CN102629298A - 一种轨道交通系统运行安全评估方法 - Google Patents

Abstract

本发明公开了交通技术和安全技术领域中的一种轨道交通系统运行安全评估方法。本发明首先确定评估对象的安全相关变量；获取安全相关变量的数据；然后对安全相关变量的数据预处理；最后确定评估对象的安全域的边界；并对系统运行安全评估。本发明实现了轨道交通系统及其局部子系统或关键设备的定量化安全状态评价和趋势预测，对实现轨道交通系统的高水平安全保障具有重要的理论和现实意义。

Description

一种轨道交通系统运行安全评估方法

技术领域

本发明属于交通技术和安全技术领域，尤其涉及一种轨道交通系统运行安全评估方法。

背景技术

轨道交通系统运行安全评估是保障其安全运营的前提和必要科学手段。随着轨道交通事业的快速发展，与之相适应的系统运行安全评估问题已成为亟需解决的关键问题。但现有的定性的、静态的、单个设备的安全评估方法无法满足精确安全状态信息分析、动态安全评价和大系统安全分析的需求，保障轨道交通系统的安全高效运营迫切需要定量化、动态系统化、可解析的运行安全评估理论与方法。因此，定量化体系化的轨道交通系统运行安全评估方法对实现其安全高效的运营管理具有重要的理论和现实意义。

在轨道交通系统安全评估方面，Beom-Gyu Eom等提出了一个多体系统的分析模型分析了Saemaeul列车通过弯道时的运行安全性；Yuji Niwa定性分析了JR铁路事故，找出了导致该事故的典型原因并给出了有效的事故分析方法；Yamazaki H等将司机控制的制动系统看做一个闭环系统，分析了各个参数变化的情况下模型的变化情况；Tom Zahler通过分析观察记录，解释信号员、应急人员以及其他铁路控制中心用户的行为模式研究人为因素对行车安全的影响；BEvers给出了一个可以用于提供需求信息和按照CENELEC标准在一个安全案例中提供自变量结构问题的风险模型，并对所提出的模型进行了评估；Tienfuan Kerh等基于神经网络进行了台湾高速铁路系统沿线车站的地面峰值加速度估计；张兵等建立了列车关键部件安全监测系统的检测模型，提取了走行部故障的特征参数，建立了走行部的故障识别模型；戢晓峰等基于Vague集理论建立了安全评价信息提取模型，用粗糙集方法提取安全隐患的特征规则，并对安全隐患信息数据库进行高效约简；此外还有若干研究机构和学者对高速铁路系统安全评估的体系框架、评估流程和评估方法进行了分析研究。但上述技术方法集中于事故定性分析或系统局部安全评价，未能提供十分有效的适应于我国轨道交通系统整体及各局部的定量化、系统化运行安全评估方法和技术。

在复杂系统安全域分析及估计方面，目前已有技术集中于通信信息安全及复杂电力系统安全分析领域。在信息安全领域中，安全域是随全球网络化通信发展而提出的，其相关研究及应用已扩展到网络控制、公路交通、电子政务等方面。在电力系统安全相关领域中，美国的Kaye等就电力系统的稳定性和安全性等问题提出安全域方法；余贻鑫等给出电力大系统实用动态安全域边界的超平面表达式，并最小二乘、数值仿真等方法拟合得到安全域边界，评估不同运行状态下的安全水平，提出了基于动态安全域的电力系统安全性保障技术。但轨道交通系统安全与其他领域中的研究对象有很大差异，现有的安全域相关技术和方法不可能直接应用于轨道交通系统运行安全评估。

发明内容

针对上述背景技术中提到的现有的安全域相关技术和方法不能直接应用于轨道交通系统运行安全评估等不足，本发明提出了一种轨道交通系统运行安全评估方法。

本发明的技术方案是，一种轨道交通系统运行安全评估方法，其特征是该方法包括以下步骤：

步骤1：确定评估对象的安全相关变量；

步骤2：获取安全相关变量的数据；

步骤3：对安全相关变量的数据预处理；

步骤4：确定评估对象的安全域的边界；

步骤5：系统运行安全评估。

所述评估对象的安全域的边界的求解方法为基于多元统计分析的方法或基于数据智能分类的方法。

所述基于多元统计分析的方法为：

步骤4.1.1：将预处理后的数据集进行中心化和标准化；

步骤4.1.2：采用累计方差贡献率法或交叉检验法确定主元个数，并经数据验证，确定主元模型；

步骤4.1.3：计算设定检验水平下的统计变量平方预估误差和得分向量的标准平方和的阈值，将该阈值作为统计变量空间的安全域边界。

所述统计变量平方预估误差的计算公式为：

${\mathrm{SPE}}_i=e_i{e}_i^T=X_{\left(i\right)}(I-P_k{P}_k^T){X_{\left(i\right)}}^T$

