基于FTA与多层次模糊神经子网络的轨道电路红光带故障诊断方法

技术领域

本发明关于铁路信号设备故障处理领域，涉及的是一种ZPW-2000轨道电路故障诊断方法，具体地说是一种基于FTA和多层次模糊神经子网络的ZPW-2000无绝缘移频轨道电路红光带故障智能诊断方法。

技术背景

轨道电路是现代高速铁路信号系统的重要基础设备，用于监督轨道占用情况以及传递列车运行控制信息，保障列车运行安全，是电务部门的重点维护对象。目前，ZPW-2000无绝缘移频轨道电路以其抗干扰能力强、传输长度长、传输安全性高、易实现牵引回流等优点，被广泛应用于我国客运专线与高速铁路，并被确立为我国今后铁路移频自动闭塞系统的统一制式。

ZPW-2000无绝缘移频轨道电路主要由电气绝缘节、发送器、接收器、衰耗器、防雷组合、轨道继电器、传输电缆、匹配变压器等设备组成。在实际运行中，其组成复杂且易受不良环境影响，由于运输损耗、检修维护不良、环境变换恶劣等因素，导致设备系统出现各种故障。根据故障-安全原则，一般系统设备发生故障时，必须满足故障导向安全的要求，因此轨道电路空闲调整状态下的红光带异常故障是最常见的多发性故障，是影响行车安全的最主要故障之一。目前轨道电路故障处理一般采用传统故障诊断方法，即主要依靠维修人员经验结合现场状态进行故障诊断，要求维修人员必须掌握较深的相关专业知识与工作经验才能保证诊断具备一定的准确性。该方法过程繁琐、盲目性过高、诊断准确性较低、自动化和智能化水平较低。

近年来，一些先进的故障诊断理念与算法被尝试应用到轨道电路故障诊断 中，其中针对ZPW-2000无绝缘移频轨道电路故障诊断的方法研究有：文献“基于遗传算法的无绝缘轨道电路故障综合诊断方法”(赵林海，冉义奎，穆建成，中国铁道科学，31(3)：107-113，2010)运用遗传算法对轨道电路中多个补偿电容故障及道砟电阻波动等情况作出综合诊断评价。文献“基于数据的轨道电路故障诊断的混合算法”(杨世武,魏学业，北京交通大学学报,36(2):40-46，2012)提出了一种基于神经网络的故障诊断网络对轨道电路进行故障诊断，解决了单独设计网络带来的运算量问题。文献“基于D-S证据理论信息融合的轨道电路故障诊断方法研究”(李娜,董海鹰，铁道科学与工程学报,9(6):107-112，2012)提出一种基于D-S数据信息融合的铁路信号设备故障诊断模型方法，提高了诊断结论的可信度。文献“ZPW-2000A轨道电路智能故障诊断算法应用研究”(刘琰琼，铁路通信信号工技术,01:29-32，2014)提出一种基于模糊推理的轨道电路智能故障诊断算法，对轨道电路模拟原件的短路、开路等硬故障有较好的效果。但由于轨道电路的故障征兆、故障模式与故障产生机理之间存在着复杂性与不确定性，仅靠单一诊断方法无法满足轨道电路故障诊断的要求。

发明内容

本发明的目的是提供一种基于FTA和多层次模糊神经子网络的ZPW-2000无绝缘移频轨道电路红光带故障智能诊断方法，该方法能在轨道电路发送红光带故障时进行智能故障诊断，快速定位故障点，极大降低故障诊断的盲目性和复杂性，提高故障诊断速度和准确度。

本发明实现其发明目的，所采用的技术方案为：

基于FTA与多层次模糊神经子网络的ZPW-2000轨道电路红光带故障诊断方法，采用最终训练确立得到故障诊断模型自动定位故障点并获得故障诊断维 修指示：

其故障诊断模型包括三个子模型，即：

以接收端接收电平U1、“轨出1”电压U2和发送功出电压U3为输入；以F1：接收器故障或TCC通信故障、F2：衰耗器故障、F3：电缆模拟网络故障和F4：发送器故障或发送电平调整不当为输出的三输入四输出室内设备故障诊断Mandani模糊神经子网模型；

