CN108537259A - 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法 - Google Patents
基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法 Download PDFInfo
- Publication number
- CN108537259A CN108537259A CN201810259114.6A CN201810259114A CN108537259A CN 108537259 A CN108537259 A CN 108537259A CN 201810259114 A CN201810259114 A CN 201810259114A CN 108537259 A CN108537259 A CN 108537259A
- Authority
- CN
- China
- Prior art keywords
- failure
- fault
- train control
- board equipment
- attribute
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明提供了一种基于粗糙集‑神经网络模型的列控车载设备故障分类与识别方法。该方法包括:根据由列控车载设备故障日志文件分析整理的故障案例库,挖掘出故障种类和故障代码之间的对应关系,对故障案例库中的故障代码和故障种类进行编码,生成最初决策表,确定分类规则;运用RST对最初决策表进行属性约简,生成最终决策规则;基于最终决策规则构建神经网络模型,利用神经网络模型实现对列控车载设备的故障识别。本发明提出了一种神经网络结合粗糙集理论的故障分类与识别方法,解决了含有高噪声列控车载设备文本故障数据的故障识别率低及不完备知识处理能力差等问题,可以保证列控车载设备的故障分类识别的准确性。
Description
技术领域
本发明涉及列控车载设备故障识别技术领域,尤其涉及一种基于粗糙集- 神经网络模型的列控车载设备故障分类与识别方法。
背景技术
故障诊断技术一直是工程应用领域的一大重点和难点,因此,大量的研 究工作已经展开,并取得重大的成果。
随着研究的不断深入,故障诊断技术逐渐发展成为一门较成熟的学科, 但是由于列车运行控制系统的特点,真正适用于列控系统的故障诊断方法并 不多,主要有故障树、专家系统、贝叶斯网络等,但都是基于系统级别,处 理基于文本数据类的列控车载设备故障时并不占优势,并存在故障分辨率不 高、对不确定知识的处理能力差的缺点。
目前,现有技术中的列控车载设备的故障诊断与定位主要依赖大量维修 人员的人工诊断,费时费力,并且诊断准确率低。
发明内容
本发明的实施例提供了一种基于粗糙集-神经网络模型的列控车载设备的 故障识别方法,以实现有效地进行列控车载设备的故障诊断。
为了实现上述目的,本发明采取了如下技术方案。
一种基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法,包 括:
根据由列控车载设备故障日志文件分析整理的故障案例库,挖掘出故障 种类和故障代码之间的对应关系,对所述故障案例库中的故障代码和故障种 类进行编码,生成最初决策表,确定故障分类规则;
运用RST对所述最初决策表进行属性约简,生成最终决策规则;
基于所述最终决策规则构建基于神经网络的故障诊断系统,利用所述基 于神经网络的故障诊断系统实现对列控车载设备的故障识别。
进一步地,所述的根据由列控车载设备故障日志文件分析整理的故障案 例库,挖掘出故障种类和故障代码之间的对应关系,包括:
根据工区记录统计的日交接班记录表获取列控车载设备的故障日志文本 数据,从所述故障日志文本数据中提取出列控车载设备的故障数据,生成包 含故障信息的故障数据汇总表,将该故障数据汇总表作为故障案例库;
根据所述故障案例库统计出故障数据中的每种故障种类所对应的故障代 码个数及故障代码表述,所述故障种类包括列控车载设备的BTM应答器传输 单元和TIU列车接口单元的相关故障,所述故障代码是故障日志文本数据中 记录列控车载设备运行状态的自然描述语言。
进一步地,所述的对所述故障案例库中的故障代码和故障种类进行编 码,生成最初决策表,包括:
(1)确定列控车载设备故障诊断的对象:{BTM,TIU};
(2)对BTM和TIU对应的故障代码分别进行字母编码:Φ=(A,B,C,…), 其中,A、B、C…分别代表一种故障代码,Φ表示条件属性,每种故障代码 的Φ取值为0或1,其中,1代表样本故障中存在该种故障代码,0代表不存 在该种故障代码;
(3)对BTM和TIU对应的故障种类分别进行数字编码:d=(1,2,…,n), 其中d表示决策属性,n为BTM、TIU所出现的故障种类数量;
(4)生成故障代码和故障种类的字符编码形式,将字母编码后的故障代 码作为故障诊断的条件属性,将数字编码后的故障种类作为决策属性,再结 合故障代码与故障种类之间的对应关系生成最初决策表,确定故障分类规则。
进一步地,针对BTM,n的不同取值对应的故障种类如下述表1所示:
表1
进一步地,所述的运用RST对所述最初决策表进行属性约简,生成最终决 策规则,包括:
利用RST在数据挖掘方面的属性约简和模糊不完整信息处理的特性,对 通过预处理得到的最初决策表进行属性约简,剔除低关联性信息,清洗其中 关联度低或无用的属性,通过约简的属性表中确定最终的分类规则,根据最 终的分类规则生成最终决策规则;
RST属性约简的处理流程包括如下的处理步骤:
(9)建立知识系统:S={U,R},其中U={A,B,C,D,E,F,G,H,I,J,K,L,M,N,O,P,Q,R}, U为研究对象列控车载设备的故障集合称为域,R是基于U的一一对应关系, 即等价关系;
(10)剔除最初决策表中的重复事件;
(11)由公式ind(P)=ind(R-{P})得出必要属性,其中,P为一族等价关系;
(12)由RST知识进行推理,求出区分矩阵;
(13)根据核属性及属性重要度的定义,由区分矩阵进而求出核属性、 重要属性;
(14)根据核属性、重要属性和必要属性构成初步决策表;
(15)基于集合间的包容关系,对初步决策表进行属性约简,进而得出 最终决策表;
(16)将最终决策表作为最终的分类规则;
所述RST的区分矩阵及属性重要度的计算步骤如下。
(1)建立知识库信息系统:K=(U,R),U称为域,即所研究对象的故 障集,R是基于U的一一对应关系,即等价关系,ind(K)为K中全部等价关系 的族,记作令P为一族等价关系,ind(P)= ind(R-{P});
(2)建立知识表达系统:S=(U,A,V,f),S的区分矩阵是一个n×n的对称矩 阵;
(3)计算区分矩阵:A是所有属 性元素构成的集合,α,d是A中的元素,Xj为U的非空子集,x是Xj中的 元素,i,j=1,2,...,n;
(4)计算属性重要度:其中,属性α∈C, i,j=1,2,...,n,|cij|是区分矩阵中元素cij的长度。
进一步地,所述的基于所述最终决策规则构建基于神经网络的故障诊断 系统,利用所述基于神经网络的故障诊断系统实现对列控车载设备的故障识 别,包括:
基于所述最终决策表确定故障诊断规则,即最终故障分类规则,采用 MATLAB软件中的神经网络模式识别工具箱对故障诊断规则进行仿真,实现 基于神经网络的故障诊断系统;
利用采集的列控车载设备中的BTM和TIU的已知故障数据构造训练样本和 测试样本,利用训练样本对所述基于神经网络的故障诊断系统进行训练,利 用测试样本对训练后的故障诊断系统进行相应测试,得到训练好的基于神经 网络的故障诊断系统;
将列控车载设备中的BTM和TIU的未知故障样本输入到所述训练好的基于 神经网络的故障诊断系统,该基于神经网络的故障诊断系统输出未知故障样 本的诊断结果,该诊断结果包括未知故障样本是正常样本还是故障样本,如 果是故障样本,还输出故障类型。
由上述本发明的实施例提供的技术方案可以看出,本发明针对神经网络 算法无法从低关联度的初始数据中完成重要信息的存取、消除高噪声,提出 了一种神经网络结合粗糙集理论的故障诊断方法,即将对案例库进行预处理 所得到的原始决策矩阵,利用粗糙集的知识约简能力对其进行属性约简,确 定出最终的故障诊断规则,并将其应用到神经网络中进行故障诊断,从而验 证了该方法在实现列控车载设备故障分析方面的可行性。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的 描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所 需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发 明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前 提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于粗糙集-神经网络模型的列控车载设备 的故障分类与识别方法的处理流程图;
图2为本发明实施例提供的一种RST属性约简的处理流程图;
图3为本发明实施例提供的一种基于粗糙集-神经网络模型的列控车载设备 的故障诊断系统的模型示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出, 其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功 能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发 明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式 “一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解 的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步 骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、 整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被 “连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或 者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无 线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项 的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语 (包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一 般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该 被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一 样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例 做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
神经网络(Neural Network,NN)模式识别有多种网络结构,主要分为两 种拓扑结构:多输出型(all classes one net,ACON)和单输出型(one class one net,OCON)。
在众多神经网络结构中,应用最多的是多输出型(ACON)拓扑结构,典 型方法是:网络的每个输入节点对应于样本的一个特征属性;输出层单元采 用“c中取1”编码,每个输出节点对应一个类,即输出层单元数等于模式类数; 训练样本数据的期望输出为[0,…,1,…,0],即其所属类的相应输出节点 为1,其他节点为0;对于识别阶段:未知样本的类别判定为与输出值最大的 节点对应的类别。
经过学习大量的样本,记录调整后的权值,使用此权值数据确定的网络 对新的样本进行识别,并计算故障识别准确率和误差范围。
整个粗糙集理论(Rough Set Theory,RST)的核心就是对知识、集合进 行划分,对不精确、不一致、不完整的信息进行有效的知识属性约简,删除 不相关或不重要的知识属性,并在维持识别特性不变的情况下,从约简的属 性表中发现分类规则。近年来,粗糙集理论的优势逐步凸显,其在工程领域 方面的应用也变得越来越多,但在列控系统方面的应用比较少,值得进一步 的研究。
神经网络算法无法从低关联度的初始数据中完成重要信息的存取、消除 高噪声,为了解决此问题,本发明实施例提供了一种基于粗糙集-神经网络模 型的列控车载设备的故障识别方法,首先将神经网络应用于含噪声程度不同 的列控系统列控车载设备的应答器传输单元、列车接口单元故障诊断中,包 括数据预处理、分类规则的确定及案例仿真与结果分析,而后通过粗糙集理 论对神经网络技术进行改进,形成列控车载设备的故障诊断流程。
本发明实施例提供的一种基于粗糙集-神经网络模型的列控车载设备的故 障分类与识别方法的处理流程图如图1所示,包括如下的处理步骤:
步骤S110、根据由列控车载设备故障日志文件分析整理的故障案例库, 挖掘出故障种类和故障代码之间的对应关系。
根据工区记录统计的日交接班记录表,分析列控车载设备的故障日志文 本数据,结合专家意见从故障日志文本数据中提取列控车载设备的故障数据, 生成包含故障信息的较为全面且表达简明、准确度较高的故障数据汇总表, 将该故障数据汇总表作为故障案例库。
在故障案例库的基础上,统计出故障数据中的每种故障种类所对应的故 障代码个数及故障代码表述。所述的故障种类主要针对列控车载设备的应答 器传输单元(BaliseTransmission Module,BTM)及列车接口单元(Train Interface Unit,TIU)的相关故障,所述的故障代码是故障日志文本数据中记 录列控车载设备运行状态的自然描述语言。
步骤S120、对案例库中的故障代码和故障种类进行编码,生成最初决策 表,根据决策表确定列控车载设备故障的分类规则。
为满足模型的输入输出数据格式要求,需将自然描述语言形式的故障数 据进行编码预处理,即对案例库中的故障代码和故障种类进行编码。
具体步骤如下:
(1)确定列控车载设备故障诊断的对象:{BTM,TIU};
(2)对故障代码进行字母编码:Φ=(A,B,C,…),其中,A、B、C…分别 代表一种故障代码,Φ表示条件属性,每种故障代码的Φ取值为0或1,其中, 1代表样本故障中存在该种故障代码,0代表不存在该种故障代码;
(3)对故障种类进行数字编码:d=(1,2,…,n),其中d表示决策属性,n为 BTM、TIU所出现的故障种类数量;
针对BTM,n的不同取值对应的故障种类如表1所示。
表1
(4)剔除故障种类中很少出现的故障种类,生成最终的故障代码和故障 种类的字符编码形式。
根据预处理后的故障数据,将字母编码后的故障代码作为故障诊断的条 件属性,将数字编码后的故障种类作为决策属性,再结合故障代码与故障种 类之间的对应关系生成最初决策表。然后,根据最初决策表确定故障诊断的 分类规则。
步骤S130、运用RST对最初决策表进行属性约简,生成最终决策规则;
