CN103714383B - 一种基于粗糙集的轨道交通故障诊断方法和系统 - Google Patents

Abstract

本发明涉及一种基于粗糙集的轨道交通故障诊断方法和系统，其步骤包括：1）采集轨道交通信号设备的监测数据，并对采集的监测数据进行特征提取，进而建立故障诊断决策表；2）基于粗糙集对所述故障诊断决策表进行知识提取和属性约简，得到最佳属性约简组合；3）建立神经网络模型，以最佳属性约简组合中的条件属性作为输入，以其决策属性为神经网络的输出目标，采用神经网络进行训练；4）利用训练好的神经网络计算实时故障信息的可能故障区域的概率，将概率最大的故障区域作为最后的故障诊断结果进行输出。本发明能够解决人工诊断铁路信号系统故障时工作量大、效率低下、风险性高等问题，提高轨道交通数据分析和故障诊断的效率和准确性。

Description

一种基于粗糙集的轨道交通故障诊断方法和系统

技术领域

本发明属于轨道交通技术、信息技术领域，涉及一种基于粗糙集的轨道交通故障诊断方法和系统。

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粗糙集的轨道交通监测数据分析和故障诊断方法。

本发明采用的技术方案如下：

一种基于粗糙集的轨道交通故障诊断方法，其步骤包括：

1）采集轨道交通信号设备的监测数据，并对采集的监测数据进行特征提取，进而建立故障诊断决策表；

2）基于粗糙集对所述故障诊断决策表进行知识提取和属性约简，得到最佳属性约简组合；

3）建立神经网络模型，以最佳属性约简组合中的条件属性作为输入，以其决策属性为神经网络的输出目标，采用神经网络进行训练；

4）利用训练好的神经网络计算实时故障信息的可能故障区域的概率，将概率最大的故障区域作为最后的故障诊断结果进行输出。

进一步地，步骤1）对采集的监测数据进行特征提取前先进行预处理，所述预处理包括数据清洗、数据规范化和数据规约。

进一步地，步骤2）基于粗糙集进行知识提取和属性约简的步骤包括：

2.1）根据轨道交通信号设备监测数据样本建立故障诊断决策表T；

2.2）建立决策表的可辨识矩阵M_D=(m_ij)_n×n，其中，m_ij代表可辨识矩阵M_D中的第i行第j列的元素，可辨识矩阵M_D是n×n矩阵；

2.3）如果可辨识矩阵M_D=(m_ij)_n×n存在单属性元素，则将其放入集合K，称为核属性集合，转到步骤3.4）；否则，建立可辨识矩阵中各个非零元素的析取逻辑表达式L_ij=Va_i，其中a_i为非零元素m_ij中的属性项，转到步骤3.5）；

2.4）对任意的K_i∈K,i=1，…，n，如果K_i∈M_D，则令M_D中与K_i对应的元素m_ij=0，得到新矩阵M′_D；对于矩阵M′_D中的所有非零元素，建立相应的析取逻辑表达式L_ij=Va_i，其中a_i为非零元素m_ij中的属性项；

2.5）将所有的析取表达式L_ij进行合取运算，得到一个合取范式：L=ΛL_ij;

2.6）将合取范式L转换为析取范式的形式，得到L′=VL_i；

2.7）将核属性集合L中的元素加入到L′中的每个合取项，则每个合取项就对应一个属性约简的结果，得到约简集合R_i；

2.8）选取属性约简组合中项数最少的R_s为最终属性约简组合，则R_mai=R_s，R_mai是最佳属性约简组合。

进一步地，步骤2.1）以监测到的电压、电流等模拟量和开关量为条件属性，以故障部位作为决策属性建立决策表。

进一步地，步骤3）对神经网络进行训练的步骤包括：

3.1）利用神经网络进行训练，神经网络的输入节点数为条件属性个数，输出节点数为决策属性个数；

3.2）以最佳属性约简组合R_mai(x₁，x₂，...，x_n)中的条件属性作为神经网络的输入，定义域为[0,1]，以其决策属性为神经网络的输出目标，输出范围为[0,1]；

