基于支持向量机的道岔故障动作电流识别

张星++魏文军

摘要：随着我国铁路现代化程度越来越高，列车的行车速度越来越快，传统以微机监测系统采集道岔转辙机动作电流为依据，依靠人工分析来识别故障的方法已经不能适应铁路发展的要求，需要研究相应的智能道岔故障诊断方法。本文将支持向量机应用在道岔故障电流识别中，构造基于支持向量机的分类器来快速判断是否为故障曲线，以便能快速发现故障，同时为后续维护争取时间。

关键词：支持向量机；道岔动作电流；分类器

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）07-0264-02

1 概述

近年来，我国的铁路建设取得了举世瞩目的成就，特别是客运专线和高速铁路运营里程不断增加，列车运行速度不断提高，保障铁路运输安全就显得更加重要，这就对信号设备的安全运行和维护提出了更高的要求。在信号设备故障中，尤其以道岔故障居多，因此快速识别道岔故障对保障信号设备安全运行就显得格外重要。

支持向量机方法是建立在统计学习理论和结构风险最小原理上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，以求获得最好的推广能力 。它在解决小样本问题中具有独特的优势，同时又能解决神经网络算法中的高维问题和局部极值问题。其结构也非常简单，因此广泛应用与工程领域，为统计学习理论的实际应用提供了一种有效的工具。

2 道岔动作电流曲线分析

道岔的正常动作过程可分为：解锁一转换-锁闭。如图1所示。道岔动作电流曲线是一条以电流为纵轴、时间为横，以10毫秒测量间隔的各电流值逐点连接绘制而成的曲线，蕴涵了道岔转换过程中的电气特性和机械特性。

从图1中可以看到，在解锁状态，转辙机刚开始启动时，启动电流会在很短时间内达到峰值，因此会产生较大的扭矩，与动作齿条相连的动作杆开始动作，但是由于动作杆在杆件内至少有5mm的空动距离，电流会迅速下降并进入动作区。在此期间，道岔完成转换动作。当尖轨转换到位，与基本轨密贴后，电流曲线进入锁闭区，此时断开道岔动作电流使之下降为零，并锁闭道岔。尾部上翘是由于尖轨和基本轨密贴力较大造成的。

3 支持向量机

支持向量机简称svm，它是从线性可分情况下的最优分类面发展而来的， 其基本思想可用二维情况表示如图2所示：

在图中，空心点和实心点分别代表两种不同类别的样本，H是分类线，H1， H2分别为过各类中离分类线最近的样本且平行于分类线的直线，，它们之间的距离称为分类间隔（margin）所谓最优分类线就是要求分类线不但能将两类完全正确地分开， 而且使分类间隔最大。

分类线方程可表示为ωx+b=0，将其进行归一化，使其对所有样本4 用SVM方法对道岔故障进行识别

本文以应用广泛的ZD6电动转辙机为研究对象，通过微机监测采集其从定位到反位的动作电流曲线，并进行故障判断，最后得到测试样本集，其中包括正常曲线200例，非正常曲线100例。样本的输5 结束语

道岔是保障铁路运输安全的重要设备之一，当发生故障时，必须快速高效识别出来，防止事故的发生。本文采用基于支持向量机的识别算法，对微机监测系统采集的道岔动作电流曲线进行智能故障识别，可以在第一时间发现道岔故障，并且具有较高的准确率，对保障道岔的正常运行具有十分重要的现实意义。

参考文献：

[1] 顾健.几种常见道岔故障动作电流曲线分析及处理方法[J].铁道运营技术，2014，20（1）：14-17.

[2] 李志春.道岔动作电流曲线的分析[J].铁道通信信号，2005，41（11）：20-21.

[3] Vapnik VN.统计学习理论的本质[M].张学工，译. 2版.北京：清华大学出版社，2000.

[4] 杨雪.支持向量机多类分类方法的研究[D].哈尔滨.哈尔滨工程大学计算机科学与技术学院，2006.

[5] 周珂，彭宏，胡劲松.支持向量机在心电图分类诊断中的应用[J].软件时空，2006，22（3-3）237-239.