CN109814526A - 面向轨旁安全信号系统的维护诊断方法 - Google Patents

Abstract

本发明涉及一种面向轨旁安全信号系统的维护诊断方法，包括以下步骤：(1)将故障前一段时间内的事件按照预定义的提取类型提取为一个事务数据库；(2)根据事务数据库，总结故障发生规律；(3)根据规律确定故障；(4)根据重要性返回故障原因。与现有技术相比，本发明具有以下优点：有效发现轨旁信号设备故障规律，并根据规律自动辨别故障原因，提高故障排查效率，辅助维护人员更快速、更准确的排除现场故障等。

Description

面向轨旁安全信号系统的维护诊断方法

技术领域

本发明涉及轨旁安全信号系统领域，尤其是涉及一种基于频繁项集和梯度提升树的面向轨旁安全信号系统的维护诊断方法。

背景技术

我国轨道交通实现了跨越式发展，轨旁安全信号系统为轨道交通的核心控制系统，一旦发生故障，会对运输造成巨大的影响；其对维护时间、故障诊断准确度有严格的要求。

现在现场普遍通过人工方法发现问题，并给出诊断措施。信号系统比较复杂，表面的问题往往并不是真正的问题之所在；需要人工总结故障规律，进行分析，找出关联事件，并进一步根据事件特点，找到故障原因，并自动给出解决方案。

人工总结故障复现规律费时费力，对人的能力要求也较高，且由于人的主观因素，往往难以发现背后的规律。同时，现有的方法往往聚焦于当前的事件，基于当前事件找到故障原因；而触发故障的原因往往是历史事件(比如，很久之前的某次人工操作)。现有的方法往往没有挖掘故障复现规律这一步骤。

解决现场复杂问题，发现出现规律，只是排查问题的第一步。需要根据这一系列的事件，确定故障原因，往往也是一个困难的过程，而信号产品的特点，确认错、或者，延迟解决问题，都意味着严重损失。对于复杂故障，目前现场大多依赖于人工确认。梯度提升树(GBDT)在相关领域已经取得了优秀的表现，结合频繁项集的某些特性以及GBDT的特点，本文给出了具有一定的创新性的解决方案。

现场的故障排除过程往往是一个小样本挖掘问题。从小样本中找出规律，往往并不可靠；根据这些规律，找出的故障原因点也并不准确。因此，本方案希望借助于先验知识提高小样本情况下的准确性。

轨旁安全信号设备均需通过相关的安全审查，为制式化产品。这就意味着定型后的设备的模块为固定的模块，在较长的时间内，不会有大的改变。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种面向轨旁安全信号系统的维护诊断方法。

本发明的目的可以通过以下技术方案来实现：

一种面向轨旁安全信号系统的维护诊断方法，包括以下步骤：

步骤1、对数据进行监控，当发生数据库中记录的符合条件的“故障”，或者，人为设定某一待排查故障事件时，启动“频繁项集”算法，查询历史记录，找到关联事件；

步骤2、离线设置某一个故障事件发生时，需要回溯的时长；可依据事件的类型，确定不同的回溯时间，在规定的时长内，定位相同的故障为Fault_Set[N]；

步骤3、针对Fault_Set中每个故障点，提取相同的故障事件附近的历史事件，不同故障事件的时间范围通过离线决定或在线修改；该时间范围内的事件集合构成本次临时故障数据库中的一条事务，其中本次临时故障数据库记为DB_Fault_Tmp，当前溯的时间内有本故障事件时，应停止追溯，只取两次故障事件中间的事件，构成DB_Fault_Tmp中一条事务；

步骤4、采用Apriori算法，从K-1项至K项，逐次确定满足已设置的支持度的频繁项，直至生成的频繁K项集中只有一个项集时循环结束；

步骤5、将频繁项集合输入至梯度提升树GBDT预测模型中，找到对应的故障原因。

优选地，所述的步骤5中只将闭频繁项集和最大频繁项集输入至梯度提升树GBDT模型。

优选地，所述的步骤5中每个输入的项集构成梯度提升树GBDT的一个待决策的样本。

优选地，所述的步骤5中，当一个频繁项集中的“项”不能覆盖梯度提升树GBDT所需的训练样本的全部特征，对于不被包含的特征，通过补0解决。

优选地，所述的步骤5中，离线对每种类型的故障训练梯度提升树GBDT模型，记为Model_Fault[M]。

优选地，对于一个特定的故障类型Model_Fault[i]，将根据输入决策故障原因的过程视为一个多分类问题，其中，每种故障原因对应多分类问题中的一个类别。

优选地，当故障排查、解决完毕后，应及时根据本次故障，更新梯度提升树GBDT分类模型。

优选地，首先用软件根据历史数据库训练分类模型；考虑到信号产品对可靠性要求极高以及现场故障较少，通过人工对自动训练完毕的模型进行调整，注入先验知识。

优选地，将闭频繁项集和最大频繁项集分别输入分类模型，找到其各自对应的类别，同时提供给维护人员查阅，依据频繁项集的支持度、项集中项数目以及人为设定的权重基础上，进行自动排序，优先排除可能性最高的故障原因。

优选地，将频繁项集中每一项相对于故障发生时的置信度作为权重参数输入梯度提升树GBDT，该权重可通过人工进行调整，以注入先验知识，应对小样本问题。

与现有技术相比，本发明具有以下优点：

1、采用“频繁项集”的算法代替“人工总结故障规律这一工作”，找出支持度满足要求的故障发生前后的现场事件。

2、深入分析频繁项集的结果，提高故障定位准确度：只将闭频繁项集和最大频繁项集输入至GBDT模型，以去除冗余信息的干扰。将频繁项集中每一项相对于故障发生的置信度作为权重参数输入GBDT。

3、针对轨旁信号产品定型的特点，提出可以将制式化的信号产品的固定软硬件模块作为多分类问题中的一个类别。

4、信号设备对决策输出的准确度要求高，现场故障复杂多变，采用梯度提升树(GBDT)的方法做为从“现象”到“故障原因及对策”决策方法。

5、结合频繁项集算法找出的规律，即发生故障时的关联度大的事件作为输入，输入至GBDT算法，定位出故障原因。

6、针对每个故障原因给出对应的解决方案，维护人员可根据建议的解决方案排查故障。

7、轨道交通信号设备处于一个相对封闭的环境之中，现场事件、故障点大部分都是可以枚举的，基于此，提出将历史经验作为先验知识，通过先验知识分别影响频繁项集算法和GBDT算法，提高小样本情况下的决策准确率。

8、依据频繁项集的支持度、集合中元素个数以及针对不同事件类型预设的权重对不同项产生的分类结果进行排序，提高维护人员排查故障的效率。优先排查更可能的故障。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

本发明的原理：，旨在提出依赖于计算机自动找到故障点的方法。梯度提升树(GBDT)在相关领域已经取得了优秀的表现，结合频繁项集的某些特性以及GBDT的特点，给出了面向轨旁安全信号系统的维护诊断解决方案。

包括以下步骤：(1)将故障前一段时间内的事件按照预定义的提取类型提取为一个事务数据库；(2)根据事务数据库，总结故障发生规律；(3)根据规律确定故障；(4)根据重要性返回故障原因。

注1：假设K-1项中的{A}事件集合是Fault_Set的频繁项集。那么K项中的{A,B}极有可能也会引发Fault_Set故障。但是本方案，依然会继续查找K项集合。原因在于，本方案会将频繁项输入GBDT中，精确定位故障的根本原因，频繁项集合中的项数越多，越有助于精确定位问题。

应只将闭频繁项集和最大频繁项集输入至GBDT模型，以去除冗余信息的干扰。所谓闭项集，就是指一个项集X，它的直接超集(最小的严格超集)的支持度计数都不等于它本身的支持度计数。如果频繁项集L的所有超集都是非频繁项集，那么称L为最大频繁项集。

注2：因为本场景为寻找故障对应的触发事件，并不是要找出DB_Fault_Tmp内，除故障事件外其他事件项之间的关联关系，所以，只需满足支持度要求即可；相当于是其他事件相对于故障这一事件的置信度。

如图1所示，以排查临时限速服务器长期处于未初始化状态这个故障为例。

背景介绍：临时限速服务器(TSRS)负责从调度中心(CTC)接收临时限速命令，并拆分下发至列控设备(TCC)。当列控设备重启后，处于未初始化状态，此时，控制列车按最低的安全速度运行。收到TSRS转发自CTC的初始化命令后，方可正常发送限速命令。待全部TCC处于初始化成功状态后，TSRS方可处于初始化成功状态。

故障：CTC下发初始化命令后，临时限速服务器长期处于未初始化成功状态。

第一步：回溯数据库，预设回溯时间为故障发生前4个小时，结合待选事件类型，生成用于排查本次故障的事务数据库，如表1所示：

表1

第二步：设定支持度为2。通过分析，可以找到上述数据的最大频繁项集为{向TCC下发刷新命令；TCC回复限速命令状态；发生切机；A机通信板故障}和{主运算板硬件检测故障；主机宕机。}上述数据中的闭频繁项集有{向TCC反复下发刷新命令；TCC回复限速命令状态；}

对于缺失的特征采用补0处理，得到：

{长期处于未初始化状态。0；0；向TCC反复下发刷新命令；TCC回复限速命令状态；发生切机；A机通信板故障,0}

{长期处于未初始化状态。0；0；向TCC反复下发刷新命令；TCC回复限速命令状态；0；0,0}

{长期处于未初始化状态。主机宕机；主运算板硬件检测故障；0；0；0；0,0}

第三步：将上述频繁项集分别输入训练完成的GBDT模型。

分别得到结果依次是

(1)通信板故障。对策：请更新通信板卡，或者，检查与之连接的交换机设备。

(2)配置文件错误。对策：请检查TSRS与TCC配置文件版本是否一致(GAL中的版本配置)；并及时更新错误的配置文件。

(3)主运算板故障，对策：请更新带有VLE字样的主运算板，或者，检查主运算板与VPS字样检测板之间的连接是否松动。

第四步：根据支持度、项个数、人为设定的权重进行排序。按照(3)、(2)、(1)的顺序呈现给现场维护人员。

第五步：根据排查结果，进一步训练、完善GBDT模型。

总之，本发明可以有效发现轨旁信号设备故障规律，并根据规律自动辨别故障原因，可以提高故障排查效率，辅助维护人员更快速、更准确的排除现场故障。

以上所述，仅为本发明的具体实施方式，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，可轻易想到各种等效的修改或替换，这些修改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以权利要求的保护范围为准。

Claims (10)

1.一种面向轨旁安全信号系统的维护诊断方法，其特征在于，包括以下步骤：

步骤1、对数据进行监控，当发生数据库中记录的符合条件的“故障”，或者，人为设定某一待排查故障事件时，启动“频繁项集”算法，查询历史记录，找到关联事件；

步骤2、离线设置某一个故障事件发生时，需要回溯的时长；可依据事件的类型，确定不同的回溯时间，在规定的时长内，定位相同的故障为Fault_Set[N]；

步骤3、针对Fault_Set中每个故障点，提取相同的故障事件附近的历史事件，不同故障事件的时间范围通过离线决定或在线修改；该时间范围内的事件集合构成本次临时故障数据库中的一条事务，其中本次临时故障数据库记为DB_Fault_Tmp，当前溯的时间内有本故障事件时，应停止追溯，只取两次故障事件中间的事件，构成DB_Fault_Tmp中一条事务；

步骤4、采用Apriori算法，从K-1项至K项，逐次确定满足已设置的支持度的频繁项，直至生成的频繁K项集中只有一个项集时循环结束；

步骤5、将频繁项集合输入至梯度提升树GBDT预测模型中，找到对应的故障原因。

2.根据权利要求1所述的一种面向轨旁安全信号系统的维护诊断方法，其特征在于，所述的步骤5中只将闭频繁项集和最大频繁项集输入至梯度提升树GBDT模型。

3.根据权利要求1所述的一种面向轨旁安全信号系统的维护诊断方法，其特征在于，所述的步骤5中每个输入的项集构成梯度提升树GBDT的一个待决策的样本。

4.根据权利要求1所述的一种面向轨旁安全信号系统的维护诊断方法，其特征在于，所述的步骤5中，当一个频繁项集中的“项”不能覆盖梯度提升树GBDT所需的训练样本的全部特征，对于不被包含的特征，通过补0解决。

5.根据权利要求1所述的一种面向轨旁安全信号系统的维护诊断方法，其特征在于，所述的步骤5中，离线对每种类型的故障训练梯度提升树GBDT模型，记为Model_Fault[M]。

6.根据权利要求5所述的一种面向轨旁安全信号系统的维护诊断方法，其特征在于，对于一个特定的故障类型Model_Fault[i]，将根据输入决策故障原因的过程视为一个多分类问题，其中，每种故障原因对应多分类问题中的一个类别。

7.根据权利要求6所述的一种面向轨旁安全信号系统的维护诊断方法，其特征在于，当故障排查、解决完毕后，应及时根据本次故障，更新梯度提升树GBDT分类模型。

8.根据权利要求6所述的一种面向轨旁安全信号系统的维护诊断方法，其特征在于，首先用软件根据历史数据库训练分类模型；考虑到信号产品对可靠性要求极高以及现场故障较少，通过人工对自动训练完毕的模型进行调整，注入先验知识。

9.根据权利要求6所述的一种面向轨旁安全信号系统的维护诊断方法，其特征在于，将闭频繁项集和最大频繁项集分别输入分类模型，找到其各自对应的类别，同时提供给维护人员查阅，依据频繁项集的支持度、项集中项数目以及人为设定的权重基础上，进行自动排序，优先排除可能性最高的故障原因。

10.根据权利要求9所述的一种面向轨旁安全信号系统的维护诊断方法，其特征在于，将频繁项集中每一项相对于故障发生时的置信度作为权重参数输入梯度提升树GBDT，该权重可通过人工进行调整，以注入先验知识，应对小样本问题。