基于模糊粗糙集与决策树的轨道电路红光带故障定位方法

摘要

本发明公开了一种基于模糊粗糙集与决策树的轨道电路红光带故障定位方法。主要包括以下步骤：1)建立初始决策表；2)将连续型故障特征属性模糊离散化，建立模糊决策表；3)将故障样本训练数据输入后得到约简决策表；4)建立诊断决策树模型；5)将实测数据输入诊断决策树模型，计算得到故障诊断结果将实测数据输入诊断定位决策树模型，初步判断得到故障定位结果，再结合专家经验判断具体设备的故障并给出相应的故障维修建议。本发明无绝缘移频轨道电路红光带故障快速准确定位故障点，极大降低故障诊断的盲目性和复杂性，具有较好的规则解释性和较强的鲁棒性，提高故障定位速度和准确度，为轨道电路智能故障诊断提供一种新的故障定位技术手段。

说明书

技术领域

本发明关于铁路信号设备故障处理领域，涉及的是一种ZPW-2000A型无绝缘轨道电路故障诊断方法，具体地说是一种基于模糊粗糙集和决策树的ZPW-2000A型无绝缘移频轨道电路红光带故障智能定位方法。

技术背景

轨道电路是现代高速铁路信号系统的重要基础设备，用于监督轨道占用情况以及传递列车运行控制信息，保障列车运行安全，是电务部门的重点维护对象。目前，ZPW-2000A型无绝缘移频轨道电路以其抗干扰能力强、传输长度长、传输安全性高、易实现牵引回流等优点，被广泛应用于我国客运专线与高速铁路，并被确立为我国今后铁路移频自动闭塞系统的统一制式。

ZPW-2000A型无绝缘移频轨道电路主要由电气绝缘节、发送器、接收器、衰耗器、防雷组合、轨道继电器、传输电缆、匹配变压器等设备组成。在实际运行中，其组成复杂且易受不良环境影响，由于运输损耗、检修维护不良、环境变换恶劣等因素，导致设备系统出现各种故障。根据故障-安全原则，一般系统设备发生故障时，必须满足故障导向安全的要求，因此轨道电路空闲调整状态下的红光带异常故障是最常见的多发性故障，是影响行车安全的最主要故障之一。目前轨道电路故障处理一般采用传统故障诊断方法，即主要依靠维修人员经验结合现场状态进行故障诊断，要求维修人员必须掌握较深的相关专业知识与工作经验才能保证诊断具备一定的准确性。该方法过程繁琐、盲目性过高、诊断准确性较低、自动化和智能化水平较低。

近年来，一些先进的故障诊断理念与算法被尝试应用到轨道电路故障诊断中，其中针对ZPW-2000A型无绝缘移频轨道电路故障诊断的方法研究有：文献“基于遗传算法的无绝缘轨道电路故障综合诊断方法”(赵林海，冉义奎，穆建成，中国铁道科学，31(3)：107-113，2010)运用遗传算法对轨道电路中多个补偿电容故障及道砟电阻波动等情况作出综合诊断评价。文献“基于数据的轨道电路故障诊断的混合算法”(杨世武,魏学业，北京交通大学学报,36(2):40-46，2012)提出了一种基于神经网络的故障诊断网络对轨道电路进行故障诊断，解决了单独设计网络带来的运算量问题。文献“基于D-S证据理论信息融合的轨道电路故障诊断方法研究”(李娜,董海鹰，铁道科学与工程学报,9(6):107-112，2012)提出一种基于D-S数据信息融合的铁路信号设备故障诊断模型方法，提高了诊断结论的可信度。文献“ZPW-2000A轨道电路智能故障诊断算法应用研究”(刘琰琼，铁路通信信号工技术,01:29-32，2014)提出一种基于模糊推理的轨道电路智能故障诊断算法，对轨道电路模拟原件的短路、开路等硬故障有较好的效果。但由于轨道电路的故障征兆、故障模式与故障产生机理之间存在着复杂性与不确定性，仅靠单一诊断方法无法满足轨道电路故障诊断的要求。

