人工智能在铁路信号故障诊断中的应用研究

王东升

摘 要：作为保障铁路安全运输的重要设备，信号设备的应用不仅可以提高铁路运输安全，还可以提高列车的指挥效率。现阶段，铁路信号系统的设计不断应用人工智能技术，传统的信号设备故障诊断技术已无法适应日趋智能化的铁路信号系统。基于此，应创新与优化铁路信号故障诊断技术与方法，建立完善的故障诊断机制，以提高故障诊断效率。本文简要分析了铁路信号设备故障的诊断方法，并对人工智能在铁路信号故障诊断中的应用展开了探讨。

关键词：人工智能;铁路信号;故障诊断;应用研究

由于铁路信号系统较为复杂，许多不确定性因素都会导致信号设备出现故障，同时，故障诊断呈现出明显的半结构化或非结构化特点。由于信号设备的故障原因较多，信号故障的分析难度逐步提高。基于人工智能的铁路信号故障诊断专家系统，可以为故障的分析及诊断提供帮助，技术人员可以根据设备的状态及时进行设备维修以及各项故障的排除，有利于提升设备维修水平，保障行车安全。

一、传统的铁路信号设备故障诊断方式

（一）人工诊断法

以往铁路信号设备维修人员都是根据自身的经验以及能力而进行信号设备故障的诊断，其通常会实地考察与分析设备故障发生的具体原因，并予以及时的诊断与处理。诊断过程中，维修人员可以选用的方法较多，不仅有观察法、比较法，还有校核法与代换法，此外还有逻辑推理法、实验分析法以及优先选择法。通过这些方法判断出信号设备出现故障的具体原因，并对其故障位置进行准确判断，进而及时进行故障的有效排除。此后还需在大型计算机连锁设备软件的支持下进行信号设备故障的诊断与处理。

（二）信号处理法

信号处理法是基于信号模型的基础上而对铁路信号进行故障的诊断，这种方法的适用性较强，无需建立对象的准确模型，诊断过程也较为便捷。然而由于此方法必须先进行信号的检测与处理，并且信号的噪音会对故障的诊断产生一定影响，因此，在铁路信号故障检测过程中，此方法只应用于特定信号故障的诊断与处理过程中。由于铁路信号的诊断目标多而杂，且会联合应用多种检测方式，还要进行大量的计算，此诊断方式的局限性逐渐显现。因此，此方法的应用范围并不广泛。

二、人工智能在铁路信号故障诊断中的应用研究

人工智能故障诊断法是基于专家系统、模糊逻辑以及人工神经网络等多种诊断技术而进行铁路故障信号诊断的方法，同时还可以与其他传统技术进行联合进行故障检测，以此建立起集识别诊断对象的状态、故障辩别以及信号状态预测等多种功能为一体的智能化信号故障诊断系统。

（一）專家系统的应用

专家系统是容纳了大量专业知识与经验的程序系统，该系统以特定领域专家的知识及经验为基础而对信号故障进行推理与判断，模拟专家的决策而进行故障的分析与诊断，并总结出适合的故障诊断策略，进而避免专家亲临信号故障现场进行故障检测。

在人工智能领域当中，铁路信号设备故障诊断专家系统是实际应用率最高的铁路信号设备故障诊断方法，专家系统以计算机网络为基础，结合了程序设计、人工智能以及数据信息资源库等多项先进的技术实现了对铁路信号设备故障的高效诊断与分析，该系统在铁路系统特点的基础上进行了优化与改进，遵循推理规则而进行铁路信号设备故障的检测，并对易发故障信号的状态予以合理评判。

1.专家系统在铁路信号故障诊断中的优势

①其可以模拟专家的逻辑思维过程，对较为复杂的信号故障进行合理诊断;

②所应用的知识都以符号为代表，由于预先设定了推理规则，因此在诊断时无需输入细节知识，诊断过程较为简便;

③该系统具有利于模块化的特性，一旦某一事实出现变化时修改较为容易;

④与传统的符号数据具有良好的衔接性;

⑤可以对系统的推理过程进行合理解释。

运用专家系统进行铁路信号设备故障的诊断，实现了对专家知识的有效利用，可以极大的提高信号设备故障诊断效率，诊断结果也较为精准。

2.专家系统的缺点

①专家知识的获取存在一定难度;

②系统的知识台阶并不宽泛;

③智能水平有待提升。

基于上述缺点，可以通过故障树与专家系统的有效联合建立专家系统知识资源库，打破知识获取困难的限制，进而使系统中存储的诊断知识更加全面，为高效、快捷的铁路信号故障诊断提供保障。通过简化故障树可以将知识库中的内容进行相应简化，进而排除多余知识，有利于故障推理的顺利进行，进而提高系统的应用效果。

