CN105676842A - 一种高铁列控车载设备故障诊断方法 - Google Patents

Abstract

本发明涉及一种高铁列控车载设备的智能化故障诊断方法，其特征在于，所述方法包含如下几个主要步骤：第一步、高铁列控车载设备故障数据分析和特征提取；第二步、通过对故障决策表约简，提取出最小的决策信息表；第三步、建立贝叶斯故障诊断网络，进行故障诊断并提供应急决策支持。

Description

一种高铁列控车载设备故障诊断方法

技术领域

本发明属于轨道交通运行控制技术领域，涉及一种高铁列控车载设备的故障诊断方法。

背景技术

CTCS-3级列控车载设备是我国高速铁路重要技术装备，是保证高速列车运行安全、可靠、高效的关键技术设备之一。车载设备通过GSM-R、BTM、TCR接收来自地面的RBC、应答器、轨道电路数据。对列车行车许可、线路数据、列车接口、司机操作等信息综合处理，按照目标距离连续速度控制模式，生成最不利速度控制曲线。采取声光报警、切除牵引力、三级常用制动(弱、中、强)和紧急制动措施，监控列车运行，保证列车运行安全。

在现有技术中，对高铁车载设备的故障诊断与维护，现场使用的主要诊断措施有：

(1)人工检验，这是一种传统的诊断和维护方式，因其劳动强度大，诊断效率低下等原因，已越来越不适应现代化的发展要求。

(2)数据监测***，该***通过特定的数据采集装置实时采集车载设备的运行参数，并汇集到数据监测中心，设备维护人员综合分析采集到的数据来进行故障诊断和维护。数据监测***实现了车载设备的实时采集并具备一定的故障诊断能力，是当前电务部门日常维护和故障分析的重要手段。

发明内容

本发明的目的是为了解决上述问题，提供一种高铁列控车载设备故障诊断方法，解决了现有技术中存在的问题。

(1)传统的人工检验方法，劳动强度大，诊断效率低下等原因，已越来越不适应高铁列控车载设备的发展要求。

(2)数据监测***在实际应用中仍存在误诊率高、故障定位不精确的问题，同时其数据分析需要大量人工参与，这无疑给维护人员带来繁重的负担。

一种高铁列控车载设备的故障诊断方法，所述方法包含如下几个主要步骤：

第一步、高铁列控车载设备故障数据分析和特征提取；

第二步、通过对故障决策表约简，提取出最小的决策信息表；

第三步、建立贝叶斯故障诊断网络，进行故障诊断并提供应急决策支持。

所述第一步中，建立车载设备领域特征词库，所述特征词库包括，应答器、报文、错误、BTM、DMI、主机、通信中断、输出、停车、无线超时、紧急制动、C3转C2、A系、B系、A系、重启、B系、RBC、建立、连接、ATP、连接中断、地面设备、ATPCU、安全软件、常用制动、DMI黑屏、JRU故障、SDU故障、速度传感器故障、换系重启、制动测试不成功、MVB、C2CU、故障、C2、降级，CTCS-2，CTCS-3，等级转换、失败、冒进、硬件、核心代码、制动旁路、A/B代码、不一致、初始化、安全、软件、移交区、C3。

以特征词库为依据，对车载设备故障记录进行故障特征提取，采用量化后的属性值形成一张二维表格，每一行描述一个对象，每一列描述对象的一个属性，包括条件属性和决策属性，构建故障决策表。

所述第二步直接通过分词得到的故障决策表存在决策信息冗余、决策属性冲突的缺点，将列控车载***故障信息表示为一个知识***U，其中C代表条件属性，D代表决策属性，R表示为U上的等价关系，POS_C(D)代表正域，则属性依赖度和属性重要度公式分别如式一和式二所示：

V(C,D)＝card(POS_C(D)/card(U)式一

SIG(a,R,D)＝V(R∪{a},D)-V(R,D)式二

在R中增加一个属性a∈C-R后互信息的增量为：

ΔI＝I(U∪{a},D)-I(R,D)＝(H(D)-H(D|R∪{a}))-(H(D)-H(D|R))＝H(D|R)-H(D|R∪{a})

其中，I(R,D)为R与D的互信息，H(D|R)为已知R时,D的条件熵；因此，任意属性a∈C-R的重要度可以定义为：

SIG(a,R,D)＝H(D|R)-H(D|R∪{a})式三

由于0≤V(R,D)≤1并且0≤H(D|R)≤1bn，可以对H(D|R)与V(R,D)进行转换，则H(D|R)＝1-V(R,D)+1bn，对列控车载故障属性重要度算法进行加权平均值的构造，则加权平均值的属性重要度表示为：

