CN114312913A - 轨道交通车载设备故障传播监测方法及系统 - Google Patents

Abstract

本发明提供一种轨道交通车载设备故障传播监测方法及系统，属于轨道交通运行控制技术领域，利用分布式Hadoop作为数据的存储与处理平台并建立车载设备运行数据模型；根据车载设备运行数据模型，构建车载设备故障传播有向图分层模型；结合车载设备故障传播有向图分层模型合理评估部件节点和邻接部件的故障影响度，结合车载设备故障概率定位故障源，模拟故障分步扩散过程，识别各层级关键节点并确定关键故障传播路径。本发明采用有向图模型，DEMATEL/ISM及FMMEA组合，从微观到宏观、定性到定量研究车载设备故障传播扩散行为，准确定位故障源，制定有效的故障预防控制策略，从而有针对性地排除高危故障，提高了铁路运输系统的安全性与可靠性。

Description

轨道交通车载设备故障传播监测方法及系统

技术领域

本发明涉及轨道交通运行控制技术领域，具体涉及一种基于数模驱动的轨道交通车载设备故障传播监测方法及系统。

背景技术

轨道交通作为大型的交通运输系统，确保其安全性对保障群众生命财产安全有着重要意义。列车运行控制系统车载设备作为具有安全苛求特性的关键技术之一，是保障列车行车安全、提高运输效率的核心系统，其安全、可靠运行对于客运安全、列车运行效率、铁路经济效益都有重大意义。针对轨道交通车载设备的可靠性分析开展关键技术研究，对确保轨道交通运行安全提供理论和技术支撑，杜绝重大恶性安全事故的发生具有十分重要的意义。

现阶段，在复杂运行环境下，当列车受到自然环境影响或外力破坏时，设备故障时有发生，对故障内部机理的模糊性往往导致无法快速定位故障，进而使其蔓延导致系统某一功能瘫痪，影响列车运行及行车调度，从而大大降低运营效率，造成严重安全隐患。

当前对车载设备的故障传播检测工作主要是通过一些轨道交通车载设备现有的故障现象来定位故障源，对维修人员依赖性较强，缺乏完整的故障原因及传播规律。同时，现有的故障传播模型描述故障模糊。

发明内容

本发明的目的在于提供一种轨道交通车载设备故障传播监测方法及系统，以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一方面，本发明提供一种轨道交通车载设备故障传播监测方法，包括：

利用分布式Hadoop作为数据的存储与处理平台并建立车载设备运行数据模型；

根据车载设备运行数据模型，构建车载设备故障传播有向图分层模型；

结合车载设备故障传播有向图分层模型合理评估部件节点和邻接部件的故障影响度，结合车载设备故障概率定位故障源，模拟故障分步扩散过程，识别各层级关键节点并确定关键故障传播路径。

优选的，轨道交通车载设备运行数据模型的定义如下：

R＝{S,T,O}

其数据元素为：

r_i＝{s_i,t_i,o_i}

其中：S为数据模型的设备标识空间，其元素s_i∈S代表设备的唯一标识，在实际中对应于设备的唯一标识，包括所属的列车车次号，端号与系别；T为数据时域空间，是可变的，t_i∈T代表设备数据记录时间，t_i所有的组成了设备的运行时间；O为状态属性空间，其元素o_i∈O代表了设备运行状态，包括正常运行状态与故障状态，即有：

O＝O_normal∪O_f

其中，O_normal是设备正常工作状态，O_f代表设备发生故障，由各类型故障组成：

O_m代表第m个故障类型，M是故障类型总数。

优选的，将故障传播有向图模型分层重构，实现系统层级划分，清晰描述故障的分步扩散过程及部件间故障传播路径，明确系统部件间相互影响及依存的逻辑结构；借助矩阵工具将车载设备故障传播有向图模型分层。

