铁路信号非线性系统故障诊断方法研究

状态和故障状态之间的中间状态，提出一种基于模糊逻辑和粒子滤波的非线性系统故障诊断方 法。模糊逻辑可以描述非线性系统的故障渐变过程，而粒子滤波可以评估系统状态。通过比较不

同故障等级的实际系统状态与系统评估状态，所得到的残差可作为故障诊断标准。以某型铁路信

号控制系统的非线性系统为研究对象，利用不同开关状态模拟各种系统故障，仿真结果表明：该

方法比传统二值逻辑故障诊断方法的精度更高，且诊断结果能够体现系统故障等级，较准确地反 映系统实际故障情况，可以提高信号系统故障诊断的准确性。关键词：铁路信号；非线性；故障；诊断Abstract: The fault diagnosis method based on two-valued logic divides system states into two

categories： normal state and fault state. Focusing on the transition states between the normal

state and the fault state, a fault diagnosis method based on fuzzy logic and particle filter for non­

linear systems is proposed. Hereinto, fuzzy logic can describe the gradual process of fault trans­formation of a non-linear system and particle filter can be used to estimate the system's states. By

comparing the estimated states with the actual system states at different fault levels, the resul­ting residual is selected as the diagnosis criterion. The nonlinear system of a railway signal control

system is studied and the different switch states are used to simulate possible system faults. The

simulation results indicate that the proposed method can achieve more accuracy than traditional

two-valued logic fault diagnose method and indicate the grade of system faults. Hence, this meth­

od can reflect the real faults of the system and improve the accuracy of fault diagnosis of the sig­nal system.Key words： Railway signal: Non-linear； Fault； DiagnosisDOI: 10. 13879/j. issnlOOO-745& 2020-03. 19378现代的自动化设备结构日趋复杂，各部分相互 定阈值时故障就能够被检测出来。如①粒子滤波， 它是基于循环贝叶斯估计的蒙特卡罗方法，能够有

依赖且具有非线性特点。铁路信号设备中某部分的

故障可能造成整个铁路信号的中断，导致严重的经 济损失，甚至是重大人员伤亡事故。故障诊断方法

效估计非线性系统的状态，在非线性系统的故障诊 断方法中，粒子滤波器利用样本粒子来描述估计状

提供了快速评估故障的标准，可以确保铁路信号自 动化系统安全、高效、可靠的运行。态的后验分布，相对于扩展卡尔曼滤波，其故障诊 断效果更佳；②在基于粒子滤波和似然函数的故障

针对不同的非线性系统，研究人员提出了许多

诊断方法中，利用估计状态的概率密度函数诊断故 障.诊断效果有所提升；③当状态噪声的方差小于

不同的故障诊断方法，其本质都是基于模型的故障 诊断方法。通过对系统数学建模构造观测器，其输 出与系统实际输出的差异由残差表征，残差超过设刘国家铁路局装备技术中心 T.程师100891北京

测量噪声方差时，基于SIR似然模型的故障诊断

方法相对于基于SIR和平滑残差的故障诊断方法 的漏报率偏高；④另一种粒子滤波算法，它源自自

举粒子滤波算法，通过为系统故障的每个子集设计 粒子滤波器来检测系统故障.所有的粒子滤波器并

收稿日期:2019-08-06

30RAILWAY SIGNALLING & COMMUNICATION Vol. 56 No. 3 2020行工作.通过比较每个粒子滤波器的评估结果来定 位可能的故障位置；⑤自适应粒子滤波方法，该方

法通过粒子的未归一化权值和、Kullback-Leiber 散度作为诊断标准.系统故障时.未归一化权值和

较大而Kullback-Leiber散度较小，因此可根据这

2个参数进行故障诊断。基于二值逻辑的故障诊断方法无法表示和处理 系统处于“正常”与“非正常”的中间状态。如果

这种中间状态被诊断为“非正常”工作状态，信号 设备将会暂停运行并处理故障；相反，如果信号系 统被诊断为“正常”工作状态，被隐藏的危险将会 威胁到信号传输的安全性和可靠性。然而，在一些

实际处理过程中，故障通常是系统渐变的累计结

果，而不是从“正常”到“不正常”状态的突变。 系统状态的这种渐变过程可以通过模糊逻辑精确地 描述，因此本文提出了基于模糊逻辑和粒子滤波的 铁路信号非线性系统故障诊断方法。该方法利用模