3.3）训练所有列于R_mai(x₁，x₂，...，x_n)中的样本。

进一步地，步骤4）将得到的可能故障区域的概率按概率大小排序，取概率最大的故障区域作为最后的故障诊断结果的输出。

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神经网络模型模型，并对数据库中的实时数据通过调用神经网络模型模型进行对设备的故障诊断；

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神经网络模型模型。

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。

本发明的基于粗糙集的轨道交通监测数据分析和故障诊断方法和系统，通过自动化的手段来代替人工在海量的监测信号中进行故障的判断和分析，可以大量节约的人力成本以及故障原因分析的时间，提高工作效率，降低风险。粗糙集方法不需要提供待解问题之外的任何先验信息，适合于在故障诊断中的应用，可以满足缺乏专家知识的需要。在复杂设备的故障诊断中，故障的属性集往往非常庞大，其它的处理方法不能自动地选择需要的属性集，这就使数据分析的效率低下，利用粗糙集方法进行数据分析可以去掉多余的属性，可以提高数据分析的效率和准确性。

附图说明

图1是本发明的基于粗糙集的轨道交通故障诊断方法的步骤流程图。

图2是实施例中数据分析工作站的结构示意图。

图3是实施例中便携式数据分析工作站的结构示意图。

图4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。

本发明提供的是一种基于粗糙集的轨道交通监测数据分析和故障诊断方法，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。

粗糙集理论是离散数据推理的一种新方法，目前粗糙集方法己成为据挖掘应用的主要技术之一。它的基本思想是根据目前已有的对给定问题的知识，将问题的论域进行划分，然后对划分后的每一组成部分，确定其对某一决策集合的属于程度。粗糙集理论在数据库中发现分类规则的基本思想就是将数据对象根据属性的不同属性值分成相应的子集，然后对条件属性划分的子集与结论属性划分的子集进行一系列的集合的上、下近似的运算，以生成各子类的判定规则。

当信息表中属性集A分成条件属性和决策属性两个互不相关的属性集时，信息系统便成为决策系统。论域中的对象根据条件属性的不同，被划分到具有不同决策性的决策表。决策表的化简就是去除表中多余的条件属性，计算所有的化简，并发现核属性。粗糙集通过在大量数据中提取核属性，对数据进行预处理，使最终的决策变得简单。

对于一个故障样本组成的决策表，其条件属性为监测量。决策属性为故障部位，用None来表示无故障。

具体的约简步骤如下：

步骤1：求可辨识矩阵。

可辨识矩阵通过将决策表中的每个样本记录与其他所有样本记录进行决策属性值和条件属性值比较得到。

步骤2：找出核属性以及不包括核属性的组合。

步骤3：将合取范式转化为析取范式并简化。

粗糙集理论提供的方法能够有效地约简故障诊断决策表，极大地提高轨道交通信号设备故障诊断的效率，同时能够较好地处理不确定信息，因此，本发明采用粗糙集理论和神经网络相结合的方法进行轨道交通信号设备故障诊断，力求解决轨道交通信号设备故障诊断容错性差的问题。当故障信息不完备，特别是丢失重要属性时，针对单独使用神经网络方法进行故障诊断容易出错的问题，粗糙集可以利用决策表约简减小这种可能性。另外，当规则库较大时，可以利用粗糙集的属性约简进行数据前处理，为该方法的编程实现和应用于实际大规模轨道交通信号设备奠定了良好的基础。

具体来说，本发明的基于粗糙集和神经网络的轨道交通信号设备故障诊断算法流程如图1所示，下面对各个步骤进行具体说明。

1）采集轨道交通信号设备的监测数据

利用信号集中监测CSM系统等的数据采集设备，通过布置在设备中的各类传感器对设备的运行参数进行采集，数据的类型包括模拟量和开关量。

2）对采集的监测数据进行预处理

通过数据分析服务器，对监测数据进行预处理，保证数据分析能够顺利的进行。主要包括：

数据清洗：去除数据中的噪声（如漏值、错值等）干扰。

数据规范化：通过对模拟数据的缩放和离散化的等处理，将连续数据转化为数据挖掘算法需要的离散形式。

数据规约：通过维数规约可以检测并删除不相关、弱相关的属性或维，以降低数据分析算法的负担，提高诊断速度和准确度。

3）进行特征提取，形成决策表

采集的设备参数有很多，但是与设备故障模式相关的参数只有少数几种，因此需要通过对设备故障模型和参数的分析，选择与设备故障相关的参数，将这些参数作为故障诊断和决策的依据。

