人工智能在铁路信号故障诊断中的应用路径分析

张贺宁?李欣?王彩?王伟芳

摘要：铁路是现代综合运输体系中的重要组成部分，近年来，在我国铁路交通行业的迅猛发展下，铁路基础设施及技术体系也在随之完善。但是在智能化、自动化的发展模式下，精密的仪器、繁琐的信号传输机制等增加了系统运行中的故障问题，如未能及时处理，可能增加铁路交通的运输风险。基于此，介绍了铁路信号中传统故障诊断方法，并对人工智能在铁路信号故障诊断中的应用路径进行研究。

关键词：人工智能；铁路信号；故障诊断

一、前言

铁路作为重要的交通工具，在城市化发展进程的不断加快下，其重要性愈发突出。铁路系统具有多元性、自动性、高效性等特点，系统相关功能的实现需要借助不同载体完成指令驱动。铁路在运行过程中，内部组件可能因为持续运转产生损耗问题，如果未能及时查找到损耗点，极易产生运行失效的现象。铁路信号故障诊断功能的实现，是利用信号监测出铁路系统在运行期间可能产生的问题，通过故障诊断与分析，及时查找到系统运行中产生故障的时间与空间，帮助工作人员更为直接地查找到问题所在。在先进科学技术、工艺理念的支撑下，信号故障诊断体系也经历了传统诊断、模型诊断、人工智能诊断等几个阶段。如今，在人工智能技术的应用下，铁路信号故障诊断更为精确化、智能化，其可在无人监管的情况下，按照人类的工作思维，对铁路信号进行全天候的监测，最大限度提高铁路系统运行的安全性。接下来，本文便对人工智能在铁路信号故障诊断中的应用路径进行探讨，仅供参考。

二、铁路信号中的传统故障诊断方法

铁路信号故障诊断方法多种多样，且呈现出逐步更新势态，检测方式也从人工模式转变到电子信息模式、数字模型模式，以及现阶段的人工智能模式，专业化、智能化的转变方式也证实着我国科学技术的发展途径。

（一）传统故障诊断方法

传统故障诊断方法主要是指技术维修人员按照自己的经验诊断铁路信号的故障问题。此种现场检测方法较为常见，如，压缩方式、逻辑推理模式、观察比较方式等，可以让工作人员初步判断故障的产生点，且人员可以借助专业设备仪器检索出当前系统中是因为联动影响增加系统故障的产生概率[1]。此类诊断方法的原理是以铁路信号系统作为基底，在系统运行过程中，内部数据信息可能呈现的外在状态可以直接或间接表明系统运行是否规范，如果出现故障，能够通过某项故障点，了解到具体的动因。然后工作人员再借助个人的维修经验，进一步检索出系统运行中的故障问题。此类诊断方法即便是在智能化、自动化的诊断体系中，也没有被淘汰，甚至可与人工智能诊断方法联合使用，提高实际检测效率，让各项检测工作更具时效性[2]。

（二）基于函数的信号检测方式

通常情况下，利用函数的方式进行监测，可以更为直接地监测到信号系统内部是否存在异常问题。利用函数分析时，先进行特征提取，并利用函数关系，找到信号特征关系之间的差异现象，如果存在差异点，便可界定此类信号监测路段中存在故障问题，且整个处理过程无需人工凭借自己的经验，而是通过仪器设备得出最终的数据结果。与此同时，此类监测方式对人员的专业度要求不高，只需要人员具备操作仪器设备的能力，便可以监测到该信号系统当前运行状态是否规范、稳定。但是在具体应用过程中，信号检测方式具有局限性，无法按照系统内部呈现的多点功能进行多维比对与分析，即为单凭某一个信号故障点去界定当前系统有哪些故障，存在以偏概全的现象，缩减了信号检测方式的应用面[3]。为此，在后续发展中，需要加强对信号检测工作的调整，从时间维度、空间维度给予必要的优化，让故障检测能够按照信号的变动问题固定在某一个点位上，增强故障诊断的针对性与精确性。