优选的，通过评估网络节点重要度，即提取故障传播模型结构性指标，以反映各节点对于故障传播影响的差异性，为准确定位车载系统故障源、识别关键故障传播路径提供理论支撑。

优选的，根据有向图分层模型，定义有向边故障影响度值；将有向图模型中部件节点故障概率和有向边故障影响度融合表征有向边动态故障传播属性。

优选的，基于关键故障传播路径的基础上，采用FMMEA方法来分析车载系统内部构成、结构组成与功能实现，明确系统失效模型，车载设备有4种失效模型分别为：软件故障、硬件故障、软硬件耦合作用下故障和环境影响下故障。

第二方面，本发明提供一种轨道交通车载设备故障传播监测系统，包括：

第一构建模块，用于利用分布式Hadoop作为数据的存储与处理平台并建立车载设备运行数据模型；

第二构建模块，用于根据车载设备运行数据模型，构建车载设备故障传播有向图分层模型；

识别模块，用于结合车载设备故障传播有向图分层模型合理评估部件节点和邻接部件的故障影响度，结合车载设备故障概率定位故障源，模拟故障分步扩散过程，识别各层级关键节点并确定关键故障传播路径。

第三方面，本发明提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的轨道交通车载设备故障传播监测方法。

第四方面，本发明提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的轨道交通车载设备故障传播监测方法。

第五方面，本发明提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的轨道交通车载设备故障传播监测方法。

本发明有益效果：采用有向图模型，DEMATEL/ISM及FMMEA组合，从微观到宏观、定性到定量研究车载设备故障传播扩散行为，准确定位故障源，制定有效的故障预防控制策略，从而有针对性地排除高危故障，提高了铁路运输系统的安全性与可靠性。

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数模驱动的轨道交通车载设备故障传播监测方法原理图。

图2为本发明实施例所述的轨道交通车载设备关键故障传播路径图。

具体实施方式

下面详细叙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。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。

还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。

本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。

实施例1

本实施例1提供一种轨道交通车载设备故障传播监测系统，包括：

第一构建模块，用于利用分布式Hadoop作为数据的存储与处理平台并建立车载设备运行数据模型；

第二构建模块，用于根据车载设备运行数据模型，构建车载设备故障传播有向图分层模型；

识别模块，用于结合车载设备故障传播有向图分层模型合理评估部件节点和邻接部件的故障影响度，结合车载设备故障概率定位故障源，模拟故障分步扩散过程，识别各层级关键节点并确定关键故障传播路径。

本实施例1中，利用上述的系统，实现了轨道交通车载设备故障传播监测方法，包括：

利用分布式Hadoop作为数据的存储与处理平台并建立车载设备运行数据模型；

根据车载设备运行数据模型，构建车载设备故障传播有向图分层模型；

结合车载设备故障传播有向图分层模型合理评估部件节点和邻接部件的故障影响度，结合车载设备故障概率定位故障源，模拟故障分步扩散过程，识别各层级关键节点并确定关键故障传播路径。

轨道交通车载设备运行数据模型的定义如下：

R＝{S,T,O}

其数据元素为：

r_i＝{s_i,t_i,o_i}

其中：S为数据模型的设备标识空间，其元素s_i∈S代表设备的唯一标识，在实际中对应于设备的唯一标识，包括所属的列车车次号，端号与系别；T为数据时域空间，是可变的，t_i∈T代表设备数据记录时间，t_i所有的组成了设备的运行时间；O为状态属性空间，其元素o_i∈O代表了设备运行状态，包括正常运行状态与故障状态，即有：

O＝O_normal∪O_f

其中，O_normal是设备正常工作状态，O_f代表设备发生故障，由各类型故障组成：

O_m代表第m个故障类型，M是故障类型总数。

将故障传播有向图模型分层重构，实现系统层级划分，清晰描述故障的分步扩散过程及部件间故障传播路径，明确系统部件间相互影响及依存的逻辑结构；借助矩阵工具将车载设备故障传播有向图模型分层。