针对本发明中神经网络模型在数据高噪声背景下实现列控车载设备的故 障诊断过程中辨识率较低的问题,引入了RST,利用RST在数据挖掘方面的 属性约简和模糊不完整信息处理的特性,对通过预处理得到的最初决策表进 行属性约简,剔除低关联性信息,清洗其中关联度低或无用的属性,最后在 约简的属性表中发现最终的分类规则,根据最终的分类规则生成最终决策规 则。从而提高神经网络的分类识别能力,使得故障诊断的能力有较大幅度的 提高。
本发明实施例提供的一种RST属性约简的处理流程如图2所示,包括如 下的处理步骤:
(17)建立知识系统:S={U,R}。其中U={A,B,C,D,E,F,G,H,I,J,K,L,M,N,O,P,Q,R}, R为:d,U为研究对象列控车载设备的故障集合称为域,R为U上的一个等 价关系;
(18)剔除最初决策表中的重复事件;
(19)由公式ind(P)=ind(R-{P})得出必要属性,其中,P为一族等价关系, P是R中不必要的;
(20)由RST知识进行推理,求出区分矩阵;
(21)根据核属性及属性重要度的定义,由区分矩阵进而求出核属性重 要属性;
(22)根据核属性、重要属性和必要属性构成初步决策表;
(23)基于集合间的包容关系,对初步决策表进行属性约简,进而得出 最终决策表。
(24)将最终决策表作为最终的分类规则。
上述RST的区分矩阵及属性重要度的计算步骤如下。
(3)建立知识库信息系统:K=(U,R),U称为域,即所研究对象的故障 集,R是基于U的一一对应关系,即等价关系,ind(K)为K中全部等价关系的族, 记作令P为一族等价关系,ind(P)=ind(R-{P})。
(2)建立知识表达系统:S=(U,A,V,f),S的区分矩阵是一个n×n的对称矩 阵。
(3)计算区分矩阵:i,j=1,2,...,n,A是所有属性元素构成的集合,α,d是A中的元素,Xj为U的非空子集,x是Xj中的 元素,i,j=1,2,...,n;
(4)计算属性重要度:其中,属性α∈C, i,j=1,2,...,n,|cij|是区分矩阵中元素cij的长度。
经过RST对NN模型进行改进,形成列控系统列控车载设备的故障诊断 流程,粗糙集理论最大的优点就是对不确定信息的处理和对知识的约简,利 用这一优点对所得到的故障数据进行属性约简和规则的确定,然后将这些规 则应用到神经网络中进行故障分类与识别。
步骤S140、基于最终决策表实现基于神经网络的故障诊断系统,利用基 于神经网络的故障诊断系统实现对列控车载设备中的应答器传输单元及列车 接口单元的故障识别。
基于所述最终决策表确定故障诊断规则,即最终故障分类规则,采用 MATLAB软件中的神经网络模式识别工具箱对故障诊断规则进行仿真,实现 基于神经网络的故障诊断系统,利用基于神经网络的故障诊断系统实现对列 控车载设备中的应答器传输单元及列车接口单元的故障识别。图3为本发明实 施例提供的一种基于粗糙集-神经网络模型的列控车载设备的故障诊断系统的 模型示意图。
利用采集的列控车载设备中的BTM和TIU的已知故障数据构造训练样本和 测试样本,利用训练样本对所述故障诊断神经网络系统进行训练,利用测试 样本对训练后的故障诊断神经网络系统进行相应测试,得到训练好的故障诊 断神经网络系统。
对2015年1月至9月的故障数据进行统计,将得到的107组BTM类故 障数据作为训练样本对上述基于神经网络的故障诊断系统进行训练。首先, 导入神经网络模型的输入输出数据,设定输入向量、隐含层及输出层的个数, 在神经网络模式识别工具箱中设定好各参数,然后,利用样本数据对神经网 络模型进行多次训练,得到训练好的基于神经网络的故障诊断系统。然后, 选取2015年10月至12月的72组BTM类故障数据作为测试样本,利用测试 样本数据对训练好的基于神经网络的故障诊断系统进行相应测试。
对于TIU单元的故障诊断,采用2015年1月至6月统计的100组TIU类 故障数据中的60组数据作为训练样本,40组数据作为测试样本。和上面的 BTM类故障数据类似,将得到的60组TIU类故障数据作为训练样本对上述 神经网络模型进行训练。首先,导入神经网络模型的输入输出数据,设定输 入向量、隐含层及输出层的个数,在神经网络模式识别工具箱中设定好各参 数,然后,利用样本数据对神经网络模型进行多次训练,得到训练好的基于神经网络的故障诊断系统。然后,利用40组测试样本数据对训练好的基于神 经网络的故障诊断系统进行相应测试。
将列控车载设备的未知故障样本输入到上述训练好的基于神经网络的故 障诊断系统,该系统输出未知故障样本的诊断结果,该诊断结果包括未知故 障样本是正常样本还是故障样本,如果是故障样本,还可以输出故障类型。
实验证明,本发明实施例的方法最终得出BTM与TIU的故障识别准确率 均在90%以上,表明粗糙集理论和神经网络的结合(Rough Set Theory and Neural Network,RSTNN)能够保证列控车载设备故障分类与识别的准确性。
