铁路信号设备故障诊断方法研究

铁路信号设备故障诊断方法研究

冉吉美

贵阳市城市轨道交通运营有限公司 贵州省贵阳市 550081

摘要：信号技术作为直接控制列车运行、保障行车安全、提高行车效率、改善出行体验的核心技术，在铁路信息化发展过程中发挥了重大作用，在未来高速铁路智能化发展进程中发挥巨大作用。

关键词：铁路；信号设备；故障诊断

引言

电务设备种类繁多，以信息化手段实现的信号设备履历、监测检测、检修维护等系统，在生产管理过程中产生大量的数据，由于各系统之间相互独立、接口标准不统一，信息无法共享，因此需要建立一套科学、完整的系统，对以上数据进行整合，提供多功能、多层次、多服务对象的标准设备数据接口，解决基础数据的不一致、不完整、不及时等问题，实现对基础数据标准化、统一化管理，提供快捷的路径统计和查询各项设备。

1安全监督在信号集中监测系统上的应用

信号集中监测的列控安全信息监督功能由车站层和中心层构成。在车站层，即利用CSM站机采集CBI、TCC、ZPW-2000、车站CTC系统的接口数据并进行车站层的安全信息监督分析。在局集团公司/电务段层（中心层），增加了RBC、TSRS和CTC对应的接口服务器负责CSM接口数据的采集，并新增安全监督服务器实现了中心层的列控安全信息监督分析。列控安全信息监督分析主要通过对信号子系统间的关键数据进行一致性比对和相应的逻辑分析，及时报出影响行车安全的预警信息，起到安全风险防范提醒和列控安全信息实时监督的作用。报警管理，即通过数据一致性比对发现各地面信号子系统数据不一致时，实时对对应的安全信息监督分析并产生报警。报警类型除了安全信息监督分析的几种特定类型外，还可进一步实现故障点划分，方便用户迅速查找问题所在。例如RBC系统MA与联锁进路不一致可以进一步划分为MA越过禁止信号、MA经过已占用的区段、MA道岔位置与联锁进路道岔位置不一致3种类型。报警信息除了列出设备、车站、时间、内容等关键信息外，还结合语音提示并能够进行历史报警的统计和查询。此外双击对应报警，可跳转到相应的报警诊断界面。用户根据相关报警提示，结合站场图、设备属性曲线或开关量在故障时间点前、后变化情况等信息，进一步对报警进行分析诊断。

2信号设备信息平台建设

铁路计算机网络集中搭建信号设备信息平台，建立安全可靠的传输通道，将现有的信号设备履历、监测检测、检修维护等系统的动、静态技术状态信息进行互联，经过采集、加工和规范化处理后接入平台，从而为用户提供设备基础数据。信号设备信息平台总体架构主要是基础支撑、数据层、数据存储层、数据分析层、数据管理层、数据展示层等，完成设备数据的采集、统计、分析、应用各个阶段的串联。1）基础支撑。提供信号设备信息平台所需的软件及硬件设备，包括各类网络设备、存储设备、服务器设备和相关软件等。2）数据层。信号设备履历、监测检测、检修维护等相关系统构成设备基础数据来源，包含设备技术状态全寿命周期内的动静态数据。实现对多数据源进行统一访问，灵活提供数据展现形式。3）数据存储层。利用网络技术将数据层设备技术状态相关数据进行分类、整合，综合利用数据源信息并分块存储。4）数据分析层。建立设备状态的数据分析，实现数据的分析处理，形成设备现状分析、设备趋势预测分析，通过数据分析让数据变得可视化，层次上更加清晰明了。5）数据管理层。主要完成对元数据、主数据、及数据质量的管理，共享系统中的所有数据，进行科学组织，保证数据的安全性和完整性。6）数据展示层。运用数据分析层提供的数据，化繁为简，提供基于数据统计、分析的各类应用展示服务，用户可以更快地理解信息内容，发现数据变化趋势。