通过评估网络节点重要度，即提取故障传播模型结构性指标，以反映各节点对于故障传播影响的差异性，为准确定位车载系统故障源、识别关键故障传播路径提供理论支撑。

根据有向图分层模型，定义有向边故障影响度值；将有向图模型中部件节点故障概率和有向边故障影响度融合表征有向边动态故障传播属性。

基于关键故障传播路径的基础上，采用FMMEA方法来分析车载系统内部构成、结构组成与功能实现，明确系统失效模型，车载设备有4种失效模型分别为：软件故障、硬件故障、软硬件耦合作用下故障和环境影响下故障。

具体的，基于关键故障传播路径的基础上，采用FMMEA方法来分析车载系统内部构成、结构组成与功能实现，明确系统失效模型，车载设备有4种失效模型：(1)软件故障；(2)硬件故障；(3)软硬件耦合作用下故障；(4)环境影响下故障。逐步分析导致车载系统失效的失效原因，例如，导线断裂、机械磨损等多种原因会导致系统硬件故障从而影响运行。

根据以上失效模型和失效致因可得出，车载系统故障机理，外部机械摩擦持续或周期性地作用于车载。一段时间后，机械作用力会使内部每一层产生裂纹，最终使每一层破裂。这种失效机制也称为机械老化。最会对车载系统进行故障影响分析，故障影响会从设备级扩散到系统级。在设备层面，导线失效会影响信息传输。在子系统层面，信息传输系统无法产生激活能量信号，部分信号无法解码。在系统层面，由于缺乏指令信号，功能无法实现。车载系统中微小的导线故障，会导致连锁反应，导致灾难性的后果。确定部件每一故障对系统安全、性能、功能造成的潜在影响，明确部件的失效模型、原因、机理和影响，从而找出故障传播路径的薄弱环节以便采取有效措施来消除或减轻影响。

综上，本实施例1所述的轨道交通车载设备故障传播监测方法及系统，根据车载设备运行数据具有庞杂、混乱等特点，利用分布式Hadoop作为数据的存储与处理平台并建立轨道交通车载设备运行数据模型；根据车载设备故障数据模型对其进行分析与分类，构建有向图模型和DEMATEL/ISM组合方法的车载设备故障传播有向图分层模型；采用PageRank算法合理评估部件节点与对其邻接部件的故障影响度，结车载设备故障概率，进一步定位故障源，模拟故障分步扩散过程，识别各层级关键节点并确定关键故障传播路径；根据关键故障传播路径，使用FMMEA(Failure Modes,Mechanisms,and Effects Analysis)方法了解及分析部件工作条件，确定部件每一故障对系统安全、性能、功能造成的潜在影响，从而找出故障传播路径的薄弱环节以便采取有效措施来减轻或消除影响。

实施例2

本实施例2中，提供一种基于数模驱动的轨道交通车载设备故障传播监测方法，极大地缩短了故障源定位时间，减少维修成本，可有效指导城市道交通车载设备故障维修活动。

基于数模驱动的轨道交通车载设备故障传播监测方法，包括如下步骤：

根据车载设备运行数据具有庞杂、混乱等特点，利用分布式Hadoop作为数据的存储与处理平台并建立城市交通车载设备运行数据模型；

根据车载设备故障数据模型对其进行分析与分类，构建有向图模型和DEMATEL/ISM组合方法的车载设备故障传播有向图分层模型；

根据车载设备有向图模型结构与部件自身可靠性，采用PageRank算法合理评估部件节点与某部件节点对其邻接部件的故障影响度，结合车载设备故障概率，进一步定位故障源，模拟故障分步扩散过程，识别各层级关键节点并确定关键故障传播路径；

根据关键故障传播路径使用FMMEA方法，了解及分析部件工作条件，确定部件每一故障对系统安全、性能、功能造成的潜在影响，从而找出故障传播路径的薄弱环节以便采取有效措施来消除或减轻影响。

本实施例1中，所述的根据车载设备运行数据具有庞杂、混乱等特点，利用分布式Hadoop作为数据的存储与处理平台并建立城市交通车载设备运行数据模型，包括：

轨道交通车载设备在运行时各子部件、系统会生成多来源、多模式的运行数据，各种类型数据具有不确定性和不完整性等特点，且在数据的管理过程中，由于工作人员之间存在理解差异，对数据的整理与存储缺乏统一的标准，容易造成数据的混乱。针对轨道交通车载设备庞杂混乱的运行数据，分析其数据组成、结构特性，清洗数据冗余、无用信息等，提炼关键数据特征，在此基础上，建立一种易用性强，能够满足故障传播相关工作的轨道交通车载设备多维度数据模型，形成对列控车载设备运行数据与故障数据的结构化、规范化的描述。

对于列控车载设备来说，其在运行过程中会产生大量的历史数据，数据具有规模庞大，信息繁杂等特点，在运行时每隔300ms记录一条数据，每条运行记录数据中包含了129个字段，数据量十分庞大，且129个字段中包含了众多类别的运行信息，比如运行时间、速度、制动信息、故障信息等。对于不同型号的轨道交通车载设备来说，其运行记录数据格式也均不相同，部分运行数据的格式较为规整，但还有一部分型号的列控车载设备数据没有规范的格式，此外在列车日常运营维护中还会产生诸如维护日志等数据，数据的混乱复杂导致从运行数据中获取与故障相关的数据信息较为困难。设备标识是轨道交通车载设备运行数据对设备唯一性的映射，运行状态属性则是表征了设备的运行属性(正常或者故障及类型)，运行状态属性在时间上的映射趋势能够获取设备在运行周期中的状态变化信息。基于此，提出轨道交通车载设备运行数据模型的定义如下：

R＝{S,T,O}

其数据元素为：

r_i＝{s_i,t_i,o_i}

其中：S为数据模型的设备标识空间，其元素s_i∈S代表设备的唯一标识，在实际中对应于设备的唯一标识，包括所属的列车车次号，端号与系别；T为数据时域空间，是可变的，t_i∈T代表设备数据记录时间，t_i所有的组成了设备的运行时间；O为状态属性空间，其元素o_i∈O代表了设备运行状态，包括正常运行状态与故障状态，即有O＝O_normal∪O_f，其中，O_normal是设备正常工作状态，O_f代表设备发生故障，由各类型故障组成：

O_m代表第m个故障类型M是故障类型总数。

以车载数据为具体研究对象，对从原始数据出发到最终完成数据预处理的流程进行简单叙述。首先，对原始数据编码格式进行转换，转换成为utf-8格式的CSV文件，然后将数据文件上传并保存至HDFS服务器，并在Hive上对数据进行建表，完成对轨道交通车载设备运行数据的分布式存储。在列控车载设备数据中，与系统故障相关的有“故障信息”、“STM状态信息”等特定字段中包含了该设备在运行过程中可能出现的故障信息，运行数据中所包含的故障信息由特定的关键词作为索引。

从庞大的运行数据中提取系统故障相关信息以及相应的时间信息是进行故障分析与处理的第一步，本实施例中根据铁路标准及现场维护手册对故障关键词进行总结。在完成对该型号轨道交通车载设备运行数据的分布式存储后，利用Spark RDD，首先利用存储在HDFS中的轨道交通车载设备运行数据生成一个RDD，作为初始RDD，然后构建关键词筛选函数，对运行数据特定字段节点的数据内容进行筛选，对筛选后的数据内容重新构建为新的RDD，所构建的新的RDD则是轨道交通车载设备所有故障数据的集合。

所述的根据车载设备故障数据模型对其进行分析与分类，构建有向图模型和DEMATEL/ISM组合方法的车载设备故障传播有向图分层模型，包括：

依据故障机理分析，按照功能—结构映射将系统划分为若干，对逐条故障信息进行故障分析。在故障机理分析的基础上，应用有向图理论构造故障传播有向图模型，借助矩阵工具、集成DEMATEL/ISM方法将故障传播有向图模型分层重构，实现系统层级划分，清晰描述故障的分步扩散过程及部件间故障传播路径，明确系统部件间相互影响及依存的逻辑结构。

故障传播有向图将系统中的部件抽象为模型的节点，以各个部件为节点集合V＝{v₁,v₂,...,v_n}；将部件间的直接故障传播关系抽象为节点间互连的有向边集合E＝{e_i→j}(1≤i,j≤n)；从而构建整个系统的故障传播有向图D＝{V,E}。依据故障传播关系，确定各部件节点间有向边集合，即如果部件v_i和部件v_j之间存在直接故障传播关系，则存在从节点v_i到节点v_j的一条有向边。

借助矩阵工具将车载设备故障传播有向图模型分层。基于ISM的模型分层重构需要构建计算量复杂的可达矩阵，集成DEMATEL/ISM方法可以有效简化该过程，大大提升可达矩阵的构建效率。建立部件间故障直接影响矩阵Y＝[y_ij]，对直接影响矩阵Y进行规范化处理，得到规范化矩阵X＝[x_ij]_n×n：

式中，

是矩阵Y行和的最大值。

考虑部件间直接和间接故障影响关系和影响程度的综合累加，构建综合影响矩阵T＝[t_ij]_n×n:

式中，I是单位矩阵；t_ij表示部件v_i对部件v_j的故障综合影响值，t_ij≠0表示部件间存在故障传播关系，反之，则无关。在综合故障影响矩阵T基础上，考虑部件对自身的故障影响，用单位阵I表示，构建整体影响矩阵:

H＝T+I

构建系统故障可达矩阵，确定可达矩阵中各元素m_ij取值：

式中，λ为给定阈值，用于系统简化。对于n值较小的系统通常无需简化，可设置λ＝0。

利用ISM方法，根据可达矩阵第M行中所有为1的列所对应的部件集合，确立部件v_i的可达集R_i，第i列中所有为1的行所对应的部件集合确立先行集R_i：

R_i＝{v_i|v_j∈V,m_ij＝1},(i＝1,2,...,n)

S_i＝{v_j|v_j∈V,m_ij＝1},(j＝1,2,...,n)

若共同集C_i＝R_i∩S_i(i＝1,2,...,n)成立，则在可达矩阵中划除第i行和第j列。部件则属于系统终止部件集，位于最顶层，在有向图只有箭头的流入，表示系统的输出元素，重复这一步骤，直到所有的部件均被划除，实现分解可达矩阵划分节点层级。

所述的采用PageRank算法合理评估部件节点与对其邻接部件的故障影响度，结车载设备故障概率，进一步定位故障源，模拟故障分步扩散过程，识别各层级关键节点并确定关键故障传播路径，包括：

提取故障传播模型结构性指标，反映各节点对于故障传播影响的差异性，为准确定位车载系统故障源、识别关键故障传播路径提供了支撑。对比分析各指标在表征节点重要度时的全局性、合理性，并综合指标于网络模型中发挥的作用，将分别进行基于介数的有向边负荷属性评估与基于PageRank算法的有向边故障影响度评估。在很多研究中，可将边介数看作边的负荷，边介数越大，认为该边的负荷越大，该边对其它节点的联络控制作用越强，因此越易导致故障的迅速传播。定义边介数L(A)为有向图模型D＝(V,E)(V＝{v₁,v₂,...,v_n},E＝{e_i→j}(1≤i,j≤n))所有最短路径中经过边e的数量比例。连接节点v_i与节点v_j的有向边e_i→j的介数用L(e_i→j)表示：

式中，N_ok表示模型中的任意节点v_i与v_j之间最短路径的数量；N_ok(e_i→j)表示任意节点v_i、v_j之间最短路径经过边e_i→j的数量。若节点v_i故障并向节点v_j进行故障传递，则部件v_i将获得来自于部件v_j的部分故障影响度值；若节点v_j的故障影响度值较高，则节点v_i的故障影响度值也可能高，那么承担两者之间故障链接的有向边的故障影响度也可能高。依据该计算思想，根据有向图模型D＝(V,E)(V＝{v₁,v₂,...,v_n},E＝{e_i→j}(1≤i,j≤n))，定义有向边故障影响度p_r(e_i→j)值为：

