详情

原文传递 ZPW-2000A型无绝缘轨道电路分路不良预测方法研究

论文题名：	ZPW-2000A型无绝缘轨道电路分路不良预测方法研究
关键词：	无绝缘轨道电路;分路不良预测;变分模态分解;深度学习;特征融合
摘要：	轨道电路作为我国列车运行控制系统的重要组成部分，不仅可以检查区段的占用、出清以及线路的完整性，还可以向列车传输行车信息。但由于轨道电路位于室外，其工作状态易受天气、环境、线路污染等因素的影响。例如雨雪天气会加剧道床泄漏，使得道床电阻下降造成红光带故障；长时间未走行或处于潮湿地段的线路，钢轨表面易形成氧化物使得列车轮对无法很好地将钢轨短路，造成分路不良故障。如何及时发现轨道电路存在的故障并进行维修，从而提高行车效率，降低行车事故的发生，是亟待解决的问题。本文主要针对轨道电路分路不良故障，重点研究正常情况和分路不良故障时轨道电路分路态产生的分路电流信号，并以此提出适用于分路不良故障的预测方法。　　在建立预测模型时需要大量的故障数据，而这些数据是保密的无法大量获取。因此本文结合ZPW-2000A型无绝缘轨道电路的结构组成和工作原理，基于传输线理论和基尔霍夫定律，对绝缘保护较好的轨道电路部件建立四端网络模型，对钢轨、调谐区等对地泄漏较严重的部件建立六端网络模型，以此级联成轨道电路等效模型来仿真模拟三类分路不良故障信号并与正常信号进行比对分析。根据现有的实测数据对该模型的有效性进行验证，仿真结果表明轨道电路等效模型在调整态时最大相对误差值为6.41%，分路态时仿真生成的分路电流幅值包络曲线与实测的机车感应电压幅值包络曲线较为吻合，模型的精度比传统四端网络有所提高。　　传统的轨道电路分路不良故障检测方法主要依靠电务人员的专业能力，易存在误判、漏判等问题。此外，传统方法适用于故障发生后，无法起到防护和预警的作用，本文采用组合分析法来分析与预测轨道电路分路不良故障。首先对分路电流信号使用变分模态分解(VariationalModelDecomposition,VMD)提取能量熵特征，再与级联卷积神经网络(CascadeBlockConvolutionNeuralNetwork,CB-CNN)提取的深度表达特征进行加权融合得到敏感特征用于故障预测。由于VMD算法的分解效果会受到二次惩罚因子和模态分解数的影响，因此采用改进的鲸鱼优化算法(ImprovedWhaleOptimalAlgorithm,IWOA)对两个参数进行寻优。仿真结果表明，VMD算法能够有效分解分路电流信号，通过各个模态分量的分解图可以区分正常情况与分路不良故障时的分路电流信号。此外，使用IWOA优化VMD能够有效寻得二次惩罚因子和模态分解数的最优参数组合解。　　轨道电路分路不良故障预测的关键是预测模型的建立，使用轨道电路等效模型模拟分路电流信号，以此来对预测模型进行训练与验证。并使用VMD算法、卷积神经网络(ConvolutionNeuralNetwork,CNN)和CB-CNN模型共设计五种实验方案来验证本文所采用的组合分析法的有效性。通过与其他方法的仿真对比，组合分析法在准确率、精确率、召回率和F1-Socre四个评价指标中均取得了较高的数值，结果表明组合分析法在轨道电路分路不良故障预测中具有较好的效果。
作者：	李钰婕
专业：	交通运输工程
导师：	郑云水;李涛
授予学位：	硕士
授予学位单位：	兰州交通大学
学位年度：	2022