一种轨道交通故障诊断方法
文献发布时间:2023-06-19 11:19:16
本发明为申请号为201410010228.9、申请日为2014年1月9日、发明名称为“一种基于决策树的轨道交通故障诊断方法和系统”的发明申请的分案申请。
技术领域
本发明属于信息技术和轨道交通技术领域,具体涉及一种轨道交通故障诊断方法。
背景技术
目前,轨道交通(国有铁路、企业铁路和城市轨道交通)领域、监测维护产品主要有三类:CSM(信号集中监测系统)、各设备维护机、通信网管系统。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,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。此外,伴随我国高速铁路的建设发展,高铁特有的RBC系统、TSRS系统、ATP系统,也面临着纳入信号集中监测系统的需求,也面临着提高其监测能力、运维能力,以及设备自诊断能力的需求。
面对很多复杂设备故障和行车事故原因的分析诊断方面,既有CSM系统尚无能为力,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,增加了行车的危险。因此,提高各种监测资源的利用率,保障行车安全、提高运力,是轨道交通领域的迫切需求。
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,本发明提供了一种基于决策树的轨道交通故障诊断方法。
本发明采用的技术方案如下:
一种基于决策树的轨道交通故障诊断方法,其步骤包括:
1)通过分析轨道交通设备的电路和机械结构模型确定该设备的各种故障模式和各种监测量;
2)根据轨道交通设备的各种历史监测量得到标准故障样本数据,然后采用决策树生成算法对标准故障样本数据进行分析,构造得到故障的决策树;
3)采集轨道交通设备的各种实时监测量,并采用所述决策树作为故障模式的分类模型进行分类,从而确定故障种类。
进一步地,步骤1)所述各种故障模式包括设备故障的部位、设备故障的类型等信息,可以看作是分类的类别属性,作为决策树的树叶。
进一步地,步骤1)所述各种监测量包括设备运行中的状态参数,可以看作是分类的特征属性,作为决策书的中间结点。
进一步地,步骤2)采用决策树生成算法构造决策树的具体实现过程是:
a)树以代表训练样本的单个结点开始。
b)如果样本都在同一个类,则该结点成为树叶,并用该类标记。
c)否则,算法选择最有分类能力的属性作为决策树的当前结点。
d)根据当前决策结点属性取值的不同,将训练样本数据集划分为若干子集。每个取值形成一个分枝,有几个取值形成几个分枝。
e)针对上一步得到的一个子集,重复进行先前步骤,递归形成每个划分样本上的决策树。一旦一个属性出现在一个结点上,就不必在该结点的任何后代考虑它。
f)递归划分步骤仅当下列条件之一成立时停止:
①给定结点的所有样本属于同一个类。
②没有剩余属性可以用来进一步划分样本。在这种情况下,使用多数表决,将给定的结点转换成树叶,并以样本中元组个数最多的类别作为类别标记,同时也可以存放该结点样本的类别分布。
③如果一个分枝没有样本,则以样本的多数类创建一个树叶。
进一步地,步骤3)以IF-THEN形式的分类规则表示决策树,从树根开始,遍历整棵树,对每条从根到树叶的路径创建一个规则。
进一步地,对于产生的决策树,步骤3)沿着给定路径上的每个“属性-值”对形成规则前件的一个合取项;决策树的叶节点包含类预测,形成规则后件。
进一步地,步骤3)使用成为信息增益的基于熵的度量作为启发信息,选择能够最好地将样本分类的属性,该属性成为该节点的“测试”或“判定”属性,由根结点开始根据各个属性的信息增益,逐步构建决策树。
一种采用上述方法的轨道交通故障诊断系统,其包括:
数据采集设备,用于采集轨道交通信号设备的监测数据,
数据库单元,连接所述数据采集设备,用于存储采集的历史监测数据和实时监测数据;
