铁路货车故障诊断方法、装置及设备

摘要

本发明实施例提供一种铁路货车故障诊断方法、装置及设备，该方法包括：从外部系统中获取铁路货车历史维修数据，铁路货车历史维修数据包括故障模式数据、货车运行数据和故障原因数据；采用Apriori算法对故障模式数据集进行搜索，形成铁路货车故障模式频繁项集；基于遗传算法对铁路货车历史维修数据和铁路货车故障模式频繁项集进行编码，得到初始群体；对初始群体依次进行选择操作、交叉操作和变异操作，得到用于货车故障诊断的关联规则集合。提高了铁路货车故障诊断的效率和准确性，为铁路货车建立了一套高效准确的故障诊断模式，可以快速准确地发现故障并进行诊断，为铁路货运安全提供保障。

说明书

技术领域

本发明实施例涉及铁路货运技术领域，具体涉及一种铁路货车故障诊断方法、装置及设备。

背景技术

重载高速是我国铁路货运的主要发展方向，已取得了长足的发展。然而随着铁路货车运行速度的不断提升以及承重的不断增加，铁路货车的故障发生几率也逐步增加，进而会对铁路货车的行车安全、铁路运输的品质和效率等产生不良影响，因此对于铁路货车车辆的安全、运用和检修等方面都提出了更高的要求。铁路货车运用维修工作是确保铁路运输安全和畅通的重要环节，是铁路运输的重要组成部分。

目前在铁路货车运用维修工作中常采用人工检测的故障诊断方式，通过延长铁路货车运行安全保障区段，通过站修、段修和厂修这种阶段性、定期检修过程，按照检修规则完成全部步骤环节来实现铁路货车的故障诊断。然而随着铁路货运技术和实际需求的提升，铁路大面积提速，重载运输技术更迭，铁路货车的运输能力不断提高，同时在铁路货车系统智能化和性能大幅度提升的需求下，铁路货车的部件也变得更加复杂，使得铁路货车故障诊断难度提升。在有限的技检作业时间内完成对铁路货车的故障诊断，对铁路货车的在线修作业场的技术作业手段和作业能力均提出了更高的要求，现有人工检测的故障诊断方式已经无法满足当今高效率的铁路运输需求。

发明内容

本发明实施例提供一种铁路货车故障诊断方法、装置及设备，用以解决现有人工检测的故障诊断方式效率低的问题。

第一方面，本发明实施例提供一种铁路货车故障诊断方法，包括：

从外部系统中获取铁路货车历史维修数据，铁路货车历史维修数据包括故障模式数据、货车运行数据和故障原因数据；

采用Apriori算法对故障模式数据集进行搜索，形成铁路货车故障模式频繁项集；

基于遗传算法对铁路货车历史维修数据和铁路货车故障模式频繁项集进行编码，得到初始群体；

对初始群体依次进行选择操作、交叉操作和变异操作，得到用于货车故障诊断的关联规则集合。

一种实施例中，外部系统包括货车运用管理信息系统、货车履历信息系统和货车状态监测维修系统，从外部系统中获取铁路货车历史维修数据，包括：

从货车运用管理信息系统中获取5T预警信息、5T定检履历信息，不良货车信息、加送车信息、列检的货车运行状态地面安全监测系统信息、列检的货车滚动轴承早期故障声学诊断系统信息以及平台的扣车与关门车信息；

从货车履历信息系统中获取铁路货车站修、段修和厂修的修程三陪数据及实施信息；

从货车状态监测维修系统中获取铁路货车车列和车辆的技术状态、运行轨迹和过车信息。

一种实施例中，采用Apriori算法对故障模式数据集进行搜索之前，方法还包括对铁路货车历史维修数据执行以下操作中的至少一项：

删除数据分类标签缺失的铁路货车历史维修数据；

采用预设默认值或者预设计算方式填补铁路货车历史维修数据中的空值；

对于铁路货车历史维修数据中的数值性数据使用历史平均值替代；

使用当前数据前后值的均值来代替当前数据的值，对铁路货车历史维修数据进行数据平滑；

将相同类型的铁路货车历史维修数据划分为同一类；

删除铁路货车历史维修数据中的异常数据；

使用概念分层的方法对铁路货车历史维修数据进行数据泛化；

对铁路货车历史维修数据进行缩放，将其转换至预设范围；

采用车型唯一码和部件唯一码对车号、车型、故障位数、故障编码、故障名称、部件类型、部件名称、部件编码、更换时间、开始时间、截止时间、部件的特征参数值、总里程、空车里程和重车里程进行语义识别与统一。

