CN114167837B - 一种铁路信号系统的智能故障诊断方法及系统 - Google Patents

Abstract

本发明公开了一种铁路信号系统的智能故障诊断方法及系统，包括以下步骤：步骤S1、在铁路信号系统的历史信号日志以及历史工况环境日志中分别提取出表征历史信号特征以及历史工况环境特征的历史信号数据以及历史工况环境数据，并构建出表征信号特征和工况环境特征的映射关系的信号环境映射模型；步骤S2、利用LSTM神经网络对历史工况环境特征进行模型训练得到工况环境预测模型；步骤S3、利用信号环境映射模型基于未来的工况环境特征得到铁路信号系统在未来的信号特征，并基于未来的信号特征诊断出铁路信号系统在未来的故障以实现对铁路信号系统故障的提前预判。本发明实现在故障发生之前在进行故障预判以便提前防范，降低故障发生率和损失率。

Description

一种铁路信号系统的智能故障诊断方法及系统

技术领域

本发明涉及铁路信号故障诊断技术领域，具体涉及一种铁路信号系统的智能故障诊断方法及系统。

背景技术

铁路信号系统通常由列车运行自动控制系统(ATC)和车辆段信号控制系统两大部分组成，用于列车进路控制、列车间隔控制、调度指挥、信息管理、设备工况监测及维护管理，由此构成一个高效综合自动化系统。

铁路信号系统是保证列车运行安全，实现行车指挥和列车运行现代化，提高运输效率的关键系统设备。铁路信号的的作用是保证列车运行安全，有效提高铁路运输效率，降低运输成本，大大改善行车人员的劳动条件，因此铁路信号装备是组织指挥列车运行、保证行车安全、提高运输效率、传递行车信息、改善行车人员劳动条件的关键设备。

铁路信号系统的信号设备遍布于铁路网络中，在不同的环境因素影响下会出现不一致的信号波动，甚至信号故障，现有技术中对铁路信号系统的信号设备进行故障诊断时通常只能实现滞后型诊断，在故障发生之后在进行故障诊断，不能实现故障预判以及提前防范。

发明内容

本发明的目的在于提供一种铁路信号系统的智能故障诊断方法及系统，以解决现有技术中对铁路信号系统的信号设备进行故障诊断时通常只能实现滞后型诊断，在故障发生之后在进行故障诊断，不能实现故障预判以及提前防范的技术问题。

为解决上述技术问题，本发明具体提供下述技术方案：

一种铁路信号系统的智能故障诊断方法，包括以下步骤：

步骤S1、在铁路信号系统的历史信号日志以及历史工况环境日志中分别提取出表征历史信号特征以及历史工况环境特征的历史信号数据以及历史工况环境数据，并构建出表征信号特征和工况环境特征的映射关系的信号环境映射模型，所述历史信号日志用于记录铁路信号系统中信号设备所产生的历史信号数据，所述历史工况环境日志用于记录铁路信号系统中信号设备所处的运行环境的历史工况环境数据，；

步骤S2、利用LSTM神经网络对历史工况环境特征进行模型训练得到工况环境预测模型，所述工况环境预测模型用以预测出铁路信号系统在未来的工况环境特征；

步骤S3、利用信号环境映射模型基于未来的工况环境特征得到铁路信号系统在未来的信号特征，并基于未来的信号特征诊断出铁路信号系统在未来的故障以实现对铁路信号系统故障的提前预判。

作为本发明的一种优选方案，在铁路信号系统的历史信号日志以及历史工况环境日志中分别提取出表征历史信号特征以及历史工况环境特征的历史信号数据以及历史工况环境数据，包括：

将历史信号日志中所有历史时刻处的历史信号数据进行层次聚类处理得到多个用于表征同一历史信号特征的信号数据集，并以信号数据集为独立提取单元按设定数量提取出对同一历史信号特征呈现高表征性的历史信号数据以避免数据相似冗余；