其中：

SPE_i为第i时刻的统计变量平方预估误差；

e_i为残差矩阵的第i行；

X_(i)为过程变量第i时刻的采样；

P_k为前k个负荷向量组成的负荷矩阵。

所述得分向量的标准平方和的阈值的计算公式为：

$T_i^2=t_i{\mathrm{\Λ}}_k^{-1}{t}_i^T=X_{\left(i\right)}{P}_k{\mathrm{\Λ}}_k^{-1}{P_k^T{X}_{\left(i\right)}}^T$

其中：

为第i时刻的得分向量的标准平方和的阈值；

t_i为对X_s进行主元变换后的第i主元；

Λ_k为前k个主元所对应的特征值组成的对角阵。

所述基于数据智能分类的方法为：

步骤4.2.1：选取指定的安全评价指标和评判准则，对预处理后各种工况下的数据进行标记；

步骤4.2.2：将标记后数据按设定比例分为训练数据和测试数据，选定核函数和分类面确定算法，完成支持向量机模型的初始化；

步骤4.2.3：利用训练数据训练支持向量机模型，并利用测试数据进行分类器性能检验，得到安全相关变量空间的安全域边界。

本发明提供了一种安全域估计方法用于轨道交通系统运行安全评估，可实现轨道交通系统及其局部子系统或关键设备的定量化安全状态评价和趋势预测，对实现轨道交通系统的高水平安全保障具有重要的理论和现实意义。

附图说明

图1为轨道交通系统安全域示意图；

图2为基于安全域估计的轨道交通系统共运行安全评估方法实施路线图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

轨道交通系统的安全域是一个在该系统各安全相关变量(如速度、轨道不平顺度、安全间隔、弓网电压/电流、横风等)所确定的空间内，用于评价系统运行状态是否安全的区域，且由安全域边界与系统运行点的相对关系可提供系统不同状况下的运行安全裕度和最优控制信息，如图1所示。故其可直接给出评估对象的定量化安全状态评价结果并进行趋势估计，为提高轨道交通系统安全保障水平提供支持。

本发明的目的是为了满足轨道交通系统定量化和体系化安全保障技术的需求，提供了一种在轨道交通系统整体及其各子系统中均适用的基于安全域估计的定量化安全状态评价和趋势估计的新方法，克服了现有轨道交通系统运行安全评估方法的一些缺陷。

本发明提供的基于安全域估计的轨道交通系统运行安全评估方法为：

(1)确定安全评价指标

依据具体的评估对象(某一确定的轨道交通系统或其中局部子系统或某关键设备)，充分考虑系统实际的安全相关数据检测及获取情况，选取能够表征轨道交通系统各部分/设备运行安全状态且便于检测和获取的安全相关变量。

(2)数据获取和处理

依据具体的评估对象，采集评估对象在正常和非正常(即安全和不安全)工况时的全面的安全相关数据，并进行缩放、滤波、离群点消除等预处理，得到可用数据集。

(3)数据驱动的安全域估计

在已获得可用数据集的基础上，可采用如下两种数据驱动的方法进行安全域估计：

(a)基于多元统计分析的方法：采用改进的PCA方法，将状态数据进行主元变换，计算能够表征状态变化的统计变量的值，获取并验证某一置信水平下的统计变量阈值，此阈值即为统计变量空间的安全域边界。

(b)基于数据智能分类的方法：采用基于支持向量机SVM(Support VectorMachine)及其优化的分类方法，将正常状态和故障状态下的安全相关变量数据集分别标记，训练SVM分类器，获取将数据二元分类的最佳分类面，此分类面为安全相关变量空间的安全域边界。

