铁道信号电子设备联锁故障自动检测器的嵌入式设计

左仙华

（国能朔黄铁路发展有限责任公司，原平 034100）

在现代化的铁路信号系统中，信号设备的数量和复杂程度不断增加。嵌入式铁路信号电子设备作为确保铁路行车安全的重要设备之一，在铁路列车实际运行中，极容易受到恶劣环境、设备失修、人为及设备自身质量等因素的影响，其稳定性和安全性很难得到保障，会直接干扰铁路列车的正常运行。因此，如何快速、准确地检测和处理信号联锁故障，是铁路部门亟待解决的问题。

文献[1]提出一种基于关联规则的铁道信号设备联锁故障检测方法。该方法受到环境噪声和人为因素的影响，提取到的设备故障特征不准确，故障诊断精度较低；文献[2]引入神经网络对不同类型的联锁设备故障展开诊断。该方法应用后存在数据冗余性较大、计算效率较低等问题；文献[3]提出一种功能安全视角下的铁路信号联锁设备风险评估方法。该方法在评估过程中较为复杂，条件限制较多。为了解决上述方法中存在的问题，提出一种铁道信号电子设备联锁故障自动检测器的嵌入式设计方法。

1 检测器的嵌入式硬件设计

在铁路信号系统中，联锁系统是确保列车行驶安全的关键部分。因此，如果联锁系统出现故障，将会对列车行驶安全产生严重影响。联锁系统主要是以计算机控制技术为核心，以电子开关技术、计算机通信技术以及自动监测技术为基础，建立在软件与硬件双重防护基础上的新一代铁路信号控制设备。联锁系统硬件结构如图1 所示。

图1 系统硬件结构图Fig.1 System hardware structure diagram

其中，联锁控制机构A、B 都由2 个联锁检测器构成冗余结构。在该结构中，采用局域网LAN，来完成系统中检测机、维修机和联锁机之间的通信；联锁控制机构采用双机热备的结构形式。

为提高铁道信号电子设备联锁系统的安全性和可靠性，铁道信号电子设备联锁故障自动检测器采用冗余结构。使2 个ARM 芯片，作为联锁检测器的微处理单元，其中处理器单元包括存储系统、电源系统、外围接口等，如图2 所示。

图2 铁道信号电子设备联锁故障自动检测器嵌入式硬件设计Fig.2 Embedded hardware design of interlocking fault automatic detector for railway signal electronic equipment

ARM 处理器选用三星公司的S3C2410x 芯片，网络控制器选用RTL8019AS 芯片，采用RS232c 作为通信接口，选用IDT7132 双口RAM 作为ARM 微处理器间进行数据交互和同步控制的通道。

综上完成铁道信号电子设备联锁故障自动检测器的嵌入式硬件设计，以实现铁道信号电子设备联锁故障自动检测。

2 铁道信号电子设备状态信号采集及预处理

在信号机、道岔附近安装信号采集器，以获取铁道信号电子设备状态信息。信号采集器主要通过传感器采集信号设备的运行状态和控制信号，然后将采集到的数据传输到中心控制站或维修中心进行处理。在信号采集和传输的过程中，其易受到外界环境的影响产生噪声，故需要先对其进行预处理。

用c（y）表示联锁设备状态信号，通过经验模态分解（empirical mode decomposition，EMD）[4]对其展开分解，得到一系列内蕴模态函数（intrinsic mode function，IMF）和一个余项之和，表达式如下：

式中：imfl所描述的是第l 个IMF 分量；tL（y）代表的是余项；当信号c（y）中存在加性噪声时，imfl=ul+ml，其中ul所描述的是未被污染的原始信号；ml所描述的是所含噪声，两者相互独立[5]。

噪声在经过EMD 分解后，得到的IMF 分量中具有不同程度的分布特性，因此需要对其进行有效滤波和重构，以此得到去噪后的有效信号。本次研究采用独立成分分析法（independent component analysis，ICA）[6]完成IMF 分量的滤波及重构。即将得到的IMF 分量作为ICA 去噪时的多维输入数据，对信号c（y）实施EMD 处理：

式中：imfo（y）代表的是Z 个IMF 分量。接下来，对分解后获得的第1 个IMF 分量展开A 次循环移位，进而求出A 个移位后的数据β：

结合式（2）、式（3），建立新的含噪信号，其可表示为

最后，对cβ（y）实施Z 层EMD 分解处理，所得到的IMF 分量用描述。

根据上述，将ICA 与EMD 相结合，对所有的IMF分量和余项展开累加重构[7]，以此得到去噪后的状态信号，其具体步骤如下：

（1）采用EMD 分解获得L 层不同尺度的内蕴模态函数｛imfo｝，且o=1，2，…，Z；

（3）将上式集合作为A 维输入向量，通过ICA去除每层IMF 分量中的噪声，得到去噪后的值；

3 铁道信号设备联锁故障检测方法设计

3.1 联锁故障特征提取

在完成状态信号预处理后，需要从中提取设备主要故障特征信息。先提取信号的时域及频域特征，然后完成小波包能量矩特征提取。设定频带信号为Dkl，Dkl中存在的小波包能量矩特征Qk用式（5）描述：

式中：m 和Δy 分别代表的是采样点数和采样时间间隔；R所描述的是归一化的能量矩特征向量，其主要作用是描述信号的时、频域特征以及联锁设备故障信号的非平稳时变特性。