将所有表征历史信号特征的历史信号数据的记录时刻作为提取时刻，并将在提取时刻在历史工况环境日志中提取出表征历史工况环境特征的历史工况环境数据。

作为本发明的一种优选方案，所述将历史信号日志中所有历史时刻处的历史信号数据进行层次聚类处理得到多个用于表征同一历史信号特征的信号数据集，包括：

步骤一：将历史信号日志中的每个历史信号数据均量化为单个信号数据集，并计算出表征信号数据集的集合中心的历史信号数据；

步骤二：依次计算任意两个信号数据集之间的距离，将距离最小且距离小于设定阈值的两个信号数据集合并为一个信号数据集，并计算出表征合并后的信号数据集的集合中心的历史信号数据，所述两个信号数据集之间的距离利用表征两个信号数据集的集合中心的两个历史信号数据的欧氏距离进行衡量，其中，

所述表征信号数据集的集合中心的历史信号数据的计算公式为：

式中，X_i,j表征为第i个信号设备的第j个信号数据集的集合中心处的历史信号数据，X_i,j,k表征为第i个信号设备的第j个信号数据集中第k个历史信号数据，m表征为第j个信号数据集中包含的历史信号数据总数目，i，j，k均为计量常数，无实质含义；

所述两个信号数据集之间的距离的计算公式为：

式中，d_j,r表征为第i个信号设备的第j个信号数据集和第i个信号设备的第r个信号数据集之间的距离，X_i,j、X_i,r分别表征为第i个信号设备的第j个信号数据集的集合中心处的历史信号数据、第r个信号数据集的集合中心处的历史信号数据，r≠j，r为计量常数，无实质含义；

步骤三：重复步骤二，直至所有信号数据集之间的距离均小于设定阈值。

作为本发明的一种优选方案，以信号数据集为独立提取单元按设定数量提取出对同一历史信号特征呈现高表征性的历史信号数据，包括：

为信号数据集中的每个历史信号数据设定表征度，所述表征度为衡量历史信号数据所表征的历史信号特征与信号数据集所表征的历史信号特征的一致程度，所述表征度的计算公式为：

式中，p_i,j,k表征为第i个信号设备的第j个信号数据集中第k个历史信号数据的表征度；

将表征度构建为每个历史信号数据的选中概率，并依据选中概率构建出信号数据集的选择轮盘以实现在同一信号数据集对同一历史信号特征呈现高表征性的历史信号数据进行选取，其中，

所述选择轮盘的构建包括：

统计信号数据集中历史信号数据的总数量m，将选择轮盘划分成与信号数据集中历史信号数据的总数量数量一致的轮盘区间以使得历史信号数据X_i，j，k转化为选择轮盘中第k个轮盘区间表示，并将所述选中概率p_i，j，k作为对应第k个轮盘区间的区间距离；

统计每个历史信号数据X_i，j，k(k∈[1，m])的轮盘区间的所有前置轮盘区间的区间距离之和作为每个历史信号数据X_i，j，k(k∈[1，m])的累积概率利用累积概率将选择轮盘的轮盘区间进行区间边界标定，其中，第k(k∈[1，m])个所述轮盘区间的左边界标定为所述轮盘区间对应的历史信号数据X_i，j，k的相邻前置历史信号数据X_i，j，k-1的累计概率P_i，j，k-1，且右边界标定为所述轮盘区间对应的历史信号数据的累积概率P_i，j，k；

式中，p_i，j，l表征为第i个信号设备的第j个信号数据集中第l个历史信号数据的表征度，1为计量常数，无实质含义，P_i，j，k、P_i，j，k-1分别表征为历史信号数据X_i，j，k、历史信号数据X_i，j，k-1的累积概率，X_i，j，k-1表征为第i个信号设备的第j个信号数据集中第k-1个历史信号数据。

作为本发明的一种优选方案，利用所述选择轮盘在同一信号数据集对同一历史信号特征呈现高表征性的历史信号数据进行选取，包括：

步骤S100、在[0，1]范围内生成一个随机数，并判断出随机数据处于的选择轮盘的轮盘区间；

步骤S200、将随机数据处于的选择轮盘的轮盘区间对应的历史信号数据作为信号数据集的选取项；

步骤S300、重复步骤S100、步骤S200设定数量次得到设定数量个的历史信号数据，以实现以信号数据集为独立提取单元按设定数量提取出对同一历史信号特征呈现高表征性的历史信号数据。

作为本发明的一种优选方案，所述构建出表征信号特征和工况环境特征的映射关系的信号环境映射模型，包括：

利用CNN神经网络对历史信号数据和历史工况环境数据构建表征信号特征和工况环境特征非线性映射关系的信号环境映射模型，所述信号环境映射模型的函数表达式为：

式中，表征为在第y个历史时刻t_y时第i个信号设备的历史信号数据，/>表征为在第y个历史时刻t_y时第i个信号设备的历史工况环境数据，CNN表征为CNN神经网络；

将所有历史信号数据和历史工况环境数据构成用于映射模型训练的样本集，并将样本集以数据量为7∶3分割成训练集和测试集带入信号环境映射模型进行模型训练以得到信号特征和工况环境特征非线性映射关系。

作为本发明的一种优选方案，利用LSTM神经网络对历史工况环境特征进行模型训练得到工况环境预测模型，包括：

利用LSTM神经网络对所述历史工况环境数据构建表征工况环境数据和时序特征的非线性映射关系的工况环境预测模型，所述工况环境预测模型的函数表达式为：

将所有历史工况环境数据构成用于映射模型训练的样本集，并将样本集以数据量为7∶3分割成训练集和测试集带入工况环境预测模型进行模型训练以得到工况环境数据和时序特征的非线性映射关系。

作为本发明的一种优选方案，所述利用信号环境映射模型基于未来的工况环境特征得到铁路信号系统在未来的信号特征，包括：

基于工况环境预测模型得到未来的工况环境数据并将工况环境数据带入至信号环境映射模型中得到未来的信号数据/>

作为本发明的一种优选方案，所述基于未来的信号特征诊断出铁路信号系统在未来的故障，包括：

在历史信号日志中获取表征信号设备故障运行的历史信号数据中基于决策树构建故障分类器；

将未来的信号数据输入故障分类器中得到铁路信号系统在未来的故障类别，以实现对铁路信号系统在未来的故障的诊断。

作为本发明的一种优选方案，本发明提供了一种根据所述的铁路信号系统的智能故障诊断方法的诊断系统，包括：

信号环境映射模型构建单元，用于在铁路信号系统的历史信号日志以及历史工况环境日志中分别提取出表征历史信号特征以及历史工况环境特征的历史信号数据以及历史工况环境数据，并构建出表征信号特征和工况环境特征的映射关系的信号环境映射模型；

工况环境预测模型构建单元，用于利用LSTM神经网络对历史工况环境特征进行模型训练得到工况环境预测模型；

故障预判单元，用于利用信号环境映射模型基于未来的工况环境特征得到铁路信号系统在未来的信号特征，并基于未来的信号特征诊断出铁路信号系统在未来的故障以实现对铁路信号系统故障的提前预判。

本发明与现有技术相比较具有如下有益效果：

本发明利用铁路信号系统的历史信号日志以及历史工况环境日志构建出表征信号特征和工况环境特征的映射关系的信号环境映射模型，并利用LSTM神经网络对历史工况环境特征进行模型训练得到工况环境预测模型，利用信号环境映射模型基于未来的工况环境特征得到铁路信号系统在未来的信号特征，并基于未来的信号特征诊断出铁路信号系统在未来的故障以实现对铁路信号系统故障的提前预判，实现在故障发生之前在进行故障预判以便提前防范，降低故障发生率和损失率。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。

图1为本发明实施例提供的智能故障诊断方法流程图；

图2为本发明实施例提供的诊断系统结构框图；

图3为本发明实施例提供的选择轮盘示意图。

图中的标号分别表示如下：

1-信号环境映射模型构建单元；2-工况环境预测模型构建单元；3-故障预判单元。

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，而不是全部的实施例。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，都属于本发明保护的范围。