糊逻辑描述系统故障等级.采用粒子滤波评估系统 的状态；利用故障等级信息，采取适当的方法快速

定位故障，以提高铁路信号系统的可靠性。1模糊逻辑1965年L. A. Zadeh提出了模糊集理论，利用

成员关系函数描述事物的不确定性。与二值逻辑不

同，模糊逻辑是一个连续的逻辑。在模糊逻辑中， 客观世界具有连续灰度变化特点，该变化可用成员

关系描述。模糊逻辑用来描述部分隶属集的过渡，

即部分隶属集由弱隶属集合向非隶属集合的过渡。通常模糊逻辑使用IF/THEN规则。假设代

表输入模糊变量，相应的输入模糊集合为InputA；

y代表输出变量，相应的输出模糊集合为()ut-

putBo规则就是如果X属于集合InputA,那么y

就属于OutputB。故障具有连续的灰度变化特点，模糊逻辑中的 故障成员函数可以精确地描述故障等级，反映故障

的连续变化过程。2自举粒子滤波算法随机非线性系统由状态转移方程和测量方程定 义，如式(1)、(2)所示。J-* , St ) (1)Zt = h (jt* , a>t ) (2)其中，St为沧一1时刻的状态噪声，3*为k

时刻的测量噪声。式(1)描述了通过条件转移概率

p(_r* | xk-})来预测当前状态_r*;式(2)描述了通 过可能性概率pg IzQ来预测当前的测量值z*。在粒子滤波算法中，样本粒子按时间顺序通过 系统模型。通过获取状态样本，可以计算系统状态

的后验概率密度函数。作为粒子滤波的基础，SIS

(Sequential Importance Sampling, 顺序重要性采

样)算法存在一个问题，即随着迭代次数的增加， 大多数粒子权重越来越小，将会导致严重退化。然 而，基于SIS算法的自举粒子滤波可以通过重采样

降低退化的影响。首先，假设所有粒子在A —1时 刻都可以获得权重3」和状态/=1, 2,

…，N,样本粒子的数量为N。具体算法步骤 如下。1) 预测：通过系统状态转移概率分布采样来 预测下一时刻粒子状态。jc'k — | 眉―1)' i = 1, 2,…，N (3)2) 更新并归一化权重。3；=认- \\ pg 丨頁)，3* = ---- (4)i =S 1 3*3) 系统状态估计。〜Jc k = 長.i L= 1Jc'k X(ju'k

(5)其中，乳 是系统在人时刻的状态估计。4) 重采样。当第A4个粒子的权重3孑满足工次M-1j = 1<“，£

> 》=13彳，\"，~U(0, 1］条件时，将被重釆样，其中 随机数“，由(0, 1］均匀分布得到，否则粒子将被 丢弃。重采样后所有粒子的权重为吠=命，i =

1, 2,…，N。3基于模糊逻辑和自举粒子滤波的故障诊

断方法大多数基于模型的故障诊断方法是利用残差作

为诊断标准。残差描述系统实际状态和估计状态之 间的差异，通过残差生成、残差估计两步实现故障

31铁道通信信号2020年第56卷第3期检测。残差估计将决策规则应用到故障检测中。可 以用较大的残差，而不能用较小的残差来验证是否

发生故障。本文提出了基于模糊逻辑和自举粒子滤 波的故障诊断方法，该方法利用模糊逻辑描述系统

故障的渐变过程，从轻微到严重故障的所有故障等

级。该方法步骤如下。1) 通过粒子滤波估计系统状态，参见第2节

1~4步骤。2) 比较真实系统状态和估计系统状态，计算

残差△ *=|几一/*|,才*为系统真实状态，V*为

系统估计状态。再进行残差平滑处理：dk =—] M

*j = k-M+l2 △”，其中M为滑动窗口。3) 计算平均平滑残差。平均平滑残差R是故

障存在期内残差的算术平均值，即R =--------1 n ― \"2 —十丄j- kS« = mdk ,其中m是故障发生时刻，n是诊断结束时刻。4) 故障诊断。利用平均平滑残差进行诊断决 策.模糊集中的故障成员函数描述多种故障等级， 对应着不同的平均平滑残差范围。当平均平滑残差

在特定范围内时，相应的故障将被检测出来，且诊 断结果包括故障等级信息。4仿真试验以某型铁路信号系统产品的非线性系统为研究

对象，系统状态转移方程如式(6)所示。•Z1 (t)=工 1 ( £ — 1) + 加[a 1 (t — 1 )Qi+ ^3(丫 一 1)Qs — Q2(z — DQl + sU — 1)工 2(r)=^2 (t — 1) jtiH----- (r —— \\_{a1)! Ct — 1 )Qi+ a^t ~l)Q3)(6m -x2Ct - 1)) + 23. 88915]+ v2(z - 1)