（三）基于精确数学的解析模型方式

解析模型方式是一种较为精密的检测手段，其借助数学模型可以更为精准分析当前信号系统运行存在的故障。解析模型方式结合了函数理论、统计学理论等，在数字化联动机制下，可以全方位检索到系统中存在的不稳定因素，且数据之间的变动方式也可描述信号系统的运行状态，让监测工作更具实用性。在铁路信号系统运行过程中，内部数据之间的关系不再局限于特定的应用范畴中，而是通过信号内部的链接关系，在信号输入与输出之间提供一个能够彼此认证关系的逻辑体系。工作人员在检修期间，则可以通过观察逻辑关系形成的数学模型，判定系统运行是否存在故障问题，且各项数字关系之间也不再局限于特定的功能组成，而是通过数据分析预判出当前信号系统在执行某项行为时可能存在的问题，且此类监测工作具有动态性、持续性，既可以作为检测前的排查，也可以作为检测的认证机制[4]。从系统运行机制来讲，每项数据管理工作的开展，均可以按照不同的功能点设置任务驱动机制，并可以由模型进行解析，整个数据之间的关系不再局限于特定的模型链接任务中，而是通过数据信息之间的对接方式，让各项检测功能可以精准作用到不同的场景中。此外，解析模型可以进行累积，即为将故障生成的数据信息进行记录，并作为故障检测的重要经验点，如果后续出现故障时，也可以及时调配出解析模型进行比对，帮助工作人员更为全面地分析故障所在，为铁路信号系统运行奠定坚实基础。

三、人工智能在铁路信号故障诊断中的应用路径

铁路信号故障诊断中，由于各项先进技术设备的应用，在实际检测与分析期间，如果过于沿用传统的故障检测方法，可能在部分信号检测数据传输方面呈现出脱节的问题，从而无法及时反馈铁路信号中存在的故障点。人工智能技术的应用则是建立在专家系统、神经网络控制、模糊逻辑控制理论上，实现对铁路信号故障问题的全过程化检索，且人工智能可以按照人们的思维，深入分析铁路信号产生故障的各项关联点，通过集中识别的方式，诊断信号故障所处的关联状态，然后通过预测、分析，创建更为完整的监测机制，全天候、实时地检索到铁路信号系统运行中存在的故障问题[5]。

（一）专家系统在铁路信号故障诊断中的应用

专家系统作为智能计算机程序系统，其通过计算机强大的整合处理与挖掘功能，将某个领域专家水平的知识与经验进行复刻处理，然后经由人工智能的方式，利用已经具备的知识经验，创建具有人类思维的推理与判断流程。通过模拟人类专家的决策过程，可以帮助各类系统在处理问题时能够以合理、可操控的方式解决系统运行中存在的各项问题点。对于铁路信号系统而言，当出现故障时，借助专家系统在铁路信号系统之间加设一个实时化、全天候的检测机制，当故障问题产生时，信号可能会出现变动情况。此时信号传输到专家系统中，专家系统立即进行识别，并分析当前信号存在变动的主要原因，最终通过时间与空间方面的定位，帮助工作人员查找到铁路信号故障的具体产生点。除此之外，在人工智能技术的应用下，整个处理流程乃至完善方法不再需要过多的人员干预。届时人工智能系统可以按照当前的故障问题，在专家系统内部自动找寻出解决此类故障的具体方法，因为某个领域专家水平的知识与经验则可以成为自动检索与处理该故障的一个指标点，无需人工参与，并可以按照系统内部给予的决策指令去自动完成优化。当然也有部分故障可能是因为设备硬件的损坏而产生问题，此时专家系统则可以立即生成解决方案，上报到终端，让工作人员进行处理。

从实际使用效果来讲，专家系统在铁路信号故障诊断中的应用优势包含下列几点。第一，可以模拟专家的思维，按照特定逻辑方式，对信号中存在复杂性的传输机制进行精确分析，且每一类信号所呈现出的关联影响，均可以被专家系统识别与推断。第二，专家系统所使用的知识均是以符号为主，通过在专家系统内部预设推理模块，按照系统内部既定的程序执行检索行为，让信号诊断过程之中无需通过人工输入指令，便可以精确地检索系统运行中存在的问题。第三，专家系统在运行期间可以对信号传输中的各项环节起到良好的衔接作用，其既可以甄别出系统运行中存在的故障，也能够对传输信号的各项设备终端载体进行精确化检索，这样可以更为真实、全面地分析诊断结果。

