高速铁路信号系统大数据规范化研究与运维决策支持

摘要

随着我国高速铁路的迅猛发展，高速铁路信号系统产生了海量的运营维护数据。高速铁路信号系统运营维护数据具有数据类型多、数据量大、增长速度快等典型的大数据特征。为利用大数据技术实现对高铁信号系统运营维护数据的分析和挖掘，需要对维护数据进行规范化处理。
　　数据规范化处理的方法很多，其中通过引入哲学领域本体的概念语义Web，能够有效地实现计算机之间语义信息的共享。语义Web体系架构由世界万维网联盟(World Wide Web Consortium，W3C)提出，主要包括三个部分:一是基于SPARQL的资源描述框架(Resource Description Framework，RDF)数据的查询，二是基于描述逻辑的Web本体描述语言(Web Ontology Language，OWL)一致性检测的推理，三是基于语义Web规则语言(Semantic Web Rule Language，SWRL)的OWL本体规则的推理。
　　本文在借鉴欧洲铁路运营维护数据处理经验的基础之上，利用语义Web技术并结合我国高铁运营维护数据的特点，针对高速铁路信号系统运营维护数据多源异构问题，提出了高铁信号系统异构数据融合和智能维护决策架构，并利用武汉-广州高速铁路2011～2012年的CRH-380A车载设备运营维护数据进行了验证。本文主要研究内容和研究成果包括以下三点:
　　(1)针对高速铁路信号系统运营维护数据的大数据特征，提出了基于Hadoop的多源异构数据融合和智能维护决策支持的统一架构，为数据规范化和智能维护决策提供了有效的支撑和指导。
　　(2)通过Hadoop的MapReduce实现本地数据库资源描述框架RDF(S))到全局RDF(S)的转换。转换过程利用基于霍尔逻辑的RDF(S)图的本体合并算法，实现了多源异构信息的融合。并通过本体建模工具Protégé4.3构建CRH380A高铁信号系统车载设备运营维护数据的本体模型。
　　(3)对经过处理得到的规范化数据，利用决策树经典的ID3算法并结合专家知识，构建了高铁信号系统的智能维护决策树(Decision Tree，DT)模型。并分别对基于霍尔逻辑的RDF(S)图的全局RDF(S)合并算法性能和故障诊断结果的准确性进行了分析对比，实验结果表明本文所提出的本体融合算法具有多项式级的计算复杂度，同时融合专家知识的智能维护DT决策模型的故障诊断准确率为95.23％。

目录

声明

致谢

摘要

1 引言

1．1 研究背景

1．2 研究问题和目标

1．3 论文研究内容

1．4 论文研究意义

1．5 论文组织结构

2 相关研究理论及研究现状综述

2．1 大数据

2．1．1 大数据概述

2．1．2 大数据的核心技术

2．1．3 大数据的常用软件

2．1．4 大数据应用现状

2．2 语义网

2．2．1 语义网概述

2．2．2 语义网体系结构

2．3 决策树

2．3．1 决策树概述

2．3．2 决策树ID3算法

2．4 本章小结

3 高速铁路信号系统运营维护数据分析

3．1 高速铁路信号系统运营维护数据现状分析

3．2 基于大数据技术的决策支持

3．2．1 高铁信号系统设备寿命分布模型

3．2．2 高铁信号系统设备病害／故障诊断

3．2．3 高铁信号系统设备安全风险源识别

3．2．4 高铁信号系统设备安全风险评估

3．2．5 高铁信号系统设备状态维修

3．3 本章小结

4 基于Hadoop的高铁信号系统运营维护数据融合与决策支持

4．1 关系数据库到RDF转换形式化定义

4．2 基于Hadoop的本体数据融合算法研究

4．3 框架体系架构

4．3．1 数据采集层

4．3．2 数据存储层

4．3．3 数据分析层

4．3．4 可视化层

4．3．5 标准规范体系

4．3．6 安全保障体系

4．4 本章小结

5 基于Hadoop的本体融合算法实现和运维决策支持系统开发

5．1 基于Hadoop平台的本体融合算法实现

5．1．1 Hadoop平台搭建

5．1．2 本体融合算法性能比较

5．2 运维决策支持系统开发框架与思路

5．3 运维决策支持系统开发所需要的软件支持

5．3．1 软件约束

5．3．2 硬件限制

5．4 运维决策支持系统的界面设计及功能实现

5．4．1 数据录入

5．4．2 本体知识库建立

5．4．3 故障诊断与决策

5．5 本章小结

6 结论与展望

6．1．1 研究工作总结

6．1．2 进一步研究展望

参考文献

图索引

表索引

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集