基于粒子群支持向量机的轨道电路分路不良预测方法

张梦琪，赵会兵，孙上鹏

(北京交通大学 电子信息工程学院，北京 100044)

1 问题的提出

轨道电路作为保障我国铁路运输安全和运输效率的基础设备，具备列车占用情况检测、完整性检查、向列车传输行车信息等功能，为列车的安全、高速运行提供重要保障。当列车进入轨道电路时，列车轮对将两根钢轨导通，使该区段电气回路被短路，控制该轨道区段的轨道继电器落下，控制台显示该段轨道被占用，这时为轨道电路分路状态。然而由于轨面生锈等原因，轮对进入轨道时没有可靠短路钢轨，轨道继电器不能正常落下，这种现象称为分路不良。分路不良现象的发生可能引发进路提前错误解锁、道岔中途转换等情况，导致道岔被挤压、列车延误，甚至引起列车脱轨、冲撞等重大事故，将对乘客的生命安全造成威胁。据统计，全路共有超过3.6万处分路不良区段[1]，在挤坏道岔、列车脱轨、车列冲撞等事故中，由分路不良引起的占30%以上[2]。

国内现有的分路不良检测方式主要有两种：一是电务人员使用标准分路线可靠短路轨道进行分路电压、电流数据测量，这种方法适用于线路开通前或已确认发生分路不良后进行的检查和记录，不能及时预防分路不良现象；二是由电务人员观察微机监测系统监测到的逐段轨道电路分路残压值是否达到标准，该方法耗费人力，且当管辖区段轨道电路数目较多，或遇到雨雪天气分路不良频繁发生时，极易出现遗漏。国内外针对分路不良的产生机理、解决方案等已做过一些研究[3-8]，但对分路不良的预测方法研究相对较少。

表1列举了引起分路不良的几个主要原因。可以看出，不仅轨道电路设备本身，通行的列车和铁路沿线的运营环境均有可能引起轨道电路分路不良。同时，分路不良的发生时间、位置和变化趋势均存在不确定性。如：高速铁路白天通车时线路正常，夜间维护时无车通过，当夜间下雨时可能引起钢轨生锈，引发分路不良；由于高铁开通时间尚短，缺乏无砟轨道道床漏泄情况变化规律的相关研究，当漏泄电阻过高未被及时发现时，对分路情况可能造成影响；普速线路通行货物列车时，易被运送的煤矿石等颗粒污染轨面，污染程度及位置难以确定，使得分路情况呈动态变化；同一段轨道电路，长编组列车轮对多，与轨面不断打磨，可去除锈蚀或污染物，避免分路不良，而短编组轨检车及其他维修车辆通行时，由于列车轮对少，轮对和轨面缺乏充分打磨，就可能出现分路不良；海南等沿海地区气候潮湿，钢轨极易生锈，分路不良现象难以预防。

表1 分路不良的主要原因

本文主要针对ZPW-2000型轨道电路瞬时分路不良或局部区域分路不良的现象进行研究。瞬时分路不良或局部位置分路不良现象在列车过分相区、列车制动时撒砂、通过潮湿区段或货运段时经常发生。由表1及上述分路不良的不确定性分析可知，从分路不良现象形成机理的角度来看，目前难以及时预防和彻底解决分路不良现象。因此，本文以机车信号接收到的感应电流信号为研究对象，通过分析分路不良对感应电流曲线的影响特点，提取相应特征指标并结合粒子群支持向量机算法，从数据的角度来实现分路不良的预测。

2 分路不良对感应电流的影响分析

2.1 机车信号感应电流模型

列车通过轨道电路的过程中，分路轮对数量先增加(列车正在进入该段轨道电路)，然后保持不变(列车完全进入)，最后减少(列车驶出本段轨道电路)，直至轮对完全出清该段轨道电路。文献[5-7]通过轨道和轮对接触的实验模拟了列车的运行，证明单一轮对和复数轮对进入轨道电路时，轮对的分路电阻值基本相同，因此，本文将分路状态简化为只有一个分路轮对的情况。轨道电路分路状态等效电路模型如图1所示。