SIG(a,R,D)＝k(V(R∪{a},D)-V(R,D))+(1-k)(H(D|R)-H(D|R∪{a}))式四

SIG(a,R,D)＝V(R∪{a},D)+kV(R,D)式五

通过实验计算，k＝0.96时，最接近实际情况；

通过上述计算，把属性依赖度作为主要决策标准，采用加权平均值的方法计算列控车载***故障决策表的各属性重要度，对其进行属性约简。

以约简后的决策表为对象，根据其故障表现，故障类型及故障原因建立贝叶斯网络模型，第一层为故障表现层，表现层基于车载设备领域特征词库构建，实现故障特征的表达，完成车载设备可采集故障状态中故障特征的提取工作；第二层为故障类型层，故障分类层实现故障特征到故障类型的映射；第三层为故障原因层，将具体故障种类型和可能的故障原因对应起来，利用贝叶斯网络学习和推理，将故障直接定位到部件或代码失效；第四层为决策层，将具体故障原因与外界因素相结合，找出最有效的应急决策方法。

具体故障诊断算法如下：

(1)构造故障表现层，将车载设备的具体故障现象和车载设备故障特征词库中的特征词相对应；

(2)根据车载设备故障分类表，建立故障类型节点，并以故障决策表为依据，构建故障类型和故障特征的对应关系；

(3)通过改进的贝叶斯结构学习法(K2与MCMC算法相结合)与领域知识结合构造贝叶斯网络；

(4)利用故障数据样本，通过对贝叶斯网络进行参数学习，得到用于诊断的贝叶斯网络模型；

(5)利用贝叶斯网络的结构及CPT，根据贝叶斯网络推理对列控车载***进行故障诊断；

(6)将诊断结果与应急条件结合，加入环境元素、通信状态、发生时间、供电状态以及救援装备节点，建立具有应急决策功能的列控车载故障诊断***，利用其进行决策推理。

有益效果

本发明针对高铁车载设备的故障诊断，提出了一种智能化的故障诊断方法，利用车载设备的先验故障知识，通过降维进行故障属性约简，并构造了一种三层贝叶斯诊断网络，解决了现有单层贝叶斯网络故障诊断方法中容错性差、效率偏低的问题。

1、蕴含领域特征的高铁列控车载设备特征词库的构建，由于高铁列控车载设备的故障记录是文本的形式，建立高铁车载设备独有的词库，对追踪表进行特征提取；

2、加权平均值的属性重要度计算方法，解决了不相容的决策表不产生完全依赖关系的问题，以及单独运用基于属性依赖度的属性约简方法导致约简结果误差较大的问题，对列控车载故障信息进行属性约简，降低了故障决策表的维数；

3、具有决策支持的列控车载设备贝叶斯诊断网络，包含故障现象层、故障类型层和故障原因层以及应急决策层的高铁列控车载设备贝叶斯故障诊断网络结构，结合外界因素为应急救援提供决策支持。

附图说明

图1是列控车载***故障诊断流程图图；

图2是多层贝叶斯网络故障诊断图。

具体实施方式

实施例1

本发明利用车载设备的先验故障知识，并提取列控车载***故障特征，建立故障决策表，使用约简算法进行属性约简，减少决策表中的属性个数，进而降低贝叶斯网络建模和推理的复杂度。建立贝叶斯网络模型，利用贝叶斯网络模型进行诊断推理。本发明包含如下几个关键步骤：

第一、高铁列控车载设备故障数据分析和特征提取

建立车载设备领域特征词库。特征词库如下：

{应答器、报文、错误、BTM、DMI、主机、通信中断、输出、停车、无线超时、紧急制动、C3转C2、A系、B系、A系、重启、B系、RBC、建立、连接、ATP、连接中断、地面设备、ATPCU、安全软件、常用制动、DMI黑屏、JRU故障、SDU故障、速度传感器故障、换系重启、制动测试不成功、MVB、C2CU、故障、C2、降级，CTCS-2，CTCS-3，等级转换、失败、冒进、硬件、核心代码、制动旁路、A/B代码、不一致、初始化、安全、软件、移交区、C3等}

以特征词库为依据，对车载设备故障记录进行故障特征提取。采用量化后的属性值形成一张二维表格，每一行描述一个对象，每一列描述对象的一个属性，包括条件属性和决策属性。构建故障决策表。