当然在实际使用过程中，专家系统也呈现出一定的使用弊端，主要体现在知识获取难度较大，知识经验台阶较窄，人工智能的凸显优势不明显等问题。对此，在后期应用及发展过程中，可以在专家系统运行架构之上加入故障树的处理方式，进一步完善知识资源库，此时则可以让专家系统内部的逻辑思维以及各类知识经验突破固有的局限，让系统所具备的诊断功能更加全面、高效与便捷。其间，故障树可以将专家系统内部的知识库进行简化处理，排除不必要的知识内容，然后帮助专家系统进行精确化的逻辑推断，有效提高铁路信号系统故障检测效率[6]。

（二）模糊逻辑诊断法在铁路信号故障诊断中的应用

模糊逻辑是指建立在多值逻辑基础之上，运用模糊集合的方式研究模糊性思维、语言形式及规律的一种科学方法。此类技术最早是由20世纪60年代美国科研人员提出的，其本身是建立在模糊集合论的基础之上，来进一步明晰不同数值所呈现的界限点，然后分析出在系统驱动过程之中数值模糊在多值集合之上可能呈现的变动情况，进而精确检索系统运行中存在的各项问题。从人工智能角度来讲，模糊逻辑则是按照人脑思维的方式，对相关概念或者推理形式进行不确定性的思维认证，其本身可以看成是建立在模糊未知或者是不能确定的描述系统、非线性控制对象来进行特定模糊规则的推理，这样以模糊作为过渡性界限的定性认知，可以综合判断或者是近似地模仿人们思维进行一定的推理。此类模糊逻辑的诊断方式在系统运行之间具有更多的优势。在20世纪80年代，日本便将模糊逻辑控制技术应用于列车的自动化控制系统之中，真正实现了理论意义上的无人驾驶，此类技术成果也逐渐被欧美国家所引用，并逐渐地运用于地铁以及各项列车的应用之中。

在铁路信号故障诊断之中，模糊逻辑控制方法的实现则是在模糊理论基础之上帮助系统分析出故障产生的原因与具体现象，为了能够增强两者之间的连接性，需要通过模糊关系矩阵确定系统执行某一项行为时所产生的信号信息是否能够在模糊控制模型的结构性知识架构之上完成相对应的表述。整个模糊控制理论的推理过程近乎人们的思维方式，其是对事件可认定性的一种固定描述，然后把人们处理所产生的各项思维当成是模糊控制或者是下一阶段控制的基准点，从多个方面分析出系统运行期间，因为信号信息传输故障而导致的关联影响[7]。

模糊逻辑诊断方法的具体实现主要分为下列两种，第一，基于模糊关系合成算法的诊断方式。第二，基于模糊知识技术的诊断方式。因为在信号系统传输过程中，其是对整个铁路运行机制起到传输与支撑的作用，这也导致故障问题的产生具有多样化特点。但是从故障具体的动因形式或者是差别形式来讲，任何一项故障产生均是通过内部数据信息以及函数关系模糊规则来确定的，此类诊断方法固然可以提高系统的检测效率，但是在模糊逻辑确定期间，仍然对系统内部知识库具有过多的依赖，间接导致在知识诊断以及数据分析时无法提供更多的获取来源，所以在系统的驱动以及检测期间仍存在较多的可补充性。

为此在后期检测过程中，可以分析出模糊逻辑之间的语言变量，所能涵盖的最大区域点，保证内部信息具有可读性，这样才可以在识别范围之内、逻辑推理能力期间，模糊语言变量与自然语言相对接近，那么便可以将模糊逻辑诊断过程贴合于人类的思维方式，并按照自然语言的呈现机制，对各类系统运行中信号所产生的信息进行合理描述。但是其中又存在故障诊断过于依赖知识库的问题，为了能够充分解决学习能力低下的问题，则可以在诊断过程中加入神经网络方式，让整个系统具备较强的学习能力，且在模糊边界的分析期间也可以按照神经网络系统之间节点呼应与对接的功能进行链接处理，让系统本身建立在特定规则知识之上，完成系统内部的自主优化及学习。如此一来，则可以保证系统在进行推理时，不会因为特定的逻辑方式而产生断层问题，充分解决在推理过程中因为边界不清而造成的匹配冲突现象，进而提高推理的逻辑性与指向性。

