法律状态公告日
法律状态信息
法律状态
2023-03-03
未缴年费专利权终止 IPC(主分类):G05B23/02 专利号:ZL2016101431193 申请日:20160314 授权公告日:20190618
专利权的终止
2019-06-18
授权
授权
2016-07-13
实质审查的生效 IPC(主分类):G05B23/02 申请日:20160314
实质审查的生效
2016-06-15
公开
公开
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)数据监测系统,该系统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。数据监测系统实现了车载设 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)数据监测系统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,将列控车载系统故障信息表示为一个知识系 统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,POSC(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(POSC(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系统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 控车载系统进行故障诊断;
(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 控车载故障诊断系统,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是列控车载系统故障诊断流程图图;
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,并提取列控车载系统故障 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车载系统故障决策表
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。
将列控车载系统故障信息表示为一个知识系统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,POSC(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(POSC(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系统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 载系统进行故障诊断。
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 载故障诊断系统,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。
机译: 柴油机故障燃料喷射器的故障,一种用于车辆的诊断方法,涉及当测量压力和估计压力与预定值不同时诊断供应链故障
机译: 集成电路的时序故障修复装置,集成电路的时序故障诊断装置,集成电路的时序故障诊断方法,集成电路的时序,故障诊断方法,计算机可读记录的正确性,以及记录的数据是否正确中等记录后,用于集成电路的定时故障修复程序
机译: 后处理系统,即氮氧化物阱,一种用于机动车的故障诊断方法,包括记录估计信息数据的比例与阈值的比较结果,从而建立故障诊断。