发明内容

本发明的目的是提供一种基于模糊粗糙集和决策树的ZPW-2000A型无绝缘移频轨道电路红光带故障智能定位方法，该方法能在轨道电路发送红光带故障时进行智能故障诊断，快速定位故障点，极大降低故障诊断的盲目性和复杂性，提高故障诊断速度和准确度。

本发明实现其发明目的，所采用的技术方案为：

5.基于模糊粗糙集与决策树的轨道电路红光带故障定位方法，包含如下主要步骤：

6)首先根据ZPW-2000A型无绝缘轨道电路系统的设备组成特点，确定系统故障类型，再利用轨道电路监测信息确定系统故障特征属性，建立原始决策表；

7)将连续型故障特征属性模糊离散化，建立模糊决策表；

8)将故障样本训练数据输入到决策表中，利用粗糙集对条件属性进行约简，得到约简决策表；

9)利用决策树C4.5规则提取算法对约简决策表提取诊断规则，建立诊断决策树模型；

10)将实测数据输入诊断决策树模型，计算得到故障诊断结果将实测数据输入诊断定位决策树模型，初步判断得到故障定位结果。

进一步地，步骤1)中，首先通过分析系统设备组成及轨道电路监测信息，确立轨道电路系统故障诊断初始决策表；将其基础故障类型区分为发送端室内故障、室外故障和接收端室内、室外故障作为决策表的决策属性，然后以红光带故障现象为诊断定位对象，确立影响系统故障的特征属性作为决策表的条件属性。

进一步地，步骤2)中，采用模糊集理论对连续属性离散模糊化，根据专家经验确定各连续型条件属性模糊取值的聚类中心和隶属度函数，采用高斯正态分布的隶属度函数来描述模糊取值，计算决策表中各条件属性取值的隶属度，根据隶属度的大小分别用偏低(L)、偏高(H)和合适(N)三个语言变量来描述条件属性的模糊取值，方法如下：

设每个连续属性经过模糊化后得到3个模糊子集分别用3个模糊词H(偏高)、N(合适)、L(偏低)表达，第i个连续属性A_i的数值属于第j(j＝1,2,3)个模糊子集的隶属度采用高斯正态隶属度函数表达如式(1)。

${{\mu }_i}^j=e^{-{\left(\frac{U_i-d_{ij}}{\sigma }\right)}^2}---\left(1\right)$

其中σ＞0,d_ij∈R,d_ij是根据专家经验确定的条件属性的聚类中心，参数σ的取值根据具体情况进行设置。

设样本集为论域U＝{x₁,x₂,...,x_n}，模糊属性集是由一族模糊属性组成,决策属性由D＝{D₁,D₂,...,D_N}。每一个模糊属性可以将论域划分成p_i＝3个模糊(子集)等价类，即(i＝1,2,...,M)，其中为模糊条件属性的第j个模糊子集。则称由这样的论域与模糊属性集构成的信息系统为模糊决策表。

进一步地，步骤3)中，对模糊决策表进行属性约简，利用粗糙集可辨识矩阵概念进行约简的具体步骤如下：

令M是决策表的可辨识矩阵，A＝{a₁,a₂,...,a_n}是所有条件属性的集合，S是M中所有属性组合的集合，且S中不包含重复项，令S中包含有s个属性组合，每个属性组合表示为B_i，其公式化描述为B_i≠B_j(i,j＝1,2,...,s)，令Card(B_i)＝m，则B_i中每个条件属性表示为B_i,k(k＝1,2,...,m)，其中Card(·)表示集合的基数。例如矩阵中元素的属性组合数为1，表明除该属性以外的属性无法将决策不同的两条记录区分开，该属性不可去掉，它属于核属性，所有这样的属性组成核属性集，令C₀为核属性集，令C为属性约简后得到的属性集合。