（三）神经网络诊断法在铁路信号故障诊断中的应用

基于神经网络的智能诊断方法，模拟人脑结构并进行信息处理而实现复杂问题的求解。其在铁路信号故障诊断中的应用主要有两种方式：第一，神经网络以分类器的身份进行故障模式的识别。第二，神经网络作为动态预测模型而进行故障的诊断与分析[8]。神经网络对于专家知识库的依赖程度较低，且不会因为大容量数据的导入产生冗余问题，有较高的容错能力，可以保证系统在实现某项功能时，以神经元作为基础单位，独立计算出系统运行中可能存在的问题。此外，神经网络系统具有较强的自主学习能力，可在处理某项数据信息时，按照系统内部预设的程序，自主识别风险，且把此类指标作为后期检索识别的标定点。在铁路信号故障诊断中，利用神经网络可以综合分析不同运行场景中故障的产生点，并按照特定的操作机制，对系统内部产生的变量数据进行精细分析，从而提高数据信息的检索效率，能够真实、高效地反馈系统运行存在的错误点。另一方面，神经网络系统在运行过程中，可以通过不断的试错学习，在信号系统内部的诸多变量中找到数据可控点，然后分析数据或信号信息的阈值、权值等，测算出当前系统运行中实际数据与正常数据之间的差值，从而帮助工作人员更好地认清系统运行中的故障问题，并制定解决方案，为铁路信号系统的运行奠定坚实基础。

（四）模型解析诊断法在铁路信号故障诊断中的应用

模型解析诊断法的应用及实现是在确定诊断目标之后，按照模型建构出的规则，分解与识别系统运行中存在的故障问题。此类方式的应用理论为数理统计分析、函数关系解析等，通过严格、缜密的数学思维，分析系统在运行过程中，因为数字变化产生的差值，如此一来，系统相关功能的实现，则可按照其衍生出的逻辑关系，判定当前系统运行中存在哪些差异点，以此提高动态监测效果。此外，模型解析方法，还包含等价空间法、最小二乘法等，但是其中不同的监测方式，需要具体明确监测对象之后，才可以进行相对应的监测，保证系统功能在呈现过程中，不会产生诊断误区。但是此类诊断方法也存在一定的弊端，即在明确诊断对象的环节增加监测的局限性，所以，模型解析法需要配合数学模型，才可以拓宽监测范围，提升对铁路信号系统的监测质量。

四、结语

综上所述，铁路信号系统具有综合性、复杂性，信号的稳定传输决定系统运行是否规范。在不同应用场景下，能够通过监测信号分析整个铁路系统的运行参数，并可以实现全天候的动态监测。针对铁路信号系统故障诊断方式来讲，利用人工智能的方式，对系统内部信号传输机制进行智能化、自动化检索，可以最大限度地增强系统检索效率，且当发现故障时，可以及时反馈到控制终端，让工作人员了解到故障的产生时间与空间，及时找到故障产生的动因点，并做好防范处理。从未来发展趋势来讲，铁路信号故障诊断的智能化处理将随着技术、设备的更新而愈发重要，所以需要加强研发人工智能处理技术，及时引入新理念、新工艺，从基础方面夯实故障诊断模式，确保我国铁路事业的稳定发展。

参考文献

[1]曹巍.基于神经网络的铁路信号设备故障诊断方法研究[J].自动化应用，2022（06）：46-48.

[2]于勇.基于状态推理的全电子铁路信号计算机联锁故障诊断[J].自动化与仪器仪表，2021（09）：54-57+61.

[3]张湘婷.基于关联规则的铁路信号设备故障诊断方法研究[D].兰州：兰州交通大学，2021.

[4]李新琴，张鹏翔，史天运，李平.基于深度学习集成的高速铁路信号设备故障诊断方法[J].铁道学报，2020，42（12）：97-105.

[5]王东升.人工智能在铁路信号故障诊断中的应用研究[J].科技风，2020（17）：123-124.

[6]匡薇.浅析几个常见铁路信号设备故障诊断方法[J].计算机产品与流通，2019（09）：167.

[7]石磊.浅析几个常见铁路信号设备故障诊断方法[J].电子世界，2018（06）：160-161.

[8]徐明.基于信息融合的铁路信号设备故障诊断方法研究[J].交通世界，2017（08）：144-145+147.

作者单位：  新疆铁道职业技术学院