CN104392071A - 一种基于复杂网络的高速列车***安全评估方法 - Google Patents

Abstract

本发明公开了属于高速列车***安全技术领域的一种基于复杂网络的高速列车***安全评估方法，该方法包括如下步骤：(1)构建高速列车***物理结构网络模型，基于网络模型构建节点功能属性度；(2)提取部件的功能属性度、失效率、平均无故障时间作为输入量，并利用LIBSVM软件进行SVM训练；(3)进行加权kNN-SVM判断：对于无法分类的样本点进行判断，得出高速列车***的安全性等级。对于物理结构及运行情况复杂的高速列车***，该方法能够解决当***中部件状态发生变化后对***安全性影响程度的评估。实验结果表明该算法的精确度高，实用性好。

Description

一种基于复杂网络的高速列车***安全评估方法

技术领域

本发明属于高速列车***安全技术领域，特别涉及一种基于复杂网络的高速列车***安全评估方法。

背景技术

随着高速铁路的发展，动车组的安全性问题也得到广泛的关注。针对高铁列车安全性研究，“频度-后果”矩阵法是比较成熟的，也是应用最广泛的方法。矩阵法中的频率、后果都是由根据专家经验给出，存在较强的主观性。

SVM(支持向量机)具有结构简单、学***票时，无法正确判断出样本所属安全等级。加权kNN(k近邻)是对SVM无法准确分类的样本进行重新判断，即对于k个类别，判断样本点距离哪一类近，就把样本点分到哪一类。

与目前比较常用的高铁安全性评价方法矩阵法相比，基于加权kNN-SVM的安全评估方法，从部件在***中的地位以及部件的可靠性出发，剔出了矩阵法中的主观因素，因此对高铁的安全性评估具有重大的实用价值和推广意义。

发明内容

本发明的目的是提供了一种基于复杂网络的高速列车***安全评估方法，其特征在于，包括下述步骤：

步骤一、根据高速列车物理结构关系，构建高速列车网络模型G(V,E)，

1.1.将高速列车***中的部件抽象为节点，即V＝{v₁,v₂,…,v_n}，其中V为节点集合，v_i为高速列车***中的节点(部件)，n为高速列车***中节点的个数；

1.2.部件与部件之间存在的物理连接关系抽象为连接边，即E＝{e₁₂,e₁₃,…,e_ij}，i,j≤n。其中E为连接边的集合，e_ij为节点i和节点j之间的连接边；

1.3.基于高速列车网络模型，计算节点的功能属性度值节点i的功能属性度为

${\tilde{d}}_i={\mathrm{\λ}}_i*k_i---\left(1\right)$

其中λ_i为节点i的失效率，k_i为复杂网络理论中节点i的度，即与该节点相连的边数；

步骤二，通过对高速列车运营故障数据分析，结合高速列车***的物理结构，提取部件的功能属性度值失效率λ_i、平均无故障时间(MTBF)作为训练样本集，对训练样本集进行归一化处理：

2.1.失效率λ_i的计算公式为

2.2，平均无故障时间MTBF由故障数据中记录的故障时间得出，即

2.3，利用SVM对样本进行训练，

步骤三、利用kNN-SVM对样本进行安全等级划分。

3.1，对k个安全等级的训练样本进行两两分区，针对个SVM分类器，分别建立最有分类面，其表达式如下：

$f_{\mathrm{ij}}\left(x\right)=\mathrm{sgn}(\underset{t=1}{\overset{l}{\mathrm{\Σ}}}{a}_t{y}_{t}K(x_{\mathrm{ij}},x)+b_{\mathrm{ij}})---\left(2\right)$

其中：l为第i个安全等级和第j个安全等级的样本数，K(x_ij,x)为核函数，x为支持向量，a_t为SVM的权值系数，b_ij为偏移系数。

3.2，对于待测部件，分别组合上述两类分类器，并使用投票法，对部件所属的安全等级进行计票。得票最多的类，则为该部件所属安全等级；

3.3，由于高速列车***运行环境复杂，因此，利用SVM分类时容易出现无法分类的情况，因此定义基于加权kNN的判别函数，对部件重新进行安全等级划分，具体步骤如下：

训练集{x_i,y_i}，…，{x_n,y_n}中，共有k个安全等级即ca₁，ca₂，…，ca_k，第i个安全等级的样本中心为其中n_i为第i个安全等级的样本数，则部件x_j到第i个安全等级样本中心的欧式距离为

$d(x_j,o_i)=\sqrt{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}{(x_{\mathrm{jm}}-c_{\mathrm{im}})}^2}---\left(3\right)$

式中：x_jm为测试样本中第j个样本点的第m个特征属性；c_im为第i类样本中心中第m个特征属性；

定义距离判别函数

$s_i\left(x\right)=\frac{\max \left(d(x,c)\right)-d(x,c_i)}{\max \left(d(x,c)\right)-\min \left(d(x,c)\right)}---\left(4\right)$