一种实施例中，采用Apriori算法对故障模式数据集进行搜索，形成铁路货车故障模式的频繁项集包括：

初始化故障模式数据集，扫描故障模式数据集中的第一条数据记录，将当前扫描的数据记录的数据项个数确定为最大数据项个数，根据最大数据项个数创建候选集；

依次扫描故障模式数据集中的中的下一条数据记录，若当前扫描的数据记录的数据项个数小于等于最大数据项个数，则对候选集进行更新，反之则将最大数据项个数更新为当前扫描的数据记录的数据项个数，并根据更新后的最大数据项个数创建新的候选集，直至扫描到故障模式数据集中最后一条数据记录，得到铁路货车故障模式的频繁项集。

一种实施例中，基于遗传算法对铁路货车历史维修数据和铁路货车故障模式频繁项集进行编码包括：

对遗传算法中的群体规划、交叉概率和变异概率进行初始化，群体规划初始化为300到500之间，交叉概率初始化为0.4到0.9之间，变异概率初始化为0.01到0.1之间；

将故障特征值划分成不同等级，采用整数数组对铁路货车故障模式频繁项集进行编码，使用一条染色体表示一个关联规则，关联规则包括前件和后件，前件包括部件编码和故障代码，后件包括与部件及故障相关的故障特征值属性信息。

一种实施例中，遗传算法中所采用的适应度函数根据如下表达式确定：

Fitness＝S′/S；

其中，Fitness表示适应度函数，S'表示经过遗传操作形成一条新的规则的支持度，S表示用户给定的支持度阈值。

一种实施例中，对初始群体依次进行选择操作、交叉操作和变异操作包括：

从初始群体中选择适应度大于1的关联规则；

对所选择的关联规则进行单点交叉操作；

采用预设变异概率从交叉操作后的关联规则中随机选择变异个体进行变异。

第二方面，本发明实施例提供一种铁路货车故障诊断装置，包括：

获取模块，用于从外部系统中获取铁路货车历史维修数据，铁路货车历史维修数据包括故障模式数据、货车运行数据和故障原因数据；

搜索模块，用于采用Apriori算法对故障模式数据集进行搜索，形成铁路货车故障模式频繁项集；

编码模块，用于基于遗传算法对铁路货车历史维修数据和铁路货车故障模式频繁项集进行编码，得到初始群体；

处理模块，用于对初始群体依次进行选择操作、交叉操作和变异操作，得到用于货车故障诊断的关联规则集合。

第三方面，本发明实施例提供一种铁路货车故障诊断设备，包括：

至少一个处理器和存储器；

存储器存储计算机执行指令；

至少一个处理器执行存储器存储的计算机执行指令，使得至少一个处理器执行如第一方面任一项所述的铁路货车故障诊断方法。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如第一方面任一项所述的铁路货车故障诊断方法。

本发明实施例提供的铁路货车故障诊断方法、装置及设备，通过从外部系统中获取铁路货车历史维修数据，铁路货车历史维修数据包括故障模式数据、货车运行数据和故障原因数据；采用Apriori算法对故障模式数据集进行搜索，形成铁路货车故障模式频繁项集；基于遗传算法对铁路货车历史维修数据和铁路货车故障模式频繁项集进行编码，得到初始群体；对初始群体依次进行选择操作、交叉操作和变异操作，得到用于货车故障诊断的关联规则集合。提高了铁路货车故障诊断的效率和准确性，为铁路货车建立了一套高效准确的故障诊断模式，可以快速准确地发现故障并进行诊断，为铁路货运安全提供保障。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1为本发明一实施例提供的铁路货车故障诊断方法的流程图；