1)将约简后的属性集合初始化为核属性集，即C＝C₀；

2)在可辨识矩阵中找出所有不包含核属性的属性组合，即

Q＝{B_i:B_i∩B_j≠φ,i＝1,2,...,s},S＝S-Q；

3)将属性组合S表示为合取范式的形式，即

P＝∧{∨B_i,k(i＝1,2,...,s；k＝1,2,...,m)}；

4)将P转化为析取范式，即

P＝∨{∧B_i,k(i＝1,2,...,s；k＝1,2,...,m)}。

进一步地，步骤4)中，根据属性约简结果，按得到的约简决策表，将故障样本数据输入约简决策表采用决策树规则提取算法提取规则，建立诊断定位决策树，构成故障定位系统模型。设整个样本数据集为S，定义m个不同类的类别集为{D₁,D₂,...,D_m}，设符号|E|为集合E的基数，则任意样本属于某类别D_i的概率P_i＝|D_i|/|S|。对数据集S进行分类所需要的初始信息熵为：

$I\left(\right|D_1|,|D_2|,\mathrm{...},|D_m\left|\right)=-\underset{i=1}{\overset{m}{\Sigma }}{P}_i{\log }_2\left(P_i\right)---\left(2\right)$

设描述属性A具有v个不同模糊取值，用描述属性A可将数据集S划分为v个子集{S₁,S₂,...,S_v}，其中S_j(j＝1,2,...,v)中的样本在属性A上具有相同的值。则根据描述属性A划分数据集S所得信息熵为：

$E\left(A\right)=\underset{j=1}{\overset{v}{\Sigma }}\frac{\left|S_j\right|}{\left|S\right|}I\left(\right|D_{1j}|,|D_{2j}|\mathrm{...},|D_{mj}\left|\right)---\left(3\right)$

$I\left(\right|D_{1j}|,|D_{2j}|,\mathrm{...},|D_{mj}\left|\right)=-\underset{i=1}{\overset{m}{\Sigma }}{p}_{ij}{\log }_2{p}_{ij}---\left(4\right)$

其中p_ij＝|D_ij|/|S_j|表示数据子集S_j中类别为D_i的样本所占的比例。E(A)越小表示该描述属性对数据集划分的纯度越高，由式(2)～(4)可以得到按属性A划分样本集S的信息增益：

Gain(A)＝I(|D₁|,|D₂|,...,|D_m|)-E(A)>

属性A的分割信息量为：

$Split\left(A\right)=-\underset{j=1}{\overset{v}{\Sigma }}\frac{\left|S_j\right|}{\left|S\right|}{\log }_2\frac{\left|S_j\right|}{\left|S\right|}---\left(6\right)$

由式(5)和(6)可得信息增益率的计算公式：

$Gain\_Ratio\left(A\right)=\frac{Gain\left(A\right)}{Split\left(A\right)}---\left(7\right)$

式(7)即为描述属性A划分数据集S的信息增益率。

进一步地，步骤4)中，采用决策树C4.5规则提取算法的具体步骤如下：

1)约简决策表属性集上计算条件属性的信息增益率，将信息增益率最大的属性加入队列X中；

2)将X中的属性作为决策树的测试属性节点，清空队列X。根据节点上条件属性的值进行分支,对每一分支进行分支测试，若某一分支中所有的样本都来自于同一个决策类别，则产生一个标有该类别名的叶节点。对于不符合属性分支测试的支路，选取一个分支转步骤1，直到树中所有分支都达到叶节点为止。

进一步地，步骤5)中，在确立系统故障诊断定位决策树模型之后，当ZPW-2000A型轨道电路发生红光带故障时，即可将实测现场相关故障诊断模型特征条件属性数据输入到模型中，计算得到故障诊断结果，初步快速定位故障点，然后根据得到的故障诊断规则，结合专家经验知识给出相应的故障诊断维修建议。