从仿真结果可以得知,通过粗糙集理论对神经网络输入层特征数据的属 性进行约简后,列控车载设备BTM单元的故障识别准确率的平均值上升为训 练部分93.32%、测试部分97.41%,比基于神经网络的仿真结果提高了3-5倍, 表明基于粗糙集的神经网络算法在去除数据中的低关联度信息和不完整数据 方面有明显的作用;对于识别准确率比较高的TIU单元故障,经过粗糙集理 论对原始数据进行处理后,其故障识别准确率在训练部分和测试部分较之前 分别提高了2.28%和1.88%。由此可知,基于RST的NN模型既能对不精确性 和低关联度的数据进行处理,还能保留原始数据的关键属性信息;利用RST 对NN模型改进后,仿真结果更加稳定,随着次数增加,网络易于收敛。训练 至70次左右,网络基本处于收敛状况。
从仿真结果可以看出,神经网络在原始数据有大量无用信息时无法准确 快速的提取出关键的有用信息,这就使得故障诊断的结果不可靠。
综上所述,本发明针对神经网络算法无法从低关联度的初始数据中完成 重要信息的存取、消除高噪声,提出了一种神经网络结合粗糙集理论的故障 诊断方法,即将对案例库进行预处理所得到的原始决策矩阵,利用粗糙集的 知识约简能力对其进行属性约简,确定出最终的故障诊断规则,并将其应用 到神经网络中进行故障诊断,从而验证了该方法在实现列控车载设备故障分 析方面的可行性。本发明的方法解决了含有高噪声列控车载设备文本故障数 据的故障识别率低及不完备知识处理能力差等问题,可以保证列控车载设备 的故障分类识别的准确性。
实例分析结果表明,本发明提出的粗糙集-神经网络模型可以很好地弥补 神经网络算法作为分类器对数据质量依赖程度大的缺陷,从而实现两种算法 的优势互补,保证诊断精度,对实现列控系统列控车载设备的故障诊断具有 一定的理论意义和实用价值。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中 的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到 本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解, 本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品 的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁 碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机, 服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所 述的方法。
本说明书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。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例, 所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描 述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元 可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可 以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案 的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并 实施。
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)
1.一种基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法,其特征在于,包括:
根据由列控车载设备故障日志文件分析整理的故障案例库,挖掘出故障种类和故障代码之间的对应关系,对所述故障案例库中的故障代码和故障种类进行编码,生成最初决策表,确定故障分类规则;
运用RST对所述最初决策表进行属性约简,生成最终决策规则;
基于所述最终决策规则构建基于神经网络的故障诊断系统,利用所述基于神经网络的故障诊断系统实现对列控车载设备的故障识别。
2.根据权利要求1所述的方法,其特征在于,所述的根据由列控车载设备故障日志文件分析整理的故障案例库,挖掘出故障种类和故障代码之间的对应关系,包括:
根据工区记录统计的日交接班记录表获取列控车载设备的故障日志文本数据,从所述故障日志文本数据中提取出列控车载设备的故障数据,生成包含故障信息的故障数据汇总表,将该故障数据汇总表作为故障案例库;
根据所述故障案例库统计出故障数据中的每种故障种类所对应的故障代码个数及故障代码表述,所述故障种类包括列控车载设备的BTM应答器传输单元和TIU列车接口单元的相关故障,所述故障代码是故障日志文本数据中记录列控车载设备运行状态的自然描述语言。
3.根据权利要求2所述的方法,其特征在于,所述的对所述故障案例库中的故障代码和故障种类进行编码,生成最初决策表,包括:
(1)确定列控车载设备故障诊断的对象:{BTM,TIU};
(2)对BTM和TIU对应的故障代码分别进行字母编码:Φ=(A,B,C,…),其中,A、B、C…分别代表一种故障代码,Φ表示条件属性,每种故障代码的Φ取值为0或1,其中,1代表样本故障中存在该种故障代码,0代表不存在该种故障代码;