如图1所示，铁路信号系统中大量的信号设备均设置在室外环境中，实际使用时信号设备的信号数据会受环境因素的影响，本发明提供了一种铁路信号系统的智能故障诊断方法，构建出信号数据和工况环境数据的映射关系，在预测出工况环境数据时同步预测出未来时刻的信号数据，进而完成信号设备故障的预判。

一种铁路信号系统的智能故障诊断方法，包括以下步骤：

步骤S1、在铁路信号系统的历史信号日志以及历史工况环境日志中分别提取出表征历史信号特征以及历史工况环境特征的历史信号数据以及历史工况环境数据，并构建出表征信号特征和工况环境特征的映射关系的信号环境映射模型，历史信号日志用于记录铁路信号系统中信号设备所产生的历史信号数据，历史工况环境日志用于记录铁路信号系统中信号设备所处的运行环境的历史工况环境数据；

在铁路信号系统的历史信号日志以及历史工况环境日志中分别提取出表征历史信号特征以及历史工况环境特征的历史信号数据以及历史工况环境数据，包括：

将历史信号日志中所有历史时刻处的历史信号数据进行层次聚类处理得到多个用于表征同一历史信号特征的信号数据集，并以信号数据集为独立提取单元按设定数量提取出对同一历史信号特征呈现高表征性的历史信号数据以避免数据相似冗余；

将所有表征历史信号特征的历史信号数据的记录时刻作为提取时刻，并将在提取时刻在历史工况环境日志中提取出表征历史工况环境特征的历史工况环境数据。

将历史信号日志中所有历史时刻处的历史信号数据进行层次聚类处理得到多个用于表征同一历史信号特征的信号数据集，包括：

步骤一：将历史信号日志中的每个历史信号数据均量化为单个信号数据集，并计算出表征信号数据集的集合中心的历史信号数据；

步骤二：依次计算任意两个信号数据集之间的距离，将距离最小且距离小于设定阈值的两个信号数据集合并为一个信号数据集，并计算出表征合并后的信号数据集的集合中心的历史信号数据，两个信号数据集之间的距离利用表征两个信号数据集的集合中心的两个历史信号数据的欧氏距离进行衡量，其中，

表征信号数据集的集合中心的历史信号数据的计算公式为：

式中，X_i,j表征为第i个信号设备的第j个信号数据集的集合中心处的历史信号数据，X_i,j,k表征为第i个信号设备的第j个信号数据集中第k个历史信号数据，m表征为第j个信号数据集中包含的历史信号数据总数目，i，j，k均为计量常数，无实质含义；

两个信号数据集之间的距离的计算公式为：

式中，d_j,r表征为第i个信号设备的第j个信号数据集和第i个信号设备的第r个信号数据集之间的距离，X_i,j、X_i,r分别表征为第i个信号设备的第j个信号数据集的集合中心处的历史信号数据、第r个信号数据集的集合中心处的历史信号数据，r≠j，r为计量常数，无实质含义；

步骤三：重复步骤二，直至所有信号数据集之间的距离均小于设定阈值。

信号数据集的集合中心的历史信号数据是信号数据集的所有历史信号数据的均值，即表明了信号数据集的平均分布状态，因此可用于表示信号数据集所表征的历史信号特征，因此距离信号数据集的集合中心的历史信号数据越近的历史信号数据，越能用于表示信号数据集所表征的历史信号特征，本实施例定义了表征度，用于衡量历史信号数据所表征的历史信号特征与信号数据集所表征的历史信号特征的一致程度，即一致程度越高，历史信号数据越能表示信号数据集所表征的历史信号特征，一致程度越低，历史信号数据越不能表示信号数据集所表征的历史信号特征。

以信号数据集为独立提取单元按设定数量提取出对同一历史信号特征呈现高表征性的历史信号数据，包括：

为信号数据集中的每个历史信号数据设定表征度，表征度为衡量历史信号数据所表征的历史信号特征与信号数据集所表征的历史信号特征的一致程度，表征度的计算公式为：

式中，p_i，j，k表征为第i个信号设备的第j个信号数据集中第k个历史信号数据的表征度；

将表征度构建为每个历史信号数据的选中概率，并依据选中概率构建出信号数据集的选择轮盘以实现在同一信号数据集对同一历史信号特征呈现高表征性的历史信号数据进行选取，其中，

选择轮盘的构建包括：

统计信号数据集中历史信号数据的总数量m，将选择轮盘划分成与信号数据集中历史信号数据的总数量数量一致的轮盘区间以使得历史信号数据X_i，j，k转化为选择轮盘中第k个轮盘区间表示，并将选中概率p_i，j，k作为对应第k个轮盘区间的区间距离；

统计每个历史信号数据X_i，j，k(k∈[1，m])的轮盘区间的所有前置轮盘区间的区间距离之和作为每个历史信号数据X_i，j，k(k∈[1，m])的累积概率利用累积概率将选择轮盘的轮盘区间进行区间边界标定，其中，第k(k∈[1，m])个轮盘区间的左边界标定为轮盘区间对应的历史信号数据X_i，j，k的相邻前置历史信号数据X_i，j，k-1的累计概率P_i，j，k-1，且右边界标定为轮盘区间对应的历史信号数据的累积概率P_i，j，k；

式中，p_i，j，l表征为第i个信号设备的第j个信号数据集中第l个历史信号数据的表征度，l为计量常数，无实质含义，P_i，j，k、P_i，j，k-1分别表征为历史信号数据X_i，j，k、历史信号数据X_i，j，k-1的累积概率，X_i，j，k-1表征为第i个信号设备的第j个信号数据集中第k-1个历史信号数据。

构建选择轮盘，可使越能表示信号数据集所表征的历史信号特征的历史信号数据被选中的可能性越大，但也不会完全剥夺越不能表示信号数据集所表征的历史信号特征的历史信号数据被选中的可能性，而且越不能表示信号数据集所表征的历史信号特征的历史信号数据被选中的可能性会保持的较小，在保持从同一信号数据集中选取出的历史信号数据对同一历史信号特征呈现高表征性的同时，也保证了选取数据的多样性。

利用选择轮盘在同一信号数据集对同一历史信号特征呈现高表征性的历史信号数据进行选取，包括：

步骤S100、在[0，1]范围内生成一个随机数，并判断出随机数据处于的选择轮盘的轮盘区间；

步骤S200、将随机数据处于的选择轮盘的轮盘区间对应的历史信号数据作为信号数据集的选取项；

步骤S300、重复步骤S100、步骤S200设定数量次得到设定数量个的历史信号数据，以实现以信号数据集为独立提取单元按设定数量提取出对同一历史信号特征呈现高表征性的历史信号数据。

如图3所示，比如某一信号数据集的存在5个历史信号数据X_i，j，1，X_i，j，2，X_i，j，3，X_i，j，4，X_i，j，5，经过计算后得到5个历史信号数据的选中概率p_i，j，1，p_i，j，2，p_i，j，3，p_i，j，4，p_i，j，5，则5个历史信号数据的选中轮盘中的累积选中概率为P_i，j，1＝p_i，j，1，P_i，j，2＝p_i，j，1+p_i，j，2，P_i，j，3＝p_i，j，1+p_i，j，2+p_i，j，3，P_i，j，4＝p_i，j，1+p_i，j，2+p_i，j，3+p_i，j，4，P_i，j，5＝p_i，j，1+p_i，j，2+p_i，j，3+p_i，j，4+p_i，j，5，构建得到选择轮盘，在[0，1]范围内生成第一个随机数b1，假如随机数b1位于区间[P_i，j，4，P_i，j，5]，则选中历史信号数据X_i，j，5，在[0，1]范围内生成第一个随机数b2，假如随机数b2位于区间[P_i，j，2，P_i，j，3]，则选中历史信号数据X_i，j，3，以此类推，选取出设定数量个的历史信号数据。

构建出表征信号特征和工况环境特征的映射关系的信号环境映射模型，包括：

利用CNN神经网络对历史信号数据和历史工况环境数据构建表征信号特征和工况环境特征非线性映射关系的信号环境映射模型，信号环境映射模型的函数表达式为：

式中，表征为在第y个历史时刻t_y时第i个信号设备的历史信号数据，/>表征为在第y个历史时刻t_y时第i个信号设备的历史工况环境数据，CNN表征为CNN神经网络；