以受端轨面电压U4和发送端轨面电压U5为输入；以F5：接收端室外设备故障、F6：补偿电容故障或道床电阻过低和F7：发送端室外设备故障为输出的二输入三输出室外设备故障诊断Mandani模糊神经子网模型；

以匹配变压器输入电压U6和匹配变压器输出电压U7为输入，以F8：绝缘节故障、F9：SPT电缆故障和F10：匹配变压器故障为输出的二输入三输出的接收端室外设备故障诊断Mandani模糊神经子网模型和发送端室外设备故障诊断Mandani模糊神经子网模型；

当发生ZPW-2000轨道电路红光带故障时，通过铁路信号微机监测平台采集相关故障诊断模型特征输入数据，包括：发送功出电压V1、分线盘发送电压V2、分线盘送回电压V3、U1～U7，输入到确立好的诊断系统模型中：主要步骤包括：

首先根据室内外设备故障判定规则进行初步判断，若：V1正常、V3正常或V1异常、V2异常则判定为室内设备故障，若：V1正常、V3异常或V1异常、V2正常且V3异常则判定为室外设备故障；

若判定为室内故障，则进入室内设备故障诊断Mandani模糊神经子网模型进行诊断计算，将模型计算输出结果按判据式(13)判定，故障输出判定结果为1，则该故障模式极可能发生，据此即可初步定位故障点；

若判定为室外故障，则进入室外设备故障诊断Mandani模糊神经子网络模型进行诊断计算，模型计算输出结果按判据式(13)进行判断，故障输出判定结果为1，则该故障模式极可能发生，据此即可初步定位故障点；

若判定为室外设备故障且诊断为接收端室外设备故障或发送端室外设备故障，即故障模式F5或F7的输出结果判定为1时，则进入接收端室外设备故障诊断Mandani模糊神经子网模型或发送端室外设备故障诊断Mandani模糊神经子网模型进行诊断计算，将模型计算输出结果按判据式(1)判定，故障输出判定结果为1，则该故障模式极可能发生，据此即可初步定位故障点；

在得到初步定位的故障点后，结合底事件重要度分析结果进一步确定预检测维修故障优先级，重要度越高则故障预检测维修的优先级越高，最后结合经验库知识输出故障诊断维修建议；

$F_j=\left(\begin{array}{cc}1& F_j\ge 0.8\\ 0.5& 0.25\le F_j<0.8\\ 0& F_j<0.25\end{array}\right)---\left(1\right)$

当F_j＝1时，表示故障模式F_j发生；当F_j＝0.5时，表示故障模式F_j可能发生；当F_j＝0时，表示故障模式F_j不可能发生。

本发明故障诊断模型基于的FTA手段获得，其具体步骤如下：

1)FTA定性分析：首先通过故障调查分析，搭建宏观ZPW-2000轨道电路系统故障树模型，将其故障类型区分为室内故障与室外故障；然后以红光带故障为顶事件，逐级分析并按逻辑关系搭建ZPW-2000轨道电路红光带故障树模型，采用下行法逐层搜寻最小割集，并将其按室内故障和室外故障进行分类；

2)FTA定量分析：通过搜集统计得到底事件发生概率，据此由下往上逐级计算得到中间事件与顶事件的发生概率，根据Fussell算法分析计算最小 割集重要度；

3)通过分析故障树所蕴含的知识，总结故障诊断的故障输出模式，提取故障诊断规则，确定各故障诊断模糊神经子网络的输入输出；

4)根据FTA分析结果，设计诊断系统结构，并构建多层次模糊神经子网

络模型；

5)根据诊断对象设定模糊隶属度函数参数，通过样本学习训练调整网络权值，确立故障诊断模型；

6)将实测数据输入到故障诊断模型中，计算得到故障诊断结果。

进一步地，步骤1)中，首先通过故障调查分析，搭建宏观ZPW-2000轨道电路系统故障树模型，将其基础故障类型区分为室内故障与室外故障；然后以红光带故障为顶事件，结合专家经验与故障调查分析结果，逐级向下找出各级故障原因事件，直到满足所需的分析深度，并将分析得到的中间事件、底事件与顶事件按其逻辑关系用逻辑符号相互联接构成ZPW-2000轨道电路红光带故障树模型；最后通过下行法逐层搜寻最小割集，将割集按室内故障和室外故障进行分类。