(3)对BTM和TIU对应的故障种类分别进行数字编码:d=(1,2,…,n),其中d表示决策属性,n为BTM、TIU所出现的故障种类数量;
(4)生成故障代码和故障种类的字符编码形式,将字母编码后的故障代码作为故障诊断的条件属性,将数字编码后的故障种类作为决策属性,再结合故障代码与故障种类之间的对应关系生成最初决策表,确定故障分类规则。
4.根据权利要求3所述的方法,其特征在于,针对BTM,n的不同取值对应的故障种类如下述表1所示:
表1
5.根据权利要求1所述的方法,其特征在于,所述的运用RST对所述最初决策表进行属性约简,生成最终决策规则,包括:
利用RST在数据挖掘方面的属性约简和模糊不完整信息处理的特性,对通过预处理得到的最初决策表进行属性约简,剔除低关联性信息,清洗其中关联度低或无用的属性,通过约简的属性表中确定最终的分类规则,根据最终的分类规则生成最终决策规则;
RST属性约简的处理流程包括如下的处理步骤:
(1)建立知识系统:S={U,R},其中U={A,B,C,D,E,F,G,H,I,J,K,L,M,N,O,P,Q,R},U为研究对象列控车载设备的故障集合称为域,R是基于U的一一对应关系,即等价关系;
(2)剔除最初决策表中的重复事件;
(3)由公式ind(P)=ind(R-{P})得出必要属性,其中,P为一族等价关系;
(4)由RST知识进行推理,求出区分矩阵;
(5)根据核属性及属性重要度的定义,由区分矩阵进而求出核属性、重要属性;
(6)根据核属性、重要属性和必要属性构成初步决策表;
(7)基于集合间的包容关系,对初步决策表进行属性约简,进而得出最终决策表;
(8)将最终决策表作为最终的分类规则;
所述RST的区分矩阵及属性重要度的计算步骤如下。
(1)建立知识库信息系统:K=(U,R),U为研究对象列控车载设备的故障集合称为域,R是基于U的一一对应关系,即等价关系,ind(K)为K中全部等价关系的族,记作令P为一族等价关系,ind(P)=ind(R-{P});
(2)建立知识表达系统:S=(U,A,V,f),S的区分矩阵是一个n×n的对称矩阵;
(3)计算区分矩阵:A是所有属性元素构成的集合,α,d是A中的元素,Xj为U的非空子集,x是Xj中的元素,i,j=1,2,...,n;
(4)计算属性重要度:其中,属性α∈C,|cij|是区分矩阵中元素cij的长度。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述的基于所述最终决策规则构建基于神经网络的故障诊断系统,利用所述基于神经网络的故障诊断系统实现对列控车载设备的故障识别,包括:
基于所述最终决策表确定故障诊断规则,即最终故障分类规则,采用MATLAB软件中的神经网络模式识别工具箱对故障诊断规则进行仿真,实现基于神经网络的故障诊断系统;
利用采集的列控车载设备中的BTM和TIU的已知故障数据构造训练样本和测试样本,利用训练样本对所述基于神经网络的故障诊断系统进行训练,利用测试样本对训练后的故障诊断系统进行相应测试,得到训练好的基于神经网络的故障诊断系统;
将列控车载设备中的BTM和TIU的未知故障样本输入到所述训练好的基于神经网络的故障诊断系统,该基于神经网络的故障诊断系统输出未知故障样本的诊断结果,该诊断结果包括未知故障样本是正常样本还是故障样本,如果是故障样本,还输出故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810259114.6A CN108537259A (zh) | 2018-03-27 | 2018-03-27 | 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810259114.6A CN108537259A (zh) | 2018-03-27 | 2018-03-27 | 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108537259A true CN108537259A (zh) | 2018-09-14 |
Family
ID=63485178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810259114.6A Pending CN108537259A (zh) | 2018-03-27 | 2018-03-27 | 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537259A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460478A (zh) * | 2018-11-06 | 2019-03-12 | 北京京航计算通讯研究所 | 基于细粒度特征语义网络的系统接口时序知识分析方法 |
CN109918544A (zh) * | 2019-03-14 | 2019-06-21 | 重庆邮电大学 | 基于粗糙集的职务犯罪社会关系网络智能分析方法及系统 |
CN109919447A (zh) * | 2019-02-01 | 2019-06-21 | 济南大学 | 一种基于等价关系的石油地震勘探系统故障检测方法 |