(4)安全状态定量化评估

安全域边界确定后，可根据研究对象的实时运行数据，将某时刻对象运行状态点与安全域边界进行比较，确定二者的相对位置，计算实时状态点距离安全域边界的距离，并根据此相对位置给出此时系统运行状态的安全裕度，进而给出准确有效的定量化安全评估结果。

为更加清楚地阐述本发明的目的、技术路线和优点，以下对本发明所提供方法进行完整、详细的描述，实施方式流程见附图2。

(1)针对具体的待评估对象，确定相应的安全相关变量

针对确定的评估对象及其特征，参考国内铁道部及各铁路局相关安全标准和规范、国外轨道交通系统安全性及舒适性标准以及国内外其他相关文献资料，采用专家经验法、统计数据以及相关性分析的方法，选取能够表征对象运行安全状态的安全评价指标。如以轨道交通系统中轮轨关系为评价对象，可选取对行车安全性影响较大的轨道不平顺、轮缘值和行驶速度等作为安全相关变量。

(2)获取评价指标所对应的数据

可以从三种不同途径获取评估对象安全相关数据：①赴现场采集系统运行实时数据；②采用Simpack、Adams/Rail和Simulink等动力学仿真软件搭建轨道交通系统中车辆、轨道、弓网等局部子系统及耦合后整体系统的仿真模型获取所需的仿真数据；③利用相关研究机构的共享研究数据。

(3)数据预处理

根据数据的结构、属性等特征，选取可用的数据，并采用缩放、滤波、数据协调等技术进行数据预处理，消除数据中的奇异点，降低噪声和干扰的成分，使数据集可直接应用于后续安全域估计。如在处理轮轨系统的轮轨力和轨道不平顺数据时可以采用低通滤波和滑动平均的方法，在机械振动信号的处理时可采用小波消噪和希尔伯特变换等多种频域处理方法。

(4)估计安全域边界：可同时采用两种方法

第一种，基于多元统计分析的方法，其步骤：

①将预处理后数据集进行中心化和标准化处理，如有需要可适当采用改进的非线性PCA算法(核PCA)等进行主元变换。

设X是一个n×m的数据矩阵，每一列对应一个变量，每一行对应一个样本，x_ij表示第j个变量在第i个样本上的观察值，X_c为X中心化后的数据矩阵，即：

$X_c=\left[\begin{array}{cccc}{x}_{c11}& x_{c12}& ...& x_{c1m}\\ x_{c21}& x_{c22}& ...& x_{c2m}\\ ...& ...& ...& ...\\ x_{\mathrm{cn}1}& x_{\mathrm{cn}2}& ...& x_{\mathrm{cnm}}\end{array}\right]=X-\stackrel{\‾}{X}$

其中，x_cij为标准化后矩阵X_c的元素，

i＝1，2，…，n，为矩阵X的第j列所有元素的平均值，j＝1，2，…，m。

是由

组成的行向量重复扩展成n行所成的矩阵，即n行m列的矩阵：

$\stackrel{\‾}{X}=\left[\begin{array}{cccc}{\stackrel{\‾}{x}}_1& {\stackrel{\‾}{x}}_2& ...& {\stackrel{\‾}{x}}_m\\ {\stackrel{\‾}{x}}_1& {\stackrel{\‾}{x}}_2& ...& {\stackrel{\‾}{x}}_m\\ ...& ...& ...& ...\\ {\stackrel{\‾}{x}}_1& {\stackrel{\‾}{x}}_2& ...& {\stackrel{\‾}{x}}_m\end{array}\right]$

标准化后的矩阵X_s为：

$X_s=\left[\begin{array}{cccc}{x}_{s11}& x_{s12}& ...& x_{s1m}\\ x_{s21}& x_{s22}& ...& x_{s2m}\\ ...& ...& ...& ...\\ x_{\mathrm{sn}1}& x_{\mathrm{sn}2}& ...& x_{\mathrm{snm}}\end{array}\right]=\left[\begin{array}{cccc}{x}_{c11}& x_{c12}& ...& x_{c1m}\\ x_{c21}& x_{c22}& ...& x_{c2m}\\ ...& ...& ...& ...\\ x_{\mathrm{cn}1}& x_{\mathrm{cn}2}& ...& x_{\mathrm{cnm}}\end{array}\right]\·\left[\begin{array}{cccc}\frac{1}{s_1}& \frac{1}{s_1}& ...& \frac{1}{s_1}\\ \frac{1}{s_2}& \frac{1}{s_2}& ...& \frac{1}{s_2}\\ ...& ...& ...& ...\\ \frac{1}{s_m}& \frac{1}{s_m}& ...& \frac{1}{s_m}\end{array}\right]$