进一步地，步骤2)中，计算中间事件和顶事件发生概率时，根据故障树逻辑结构，将其分解成若干个门事件由下到上逐层计算；然后以得到的顶事件发生概率为基础计算重要度P_MT来描述各基本事件对顶事件发生所作的贡献，方法如下：

$\left(\begin{array}{c}{P}_T^{\mathrm{OR}}=1-\underset{i=1}{\overset{n}{\Pi }}(1-P_i)\\ P_T^{\mathrm{AND}}=\underset{i=1}{\overset{n}{\Pi }}{P}_i\\ P_{\mathrm{MT}}=\frac{P_i}{P_{\mathrm{TOP}}}\end{array}\right)---\left(2\right)$

其中，P_i表示底事件X_i发生的概率，表示或门顶事件发生概率，表 示与门顶事件发生概率，P_TOP表示顶事件发生概率，P_MT为重要度。

进一步地，步骤4)中，根据FTA分析结果，按得到的故障诊断规则，以Mamdani模糊神经网络模型为基础，构建若干个模糊神经子网络，将其以串联或并联的方式相互结合，构成故障诊断系统模型。

进一步地，步骤4)中，采用Mamdani模糊神经网络模型包括输入层、模糊处理层、规则计算层、规则激活层以及输出层：

输入层：该层的节点直接与输入变量矩阵X的各个分量连接。

模糊处理层：每个节点代表一个语言变量，用偏低(L)和正常(N)两个语言变量来描述诊断输入变量。该层的作用是计算各个输入分量分属于各语言变量值模糊集合的隶属度其中，用降半梯形分布的隶属度函数来描述“偏低”，用梯形分布的隶属度函数来描述“正常”：

降半梯形分布：

${\mu }_i^j=\left(\begin{array}{cc}1,& x\le a\\ \frac{b-x}{b-a},& a<x\le b\\ 0,& x>d\end{array}\right)---\left(3\right)$

梯形分布： 

${\mu }_i^j=\left(\begin{array}{cc}0,& x\le a\\ \frac{x-a}{b-a},& a<x\le b\\ 1,& b<x\le c\\ \frac{d-x}{d-c},& c<x\le d\\ 0,& x>d\end{array}\right)---\left(4\right)$

i＝1,2,3,…,n,j＝1,2,3,…,m_i,m_i是输入分量x_i的模糊分割数。

规则计算层，其神经元个数由该网络故障诊断规则决定，每个节点代表一条模糊规则，用来匹配模糊规则的前件，计算每条规则的适用度α_k，即

其中，i₁∈[1,2,3,…,m₁]，i₂∈[1,2,3,…,m₂]，…，i_n∈[1,2,3,…,m_n]，k＝1,2,3,…,m， m为模糊规则总数。对于给定的输入，只有在输入点附近的语言变量才有较大的隶属度值，远离输入点的语言变量值的隶属度极小或为0。当隶属度很小(如<0.005)时可近似取0，因此在α_k中只有少量结点输出非0。

规则激活层，实现模糊规则归一化运算，得出每条规则的激活度，即

${\bar{\alpha }}_k={\alpha }_k/\underset{k=1}{\overset{m}{\Sigma }}{\alpha }_k---\left(6\right)$

输出层，进行清晰化计算，即

$y_i=\underset{k=1}{\overset{m}{\Sigma }}{w}_{\mathrm{jk}}{\bar{\alpha }}_k---\left(7\right)$

进一步地，步骤5)中，根据故障诊断规则表分别确定各模糊神经子网络的输入与输出并设定其模糊规则，在构建好多层次模糊神经子网络模型结构后，依据专家经验针对诊断对象设定隶属度函数参数，然后用现场故障数据样本对各个子网络进行训练，训练过程采用自适应-动量BP学习算法对其参数进行调整：

采用全局误差函数定义系统误差为：

$E=\frac{1}{2}\underset{s=1}{\overset{N}{\Sigma }}\underset{j=1}{\overset{L}{\Sigma }}{(T_{\mathrm{js}}-y_{\mathrm{js}})}^2=\underset{s=1}{\overset{N}{\Sigma }}{E}_s---\left(8\right)$