以高铁车载设备为例，对故障案例特征进行决策表构建。其中决策属性代表了故障类型，a1～a60代表条件属性，1代表发生，0表示不发生，其中，列控车载设备故障信息都可以用决策表表示出来。

表1车载***故障决策表

第二：通过对故障决策表约简，提取出最小的决策信息表。

直接通过分词得到的故障决策表存在决策信息冗余、决策属性冲突等缺点。本发明根据先验的故障分类信息，将故障决策表进行降维，完成故障属性约简。

将列控车载***故障信息表示为一个知识***U，其中C代表条件属性，D代表决策属性，R表示为U上的等价关系，POS_C(D)代表正域，则属性依赖度和属性重要度公式分别如①和②所示：

V(C,D)＝card(POS_C(D)/card(U)①

SIG(a,R,D)＝V(R∪{a},D)-V(R,D)②

在R中增加一个属性a∈C-R后互信息的增量为：

ΔI＝I(U∪{a},D)-I(R,D)＝(H(D)-H(D|R∪{a}))-(H(D)-H(D|R))＝H(D|R)-H(D|R∪{a})

其中，I(R,D)为R与D的互信息，H(D|R)为已知R时,D的条件熵。因此，任意属性a∈C-R的重要度可以定义为：

SIG(a,R,D)＝H(D|R)-H(D|R∪{a})③

由于0≤V(R,D)≤1并且0≤H(D|R)≤1bn，可以对H(D|R)与V(R,D)进行转换，则H(D|R)＝1-V(R,D)+1bn，对列控车载故障属性重要度算法进行加权平均值的构造，则加权平均值的属性重要度表示为：

SIG(a,R,D)＝k(V(R∪{a},D)-V(R,D))+(1-k)(H(D|R)-H(D|R∪{a}))④

SIG(a,R,D)＝V(R∪{a},D)+kV(R,D)⑤

通过实验计算，k＝0.96时，最接近实际情况。

通过上述方法，把属性依赖度作为主要决策标准，采用加权平均值的方法计算列控车载***故障决策表的各属性重要度，对其进行属性约简。

第三：建立贝叶斯故障诊断网络，进行故障诊断并提供应急决策支持。

以约简后的决策表为对象，根据其故障表现，故障类型及故障原因建立贝叶斯网络模型。第一层为故障表现层：表现层基于车载设备领域特征词库构建，实现故障特征的表达，完成车载设备可采集故障状态中故障特征的提取工作；第二层为故障类型层，故障分类层实现故障特征到故障类型的映射；第三层为故障原因层，将具体故障种类型和可能的故障原因对应起来，利用贝叶斯网络学习和推理，将故障直接定位到部件或代码失效；第四层为决策层，将具体故障原因与外界因素相结合，找出最有效的应急决策方法。具体算法如下：

①构造故障表现层，将车载设备的具体故障现象和车载设备故障特征词库中的特征词相对应。

②根据车载设备故障分类表，建立故障类型节点，并以故障决策表为依据，构建故障类型和故障特征的对应关系。

③通过改进的贝叶斯结构学习法(K2与MCMC算法相结合)与领域知识结合构造贝叶斯网络。

④利用故障数据样本，通过对贝叶斯网络进行参数学习，得到用于诊断的贝叶斯网络模型。

⑤利用贝叶斯网络的结构及CPT，根据贝叶斯网络推理对列控车载***进行故障诊断。

⑥将诊断结果与应急条件结合，加入环境元素、通信状态、发生时间、供电状态以及救援装备节点，建立具有应急决策功能的列控车载故障诊断***，利用其进行决策推理。

本发明的技术关键点在于：

1、蕴含领域特征的高铁列控车载设备特征词库的构建，由于高铁列控车载设备的故障记录是文本的形式，建立高铁车载设备独有的词库，对追踪表进行特征提取；

2、加权平均值的属性重要度计算方法，解决了不相容的决策表不产生完全依赖关系的问题，以及单独运用基于属性依赖度的属性约简方法导致约简结果误差较大的问题，对列控车载故障信息进行属性约简，降低了故障决策表的维数；

3、具有决策支持的列控车载设备贝叶斯诊断网络，包含故障现象层、故障类型层和故障原因层以及应急决策层的高铁列控车载设备贝叶斯故障诊断网络结构，结合外界因素为应急救援提供决策支持。

最后应说明的是：显然，上述实施例仅仅是为清楚地说明本发明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。

Claims (6)

