CN109656228A - 一种地铁信号系统车载设备故障自动诊断方法 - Google Patents
一种地铁信号系统车载设备故障自动诊断方法 Download PDFInfo
- Publication number
- CN109656228A CN109656228A CN201811471693.7A CN201811471693A CN109656228A CN 109656228 A CN109656228 A CN 109656228A CN 201811471693 A CN201811471693 A CN 201811471693A CN 109656228 A CN109656228 A CN 109656228A
- Authority
- CN
- China
- Prior art keywords
- fault
- failure
- data
- signal system
- onboard equipment
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
Abstract
本发明公开了一种地铁信号系统车载设备故障自动诊断方法,包括以下步骤:1)采集器定时采集故障数据并通过4G上传至维护中心;2)如果存在故障诊断模型则执行步骤3),否则执行步骤5);3)故障诊断模型生成故障诊断信息或预警信息并通过App、短信、微信推送至相关人员;4)维护人员通过诊断信息或预警信息进行相关的维护工作,转步骤6);5)维护人员利用手册及经验处理故障;6)保存故障处理结果到数据库;7)根据条件,利用K2及MLE算法从历史数据库中生成故障诊断模型。与现有技术相比,本发明具有自动诊断、更准确的故障定位、对部分故障预警等优点,提高车载信号设备故障诊断准确率及故障处理效率。
Description
技术领域
本发明属于车载设备故障诊断技术领域,尤其涉及一种地铁信号系统车载设备故障自动诊断方法。
背景技术
ATP(Automatic Train Protection,列车自动防护)和ATO(Automatic TrainOperation,列车自动运行)是地铁信号系统的核心,对列车的安全运行和运行效率起着重要作用。列车上ATP和ATO所涉及到的设备称为车载信号设备。由于列车的长期运行和设备老化,车载信号设备的故障时有发生。目前,车载信号系统的维护主要存在以下问题:
故障处理效率不高。故障信息的下载、记录、统计和总结都是由人工来完成,处理的效率低。维护人员往往依据故障表现参考以往的经验进行维修,对经验丰富的老员工,故障可以快速的排除。对于经验较少、新上岗的员工来说,故障诊断处理充满了不确定性。
故障数据记录不完整。西门子LZB系统的ATP故障日志只能存储一定量的故障,以南京地铁1号线为例,约有一半的正线故障回库时已经正常,即故障消失,较难查找出故障原因。
车载信号设备故障具有复杂性和不确定性,虽然已有故障诊断的案例,但故障诊断的准确性欠佳及诊断的方式不够智能。
发明内容
本发明根据现有技术中存在问题,提出了一种地铁信号系统车载设备故障自动诊断方法,目的在于提高车载信号设备故障诊断准确率及故障处理效率。
本发明所采用的技术方案如下:
一种地铁信号系统车载设备故障自动诊断方法,包括以下步骤:
步骤1,采集器定时采集故障数据并通过4G上传至维护中心;
步骤2,如果存在故障诊断模型则执行步骤3,否则执行步骤5;
步骤3,故障诊断模型生成故障诊断信息或预警信息推送至相关人员;
步骤4,维护人员根据诊断信息或预警信息进行相关的维护工作,转步骤6;
步骤5,维护人员利用手册及经验处理故障;
步骤6,保存故障处理结果到数据库;
步骤7,根据条件,利用K2及MLE算法从历史数据库中生成故障诊断模型。
进一步,所述步骤3中障诊断模型的处理过程为:若引起ATP中断或列车紧急制动,故障诊断模型根据故障数据输出故障源以及形成故障诊断信息;若未引起ATP中断或列车紧急制动,故障诊断模型计算出该故障会引起此类重大故障的概率,输出预警信息;
进一步,所述步骤1中,故障数据的采集方法为:通过采集器分别连接ATP系统和ATO系统,用于采集故障数据,所采集的故障数据为完整的数据;
进一步,所述故障数据包括信号系统故障码、列车紧急制动数据及ATP中断故障;
进一步,所述步骤6中,以完整的故障数据为基础结合人工处理形成完整的故障处理结果数据,进而形成完整的训练数据;
进一步,所述故障诊断模型的构造方法为:
a,确定网络节点,并把它分为故障源层、B类故障码层、A类故障码层、结果层四层;
b,从历史数据库中准备训练数据;
c,用训练数据及K2算法进行结构学习,结合专家知识进行调整;
d,用训练数据及MLE算法进行参数学习;
进一步,所述故障源层为在ATP及ATO系统中引起信号故障的硬件模块;根据信号系统故障码对列车的影响程度,将故障码分为A类故障码和B类故障码;A类故障码层对结果层的影响比B类故障码层高;结果层包括列车紧急制动和ATP中断,是乘客或司机能够感受到的故障。
进一步,以完整的训练数据为基础结合K2算法和MLE算法构造出故障诊断模型(贝叶斯网络),其诊断的准确性远高于在训练数据缺失情况下其它算法所构造的模型。