图1 轨道电路分路状态等效电路模型

图1中，US为发送器所输出轨道电路信号的振幅，对于特定的轨道电路，其取值范围固定不变；Zes为发送端电气绝缘节等效并联谐振阻抗；Zp为发送端等效阻抗；C为补偿电容；ZR为从分路点到接收端的等效视入阻抗；Rf为分路电阻；Icc为位于列车第一轮对前方的机车信号传感器通过电磁感应原理接收到的下方钢轨中传输的电流信号。该电流信号能反映钢轨沿线分路情况的信息，且分路不良现象发生初期，该电流大小大于机车信号接收灵敏度，可被机车信号接收，因此该信号对分路不良预测有重要作用。该电流信号可以表示为

( 1 )

式中：G11(x)和G12(x)为发送器到列车分路点间的传输特性等效四端网络G(x)的特性参数。

( 2 )

式中：Ttr为Zp的四端网传输矩阵；TESJ为Zes的四端网传输矩阵。Icc经模/数转换等处理后转变为电压信号的形式，因此，电压信号与Icc间仅存在幅值比例系数的差异，下文中将其称为感应电流[9]。

2.2 分路不良对感应电流的影响分析

图2为仿真得到的感应电流与实际机车信号传感器记录到的某段轨道电路感应电压信号归一化后的比较图。

图2 实际信号与仿真信号的比较

图2中，C1～C11代表轨道电路由发送端至接收端的11个等间距补偿电容；FS表示轨道电路的发送端；JS表示轨道电路的接收端。列车从轨道电路的接收端进入轨道电路，向发送端行驶，越接近发送端，接收到的感应电流信号幅值越大，因此形成如图2所示的趋势变化。可以看到，该等效电路模型具有较高的精度。

分路不良现象可反映为分路不良位置的分路电阻增大(分路电阻包含轮轨间接触电阻和轮对本身电阻，其中轮对电阻影响极小，可忽略不计，因此分路电阻近似等于轮轨间接触电阻[4]，表1中列举的原因均会引起轮轨间的接触异常，导致接触电阻增大，即分路电阻增大)。由式( 1 )可知，ZR减小，感应电流随之减小。图3为仿真列车通过一段轨道电路时，轨道电路正常和C4～C6之间分路不良程度逐渐严重(Rf值逐渐增大)时Icc的变化曲线对比。由仿真结果可对分路不良时的感应电流曲线特性做如下总结。

图3 分路不良对感应电流的影响

(1)列车通过发生分路不良的位置时，机车信号接收到的感应电流信号幅值减小，且随着分路不良严重程度的加深(Rf增大)，在轨道电路相应位置接收到的感应电流信号幅值随之减小。

(2)没有出现分路不良的位置，机车信号接收到的感应电流信号和正常情况下相同，幅值和变化趋势不受分路不良位置的影响。

(3)分路不良位置接收到的感应电流信号幅值骤降，但曲线的变化趋势、包络形状不变。

3 分路不良预测方法总体设计

3.1 预测模型功能与模型参数设计

本文利用粒子群优化的支持向量机(PSO-SVM)模型，以机车感应电流信号中提取的特征量作为模型输入，实现分路不良的预测功能。预测模型的输入和输出量见表2。其中，输入量为感应电流信号经小波分解与细节分量重构后所提取的特征参数，在4.1中将详细介绍。模型输出0代表分路状态正常，模型输出1代表出现分路不良特征，可能会发生分路不良。

表2 预测模型输入输出参数

3.2 总体设计

图4为基于PSO-SVM的轨道电路分路不良预测方法总体设计示意图。

图4 基于PSO-SVM的轨道电路分路不良预测方法

基于PSO-SVM模型的轨道电路分路不良预测步骤如下。

步骤1生成样本数据。仿真得到一段960 m长的轨道电路，有分路不良趋势的位置为距离发送端280～400 m的区段。分路电阻Rf小于0.15 Ω为正常范围，当分路电阻达到0.15～1 Ω之间时，为分路不良预警值。考虑轨道电路由于设备老化、人为调整等原因会引起发送端不完全匹配，设置发送端匹配程度控制参数Mfs在一定范围内变化。同时考虑线路周围环境对感应电流可能造成干扰，对感应电流信号加入高斯白噪声。最终仿真得到样本集共22 878组数据，以11 439组作为训练样本，11 439组作为测试样本。

步骤2特征提取。首先对训练样本与测试样本进行小波分解与细节分量重构，得到细节信号分量，作为特征提取的对象。提取训练样本和测试样本的最大值、标准差、方差、峭度指标、变异系数5个特征量。

步骤3特征数据归一化。考虑到5个特征量的数量级不同，为避免由于某些特征的取值范围过大或过小，使其在训练中占据过大或过小的比重，对5个特征指标做归一化处理。

步骤4PSO-SVM模型训练。将归一化后的样本特征集作为模型的训练样本，用PSO优化模型的惩罚参数和核函数参数，最终训练得到PSO-SVM预测模型。正常分路情况的样本标签为0，出现分路不良特征的样本标签设为1。

步骤5预测结果检验。将归一化后的测试特征集作为PSO-SVM预测模型的输入量，得到最终预测结果。

4 预测方法详细设计与结果分析

4.1 基于小波分解与重构的特征参数提取

感应电流信号不仅包含分路不良位置的感应电流信号特征，还包含其他信息，对分路不良的特征提取造成干扰。表3总结了对分路不良的特征提取造成干扰的主要因素(由于轨道电路多种设备同时故障的概率很低，本文仅针对轨道电路发生分路不良这一单一故障情况进行研究，不考虑多故障并发的情况)。根据表3可知，从原始信号中直接提取幅值、变化率等特征并不能有效地区分出分路不良与其他干扰因素。因此，首先采用小波分解与重构WDR(Wavelets Decomposition and Reconstruction)方法对感应电流进行多分辨率分解与细节分量重构。

表3 特征提取干扰因素

小波分解可去除信号的整体趋势量，避免感应电流本身增减趋势及发送端不匹配带来的干扰。细节分量重构则保留了信号局部突变的特征。针对重构的细节分量信号进行特征提取，能捕捉到更准确的分路不良特征信息。图5是对正常分路(图5(a))和分路不良(图5(b))情况下的感应电流分别进行小波分解与重构后产生的近似分量和细节分量图，其中，纵坐标表示归一化后的感应电流信号值，横坐标表示感应电流样本点数(共2 400个样本点)。

图5 分路电流信号5层小波分解与重构

图5中，近似信号代表了感应电流信号变化趋势的基本信息，细节信号代表了在不同分辨率下的干扰信息，即信号传输过程中的加性高斯白噪声和轨道电路分路不良对于感应电流信号产生局部干扰信号的情况。将最不利分路条件下分路电阻值0.15 Ω[10]设为正常分路电阻值，当分路电阻值大于0.15 Ω时为分路不良。此处将分路不良位置的分路电阻设为0.3 Ω。

可以看出，发生分路不良时，各层细节信号在分路不良位置的波动幅值均远大于正常分路情况，且在叠加有噪声信号的情况下，分路不良位置的特征明显大于噪声引起的干扰。根据这一波动特征，本文选取重构细节信号的标准差、方差、峭度指标、变异系数、最大值5个指标作为特征。其中，方差和标准差是测量数据变异程度最重要、最常用的指标；峭度指标和变异系数对于脉冲类设备故障非常敏感，由图5(b)可知，这两种特征指标非常适用于本文研究的分路不良故障特征；最大值则可直观反映出归一化后细节分量信号的异常情况。

