铁路信号系统故障预警与预防维护技术探索

摘 要：随着信息技术发展，铁路信号系统的复杂性和外界环境的不确定性使故障发生的概率越来越高。为了优化故障预警系统，更好地应用预防维护技术，本文提出了基于局部加权回归（Locally Weighted Regression，LOESS）和经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）的数据预处理系统，利用主成分分析（Principal Component Analysis，PCA）和自动编码器提取并优化数据特征，构建基于门控循环单元（Glavnoe Razvedivatelnoe Upravlenie， GRU）的故障预测模型以及基于长短期记忆网络（Long Short-Term Memory，LSTM）的预测性维护模型。研究结果表明，本文提出的模型能够提高故障预警的准确性，为铁路信号系统的稳定运行提供技术支持，保障铁路交通的安全性，提升了运行效率。

关键词：铁路信号系统；故障预警；预防维护

中图分类号：U 284 " " " " 文献标志码：A

铁路交通是现代交通体系的重要组成部分，其安全性和可靠性受到广泛关注。由于铁路信号系统具有复杂性，因此故障发生的概率较高，一旦出现故障，就可能导致列车晚点、停运，甚至发生重大安全事故。因此，本文研究铁路信号系统故障预警技术，优化数据预处理、提取特征、构建故障预测模型以及设计预防维护策略等环节，提高铁路信号系统的故障诊断准确率和维护效率，保障铁路交通安全。

1 数据预处理与特征提取技术

1.1 数据预处理与特征提取

采用数据预处理与特征提取技术进行故障检测。LOESS能够探索信号数据中的局部结构，以提高故障检测的准确性。LOESS的核心思想是在给定数据点附近拟合一个简单模型。对每个预测点Xi来说，LOESS对第i个数据点Yi进行局部拟合，如公式（1）所示。

Yi=β0+β1Xi+εi （1）

式中：εi为误差项；β0、β1为模型的参数，分别为截距和自变量X的系数。

EEMD是一种处理非线性和非平稳时间序列数据的有效方法，它利用添加白噪声系列来解决模式混叠问题，在数据中识别固有的振荡模式[1]。利用希尔伯特黄变换从原始信号中提取EEMD，须满足2个条件：数据极值点的数目和通过数据零点的数目必须相等或者相差最多1个；在任何点，局部对称轴的平均值为0。在完成数据预处理后，采用主成分分析（Principal Component Analysis，PCA）和自动编码器提取并选择特征。

PCA利用线性变换将数据转换至新的坐标系中，计算过程如公式（2）所示。

W=argmax|WTXTXW| （2）

式中：W为映射矩阵，包括主成分的方向信息；X为原始数据矩阵，其中，每行代表1个样本，每列代表1个特征。解决该优化问题，PCA能够识别最能代表数据集变化的特征向量。

自动编码器是一种无监督的神经网络，用于学习数据的有效编码[2]，其目标是最小化输入和输出之间的差异。训练之后，自动编码器能够生成数据的简化版本，可以作为特征输入后续的故障预测模型中。

LOESS和EEMD的数据预处理可以降低数据噪声，突出趋势，采用PCA和自动编码器提取并选择特征不仅可以减少数据维度，还能保留最具信息量的特征，为铁路信号系统的故障预警提供了可靠的数据基础。

1.2 基于GRU的故障预测模型

在铁路信号系统故障预警技术领域，构建高效的故障预测模型是提高系统可靠性和安全性的关键。由于在处理时间序列数据方面性能优异，因此GRU网络广泛应用于构建故障预测模型[3]。GRU的核心为更新门Rt和重置门Zt这2个门控结构，GRU门控结构如图1所示。更新门决定保留哪些前一个时刻的信号状态信息，以更好地预测未来可能发生的故障；重置门决定忽略哪些过去的信息，使模型更专注于当前的重要信号，提高预警准确性。