(6)其中，J'i (/)和jc2(f)分别为f时刻的电压和温

度，Qi，Q2，Q为设置电流，0,”为参考温度， “(1 — 1), s(r — l)为状态噪声，其方差为0・1, 均值为0。5&)，2, 3,表示在[时刻单 元1、单元2和单元3的转换状态。演化方程即测

量方程，如式(7)所示。321,工](丫)V /](2 1(f) = * 0 » X 1 ( ^ ) > 12。或1,取决于之前的转换a 2(丫)= !(1.工 i(f) > 1\\[o, i (r) W 八1, X] (t) /2 (7)

.0或1.取决于之前的转换测量方程具有非线性.八为最低电压，仇为最

高电压。仿真试验中应用自举粒子滤波方法，选择单元

3作为故障单元.进而模拟故障的渐变过程。单元

1、单元2和单元3的故障分为3类：①开关均处

于故障状态，即开关状态与电压无关，是一个常

数；②开机功能正常，关机功能失效，即当开关关 闭时，仍有泄漏；③关机功能正常，开机功能失 效，即开关开启时实际电流低于设定电流。本文选

择故障③进行仿真。单元3的实际电流Q<, ◎和平均残差被定义 为模糊逻辑中的语言变量.其值如表1所示。故障

等级设置为：无故障、轻度、中度和严重。表1展

示了 3个语言变量和故障等级之间的关系。图1

(a) — (d)提供了 “、电压平均平滑残差、温度平均平滑残差的成员关系函数。转换状态

a*控制实际电流。表1输入/输出和故障的关系<2 .,(电流)最大大中最小«3正常不正常有缺陷非工作残差小低中大故障等级无故障轻度中度严重成员函数反映了一个渐变的过程，但还没有更

好的方法来确定。大多数方法都是在经验的基础上

建立的。图1 (a) — (b)使用正态分布曲线，

图1 (c)— (d)使用三角曲线作为成员函数曲线。在仿真中，粒子数N = 1000,初始电压,

(0) = 6 V,初始温度.r | (0) = 10 °C ,米样时间 点数怡=0, 1,…，100h、滑动窗口 M = 3O系统

在0<50h正常工作。假设在k =50h时刻，

单元3发生故障。不同s值对应电压和温度平均RAILWAY SIGNALLING & COMMUNICATION Vol. 56 No. 3 2020残差关系如图2 (a) — (b)所示。s取值分别为

0、0.4和0.8。根据前文对故障的定义.这3条线

分别表示严重故障、中度故障和轻度故障。图2

(a) — (b)表明，在故障发生时间点k =50h, 平滑残差突然增大，故障发生剧烈的变化。在发生

严重故障时平滑残差最大，中等故障时平滑残差较 开关状态小.轻微故障时平滑残差最小。由此可见，可以利

用平滑残差的变化来检测故障，利用平滑残差的大 小来确定故障等级。平均平滑残差R=占1 1000 14: =》 50几，单元3的开启功

能在k =50h时发生故障，正如故障③中所描述的

那样。故障成员函数描述的故障等级：当值为1时

03=0,当值为0时a 3 = lo为了将故障等级从严重 (c)电压成员函数(d)温度成员函数降低到轻微，故障成员函数以间隔0.1从1下降到图1成员函数0,相应的S分别等于0、0.1、0.2、0. 3...81。图3(a) —G )显示了电压和温度的平均平

306滑残差，将其作为诊断标准.且阈值都设置为

平

平

滑4滑20残 残1。如果平均平滑残差小于1，则无法检测出 差2

差

故障，相反则可以检测出故障。故障成员函数

描述[0, 0. 1), [0.1, 0.2), [0.2.0010 20 30 40 50 60 70 80 90 100°010 20 30 40 50 60 70 80 901000. 7), [0.7, 1]时间范围内的无、轻微、中等、时间/h/h(a)电压平滑残差(b)温度平滑残差严重4个故障等级.相对应的电压平均平滑残 图2平滑残差差为[0, 1), [1, 2. 4), [2. 4, 3. 7),[3. 7, 5]20。如图3(a)所示，当03=0时，

R = 4.8728,电压平均平滑残差在范围

15[3.7, 5)内，因此诊断为严重故障；当“

10= 0.5时，R=2.9241,电压平均平滑残差 5在范围[2.4,

3.7)内，诊断发生中度故00 0.10.20.30.40.50.6070.80.9 1障；当a3=o. 9时，R=1.8096 ,电压平均

开关状态开关状态平滑残差在范围口，2.4)内.诊断发生轻 (a)电压的平均平滑残差(b)温度的平均平滑残差度故障；当a3=l时，R =0. 4518,电压平图3 平均平滑残差均平滑残差范围在[0. 1)内.单元3诊断为正常 5总结工作。对应于电压平均平滑残差范围(0.