将所有历史信号数据和历史工况环境数据构成用于映射模型训练的样本集，并将样本集以数据量为7∶3分割成训练集和测试集带入信号环境映射模型进行模型训练以得到信号特征和工况环境特征非线性映射关系。

步骤S2、利用LSTM神经网络对历史工况环境特征进行模型训练得到工况环境预测模型，工况环境预测模型用以预测出铁路信号系统在未来的工况环境特征；

利用LSTM神经网络对历史工况环境特征进行模型训练得到工况环境预测模型，包括：

利用LSTM神经网络对历史工况环境数据构建表征工况环境数据和时序特征的非线性映射关系的工况环境预测模型，工况环境预测模型的函数表达式为：

将所有历史工况环境数据构成用于映射模型训练的样本集，并将样本集以数据量为7∶3分割成训练集和测试集带入工况环境预测模型进行模型训练以得到工况环境数据和时序特征的非线性映射关系。

步骤S3、利用信号环境映射模型基于未来的工况环境特征得到铁路信号系统在未来的信号特征，并基于未来的信号特征诊断出铁路信号系统在未来的故障以实现对铁路信号系统故障的提前预判。

利用信号环境映射模型基于未来的工况环境特征得到铁路信号系统在未来的信号特征，包括：

基于工况环境预测模型得到未来的工况环境数据并将工况环境数据带入至信号环境映射模型中得到未来的信号数据/>

基于未来的信号特征诊断出铁路信号系统在未来的故障，包括：

在历史信号日志中获取表征信号设备故障运行的历史信号数据中基于决策树构建故障分类器；

将未来的信号数据输入故障分类器中得到铁路信号系统在未来的故障类别，以实现对铁路信号系统在未来的故障的诊断。

如图2所示，基于上述铁路信号系统的智能故障诊断方法，本发明提供了一种诊断系统，包括：

信号环境映射模型构建单元1，用于在铁路信号系统的历史信号日志以及历史工况环境日志中分别提取出表征历史信号特征以及历史工况环境特征的历史信号数据以及历史工况环境数据，并构建出表征信号特征和工况环境特征的映射关系的信号环境映射模型；

工况环境预测模型构建单元2，用于利用LSTM神经网络对历史工况环境特征进行模型训练得到工况环境预测模型；

故障预判单元3，用于利用信号环境映射模型基于未来的工况环境特征得到铁路信号系统在未来的信号特征，并基于未来的信号特征诊断出铁路信号系统在未来的故障以实现对铁路信号系统故障的提前预判。

本发明利用铁路信号系统的历史信号日志以及历史工况环境日志构建出表征信号特征和工况环境特征的映射关系的信号环境映射模型，并利用LSTM神经网络对历史工况环境特征进行模型训练得到工况环境预测模型，利用信号环境映射模型基于未来的工况环境特征得到铁路信号系统在未来的信号特征，并基于未来的信号特征诊断出铁路信号系统在未来的故障以实现对铁路信号系统故障的提前预判，实现在故障发生之前在进行故障预判以便提前防范，降低故障发生率和损失率。

以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (9)

1.一种铁路信号系统的智能故障诊断方法，其特征在于，包括以下步骤：

步骤S1、在铁路信号系统的历史信号日志以及历史工况环境日志中分别提取出表征历史信号特征以及历史工况环境特征的历史信号数据以及历史工况环境数据，并构建出表征信号特征和工况环境特征的映射关系的信号环境映射模型，所述历史信号日志用于记录铁路信号系统中信号设备所产生的历史信号数据，所述历史工况环境日志用于记录铁路信号系统中信号设备所处的运行环境的历史工况环境数据；

步骤S2、利用LSTM神经网络对历史工况环境特征进行模型训练得到工况环境预测模型，所述工况环境预测模型用以预测出铁路信号系统在未来的工况环境特征；

步骤S3、利用信号环境映射模型基于未来的工况环境特征得到铁路信号系统在未来的信号特征，并基于未来的信号特征诊断出铁路信号系统在未来的故障以实现对铁路信号系统故障的提前预判；