其中，T_js为网络模型期望输出，y_js为网络模型实际输出，L为网络模型输出参数个数，N为学习样本对的数量，E_s为每次样本输入结果的误差；

自适应-动量BP学习算法：首先需要求出模糊子网络模型输出层的误差灵敏度，据此反馈调整权值参数w_jk；在调整过程中采用启发式调整方法，用新误差E(t+1)与旧误差E(t)的比值大小表示全局误差的变化情况，根据全局误差的变化信息对学习速率进行调整，若比值小于1，则可适当增加学习速率，若比值大于等于某固定值，则需要下调学习速率；同时引入附加动量因子，提高算法收敛速度：

输出层误差灵敏度为：

${\delta }_{y_{\mathrm{js}}}=-\frac{{\partial E}_s}{{\partial y}_j}=T_{\mathrm{js}}-y_{\mathrm{js}}---\left(9\right)$

权值参数初调量为：

${\mathrm{\Delta w}}_{\mathrm{jk}}=-\eta \frac{\partial E}{{\partial w}_{\mathrm{jk}}}=-\eta \underset{s=1}{\overset{N}{\Sigma }}\frac{{\partial E}_s}{{\partial y}_{\mathrm{js}}}·\frac{{\partial y}_{\mathrm{js}}}{{\partial w}_{\mathrm{jk}}}=\underset{s=1}{\overset{N}{\Sigma }}{\mathrm{\eta \delta }}_{y_{\mathrm{js}}}{\bar{\alpha }}_{\mathrm{ks}}---\left(10\right)$

学习速率调整规则为：

$\eta =\left(\begin{array}{cc}a*\eta ,& E(t+1)/E\left(t\right)<1\\ b*\eta ,& E(t+1)/E\left(t\right)\ge k\\ \eta ,& \mathrm{other}\end{array}\right)---\left(11\right)$

其中，参数k取1.05、a取1.01、b取0.8。

引入附加动量因子后参数调整量为：

Δw'_jk(t)＝Δw_jk(t)+α(w_jk(t)-w_jk(t-1))     (12) 

参数调整过程：

w_jk(t+1)＝w_jk(t)+Δw'_jk(t)        (13) 

其中，其中η为学习率，初始取0.1；α为动量因子，取值为0.5。

进一步地，步骤6)中，在确立系统故障诊断模型之后，当ZPW-2000轨道电路发生红光带故障时，即可将实测现场相关故障诊断模型特征输入数据输入到模型中，计算得到的输出数据根据如下原则进行判断，初步快速定位故障点，然后根据故障诊断规则表，结合底事件重要度分析以及专家经验知识给出故障诊断维修建议：

$F_j=\left(\begin{array}{cc}1& F_j\ge 0.8\\ 0.5& 0.25\le F_j<0.8\\ 0& F_j<0.25\end{array}\right)---\left(14\right)$

当F_j＝1时，表示故障模式F_j发生；当F_j＝0.5时，表示故障模式F_j可能发生；当F_j＝0时，表示故障模式F_j不可能发生。

与现有的ZPW-2000轨道电路故障诊断技术相比，本发明的有益效果在于：

1)本发明通过构建故障树分析提取故障诊断规则，结合Mamdani模糊神经网络，将复杂的故障诊断过程分解简化成若干个子网络，将其以串联或并联的方式建立故障诊断系统模型，使诊断模型的结构相对简单、复杂性低、逻辑处理能力强，提高了故障诊断的速度。

2)本发明是在Mamdani模糊神经网络模型基础上构建的，既具备模糊逻辑处理能力，又具有强大的自学习自适应能力，在模型学习训练过程中引入自适应-动量BP学习调整法对模型参数进行训练优化，保障了诊断的有效性、稳定性和准确性。

3)本发明利用现有的铁路信号微机监测平台数据进行智能故障诊断，快速识别故障类型，及时定位故障点，操作人员无需掌握较深的相关专业知识与工作经验，减少人工故障检测排查的工作，避免了检测过程的盲目性与繁琐性，节省大量人力成本，解决了故障诊断费时费力、成本高、效率低等问题。