图2为本发明一实施例提供的货车故障诊断关联规则挖掘模型的示意图；

图3为本发明一实施例提供的铁路货车故障诊断装置的结构示意图；

图4为本发明一实施例提供的铁路货车故障诊断设备的结构示意图。

通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。

本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。

虽然现有按照检修规则进行站修、段修和厂修这种人工检测的故障诊断方式效率低下，但是在进行人工故障诊断并维修之后，往往会记录故障诊断过程中的各种信息，例如故障发生的原因、所在部位及施修方法等，这些信息可以为后期的故障诊断提供有效的参考。但是由于这些历史数据多且杂乱，而且存储并分布于不同的数据库中，同时随着铁路货车系统的智能化，铁路货车的部件也变得更加复杂，使得故障征兆与原因之间的存在越来越强的模糊性，往往无法直接根据这些信息得出故障与引起故障的特征之间的有效关联。如何基于这些信息为铁路货车的故障诊断及有效施修预案的获取提供支撑具有重要的研究意义。

本申请充分利用货车运用管理信息系统、货车履历信息系统和货车状态监测维修系统(HCCBM)中的海量数据资产，借助数据集成与数据挖掘技术，贯通故障诊断所需的数据，对海量故障数据和铁路货车部件状态数据进行集成与融合，在海量数据中寻找货车故障与故障原因之间的关联规则，利用改进的Apriori算法实现对关联规则集的搜索，借助启发式智能算法的遗传算法优化关联规则生成效率与准确性，重点解决了货车故障与故障原因的关联规则生成效率与精准率问题，以快速准确地发现故障并进行诊断，为铁路货车故障诊断水平提升提供支撑，进而为铁路货运安全提供保障。下面将通过具体的实施例来对本申请进行详细说明。

图1为本发明一实施例提供的铁路货车故障诊断方法的流程图。如图1所示，本实施例提供的铁路货车故障诊断方法可以包括：

S101、从外部系统中获取铁路货车历史维修数据，铁路货车历史维修数据包括故障模式数据、货车运行数据和故障原因数据。

本实施例中的外部系统可以包括货车运用管理信息系统、货车履历信息系统和货车状态监测维修系统(HCCBM)。铁路货车历史故障数据、实施方法、车辆技术状态、运行轨迹及过车信息都是对运行车辆进行故障诊断的重点依据。本实施例中采用数据集成服务(API)方式，通过对历史故障数据的获取，从故障诊断维度进行异构信息系统不同数据的语义识别与业务贯通。

依据铁路货车故障诊断需求，梳理和识别出所需的业务数据信息。具体的，从外部系统中获取铁路货车历史维修数据可以包括：从货车运用管理信息系统中获取5T预警信息、5T定检履历信息，不良货车信息、加送车信息、列检的货车运行状态地面安全监测系统信息(TPDS)、列检的货车滚动轴承早期故障声学诊断系统信息(TADS)以及平台的扣车与关门车信息；从货车履历信息系统中获取铁路货车站修、段修和厂修的修程三陪数据及实施信息；从货车状态监测维修系统中获取铁路货车车列和车辆的技术状态、运行轨迹和过车信息。需要说明的是，5T是指车辆轴温智能探测系统(Trace Hotbox Detection System，THDS)、货车运行状态地面安全监测系统(Truck Performance Detection System，TPDS)、铁路货车滚动轴承早期故障轨边声学诊断系统(Trackside Acoustic Detection System，TADS)、货车轮对尺寸动态检测系统(Trouble of Wheel Detection System，TWDS)以及铁路货车运行故障动态图像监测系统(Trouble of moving Freight car DetectionSystem，TFDS)。

通过对外部数据源系统进行连接，按照需求获取货车部件故障、货车运用管理、货车故障及运行规则等信息并将成功信息返回给外部系统。对合格数据存储到可供后续进行数据挖掘与应用服务的数据库表中，数据接入失败则由数据源端重新发起重传服务。对不规范的数据进行校验与识别，通过数据预处理服务将不规范数据转成合格数据后，存入数据库表中。