定义基于加权kNN的不同类别的样本紧密度为

${\mathrm{\μ}}_i\left(x\right)=1-\frac{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{u}_i\left(x^{\left(j\right)}\right)d(x,x^{\left(j\right)})}{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}d(x,x^{\left(j\right)})}---\left(5\right)$

其中：m为k近邻的个数；u_i(x)为测试样本属于第i个训练数据的紧密度隶属度；u_i(x^(j))为第j个近邻属于第i个安全等级的隶属度，即 $u_i\left(x^{\left(j\right)}\right)=\left\{\begin{array}{c}1,x\∈{\mathrm{ca}}_i\\ 0,x\∉{\mathrm{ca}}_i\end{array}\right.;$

则样本点的分类判别函数为

d_i(x)＝s_i(x)×μ_i(x)  (6)

计算样本属于各个安全等级的紧密度d_i(x)，d_i(x)值最高的类别为样本点预测结果；

依据动车组一二级检修章程与故障数据记录，所述高速列车安全性划分为如下等级：

即y＝1对应的安全等级1为安全，包含列车的运行状态为无影响、继续运行；y＝5对应的安全等级2是较安全，包含列车的运行状态为临修、碎修，晚点；y＝10对应的安全等级3是不安全，包含列车的运行状态为停运、未出库。

本发明的有益效果是与现有技术相比，该方法利用复杂网络提取节点的功能属性度，根据故障数据提取失效率、平均无故障时间等特征，通过SVM进行训练；由于SVM对于多分类问题存在的无法分类问题，考虑了节点在***中的位置重要性；引入加权kNN-SVM对样本点进行检验，最终得出部件对高速列车***安全性的影响，能够得到更加准确的分类结果，高速列车的安全性判断得到了验证，验证结果表明此方法具有很高的实用价值。

附图说明

图1为基于复杂网络和加权kNN-SVM的高速列车安全评估方法流程图。

图2为高速列车***物理结构网络模型。

图3为SVM方法无法进行分类的区域。

图4为训练集样本。

具体实施方式

本发明提供了一种基于复杂网络的高速列车***安全评估方法，下面结合附图对本发明进一步说明。

图1所示为高速列车***安全评估步骤流程图。图中所示，首先对高速列车转向架***的功能结构特点，提取出转向架***中的33个部件(步骤1.1)。基于转向架***的物理结构关系，抽象出33个部件之间的作用关系(步骤1.2)。将部件抽象为节点，将部件之间的作用关系抽象为边，构建高速列车转向架***网络模型如图2所示。

从部件的结构角度，基于转向架网络模型，选取节点的功能属性度作为一个输入量(步骤1.3)；从部件的可靠性属性角度，结合高速列车运营故障数据，选取失效率λ_i、平均无故障时间(MTBF)作为输入量(步骤2.1，2.2)。针对高速列车转向架***中的同一个部件，分别计算其在不同运营公里下的λ_i、MTBF作为训练集。例如，节点14齿轮箱总成在列车运行至2450990公里时，其λ_14,1＝0.013502，MTBF_14,1＝150.2262。依据动车组一二级检修章程与故障数据记录，将高速列车***的安全等级划分为三级，即y＝1为安全、y＝5为较安全、y＝10为不安全：

以部件齿轮箱总成为例，选取齿轮箱总成的三个安全等级共90组输入量作为训练集，利用LIBSVM软件包进行SVM训练，计算结果的准确率仅为55.7778％。通过分析发现，高速列车的运行环境比较复杂，利用SVM进行分类时，经常出现无法分类的情况(如图3所示)，因此需要利用kNN进行二次判断。

计算齿轮箱总成影响***安全性的3个等级样本中心以及待测样本x(0.02746,0.01443,200.75)到3个安全等级的距离然后分步计算3个安全等级下的：i＝1,2,3

$s_i\left(x\right)=\frac{\max \left(d(x,c)\right)-d(x,c_i)}{\max \left(d(x,c)\right)-\min \left(d(x,c)\right)}---\left(4\right)$

${\mathrm{\μ}}_i\left(x\right)=1-\frac{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{u}_i\left(x^{\left(j\right)}\right)d(x,x^{\left(j\right)})}{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}d(x,x^{\left(j\right)})}---\left(5\right)$

最后计算三个安全等级的分类判别函数g_i(x)＝s_i(x)×μ_i(x)，得出测试样本(如图4所示)x(0.02746,0.01443,200.75)的最终分类结果为即安全等级。经过大量实验，得到部件齿轮箱总成利用kNN-SVM分类的准确率为96.6667％。针对高速列车转向架***中的每一个部件，分别建立训练集，通过实验对比发现，利用kNN-SVM分类方法显著提高了***安全评估的准确率，如表2所示。