进一步,故障诊断的方法为,以采集到的故障数据为(B类故障码层、A类故障码层、结果层)输入推算故障源层各个节点的概率。
进一步,故障预警的方法为,以B类故障码为输入推算结果层各个节点的概率,并且以B类故障码为输入推算故障源层各个节点的概率。
本发明的有益效果:
本发明通过引入地铁信号系统车载设备故障自动诊断方法,信号系统故障数据可以完整地记录,利用K2和MLE算法可建立更准确的故障诊断模型可以实现对故障进行准确的判断和预警,降低了人为判断错误与时间,有效地提高地铁的安全性。利用4G网络和故障诊断模型可及时向相关人员提供故障诊断信息和故障预警信息,从而提高车载设备故障的处理效率。
附图说明
图1是本发明一种地铁信号系统车载设备故障自动诊断方法的步骤图;
图2是本发明采集器结构图;
图3是本发明贝叶斯网络结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。
如图1所示,本发明为一种地铁信号系统车载设备故障自动诊断方法,一种地铁信号系统车载设备故障自动诊断方法,包括以下步骤:
步骤1,采集器定时采集故障数据并通过4G上传至维护中心;如图2所示,采集器是由一台高性能工控机和一台4G路由器组成,工控机配置固态硬盘及经过优化后的操作系统,工控机通过RS232与ATP(列车自动保护系统)和ATO系统(列车自动驾驶系统)连接,通过网口与4G路由器连接,采集器位于列车上,定时采集故障数据;本地保存;通过4G上传至维护中心。采集的故障数据有:信号系统故障码、列车紧急制动数据及ATP中断故障。通过采集器采集数据主要目的是为了确保故障数据的完整性,以防止因为系统原因或人工采集带来的数据残缺。
步骤2,如果存在故障诊断模型则执行步骤3,否则执行步骤5;
步骤3,故障诊断模型生成故障诊断信息或预警信息推送至相关人员;
障诊断模型的处理过程为:若引起ATP中断或列车紧急制动,故障诊断模型根据故障数据输出故障源以及形成故障诊断信息;若未引起ATP中断或列车紧急制动,故障诊断模型计算出该故障会引起此类重大故障的概率,输出预警信息;并将故障诊断信息或预警信息输出到客户端;
步骤4,维护人员根据诊断信息或预警信息进行相关的维护工作,转步骤6;
步骤5,维护人员利用手册及经验处理故障;根据诊断信息进行维护工作后需要把处理结果存入数据,为一下次诊断模型的完善提供基础
步骤6,保存故障处理结果到数据库;以完整的故障数据为基础结合人工处理形成完整的故障处理结果数据,进而形成完整的训练数据。
步骤7,根据条件,利用K2及MLE算法从历史数据库中生成故障诊断模型,具体地,故障诊断模型的构造方法为:
a,确定网络节点,并把它分为故障源层、B类故障码层、A类故障码层、结果层四层;每一层的节点之间相互独立;故障源层为在ATP及ATO系统中引起信号故障的硬件模块;根据信号系统故障码对列车的影响程度,将故障码分为A类故障码和B类故障码;A类故障码层对结果层的影响比B类故障码层高;结果层包括列车紧急制动和ATP中断,是乘客或司机能够感受到的故障。
b,从历史数据库中准备训练数据;
c,用训练数据及K2算法进行结构学习,结合专家知识进行调整;
d,用训练数据及MLE算法进行参数学习,形成故障诊断模型;
为了更清楚解释本发明的技术方案,结合具体实施过程作进一步解释:
以西门子LZB系统为例,利用Visual Studio、Matlab、FullBNT开发工具,故障诊断模型的构造方法如下:
a,确定网络节点
故障源层节点有:VE3、KIPV、LAVA、DIMAS、SIN2、WISIR、DAS、SIRIUS、DAISI、ALF、DES4、SECOP、DINBUS、OPG、天线、SYSAK、SV5V、SV24V。
B类故障码层节点有:从系统故障码中选择与硬件相关且有可能造成重大故障(列车紧急制动、ATP中断)的故障码,从B1-B14编码。
A类故障码层节点有:从系统故障码中选择与计算机通道中断相关的故障码,从A1-A19编码。
结果层节点有:列车紧急制动、ATP中断。
b,利用Visual Studio从历史数据中生成为训练模型所需的格式文件;
c,Visual Studio、Matlab混合编程,利用FullBNT中的learn_struct_K2函数并加载训练格式文件进行结构学习;
d,利用FullBNT中的learn_params函数并加载训练格式文件进行参数学习;构造好的模型见图3。
故障诊断示例:
13号车在2018-10-1 10:12:20发生A10号故障并产生紧急制动,采集器采集到故障数据后及时通过4G传送至维护中心故障诊断系统,故障诊断系统利用故障诊断模型进行诊断并生成诊断信息(13号车于2018-10-1 10:12:20发生A10号故障并产生紧急制动,引起此故障的故障源及概率如下:DES4(90%)、WISIR(20%)、DAISI(2%)。),故障诊断系统通过App、短信、微信推送至相关人员。维护人员第一时间知道故障的详细信息及准备相关设备模块。当列车回库后,维护人员根据故障源概率的高低来替换设备模块,快速地处理故障。目前的故障处理流程:列车回库;下载故障码;故障诊断;准备要替换的设备模块;模块替换(如果是多个模块,维护人员一个一个替换)。采用此方式,故障诊断准确率不高,故障处理效率低。采用本发明,提高了故障诊断准确率,减少维护人员来回跑的时间,极大地提高了故障处理效率。