本实施例中通过梳理铁路故障诊断业务数据信息，设计数据集成服务流程，能够获取铁路运用管理系统、货车履历系统及HCCBM系统数据链路的打通与接入，从方法和机制上保证货车故障数据、运行数据与历史施修等业务数据贯通，使具备了挖掘货车故障与影响因素间关联规则的基础。通过对外部系统的集成形成的货车故障模式数据集、故障原因数据集以及故障模式和故障原因联合的数据集，以形成货车故障诊断关联规则挖掘的基础。

S102、采用Apriori算法对故障模式数据集进行搜索，形成铁路货车故障模式频繁项集。

Apriori算法是一种最有影响力的挖掘布尔关联规则的频繁项集的算法。本实施例中货车故障模式频繁项集的搜索可以采用改进的Apriori算法，通过对货车故障模式数据集中的第一条数据记录进行扫描后，创建候选集，依次对货车故障模式数据集中的数据记录进行扫描，对候选集进行更新、创建，直至最终形成货车故障模式的频繁集为止。

S103、基于遗传算法对铁路货车历史维修数据和铁路货车故障模式频繁项集进行编码，得到初始群体。

S104、对初始群体依次进行选择操作、交叉操作和变异操作，得到用于货车故障诊断的关联规则集合。

在通过改进的Apriori算法得到货车故障频繁项集的基础上，借助遗传算法对频繁项集进行编码，通过选择、交叉、变异操作得到用于货车故障诊断的关联规则集合。

通过对外部系统数据集成，在海量货车运用管理故障数据及运行数据中，搜索并确定货车故障诊断所需的关联规则，以形成货车部件故障与其特征值之间的强关联规则。通过对货车故障诊断关联规则的挖掘，能够对货车运行过程中潜在的故障模式以及引起故障发生的可能性原因进行预先识别和分析，有助于快速完成故障诊断工作，为铁路的各修程施修提供支撑。货车故障诊断关联规则挖掘模型请参考图2所示。该模型是以货车故障历史数据为基础，以故障模式频繁项集搜索和故障诊断关联规则生成为关键，并以挖掘故障模式和引起故障发生原因之间的关联规则的故障诊断特征数据为目标，为铁路货车故障诊断业务赋能。未来亦可融合人工智能算法，通过构建故障预测模型，通过大数据的分析与计算，实现铁路货车故障的预测。

本实施例提供了借助数据集成技术，对外部系统中与铁路货车相关的数据进行接入、处理和存储，构建铁路货车故障诊断关联规则模型，基于改进Apriori算法和遗传算法挖掘铁路货车故障关联规则，支撑铁路货车各级修程及在线修的铁路货车故障诊断方法。

本实施例提供的铁路货车故障诊断方法，通过从外部系统中获取铁路货车历史维修数据，铁路货车历史维修数据包括故障模式数据、货车运行数据和故障原因数据；采用Apriori算法对故障模式数据集进行搜索，形成铁路货车故障模式频繁项集；基于遗传算法对铁路货车历史维修数据和铁路货车故障模式频繁项集进行编码，得到初始群体；对初始群体依次进行选择操作、交叉操作和变异操作，得到用于货车故障诊断的关联规则集合。提高了铁路货车故障诊断的效率和准确性，为铁路货车建立了一套高效准确的故障诊断模式，可以快速准确地发现故障并进行诊断，为铁路货运安全提供保障。

在上述实施例的基础上，为了进一步提高铁路货车故障诊断的效率和准确性，需要对从外部系统获取的海量数据进行数据清理、数据变换和数据贯通等预处理，以消除海量数据中存在的数据不一致、数据不规范及存在嗓音等问题。

