CN112257175B - 一种基于改进sir模型的风险传播路径的预测方法 - Google Patents
一种基于改进sir模型的风险传播路径的预测方法 Download PDFInfo
- Publication number
- CN112257175B CN112257175B CN202011117420.XA CN202011117420A CN112257175B CN 112257175 B CN112257175 B CN 112257175B CN 202011117420 A CN202011117420 A CN 202011117420A CN 112257175 B CN112257175 B CN 112257175B
- Authority
- CN
- China
- Prior art keywords
- node
- risk
- energy
- propagation
- network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 238000013461 design Methods 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 230000009191 jumping Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 32
- 230000007480 spreading Effects 0.000 claims description 20
- 238000003892 spreading Methods 0.000 claims description 20
- 208000015181 infectious disease Diseases 0.000 claims description 18
- 230000006378 damage Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 11
- 239000000203 mixture Substances 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 8
- 230000007423 decrease Effects 0.000 claims description 7
- 238000007726 management method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 21
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 230000003685 thermal hair damage Effects 0.000 description 2
- ZKHQWZAMYRWXGA-KQYNXXCUSA-J ATP(4-) Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](COP([O-])(=O)OP([O-])(=O)OP([O-])([O-])=O)[C@@H](O)[C@H]1O ZKHQWZAMYRWXGA-KQYNXXCUSA-J 0.000 description 1
- ZKHQWZAMYRWXGA-UHFFFAOYSA-N Adenosine triphosphate Natural products C1=NC=2C(N)=NC=NC=2N1C1OC(COP(O)(=O)OP(O)(=O)OP(O)(O)=O)C(O)C1O ZKHQWZAMYRWXGA-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- TTWYZDPBDWHJOR-IDIVVRGQSA-L adenosine triphosphate disodium Chemical compound [Na+].[Na+].C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](COP(O)(=O)OP(O)(=O)OP([O-])([O-])=O)[C@@H](O)[C@H]1O TTWYZDPBDWHJOR-IDIVVRGQSA-L 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000007853 buffer solution Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000002649 immunization Methods 0.000 description 1
- 230000003053 immunization Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明实施例提供了一种基于改进SIR模型的风险传播路径的预测方法，包括如下流程步骤：步骤S110，基于城市轨道交通设计制造数据与历史运营事故数据，确定系统风险节点及各风险节点间的连接关系，构建风险网络；步骤S120，构建风险传播模型，计算节点安全熵，确定传播的起止条件、传播方向以及传播影响结果；步骤S130，根据所述风险传播模型，对网络中的风险传播路径进行仿真，以不同的初始条件作为仿真起点，预测网络中风险传播的路径。本发明提高了风险预测的精确度。
Description
技术领域
本发明涉及交通领域，尤其涉及一种基于改进SIR模型的风险传播路径的预测方法。
背景技术
城市轨道交通系统作为由多系统、人员以及影响因素组成的复杂系统，其系统内部件、设备及单元数量庞大，节点连接关系复杂。这就意味着：对于城市轨道交通系统，当安全风险产生时，难以准确判断其风险链路的传播演化方向和最终形成的事故后果，事故的预防和应急抢险多依靠传统经验，在传统经验判断失效时，可能会导致难以预测的重大安全事故。
在对城市轨道交通安全风险演化的现有研究中，国内外学者通常使用事故树、风险链等方法描述风险演化的过程，通过概率表征其传播方向和传播可能性，进而得到最终的事故后果。但是对于复杂系统，使用事故树所能表述的节点数量太少，风险关系简单而且掺加主观判断，风险传播的条件过于理想，对于时变复杂系统中事故的涌现现象难以解释。
发明内容
本发明的实施例提供了一种基于改进SIR模型的风险传播路径的预测方法，提高了风险预测的精确度。
一种基于改进SIR模型的风险传播路径的预测方法，包括如下流程步骤：
步骤S110，基于城市轨道交通设计制造数据与历史运营事故数据，确定系统风险节点及各风险节点间的连接关系，构建风险网络；
步骤S120，构建风险传播模型，计算节点安全熵，确定传播的起止条件、传播方向以及传播影响结果；
步骤S130，根据所述风险传播模型，对网络中的风险传播路径进行仿真，以不同的初始条件作为仿真起点，预测网络中风险传播的路径。
所述步骤S110具体包括：
根据设计制造数据，确定城市轨道交通系统的结构组成，将各子系统进行细分，获取最小组成单元，并确定城市轨道交通系统组成单元之间的连接关系；
对历史事故、运维数据进行统计分析，获得在实际运营过程中各部件可能产生的故障或事故种类，明确部件发生故障的频率，并获得针对风险事故的安全管理办法、应急管理办法以及运维标准；
以城市轨道交通系统中所述最小组成单元为节点，所述连接关系为边，构建无向无权的城市轨道交通风险网络。
所述步骤S120具体包括：
在城市轨道交通系统中，损害的类型有两种，第一类损害是对节点、边施加超过阈值的能量；第二类损害是由于影响局部或系统全局的能量流动而造成的系统失效；
风险状态Zi是指节点i内所运用的能量是否正常释放的状态值，节点存在两种风险状态：(1)风险惰性状态：指节点i内能量ei按照人类所设计的路线运用，未突破节点i所能承受的最大阈值ρi；(2)风险激活状态：指节点i内能量超过了节点i所能承受的最大阈值ρi而无序流动的状态；
城市轨道交通节点安全熵：在城市轨道交通系统运行过程中，网络节点内能量利用的混乱程度，能量运用越混乱，则熵值越高，能量流动越有序，则熵值越低；
在风险传播过程中，风险倾向于从低熵节点向高熵节点方向传播，即系统自发进行熵增过程；安全熵值的大小需要考虑节点拓扑结构、功能等级，使用节点度分布概率、介数分布概率衡量；
Si＝[1-p(ki)]·N
Fi＝[1-p(di)]·N
式中ki是节点i的度值，di是节点i的介数值，N是网络中节点的数量，Si表示节点的结构复杂程度，Fi表示节点的功能复杂程度；
Ii′＝Si·Fi·exp(Si)·ΣWij
Hi(t)＝-Ii(t)·log Ii(t)
Wij表示节点i邻域所有节点的原始故障概率之和，Ii′表示节点间的综合差异值，Ii为节点差异值的归一化结果，Hi(t)表示节点i在t时刻的安全熵值；对城市轨道交通系统网络模型全局节点进行安全熵值计算；
在t时刻，节点i向节点j传播的安全熵变化率difi,j(t)为：
式中lij为节点i与节点j之间的拓扑距离，γ为数据拟合参数，γ≥1；
在t时刻，节点i向节点j的风险传播能力与安全熵下降梯度difi,j(t)呈正比，当两节点间熵梯度下降值越大，其风险传播影响越大，若安全熵下降梯度值不为正，风险传播不发生；
在t时刻，节点i所受到的能量侵袭为：
式中，ar(i)表示节点i的邻域节点集，qi(t)表示i节点在t时刻受到的能量侵袭值。
所述步骤S130具体包括：
在能量蔓延型风险的传播过程中，能量不断意外释放，风险激活的节点的邻域节点能量等级突破阈值后，邻域节点变为新的传播源点，并继续向领域节点进行传播；能量蔓延型风险对近邻节点造成破坏从而影响网络结构，同时感染能力随近邻节点风险状态相互叠加；
在能量释放型风险的传播过程中，由于能量释放非连续，当风险传播时，风险激活的节点沿着网络中最薄弱的环节突破，直到能量耗散；对于能量释放型风险，沿单向传播，沿网络中阈值薄弱环节突破，同时感染能力随近风险链路长度而衰减。
所述步骤S130中计算能量蔓延型风险传播路径，具体为：
step 1，随机或者指定初始节点感染，时间初始化；
step 2，设置时间步长t+1；
step 3，根据时间t更新节点风险感染能力衰减；
step 4，遍历近邻节点是否存在，若存在则跳转到step 5.，否则跳转到step 9；
step 5，遍历近邻节点是否全部为免疫状态，若是则跳转到step 9，否则跳转到step 6；
step 6，计算网络节点阈值及风险感染能力值；
step 7，判断感染能力是否突破近邻节点阈值；若突破则跳转到step8，否则跳转到step 2.；
step 8，突破阈值节点风险状态激活；
step 9，更新网络节点状态，叠加节点状态值；
step 10，判断是否所有临接节点破坏或被免疫，若是则跳转到step11，否则跳转到step 2.；
step 11，传播结束。
所述步骤S130中能量释放型风险传播路径算法具体为：
step 1，随机或指定初始节点感染，时间初始化；
step 2，根据初始节点确定能量大小、初始化能量位置；
step 3，设定时间步长t+1；
step 4，更新能量释放位置；
step 5，遍历近邻节点是否存在，若存在则跳转到step 6.，否则跳转到step 10；
step 6，遍历近邻节点是否全部为免疫状态，若是则跳转step 10，否则跳转到step 7；
step 7，计算网络节点阈值及释放能量大小；
step 8，判断释放能量是否突破近邻节点阈值最小值，若突破跳转step9，否跳转step 3.；
step 9，最小阈值节点风险状态激活；
step 10，更新网络节点状态，更新剩余能量值；
step 11，判断是否释放能量清零，若是跳转step 12，否跳转step 3；
step 12，传播结束。
由上述本发明的实施例提供的技术方案可以看出，本发明实施例中，考虑了在网络中不同的风险传播类型，提供了响应的风险传播预测方法，提高了预测的准确性。改进了传统传播概率预测方法，降低了预测的随机性。从系统级的角度出发，预测得到了复杂系统中涌现出的传播路径，提高了系统的安全性，
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的基于改进SIR模型的风险传播路径的预测方法的流程示意图；
图2为本发明实施例所述的构建形成的城市轨道交通风险传播网络模型图；
图3为本发明实施例所述的风险网络模型传播节点安全熵值分布图；
图4为本发明实施例所述的能量蔓延型风险事故传播原理图；
图5为本发明实施例所述的能量释放型风险事故传播原理图；
图6为本发明实施例所述的能量蔓延型风险SIR事故传播模型流程框图；
图7为本发明实施例所述的能量释放型风险SIR事故传播模型流程框图；
图8为本发明实施例所述的车辆系统节点风险传播安全熵值分布图；
图9为本发明实施例所述的城市轨道交通车辆系统风险演化网络状态图。图9a为车辆系统源生风险传播演化图；图9b为其他系统源生风险传播演化图；图9c为环境源生风险传播演化图。
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。
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。
本发明提供一种基于改进SIR模型的风险传播路径预测方法，属于城轨交通安全管理技术领域。该方法基于城市轨道交通历史运营事故数据，确定系统风险节点及各风险节点间的关联关系，构建风险传播网络；然后构建所述网络的风险传播机制；最后通过改变SIR模型的起止条件、传播方向，对风险在网络模型中的传播方向以及最终传播路径进行预测。本发明考虑了不同故障模式之间存在差异，提供了两种类型的风险传播机制，提高了风险预测的精确度，使得风险链路在事故发生前被切断，降低了事故发生的几率。
本发明引入风险动力模型对节点类型以及网络结构进行改进，提出一种结合故障模式和安全熵最低原则的SIR风险传播模型，结合系统节点网络拓扑属性、历史事故数据以及节点重要程度定义城轨节点“安全熵”，从而准确描述风险传播到终止的全过程，解决了目前存在的风险节点耦合关系复杂造成风险传播难以准确预测的技术问题。
图1为本发明实施例所述的基于改进SIR模型的风险传播路径的预测方法的流程示意图；图2为本发明实施例所述的构建形成的城市轨道交通风险传播网络模型图；图3为本发明实施例所述的风险网络模型传播节点安全熵值分布图；图4为本发明实施例所述的能量蔓延型风险事故传播原理图；图5为本发明实施例所述的能量释放型风险事故传播原理图；图6为本发明实施例所述的能量蔓延型风险SIR事故传播模型流程框图；图7为本发明实施例所述的能量释放型风险SIR事故传播模型流程框图；图8为本发明实施例所述的车辆系统节点风险传播安全熵值分布图；图9为本发明实施例所述的城市轨道交通车辆系统风险演化网络状态图。图9a为车辆系统源生风险传播演化图；图9b为其他系统源生风险传播演化图；图9c为环境源生风险传播演化图。以下结合个图进行描述。
如图1所示，本发明提供一种基于改进SIR模型的风险传播路径预测方法，包括如下流程步骤：
步骤S110：基于城市轨道交通设计制造数据与历史运营事故数据，确定系统风险节点及各风险节点间的连接关系，构建风险网络；
步骤S120：构建风险传播模型，计算节点安全熵确定传播的起止条件，传播方向以及传播影响结果；
步骤S130：根据风险传播模型对网络中的风险传播路径进行仿真，以不同的初始条件作为仿真起点，预测网络中风险传播的路径。
优选的，所述步骤S110具体包括：
根据设计制造数据，确定城市轨道交通系统的结构组成，将各子系统进行细分，获取最小组成单元，并确定城市轨道交通系统组成单元之间的相互连接作用关系。对历史事故、运维数据进行统计分析，获得在实际运营过程中各部件可能产生的故障或事故种类，明确部件发生故障的频率，并获得针对风险事故的安全管理办法、应急管理办法以及运维标准。以城市轨道交通系统中不可细分的最小单元为节点，连接关系为边，构建无向无权的城市轨道交通风险网络。
优选的，所述步骤S120具体包括：
根据能量意外释放理论，任何城市轨道交通系统节点运行的过程都是能量沿人为设计路线转换或做功的过程，当能量沿着不希望或不正常的路线释放，会造成损害或功能失效。在城市轨道交通系统中，损害的类型主要有两种，第一类损害是对节点、边施加了超过阈值的能量，例如碰撞事故的冲击、火灾的高温；第二类损害是由于影响了局部或系统全局的能量流动而造成的系统失效，例如通信故障列车降级、机电设备失效等。风险状态Zi是指节点i内所运用的能量是否正常释放的状态值，节点存在两种风险状态：(1)风险惰性状态：指节点i内能量ei按照人类所设计的路线运用，未突破节点i所能承受的最大阈值ρi；(2)风险激活状态：指节点i内能量超过了节点i所能承受的最大阈值ρi而无序流动的状态。
根据网络节点的运行温度、熔点、燃点、电流值、电压值、应力大小、形变大小、振动频率、腐蚀程度、磨损磨耗程度、关键部件位置偏移量等属性值，得到阈值计算公式：
ρi为节点i的阈值，p(i)(j)表示节点i的第j个特征属性值，特征属性值为运行温度、熔点、燃点、电流值、电压值、应力大小、形变大小、振动频率、腐蚀程度、磨损磨耗程度、关键部件位置偏移量参数的量纲归一化后的参数值。
城市轨道交通节点安全熵：在城市轨道交通系统运行过程中，网络节点内能量利用的混乱程度，能量运用越混乱，则熵值越高，能量流动越有序，则熵值越低。在风险传播过程中，风险倾向于从低熵节点向高熵节点方向传播，即系统自发进行熵增过程。安全熵值的大小需要考虑节点拓扑结构、功能等级，使用节点度分布概率、介数分布概率衡量。
Si＝[1-p(ki)]·N
Fi＝[1-p(di)]·N
式中ki是节点i的度值，di是节点i的介数值，N是网络中节点的数量，Si表示节点的结构复杂程度，Fi表示节点的功能复杂程度。
Ii′＝Si·Fi·exp(Si)·ΣWij
Hi(t)＝-Ii(t)·log Ii(t)
Wij表示节点i邻域所有节点的原始故障概率之和，Ii′表示节点间的综合差异值，Ii为节点差异值的归一化结果，Hi(t)表示节点i在t时刻的安全熵值。对城市轨道交通系统网络模型全局节点进行安全熵值计算，风险传播节点安全熵值如图3所示。
在t时刻，节点i向节点j传播的安全熵变化率difi,j(t)为：
式中lij为节点i与节点j之间的拓扑距离，γ为数据拟合参数，γ≥1。在t时刻，节点i向节点j的风险传播能力与安全熵下降梯度difi,j(t)呈正比，当两节点间熵梯度下降值越大，其风险传播影响越大，若安全熵下降梯度值不为正，风险传播不发生。
在t时刻，节点i所受到的能量侵袭为：
式中，ar(i)表示节点i的邻域节点集，qi(t)表示i节点在t时刻受到的能量侵袭值。
优选的，所述步骤S130具体包括：能量蔓延型风险指燃烧、热损伤、电损伤等引起连续能量变化的风险。在燃烧、热损伤、电损伤等风险传播过程中能量会不断意外释放，风险激活的节点的邻域节点能量等级突破阈值后，邻域节点变为新的传播源点，并继续向领域节点进行传播。
能量释放型风险指机械损伤、酸腐蚀等由于局部能量释放而产生的风险。该类风险由于能量释放非连续，当风险传播时，风险激活的节点将沿着网络中最薄弱的环节突破，直到能量耗散。
对于能量蔓延型风险，在传播过程中由初始节点感染到传播结束的全过程如图6所示。能量蔓延型风险会对近邻节点造成破坏从而影响网络结构，同时感染能力随近邻节点风险状态相互叠加。
表1能量蔓延型风险传播算法
对于能量释放型风险，在传播过程中由初始节点感染到传播结束的全过程如图7所示。能量释放型风险会沿单向传播，沿网络中阈值薄弱环节突破，同时感染能力随近风险链路长度而衰减。
表2能量释放型风险传播算法
本发明有益效果：考虑了在网络中不同的风险传播类型，提供了响应的风险传播预测方法，提高了预测的准确性。改进了传统传播概率预测方法，降低了预测的随机性。从系统级的角度出发，预测得到了复杂系统中涌现出的传播路径，提高了系统的安全性，
以下描述本发明的实施例
本发明实施例以城市轨道交通列车系统为例，对基于改进SIR模型的风险传播路径预测方法进行解释说明。车辆系统是城市轨道交通运营系统的主体，其构成主要包括车体、转向架、车钩及管通道、悬挂系统、牵引系统、安全服务设施、制动及风源、电气系统等部分。以地铁B型车车辆系统为例，车辆系统大致可分为以下几个部分：
(1)车体
车体是容纳乘客和司机驾驶的区域，同时可以安装与连接其他设备和部件。车体一般包括底架、端墙、侧墙及车顶等。在车体内集成了通风空调系统、车辆照明系统、车体内装设施，是与乘客交互的主要场所。
(2)车钩缓冲器系统
车钩装置是车辆最基本的也是最重要的部件之一，它是用于连接各个车厢，连通列车内部的风道、电气连接和机械传动装置，从而使车辆形成一个整体。车钩缓冲装置是用于使车辆与车辆相互连挂的部件。其能够传递轮对提供的牵引力、制动力，并缓冲车辆间的纵向冲击。
(3)车门
车门是列车与车站交互的接口，具有数量多、操作频率高的特点，若地铁车门产生事故或故障将会严重影响乘客人身安全。根据车门用途可以将车门系统分为：客室侧门、紧急疏散门、司机室侧门以及司机室后墙门。
(4)制动系统
制动系统是地铁列车维持正常速度运行的重要保障系统，系统由电气制动系统、空气制动系统、指令和通信网络系统组成。电气制动系统可分为再生反馈电路和制动电阻器，能够将再生制动产生的电能传输给供电接触网。空气制动系统由供气部分、控制部分和基础制动装置等组成，为列车提供机械制动动力。指令和通信网络是司机指令与列车控制通信的总线。
(5)转向架
转向架系统是地铁列车最重要的部件之一，其通过齿轮传动装置将牵引电机转矩传递至车轮实现车辆沿线路平移。转向架能承受并传递车体与轮对之间载荷，并使轴重平均分配在车轮上，同时缓和颠簸对车辆造成的冲击，保证良好运行平稳性和安全性，保证了车辆有良好的直线稳定性和曲线通过能力。在转向架上集成了牵引驱动装置、悬挂系统等关键系统。
(6)列车控制系统
列车控制采用分布式微机网络控制系统，以通过贯穿列车的总线来传送信息，是实现列车控制与监视、故障诊断的中枢。列车配备有车载自动控制系统(ATC)，主要集成了车载ATP设备、车载ATO设备、车载无线设备、车载传感器、天线设备、车载人机接口设备(MMI)等设备。列车系统由于其特殊性，与线路系统、通信信号系统、供电系统、外部环境系统均具有紧密联系；线路系统通过轮轨关系与列车轮对接触，结构包括基本轨、道岔及转辙机、扣件、道床等。供电系统通过弓网关系与受电弓接触，结构包括变压器、牵引整流机组、接触网、断路器、电缆等；通信信号系统通过车地信息传输与车载列控系统连接，结构包括ATP、ATS系统、连锁系统、数据通信系统等软件系统以及轨道电路、信号基站等硬件设备。
在城市轨道交通网络模型的基础上，按照系统划分提取出车辆系统及相关系统节点构建网络模型。为了便于描述，将网络中风险点进行编号，网络中风险点如表3所示。
表3车辆系统及相关系统风险点列表
在传播仿真中需要估算在节点之间的风险传播能量等级，根据计算得到的网络拓扑指标带入安全熵值公式进行计算，结合近三年事故日报数据得到的统计事故源生概率Wij，可以计算：
其中ki是节点i的度值，di是节点i的介数值，带入前文计算结果。N是网络中节点的数量为112，γ为数据拟合参数取1.24。带入常数值，计算中间变量，可以获得列车网络模型中节点安全熵分布图，如图8所示。
仿真过程分为个三步骤：(1)首先根据实际场景设置假设及仿真参数；(2)确定仿真起止条件；(3)多次进行仿真对照实验。在仿真过程中，需要设定故障、事故发现时间、人工处置免疫时间等基本参数。参考运营公司实际处置经验以及巡检、维检平均时长，得到参数如表4所示：
表4仿真实验参数固定值
在仿真过程中，蓄意攻击起点即为网络中风险的初始位置，需要对风险起点进行分类归纳。根据事故日报数据统计，城市轨道交通车辆系统风险主要分为以下三类：
(1)运行前风险(车辆源生风险)
是车辆系统自身存在的、由理化性质变化引起的部件的变形、断裂以及腐蚀风险，该类风险开始于车辆系统内部，直接作用于车辆系统。车辆系统产生故障可能影响行车计划，转化为事故时严重危及乘客安全和正常运营秩序。
(2)运行中风险(其他系统源生风险)
是车辆系统在运行过程中外部产生的、由轮轨关系、弓网关系、车地信息传输途径传播的风险，该类风险开始于车辆系统外部，通过风险传播过程影响车辆系统。运行中风险传播速度快，具有难以快速免疫的特点。
(3)外部环境因素风险(环境源生风险)
是车辆系统在日常运行维检过程中由外部产生的直接施加于车辆系统及相关系统的风险。主要包括天气因素、地铁工作人员因素。该类风险开始与外界环境且随机性较强，风险直接作用于车辆系统且不可阻断。
根据三种风险发生情况，分别在车辆系统内部、与车辆系统相关系统、外部环境三个起点中按节点源生概率随机产生风险激活状态节点进行仿真实验，仿真结果如图9所示。
在图9中，分别为能量蔓延型风险激活态节点，对应连边为风险传播路径；能量释放型风险激活态节点，对应连边为风险传播路径。图9(a)(b)(c)分别是选取了在仿真过程中风险传播链路突破阈值转化为事故的典型路径。
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 (5)
1.一种基于改进SIR模型的风险传播路径的预测方法，其特征在于，包括如下流程步骤：
步骤S110，基于城市轨道交通设计制造数据与历史运营事故数据，确定系统风险节点及各风险节点间的连接关系，构建风险网络；
步骤S120，构建风险传播模型，计算节点安全熵，确定传播的起止条件、传播方向以及传播影响结果；具体包括：
在城市轨道交通系统中，损害的类型有两种，第一类损害是对节点、边施加超过阈值的能量；第二类损害是由于影响局部或系统全局的能量流动而造成的系统失效；
风险状态Zi是指节点i内所运用的能量是否正常释放的状态值，节点存在两种风险状态：(1)风险惰性状态：指节点i内能量ei按照人类所设计的路线运用，未突破节点i所能承受的最大阈值ρi；(2)风险激活状态：指节点i内能量超过了节点i所能承受的最大阈值ρi而无序流动的状态；
城市轨道交通节点安全熵：在城市轨道交通系统运行过程中，网络节点内能量利用的混乱程度，能量运用越混乱，则熵值越高，能量流动越有序，则熵值越低；
在风险传播过程中，风险倾向于从低熵节点向高熵节点方向传播，即系统自发进行熵增过程；安全熵值的大小需要考虑节点拓扑结构、功能等级，使用节点度分布概率、介数分布概率衡量；
Si＝[1-p(ki)]·N
Fi＝[1-p(di)]·N
式中ki是节点i的度值，di是节点i的介数值，N是网络中节点的数量，Si表示节点的结构复杂程度，Fi表示节点的功能复杂程度；
Ii′＝Si·Fi·exp(Si)·∑Wij
Hi(t)＝-Ii(t)·log Ii(t)
Wij表示节点i邻域所有节点的原始故障概率之和，Ii′表示节点间的综合差异值，Ii为节点差异值的归一化结果，Hi(t)表示节点i在t时刻的安全熵值；对城市轨道交通系统网络模型全局节点进行安全熵值计算；
在t时刻，节点i向节点j传播的安全熵变化率difi，j(t)为：
式中lij为节点i与节点j之间的拓扑距离，γ为数据拟合参数，γ≥1；
在t时刻，节点i向节点j的风险传播能力与安全熵下降梯度difi，j(t)呈正比，当两节点间熵梯度下降值越大，其风险传播影响越大，若安全熵下降梯度值不为正，风险传播不发生；
在t时刻，节点i所受到的能量侵袭为：
式中，ar(i)表示节点i的邻域节点集，qi(t)表示i节点在t时刻受到的能量侵袭值；
步骤S130，根据所述风险传播模型，对网络中的风险传播路径进行仿真，以不同的初始条件作为仿真起点，预测网络中风险传播的路径。
2.根据权利要求1所述的方法，其特征在于，所述步骤S110具体包括：
根据设计制造数据，确定城市轨道交通系统的结构组成，将各子系统进行细分，获取最小组成单元，并确定城市轨道交通系统组成单元之间的连接关系；
对历史事故、运维数据进行统计分析，获得在实际运营过程中各部件可能产生的故障或事故种类，明确部件发生故障的频率，并获得针对风险事故的安全管理办法、应急管理办法以及运维标准；
以城市轨道交通系统中所述最小组成单元为节点，所述连接关系为边，构建无向无权的城市轨道交通风险网络。
3.根据权利要求1所述的方法，其特征在于，所述步骤S130具体包括：
在能量蔓延型风险的传播过程中，能量不断意外释放，风险激活的节点的邻域节点能量等级突破阈值后，邻域节点变为新的传播源点，并继续向领域节点进行传播；能量蔓延型风险对近邻节点造成破坏从而影响网络结构，同时感染能力随近邻节点风险状态相互叠加；
在能量释放型风险的传播过程中，由于能量释放非连续，当风险传播时，风险激活的节点沿着网络中最薄弱的环节突破，直到能量耗散；对于能量释放型风险，沿单向传播，沿网络中阈值薄弱环节突破，同时感染能力随近风险链路长度而衰减。
4.根据权利要求3所述的方法，其特征在于，所述步骤S130中计算能量蔓延型风险传播路径，具体为：
step 1，随机或者指定初始节点感染，时间初始化；
step 2，设置时间步长t+1；
step 3，根据时间t更新节点风险感染能力衰减；
step 4，遍历近邻节点是否存在，若存在则跳转到step 5，否则跳转到step 9；
step 5，遍历近邻节点是否全部为免疫状态，若是则跳转到step 9，否则跳转到step6；
step 6，计算网络节点阈值及风险感染能力值；
step 7，判断感染能力是否突破近邻节点阈值；若突破则跳转到step8，否则跳转到step 2；
step 8，突破阈值节点风险状态激活；
step 9，更新网络节点状态，叠加节点状态值；
step 10，判断是否所有临接节点破坏或被免疫，若是则跳转到step11，否则跳转到step 2；
step 11，传播结束。
5.根据权利要求3所述的方法，其特征在于，所述步骤S130中能量释放型风险传播路径算法具体为：
step 1，随机或指定初始节点感染，时间初始化；
step 2，根据初始节点确定能量大小、初始化能量位置；
step 3，设定时间步长t+1；
step 4，更新能量释放位置；
step 5，遍历近邻节点是否存在，若存在则跳转到step 6，否则跳转到step 10；
step 6，遍历近邻节点是否全部为免疫状态，若是则跳转step 10，否则跳转到step 7；
step 7，计算网络节点阈值及释放能量大小；
step 8，判断释放能量是否突破近邻节点阈值最小值，若突破跳转step9，否跳转step3；
step 9，最小阈值节点风险状态激活；
step 10，更新网络节点状态，更新剩余能量值；
step 11，判断是否释放能量清零，若是跳转step 12，否跳转step 3；
step 12，传播结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011117420.XA CN112257175B (zh) | 2020-10-19 | 2020-10-19 | 一种基于改进sir模型的风险传播路径的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011117420.XA CN112257175B (zh) | 2020-10-19 | 2020-10-19 | 一种基于改进sir模型的风险传播路径的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112257175A CN112257175A (zh) | 2021-01-22 |
| CN112257175B true CN112257175B (zh) | 2023-09-22 |
Family
ID=74244257
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011117420.XA Active CN112257175B (zh) | 2020-10-19 | 2020-10-19 | 一种基于改进sir模型的风险传播路径的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112257175B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966875A (zh) * | 2021-03-18 | 2021-06-15 | 北京交通大学 | 全链条物流事故致因关联规则挖掘分析系统及方法 |
| CN113537767B (zh) * | 2021-07-14 | 2023-11-03 | 北京交通大学 | 城市轨道交通系统运营岗位人因风险控制方法 |
| CN113379331B (zh) * | 2021-07-19 | 2022-03-25 | 中国民航大学 | 一种基于不安全事件的航班运行风险网络构建与控制方法 |
| CN113746674A (zh) * | 2021-08-27 | 2021-12-03 | 中车长春轨道客车股份有限公司 | 基于sir模型的tcms网络故障传播分析方法 |
| CN114861213B (zh) * | 2022-07-07 | 2022-10-28 | 广东省科技基础条件平台中心 | 一种科技项目全周期智能管理系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971262A (zh) * | 2017-03-14 | 2017-07-21 | 北京交通大学 | 基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法 |
| CN110582074A (zh) * | 2019-09-02 | 2019-12-17 | 北京航空航天大学 | 一种基于感染传播模型的车联网信息安全风险传播控制方法 |
| CN110796859A (zh) * | 2019-10-28 | 2020-02-14 | 长安大学 | 基于交通流的实时交通状态辨识及事故风险预警方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7899611B2 (en) * | 2006-03-03 | 2011-03-01 | Inrix, Inc. | Detecting anomalous road traffic conditions |
| US9992701B2 (en) * | 2016-03-18 | 2018-06-05 | Dell Products, Lp | Method and apparatus for adaptive transmission techniques with connection context aware radio communication management and path prediction |
-
2020
- 2020-10-19 CN CN202011117420.XA patent/CN112257175B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971262A (zh) * | 2017-03-14 | 2017-07-21 | 北京交通大学 | 基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法 |
| CN110582074A (zh) * | 2019-09-02 | 2019-12-17 | 北京航空航天大学 | 一种基于感染传播模型的车联网信息安全风险传播控制方法 |