其中，x_sij为标准化后矩阵X_s的元素，

i＝1，2，…，n，j＝1，2，…，m， $s_j=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(x_{\mathrm{cij}}\right)}^2},$ j＝1，2，…，m。

②采用累计方差贡献率法或交叉检验法确定主元个数，并经数据验证，最终确定主元模型。

③选择不同检验水平，计算不同检验水平下的统计变量平方预估误差(Squared Prediction Error，SPE)和得分向量的标准平方和T²的阈值，将此阈值作为系统运行安全评价的标准(即统计变量空间的安全域边界)。对于过程变量第i时刻的采样X_(i)来说，SPE和T²分别按以下两式计算：

${\mathrm{SPE}}_i=e_i{e}_i^T=X_{\left(i\right)}(I-P_k{P}_k^T){X_{\left(i\right)}}^T$

$T_i^2=t_i{\mathrm{\Λ}}_k^{-1}{t}_i^T=X_{\left(i\right)}{P}_k{\mathrm{\Λ}}_k^{-1}{P_k^T{X}_{\left(i\right)}}^T$

其中，SPE_i为第i时刻的统计变量平方预估误差；e_i为残差矩阵的第i行，P_k为前k个负荷向量组成的负荷矩阵，t_i为对X_s进行主元变换后的第i主元，Λ_k为前k个主元所对应的特征值组成的对角阵。

当检验水平为α时，SPE和T²的上控制限可分别按下式计算：

${\mathrm{SPE}}_{\mathrm{UCL}}={\mathrm{\θ}}_1{[\frac{C_{\mathrm{\α}}\sqrt{{2\mathrm{\θ}}_2{h}_0}}{\mathrm{\α}}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\α}}^2}]}^{\frac{1}{h_0}}$

${T^2}_{\mathrm{UCL}}=\frac{k(n-1)}{n-k}\·F_{\mathrm{\α}}(k,n-k)$

其中， ${\mathrm{\θ}}_1=\underset{i=k+1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\λ}}_i,$ ${\mathrm{\θ}}_2=\underset{i=k+1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\λ}}_i^2,$ $h_0=\frac{1-2\mathrm{\α}{\mathrm{\θ}}_3}{2{\mathrm{\θ}}_2^2},$ ${\mathrm{\θ}}_3=\underset{i=k+1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\λ}}_i^3,$ λ_i第i主元对应的特征值；C_α为标准正态分布的100α百分位点，T² _UCL为T²的上控制限；F_α(k，n-k)为自由度为k和n-k的中心F分布的上100α百分位点，可由F分布表查得。

将需进行安全评价的系统实时状态数据代入主元模型，按照③中的公式计算其统计变量SPE和T²，与③中的阈值进行比较。

第二种，基于数据智能分类的方法，其步骤为：

①基于已有的安全相关变量的数据集，选取合适的安全评价指标和评判准则，将预处理后各种工况(包括正常和各非正常工况)下数据标记为“安全”和“非安全”两类。

②将标记后数据按设定比例分为训练数据和测试数据，选定核函数和分类面确定算法，完成SVM模型的初始化。

SVM的二分类问题就是寻找一个最优分类超平面，使得从这个超平面到两类样本中最近样本的距离之和，也即分类间隔最大。假定一个q维l个样本的矢量集：

D＝{(x₁，y₁)，…，(x_l，y_l)}，x∈R^q，y∈{+1，-1}

和一个q维的超平面：

<w，x>+b＝0，w∈R^q，b∈R

此时分类间隔为2/||w||。间隔最大等价于||w||最小。对于线性可分问题，可以通过求：

$\mathrm{\&Phi;}\left(w\right)=\frac{1}{2}{\left|\right|w\left|\right|}^2$

在约束条件：

y(<w，x_i>+b)≥1，i＝1，2，…，l

下的极小值来获取分类间隔最大的最优超平面。解矢量w^*即为支持向量，它是一个由训练样本集的一个子集样本矢量构成的展开式。从训练集中得到了描述最优分类超平面的决策函数即支持向量机，它的分类功能由支持向量决定。决策函数可表示为：

f(x)＝sgn(<w^*，x>+b)

