[发明专利]一种基于小幅波动检测的轨道电路故障前兆发现方法

说明书

一种基于小幅波动检测的轨道电路故障前兆发现方法，该方法包括以下步骤：S1:选用m个监测数据点作为数据窗口，记录每个数据窗口的方差值；S2:获取正常工作状态一段时期内的方差序列，从中提取方差阈值来检测异常小幅数据波动；S3:将现场小幅波动下的异常事件总结为n类。其中，n为大于1的整数；S4:提取能够涵盖所有类别异常事件的t个波动特征值，作为判断故障模式的特征属性。其中，t为大于1的整数；S5:基于决策树分类模型，对检测到的异常小幅波动下的监测数据进行实时分类，识别异常事件类别。本发明识别准确率高，对异常小幅波动的检测快速简便，适用于维修现场。

技术领域

本发明属于安全工程技术领域，涉及一种轨道电路故障前兆发现技术，包括一种基于小幅波动检测的轨道电路故障前兆发现方法。

背景技术

我国铁路运输不断向更高速、更高密度和重载的方向发展，列车运行控制系统也逐渐向电子化、智能化、复杂化的方向发展。轨道电路作为列车控制系统中极其重要的关键安全基础设备之一，发挥着监测轨道区段的列车占用情况及检测列车完整性的作用。轨道电路更加智能化的同时，故障的出现也越加频繁，如果未能及时发现并处理故障，则可能会产生严重的后果。ZPW-2000A轨道电路广泛应用在我国的高速铁路、客运专线及既有线改造中的列车运行控制系统中。轨道电路故障的检测与排查是相关工作人员的一项极其繁重的任务，对轨道电路不良工作状态的分析及预警也是目前的热门研究方向。

现有的专利中，对于轨道电路故障诊断及预测预警的专利成果较少。已有的专利成果均聚焦于明显异常发生时的具体故障的定位，并未涉及到轨道电路在故障发生前的异常的检测与故障预警。

而现有文献中轨道电路故障预警方法主要分为以下几类：（1）传输机理建模法。该方法是基于轨道电路的传输机理，搭建相关等效电路模型来建立预警指标。（2）回归预测的方法。该方法主要是通过提取正常及异常模式下的多类特征，继而建立机器学习的分类和预测模型来实现对故障的回归预测。（3）模糊识别的方法。该方法主要是使用模糊识别算法来对设备的剩余寿命进行预测或对评价设备所呈现的当前工作状态。

目前对轨道电路故障预警方法的研究主要是针对轨道电路产生较大异常情况时的故障预警。例如当监测系统所采集的监测数据发生大幅偏离正常值的情况或超过报警上限，预警算法能够根据相应的特征值来输出预警结果。

但是，有些监测数据的值可能从整体上看表现十分平稳，只是在某个时刻或者某个短时间段内，数值发生了小幅度的波动，远未超限。这些小幅波动因此无法触发超限报警，且往往不被发现。但是这类监测数据的值的小幅波动下往往有着较大的隐患，首先，它直接代表着某组件功能发生异常；其次，组件功能发生异常代表着该组件的服役周期进入后半阶段，可能进一步地引发故障。因此监测量的小幅波动往往包含着故障的前兆信息。而现有的研究成果中还未有对该方向的研究。

发明内容

本发明的目的在于提供一种基于小幅波动检测的轨道电路故障前兆发现方法。

为了达到上述目的，本发明的解决方案是：

一种基于小幅波动检测的轨道电路故障前兆发现方法，包括以下步骤：

S1：选用m个监测数据点（,,…,）作为一个数据窗口；所述的监测数据点是指ZPW-2000A轨道电路监测系统所实时采集的某类监测参数的监测数据。后文的轨道电路皆指的是ZPW-2000A轨道电路。

S2：设定数据窗口的数据间隔为t，依次计算出一段时间内i个数据窗口的方差序列（,,…,）。

S3：获取正常工作状态一段时期内的方差序列，从中确定正常工作下的方差阈值。

S4：如果计算得到某方差大于正常工作状态下的方差阈值，则可认为产生了异常小幅波动。