故障预警示例:
13号车于2018-10-5 11:12:05发生B5号故障未产生紧急制动,采集器采集到故障数据后及时通过4G传送至维护中心故障诊断系统,故障诊断系统利用故障诊断模型进行诊断并生成预警信息(13号车于2018-10-5 11:12:05发生B5号故障,导致紧急制动的概率为60%,引起此故障的故障源及概率如下:DES4(70%)、DAS(5%)。)。维护人员收到此信息后可以使此车转为备用车或者开回库维修,从而避免了发生重大故障的可能。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (9)
1.一种地铁信号系统车载设备故障自动诊断方法,其特征在于,包括以下步骤:
步骤1,采集器定时采集故障数据并通过4G上传至维护中心;
步骤2,如果存在故障诊断模型则执行步骤3,否则执行步骤5;
步骤3,故障诊断模型生成故障诊断信息或预警信息推送至相关人员;
步骤4,维护人员根据故障诊断信息或预警信息进行相关的维护工作,转步骤6;
步骤5,维护人员利用手册及经验处理故障;
步骤6,保存故障处理结果到数据库;
步骤7,根据条件,利用K2及MLE算法从历史数据库中生成故障诊断模型。
2.根据权利要求1所述的一种地铁信号系统车载设备故障自动诊断方法,其特征在于,所述步骤1中,故障数据的采集方法为:通过采集器分别连接ATP系统和ATO系统,用于采集故障数据,所采集的故障数据为完整的数据。
3.根据权利要求1或2所述的一种地铁信号系统车载设备故障自动诊断方法,其特征在于,所述故障数据包括信号系统故障码、列车紧急制动数据及ATP中断故障。
4.根据权利要求1或2所述的一种地铁信号系统车载设备故障自动诊断方法,其特征在于,所述步骤6中的数据库以完整的故障数据为基础结合人工处理形成完整的故障处理结果数据,进而形成完整的训练数据。
5.根据权利要求1所述的一种地铁信号系统车载设备故障自动诊断方法,其特征在于,所述生成故障诊断模型方法为:
a,确定网络节点,并把它分为故障源层、B类故障码层、A类故障码层、结果层;
b,从历史数据库中准备训练数据;
c,用训练数据及K2算法进行结构学习,结合专家知识进行调整;
d,用训练数据及MLE算法进行参数学习。
6.根据权利要求5所述的一种地铁信号系统车载设备故障自动诊断方法,其特征在于,所述故障源层为在ATP及ATO系统中引起信号故障的硬件模块;根据信号系统故障码对列车的影响程度,将故障码分为A类故障码和B类故障码;A类故障码层对结果层的影响比B类故障码层高;结果层包括列车紧急制动和ATP中断,是乘客或司机能够感受到的故障。
7.根据权利要求5所述的一种地铁信号系统车载设备故障自动诊断方法,其特征在于,以完整的训练数据为基础结合K2算法和MLE算法构造出故障诊断模型。
8.根据权利要求1或5所述的一种地铁信号系统车载设备故障自动诊断方法,其特征在于,所述故障诊断的方法为,以采集到的故障数据为输入推算故障源层各个节点的概率。
9.根据权利要求1或5所述的一种地铁信号系统车载设备故障自动诊断方法,其特征在于,所述故障预警的方法为,以B类故障码为输入推算结果层各个节点的概率,并且以B类故障码为输入推算故障源层各个节点的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811471693.7A CN109656228A (zh) | 2018-12-04 | 2018-12-04 | 一种地铁信号系统车载设备故障自动诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811471693.7A CN109656228A (zh) | 2018-12-04 | 2018-12-04 | 一种地铁信号系统车载设备故障自动诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109656228A true CN109656228A (zh) | 2019-04-19 |
Family
ID=66111771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811471693.7A Pending CN109656228A (zh) | 2018-12-04 | 2018-12-04 | 一种地铁信号系统车载设备故障自动诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109656228A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080010076A (ko) * | 2006-07-26 | 2008-01-30 | 엄두섭 | 열차 승강장의 안전사고 방지 시스템 |
CN104091070A (zh) * | 2014-07-07 | 2014-10-08 | 北京泰乐德信息技术有限公司 | 一种基于时间序列分析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 |