更新门Zt的计算过程如公式（3）所示。

Zt=σ（Wz·[ht-1，xt]+bz） （3）

重置门Rt的计算过程公式（4）所示。

Rt=σ（Wr·[ht-1，xt]+br） （4）

式中：xt为在时间的输入；ht-1为前一时间步的隐藏状态；σ为Sigmoid激活函数，用户将输入值映射至0～1；bz和br分别为用户更新门和重置门的偏置向量；Wz和Wr分别为用户更新门和重置门的权重矩阵。

基于预处理后的列车历史故障数据集中的运行数据将其划分为训练集和测试集。本文采用GRU网络，该结构由输入层、数个GRU隐藏层以及输出层组成。其中，输入层的维度与所选特征的数量有统计学意义，输出层的维度对应可能出现的故障类型数目。本文精选了10个关键特征进行故障预测，设定输出为5种主要的故障类型，具体数据见表1。

输入层采用铁路信号系统中关键的运行参数和环境因素，以浮点数形式表示，保证数据的连续性和多样性，为GRU网络提供全面的特征信息。输出层根据系统中常见的故障类型设计，以每种故障类型的概率作为输出，为故障预警提供了明确目标。

1.3 故障等级划分与预警机制

在铁路信号系统中，划分故障等级、采用预警机制可以提高系统的可靠性。该过程包括精准地识别故障特征并对其进行适当分类，以便及时采取响应措施。动态时间规整（Dynamic Time Warping，DTW）和时间序列聚类是该过程中2种关键的算法[4]。

DTW是一种经典算法，可以比较2段时间序列。DTW利用弹性地拉伸或压缩时间序列来找到2个序列之间的最佳匹配。时间序列聚类是一种将时间序列数据进行分组，计算时间序列之间的距离的方法，利用K-Means聚类算法将时间序列划分为不同的类别或簇，使同一组的时间序列相似度高，不同组之间的时间序列相似度低。

本文利用DTW和时间序列聚类对故障信号进行等级划分。利用DTW计算不同故障信号时间序列之间的相似度，以识别并区分类型不同、严重程度不等的故障模式。采用时间序列聚类算法将特征相似的故障信号进行分组，每个组代表一定等级的故障类型。

建立预警机制的关键是将故障等级与相应的响应措施进行匹配。对每个故障等级来说，可以设定特定的预警阈值，并根据实时监测的故障信号特征和所属的故障等级来触发相应预警[5]。例如，对轻微故障来说，只需进行日常维护；对严重故障来说，需要立即采取紧急措施以避免潜在的安全风险。及早发现并处理故障，能够显著提升铁路信号系统的运行安全性和可靠性。

2 铁路信号系统预防维护技术

2.1 基于LSTM的预测性维护模型

在铁路信号系统中，采取有效的预防维护策略是提升系统稳定性和降低故障率的关键。LSTM在处理时间序列数据方面能力优越，广泛应用于构建预测性维护模型。LSTM特有的门控机制能够有效解决传统循环神经网络（Recurrent Neural Network，RNN）在长序列数据处理过程中遇到的梯度消失问题，使RNN能够捕获时间序列数据中的长期依赖关系。

LSTM单元由遗忘门、输入门和输出门3个主要门控结构组成 。遗忘门决定哪些信息应从单元状态中丢弃，输入门决定哪些新信息应添加至单元状态，输出门决定下一个隐藏状态的值。LSTM的门控单元结构如图2所示。基于铁路信号系统的实际运行数据收集的输入数据维度见表2。

在网络架构设计阶段，构建1个具有2个LSTM层和1个全连接层的网络。每个LSTM层包括128个单元，采用ReLu激活函数来提高网络的非线性处理能力。作为网络输出层，全连接层生成最终的维护需求预测，采用Sigmoid激活函数输出预测的维护需求概率。

在训练过程中，由于预测性维护问题可以看作回归问题，因此采用均方误差（Mean Square Error，MSE）作为损失函数。因为Adam优化器能够自适应调整学习率，适合处理大规模且参数敏感的数据集，所以选择其作为优化器。为防止过拟合，模型还加入了Dropout网络层，当在验证集中的损失不再下降时停止训练。