4.2 参数优化

4.2.1 PSO与SVM算法简述

粒子群优化算法PSO(Particle Swarm Optimization)从随机解出发，通过迭代寻找最优解，通过适应度评价解的品质。设一个E维空间由n个粒子组成一个种群。对粒子i，它在E维空间中的位置为xi=[xi1xi2…xin]T，飞行速度vi=[vi1vi2…vin]T，个体经历最好位置pi=[pi1pi2…pin]T，整个群体最好位置pg=[pg1pg2…pgn]T。在每次迭代中，粒子i的位置和速度表达式如式( 3 )、式( 4 )所示。

( 3 )

( 4 )

式中：ω为惯性权重；d=1，2，…；k为迭代次数；c1、c2为加速因子；r1、r2为取值范围为[0，1]的随机数。

支持向量机SVM(Support Vector Machine)是建立在统计学习理论VC维理论和结构风险最小原理基础上的，根据有限样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以获得最好的推广能力。对于线性不可分问题，SVM通过非线性变换将其转化为高维空间中的线性问题，在变换空间中求出最优分类面。决策输出函数可以表示为

( 5 )

式中：α*为拉格朗日乘子；偏置b*可通过α*求得；K(x，xi)为核函数。Mercer定理将核解释为特征空间内积，核函数的思想是将原本在高维特征空间中的计算，通过核函数在输入空间中完成，无需知道高维变换的显式公式。

4.2.2 参数优化设计

SVM能较好地解决小样本、非线性、高维数和局部极小点等实际问题，已在函数逼近、时间序列预测和分类等领域被广泛应用。本文利用SVM的分类算法实现分路不良的预测。在SVM模型中需要设置两个关键参数：惩罚参数c(用于控制超出误差的样本惩罚程度)和核函数参数g(表示径向基函数的宽度)。这两个参数决定SVM的泛化能力，若由人为设置，需通过大量实验尝试，存在模型生成效率低、无法找到最优参数设置、不利于训练样本更新后的预测效果等缺陷。因此首先将两个参数构成一个微粒(c，g)，采用PSO优化算法对SVM分类模型中的惩罚参数和核函数参数进行参数寻优，将计算得到的最优惩罚参数和最优核函数参数作为预测模型的参数。参数优化流程图如图6所示。

图6 预测模型的关键参数优化流程图

4.3 实验结果分析

表4为分别通过3种方式选取惩罚参数c和核函数参数g的模型进行轨道电路分路不良预测的结果。

表4 3种模型预测结果比较

采用随机生成参数的方法经10次实验，得到最高预测准确率88.89%，预测用时在2～7 s之间。图7(a)为采用交叉验证参数优化算法对SVM模型的参数进行优化后的预测结果，预测准确度可达到97.2%，预测用时约2.5 min。图7(b)为通过PSO参数优化后的PSO-SVM模型预测结果，最终得到最优惩罚参数c=16，核函数参数g=16，预测准确率高达99.5%，高于另两种模型，但预测用时大于10 min。由实验结果可知：利用PSO-SVM模型进行轨道电路分路不良预测可达到极高的预测准确率，但当实验数据样本过大时，运算量偏大，运算时间也较其他方法更长。

图7 预测结果对比

5 结束语

本文提出一种基于粒子群支持向量机的轨道电路分路不良预测方法。首先分析正常和分路不良情况下机车感应电流信号的特性，然后采用小波分解与重构的方法去除感应电流的趋势量，得到两种情况下的信号细节分量，对细节分量进行特征提取，最终通过粒子群支持向量机模型实现对轨道电路分路不良情况的预测。根据表4可知，在样本数据量足够大的情况下，没有进行粒子群优化的预测模型运算速度更快，加入粒子群优化算法后的模型计算速度相对较慢，但最终能找到参数最优解，模型预测准确度可达99.5%，高于其他两种模型的预测准确度。