CN105954607A (zh) * | 2015-11-12 | 2016-09-21 | 北京交通大学 | 一种高铁信号系统故障检测方法和系统 |
CN108285071A (zh) * | 2018-01-25 | 2018-07-17 | 暨南大学 | 一种基于贝叶斯网络的电梯健康诊断方法 |
-
2018
- 2018-12-04 CN CN201811471693.7A patent/CN109656228A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080010076A (ko) * | 2006-07-26 | 2008-01-30 | 엄두섭 | 열차 승강장의 안전사고 방지 시스템 |
CN104091070A (zh) * | 2014-07-07 | 2014-10-08 | 北京泰乐德信息技术有限公司 | 一种基于时间序列分析的轨道交通故障诊断方法和系统 |
CN105954607A (zh) * | 2015-11-12 | 2016-09-21 | 北京交通大学 | 一种高铁信号系统故障检测方法和系统 |
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 |
CN108285071A (zh) * | 2018-01-25 | 2018-07-17 | 暨南大学 | 一种基于贝叶斯网络的电梯健康诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110203257B (zh) | 一种轨道交通事件下列车运行调度方法和系统 | |
CN107016057A (zh) | 列控车载atp设备一体化智能运维方法及系统 | |
CN107168278A (zh) | 地铁列车信号系统的自动维护与预警系统 | |
CN102879680B (zh) | 轨道交通车辆装备通用检测及故障诊断方法及系统 | |
CN105677887A (zh) | 使用时序数据挖掘的故障预测架构 | |
CN111123739A (zh) | 一种用于全自动无人驾驶模式下的网络控制系统半实物仿真实验平台 | |
EP3511224B1 (en) | Dynamic analysis method of operating safety risks for a high-speed train operating control system | |
CN115384586B (zh) | 一种铁路平行调度系统、方法及其应用 | |
CN110501989B (zh) | 一种列车运行故障过滤方法及装置 | |
CN114707401A (zh) | 信号系统设备的故障预警方法及装置 | |
CN106651198A (zh) | 一种电网事故辅助处理方法及其系统 | |
Shi et al. | Reliability analysis on the train control system in the CTCS-3 operating mode | |
CN110673588A (zh) | 一种ctcs-3列控系统无线超时降级故障诊断方法 | |
CN112734164A (zh) | 高速铁路信号系统全生命周期智能运维方法 | |
CN109656228A (zh) | 一种地铁信号系统车载设备故障自动诊断方法 | |
CN108909879A (zh) | 一种故障处理方法 | |
CN110913418B (zh) | 一种用于轨道交通通信故障预警和定位的方法及系统 | |
Yan et al. | A failure mapping and genealogical research on metro operational incidents | |
CN114715234A (zh) | 列车运行控制系统的数字孪生系统、装置和方法 | |
CN110135633A (zh) | 一种铁路业务呼叫故障预测方法和装置 | |
CN114509623A (zh) | 一种动力集中动车组车辆行车前安全整备监控终端 | |
CN107909159A (zh) | 一种城轨列车应急处置方法 | |
CN114691633A (zh) | 轨道交通信号系统的日志管理方法、设备及存储介质 | |
Wang et al. | Analysis of risk factors affecting delay of high-speed railway in China based on Bayesian network modeling | |
CN112116731A (zh) | 一种基于云端的轨道交通多总线数据分析系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190419 |
|
RJ01 | Rejection of invention patent application after publication |