附图说明

图1为本发明方法分析流程框图。

图2为本发明方法实施例1的ZPW-2000轨道电路系统结构原理图。

图3为本发明方法实施例1的ZPW-2000轨道电路系统故障宏观故障树模型。

图4为本发明方法实施例1的ZPW-2000轨道电路红光带故障树模型。

图5为本发明方法实施例1的ZPW-2000轨道电路红光带故障室内外设备故障区分判别流程图。

图6为本发明方法实施例1的ZPW-2000轨道电路红光带故障诊断系统结构设计框图。

图7为本发明方法实施例1的Mamdani模糊神经网络模型，图中，x_i,i＝1,2,3,…,n为输入信号数；为输入变量的模糊集合隶属度函数；α_k为第k条规则的适用度；为归一化的规则激活度，y_j,j＝1,2,3,…,s为模糊神经网络的输出，w_jk为从输出节点j到规则激活度节点k的连接权重。

图8为本发明方法实施例1的故障诊断详细流程图。

具体实施方式

下面结合附图和实施例对本发明进行详细说明。

参照图1，本发明的基于FTA与多层次模糊神经子网络的ZPW-2000轨道电路红光带故障诊断方法，可以分为两大部分：FTA分析部分与故障诊断部分，其主要流程包括：FTA定性分析，FTA定量分析，提取故障诊断规则，诊断模型构建，模型样本训练，最后实测数据输入得出故障诊断结果。

本发明的基于FTA与多层次模糊神经子网络的ZPW-2000轨道电路红光带故障诊断方法，按照以下具体步骤实施：

1)FTA定性分析：首先通过故障调查分析，搭建宏观ZPW-2000轨道电路系统故障树模型，将其故障类型区分为室内故障与室外故障；然后以红光带故障为顶事件，逐级分析并按逻辑关系搭建ZPW-2000轨道电路红光带故障树模型，采用下行法逐层搜寻最小割集，并将其按室内故障和室外故障进行分类；

2)FTA定量分析：通过搜集统计得到底事件发生概率，据此由下往上逐级计算得到中间事件与顶事件的发生概率，根据Fussell算法分析计算最小割集重要度；

3)通过分析故障树所蕴含的知识，总结故障诊断的故障输出模式，提取故障诊断规则，确定各故障诊断模糊神经子网络的输入输出；

4)根据FTA分析结果，设计诊断系统结构，并构建多层次模糊神经子网络模型；

5)根据诊断对象设定模糊隶属度函数参数，通过样本学习训练调整网络权值，确立故障诊断模型；

6)将实测数据输入到故障诊断模型中，计算得到故障诊断结果。

实施例

对ZPW-2000轨道电路的“红光带故障”进行诊断。

图2所示为ZPW-2000轨道电路系统结构原理图，其主要由发送器、接收器、衰耗器、防雷组合、电缆模拟网络、SPT电缆、补偿电容、匹配变压器、电气绝缘节中的调谐单元和空心线圈等设备组成。针对ZPW-2000轨道电路的“红光带故障”的诊断方案实施如下：

1)FTA定性分析： 

首先如图3所示，通过故障调查分析，搭建宏观ZPW-2000轨道电路系统故障树模型，将其故障类型区分为室内故障与室外故障；然后如图4所示，以红光带故障为顶事件，结合专家经验与故障调查分析结果，逐级向下找出各级故障原因事件，直到满足所需的分析深度，并将分析得到的中间事件、底事件与顶事件按其逻辑关系用逻辑符号相互联接构成ZPW-2000轨道电路红光带故障树模型，并对其顶事件、中间事件和底事件进行编码；按照表1所示，采用下行法逐层搜寻最小割集，并将最小割集按室内故障和室外故障进行分类得到故障最小割集统计表2；

表1下行法搜寻最小割集

表2故障最小割集统计表

2)FTA定量分析： 

通过搜集统计得到底事件发生概率，据此由下往上逐级计算得到中间事件与顶事件的发生概率，根据Fussell算法分析计算最小割集重要度；

计算中间事件和顶事件发生概率时，按照式(2)的方法，根据故障树逻辑结构，将其分解成若干个门事件，由下到上逐层计算，然后以得到的顶事件发生概率为基础计算重要度P_MT来描述各基本事件对顶事件发生所作的贡献。