4. 8728),温度平均平滑残差范围为(0,

本文针对介于系统正常状态和故障状态之间的

17.3071]。可见，对温度平均平滑残差的分析与电

中间状态，提出利用模糊逻辑和粒子滤波相结合的 压平均平滑残差的分析是一致的，平均平滑残差反 方法，对铁路信号非线性系统进行系统故障诊断, 映故障等级情况。平均平滑残差较大时发生严重故

它是一种提高故障诊断率并快速评估故障状态的手

障.较小时发生轻微故障。段.能够指导铁路信号自动控制系统安全、可靠的 运行。332020年3月第56卷第3期铁道通信信号March 2020RAILWAY SIGNALLING & COMMUNICATIONVol. 56 No. 3基于发码分区的码序表工程设计浅析关晓磊摘 要：作为验证列控中心编码正确性的依据.码序表在电务仿真试验阶段起着至关重要的作 用。本文结合工程设计实际情况，从发码分区角度入手，对码序表设计进行简要的描述。关键词：码序表；列控中心；编码；发码分区Abstract: The code sequence diagram serves as the basis for verifying the correctness of the

TCCs encoding, playing an key role in the simulation test of the signaling system. Combined with the actual situation of engineering design, the design of code sequence diagram is briefly analyzed

from the point of view of code partition.Key words: Code sequence diagram ； TCC ； Encoding ； Code partitionDOI： 10. 13879/j. issnlOOO-7458. 2020-03. 19501对应每个发送器的编码逻辑，普速铁路继电编 运专线是采用TCC实现对轨道电路低频电子编码，

码在闭塞分区及电码化电路图上都有据可循，而客在工程设计中，只能通过码序表来体现轨道电路的 编码逻辑。因此在设备厂家编码校核及电务仿真测

关晓磊：中国铁路设计集团有限公司电化电信工程研究院

工程师 300142 天津基金项目：中国铁路设计集团有限公司.列控工程数据综合管理

平台研究与开发.721838收稿日期：2019-10-09

试过程中，码序表就成为验证编码逻辑正确性的主 要依据。在设计中，码序表是以区间、车站信号平面布参考文献sequential Monte Carlo filtering approach to fault de­

：1]梁军，彭喜元.基于观测相似性粒子滤波的纯角度目

标跟踪[J1电子测量与仪器学报，2009, 23(2):10-14.tection and isolation in nonlinear systems[J]. Proceed­ings of the 39th IEEE Conference on Decision and Con­trol,2000( 12) :245-250.[2] [3]

胡士强，敬忠良.粒子滤波算法综述口].控制与决策，

2005,4(20) ：361-365.葛哲学.滤波方法及其在非线性系统故障诊断中的应 用研究[D].湖南：国防科技大学，2006.L9] V.Kadirkamanathan, P.Li, M. H. Jaward» S.G.Fabri.

Parti cle filtering-based fault detection in non-linear stochastic systems E J ]• International Journal of Sys­

[4] 许秀玲，汪晓东，张浩然.基于卡尔曼滤波器的传感器

故障诊断口1仪器仪表学报,2005,26(8):79-80.tems Science» 2002, 33 (4) :259-265.[10]

LIANG J. QIAO L Y,PENG X Y. Fault Detec tion Based on SIR State Estimation and Smoothed Resid-uaKin Chi­

[5] 梁军，乔立岩，彭喜元.基于SIR粒子滤波状态估计和

残差平滑的故障检测算法[J].电子学报，2007,35

nese) [:J]. ACTA ELECTRONICA SNICA, 2007, 35 (12):32-36.[11]

(12):32-36.[6] Suan Huang・ Kok Kiong Tan.Faut Detection and Diag­

nosis Based on Modeling and Estimation Methods [J].

Robert Wilson.The blind man of seville[M].S.L :s.n.,

2004.[12]

IEEE TRANSACTIONS ON NETWORKS, 2009, 20

Anon. Call for papers 2006 ieee/rsj international con­

(5):872-881.[7]

ference on intelligent robots and systems (iros2006 )模式识别与人工智能，2005, 18(5)： 6274-640.F. Nejjari. MODEL-BASED FAULT DETECTION US­ING ADAPTIVE OBSERVERD]. IEEE Industrial Elec­

[13]

L. A. Zadeh. Fuzzy Logic [J ]. Information Control,

tronics ,IECON 2006-32nd Annual Conference* 2006：

1965, 8 (3):338-353.(责任编辑：王菲)

1-6.[8]

V.Kadirkamanathan, P.Li, M.H.Jaward, S.G.Fabri.A

34