CN109992587A (zh) * | 2019-04-09 | 2019-07-09 | 中南大学 | 基于大数据的高炉铁水硅含量预报关键属性判决方法 |
CN111026576A (zh) * | 2019-12-09 | 2020-04-17 | 山东超越数控电子股份有限公司 | 一种主板故障分析的方法、设备及介质 |
CN111624985A (zh) * | 2020-06-10 | 2020-09-04 | 上海工业自动化仪表研究院有限公司 | 燃气轮机控制系统传感器故障诊断方法 |
CN114037011A (zh) * | 2021-11-08 | 2022-02-11 | 北京工业大学 | 一种中医舌色噪声标注样本的自动识别与清洗方法 |
CN114091625A (zh) * | 2022-01-18 | 2022-02-25 | 岚图汽车科技有限公司 | 一种基于故障代码序列的车辆零件失效预测方法及系统 |
CN111368506B (zh) * | 2018-12-24 | 2023-04-28 | 阿里巴巴集团控股有限公司 | 文本处理方法及装置 |
CN117114116A (zh) * | 2023-08-04 | 2023-11-24 | 北京杰成合力科技有限公司 | 一种基于机器学习的根因分析方法、介质和设备 |
WO2024021665A1 (zh) * | 2022-07-28 | 2024-02-01 | 比亚迪股份有限公司 | 列车控制方法、存储介质、车载控制器及列车 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002169611A (ja) * | 2000-11-30 | 2002-06-14 | Yaskawa Electric Corp | 故障診断システムおよびその自動設計方法 |
CN103714383A (zh) * | 2014-01-09 | 2014-04-09 | 北京泰乐德信息技术有限公司 | 一种基于粗糙集的轨道交通故障诊断方法和系统 |
CN105676842A (zh) * | 2016-03-14 | 2016-06-15 | 中国铁路总公司 | 一种高铁列控车载设备故障诊断方法 |
CN106202886A (zh) * | 2016-06-29 | 2016-12-07 | 中国铁路总公司 | 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 |
-
2018
- 2018-03-27 CN CN201810259114.6A patent/CN108537259A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002169611A (ja) * | 2000-11-30 | 2002-06-14 | Yaskawa Electric Corp | 故障診断システムおよびその自動設計方法 |
CN103714383A (zh) * | 2014-01-09 | 2014-04-09 | 北京泰乐德信息技术有限公司 | 一种基于粗糙集的轨道交通故障诊断方法和系统 |
CN105676842A (zh) * | 2016-03-14 | 2016-06-15 | 中国铁路总公司 | 一种高铁列控车载设备故障诊断方法 |
CN106202886A (zh) * | 2016-06-29 | 2016-12-07 | 中国铁路总公司 | 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 |
Non-Patent Citations (1)
Title |
---|
冯娟: "基于粗糙集理论的列控车载设备故障诊断方法", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460478A (zh) * | 2018-11-06 | 2019-03-12 | 北京京航计算通讯研究所 | 基于细粒度特征语义网络的系统接口时序知识分析方法 |
CN111368506B (zh) * | 2018-12-24 | 2023-04-28 | 阿里巴巴集团控股有限公司 | 文本处理方法及装置 |
CN109919447A (zh) * | 2019-02-01 | 2019-06-21 | 济南大学 | 一种基于等价关系的石油地震勘探系统故障检测方法 |
CN109919447B (zh) * | 2019-02-01 | 2021-05-04 | 济南大学 | 一种基于等价关系的石油地震勘探系统故障检测方法 |
CN109918544B (zh) * | 2019-03-14 | 2021-03-12 | 重庆邮电大学 | 基于粗糙集的职务犯罪社会关系网络智能分析方法及系统 |
CN109918544A (zh) * | 2019-03-14 | 2019-06-21 | 重庆邮电大学 | 基于粗糙集的职务犯罪社会关系网络智能分析方法及系统 |