与现有的ZPW-2000A型轨道电路故障诊断技术相比，本发明的有益效果在于：

1)本发明利用微机监测信息建立初始决策表，结合模糊集构建模糊决策表，利用粗糙集可辨识矩阵概念对决策表进行属性约简，再以决策树C4.5算法对约简决策表进行规则提取，建立故障诊断定位决策树模型，建模过程避免了领域知识复杂的逻辑运算，使诊断模型的结构相对简单、复杂性低、得到的诊断规则简洁清晰、解释性强，提高了故障诊断的速度。

2)本发明是在决策树模型基础上构建的，既具备模糊逻辑处理能力，又具有强大的容错能力，在模型学习训练前使用粗糙集对不完备决策表进行属性约简，提高了诊断的鲁棒性和准确性。

3)本发明利用现有的铁路信号微机监测平台数据进行智能故障诊断，快速识别故障类型，及时定位故障点，操作人员无需掌握较深的相关专业知识与工作经验，减少人工故障检测排查的工作，避免了检测过程的盲目性与繁琐性，节省大量人力成本，解决了故障诊断费时费力、成本高、效率低等问题。

附图说明

图1为本发明方法分析流程框图。

图2为本发明方法实施例1的决策树规则提取详细流程图。

图3为本发明方法实施例1的ZPW-2000A型轨道电路系统设备构成图。

图4为本发明方法实施例1的决策树规则提取算法流程图。

图5为本发明方法实施例1的基于C4.5算法的诊断决策树图。

图6为本发明方法实施例1的基于约简集ID3算法的诊断决策树图。

图7为本发明方法实施例1的基于约简前集ID3算法的诊断决策树图。

图8为本发明方法实施例1的故障定位搜索流程图。

具体实施方式

下面结合附图和实施例对本发明进行详细说明。

参照图1，本发明的基于模糊粗糙集与决策树的ZPW-2000A型轨道电路红光带故障定位方法，可以分为两大部分：决策树规则提取与故障诊断部分，其主要流程包括：确定初始决策表，建立模糊决策表，属性约简建立约简决策表，决策树提取诊断规则，最后实测数据输入得出故障定位结果，并结合专家经验。

本发明的基于模糊粗糙集与决策树的ZPW-2000A型轨道电路红光带故障定位方法，按照以下具体步骤实施：

1)首先根据ZPW-2000A型无绝缘轨道电路系统的设备组成特点，确定系统故障类型，再利用轨道电路监测信息确定系统故障特征属性，建立原始决策表；

2)利用模糊集将连续型故障特征属性模糊离散化，建立模糊决策表；

3)将故障样本训练数据输入到决策表中，利用粗糙集对条件属性进行约简，得到约简决策表；

4)利用决策树C4.5规则提取算法对约简决策表提取诊断规则，建立诊断决策树模型；

5)将实测数据输入诊断定位决策树模型，初步判断得到故障定位结果，再结合专家经验判断具体设备的故障并给出相应的故障维修建议。

实施例

对ZPW-2000A型轨道电路的“红光带故障”进行诊断。

图3所示为ZPW-2000A型轨道电路系统设备构成图，其主要由发送器、接收器、衰耗器、防雷单元、电缆模拟网络、SPT电缆、补偿电容、匹配变压器、电气绝缘节中的调谐单元和空心线圈等设备组成。针对ZPW-2000A型轨道电路的“红光带故障”的诊断方案实施如下：

1)确定初始决策表：

首先如图3所示，从轨道电路系统设备级故障的角度，分析轨道电路区段红光带故障现象，各轨道电路区段的室内信号设备都是集合组装在对应的组合架上，只要定位出故障发生的大致位置就容易检测出导致故障发生的具体设备，从而能够及时检修。归纳如表1的故障模式分级表，其中Ⅰ级表示可观测到的宏观故障现象，Ⅱ级表示故障发生的大致位置，Ⅲ级表示系统的具体组成设备，因此，故障诊断决策表的决策属性选取故障位置集合如表1的Ⅱ级所列。