2.2 维护决策支持系统

在铁路信号系统中，采取有效的预防维护措施十分重要。维护决策支持系统结合决策树和贝叶斯网络，提供了一种系统化的解决方案，以优化维护策略并预测潜在故障。系统基于历史数据和实时监测数据为维护团队提供决策支持，降低系统故障率，提高运行效率。

决策树广泛应用于分类和回归任务，其核心思想利用多次迭代将数据集划分为2个或多个同质子集，直至达到预设的最大深度或节点内数据点数量低于某个阈值。当选择最佳分裂属性时，本文采用信息增益来衡量数据集在特定属性上分裂前后信息含量的变化，如公式（5）所示。

（5）

式中：Gain（D，a）为信息增益，为原始数据集的熵与加权子集熵总和的差值，差值越大，属性a在降低数据集不确定性方面越有效，这是决策树等算法选择分割属性的重要依据；|D|为数据集D中样本的数量，i为数据点个数；|Di|为子集Di中样本的数量；Ent（D）为数据集D的熵，用于衡量数据的不确定性；m为加权子集熵的总数。其计算过程如公式（6）所示。

（6）

式中：pk为数据集中术语类别k的样本比例；K为2个时间序列对齐后的最大长度。

在铁路信号维护决策支持系统中，决策树可以分析故障类型和原因、维护操作的影响以及可能的维护结果。训练决策树模型，基于系统的历史维护数据和故障记录识别导致故障的关键因素，为维护团队提供可行的维护建议。

贝叶斯网络是一种表示条件依赖关系的图形模型，节点表示随机变量，边表示变量间的概率依赖关系。贝叶斯网络根据已知的故障概率和维护措施的效果预测采取某种维护措施后系统状态的改变概率。

3 试验验证

3.1 试验设计

试验数据集包括2021年第一季度至2023年第二季度某铁路信号系统在实际运行过程中收集的数据以及系统记录的相关故障与维修数据。将预处理后的数据集划分为训练集、验证集和测试集，其数据比例为6∶2∶2。利用训练集分别训练GRU和LSTM网络模型，使用验证集对模型进行调优，使用测试集评估模型的性能，验证模型的预测能力。

3.2 故障预测模型的验证

本文对GRU故障预测模型进行性能评估，GRU模型与原有系统性能对比如图3所示。

从图3中可以看出，与原有系统相比，GRU模型的准确率和召回率更高，说明其在故障预测方面性能更好。F1分数是衡量二分类模型精确度的指标，兼顾分类模型的精确率和召回率，分数提升也表明模型在准确性和召回率之间取得了较好的平衡。

3.3 预防维护模型的验证

本文对LSTM预防维护模型进行性能评估，本文采用均方根误差（RMSE）、平均绝对误差（MAE）以及决定系数（R2）作为评估指标。2023年第一、二季度数据的预防维护模型评估结果见表3。

从表3可以看出，LSTM模型的RMSE与MAE较低，说明模型预测的准确性较高，模型预测值与实际值之间的差异较小。R2反映了模型解释数据变异的能力，值越接近1，模型越能准确预测数据变动。LSTM模型R²较高，说明其在铁路信号系统预防维护方面适用性较高。

4 结论

本文研究了铁路信号系统故障预警与预防维护技术以及应用数据预处理与特征提取技术，有效减少了数据噪声并突出了趋势特征。经试验验证，本文构建的基于GRU的故障预测模型和基于LSTM的预防维护模型性能良好，能够为铁路信号系统的故障预警提供可靠的技术支持。

参考文献

[1]韩昶.铁路信号设备的可靠性设计与维护策略研究[J].运输经理世界，2023（35）：166-168.

[2]常怿.如何利用微机监测系统分析和处理铁路信号设备故障[J].信息系统工程，2023（4）：83-85.

[3]邢玉龙.面向预测性维护的轨道电路故障诊断及预测方法研究[D].北京：北京交通大学，2022.

[4]王坤.基于机器学习的铁路信号设备故障预警系统的设计与实现[D].邯郸：河北工程大学，2021.

[5]尹航.铁路信号集中监测系统智能分析及预警方法研究[D].兰州：兰州交通大学，2021.