（二）模糊逻辑诊断法的应用

模糊性是指事物在质上的含义并不确切且在量上也无明确的界限而表现出的属性。20世纪60年代美国专家率先提出了模糊集合论，80年代，日本将模糊控制技术应用于地铁列车的自动控制当中，首度实现了无人驾强。随后法、德等国将模糊控制应用于地铁的应用研究当中。

模糊逻辑诊断方法是基于模糊理论而建立起来的，通过故障原因与现象之间的模糊关系矩阵而判断出可能的故障原因，此方法的结构性知识表达能力极为强大，其推理的过程与人的思维模式极为相似，同时可以将专家描述的事件以及与之相关联的关系进行编码，进而为推理的实现提供依据，因此，模糊理论的应用必将成为未来铁路信号诊断的发展趋势。

模糊逻辑诊断法主要可分为两种，一种是基于模糊关系与合成算法的诊断方法，另一种是基于模糊知识技术的诊断方法。由于故障原因所属的函数及模糊规则的确定存在难度，同时，此诊断方式应用时对知识库过于依赖，模糊诊断知识的获取也并不容易，因此，模糊逻辑诊断法目前在铁路信号故障诊断中的应用并不广泛，诊断结果的精度尚需在未来进一步提升。

由于模糊语言的变量与自然语言较为接近，同时其中所包含的知识具有极强的可读性，逻辑推理过程也较为严谨，模糊逻辑诊断的过程与人类的思维模式极为相似，并且可以进行相应的解释。然而由于模糊诊断在知识获取的过程中存在一定难度，在故障判定时难以根据具体的征兆而进行模糊关系的确定，在诊断过程中对于模糊知识库的依赖过强，同时不具有较高的学习能力，因此，在诊断时常会出现诊断失误或诊断不全面、遗漏问题的现象。基于这一情况，在对铁路信号故障进行诊断时，可以采取与人工神经网络方法相结合的方式进行诊断，针对不精确或不确定性的信息进行模糊处理，进而避免由于神经网络难以进行边界模糊数据分类处理现象的发生，避免发生误诊问题，进而使在规则基础上建立的结构性知识具备良好的学习与优化能力，有效解决模糊逻辑诊断法知识获取困难的问题，还可以避免推理过程中出现匹配冲突，进而促进推理效率的全面提升。

（三）神经网络诊断法的应用

这种诊断方法是通过模拟人脑结构并进行信息处理而实现复杂问题的求解。其在铁路信号故障诊断中的应用主要有两种方式：一方面，神经网络以分类器的身份进行故障模式的识别;另一方面，其作为动态预测模型而进行故障的诊断与分析。人工神经网络诊断法无需依赖于专家知识库而进行，推理的速度与规模之间的关联并不明显，同时，容错能力及泛化能力都极为强大，各个神经元之间可以进行独立的计算与处理，因此，此方法的诊断速度较快。

（四）模型解析诊断法的应用

在诊断目标明确且数学模型构建完整的情况下可采用解析模型法进行故障诊断。这种方法是基于数理统计以及函数解析等多种数学方法的基础上建立起来的，一旦出现信号故障，系统会接收到相应的变化情况并将这一变化传递给数学模型进行解析。通过观测数学模型并对其产生的参数变化得出的故障诊断实效性较高，因此，在系统的本质动态性研究过程中解析模型法发挥出了重要作用。模型解析法包含等价空间法与滤波器法，此外还有最小二乘法。然而由于这种方法只能针对明确的对象进行诊断，同时也必须在数学模型的辅助下才可实现，因此，应用范围并不广泛。

（五）混合智能诊断法的应用

这种方法是将多种诊断方式综合运用的一种较为智能化的诊断方式，这是未来铁路信号故障诊断的主要发展方向。如，在D-S证据理论基础上通过信息融合技术而建立起来的故障诊断模型就属于混合智能診断法的一种，其将人工神经网络以及模糊逻辑诊断方法进行了融合，以这两种方式所做出的诊断结果为判断依据综合评判出信号故障的发生原因及故障点，因此，诊断结果极为可靠，应用效果也较为理想。

三、结语

基于人工智能的专家系统在铁路信号故障诊断中发挥出了良好的应用效果，其可以实现对铁路设备故障的诊断与预防。将多种诊断方式联合应用，通过整合多种诊断方式的优势而进行综合故障分析是未来的发展趋势，可以有效提高诊断结果的准确度与可靠性，进而为快速、高效的故障处理提供保障。在不久的将来，人工智能的应用必将越来越广泛，对于铁路信号故障诊断技术的提升与优化具有重要意义。

参考文献：

[1]张立新.综合故障检测与诊断系统[J].西安工业大学学报，2019（2）：151.

[2]刘伯鸿，伏玉明，宋爽.车站信号联锁系统故障诊断系统的研究与实现[J].铁道科学与工程学报，2016，13（9）：1825-1832.