4）基于粗糙集的知识提取和属性约简

①根据轨道交通信号设备监测数据样本建立故障诊断决策表。对于一个轨道交通信号设备，以监测到的电压、电流等模拟量和开关量为条件属性，以故障部位作为决策属性，建立决策表T。

②建立决策表的可辨识矩阵M_D=(m_ij)_n×n。其中，m_ij代表可辨识矩阵M_D中的第i行第j列的元素。可辨识矩阵M_D是n×n矩阵。

③如果可辨识矩阵M_D=(m_ij)_n×n存在单属性元素，则将其放入集合K，称为核属性集合，转到步骤④；否则，建立可辨识矩阵中各个非零元素的析取逻辑表达式L_ij=Va_i，其中a_i为非零元素m_ij中的属性项，转到步骤⑤。

④对任意的K_i∈K,i=1，…，n，如果K_i∈M_D，则令M_D中与K_i对应的元素m_ij=0，得到新矩阵M′_D。对于矩阵M′_D中的所有非零元素，建立相应的析取逻辑表达式L_ij=Va_i，其中a_i为非零元素m_ij中的属性项。

⑤将所有的析取表达式L_ij进行合取运算，得到一个合取范式：L=ΛL_ij。

⑥将合取范式L转换为析取范式的形式，得到L′=VL_i。

⑦将核属性集合L中的元素加入到L′中的每个合取项，则每个合取项就对应一个属性约简的结果，得到约简集合R_i。

⑧选取属性约简组合中项数最少的R_s为最终属性约简组合，则R_mai=R_s,R_mai是最佳属性约简组合。

5）神经网络模型的建立和训练

①利用神经网络进行训练。这里采用三层神经网络（也可以是其它层数的神经网络），其输入节点数为条件属性个数，输出节点数为决策属性个数。

②以最佳属性约简组合R_mai(x₁，x₂，...，x_n)中的条件属性作为神经网络的输入，定义域为[0,1]，以其决策属性为神经网络的输出目标，输出范围为[0,1]。

③训练所有列于R_mai(x₁，x₂，...，x_n)中的样本。

6）故障诊断结果输出

①给定含一定错误数据的实时故障信息X(x₁，x₂，...，x_n)，利用训练好的神经网络计算其可能故障区域的概率。

②将得到的可能故障区域的概率，按概率大小排序，取概率最大的故障区域c作为最后的故障诊断结果的输出。

下面提供采用本发明的方案进行故障诊断的实施例：

a）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数据分析工作站或便携式数据分析工作站。图2和图3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。设备的历史数据和实时数据都存储于数据分析工作站或便携式数据分析工作站的本地数据库中。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，将得到的故障诊断模型（即上述的本发明的粗糙集属性约简的神经网络模型）存储于本地的知识库中。对于数据采集的设备实时数据，通过调用知识库中故障诊断模型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。

b）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，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，将得到的故障诊断模型（即上述的本发明的神经网络模型）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故障诊断模型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。图4是运维级数据分析的结构框图。其中故障诊断终端是人机交互的操作界面，用于用户查看设备状态和故障，并反馈诊断结果的评价。

下面以25HZ相敏轨道电路设备故障诊断为例，进一步说明本发明方法的实施过程。

首先通过分析确定设备的故障的模式一共有4种，如下：

①开路故障；②继电器故障；③短路半短路故障；④半开路故障。

通过轨道监测数据采集系统，其监测量主要包括以下几种：

①分线盘电压a

②送端限流电阻压b

③轨道继电器电压c

④轨道继电器相位角d

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.监测数据列表

通过采用上述粗糙集约简算法进行属性约简，得到约简后的决策表如表2所示：

表2.约简后的决策表

从约简后的决策表和原决策表的对比可以看出，决策表中的条件属性从4维降至2维，即对于故障的决策可以只用2维故障表征判断，从而大大减少了决策表的复杂程度。

得到约简后的决策表后，将这个2维的数据样本作为训练样本输入到神经网络中进行训练，从而得到神经网络分类模型。

在有新的数据到来时，可以采用训练的分类模型进行分类，得到故障的决策属性值。

例如当分线盘电压为51，送端限流电阻压13时，可以得到故障的决策属性值为2，即继电器故障。

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。

Claims (9)

