CN111738368A - 一种cbtc系统的故障诊断方法、装置和介质 - Google Patents

一种cbtc系统的故障诊断方法、装置和介质 Download PDF

Info

Publication number
CN111738368A
CN111738368A CN202010831490.5A CN202010831490A CN111738368A CN 111738368 A CN111738368 A CN 111738368A CN 202010831490 A CN202010831490 A CN 202010831490A CN 111738368 A CN111738368 A CN 111738368A
Authority
CN
China
Prior art keywords
fault
operation data
initial operation
unit
categories
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
Application number
CN202010831490.5A
Other languages
English (en)
Inventor
谭力天
陈昕
杨晓荣
任颖
刘佳政
李澎东
姜宏阔
田昌宇
刘翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan CRRC Times Signal and Communication Co Ltd
Original Assignee
Hunan CRRC Times Signal and Communication Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan CRRC Times Signal and Communication Co Ltd filed Critical Hunan CRRC Times Signal and Communication Co Ltd
Priority to CN202010831490.5A priority Critical patent/CN111738368A/zh
Publication of CN111738368A publication Critical patent/CN111738368A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明实施例公开了一种CBTC系统的故障诊断方法、装置和介质，统计同一类型下的多个子系统在不同时间段下的初始运行数据；从初始运行数据中筛选出不同故障类别的故障时刻；将初始运行数据中与各故障时刻相邻的预设时间段内的运行数据作为系统运行数据样本。利用卡茨退避法计算系统运行数据样本在不同故障类别下的故障概率值；采用概率拟合方式对不同故障类别下的故障概率值进行连续平滑处理，得到用于展示子系统的故障类别概率分布的马尔可夫模型。根据马尔可夫模型确定出当前运行数据所对应的故障类别，提升了CBTC系统的故障诊断的处理效率。并且马尔可夫模型可以适用不同子系统的故障检测需求，具有较好的通用性。

Description

一种CBTC系统的故障诊断方法、装置和介质
技术领域
本发明涉及轨道交通技术领域，特别是涉及一种CBTC系统的故障诊断方法、装置和计算机可读存储介质。
背景技术
基于通信的列车运行控制（Communication Based Train Control ，CBTC）系统主要包括车载设备列车自动驾驶（Automatic Train Operation ，ATO）、列车自动防护（Automatic Train Protection ，ATP），地面设备区域控制器（Zone Controller ，ZC）、联锁（Computer Interlock，CI）、列车自动监控（Automatic Train Supervision ，ATS）及数据通信系统（Data Communication System ，DCS）等子系统。各个子系统间数据实时交互，伴随子系统间的数据交互，会产生大量的日志数据用于记录系统运行状态关键量。通过对日志数据进行分析，可以实现对CBTC系统的故障诊断。
目前对上述日志数据的分析基本依靠专业人员人工定位和分析数据，不仅严重依赖人员专业素质，同时只能被动等待问题出现后以时间点去定位问题范围，处理问题效率低、对人员的专业要求较高。
可见，如何提升CBTC系统的故障诊断的处理效率，是本领域技术人员需要解决的问题。
发明内容
本发明实施例的目的是提供一种CBTC系统的故障诊断方法、装置和计算机可读存储介质，可以提升CBTC系统的故障诊断的处理效率。
为解决上述技术问题，本发明实施例提供一种CBTC系统的故障诊断方法，包括：
统计同一类型下的多个子系统在不同时间段下的初始运行数据；
从所述初始运行数据中筛选出不同故障类别的故障时刻；
将所述初始运行数据中与各所述故障时刻相邻的预设时间段内的运行数据作为系统运行数据样本；
利用卡茨退避法，计算所述系统运行数据样本在不同故障类别下的故障概率值；
采用概率拟合方式对所述不同故障类别下的故障概率值进行连续平滑处理，以得到用于展示所述子系统的故障类别概率分布的马尔可夫模型；
当获取到系统的当前运行数据时，根据所述马尔可夫模型确定出所述当前运行数据所对应的故障类别。
可选地，在所述从所述初始运行数据中筛选出不同故障类别的故障时刻之后还包括：
判断所述初始运行数据中出现的故障类别的种类数是否与其所属的子系统的故障类别总数相同；
若是，则执行所述将所述初始运行数据中与各所述故障时刻相邻的预设时间段内的运行数据作为系统运行数据样本的步骤；
若否，则对所述初始运行数据进行数据扩充，并返回所述从所述初始运行数据中筛选出不同故障类别的故障时刻的步骤。
可选地，所述利用卡茨退避法，计算所述系统运行数据样本在不同故障类别下的故障概率值包括：
按照如下公式，计算所述系统运行数据样本中第
Figure 81951DEST_PATH_IMAGE001
种故障类别的故障概率值
Figure 490411DEST_PATH_IMAGE002
，
Figure 397187DEST_PATH_IMAGE003
；
其中，
Figure 286646DEST_PATH_IMAGE004
表示所述系统运行数据样本中第
Figure 962478DEST_PATH_IMAGE005
种故障类别出现的频次，
Figure 544769DEST_PATH_IMAGE006
表示预设阈值，
Figure 735579DEST_PATH_IMAGE007
表示所述系统运行数据样本中出现第
Figure 163149DEST_PATH_IMAGE001
种故障类别的事件，
Figure 693487DEST_PATH_IMAGE008
表示系统处于安全态的事件，
Figure 243417DEST_PATH_IMAGE009
表示统计学相对频度，
Figure 859206DEST_PATH_IMAGE010
表示采用古德-图灵估计后的相对频度，
Figure 356047DEST_PATH_IMAGE011
表示估计补偿相对频度。
本发明实施例还提供了一种CBTC系统的故障诊断装置，包括统计单元、筛选单元、作为单元、计算单元、拟合单元和确定单元；
所述统计单元，用于统计同一类型下的多个子系统在不同时间段下的初始运行数据；
所述筛选单元，用于从所述初始运行数据中筛选出不同故障类别的故障时刻；
所述作为单元，用于将所述初始运行数据中与各所述故障时刻相邻的预设时间段内的运行数据作为系统运行数据样本；所述计算单元，用于利用卡茨退避法，计算所述系统运行数据样本在不同故障类别下的故障概率值；
所述拟合单元，用于采用概率拟合方式对所述不同故障类别下的故障概率值进行连续平滑处理，以得到用于展示所述子系统的故障类别概率分布的马尔可夫模型；
所述确定单元，用于当获取到系统的当前运行数据时，根据所述马尔可夫模型确定出所述当前运行数据所对应的故障类别。
可选地，还包括判断单元和扩充单元；
所述判断单元，用于判断所述初始运行数据中出现的故障类别的种类数是否与其所属的子系统的故障类别总数相同；若是，则触发所述作为单元；若否，则触发所述扩充单元；
所述扩充单元，用于对所述初始运行数据进行数据扩充，并返回所述从所述初始运行数据中筛选出不同故障类别的故障时刻的步骤。
可选地，所述计算单元具体用于按照如下公式，计算所述系统运行数据样本中第
Figure 803209DEST_PATH_IMAGE001
种故障类别的故障概率值
Figure 196144DEST_PATH_IMAGE002
，
Figure 564808DEST_PATH_IMAGE003
；
其中，
Figure 396498DEST_PATH_IMAGE004
表示所述系统运行数据样本中第
Figure 167008DEST_PATH_IMAGE001
种故障类别出现的频次，
Figure 730845DEST_PATH_IMAGE006
表示预设阈值，
Figure 586805DEST_PATH_IMAGE007
表示所述系统运行数据样本中出现第
Figure 222186DEST_PATH_IMAGE001
种故障类别的事件，
Figure 316044DEST_PATH_IMAGE008
表示系统处于安全态的事件，
Figure 581940DEST_PATH_IMAGE009
表示统计学相对频度，
Figure 456355DEST_PATH_IMAGE010
表示采用古德-图灵估计后的相对频度，
Figure 230845DEST_PATH_IMAGE011
表示估计补偿相对频度。
本发明实施例还提供了一种CBTC系统的故障诊断装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现如上述任意一项所述CBTC系统的故障诊断方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述CBTC系统的故障诊断方法的步骤。
由上述技术方案可以看出，统计同一类型下的多个子系统在不同时间段下的初始运行数据；从初始运行数据中筛选出不同故障类别的故障时刻；将初始运行数据中与各故障时刻相邻的预设时间段内的运行数据作为系统运行数据样本。利用卡茨退避法，计算系统运行数据样本在不同故障类别下的故障概率值；采用概率拟合方式对不同故障类别下的故障概率值进行连续平滑处理，以得到用于展示子系统的故障类别概率分布的马尔可夫模型，利用系统在不同故障类别下的数据特性建立马尔可夫模型，在确保故障识别的快速性和精确性要求的前提下，降低了对精确建模的要求。当获取到系统的当前运行数据时，根据马尔可夫模型可以快速的确定出当前运行数据所对应的故障类别，提升了CBTC系统的故障诊断的处理效率。并且通过调整系统运行数据样本的类型，可以训练得到相适应的马尔可夫模型，使得马尔可夫模型可以适用不同子系统的故障检测需求，具有较好的通用性。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，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CBTC系统的故障诊断方法的流程图；
图2为本发明实施例提供的一种CBTC系统的故障诊断装置的结构示意图；
图3为本发明实施例提供的一种CBTC系统的故障诊断装置的硬件结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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前提下，所获得的所有其他实施例，都属于本发明保护范围。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
接下来，详细介绍本发明实施例所提供的一种CBTC系统的故障诊断方法。图1为本发明实施例提供的一种CBTC系统的故障诊断方法的流程图，该方法包括：
S101：统计同一类型下的多个子系统在不同时间段下的初始运行数据。
CBTC系统包含有多个子系统，如ATO、ATP、ZC、CI、ATS以及DCS等。每个子系统的故障诊断方式类似，在本发明实施例中以一个子系统为例展开介绍。
一个子系统所对应的故障类别往往有多种，以ZC为例，ZC故障常见的故障类别有8种，分别为列车-ZC通信故障、CI-ZC通信故障、相邻ZC-ZC通信故障、轨旁设备故障、列车升级故障、列车运行异常、ZC软件故障、ZC硬件故障。
当子系统出现故障时，相应的该子系统下的系统运行数据会发生变化，在本发明实施例中，可以分析子系统的系统运行数据在不同故障类别下的数据特性，从而确定出子系统的运行数据在不同故障类别下的概率分布情况。
为了保证获取的系统运行数据样本的全面性和充分性，在实际应用中，可以统计同一类型下的多个子系统在不同时间段下的初始运行数据。
S102：从初始运行数据中筛选出不同故障类别的故障时刻。
本发明实施例中，需要对CBTC系统的故障进行诊断，为了获取可以反映系统故障的系统运行数据样本，可以从初始运行数据中筛选出不同故障类别的故障时刻。
S103：将初始运行数据中与各故障时刻相邻的预设时间段内的运行数据作为系统运行数据样本。
以ZC为例，可以统计不同ZC在近一个月内每天不同时间段下的运行数据作为初始运行数据。
预设时间段的取值可以根据实际的数据样本的需求量进行设定，例如，预设时间段可以设置为2小时，与故障时刻相邻的预设时间段可以设置为与故障时刻相邻的前一小时的初始运行数据以及与故障时刻相邻的后一小时的初始运行数据。
S104：利用卡茨退避法，计算系统运行数据样本在不同故障类别下的故障概率值。
考虑到系统运行数据样本的局限性，会存在这样一种可能性，在系统运行数据样本中未出现某一故障类别，但是从概率角度不能认为这种情况不会发生，为了避免在统计过程中出现未发生故障类别的故障概率为0的情况，在本发明实施例中，可以采用卡茨退避法处理零概率问题。
在具体实现中，可以按照如下公式，计算系统运行数据样本中第
Figure 710368DEST_PATH_IMAGE005
种故障类别的故障概率值
Figure 147166DEST_PATH_IMAGE002
，
Figure 712139DEST_PATH_IMAGE003
；
其中，
Figure 158164DEST_PATH_IMAGE004
表示系统运行数据样本中第
Figure 226614DEST_PATH_IMAGE001
种故障类别出现的频次，
Figure 834313DEST_PATH_IMAGE006
表示预设阈值，
Figure 683321DEST_PATH_IMAGE007
表示系统运行数据样本中出现第
Figure 401878DEST_PATH_IMAGE001
种故障类别的事件，
Figure 855993DEST_PATH_IMAGE008
表示系统处于安全态的事件，
Figure 369014DEST_PATH_IMAGE009
表示统计学相对频度，
Figure 705317DEST_PATH_IMAGE010
表示采用古德-图灵估计后的相对频度，
Figure 227566DEST_PATH_IMAGE011
表示估计补偿相对频度。通过设置
Figure 270608DEST_PATH_IMAGE011
，可以保证所有故障类别的故障概率值之和为1。
以ZC为例分析故障原因。基于基础理论分析和现场故障总结，(1)当车与ZC通信故障，ZC表现为将该车置为安全态。(2)当CI与ZC通信故障，ZC表现为将该CI涉及的轨旁设备置为安全态。(3)当相邻ZC与ZC通信故障，ZC表现为将该相邻ZC涉及并与本ZC相关联的轨旁设备置为安全态。(4)当轨旁设备故障，ZC表现为将该轨旁设备涉及移动授权计算按安全态处理。(5)当列车升级CTC相关设备故障，ZC表现为该列车始终无法升级为CTC级别。(6)当列车运行异常，ZC表现为将该列车置为安全态。(7)当ZC软件故障，ZC表现为涉及范围内的列车非正常置为安全态。(8)当ZC硬件故障，ZC表现为设备状态为安全态。
在本发明实施例中，针对于每个ZC故障类别考虑两个条件概率事件， (1)对于列车-ZC通信故障，
Figure 16847DEST_PATH_IMAGE012
为列车-ZC通信故障的事件，
Figure 778130DEST_PATH_IMAGE013
为列车安全态的事件。(2) 对于CI-ZC通信故障，
Figure 835560DEST_PATH_IMAGE014
为CI-ZC通信故障的事件，
Figure 795426DEST_PATH_IMAGE015
表现为将该CI涉及轨旁设备置为安全态的事件。(3) 对于相邻ZC-ZC通信故障，
Figure 915828DEST_PATH_IMAGE016
为相邻ZC-ZC通信故障的事件，
Figure 164407DEST_PATH_IMAGE017
为该相邻ZC涉及与本ZC相关联的轨旁设备置为安全态的事件。(4) 对于轨旁设备故障，
Figure 825196DEST_PATH_IMAGE018
为轨旁设备故障的事件，
Figure 842830DEST_PATH_IMAGE019
为将该轨旁设备涉及移动授权计算按安全态处理的事件。(5) 对于列车升级故障，
Figure 134134DEST_PATH_IMAGE020
为列车升级CTC相关设备故障的事件，
Figure 870009DEST_PATH_IMAGE021
为该列车无法升级为CTC级别的事件。(6)对于列车运行异常，
Figure 537751DEST_PATH_IMAGE022
为列车运行异常的事件，
Figure 206629DEST_PATH_IMAGE023
为将该列车置为安全态的事件。(7) 对于ZC软件故障，
Figure 668835DEST_PATH_IMAGE024
为ZC软件故障的事件，
Figure 892006DEST_PATH_IMAGE025
为涉及ZC范围内的列车非正常置为安全态的事件。(8) 对于ZC硬件故障，
Figure 894597DEST_PATH_IMAGE026
为ZC硬件故障的事件，
Figure 621244DEST_PATH_IMAGE027
为设备状态为安全态的事件。
S105：采用概率拟合方式对不同故障类别下的故障概率值进行连续平滑处理，以得到用于展示子系统的故障类别概率分布的马尔可夫模型。
通过对子系统下不同故障类别的故障概率值进行连续平滑处理，可以得到表征该子系统的运行数据在不同故障类别下的概率分布情况。
S106：当获取到系统的当前运行数据时，根据马尔可夫模型确定出当前运行数据所对应的故障类别。
在本发明实施例中，当获取到系统的当前运行数据时，可以依据马尔可夫模型中的故障类别概率分布，确定出当前运行数据与各故障类别的匹配度；将匹配度最高的故障类别作为当前运行数据对应的故障类别。
由上述技术方案可以看出，统计同一类型下的多个子系统在不同时间段下的初始运行数据；从初始运行数据中筛选出不同故障类别的故障时刻；将初始运行数据中与各故障时刻相邻的预设时间段内的运行数据作为系统运行数据样本。利用卡茨退避法，计算系统运行数据样本在不同故障类别下的故障概率值；采用概率拟合方式对不同故障类别下的故障概率值进行连续平滑处理，以得到用于展示子系统的故障类别概率分布的马尔可夫模型，利用系统在不同故障类别下的数据特性建立马尔可夫模型，在确保故障识别的快速性和精确性要求的前提下，降低了对精确建模的要求。当获取到系统的当前运行数据时，根据马尔可夫模型可以快速的确定出当前运行数据所对应的故障类别，提升了CBTC系统的故障诊断的处理效率。并且通过调整系统运行数据样本的类型，可以训练得到相适应的马尔可夫模型，使得马尔可夫模型可以适用不同子系统的故障检测需求，具有较好的通用性。
为了保证初始运行数据样本尽可能的涵盖子系统下的所有的故障类别，在从初始运行数据中筛选出不同故障类别的故障时刻之后，可以判断初始运行数据中出现的故障类别的种类数是否与其所属的子系统的故障类别总数相同。
当初始运行数据中出现的故障类别的种类数与其所属的子系统的故障类别总数相同，则说明该初始运行数据样本中涵盖了子系统下所有的故障类别，此时可以执行将初始运行数据中与各故障时刻相邻的预设时间段内的运行数据作为系统运行数据样本的步骤。
当初始运行数据中出现的故障类别的种类数与其所属的子系统的故障类别总数不相同时，即初始运行数据中出现的故障类别的种类数小于其所属的子系统的故障类别总数时，则说明该初始运行数据样本中未能涵盖子系统下所有的故障类别，为了保证初始运行数据样本的全面性，可以对初始运行数据进行数据扩充，在完成数据扩充之后再返回从初始运行数据中筛选出不同故障类别的故障时刻的步骤。
对初始运行数据进行扩充的方式可以有多种。以ZC为例，可以扩大ZC的个数，获取更多ZC对应的系统运行数据；也可以扩大系统运行数据的采样时间，例如，在原本采集近一个月内的系统运行数据的基础上，将采样时间扩大为两个月，可以采集近两个月内的系统运行数据作为初始运行数据。
通过依赖于采集的数据样本中所涵盖的故障类别的个数对初始运行数据进行评估，可以在初始运行数据未能涵盖子系统下所有的故障类别时，及时对数据样本进行扩充，以提升初始运行数据的全面性，从而保证依赖于系统运行数据样本，可以更加准确的得到的子系统的故障类别概率分布情况。
图2为本发明实施例提供的一种CBTC系统的故障诊断装置的结构示意图，包括统计单元21、筛选单元22和作为单元23、计算单元24、拟合单元25和确定单元26；
统计单元21，用于统计同一类型下的多个子系统在不同时间段下的初始运行数据；
筛选单元22，用于从初始运行数据中筛选出不同故障类别的故障时刻；
作为单元23，用于将初始运行数据中与各故障时刻相邻的预设时间段内的运行数据作为系统运行数据样本；
计算单元24，用于利用卡茨退避法，计算系统运行数据样本在不同故障类别下的故障概率值；
拟合单元25，用于采用概率拟合方式对不同故障类别下的故障概率值进行连续平滑处理，以得到用于展示子系统的故障类别概率分布的马尔可夫模型；
确定单元26，用于当获取到系统的当前运行数据时，根据马尔可夫模型确定出当前运行数据所对应的故障类别。
可选地，还包括判断单元和扩充单元；
判断单元，用于判断初始运行数据中出现的故障类别的种类数是否与其所属的子系统的故障类别总数相同；若是，则触发作为单元；若否，则触发扩充单元；
扩充单元，用于对初始运行数据进行数据扩充，并返回从初始运行数据中筛选出不同故障类别的故障时刻的步骤。
可选地，计算单元具体用于按照如下公式，计算系统运行数据样本中第
Figure 519930DEST_PATH_IMAGE001
种故障类别的故障概率值
Figure 761556DEST_PATH_IMAGE002
，
Figure 771100DEST_PATH_IMAGE003
；
其中，
Figure 617833DEST_PATH_IMAGE004
表示系统运行数据样本中第
Figure 421841DEST_PATH_IMAGE001
种故障类别出现的频次，
Figure 416342DEST_PATH_IMAGE006
表示预设阈值，
Figure 963998DEST_PATH_IMAGE007
表示系统运行数据样本中出现第
Figure 137009DEST_PATH_IMAGE001
种故障类别的事件，
Figure 908656DEST_PATH_IMAGE008
表示系统处于安全态的事件，
Figure 593715DEST_PATH_IMAGE009
表示统计学相对频度，
Figure 945062DEST_PATH_IMAGE010
表示采用古德-图灵估计后的相对频度，
Figure 500808DEST_PATH_IMAGE011
表示估计补偿相对频度。
图2所对应实施例中特征的说明可以参见图1所对应实施例的相关说明，这里不再一一赘述。
由上述技术方案可以看出，统计同一类型下的多个子系统在不同时间段下的初始运行数据；从初始运行数据中筛选出不同故障类别的故障时刻；将初始运行数据中与各故障时刻相邻的预设时间段内的运行数据作为系统运行数据样本。利用卡茨退避法，计算系统运行数据样本在不同故障类别下的故障概率值；采用概率拟合方式对不同故障类别下的故障概率值进行连续平滑处理，以得到用于展示子系统的故障类别概率分布的马尔可夫模型，利用系统在不同故障类别下的数据特性建立马尔可夫模型，在确保故障识别的快速性和精确性要求的前提下，降低了对精确建模的要求。当获取到系统的当前运行数据时，根据马尔可夫模型可以快速的确定出当前运行数据所对应的故障类别，提升了CBTC系统的故障诊断的处理效率。并且通过调整系统运行数据样本的类型，可以训练得到相适应的马尔可夫模型，使得马尔可夫模型可以适用不同子系统的故障检测需求，具有较好的通用性。
图3为本发明实施例提供的一种CBTC系统的故障诊断装置30的硬件结构示意图，包括：
存储器31，用于存储计算机程序；
处理器32，用于执行计算机程序以实现如上述任意实施例所述的CBTC系统的故障诊断方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述任意实施例所述的CBTC系统的故障诊断方法的步骤。
以上对本发明实施例所提供的一种CBTC系统的故障诊断方法、装置和计算机可读存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

Claims (8)

1.一种CBTC系统的故障诊断方法，其特征在于，包括：
统计同一类型下的多个子系统在不同时间段下的初始运行数据；
从所述初始运行数据中筛选出不同故障类别的故障时刻；
将所述初始运行数据中与各所述故障时刻相邻的预设时间段内的运行数据作为系统运行数据样本；
利用卡茨退避法，计算所述系统运行数据样本在不同故障类别下的故障概率值；
采用概率拟合方式对所述不同故障类别下的故障概率值进行连续平滑处理，以得到用于展示所述子系统的故障类别概率分布的马尔可夫模型；
当获取到系统的当前运行数据时，根据所述马尔可夫模型确定出所述当前运行数据所对应的故障类别。
2.根据权利要求1所述的CBTC系统的故障诊断方法，其特征在于，在所述从所述初始运行数据中筛选出不同故障类别的故障时刻之后还包括：
判断所述初始运行数据中出现的故障类别的种类数是否与其所属的子系统的故障类别总数相同；
若是，则执行所述将所述初始运行数据中与各所述故障时刻相邻的预设时间段内的运行数据作为系统运行数据样本的步骤；
若否，则对所述初始运行数据进行数据扩充，并返回所述从所述初始运行数据中筛选出不同故障类别的故障时刻的步骤。
3.根据权利要求1所述的CBTC系统的故障诊断方法，其特征在于，所述利用卡茨退避法，计算所述系统运行数据样本在不同故障类别下的故障概率值包括：
按照如下公式，计算所述系统运行数据样本中第
Figure 784786DEST_PATH_IMAGE001
种故障类别的故障概率值
Figure 436348DEST_PATH_IMAGE002
，
Figure 12822DEST_PATH_IMAGE003
；
其中，
Figure 814556DEST_PATH_IMAGE004
表示所述系统运行数据样本中第
Figure 363349DEST_PATH_IMAGE001
种故障类别出现的频次，
Figure 716970DEST_PATH_IMAGE005
表示预设阈值，
Figure 656107DEST_PATH_IMAGE006
表示所述系统运行数据样本中出现第
Figure 386166DEST_PATH_IMAGE001
种故障类别的事件，
Figure 789466DEST_PATH_IMAGE007
表示系统处于安全态的事件，
Figure 454933DEST_PATH_IMAGE008
表示统计学相对频度，
Figure 740421DEST_PATH_IMAGE009
表示采用古德-图灵估计后的相对频度，
Figure 211854DEST_PATH_IMAGE010
表示估计补偿相对频度。
4.一种CBTC系统的故障诊断装置，其特征在于，包括统计单元、筛选单元、作为单元、计算单元、拟合单元和确定单元；
所述统计单元，用于统计同一类型下的多个子系统在不同时间段下的初始运行数据；
所述筛选单元，用于从所述初始运行数据中筛选出不同故障类别的故障时刻；
所述作为单元，用于将所述初始运行数据中与各所述故障时刻相邻的预设时间段内的运行数据作为系统运行数据样本；所述计算单元，用于利用卡茨退避法，计算所述系统运行数据样本在不同故障类别下的故障概率值；
所述拟合单元，用于采用概率拟合方式对所述不同故障类别下的故障概率值进行连续平滑处理，以得到用于展示所述子系统的故障类别概率分布的马尔可夫模型；
所述确定单元，用于当获取到系统的当前运行数据时，根据所述马尔可夫模型确定出所述当前运行数据所对应的故障类别。
5.根据权利要求4所述的CBTC系统的故障诊断装置，其特征在于，还包括判断单元和扩充单元；
所述判断单元，用于判断所述初始运行数据中出现的故障类别的种类数是否与其所属的子系统的故障类别总数相同；若是，则触发所述作为单元；若否，则触发所述扩充单元；
所述扩充单元，用于对所述初始运行数据进行数据扩充，并返回所述从所述初始运行数据中筛选出不同故障类别的故障时刻的步骤。
6.根据权利要求4所述的CBTC系统的故障诊断装置，其特征在于，所述计算单元具体用于按照如下公式，计算所述系统运行数据样本中第
Figure 407343DEST_PATH_IMAGE001
种故障类别的故障概率值
Figure 571608DEST_PATH_IMAGE002
，
Figure 609971DEST_PATH_IMAGE003
；
其中，
Figure 291619DEST_PATH_IMAGE004
表示所述系统运行数据样本中第
Figure 669511DEST_PATH_IMAGE001
种故障类别出现的频次，
Figure 535836DEST_PATH_IMAGE005
表示预设阈值，
Figure 936861DEST_PATH_IMAGE006
表示所述系统运行数据样本中出现第
Figure 546834DEST_PATH_IMAGE001
种故障类别的事件，
Figure 779232DEST_PATH_IMAGE007
表示系统处于安全态的事件，
Figure 222983DEST_PATH_IMAGE008
表示统计学相对频度，
Figure 704780DEST_PATH_IMAGE009
表示采用古德-图灵估计后的相对频度，
Figure 321706DEST_PATH_IMAGE010
表示估计补偿相对频度。
7.一种CBTC系统的故障诊断装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现如权利要求1至3任意一项所述CBTC系统的故障诊断方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任意一项所述CBTC系统的故障诊断方法的步骤。
CN202010831490.5A 2020-08-18 2020-08-18 一种cbtc系统的故障诊断方法、装置和介质 Pending CN111738368A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010831490.5A CN111738368A (zh) 2020-08-18 2020-08-18 一种cbtc系统的故障诊断方法、装置和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010831490.5A CN111738368A (zh) 2020-08-18 2020-08-18 一种cbtc系统的故障诊断方法、装置和介质

Publications (1)

Publication Number Publication Date
CN111738368A true CN111738368A (zh) 2020-10-02

Family

ID=72658582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010831490.5A Pending CN111738368A (zh) 2020-08-18 2020-08-18 一种cbtc系统的故障诊断方法、装置和介质

Country Status (1)

Country Link
CN (1) CN111738368A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040176879A1 (en) * 2003-03-07 2004-09-09 Menon Sunil K. Transient fault detection system and method using Hidden Markov Models
CN102722722A (zh) * 2012-05-25 2012-10-10 清华大学 基于逻辑推理和故障辨识的混合故障检测诊断方法
CN110011837A (zh) * 2019-03-19 2019-07-12 中国铁道科学研究院集团有限公司通信信号研究所 一种基于cbtc系统网络数据智能化故障分析方法
CN110334208A (zh) * 2019-05-09 2019-10-15 湖南中车时代通信信号有限公司 基于贝叶斯信念网络的lkj故障预测诊断方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040176879A1 (en) * 2003-03-07 2004-09-09 Menon Sunil K. Transient fault detection system and method using Hidden Markov Models
CN102722722A (zh) * 2012-05-25 2012-10-10 清华大学 基于逻辑推理和故障辨识的混合故障检测诊断方法
CN110011837A (zh) * 2019-03-19 2019-07-12 中国铁道科学研究院集团有限公司通信信号研究所 一种基于cbtc系统网络数据智能化故障分析方法
CN110334208A (zh) * 2019-05-09 2019-10-15 湖南中车时代通信信号有限公司 基于贝叶斯信念网络的lkj故障预测诊断方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谭力天 等: "一种基于统计学模型的城轨信号系统故障诊断方法", 《控制与信息技术》 *

Similar Documents

Publication Publication Date Title
WO2020215721A1 (zh) 一种激光雷达的寿命预测方法
US20150066431A1 (en) Use of partial component failure data for integrated failure mode separation and failure prediction
CN102436519A (zh) 电力系统自动装置动态可靠性综合评估方法
CN116559598B (zh) 一种智慧配电网故障定位方法及系统
CN111273176B (zh) 一种故障诊断的优化方法及装置、系统和存储介质
CN108388489A (zh) 一种服务器故障诊断方法、系统、设备及存储介质
CN111796233B (zh) 双母线接线形式下多台电压互感器继发性误差的评估方法
WO2022095736A1 (zh) 报表测试方法、装置、计算机设备及计算机可读存储介质
CN110471395B (zh) 一种故障检测方法、装置、设备及存储介质
KR101953558B1 (ko) 스마트 기기 결함 관리 장치 및 방법
CN117060409B (zh) 电力线路运行状态自动化检测分析方法及系统
DE10249644A1 (de) Softwareabsturzereignisanalyseverfahren und -system
CN115455358A (zh) 基于非线性回归模型的电气参数趋势预警及故障诊断方法
CN115587673A (zh) 一种电压互感器误差状态预测方法及系统
CN112488496A (zh) 一种财务指标预测方法及装置
CN111752481A (zh) 一种基于spd的内存监控及寿命预测方法和系统
CN114333317B (zh) 一种交通事件的处理方法、装置、电子设备及存储介质
CN115114124A (zh) 主机风险的评估方法及评估装置
CN111738368A (zh) 一种cbtc系统的故障诊断方法、装置和介质
CN116743637B (zh) 一种异常流量的检测方法、装置、电子设备及存储介质
CN116400249A (zh) 储能电池的检测方法及装置
KR20170018794A (ko) 부분 고장 데이터를 이용한 소프트웨어 신뢰도 평가모델 선택 시스템 및 방법
CN115685045A (zh) 一种电压互感器在线评估方法
CN115378928A (zh) 基于云服务的监控方法及系统
Wagner Towards software quality economics for defect-detection techniques

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201002

WD01 Invention patent application deemed withdrawn after publication