CN109992587A (zh) * | 2019-04-09 | 2019-07-09 | 中南大学 | 基于大数据的高炉铁水硅含量预报关键属性判决方法 |
CN109992587B (zh) * | 2019-04-09 | 2021-04-13 | 中南大学 | 基于大数据的高炉铁水硅含量预报关键属性判决方法 |
CN111026576A (zh) * | 2019-12-09 | 2020-04-17 | 山东超越数控电子股份有限公司 | 一种主板故障分析的方法、设备及介质 |
CN111624985A (zh) * | 2020-06-10 | 2020-09-04 | 上海工业自动化仪表研究院有限公司 | 燃气轮机控制系统传感器故障诊断方法 |
CN114037011A (zh) * | 2021-11-08 | 2022-02-11 | 北京工业大学 | 一种中医舌色噪声标注样本的自动识别与清洗方法 |
CN114037011B (zh) * | 2021-11-08 | 2024-05-28 | 北京工业大学 | 一种中医舌色噪声标注样本的自动识别与清洗方法 |
CN114091625A (zh) * | 2022-01-18 | 2022-02-25 | 岚图汽车科技有限公司 | 一种基于故障代码序列的车辆零件失效预测方法及系统 |
WO2024021665A1 (zh) * | 2022-07-28 | 2024-02-01 | 比亚迪股份有限公司 | 列车控制方法、存储介质、车载控制器及列车 |
CN117114116A (zh) * | 2023-08-04 | 2023-11-24 | 北京杰成合力科技有限公司 | 一种基于机器学习的根因分析方法、介质和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537259A (zh) | 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法 | |
CN106895975B (zh) | 基于Stacked SAE深度神经网络的轴承故障诊断方法 | |
CN109000930B (zh) | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 | |
CN107122594A (zh) | 一种新能源车辆电池的健康预测方法和系统 | |
CN109597401A (zh) | 一种基于数据驱动的设备故障诊断方法 | |
CN110647830B (zh) | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 | |
CN108051660A (zh) | 一种变压器故障组合诊断模型建立方法及诊断方法 | |
CN106202886A (zh) | 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 | |
CN106874963B (zh) | 一种基于大数据技术的配电网故障诊断方法及系统 | |
CN107909118A (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
CN111737911A (zh) | 一种深度置信网络与极限学习机的轴承衰退趋势预测方法 | |
CN103995237A (zh) | 一种卫星电源系统在线故障诊断方法 | |
CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
CN105471647B (zh) | 一种电力通信网故障定位方法 | |
CN109858503A (zh) | 基于梯度提升决策树的牵引变流器故障诊断方法 | |
CN109885948A (zh) | 电力变压器故障诊断方法 | |
CN110991472A (zh) | 一种高速列车牵引系统微小故障诊断方法 | |
Ducoffe et al. | Anomaly detection on time series with Wasserstein GAN applied to PHM | |
CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
Zhang et al. | Fault diagnosis based on non-negative sparse constrained deep neural networks and Dempster–Shafer theory | |
CN115510950A (zh) | 基于时间卷积网络的飞行器遥测数据异常检测方法及系统 | |
CN115345222A (zh) | 一种基于TimeGAN模型的故障分类方法 | |
CN111458145A (zh) | 一种基于路图特征的缆车滚动轴承故障诊断方法 | |
CN116976318A (zh) | 基于深度学习和模型推理的电网倒闸操作票智能审核系统 | |
CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |