基于数据对比分析的轨道交通实时故障诊断方法和系统

摘要

本发明涉及一种基于数据对比分析的轨道交通实时故障诊断方法和系统。该方法包括：1)采集轨道交通信号设备的历史监测数据和实时监测数据；2)根据历史监测数据的参数之间的关联关系，得到正常状态和故障状态的对比分析模型；3)根据故障状态的对比分析模型，通过分类器训练生成故障的分类模型；4)对于实时监测数据，通过对比分析模型判断设备运行的正常状态或异常状态，如果处于异常状态则进行故障报警；5)对于异常状态的数据，通过故障分类模型进行故障的诊断和分类，并输出故障诊断结果。本发明能够通过分类及对比分析方法对设备的故障进行诊断，有效解决人工诊断铁路信号系统故障时工作量大、效率低下、风险性高等问题。

说明书

技术领域

本发明属于轨道交通信息技术领域，具体涉及一种基于数据对比分析的轨道交通实时故 障诊断方法和系统。

背景技术

为了提高我国铁路信号系统设备的现代化维修水平，从90年代开始，我国先后自主研制 了TJWX-I型和TJWX-2000型等不断升级中的信号集中监测CSM系统。目前大部分车站都 采用了计算机监测系统，实现了对车站信号设备状态的实时监测，并通过监测与记录信号设 备的主要运行状态，为电务部门掌握设备的当前状态和进行事故分析提供了基本依据，发挥 了重要作用。并且，对城市轨道交通信号设备，集中监测CSM系统也被广泛部署在城轨集中 站/车辆段等处，供城轨运维使用。

但是，针对很多复杂设备故障和行车事故原因的诊断方面，该系统却无能为力，目前仍 需依靠人工经验分析判断，很多情况下只有在出现重大问题时才发现故障，不仅导致了人工 诊断铁路信号系统故障时工作量大、故障监测与诊断效率低下等技术问题，还增加了行车的 危险。

发明内容

为了解决现有技术中人工诊断铁路信号系统故障时工作量大、效率低下、风险性高等技 术问题，本发明提供一种基于数据对比分析的轨道交通监测数据实时分析和故障诊断方法 和系统。

本发明采用的技术方案如下：

一种基于数据对比分析的轨道交通实时故障诊断方法，其步骤包括：

1)采集轨道交通信号设备的历史监测数据和实时监测数据，所述历史监测数据包括正常 状态的数据和故障状态的数据；

2)根据历史监测数据的参数之间的关联关系，得到正常状态的对比分析模型和故障状态 的对比分析模型，所述对比分析模型通过判断监测参数之间是否满足特定的关系来判断设备 运行的正常状态或异常状态；

3)根据故障状态的对比分析模型，通过分类器训练生成故障的分类模型，所述故障分类 模型通过监测参数之间的关系来判断设备的运行故障类别；

4)对于当前环境条件下的实时监测数据，通过步骤2)得到的对比分析模型判断设备运 行的正常状态或异常状态，如果处于异常状态则进行故障报警；

5)对于异常状态的数据，通过步骤3)得到的故障分类模型进行故障的诊断和分类，并 输出故障诊断结果。

一种采用上述方法的基于数据对比分析的轨道交通实时故障诊断系统，其包括：

数据采集接口，用于采集轨道交通信号设备的历史监测数据和实时监测数据；

历史数据库，用于存储历史监测数据，包括正常状态的数据和故障状态的数据；

实时数据库，用于存储实时监测数据；

知识库，用于建立并存储监测参数之间的对比分析模型和故障分类模型；

数据预警模块，用于采用知识库中的对比分析模型判断设备运行的正常状态或异常状态， 如果处于异常状态则进行故障报警；

故障诊断模块，用于采用知识库中的故障分类模型对异常状态的数据进行分类，输出故 障诊断结果。

本发明提供了一种基于数据对比分析的轨道交通实时数据分析和故障诊断方案，可以 在监测参数有微小变化的情况下对设备故障进行实时预警，并且可以通过自动学习方法来对 对比分析模型进行学习，自动筛选重要度高的对比分析模型。同时能够通过分类方法对设备 的故障进行诊断，能够有效解决现有技术中人工诊断铁路信号系统故障时工作量大、效率低 下、风险性高等问题。

附图说明

图1是基于数据对比分析的轨道交通信号设备实时故障诊断系统的结构示意图。

图2是基于数据对比分析的轨道交通信号设备实时故障诊断方法的步骤流程图。

图3是线路方向数据的对比分析故障诊断模型示意图。

图4是CTC和列控中心的临时限速状态数据的对比分析故障诊断模型示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面通过具体实施例和附图， 对本发明做进一步说明。

图1是本发明的基于数据对比分析的轨道交通监测数据实时分析及故障诊断系统的结构 示意图。该系统由历史数据库、实时数据库、知识库、数据采集接口、数据预警模块和故障 诊断模块组成，其中：

数据采集接口：用于接收数据采集系统(CSM系统)采集的的轨道交通信号设备的历史 监测数据和实时监测数据；

历史数据库：用于存储历史监测数据，包括正常数据和故障数据；

实时数据库：用于存储实时监测数据；

知识库：用于建立并存储监测参数之间的对比分析模型和故障分类模型；

数据预警模块：用于采用知识库中的对比分析模型判断设备运行的正常状态或异常状态， 如果处于异常状态则进行故障报警；

故障诊断模块：用于采用知识库中的故障分类模型对异常状态的数据进行分类，输出故 障诊断结果。

图2是采用上述系统的基于数据对比分析的轨道交通信号设备实时故障诊断方法的步骤 流程图。对其具体说明如下：

1.采集轨道交通信号设备的监测数据

该步骤采用铁路设备既有的数据采集系统即CSM系统对轨道交通信号设备进行数据采 集，轨道交通信号设备包括电源屏、道岔、转辙机等设备。采集的监测数据包括历史数据和 实时数据。历史数据是指存储在数据库中的以前采集到的监测数据，这些数据用来记录设备 过去工作的各种状态。实时数据是指当前数据采集系统所采集到的监测数据，这些数据用来 对设备当前的工作状态进行判断。

2.对采集的数据进行预处理

进行预处理的目的是为了对待分析的数据进行处理，生成适合于分析的数据，预处理包 括：

(1)数据选择：选择合适的数据源，从数据中提取与分析任务相关的数据；

(2)数据清理和集成：清除噪声数据、非可用数据，将原始数据规范化、标准化并将多 个数据源组合在一起；

(3)数据转换：以合适的方式组织数据，将数据类型转换为可应用的类型，定义新的数 据属性，减小数据维数和尺寸。

3.利用预处理后的数据建立监测参数之间的关联关系

本发明适用于所有的监测参数，如信号机状态、线路运行方向等。监测参数是以一定采 样间隔为时间轴的模拟量或开关量数据，蕴涵了设备运行中的电气特性和机械特性。本发明 中的数据对比是将设备中两种应该相同或者有一定关联关系的数据进行对比，以判断设备的 状态是否异常的方法。因为设备监测参数之间的可能的关联关系很多，因此，需要对这些关 联关系进行筛选。这里采用关联规则挖掘方法确定参数之间的关联关系。

关联规则是指两种或多种参数之间具有某种固定的关系，这种关系不随时间的变化而变 化。本发明首先从参数集合中找出频繁项目集；然后从频繁项目集合中生成满足最低置信度 的关联规则。

1)从参数集合中找出频繁项目集

根据支持度＝(X,Y).count/T.count，置信度＝(X,Y).count/X.count，其中X、Y表示设备的监 测参数，(X,Y).count表示X和Y参数同时出现的次数，X.count表示X参数出现的次数，T.count 表示所有规则的总数。要想找出满足条件的关联规则，首先必须找出这样的集合F＝X∪Y， 它满足F.count/T.count≥minsup，其中minsup表示最小支持度，F.count是T中包含F的事 务的个数；然后再从F中找出这样的蕴含式X—>Y，它满足(X,Y).count/X.count≥minconf， minconf表示最小置信度，并且X＝F-Y。我们称像F这样的集合称为频繁项目集，假如F中 的元素个数为k，称这样的频繁项目集为k-频繁项目集，它是项目集合I的子集。

2)从频繁项目集合中生成满足最低置信度的关联规则

遍历所有的频繁项目集，然后从每个项目集中依次取1、2、...k个元素作为后件，该项 目集中的其他元素作为前件，计算该规则的置信度进行筛选即可。这样的穷举效率显然很低。 假如对于一个频繁项目集F，可以生成下面这样的关联规则：

(F-β)—>β

那么这条规则的置信度＝F.count/(F-β).count

根据这个置信度计算公式可知，对于一个频繁项目集，F.count是不变的，而假设该规则 是强关联规则，则(F-βsub)—>βsub也是强关联规则，其中βsub是β的子集，因为(F- βsub).count肯定小于(F-β).count。即给定一个频繁项目集F，如果一条强关联规则的后件为 β，那么以β的非空子集为后件的关联规则都是强关联规则。所以可以先生成所有的1-后件 (后件只有一项)强关联规则，然后再生成2-后件强关联规则，依次类推，直至生成所有的 强关联规则。

4.计算关联参数的对比分析规则，形成对比分析模型

对比分析模型由对比分析规则构成，对比分析规则是指判断两个或多个参数之间是否满 足特定关系(比如相等关系或线性关系)的规则，通过该规则是否被满足，来判断当前设备 的状态：正常状态与异常状态。

1)对于正常状态的历史数据，根据步骤3计算得到的参数之间的关联关系，从中筛选出 满足预先指定的关系的参数之间的判断规则，作为对比分析规则，由这些对比分析规则构成 正常状态的对比分析模型。这里为了计算上的简单，所述预先指定的关系为相等关系或线性 关系。

2)对于故障状态的历史数据，采用同样方法得到对比分析规则，进而由这些对比分析规 则构成故障状态的对比分析模型。

3)将生成的正常状态的对比分析模型和故障状态的对比分析模型存入知识库。

5.进行分类器训练，形成故障分类模型

由故障状态下的对比分析模型，根据决策树算法，进行分类器训练，进而生成故障的分 类模型。将故障分类模型存入知识库，用于进行对实时监测数据的故障诊断及分类。

6.故障的检测和诊断

这里分成两个部分：数据预警和故障诊断，即图1中的数据预警模块和故障诊断模块。 数据预警是通过上面步骤4得到的对比分析模型(正常状态的对比分析模型和故障状态的对 比分析模型)来判断设备的状态，即处于正常状态还是故障状态；如果是故障状态，则进一 步通过步骤5得到的故障的分类模型对该故障状态进行分类，并输出故障诊断结果。

1)数据预警

在数据预警阶段，对实时监测数据进行数据预警，判断出当前的数据正常数据和异常数 据，以此得到设备的运行状态，并对于异常数据给出报警提示。采用的数据预警算法具体可 包括如下步骤：

①根据历史数据，得到监测参数的正常状态的对比分析模型和故障状态的对比分析模型；

②对于实时的监测数据，采用对比分析模型中的对比分析规则计算该实时的监测数据与 正常数据的差异程度；

③与事先设定的阈值进行比较(即图1左侧的参数判别)，如果超出阈值，则进行报警。

2)故障诊断

在故障诊断阶段，采用故障诊断算法进行故障诊断。该故障诊断算法具体可包括如下步 骤：

①根据历史数据，得到故障诊断的故障的分类模型；

②计算报警数据的对比分析规则，进而通过故障的分类模型对异常数据进行分类，输出 故障诊断结果。

图1中右侧的故障诊断模块示意了故障诊断的过程，具体实施时可以包括特征提取、诊 断推理、模式匹配、解释决策等步骤。其中，特征提取是指对历史数据进行处理，得到表示 设备状态的参数；诊断推理是指利用提取的信号特征，采用故障诊断模型进行推理，得到故 障的类别；模式匹配是指将故障数据同数据对比分析模式进行对比，判断数据的状态；解释 决策是指对故障原因进行解释，给出故障的解决对策。

下面举出具体的应用实例，以进一步说明上述方法。

实例1：

本实例对某CSM监测的线路方向数据进行数据处理。

采集列控中心的线路方向信息的数据，输入的数据为：

1)本站列控中心发送的线路方向信息；

2)相邻车站列控中心发送的线路方向信息。

对于采集到的数据，首先建立数据之间的关联关系，为：

①一接一发-〉正常

②一发一接-〉正常

③两站均为发-〉异常

④两站均为收-〉异常

⑤方向无效-〉异常

然后建立正常状态和异常状态的对比分析模型为：

正常状态：一接一发、一发一接

异常状态：两站均为发、两站均为收、方向无效

进一步可以得到如图3所示的故障分类模型。即

两站均为发-〉严重错误

两站均为收-〉方向错误

方向无效-〉方向丢失

应用上述对比分析模型和故障分类模型，即可实现数据预警和故障诊断。

实例2：

本实例对某CTC(列车调度集中指挥控制系统)和列控中心临时限速状态的一致性进行 对比。

首先采集CTC和列控中心的临时限速状态数据，输入的数据为：

1)CTC临时限速状态；

2)列控中心临时限速状态。

对于采集到的数据，首先建立数据之间的关联关系，为：

①列控中心临时限速状态多于CTC-〉异常

②列控中心临时限速状态等于CTC-〉正常

③列控中心临时限速状态小于CTC-〉异常

然后建立正常状态和异常状态的对比分析模型为：

正常状态：列控中心临时限速状态等于CTC

异常状态：列控中心临时限速状态多于CTC、列控中心临时限速状态小于CTC

进一步可以得到如图4所示的故障分类模型。即：

列控中心临时限速状态小于CTC-〉列控中心丢失临时限速

列控中心临时限速状态多于CTC-〉列控中心存在多余的临时限速

应用上述对比分析模型和故障分类模型，即可实现数据预警和故障诊断。

以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可 以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保 护范围应以权利要求书所述为准。