论文部分内容阅读
随着《交通强国建设纲要》的推进,高速铁路步入大发展时代,这就对铁路信号设备提出了新的要求。轨道电路是铁路信号系统的基础设备之一,其不仅是联锁中的重要一环,还是列车与各站段所传输信息的渠道。若轨道电路发生故障,将会直接影响列车运行控制系统对轨道情况的判断,传递错误的信息,进而危害列车行车安全,降低运输效率。目前,越来越多的无绝缘轨道电路被投入使用,如何准确实时地检测出无绝缘轨道电路的各种故障是铁路信号领域研究的重点方向。无绝缘轨道电路故障主要包含主轨道电路的补偿电容故障和调谐区设备故障,然而目前还缺少一种高效精准的方法对上述两种无绝缘轨道电路故障进行综合诊断。因此,本文提出了一种JTC(Jointless Track Circuit,无绝缘轨道电路)调谐区与补偿电容故障诊断方案,该方案基于LVQ(Learning Vector Quantization,自组织特征映射)神经网络算法。首先,论文根据二端口理论,建立无绝缘轨道电路的四端口网络模型,该模型可以准确地表达出无绝缘轨道电路的正常状态及故障状态(调谐区故障与补偿电容故障)。在上述模型基础上,对仿真参数进行设置及调试。其次,根据JTC四端口网络模型,分别对JTC不同状态(正常状态及故障状态)下的分路电流幅值包络曲线进行仿真并进一步分析,从而得到正常和故障状态下的分路电流幅值变化曲线。之后,采用EEMD(Empirical Mode Decomposition,总体经验模态分解)及CEEMD(Complementary Ensemble Empirical Mode Decomposition,补充总体平均经验模态分解)两种不同的算法将分路电流信号分解为数个特征并对比二者效果。可以发现,CEEMD算法可以通过将EEMD算法引入的白噪声改变为互补噪声的方法来更好地保留原信号的特征,从而提高了运算精度。最后,将LVQ神经网络模型引入到无绝缘轨道电路调谐区设备及补偿电容故障诊断方法中。即结合CEEMD提取的特征向量,以及部分现场数据对LVQ神经网络进行训练,训练完成后将剩余数据用于对LVQ神经网络的测试,并将测试效果与优化BP神经网络方法进行对比。结果表明:基于LVQ神经网络的故障诊断方法具有更高的检测精度,验证了本文提出的基于LVQ神经网络的故障诊断方法的正确性。