在铁路信号系统的历史信号日志以及历史工况环境日志中分别提取出表征历史信号特征以及历史工况环境特征的历史信号数据以及历史工况环境数据，包括：

将历史信号日志中所有历史时刻处的历史信号数据进行层次聚类处理得到多个用于表征同一历史信号特征的信号数据集，并以信号数据集为独立提取单元按设定数量提取出对同一历史信号特征呈现高表征性的历史信号数据以避免数据相似冗余；

将所有表征历史信号特征的历史信号数据的记录时刻作为提取时刻，并将在提取时刻在历史工况环境日志中提取出表征历史工况环境特征的历史工况环境数据。

2.根据权利要求1所述的一种铁路信号系统的智能故障诊断方法，其特征在于：所述将历史信号日志中所有历史时刻处的历史信号数据进行层次聚类处理得到多个用于表征同一历史信号特征的信号数据集，包括：

步骤一：将历史信号日志中的每个历史信号数据均量化为单个信号数据集，并计算出表征信号数据集的集合中心的历史信号数据；

步骤二：依次计算任意两个信号数据集之间的距离，将距离最小且距离小于设定阈值的两个信号数据集合并为一个信号数据集，并计算出表征合并后的信号数据集的集合中心的历史信号数据，所述两个信号数据集之间的距离利用表征两个信号数据集的集合中心的两个历史信号数据的欧氏距离进行衡量，其中，

所述表征信号数据集的集合中心的历史信号数据的计算公式为：

式中，X_i,j表征为第i个信号设备的第j个信号数据集的集合中心处的历史信号数据，X_i,j,k表征为第i个信号设备的第j个信号数据集中第k个历史信号数据，m表征为第j个信号数据集中包含的历史信号数据总数目，i，j，k均为计量常数，无实质含义；

所述两个信号数据集之间的距离的计算公式为：

式中，d_j,r表征为第i个信号设备的第j个信号数据集和第i个信号设备的第r个信号数据集之间的距离，X_i,j、X_i,r分别表征为第i个信号设备的第j个信号数据集的集合中心处的历史信号数据、第r个信号数据集的集合中心处的历史信号数据，r≠j，r为计量常数，无实质含义；

步骤三：重复步骤二，直至所有信号数据集之间的距离均小于设定阈值。

3.根据权利要求2所述的一种铁路信号系统的智能故障诊断方法，其特征在于：以信号数据集为独立提取单元按设定数量提取出对同一历史信号特征呈现高表征性的历史信号数据，包括：

为信号数据集中的每个历史信号数据设定表征度，所述表征度为衡量历史信号数据所表征的历史信号特征与信号数据集所表征的历史信号特征的一致程度，所述表征度的计算公式为：

式中，p_i,j,k表征为第i个信号设备的第j个信号数据集中第k个历史信号数据的表征度；

将表征度构建为每个历史信号数据的选中概率，并依据选中概率构建出信号数据集的选择轮盘以实现在同一信号数据集对同一历史信号特征呈现高表征性的历史信号数据进行选取，其中，

所述选择轮盘的构建包括：

统计信号数据集中历史信号数据的总数量m，将选择轮盘划分成与信号数据集中历史信号数据的总数量数量一致的轮盘区间以使得历史信号数据X_i,j,k转化为选择轮盘中第k个轮盘区间表示，并将所述选中概率p_i,j,k作为对应第k个轮盘区间的区间距离；

统计每个历史信号数据X_i,j,k(k∈[1,m])的轮盘区间的所有前置轮盘区间的区间距离之和作为每个历史信号数据X_i,j,k(k∈[1,m])的累积概率利用累积概率将选择轮盘的轮盘区间进行区间边界标定，其中，第k(k∈[1,m])个所述轮盘区间的左边界标定为所述轮盘区间对应的历史信号数据X_i,j,k的相邻前置历史信号数据X_i,j,k-1的累计概率P_i,j,k-1，且右边界标定为所述轮盘区间对应的历史信号数据的累积概率P_i,j,k；