| CN110796859A (zh) * | 2019-10-28 | 2020-02-14 | 长安大学 | 基于交通流的实时交通状态辨识及事故风险预警方法 |
Non-Patent Citations (2)
| Title |
|---|
| Road traffic accident risk related to prescriptions of the hypnotics zopiclone, zolpidem, flunitrazepam and nitrazepam;Ingebjørg Gustavsen;Sleep Medicine;全文 * |
| 基于路网客流模态的城市轨道交通网络拥堵演变机理;王艳辉 等;东 南 大 学 学 报( 自 然 科 学 版 );全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112257175A (zh) | 2021-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112257175B (zh) | 一种基于改进sir模型的风险传播路径的预测方法 | |
| EP2746132B1 (en) | Ctcs level-3 onboard automatic train operation device and rail transit car | |
| CN104217367B (zh) | 一种轨道交通线路动态安全风险评价方法 | |
| US8589001B2 (en) | Control of throttle and braking actions at individual distributed power locomotives in a railroad train | |
| CN107878513A (zh) | 一种无人驾驶列车失位救援方法 | |
| CN105365850A (zh) | 一种有轨电车网络控制系统 | |
| CN106672018A (zh) | 两类列车控制系统的跨线运行方法 | |
| CN104582997B (zh) | 列车信息管理装置及设备控制方法 | |
| WO2014027400A1 (ja) | 列車情報管理装置および機器制御方法 | |
| CN205632524U (zh) | 一种有轨电车网络控制系统 | |
| CN202018387U (zh) | 城轨列车在途运行走行部智能诊断系统 | |
| CN109625029A (zh) | 一种列车群进出站控制方法及系统 | |
| CN111859610A (zh) | 一种考虑优化列车操纵方式的铁路货车安全评估方法 | |
| CN102123005B (zh) | 对列车控制系统安全数据通信过程实行在线监视的方法 | |
| KR101357806B1 (ko) | 열차 무결성 모니터링 시스템 | |
| CN112265569B (zh) | 基于信号系统防护的可变组合工程车运行安全防护方法 | |
| CN105059226A (zh) | 基于人体感应的汽车控制方法 | |
| CN201961311U (zh) | 汽车安全驾驶辅助系统 | |
| CN107631890A (zh) | 动车组指标分析方法及系统 | |
| CN109398425B (zh) | 一种基于对象控制器的区域封锁方法及系统 | |
| Pichlík et al. | Extended Kalman filter utilization for a railway traction vehicle slip control | |
| CN105128803A (zh) | 基于人体感应的汽车控制系统 | |
| CN1686742A (zh) | 铁路列车运行地对车无线安全监控系统 | |
| CN103674586A (zh) | 针对列车行走系统的隐患和故障特征提取方法 | |
| CN205847433U (zh) | 一种车载视频监控系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240607 Address after: 100094 building 11, yard 9, FengHao East Road, Haidian District, Beijing Patentee after: BEIJING TELESOUND ELECTRONICS Co.,Ltd. Country or region after: China Address before: 100044 Beijing city Haidian District Xizhimen Shangyuan Village No. 3 Patentee before: Beijing Jiaotong University Country or region before: China |