本文提出的分路不良预测方法存在以下几方面不足，将在今后研究中进一步完善：

(1)预测模型优化用时过长，主要由于PSO算法的运算量过大，后续将考虑更多优化方法以降低运算量，提高预测模型的预测速度。

(2)ZPW-2000理论模型根据实际轨道电路参数进行搭建，且仿真结果与实际机车信号接收数据比较接近，但后续研究仍需考虑预测模型的现场实验，通过现场实验数据作为训练样本以提高预测模型准确度。

由于现有微机监测系统自动化程度不高，缺乏智能化数据分析功能，我国分路不良检测完全依赖电务人员根据微机监测曲线进行人为判断，判断结果受人为因素影响大，且易遗漏。分路不良是铁路运输的一大安全隐患，开展分路不良预测方法的研究对于预防分路不良发生，保障行车安全有着十分重要的意义。本文提出的基于粒子群支持向量机模型的分路不良预测方法，通过人工智能算法实现数据分析和预测，为分路不良的预警提供了新的思路。

参考文献：

[1]胡永生.轨道电路分路不良整治方案研究[J].铁道通信信号,2008,44(5)：24-26.

HU Yong-sheng.Research on Track Circuit Bad Shunting Improvement Plan[J].Railway Signalling & Communication,2008,44(5)：24-26.

[2]陈钢.温州动车追尾事故与CTCS-2技术规范中的安全隐患[J].软件，2011,32(8):27-30.

CHEN Gang.The Wenzhou Train Collision and Safety Issue in CTCS-2 Specification[J].Software,2011,32(8):27-30.

[3]袁孝均.轨道电路分路不良问题研究[J].铁道通信信号,2007,43(4):11-13.

YUAN Xiao-jun.Research on Track Circuit Bad Shunting[J].Railway Signalling & Communication,2007,43(4):11-13.

[4]孙上鹏,赵会兵,陈德旺,等.基于电接触理论的轨道电路分路电阻计算方法研究[J].铁道学报,2014,36(3):31-36.

SUN Shang-peng,ZHAO Hui-bing,CHEN De-wang,et al.Research on Method for Calculation of Shunt Resistances of Track Circuits Using Electrical Contact Theory[J].Jounal of the China Railway Society,2014,36(3):31-36

[5]WAKABAYASHI Yusuke,TANAKA Nobuharu,NAKAGAWA Daisuke,et al.Influence of Contact Condition between Rails and Wheels upon Track Circuit Shunting(2nd Report Measuring Methods and Results of Track Circuit Shunting Resistance of Running Train's Wheels)[J].The Japan Society of Mechanical Engineers,2002,68(672):186-193.

[6]HIRAMA Junji,WAKABAYASHI Yusuke,KITAGAWA Tomoya,et al.Influence of Contact Condition between Rails and Wheels upon Track Circuit Shunting(4th Report Result of Continuously Shunting Resistance of Run Measured Shunting Resistance of the Running Wheels)[J].Japan Society of Mechanical Engineers,2005,71(704):151-156.

[7]HIRAMA Junji,WAKABAYASHI Yusuke,KITAGAWA Tomoya,et al.Influence of Contact Condition between Rails and Wheels upon Track Circuit Shunting(3rd Report Measuring Methods and Results of Track Circuit Shunting Resistance of Running Train′s Wheels)[J].Japan Society of Mechanical Engineers,2002,68(674):183-188.

[8]OSCAR A C,LI Z L,ROGER L.A Laboratory Investigation on the Influence of the Particle Size and Slip During Sanding on the Adhesion and Wear in the Wheel-Rail Contact[J].Wear,2011,271(1-2):14-24.

[9]孙上鹏.无绝缘轨道电路故障机理分析及故障诊断方法研究[D].北京：北京交通大学，2014.

[10]北京全路通信信号研究设计院.ZPW-2000系列无绝缘轨道电路技术条件(暂行)[S].