根据现场经验和数据给出底事件发生概率数值表3，按上述方法计算得到各底事件的重要度如表4所示。

表3底事件发生概率表

表4底事件重要度

3)析故障树所蕴含的的知识，总结故障诊断的故障输出模式，提取故障诊断规则，确定各故障诊断模糊神经子网络的输入输出。

表1中每个独立的底事件就是一个最小割集，即系统故障源之一，其中任何一个事件发生都必然导致系统故障发生。根据图3的故障树表达可以得知，室内设备故障和室外设备故障两个支路会导致顶事件ZPW-2000A轨道电路系统故障的发生。据此，可以建立两个并联模糊神经网络模型分别对这两个支路的故障进行并行诊断分析。

区分室内与室外故障分析：

根据图3得到的宏观ZPW-2000轨道电路系统故障树模型，将其故障类型区分为室内故障与室外故障，结合专家知识、现场维修经验以及已有的研究结果，可以得到图5所示的室内室外故障判定流程图，根据图中的表达，总结得到区分室内与室外故障的判定规则表5，其中3个电压值的正常/异常判定范围根据专家经验知识设定。

表5室内外设备故障判定规则表

室内故障诊断模型分析：

室内故障：X1/X2/X3/X5/X11/X15/X16

从图4中看到：X3/X5/X11/X15/X16事件都会导致接收端接收电平过低，而X1/X2事件对其无影响；其中X5/X11/X15/X16事件都会导致“轨出1”电压过低，而X3事件对其无影响；其中X15/X16事件都会导致发送功出电压过低，而X5/X12事件对其无影响。因此，选定接收端接收电平、“轨出1”电压和发送功出电压作为室内设备故障诊断模型的系统输入变量，且用“正常”“偏低”两种模糊语言来描述，根据这三个输入变量区分{X1或X2}、X3、{X5或X12}、{X16或X17}四种故障模式。由此可以确定室内故障诊断模型对应的模 糊神经网络为具有三输入四输出的结构，系统输入参数和故障输出参数说明如表6所示，根据FTA分析结果，结合专家经验知识，总结得到室内故障诊断规则表7，其中N表示“正常”、L表示“偏低”。

表6室内故障诊断模型参数说明

表7室内故障诊断规则表

室外故障模型分析：

室外故障：X4/X6/X7/X8/X9/X10/X12/X13/X14

根据FTA分析可以看到：X8/X9/X10/X12/X13/X14事件都会导致受端轨面电压过低，而X4/X6/X7对其无影响；其中X10/X12/X13/X14事件会导致发送端轨面电压过低，而X8/X9对其无影响；X8/X9事件发生时，受端轨面电压过低，但发送功出电压和送端轨面电压都正常，使轨道电路出现红光带。因此，选定受端轨面电压和发送端轨面电压作为室外设备故障诊断模型的系统输入变量，且用“正常”“偏低”两种模糊语言来描述，根据这三个输入变量区分{X4或X6或X7}、{X8或X9}、{X10或X12或X13或X14}三种故障模式。由此可以确定室外故障诊断模型对应的模糊神经网络为具有二输入三输出的结构，系统输入参数和故障输出参数说明如表8所示，根据FTA分析结果，结合专家经验知识，总结得到室内故障诊断规则表9，其中N表示“正常”、L表示“偏低”。

表8室外故障诊断模型参数说明

表9室外故障诊断规则表

当发生接收端室外设备故障(F5)或者发送端室外设备故障故障(F7)时，以其匹配变压器的输入、输出端电压作为发送端室外设备故障诊断模型和接收端室外设备故障诊断模型的系统输入变量，且用“正常”“偏低”两种模糊语言来描述，根据这三个输入变量区分绝缘节故障、SPT电缆故障、匹配变压器故障三种故障模式。由此可以确定接收端/发送端室外设备故障诊断模型对应的模糊神经网络为具有二输入三输出的结构，系统输入参数和故障输出参数说明如表10所示，根据FTA分析结果，结合专家经验知识，总结得到室内故障诊断规则表11，其中N表示“正常”、L表示“偏低”。