在复杂设备系统中，故障在传播过程中并非一定沿着某条单一路径进行传播。部件节点属性受部件自身故障概率及其链部件故障影响度。有向边故障影响度反映了各部件故障对其邻接部件的影响度。因此，将有向图模型D＝(V,E)(V＝{v₁,v₂,...,v_n},E＝{e_i→j}(1≤i,j≤n))中部件节点故障概率和有向边故障影响度融合表征有向边动态故障传播属性。部件v_i对其出链部件v_j的动态故障传播属性p(e_i→j)为：

p(e_i→j)＝p_vi(t)p_r(e_i→j)

定义有向边故障传播强度I(e_i→j)：

系统关键故障传播路径指的是在网络模型中某条最易导致故障迅速蔓延且故障后果相当严重的路径，组成该路径的节点即为系统关键节点，是制约系统可靠性、安全性的关键因素。完全消除系统危害是不现实的，但系统可接受一定程度的低危害故障传播。故障能否沿着模型中任意路径进行传播当故障由一个节点传至另一节点的传播概率低于阈值10^-8时，即为故障传播终止。基于故障传播强度，结合系统分层故障传播有向图模型，搜索所有存在的故障传播路径，模拟故障分步扩散过程，识别系统各层级关键节点并确定关键故障传播路径。

所述的根据关键故障传播路径，使用FMMEA方法了解及分析部件工作条件，确定部件每一故障对系统安全、性能、功能造成的潜在影响，从而找出故障传播路径的薄弱环节以便采取有效措施来减轻或消除影响，包括：

基于关键故障传播路径的基础上，采用FMMEA方法来分析车载系统内部构成、结构组成与功能实现，明确系统失效模型，车载设备有4种失效模型：(1)软件故障；(2)硬件故障；(3)软硬件耦合作用下故障；(4)环境影响下故障。逐步分析导致车载系统失效的失效原因，例如，导线断裂、机械磨损等多种原因会导致系统硬件故障从而影响运行。

根据以上失效模型和失效致因可得出，车载系统故障机理，外部机械摩擦持续或周期性地作用于车载。一段时间后，机械作用力会使内部每一层产生裂纹，最终使每一层破裂。这种失效机制也称为机械老化。最会对车载系统进行故障影响分析，故障影响会从设备级扩散到系统级。在设备层面，导线失效会影响信息传输。在子系统层面，信息传输系统无法产生激活能量信号，部分信号无法解码。在系统层面，由于缺乏指令信号，功能无法实现。车载系统中微小的导线故障，会导致连锁反应，导致灾难性的后果。确定部件每一故障对系统安全、性能、功能造成的潜在影响，明确部件的失效模型、原因、机理和影响，从而找出故障传播路径的薄弱环节以便采取有效措施来消除或减轻影响。

实施例3

针对轨道交通车载设备结构复杂，各组成部件的性能退化机理不同，且各部件工作强度也不尽相同，以轨道交通车载设备为研究对象，本实施例3中，提供了一种基于数模驱动的轨道交通车载设备故障传播监测方法，具体包括如下的处理步骤：

步骤1：根据车载设备运行数据具有庞杂、混乱等特点，利用分布式Hadoop作为数据的存储与处理平台并建立城市交通车载设备运行数据模型。

轨道交通车载设备在运行时各子部件、系统会生成多来源、多模式的运行数据，各种类型数据具有不确定性和不完整性等特点，且在数据的管理过程中，由于工作人员之间存在理解差异，对数据的整理与存储缺乏统一的标准，容易造成数据的混乱。针对轨道交通车载设备庞杂混乱的运行数据，分析其数据组成、结构特性，清洗数据冗余、无用信息等，提炼关键数据特征，在此基础上，建立一种易用性强，能够满足故障传播相关工作的轨道交通车载设备多维度数据模型，形成对列控车载设备运行数据与故障数据的结构化、规范化的描述。