1.一种基于粗糙集的轨道交通故障诊断方法，其步骤包括：

1)采集轨道交通信号设备的监测数据，并对采集的监测数据进行特征提取，进而建立故障诊断决策表；

2)基于粗糙集对所述故障诊断决策表进行知识提取和属性约简，得到最佳属性约简组合；所述基于粗糙集进行知识提取和属性约简的步骤包括：

2.1)根据轨道交通信号设备监测数据样本建立故障诊断决策表T；

2.2)建立决策表的可辨识矩阵M_D＝(m_ij)_n×n，其中，m_ij代表可辨识矩阵M_D中的第i行第j列的元素，可辨识矩阵M_D是n×n矩阵；

2.3)如果可辨识矩阵M_D＝(m_ij)_n×n存在单属性元素，则将其放入集合K，称为核属性集合，转到步骤2.4)；否则，建立可辨识矩阵中各个非零元素的析取逻辑表达式L_ij＝∨a_i，其中a_i为非零元素m_ij中的属性项，转到步骤2.5)；

2.4)对任意的K_i∈K，i＝1，…，n，如果K_i∈M_D，则令M_D中与K_i对应的元素m_ij＝0，得到新矩阵M′_D；对于矩阵M′_D中的所有非零元素，建立相应的析取逻辑表达式L_ij＝∨a_i，其中a_i为非零元素m_ij中的属性项；

2.5)将所有的析取表达式L_ij进行合取运算，得到一个合取范式：L＝∧L_ij；

2.6)将合取范式L转换为析取范式的形式，得到L′＝∨L_i；

2.7)将核属性集合L中的元素加入到L′中的每个合取项，则每个合取项就对应一个属性约简的结果，得到约简集合R_i；

2.8)选取属性约简组合中项数最少的R_S为最终属性约简组合，则R_mai＝R_S，R_mai是最佳属性约简组合；

3)建立神经网络模型，以最佳属性约简组合中的条件属性作为输入，以其决策属性为神经网络的输出目标，采用神经网络进行训练；

4)利用训练好的神经网络计算实时故障信息的可能故障区域的概率，将概率最大的故障区域作为最后的故障诊断结果进行输出。

2.如权利要求1所述的方法，其特征在于：步骤1)利用信号集中监测CSM系统，通过布置在轨道交通信号设备中的各类传感器对设备的运行参数进行采集，采集的数据的类型包括模拟量和开关量。

3.如权利要求1所述的方法，其特征在于：步骤1)对采集的监测数据进行特征提取前先进行预处理，所述预处理包括数据清洗、数据规范化和数据规约。

4.如权利要求1所述的方法，其特征在于，步骤2.1)以监测到的模拟量和开关量为条件属性，以故障部位作为决策属性建立决策表。

5.如权利要求1所述的方法，其特征在于，步骤3)对神经网络进行训练的步骤包括：

3.1)利用神经网络进行训练，神经网络的输入节点数为条件属性个数，输出节点数为决策属性个数；

3.2)以最佳属性约简组合R_mai中的条件属性作为神经网络的输入，定义域为[0,1]，以其决策属性为神经网络的输出目标，输出范围为[0,1]；

3.3)训练所有列于R_mai中的样本。

6.如权利要求1所述的方法，其特征在于：步骤5)将得到的可能故障区域的概率按概率大小排序，取概率最大的故障区域作为最后的故障诊断结果的输出。

7.一种采用权利要求1所述方法的轨道交通故障诊断系统，其特征在于，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神经网络模型模型，并对数据库中的实时数据通过调用神经网络模型模型进行对设备的故障诊断；

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神经网络模型模型。

8.如权利要求7所述的系统，其特征在于：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。

9.如权利要求7所述的系统，其特征在于：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。