式中，p_i,j,l表征为第i个信号设备的第j个信号数据集中第l个历史信号数据的表征度，l为计量常数，无实质含义，P_i,j,k、P_i,j,k-1分别表征为历史信号数据X_i,j,k、历史信号数据X_i,j,k-1的累积概率，X_i,j,k-1表征为第i个信号设备的第j个信号数据集中第k-1个历史信号数据。

4.根据权利要求3所述的一种铁路信号系统的智能故障诊断方法，其特征在于：利用所述选择轮盘在同一信号数据集对同一历史信号特征呈现高表征性的历史信号数据进行选取，包括：

步骤S100、在[0,1]范围内生成一个随机数，并判断出随机数据处于的选择轮盘的轮盘区间；

步骤S200、将随机数据处于的选择轮盘的轮盘区间对应的历史信号数据作为信号数据集的选取项；

步骤S300、重复步骤S100、步骤S200设定数量次得到设定数量个的历史信号数据，以实现以信号数据集为独立提取单元按设定数量提取出对同一历史信号特征呈现高表征性的历史信号数据。

5.根据权利要求4所述的一种铁路信号系统的智能故障诊断方法，其特征在于：所述构建出表征信号特征和工况环境特征的映射关系的信号环境映射模型，包括：

利用CNN神经网络对历史信号数据和历史工况环境数据构建表征信号特征和工况环境特征非线性映射关系的信号环境映射模型，所述信号环境映射模型的函数表达式为：

式中，表征为在第y个历史时刻t_y时第i个信号设备的历史信号数据，/>表征为在第y个历史时刻t_y时第i个信号设备的历史工况环境数据，CNN表征为CNN神经网络；

将所有历史信号数据和历史工况环境数据构成用于映射模型训练的样本集，并将样本集以数据量为7:3分割成训练集和测试集带入信号环境映射模型进行模型训练以得到信号特征和工况环境特征非线性映射关系。

6.根据权利要求5所述的一种铁路信号系统的智能故障诊断方法，其特征在于：利用LSTM神经网络对历史工况环境特征进行模型训练得到工况环境预测模型，包括：

利用LSTM神经网络对所述历史工况环境数据构建表征工况环境数据和时序特征的非线性映射关系的工况环境预测模型，所述工况环境预测模型的函数表达式为：

将所有历史工况环境数据构成用于映射模型训练的样本集，并将样本集以数据量为7:3分割成训练集和测试集带入工况环境预测模型进行模型训练以得到工况环境数据和时序特征的非线性映射关系。

7.根据权利要求6所述的一种铁路信号系统的智能故障诊断方法，其特征在于：所述利用信号环境映射模型基于未来的工况环境特征得到铁路信号系统在未来的信号特征，包括：

基于工况环境预测模型得到未来的工况环境数据并将工况环境数据带入至信号环境映射模型中得到未来的信号数据/>

8.根据权利要求7所述的一种铁路信号系统的智能故障诊断方法，其特征在于，所述基于未来的信号特征诊断出铁路信号系统在未来的故障，包括：

在历史信号日志中获取表征信号设备故障运行的历史信号数据中基于决策树构建故障分类器；

将未来的信号数据输入故障分类器中得到铁路信号系统在未来的故障类别，以实现对铁路信号系统在未来的故障的诊断。

9.一种根据权利要求1-8任一项所述的铁路信号系统的智能故障诊断方法的诊断系统，其特征在于，包括：

信号环境映射模型构建单元，用于在铁路信号系统的历史信号日志以及历史工况环境日志中分别提取出表征历史信号特征以及历史工况环境特征的历史信号数据以及历史工况环境数据，并构建出表征信号特征和工况环境特征的映射关系的信号环境映射模型；

工况环境预测模型构建单元，用于利用LSTM神经网络对历史工况环境特征进行模型训练得到工况环境预测模型；

故障预判单元，用于利用信号环境映射模型基于未来的工况环境特征得到铁路信号系统在未来的信号特征，并基于未来的信号特征诊断出铁路信号系统在未来的故障以实现对铁路信号系统故障的提前预判。