数据分析单元,连接所述数据库单元,用于对数据库中的历史数据进行数据分析,得到进行故障诊断的决策树,并利用数据库中的实时数据通过决策树对设备进行故障诊断;
知识库单元,连接所述数据分析单元,用于存储所述进行故障诊断的决策树。
进一步地,上述系统为设备级故障诊断系统,所述数据采集设备与所述数据库单元、所述数据分析单元、所述知识库单元集成于一个工作站内,通过数据总线进行数据传输;或者所述数据库单元、所述数据分析单元、所述知识库单元集成于一个工作站内,与所述数据采集设备通过以太网进行数据传输。
进一步地,上述系统为运维级故障诊断系统,所述数据采集设备、所述数据库单元、所述数据分析单元、所述知识库单元部署于设备运维平台中,所述数据库单元为数据库服务器,所述数据分析单元为数据分析服务器。
本发明提供的基于决策树的轨道交通故障诊断方法和系统,在知识表示方面使得知识表示简单、可读性好、便于专家检验,能够根据需要随时添加知识,且不影响已经获得的知识;在知识获取方法方面具有知识表示简单、计算复杂性低、适应性强的特点,使得知识表示和知识获取融为一体,具有较高的推理效率,可以实现知识的自动获取,从而较好地解决了知识获取的瓶颈问题。本发明能够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,提高轨道交通数据分析和故障诊断的效率和准确性。
附图说明
图1是实施例中ZPW-2000A无绝缘轨道电路设备的电路图。
图2是实施例中采用决策树生成算法得到的故障决策树示意图。
图3是实施例中数据分析工作站的结构示意图。
图4是实施例中便携式数据分析工作站的结构示意图。
图5是实施例中运维级数据分析的结构框图。
具体实施方式
下面通过具体实施例和附图,对本发明做进一步说明。
本发明是一种基于决策树的轨道交通监测数据分析和故障诊断方法,可以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。
决策树学习算法,是以实例为基础的归纳学习算法,通常用来形成分类器和预测模型,可以对未知数据进行分类或预测、数据预处理、数据挖掘等。它通常包括两部分:树的生成和树的剪枝。下面根据建立的数据样本集说明决策树的生成算法的实现过程。
决策树归纳的基本算法是贪婪算法,它以自顶向下递归的各个击破方式构造决策树。它的基本策略如下:
1.树以代表训练样本的单个节点开始。
2.如果样本都在同一个类,则该节点成为树叶,并用该类标记。否则,使用称为信息增益的基于熵的度量作为启发信息,选择能够最好地将样本分类的属性。该属性成为该节点的“测试”或“判定”属性。在该算法中,所有的属性必须都是离散的,即取离散值。对于值连续的属性必须进行离散化处理。
3.对测试属性的每个已知的值,创建一个分枝,并据此划分样本。
4.使用同样的过程,递归地形成每个划分上的样本判定树。一旦一个属性出现在一个节点上,就不必再考虑该节点的任何后代。
5.步骤4中的递归划分步骤仅当下列条件之一成立时停止:
(1)给定节点的所有样本属于同一类。
(2)没有剩余属性可以用来进一步划分样本。在此情况下,使用多数表决。这涉及将给定的结点转换成树叶,并用样本中的多数所在的类标记它。换一种方式,可以存放节点样本的类分布。
(3)分枝没有样本。在这种情况下,以样本中的多数类创建一个树叶。
决策树归纳算法计算每个属性的信息增益。其有最高信息增益的属性选作给定全部特征属性集合S的测试属性。创建一个节点,并以该测试属性标记,对属性的每个值创建分枝,并据此划分样本。
把标准故障样本数据用数据库二维表格的形式存储,运用构造树的算法,即可得到一棵故障的决策树。在得到故障的决策树之后,可以提取决策树表示的知识,并以IF-THEN形式的分类规则表示。从树根开始,遍历整棵树,对每条从根到树叶的路径创建一个规则。