对从外部系统获取的海量数据进行数据清理例如可以包括：对从外部系统获取的不完整数据，如闸瓦磨损、列车过站等信息，可以依据数据的重要性及业务属性进行处理。具体的，当数据分类标签缺失时，对本条数据进行忽略；对空值可以默认值或通过计算式获得；对于数值性数据可使用历史平均值进行替代。对从外部系统中获取的存在噪音的数据，即数据在测量过程中可能发生错误以及误差，具体可采用：分箱法，即根据当前数据前后值来代替当前值，从而达到平滑数据的作用，如万公里闸瓦磨损厚度等；聚类，既将相同类型的数据划分为同一类，而将异常数据划分出去而将该值的记录进行忽略；人工检查，对于某些值为负数或者超出常规的被判断为异常的，如货车速度，可通过人工检查方法进行删除。

对从外部系统获取的海量数据进行数据变换例如可以包括：对从多个外部数据源获得的表示同一业务语义的数据，存在不同数据类型及表现形式时，通过数据变换的方式对数据进行处理。具体的，可以采用数据泛化的方法，当数据取值较多，可以用概念分层的方法，对其进行转换，如货车速度，可以泛化为低速、中速和高速；采用零-均值(z-score)和指定范围的方式，对数据按一定比例进行缩放，使数据统一分配到指定范围中；属性构造，为增加后续数据挖掘的有效性，对原有数据增加新的属性，如货车速度，增加小时速度变化率。

对从外部系统获取的海量数据进行数据贯通例如可以包括：铁路货车部件众多，通过使用全路统一的车型唯一码和部件唯一码，可以将车号、车型、故障位数、故障编码、故障名称、部件类型、部件名称、部件编码、更换时间、开始时间、截止时间、部件的特征参数值、总里程、空车里程、重车里程等信息进行语义识别与统一。在此基础上进行全面业务信息的融合，实现对多源外部系统数据的融会贯通，形成完整、及时的铁路货车造修数据信息。

综上所述，本实施例提供的铁路货车故障诊断方法中，在采用Apriori算法对故障模式数据集进行搜索之前，还包括对铁路货车历史维修数据执行以下操作中的至少一项：

删除数据分类标签缺失的铁路货车历史维修数据；

采用预设默认值或者预设计算方式填补铁路货车历史维修数据中的空值；

对于铁路货车历史维修数据中的数值性数据使用历史平均值替代；

使用当前数据前后值的均值来代替当前数据的值，对铁路货车历史维修数据进行数据平滑；

将相同类型的铁路货车历史维修数据划分为同一类；

删除铁路货车历史维修数据中的异常数据；

使用概念分层的方法对铁路货车历史维修数据进行数据泛化；

对铁路货车历史维修数据进行缩放，将其转换至预设范围；

采用车型唯一码和部件唯一码对车号、车型、故障位数、故障编码、故障名称、部件类型、部件名称、部件编码、更换时间、开始时间、截止时间、部件的特征参数值、总里程、空车里程和重车里程进行语义识别与统一。

下面将通过具体的实施例来进一步说明如何对故障模式数据集进行搜索，形成铁路货车故障模式频繁项集。具体可以包括以下步骤：

步骤1：初始化货车故障模式数据集，扫描经过业务贯通货车运用管理的数据记录，同时得到记录的数据项个数，并将此数据项个数默认为最大数据项个数，同进创建数据记录数的候选集C

步骤2：扫描下一条记录，并得到该记录的数据项个数，如果数据项个数小于等于最大项个数，更新原有的候选集，否则创建新的候选集，同时更新此时的最大数据项个数，并创建新的候选项集，使得候选集个数与此时的最大项个数相等。

步骤3：在上述步骤中，每扫描完一条记录，要判断是否为货车故障模式数据集的最后一条记录。当扫描到最后一条记录后，将完成货车故障模式频繁集搜索的过程，否则将重复执行步骤2，直接将所有的记录扫描完成。

也就是说，在上述任一实施例的基础上，本实施例提供的铁路货车故障诊断方法中，采用Apriori算法对故障模式数据集进行搜索，形成铁路货车故障模式的频繁项集具体可以包括：初始化故障模式数据集，扫描故障模式数据集中的第一条数据记录，将当前扫描的数据记录的数据项个数确定为最大数据项个数，根据最大数据项个数创建候选集；依次扫描故障模式数据集中的中的下一条数据记录，若当前扫描的数据记录的数据项个数小于等于最大数据项个数，则对候选集进行更新，反之则将最大数据项个数更新为当前扫描的数据记录的数据项个数，并根据更新后的最大数据项个数创建新的候选集，直至扫描到故障模式数据集中最后一条数据记录，得到铁路货车故障模式的频繁项集。