表2两种方法比较

Claims (2)

1.一种基于复杂网络的高速列车***安全评估方法，其特征在于，包括下述步骤：

步骤一，根据高速列车物理结构关系，构建高速列车网络模型G(V,E)，

1.1.将高速列车***中的部件抽象为节点，即V＝{v₁,v₂,…,v_n}，其中V为节点集合，v_i为高速列车***中的节点，n为高速列车***中节点的个数；

1.2.部件与部件之间存在的物理连接关系抽象为连接边，即E＝{e₁₂,e₁₃,…,e_ij}，i,j≤n；其中E为连接边的集合，e_ij为节点i和节点j之间的连接边；

1.3.基于高速列车网络模型，计算节点的功能属性度值节点i的功能属性度为

${\tilde{d}}_i={\mathrm{\λ}}_i*k_i---\left(1\right)$

其中λ_i为节点i的失效率，k_i为复杂网络理论中节点i的度，即与该节点相连的边数；

步骤二，通过对高速列车运营故障数据分析，结合高速列车***的物理结构，提取部件的功能属性度值失效率λ_i、平均无故障时间MTBF作为训练样本集，对训练样本集进行归一化处理：

2.1.失效率λ_i的计算公式为

2.2.平均无故障时间MTBF由故障数据中记录的故障时间得出，即

2.3.利用支持向量机SVM对样本进行训练；

步骤三，利用kNN-SVM对样本进行安全等级划分；

3.1.对k个安全等级的训练样本进行两两分区，针对个SVM分类器，分别建立最优分类面，其表达式如下：

$f_{\mathrm{ij}}\left(x\right)=\mathrm{sgn}(\underset{t=1}{\overset{l}{\mathrm{\Σ}}}{a}_t{y}_{t}K(x_{\mathrm{ij}},x)+b_{\mathrm{ij}})---\left(2\right)$

其中，l为第i个安全等级和第j个安全等级的样本数，K(x_ij,x)为核函数，x为支持向量，a_t为SVM的权值系数，b_ij为偏移系数；

3.2.对于待测部件，分别组合上述两类分类器，并使用投票法，对部件所属的安全等级进行计票；得票最多的类，则为该部件所属安全等级；

3.3.由于高速列车***运行环境复杂，因此，利用SVM分类时容易出现无法分类的情况，因此定义基于加权kNN的判别函数，对部件重新进行安全等级划分，具体步骤如下：

训练集{x_i,y_i}，…，{x_n,y_n}中，共有l个安全等级即ca₁，ca₂，...，ca_l，第i个安全等级的样本中心为其中n_i为第i个安全等级的样本数，则部件x_j到第i个安全等级样本中心的欧式距离为

$d(x_j,o_i)=\sqrt{\underset{m=1}{\overset{3}{\mathrm{\Σ}}}{(x_{\mathrm{jm}}-c_{\mathrm{im}})}^2}---\left(3\right)$

式中：x_jm为测试样本中第j个样本点的第m个特征属性；c_im为第i类样本中心中第m个特征属性；

定义距离判别函数

$s_i\left(x\right)=\frac{\max \left(d(x,c)\right)-d(x,c_i)}{\max \left(d(x,c)\right)-\min \left(d(x,c)\right)}---\left(4\right)$

定义基于加权kNN的不同类别的样本紧密度为

${\mathrm{\μ}}_i\left(x\right)=1-\frac{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{u}_i\left(x^{\left(j\right)}\right)d(x,x^{\left(j\right)})}{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}d(x,x^{\left(j\right)})}---\left(5\right)$

其中：m为k个近邻的个数；u_i(x)为测试样本属于第i个训练数据的紧密度隶属度；u_i(x^(j))为第j个近邻属于第i个安全等级的隶属度，即 $u_i\left(x^{\left(j\right)}\right)=\left\{\begin{array}{c}1,x\∈{\mathrm{ca}}_i\\ 0,x\∉{\mathrm{ca}}_i\end{array}\right.;$

则样本点的分类判别函数为

d_i(x)＝s_i(x)×μ_i(x)         (6)

计算样本属于各个安全等级的紧密度d_i(x)，d_i(x)值最高的类别为样本点预测结果。

2.根据权利要求1所述一种基于复杂网络的高速列车***安全评估方法，其特征在于，依据动车组一二级检修章程与故障数据记录，所述高速列车安全性划分为如下等级：

即y＝1对应的安全等级1为安全，包含列车的运行状态为无影响、继续运行；y＝5对应的安全等级2是较安全，包含列车的运行状态为临修、碎修，晚点；y＝10对应的安全等级3是不安全，包含列车的运行状态为停运、未出库。