这样,如果故障样本齐全,选用的样本数据能够满足实际设备状态的微小波动,那么就可以得到标准故障分类规则库。对于产生的决策树,沿着给定路径上的每个“属性-值”对形成规则前件的一个合取项。决策树的叶节点包含类预测,形成规则后件。当给定的树很大时,IF-THEN规则易于理解,也便于实际应用。而决策树本身当树大的时候不太直观,所以一般情况下,在得到决策树后,都把决策树转化为规则的形式。
实施例1:设备级故障诊断
设备级故障诊断将本方案的数据分析方法部署于设备监测工作站或便携式工作站。设备的历史数据和实时数据都存储于设备监测工作站或便携式工作站的本地数据库中。图3和图4分别是数据分析工作站和便携式数据分析工作站的结构框图。可以与数据采集设备集成于一个工作站内,通过数据总线进行数据传输,或者与数据采集设备分布于不同的工作站内,通过以太网进行数据传输。对数据库中的历史数据进行数据分析,将得到的决策树作为故障诊断模型存储于本地的知识库中。对于数据采集的设备实时数据,通过调用知识库中决策树完成对设备的故障诊断,并根据故障诊断的结果对知识库中故障诊断模型进行评估和修改。
实施例2:运维级故障诊断
运维级故障诊断将本方案部署于设备运维平台中,采用数据库服务器进行数据的存储,数据采集设备通过以太网将采集的数据存储到数据库服务器,数据分析方法部署数据分析服务器,通过以太网获取数据库服务器中的历史数据,进行数据分析,将得到的决策树作为故障诊断模型存储于设备运维平台的知识库中。对于数据采集的设备实时数据,数据分析服务器通过调用知识库中决策树完成对设备的故障诊断,并根据故障诊断的结果对知识库中决策树进行评估和修改。图5是运维级数据分析的结构框图。
以ZPW-2000A无绝缘轨道电路设备故障诊断为例:其电路图如图1所示,包括本轨道电路和临轨道电路,本轨道电路包括主轨道和调谐区小轨道。图中,G、GH为主轨道继电器,XG、XGH为小轨道继电器,XGJ、XGJH为小轨道检查条件,JS为接收器,FS发送器。
首先通过分析确定设备的故障的模式一共有11种,如下:
①开路故障
②功出至分线盘有短路
③衰耗盒至1GJ有断线或轨道继电器坏
④1G或3G衰耗盒至接收盒断线
⑤小轨衰耗盒正向调整电阻有断线或短路
⑥3G接收端钢包铜引接线有松动
⑦小轨区段导接线有断线或接触不良
⑧接收盒内部有短路、衰耗盒调整封线有脱焊等
⑨1G主轨电容坏、导接线断线、轨道有短路、断轨等
⑩电缆断线或发送端钢包铜引接线松动或电缆盒端子接触不良
通过轨道监测数据采集系统,其监测量主要包括以下几种:
①1GJ↓衰耗盒轨道指示a
②衰耗盒发送、接收指示b
③测衰耗盒1G的GJ塞孔电压c
④1G轨出1电压d
⑤3G衰耗盒轨入小轨电压e
⑥3G衰耗盒轨出2小轨电压f
⑦3G的轨入主轨g
⑧1G轨入电压与历史正常值比较是否正常h
⑨分线盘测1G发送电压是否正常i
上述监测量可以作为条件属性,决策属性为故障的代号。
监测到的数据如表1所示:
表1.监测数据
通过采用上述决策树生成算法进行构造,由根结点开始根据各个属性的信息增益,逐步构建决策树。图2为利用上述算法对全部属性和故障模式的决策树构造结果,可以利用此决策树作为故障模式的分类模型进行分类。在有新的数据到来时,可以采用决策树的分类模型进行分类,得到故障的属性值。
例如:
当衰耗盒发送、接收指示正常,测衰耗盒1G的GJ塞孔电压为13,小轨入电压正常和1G轨出1电压正常,3G衰耗盒轨出2小轨电压正常时,可以得到故障的属性值为3,即1G或3G衰耗盒至接收盒断线。
当衰耗盒发送、接收指示正常,测衰耗盒1G的GJ塞孔电压为10,小轨入电压为30MV,1G轨出1电压正常,主轨入比历史值低时,可以得到故障的属性值为6,即3G接收端钢包铜引接线有松动。
当衰耗盒发送、接收指示正常,测衰耗盒1G的GJ塞孔电压为11,轨出1和小轨入均无或明显下降,分线盘测1G发送电压是否正常,可以得到故障的属性值为10,即电缆断线或发送端钢包铜引接线松动或电缆盒端子接触不良。
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所述为准。
- 一种基于SVM的轨道交通故障诊断方法
- 一种基于工况检测的城市轨道交通车辆实时故障诊断方法