1.一种高铁列控车载设备的故障诊断方法，其特征在于，所述方法包含如下几个主要步骤：

第一步、建立高铁列控车载设备故障数据分析和特征提取；

第二步、通过对故障决策表约简，提取出最小的决策信息表；

第三步、建立贝叶斯故障诊断网络，进行故障诊断并提供应急决策支持。

2.根据权利要求1所述的故障诊断方法，其特征在于：所述第一步中，所述故障数据分析和特征提取是指，建立车载设备领域特征词库，所述特征词库包括，应答器、报文、错误、BTM、DMI、主机、通信中断、输出、停车、无线超时、紧急制动、C3转C2、A系、B系、A系、重启、B系、RBC、建立、连接、ATP、连接中断、地面设备、ATPCU、安全软件、常用制动、DMI黑屏、JRU故障、SDU故障、速度传感器故障、换系重启、制动测试不成功、MVB、C2CU、故障、C2、降级，CTCS-2，CTCS-3，等级转换、失败、冒进、硬件、核心代码、制动旁路、A/B代码、不一致、初始化、安全、软件、移交区和C3。

3.根据权利要求2所述的故障诊断方法，其特征在于：以特征词库为依据，对车载设备故障记录进行故障特征提取，采用量化后的属性值形成一张二维表格，每一行描述一个对象，每一列描述对象的一个属性，包括条件属性和决策属性，构建故障决策表。

4.根据权利要求1所述的故障诊断方法，其特征在于：所述第二步直接通过分词得到的故障决策表存在决策信息冗余、决策属性冲突的缺点，将列控车载***故障信息表示为一个知识***U，其中C代表条件属性，D代表决策属性，R表示为U上的等价关系，POS_C(D)代表正域，则属性依赖度和属性重要度公式分别如式一和式二所示：

V(C,D)＝card(POS_C(D)/card(U)式一

SIG(a,R,D)＝V(R∪{a},D)-V(R,D)式二

在R中增加一个属性a∈C-R后互信息的增量为：

ΔI＝I(U∪{a},D)-I(R,D)＝(H(D)-H(D|R∪{a}))-(H(D)-H(D|R))＝H(D|R)-H(D|R∪{a})

其中，I(R,D)为R与D的互信息，H(D|R)为已知R时,D的条件熵；因此，任意属性a∈C-R的重要度可以定义为：

SIG(a,R,D)＝H(D|R)-H(D|R∪{a})式三

由于0≤V(R,D)≤1并且0≤H(D|R)≤1bn，可以对H(D|R)与V(R,D)进行转换，则H(D|R)＝1-V(R,D)+1bn，对列控车载故障属性重要度算法进行加权平均值的构造，则加权平均值的属性重要度表示为：

SIG(a,R,D)＝k(V(R∪{a},D)-V(R,D))+(1-k)(H(D|R)-H(D|R∪{a}))式四

SIG(a,R,D)＝V(R∪{a},D)+kV(R,D)式五

通过实验计算，k＝0.96时，最接近实际情况；

通过上述计算，把属性依赖度作为主要决策标准，采用加权平均值的方法计算列控车载***故障决策表的各属性重要度，对其进行属性约简。

5.根据权利要求4所述的故障诊断方法，其特征在于：以约简后的决策表为对象，根据其故障表现，故障类型及故障原因建立贝叶斯网络模型，第一层为故障表现层，表现层基于车载设备领域特征词库构建，实现故障特征的表达，完成车载设备可采集故障状态中故障特征的提取工作；第二层为故障类型层，故障分类层实现故障特征到故障类型的映射；第三层为故障原因层，将具体故障种类型和可能的故障原因对应起来，利用贝叶斯网络学习和推理，将故障直接定位到部件或代码失效；第四层为决策层，将具体故障原因与外界因素相结合，找出最有效的应急决策方法。

6.根据权利要求5所述的故障诊断方法，其特征在于：具体故障诊断算法如下：

(1)构造故障表现层，将车载设备的具体故障现象和车载设备故障特征词库中的特征词相对应；

(2)根据车载设备故障分类表，建立故障类型节点，并以故障决策表为依据，构建故障类型和故障特征的对应关系；

(3)通过改进的贝叶斯结构学习法(K2与MCMC算法相结合)与领域知识结合构造贝叶斯网络；

(4)利用故障数据样本，通过对贝叶斯网络进行参数学习，得到用于诊断的贝叶斯网络模型；

(5)利用贝叶斯网络的结构及CPT，根据贝叶斯网络推理对列控车载***进行故障诊断；

(6)将诊断结果与应急条件结合，加入环境元素、通信状态、发生时间、供电状态以及救援装备节点，建立具有应急决策功能的列控车载故障诊断***，利用其进行决策推理。