详情

原文传递基于动态检测数据的无绝缘轨道电路调谐区与补偿电容故障诊断研究

论文题名：	基于动态检测数据的无绝缘轨道电路调谐区与补偿电容故障诊断研究
关键词：	无绝缘轨道电路;补偿电容;故障诊断;优化算法;深度学习
摘要：	无绝缘轨道电路是列控系统中的重要组成部分，具有列控信息传递、列车占用检测以及钢轨完整性检查等功能，其工作状态与列车行车安全息息相关。调谐区作为无绝缘轨道电路中替代传统机械绝缘节的部分，能够阻隔相邻区段信号，实现区段间极性交叉。补偿电容等间隔布置于轨道电路内部，用于减少信号传输过程中因为钢轨自身感抗的损耗，保障信号的有效传输。目前针对调谐区与补偿电容问题的故障诊断，主要依靠动态检测列车上的信号检测系统完成，但是这种方法从检出问题到修复问题，在现场排查过程需要耗费大量的人员精力。　　针对上述问题，本文基于动态检测数据开展了针对调谐区与补偿电容的故障诊断研究，具体研究内容如下：　　（1）分析了ZPW-2000A型无绝缘轨道电路的结构与工作原理，基于传输线理论，分别建立了轨道电路主轨道区段与邻区段干扰信号的二端口网络模型，并通过实际检测数据对模型加以验证。　　（2）基于调谐区参数变化对邻区段干扰信号的影响规律，结合粒子群算法与遗传算法，提出了一种调谐区设备故障诊断方法。使用邻区段干扰信号模型与实际检测数据间的最大信息系数，构造调谐区设备参数多目标优化模型，并结合两种优化算法优势，使用PSO-GA方法对优化模型进行求解，得到设备理论阻抗的变化量，并据此判断是否存在调谐区故障问题。实验结果表明，PSO-GA方法在求解多目标优化问题时能有效模拟调谐区设备性能变化过程，找出调谐区设备参数异变位置，同时具有更快的计算速度与更理想的求解结果。　　（3）为进一步挖掘动态检测数据中蕴含的补偿电容特征，提高补偿电容故障诊断效率，本文结合小波包分解与卷积神经网络，提出了一种基于WPD-CNN的补偿电容故障识别方法。首先通过功率谱分析的方法确定补偿电容特征频带范围，利用小波包分解方法对原始信号进行分解，构造能够同时反映变化趋势与补偿电容特征的状态特征矩阵。然后使用动态检测数据构造训练集与测试集，将不同故障类型的特征矩阵输入卷积神经网络进行训练学习，并在测试集上进行验证。实验结果表明，WPD-CNN方法对单个信号的特征提取用时5.9ms，总体故障识别准确率为98.4%，可有效识别不同位置的补偿电容失效故障，为补偿电容故障诊断提供依据。　　（4）融合调谐区与补偿电容故障诊断方法，设计并开发了信号检测数据分析系统。该系统内嵌了数据管理、特征提取、建模分析与故障诊断模模块，用户可以通过简明的UI界面进行各项操作。在数据管理模块与特征分析模块中，该系统不仅能够实现对原始检测数据的解析与入库，还能够为用户直接展示信号波形与基础特征。在建模分析模块中，用户可自由调整轨道电路各项数据参数，实现对主轨道与邻区段干扰信号的轨道电路建模，而在故障诊断模块中，用户可以自定义各项优化与训练参数，实现对调谐区与补偿电容故障的自动识别。
作者：	罗泽霖
专业：	交通信息及控制工程
导师：	孙善超
授予学位：	硕士
授予学位单位：	中国铁道科学研究院
学位年度：	2023