵林海，冉义奎，穆建成，中国铁道科学，31(3) :107-113， 2010)运用遗传算法对轨道电路中多个补偿电容故障及道砟电阻波动等情况作出综合诊断 评价。文献"基于数据的轨道电路故障诊断的混合算法"（杨世武，魏学业，北京交通大学 学报，36(2) :40-46,2012)提出了一种基于神经网络的故障诊断网络对轨道电路进行故障 诊断，解决了单独设计网络带来的运算量问题。文献"基于D-S证据理论信息融合的轨道 电路故障诊断方法研宄"（李娜，董海鹰，铁道科学与工程学报，9 (6) : 107-112, 2012)提 出一种基于D-S数据信息融合的铁路信号设备故障诊断模型方法，提高了诊断结论的可信 度。文献"ZPW-2000A轨道电路智能故障诊断算法应用研宄"（刘琰琼，铁路通信信号工技 术，01:29-32, 2014)提出一种基于模糊推理的轨道电路智能故障诊断算法，对轨道电路模 拟原件的短路、开路等硬故障有较好的效果。但由于轨道电路的故障征兆、故障模式与故障 产生机理之间存在着复杂性与不确定性，仅靠单一诊断方法无法满足轨道电路故障诊断的 要求。
【发明内容】
[0005] 本发明的目的是提供一种基于FTA和多层次模糊神经子网络的ZPW-2000无绝缘 移频轨道电路红光带故障智能诊断方法，该方法能在轨道电路发送红光带故障时进行智能 故障诊断，快速定位故障点，极大降低故障诊断的盲目性和复杂性，提高故障诊断速度和准 确度。
[0006] 本发明实现其发明目的，所采用的技术方案为：
[0007] 基于FTA与多层次模糊神经子网络的ZPW-2000轨道电路红光带故障诊断方法，采 用最终训练确立得到故障诊断模型自动定位故障点并获得故障诊断维修指示：
[0008] 其故障诊断模型包括三个子模型，即：
[0009] 以接收端接收电平U1、"轨出1"电压U2和发送功出电压U3为输入；以F1 :接收 器故障或TCC通信故障、F2 :衰耗器故障、F3 :电缆模拟网络故障和F4 :发送器故障或发送 电平调整不当为输出的三输入四输出室内设备故障诊断Mandani模糊神经子网模型；
[0010] 以受端轨面电压U4和发送端轨面电压U5为输入；以F5 :接收端室外设备故障、 F6 :补偿电容故障或道床电阻过低和F7 :发送端室外设备故障为输出的二输入三输出室外 设备故障诊断Mandani模糊神经子网模型；
[0011] 以匹配变压器输入电压U6和匹配变压器输出电压U7为输入，以F8 :绝缘节故障、 F9 :SPT电缆故障和F10 :匹配变压器故障为输出的二输入三输出的接收端室外设备故障诊 断Mandani模糊神经子网模型和发送端室外设备故障诊断Mandani模糊神经子网模型；
[0012] 当发生ZPW-2000轨道电路红光带故障时，通过铁路信号微机监测平台采集相关 故障诊断模型特征输入数据，包括：发送功出电压VI、分线盘发送电压V2、分线盘送回电压 V3、U1~U7,输入到确立好的诊断系统模型中：主要步骤包括：
[0013] 首先根据室内外设备故障判定规则进行初步判断，若：VI正常、V3正常或VI异常、 V2异常则判定为室内设备故障，若：VI正常、V3异常或VI异常、V2正常且V3异常则判定 为室外设备故障；
[0014] 若判定为室内故障，贝U进入室内设备故障诊断Mandani模糊神经子网模型进行诊 断计算，将模型计算输出结果按判据式（13)判定，故障输出判定结果为1，则该故障模式极 可能发生，据此即可初步定位故障点；
[0015] 若判定为室外故障，则进入室外设备故障诊断Mandani模糊神经子网络模型进行 诊断计算，模型计算输出结果按判据式（13)进行判断，故障输出判定结果为1，则该故障模 式极可能发生，据此即可初步定位故障点；
[0016] 若判定为室外设备故障且诊断为接收端室外设备故障或发送端室外设备故障，即 故障模式F5或F7的输出结果判定为1时，则进入接收端室外设备故障诊断Mandani模糊 神经子网模型或发送端室外设备故障诊断Mandani模糊神经子网模型进行诊断计算，将模 型计算输出结果按判据式（1)判定，故障输出判定结果为1，则该故障模式极可能发生，据 此即可初步定位故障点；
[0017] 在得到初步定位的故障点后，结合底事件重要度分析结果进一步确定预检测维修 故障优先级，重要度越高则故障预检测维修的优先级越高，最后结合经验库知识输出故障 诊断维修建议；
[0018]
(1)
[0019] 当Fj= 1时，表示故障模式Fj发生；当Fj= 0. 5时，表示故障模式Fj可能发生； 当Fj= 0时，表示故障模式Fj不可能发生。
[0020] 本发明故障诊断模型基于的FTA手段获得，其具体步骤如下：
[0021] 1)FTA定性分析：首先通过故障调查分析，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；
[0022] 2)FTA定量分析：通过搜集统计得到底事件发生概率，据此由下往上逐级计算得 到中间事件与顶事件的发生概率，根据Fussell算法分析计算最小割集重要度；
[0023] 3)通过分析故障树所蕴含的知识，总结故障诊断的故障输出模式，提取故障诊断 规则，确定各故障诊断模糊神经子网络的输入输出；
[0024] 4)根据FTA分析结果，设计诊断系统结构，并构建多层次模糊神经子网
[0025] 络模型；
[0026] 5)根据诊断对象设定模糊隶属度函数参数，通过样本学习训练调整网络权值，确 立故障诊断模型；
[0027] 6)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。
[0028] 进一步地，步骤1)中，首先通过故障调查分析，搭建宏观ZPW-2000轨道电路系统 故障树模型，将其基础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， 结合专家经验与故障调查分析结果，逐级向下找出各级故障原因事件，直到满足所需的分 析深度，并将分析得到的中间事件、底事件与顶事件按其逻辑关系用逻辑符号相互联接构 成ZPW-2000轨道电路红光带故障树模型；最后通过下行法逐层搜寻最小割集，将割集按