基于货车历史维修数据挖掘故障模式与故障原因之间的关联规则，对货车部件故障诊断具有重要意义。本实施例提供的铁路货车故障诊断方法，在上述任一实施例的基础上，在构建货车故障诊断关联规则挖掘模型的基础上，设计了改进的Apriori算法，用于货车故障频繁项集搜索，解决了传统算法执行效率低且会产生大量候选项集的缺陷。

下面将通过具体的实施例来进一步说明如何基于遗传算法对铁路货车历史维修数据和铁路货车故障模式频繁项集进行编码。具体可以包括以下步骤：首先需要初始化遗传算法的各项参数，然后采用整数数据的方法进行编码。其中，初始化参数具体可以包括：铁路货车部件多，故障发生频繁，历史故障及实施数据比较丰富，因此初化群体规划在300到500之间选取；同时为了避免由于遗传算法的早熟问题，交叉概率与变异概率采用固定值的策略，应用时交叉概率在0.4到0.9之间选取，变异概率在0.01到0.1之间选取。编码过程具体可以包括：采用先把故障特征值分成不同等级，然后采用整数数组的方法进行编码，同时一条染色体表示为一个解，也是代表了一个关联规则。关联规则分为前件和后件两部分，前件包括部件编码、故障代码，后件则是与部件及故障相关的特征值属性信息构成，如特征值1(如闸瓦磨损厚度)、特征值2(运行公里数)，特征值3(总里程数)……,特征值n(总运行时长)，其中不同部件及故障的关联规则构成有差异。

整数数组的元素个数与事务数据库中的字段个数相对应，整数组的元素代表了字段的属性值，并用0表示此属性与其他属性无关。事务数据库的个体编码如表1所示，表1为规则编码。

表1

也就是说，在上述任一实施例的基础上，本实施例提供的铁路货车故障诊断方法中，基于遗传算法对铁路货车历史维修数据和铁路货车故障模式频繁项集进行编码具体可以包括：对遗传算法中的群体规划、交叉概率和变异概率进行初始化，群体规划初始化为300到500之间，交叉概率初始化为0..4到0.9之间，变异概率初始化为0.01到0.1之间；将故障特征值划分成不同等级，采用整数数组对铁路货车故障模式频繁项集进行编码，使用一条染色体表示一个关联规则，关联规则包括前件和后件，前件包括部件编码和故障代码，后件包括与部件及故障相关的故障特征值属性信息。

本实施例提供的铁路货车故障诊断方法，将启发式智能化遗传算法导入到关联规则的生成中，针对产生的货车故障频繁项集，通过设计整数数组的编码方式，解决了引起货车故障多维度原因的解的设计，并给出了初始化群体规模大小、变异概率、交叉概率的合理选择区间，使其适用于货车故障数据关联规则的生成，可为货车故障诊断准确率和效率提供保障。

适应度函数是遗传算法与业务应用问题的唯一接口，它的构造直接影响求解决的效率。本实施例中采用支持度作为对关联规则重要性的衡量，即支持度越大，关联规则越重要。

fitness(R

其中S'为经过遗传操作形成的一条新的规则的支持度，而S用户给定的支持度阈值。R

也就是说，在上述任一实施例的基础上，本实施例提供的铁路货车故障诊断方法中，遗传算法中所采用的适应度函数根据如下表达式确定：

Fitness＝S′/S；

其中，Fitness表示适应度函数，S'表示经过遗传操作形成一条新的规则的支持度，S表示用户给定的支持度阈值。

本实施例提供的铁路货车故障诊断方法中，创新地使用了支持度与用户接受支持度的阈值之比作为适应度，解决了传统使用支持度和置信度作为强关联规则判断依据而产生大量无用规则的缺陷，为货车故障诊断准确率和效率提供了保障。

