于晓英，董 煜，董 昱

(1. 兰州交通大学 自动化与电气工程学院，甘肃 兰州 730070;2.兰州工业学院 电气工程学院，甘肃 兰州 730050)

轨道电路能够检测线路状态、传递行车信息、监督区间占用情况， 对确保列车的安全运行发挥着极其重要的作用。然而轨道电路处于室外，自然环境等因素时常导致其发生故障，大大影响行车效率，甚至造成安全事故。目前，轨道电路故障后，大多依靠电务维修人员的经验判断给出故障类型结果，这种方式精度低、效率差[1]。

为了解决人工处理轨道电路故障存在的问题，国内学者尝试将人工智能应用到轨道电路的故障诊断中。文献[2]将模糊理论与神经网络相结合用于25 Hz轨道电路的常见故障分类识别。文献[3]中建立了基于反向传播(Back Propagation, BP)神经网络的25 Hz轨道电路分路不良预警系统。文献[4]中使用Min-Ambiguity算法训练诊断决策表，并依此建立了模糊决策树模型，对轨道电路进行故障诊断。但由于轨道电路本身结构复杂，导致其发生故障的原因很多，并且故障原因和故障特征参数之间也不存在明确的一一对应关系。在不同环境下，轨道电路的相关参数在数值上的表现也会有所差异，数据本身存在模糊性和不确定性。由于单一故障诊断方法知识库不完善且考虑角度的片面性[5]，在实际应用中往往存在局限性，会导致部分故障诊断精度偏低，很难满足轨道电路故障诊断的实际需求。

针对单一方法的不足，本文建立了基于多方法证据融合的25 Hz轨道电路故障诊断模型。……