3图像识别技术在XB箱监测中的应用

在我国人工智能科技发展领域中，图像识别是一项十分重要的研究项目，随着我国科技的飞速发展，图像识别技术得到了充分的发展。传统上，人工智能（或深度学习）开发流程极为冗长，基础设施的开发、搭建、调试往往要耗费数月时间，期间透明性低，测试频繁，效率低下，严重阻碍人工智能技术在行业中的推广使用。为了降低深度学习模型开发的难度和入门门槛，简化开发过程，不少相关专家作出有意探索，推出了深度学习计算服务平台：将识别技术算法本身进行分类归纳、封装，从而使开发人员能专注于对模块内的问题抽象、模型建立以及神经网络模型设计；而行业应用人员专注于提炼需求，选择、调用相关模块，解决行业问题。深度学习计算服务平台通过整合高性能计算、云计算、大数据和人工智能等多学科的关键技术，提供从训练到推理的一站式人工智能云计算应用服务解决方案，大幅降低人工智能准入门槛，提升人工智能研发效率，适应了传统行业智能化升级的需要。

4基于数据挖掘的铁路车站信号平面布置图信息提取

（1）图形数据读取。从AutoCAD的数据交换DXF格式的组码中解析出图例数据，判断图例是否为组合数据，若是则读取图例组合块数据，若否则读取圆、圆弧、直线、多段线、填充和文字等基本图形数据。（2）基本图形预处理。通过递归方式读取组合块格式中的图形数据，省去聚类的步骤。图形数据中多段线分解成直线、填充，圆弧合并成圆，消除格式混乱。去除长度超过阈值以上的圆弧和直线，提取目标图形数据。（3）图形数据聚类。将交叉、包含、相切、相离的图形关系转换为数据位置距离关系，使用聚类算法对图形数据进行可达性聚类，形成图形组。（4）图形组分类。以图形组的数量关系、尺寸关系、连接关系为提取特征，在标准库下训练出对图例分类的算法，对待识别的图纸进行应用检验。同构混乱的信号图例，特征不同分类标记相同，达到消除同构混乱的目的。

5通过公式计算设备运用状态

利用微机监测智能分析与故障诊断系统对信号设备运用中的开关量、模拟量等电气特性数据实时分析，建立数学模型，纳入状态修公式计算。并结合《普速铁路信号维护规则》中各项设备的技术标准，确定影响设备稳定运行的技术参数，系统自动将其划分为正向参数、反向参数、反向参数概率值。技术优化率+标准稳定率+运行稳定率-风险预控录入率-（故障障碍发生频率×影响概率值）-（道岔扳动频次×影响概率值）-（车列碾压频次×影响概率值）-（信号开放频次×影响概率值）-（车列运行线别×影响概率值）=状态修参考值。风险预控录入率+（故障障碍发生频率×影响概率值）+（道岔扳动频次×影响概率值）+（车列碾压频次×影响概率值）+（信号开放频次×影响概率值）+（车列运行线别×影响概率值）=状态修预警值。系统通过正向参数-反向参数×反向参数概率值，将参数所涉及的数据定向获取并统计整理存储至缓存中，根据缓存数据计算得出信号设备每个检修项目的状态修参考值C。将得出的状态修参考值C与状态修安全基准值J1进行对比，当C＜J1时，系统自动将所有反向参数与反向参数概率值进行极值法运算，得出信号设备每个检修项目的状态修预警值S。并与状态修预警基准值J2进行对比，当S＞J2时，该项目（或单项部件）立即进行状态维修；当S≤J2时，该项目处于安全状态，从而得出所有信号设备对应的公式运算状态。

结语

总之，研究铁路信号设备故障诊断方法，对于高速铁路信号领域智能化研制、智能化建造、智能化运维等方面具有重要意义。

参考文献

［1］习近平对京张高铁开通运营作出重要指示：京张高铁建成投运意义重大［J］.城市轨道交通研究，2020，23（1）：9.

［2］中国国家铁路集团有限公司.新时代交通强国铁路先行规划纲要［N］.人民铁道，2020-08-13（2）.