表10接收端/发送端室外设备故障诊断模型参数说明

表11接收端/发送端室外设备故障诊断规则表

4)根据FTA分析结果，设计诊断系统结构如图6所示，并以图7所示的Mamdani模糊神经网络模型为基础，构建多层次模糊神经子网络模型。

5)根据诊断对象设定模糊隶属度函数参数，通过样本学习训练调整网络权值，确立故障诊断模型。

用式(3)降半梯形分布的隶属度函数来描述“偏低”，用式(4)梯形分布的隶属度函数来描述“正常”，其隶属度函数参数根据专家知识与现场维修经验按照故障诊断对象进行设定，然后应用自适应-动量BP学习算法，按照式(3)～式(13)的步骤，输入故障样本数据对模型进行学习训练调整，最终确立故障诊断模型。

6)将实测数据输入到故障诊断模型中，计算得到故障诊断结果。

根据上述设计分析过程的方法，最终训练确立得到故障诊断模型，主要包括：

以U1：接收端接收电平、U2：“轨出1”电压和U3：发送功出电压为输入，以F1：接收器故障或TCC通信故障、F2：衰耗器故障、F3：电缆模拟网络故障和F4：发送器故障或发送电平调整不当为输出的三输入四输出室内设备故障诊断Mandani模糊神经子网模型；

以U4：受端轨面电压和U5：发送端轨面电压为输入，以F5：接收端室外设备故障、F6：补偿电容故障或道床电阻过低和F7：发送端室外设备故障为输出的二输入三输出室外设备故障诊断Mandani模糊神经子网模型；

以U6：匹配变压器输入电压和U7：匹配变压器输出电压为输入，以F8：绝缘节故障、F9：SPT电缆故障和F10：匹配变压器故障为输出的二输入三输出的接收端室外设备故障诊断Mandani模糊神经子网模型和发送端室外设备故障诊断Mandani模糊神经子网模型；

当发生ZPW-2000轨道电路红光带故障时，将铁路信号微机监测平台采集得到的相关故障诊断模型特征输入数据(包括发送功出电压V1、分线盘发送电压V2、分线盘送回电压V3、U1～U7)输入到确立好的诊断系统模型中：

首先根据室内外设备故障判定规则进行初步判断，若(V1正常、V3正常)或(V1异常、V2异常)则判定为室内设备故障，若(V1正常、V3异常)或(V1异常、V2正常且V3异常)则判定为室外设备故障；

若判定为室内故障，则进入室内设备故障诊断Mandani模糊神经子网模型进行诊断计算，将模型计算输出结果按式(14)判定，故障输出判定结果为1，则该故障模式极可能发生，据此即可初步定位故障点；

若判定为室外故障，则进入室外设备故障诊断Mandani模糊神经子网络模型进行诊断计算，模型计算输出结果按式(14)进行判断，故障输出判定结果为1，则该故障模式极可能发生，据此即可初步定位故障点；

若判定为室外设备故障且诊断为接收端室外设备故障或发送端室外设备故障，即故障模式F5或F7的输出结果判定为1时，则进入接收端室外设备故障诊断Mandani模糊神经子网模型或发送端室外设备故障诊断Mandani模糊神经子网模型进行诊断计算，将模型计算输出结果按式(14)判定，故障输出判 定结果为1，则该故障模式极可能发生，据此即可初步定位故障点；

在得到初步定位的故障点后，结合底事件重要度分析结果进一步确定预检测维修故障优先级，重要度越高则故障预检测维修的优先级越高，最后结合专家经验知识给出故障诊断维修建议，故障整体详细诊断流程如图8所示。

优先级确定和诊断建议例如：在诊断出故障模式F1时，其中包含X1与X2两个底事件，由于X1的重要度<X2的重要度，因此将X2故障列为顶级预检测维修故障，X1故障为次级预检测维修故障，根据其优先级给出故障诊断维修建议为：极可能为接收器内部的数字电板电路或CPU板集成电路的电容、电阻、二极管发生故障，查看集中监测主机是否报警，解决方法为：更换接收器；若排除接收器故障，则可能为TCC通信故障，解决方法为：主机重启。