论文部分内容阅读
摘要：针对传统电务部门对相敏轨道电路维护中所沿用的“故障修”“计划修”在保证行车安全、提高运营效率等方面的不足，文章采用改進GM（1，1）模型进行轨道电路的故障预测，对GM（1，1）模型进行滑动平均法改进，将已知轨道电路的状态序列送入改进GM（1，1）模型进行序列预测，并以实际案例进行模型的测试，验证了改进GM（1，1）模型方法的可行性与有效性。
关键词：相敏轨道电路;改进GM（1，1）模型;故障预测
中图分类号：U284.2 文献标识码：A DOI：10.13282/j.cnki.wccst.2019.10.037
文章编号：1673-4874（2019）10-0132-03
0引言
相敏轨道电路是我国铁路信号系统中应用广泛的重要基础设备之一。当前，铁路电务部门对轨道电路检修的主要方式是借助微机监测记录的各电压日曲线、日报表。同时我国铁路部门仍然沿用传统的“定时修”和“故障修”策略，即在规定的时间或当设备发生故障后才进行检测维护。该方法的缺点是维护效率低、故障隐患高，若处理故障不及时可能造成行车事故，影响行车效率。
针对轨道电路故障预测的主要研究有：文献给出一种基于神经网络的轨道电路混合故障诊断算法，旨在通过快速的神经网络训练，实现轨道电路故障诊断的高效性。文献分别针对轨道电路的故障采用智能算法进行优化诊断研究。
伴随着3C（计算机、通信、控制）技术及故障预测与健康管理（Prognostic and HealthManagement，PHM）技术的发展，建立基于“状态修”的智能维护模式，将智能化的预测技术引入轨道电路的故障分析中，对于保证列车行车的可靠性、可用性、可维护性、安全性技术意义重大。
为避免GM（1，1）模型在预测中忽略系统发展过程的一些必要干扰因素，影响预测精度，本文对其改进优化，实现对相敏轨道电路故障预测，旨在为电务人员掌握轨道状态、辅助故障分析、故障处理起到指导作用。
1相敏轨道电路原理结构
相敏轨道电路设备一般分为室内和室外设备两部分，如图1所示。
轨道电路的主要作用是监测轨道空闲与占用情况。若轨道上有车，列车轮对的分路作用会使接收器输入的轨道电压显著降低;若轨道上无车，接收器输入的轨道电压相对较大。相敏轨道电路送电端将电信号通过铁路线路传送到接收端，信号传输过程如图2所示。
2 GM（1，1）算法介绍
2.1模型
传统的CM（1，1）是包含单变量的一阶灰微分方程。其基本方法为：将无规则的数据进行求和，得到规律性强的数列并重新建模，由生成的新数据再求减，得到还原模型，最后由还原模型进行预测，具体过程如下：
第一步：获取累加模型
设X0={x0（1），x。（1），…，x。（n）}为原始数据，对其进行一次累加生成的数列为：
X1={X1（1），X1（1）…，X1（n）}（1）
第二步：重构
对x1做相邻均值生成计算，结果为GM（1，1）模型背景值，记作z1：
Z（1）=0.5x（1）（n）-0.5x（1）（n-1） （2）
其中，n=2，3，…k。
则GM（1，1）的灰色微分方程为：
X（1）（n）+ax（1）=b （3）
第三步：建立GM（1，1）模型
对生成序列x（1）做一阶单变量微分方程拟合，得到灰色白化过程的动态模型为：
第五步：求出绝对误差和相对误差，最终利用该序列进行预测。
2.2 改进GM（1，1）模型
GM（1，1）模型预测结果数据离散程度越大，预测精度越低。一般对GM（1，1）模型的改进主要有：改造原始数列、选取初值、改造灰色模型、改进技术方法等。为降低数据的不平滑度，强化数据的趋势，本文采用滑动平均法对数据紧凑平滑化处理，以提高输出数据的拟合度。其中，对于原始序列x0={x（0）（1），x（0）（2），…，x（0）（n）}，n=1，2，…k，其滑动平均计算可表述为：
其中，x’（0）为紧凑平滑处理后的值。通过增加数据的权值，避免数据过度波动。
3 验证方法
（1）相对误差
（2）均方误差
4 分析验证
测试为FC终端，WIN1064位系统，i3处理器，MATLAB2014b。
结合2017年1月至2018年6月的接收器数据的电压作为训练模型，2018年7月至2018年10月的作为测试模型，仿真模型数据来自柳州某客运站每月一次的维修测试。原始预测数据如表1所示，各种算法预测结果如表2所示。
表3通过对表2中3种预测算法性能结果进行比对，明显可以看出改进GM（1，1）预测结果与实际值拟合度更高，验证了改进模型预测的有效性。
5 结语