对于线性不可分问题，可以将待分样本通过非线性变换映射到某个高维的特征空间，如下式，使得其在该高维空间下线性可分。

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{y}_{i}K(x,x_i)+b)$

其中：K(x，x_i)为核函数，α_i为拉格朗日乘子。

③利用训练数据训练SVM模型，并利用测试数据进行分类器性能检验，即当分类正确率达到一定要求时停止训练，得到最佳分类面方程(即为安全相关变量空间的安全域边界)。

总结上述两种数据驱动的安全域估计方法，第一种能给出评估对象是否安全的二值评价结果，无法给出安全相关变量空间的安全裕度，但其算法比较简单，更适合于实时性要求高的对象；第二种不仅可以判断评估对象是否安全，还可给出当前状态的安全裕度，进行初步趋势预测。

(5)系统运行安全评估

由系统实时状态数据确定其在统计变量空间和安全相关变量空间的点(即系统实时运行状态点)，并将该点与所对应空间的安全域边界进行比较。若该点落在安全域边界之外，则评定系统此时处于“不安全”状态，并计算此时状态点距离安全域边界的距离，可估计出系统此时不安全的程度，即距离安全域边界越远，不安全程度越高；若该点位于安全域边界以内，则评定系统此时处于“安全”状态，同样计算此时状态点距离安全域边界的距离，可估计出系统此时的安全裕度；若该点正好位于安全域边界上，则评定系统此时处于临界状态。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种轨道交通系统运行安全评估方法，其特征是该方法包括以下步骤：

步骤1：确定评估对象的安全相关变量；

步骤2：获取安全相关变量的数据；

步骤3：对安全相关变量的数据预处理；

步骤4：确定评估对象的安全域的边界；

步骤5：系统运行安全评估。

2.根据权利要求1所述的一种轨道交通系统运行安全评估方法，其特征是所述评估对象的安全域的边界的求解方法为基于多元统计分析的方法或基于数据智能分类的方法。

3.根据权利要求2所述的一种轨道交通系统运行安全评估方法，其特征是所述基于多元统计分析的方法为：

步骤4.1.1：将预处理后的数据集进行中心化和标准化；

步骤4.1.2：采用累计方差贡献率法或交叉检验法确定主元个数，并经数据验证，确定主元模型；

步骤4.1.3：计算设定检验水平下的统计变量平方预估误差和得分向量的标准平方和的阈值，将该阈值作为统计变量空间的安全域边界。

4.根据权利要求3所述的一种轨道交通系统运行安全评估方法，其特征是所述统计变量平方预估误差的计算公式为：

${\mathrm{SPE}}_i=e_i{e}_i^T=X_{\left(i\right)}(I-P_k{P}_k^T){X_{\left(i\right)}}^T$

其中：

SPE_i为第i时刻的统计变量平方预估误差；

e_i为残差矩阵的第i行；

X_(i)为过程变量第i时刻的采样；

P_k为前k个负荷向量组成的负荷矩阵。

5.根据权利要求4所述的一种轨道交通系统运行安全评估方法，其特征是所述得分向量的标准平方和的阈值的计算公式为：

$T_i^2=t_i{\mathrm{\&Lambda;}}_k^{-1}{t}_i^T=X_{\left(i\right)}{P}_k{\mathrm{\&Lambda;}}_k^{-1}{P_k^T{X}_{\left(i\right)}}^T$

其中：

为第i时刻的得分向量的标准平方和的阈值；

t_i为对X_s进行主元变换后的第i主元；

Λ_k为前k个主元所对应的特征值组成的对角阵。

6.根据权利要求2所述的一种轨道交通系统运行安全评估方法，其特征是所述基于数据智能分类的方法为：

步骤4.2.1：选取指定的安全评价指标和评判准则，对预处理后各种工况下的数据进行标记；

步骤4.2.2：将标记后数据按设定比例分为训练数据和测试数据，选定核函数和分类面确定算法，完成支持向量机模型的初始化；

步骤4.2.3：利用训练数据训练支持向量机模型，并利用测试数据进行分类器性能检验，得到安全相关变量空间的安全域边界。

Images