最后将得到的时域、频域以及小波包能量矩特征相结合，构建一种高维特征集。利用邻域保持嵌入（NPE）方法对其展开维数约简处理：

设定高维观测空间PF中的数据集为C=（c1，c2，…，cM），且co∈PF且o＝1，2，…，M。在此基础上，以线性方式重构每个点co中的a 个最邻近点｛co1，co2，…，coa｝，计算方法如式（6）所示：

式中：co′代表的是co的重构点。由此得到重构损失函数γ（E），其计算方法如式（7）所示：

式中：ξok用于描述数据点co的第k 个近邻的加权。在最小重构损失函数γ（E）条件下，求出重构权值系数矩阵E，可以利用约束最优化求解问题得到：

通过矩阵W计算出每个高维数据点C 所对应的低维表示U：

式中：O代表的是M 阶单位矩阵。引入线性变换U=sYC 得到：

为了更简单地对其展开求解，根据分析线性代数知识将式（10）转换如下：

通过上式的计算求解即可得到高维特征集的低维本质特征，将其组合在一起，构成铁道信号联锁设备的故障特征向量Y，为后续故障检测奠定基础。

3.2 联锁故障检测

为提高信号设备联锁故障诊断效果，设计了一种铁道信号联锁设备故障分类器，将通过上述计算得到的联锁设备故障特征输入到该分类器中，实现故障自动检测。具体实现步骤如下：

首先引入映射函数φ（c）到高维空间中，在该空间中展开决策，表达式为

式中：e 代表的是权重系数；n 代表的是偏置值；Y 代表的是联锁设备故障特征向量。

设定误差函数：

在此基础上求出e 和n 的值，建立目标函数和约束条件：

结合式（16）、式（17）得到相应的高斯径向基核函数：

式中：ζ 代表的是高斯宽度参数。

在得到支持向量机参数v 和ζ 后，利用经验法获得两者的取值范围，并通过蝙蝠算法优化参数v和ζ，其主要分为2 个步骤：

（1）通过分析蝙蝠寻找食物机制，获取到一条类似于从巢到食物之间的最优路径并对其实施编码处理，由此求出参数v 和ζ 的最优取值；

（2）对铁道信号设备的工作状态和特征向量之间的关系实施拟合处理，以此得到新的铁道信号设备工作状态分类器，实现铁道信号设备联锁故障的自动检测。

4 实验与分析

4.1 实验环境设置

本次研究在一台操作系统为Windows 7 的电脑中进行，其配置为CPU i58300H，16 GB 内存。利用实验室搭建的铁路信号联锁平台采集的数据作为实验数据集，实验环境如图3 所示。

图3 实验室环境Fig.3 Laboratory environment

其中正常的联锁信号数据来自于进路调车作业，包括100 条下行咽喉调车进路的建立、检索及取消进路故障，共采集700 组运行数据进行测试。研究所用的故障数据是基于QCustomplot 软件采集的，包括8 种故障类型，共300 组故障数据。其故障分类如表1 所示。

表1 铁路信号联锁故障分类Tab.1 Classification of railway signal interlocking faults

将故障数据与正常数据混入其中，其中600 组作为训练集，剩余400 组数据作为测试集，以此为基础开展测试，得到实验结果。

4.2 实验结果分析

应用所提方法进行故障诊断，得到的诊断结果如图4 所示。

图4 所提方法故障诊断结果Fig.4 Fault diagnosis results of the proposed method

分析图4 可知，所提方法的检测准确率高达100%，与真实值完全相符，具有较高的诊断准确率和良好的容错性。

铁道信号电子设备联锁故障的特征提取效果决定故障检测结果的优劣性，为体现所提方法的有效性，实验将联锁设备的4 种不同类型故障状态和正常状态随机分布在某个高维空间中，采用所提方法对该设备展开特征提取，由此得到的提取结果如图5 所示。

图5 所提方法故障特征提取结果Fig.5 Fault feature extraction results of the proposed method

根据图5（a）可知，原始的故障特征分布在空间的各个位置，分布情况杂乱无序，很难提取到所有的故障特征，极容易将正常的铁道信号联锁设备特征误提取；根据图5（b）可以看出，所提方法在保留原始正常特征的基础上，可很好地将不同类型的所有故障特征提取出来并将其区分到不同区域，具有较高的故障特征识别能力，可提高故障诊断精度。

故障检测效率是保障嵌入式铁道信号电子设备正常稳定运行的关键因素，因此实验随机选择8个故障设备作为检测对象，分析利用所提方法对其展开故障检测所消耗的时间，由此得到的耗时结果如表2 所示。

表2 所提方法检测耗时情况Tab.2 Proposed method is time-consuming for detection situation

由表2 可得，应用所提方法进行故障检测的耗时较短，各设备检测平均耗时仅为2.30 s，充分说明所提方法具有较高的稳定性和检测效率。

5 结语

针对目前铁道信号设备故障检测在降噪效果和诊断效率等方面存在的问题和不足之处，提出嵌入式铁道信号电子设备联锁故障自动检测方法设计。先对嵌入式铁道信号电子设备联锁故障进行分析，然后利用信号采集器实现嵌入式铁道信号电子设备状态信号采集，并对信号进行预处理，最后提取信号中的高维特征集，得到联锁设备的故障特征向量，完成铁道信号联锁设备故障分类器的设计，以此来实现嵌入式铁道信号设备联锁故障的自动识别。实验结果表明，所提方法具有较高的故障检测效率和诊断精度，具有较大的应用价值。