相敏轨道电路是铁路信号系统中重要的基础设备，对其进行故障预测的研究势在必行。本文结合对象故障发生的随机性与模糊性以及可获悉的样本较少的特点，采用改进GM（1，1）模型对轨道电路进行故障预测，并结合实例验证，证明了预测模型的有效性。
本文为轨道电路提供了一种故障预测与维修的新方法。
关键词：相敏轨道电路;改进GM（1，1）模型;故障预测
中图分类号：U284.2 文献标识码：A DOI：10.13282/j.cnki.wccst.2019.10.037
文章编号：1673-4874（2019）10-0132-03
0引言
相敏轨道电路是我国铁路信号系统中应用广泛的重要基础设备之一。当前，铁路电务部门对轨道电路检修的主要方式是借助微机监测记录的各电压日曲线、日报表。同时我国铁路部门仍然沿用传统的“定时修”和“故障修”策略，即在规定的时间或当设备发生故障后才进行检测维护。该方法的缺点是维护效率低、故障隐患高，若处理故障不及时可能造成行车事故，影响行车效率。
针对轨道电路故障预测的主要研究有：文献给出一种基于神经网络的轨道电路混合故障诊断算法，旨在通过快速的神经网络训练，实现轨道电路故障诊断的高效性。文献分别针对轨道电路的故障采用智能算法进行优化诊断研究。
伴随着3C（计算机、通信、控制）技术及故障预测与健康管理（Prognostic and HealthManagement，PHM）技术的发展，建立基于“状态修”的智能维护模式，将智能化的预测技术引入轨道电路的故障分析中，对于保证列车行车的可靠性、可用性、可维护性、安全性技术意义重大。
为避免GM（1，1）模型在预测中忽略系统发展过程的一些必要干扰因素，影响预测精度，本文对其改进优化，实现对相敏轨道电路故障预测，旨在为电务人员掌握轨道状态、辅助故障分析、故障处理起到指导作用。
1相敏轨道电路原理结构
相敏轨道电路设备一般分为室内和室外设备两部分，如图1所示。
轨道电路的主要作用是监测轨道空闲与占用情况。若轨道上有车，列车轮对的分路作用会使接收器输入的轨道电压显著降低;若轨道上无车，接收器输入的轨道电压相对较大。相敏轨道电路送电端将电信号通过铁路线路传送到接收端，信号传输过程如图2所示。
2 GM（1，1）算法介绍
2.1模型
传统的CM（1，1）是包含单变量的一阶灰微分方程。其基本方法为：将无规则的数据进行求和，得到规律性强的数列并重新建模，由生成的新数据再求减，得到还原模型，最后由还原模型进行预测，具体过程如下：
第一步：获取累加模型
设X0={x0（1），x。（1），…，x。（n）}为原始数据，对其进行一次累加生成的数列为：
X1={X1（1），X1（1）…，X1（n）}（1）
第二步：重构
对x1做相邻均值生成计算，结果为GM（1，1）模型背景值，记作z1：
Z（1）=0.5x（1）（n）-0.5x（1）（n-1） （2）
其中，n=2，3，…k。
则GM（1，1）的灰色微分方程为：
X（1）（n）+ax（1）=b （3）
第三步：建立GM（1，1）模型
对生成序列x（1）做一阶单变量微分方程拟合，得到灰色白化过程的动态模型为：
第五步：求出绝对误差和相对误差，最终利用该序列进行预测。
2.2 改进GM（1，1）模型
GM（1，1）模型预测结果数据离散程度越大，预测精度越低。一般对GM（1，1）模型的改进主要有：改造原始数列、选取初值、改造灰色模型、改进技术方法等。为降低数据的不平滑度，强化数据的趋势，本文采用滑动平均法对数据紧凑平滑化处理，以提高输出数据的拟合度。其中，对于原始序列x0={x（0）（1），x（0）（2），…，x（0）（n）}，n=1，2，…k，其滑动平均计算可表述为：
其中，x’（0）为紧凑平滑处理后的值。通过增加数据的权值，避免数据过度波动。
3 验证方法
（1）相对误差
（2）均方误差
4 分析验证
测试为FC终端，WIN1064位系统，i3处理器，MATLAB2014b。
结合2017年1月至2018年6月的接收器数据的电压作为训练模型，2018年7月至2018年10月的作为测试模型，仿真模型数据来自柳州某客运站每月一次的维修测试。原始预测数据如表1所示，各种算法预测结果如表2所示。
表3通过对表2中3种预测算法性能结果进行比对，明显可以看出改进GM（1，1）预测结果与实际值拟合度更高，验证了改进模型预测的有效性。
5 结语
相敏轨道电路是铁路信号系统中重要的基础设备，对其进行故障预测的研究势在必行。本文结合对象故障发生的随机性与模糊性以及可获悉的样本较少的特点，采用改进GM（1，1）模型对轨道电路进行故障预测，并结合实例验证，证明了预测模型的有效性。
本文为轨道电路提供了一种故障预测与维修的新方法。