表1故障模式分级表

再结合专家经验以微机监测信息中的10个特征属性作为决策表的条件属性，得到红光带故障诊断决策表如下所示。

表2红光带故障诊断模型符号表示

2)模糊集构建模糊决策表：

用50条训练样本集和50条测试样本集两组共100条模拟故障数据进行验证，根据建立的初始决策表，输入轨道电路红光带故障样本数据如表3所示，利用模糊集对样本集的连续型属性离散模糊化构建模糊决策表如表4。

表3轨道电路红光带故障样本集

表4轨道电路红光带故障样本决策表

3)粗糙集属性约简：

根据粗糙集属性约简算法，对故障诊断样本集决策表进行属性约简，条件属性由10个约简到6个分别为A1:发送功出电压，A2:送端电缆侧电压，A3:受端电缆侧电压，A4:接收入口电压，A5:前方区段小轨状态，A6:轨道继电器电压,其中核属性集为{A₁,A₂,A₃,A₅}。本实施例以约简前样本集如表3和约简后属性{A₁,A₂,...,A₆}的样本集如表5所示为例，分别用ID3和C4.5算法来建立诊断定位决策树，并用测试数据输入构建好的决策树验证算法的诊断准确率及诊断速度等，并对比使用各方法之间的诊断效果差异。

表5约简决策表

4)根据属性约简结果得到的约简决策表，计算约简决策表的初始熵和各条件属性的信息增益(IG)及信息增益率(GR)，计算结果如表6所示，为进行诊断规则提取过程做准备。

表6初始熵和属性信息增益(率)值表

根据上表的计算结果，利用过程如图4的决策树规则提取算法，分别得到基于C4.5算法的诊断定位决策树如图5、基于约简集ID3算法的诊断定位决策树如图6和基于约简前集ID3算法的诊断定位决策树如图7，从而可以初步确定系统红光带故障定位规则。

5)根据上述设计分析过程的方法，最终训练确立得到故障定位规则库，将实测数据输入到故障定位规则库中，利用如图8的故障定位搜索方法快速判断得到故障诊断定位的结果。具体方法如下：

将实测数据模糊化处理成模糊决策表形式，再将实测数据的模糊决策表输入诊断定位决策树中判断诊断结果是否与设定故障位置相符并计算诊断定位的准确率，用设定的故障位置与经本例方法计算后得出的故障诊断定位结果对比，其中“-”表示该信息缺失。部分测试结果如表7，测试结果表明，用C4.5算法对约简决策表进行规则提取得到的诊断规则，进行轨道电路故障诊断的准确率高达98％，造成误差的主要原因是丢失关键属性信息，而当丢失的信息不是关键属性信息时，仍然能得到正确的诊断结果。

表7实测数据定位诊断表

用C4.5算法进行规则提取构建的决策树在正确率和诊断速度上都比ID3算法构造的诊断决策树效果要优，而规则提取前利用粗糙集进行属性约简比不约简情况下的规则提取速度要快一倍左右。

在得到初步定位的故障点后，再结合专家经验知识给出故障诊断维修建议，故障整体详细诊断流程如图8所示。

具体设备故障确定和诊断建议例如：在诊断出故障模式D2时，其中包含发送器故障、防雷单元故障和电缆模拟网络故障3个可能的设备故障，若发送功出电压低即可锁定设备故障源为发送器，给出故障诊断维修建议为：极可能为发送器内部的数字板、电源板、功放板或母板集成电路的滤波器、压敏电阻、线簧连接器故障，查看集中监测主机是否报警，解决方法为：更换发送器；若排除发送器故障，且测得“轨出1”电压和轨面电压过低则可能为电缆模拟网络故障，解决方法为：更换电缆模拟网络单元；若排除了前两个设备故障，则锁定故障设备为防雷单元，解决方法为：更换防雷单元。