遗传算子的好坏决定了算法对故障诊断关联规则搜索能力和收敛性，因此如何确定选择算子、交叉算子和变异算子对对整个遗传算法有很大影响，进而对铁路货车故障诊断的效率和准确率也有很大影响。下面将依次详细说明如何确定选择算子、交叉算子和变异算子。选择算子：对于货车故障关联规则而言，两个适应度较高的个体未必产生出一个高适应度的个体，而两个适应度不高的个体有可能繁殖出一个高适应度的个体，故本实施例中不采用轮盘赌选择，而采用的是适应度大于“1”的关联规则都选择下来；交叉算子：本申请中所用的整数数组编码的位串不长，考虑到多点交交叉会影响个体的结果，不利于较好的模式得到保存的风险，故采用单点交叉作为交叉算子的选择策略；变异算子：本实施例中在确定变异算子时，是以某一变异概率在种群中随机选择变异个体，选择中后，将该个体的基因段的每一位均进行变异，且基因段的每一个基因都在其允许的取值范围内依次取值，从而保证每个属性值在变异后都是存在的。

也就是说，在上述任一实施例的基础上，本实施例提供的铁路货车故障诊断方法中，对初始群体依次进行选择操作、交叉操作和变异操作包括：从初始群体中选择适应度大于1的关联规则；对所选择的关联规则进行单点交叉操作；采用预设变异概率从交叉操作后的关联规则中随机选择变异个体进行变异。

图3为本发明一实施例提供的铁路货车故障诊断装置的结构示意图。如图3所示，本实施例提供的铁路货车故障诊断装置30可以包括：获取模块301、搜索模块302、编码模块303和处理模块304。

获取模块301，用于从外部系统中获取铁路货车历史维修数据，铁路货车历史维修数据包括故障模式数据、货车运行数据和故障原因数据；

搜索模块302，用于采用Apriori算法对故障模式数据集进行搜索，形成铁路货车故障模式频繁项集；

编码模块303，用于基于遗传算法对铁路货车历史维修数据和铁路货车故障模式频繁项集进行编码，得到初始群体；

处理模块304，用于对初始群体依次进行选择操作、交叉操作和变异操作，得到用于货车故障诊断的关联规则集合。

一种可选的实施方式中，外部系统包括货车运用管理信息系统、货车履历信息系统和货车状态监测维修系统，获取模块301用于从外部系统中获取铁路货车历史维修数据具体可以包括：

从货车运用管理信息系统中获取5T预警信息、5T定检履历信息，不良货车信息、加送车信息、列检的货车运行状态地面安全监测系统信息、列检的货车滚动轴承早期故障声学诊断系统信息以及平台的扣车与关门车信息；

从货车履历信息系统中获取铁路货车站修、段修和厂修的修程三陪数据及实施信息；

从货车状态监测维修系统中获取铁路货车车列和车辆的技术状态、运行轨迹和过车信息。

一种可选的实施方式中，铁路货车故障诊断装置30还可以包括预处理模块(图中未示出)，用于在采用Apriori算法对故障模式数据集进行搜索之前，对铁路货车历史维修数据执行以下操作中的至少一项：

删除数据分类标签缺失的铁路货车历史维修数据；

采用预设默认值或者预设计算方式填补铁路货车历史维修数据中的空值；

对于铁路货车历史维修数据中的数值性数据使用历史平均值替代；

使用当前数据前后值的均值来代替当前数据的值，对铁路货车历史维修数据进行数据平滑；

将相同类型的铁路货车历史维修数据划分为同一类；

删除铁路货车历史维修数据中的异常数据；

使用概念分层的方法对铁路货车历史维修数据进行数据泛化；

对铁路货车历史维修数据进行缩放，将其转换至预设范围；

采用车型唯一码和部件唯一码对车号、车型、故障位数、故障编码、故障名称、部件类型、部件名称、部件编码、更换时间、开始时间、截止时间、部件的特征参数值、总里程、空车里程和重车里程进行语义识别与统一。

一种可选的实施方式中，搜索模块302用于采用Apriori算法对故障模式数据集进行搜索，形成铁路货车故障模式的频繁项集具体可以包括：

初始化故障模式数据集，扫描故障模式数据集中的第一条数据记录，将当前扫描的数据记录的数据项个数确定为最大数据项个数，根据最大数据项个数创建候选集；

依次扫描故障模式数据集中的中的下一条数据记录，若当前扫描的数据记录的数据项个数小于等于最大数据项个数，则对候选集进行更新，反之则将最大数据项个数更新为当前扫描的数据记录的数据项个数，并根据更新后的最大数据项个数创建新的候选集，直至扫描到故障模式数据集中最后一条数据记录，得到铁路货车故障模式的频繁项集。

一种可选的实施方式中，编码模块303用于基于遗传算法对铁路货车历史维修数据和铁路货车故障模式频繁项集进行编码具体可以包括：

对遗传算法中的群体规划、交叉概率和变异概率进行初始化，群体规划初始化为300到500之间，交叉概率初始化为0.4到0.9之间，变异概率初始化为0.01到0.1之间；

将故障特征值划分成不同等级，采用整数数组对铁路货车故障模式频繁项集进行编码，使用一条染色体表示一个关联规则，关联规则包括前件和后件，前件包括部件编码和故障代码，后件包括与部件及故障相关的故障特征值属性信息。

一种可选的实施方式中，遗传算法中所采用的适应度函数根据如下表达式确定：

Fitness＝S′/S；

其中，Fitness表示适应度函数，S'表示经过遗传操作形成一条新的规则的支持度，S表示用户给定的支持度阈值。

一种可选的实施方式中，处理模块304用于对初始群体依次进行选择操作、交叉操作和变异操作具体可以包括：

从初始群体中选择适应度大于1的关联规则；

对所选择的关联规则进行单点交叉操作；

采用预设变异概率从交叉操作后的关联规则中随机选择变异个体进行变异。

本发明实施例还提供一种铁路货车故障诊断，请参见图4所示，本发明实施例仅以图4为例进行说明，并不表示本发明仅限于此。图4为本发明一实施例提供的铁路货车故障诊断设备的结构示意图。如图4所示，本实施例提供的铁路货车故障诊断设备40可以包括：存储器401、处理器402和总线403。其中，总线403用于实现各元件之间的连接。

存储器401中存储有计算机程序，计算机程序被处理器402执行时可以实现上述任一方法实施例的技术方案。

其中，存储器401和处理器402之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可以通过一条或者多条通信总线或信号线实现电性连接，如可以通过总线403连接。存储器401中存储有实现铁路货车故障诊断方法的计算机程序，包括至少一个可以软件或固件的形式存储于存储器401中的软件功能模块，处理器402通过运行存储在存储器401内的软件程序以及模块，从而执行各种功能应用以及数据处理。

存储器401可以是，但不限于，随机存取存储器(Random Access Memory，简称：RAM)，只读存储器(Read Only Memory，简称：ROM)，可编程只读存储器(ProgrammableRead-Only Memory，简称：PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，简称：EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，简称：EEPROM)等。其中，存储器401用于存储程序，处理器402在接收到执行指令后，执行程序。进一步地，上述存储器401内的软件程序以及模块还可包括操作系统，其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动，并可与各种硬件或软件组件相互通信，从而提供其他软件组件的运行环境。

处理器402可以是一种集成电路芯片，具有信号的处理能力。上述的处理器402可以是通用处理器，包括中央处理器(Central Processing Unit，简称：CPU)、网络处理器(Network Processor，简称：NP)等。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。可以理解，图4的结构仅为示意，还可以包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件和/或软件实现。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现上述任一方法实施例的技术方案。

本公开中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

本公开的保护范围不限于上述的实施例，显然，本领域的技术人员可以对本公开进行各种改动和变形而不脱离本公开的范围和精神。倘若这些改动和变形属于本公开权利要求及其等同技术的范围，则本公开的意图也包含这些改动和变形在内。