对于列控车载设备来说，其在运行过程中会产生大量的历史数据，数据具有规模庞大，信息繁杂等特点，在运行时每隔300ms记录一条数据，每条运行记录数据中包含了129个字段，数据量十分庞大，且129个字段中包含了众多类别的运行信息，比如运行时间、速度、制动信息、故障信息等。对于不同型号的轨道交通车载设备来说，其运行记录数据格式也均不相同，部分运行数据的格式较为规整，但还有一部分型号的列控车载设备数据没有规范的格式，此外在列车日常运营维护中还会产生诸如维护日志等数据，数据的混乱复杂导致从运行数据中获取与故障相关的数据信息较为困难。设备标识是轨道交通车载设备运行数据对设备唯一性的映射，运行状态属性则是表征了设备的运行属性(正常或者故障及类型)，运行状态属性在时间上的映射趋势能够获取设备在运行周期中的状态变化信息。基于此，提出轨道交通车载设备运行数据模型的定义如下：

R＝{S,T,O}

其数据元素为：

r_i＝{s_i,t_i,o_i}

其中：S为数据模型的设备标识空间，其元素s_i∈S代表设备的唯一标识，在实际中对应于设备的唯一标识，包括所属的列车车次号，端号与系别；T为数据时域空间，是可变的，t_i∈T代表设备数据记录时间，t_i所有的组成了设备的运行时间；O为状态属性空间，其元素o_i∈O代表了设备运行状态，包括正常运行状态与故障状态，即有：

O＝O_normal∪O_f

其中，O_normal是设备正常工作状态，O_f代表设备发生故障，由各类型故障组成：

O_m代表第m个故障类型，M是故障类型总数。

以车载数据为具体研究对象，对从原始数据出发到最终完成数据预处理的流程进行简单叙述。首先，对原始数据编码格式进行转换，转换成为utf-8格式的CSV文件，然后将数据文件上传并保存至HDFS服务器，并在Hive上对数据进行建表，完成对轨道交通车载设备运行数据的分布式存储。在列控车载设备数据中，与系统故障相关的有“故障信息”、“STM状态信息”等特定字段中包含了该设备在运行过程中可能出现的故障信息，运行数据中所包含的故障信息由特定的关键词作为索引。

从庞大的运行数据中提取系统故障相关信息以及相应的时间信息是进行故障分析与处理的第一步，根据铁路标准及现场维护手册对故障关键词进行总结。在完成对该型号轨道交通车载设备运行数据的分布式存储后，利用Spark RDD，首先利用存储在HDFS中的轨道交通车载设备运行数据生成一个RDD，作为初始RDD，然后构建关键词筛选函数，对运行数据特定字段节点的数据内容进行筛选，对筛选后的数据内容重新构建为新的RDD，所构建的新的RDD则是轨道交通车载设备所有故障数据的集合。

步骤2：根据车载设备故障数据模型对其进行分析与分类，构建有向图模型和DEMATEL/ISM组合方法的车载设备故障传播有向图分层模型。针对系统内外部件制约关系复杂、失效模式繁多问题，依据故障机理分析，按照功能—结构映射将系统划分为若干，对逐条故障信息进行故障分析。在故障机理分析的基础上，应用有向图理论构造故障传播有向图模型，借助矩阵工具、集成DEMATEL/ISM方法将故障传播有向图模型分层重构，实现系统层级划分，清晰描述故障的分步扩散过程及部件间故障传播路径，明确系统部件间相互影响及依存的逻辑结构。故障传播有向图将系统中的部件抽象为模型的节点，以各个部件为节点集合V＝{v₁,v₂,...,v_n}；将部件间的直接故障传播关系抽象为节点间互连的有向边集合E＝{e_i→j}(1≤i,j≤n)；从而构建整个系统的故障传播有向图D＝{V,E}。依据故障传播关系，确定各部件节点间有向边集合，即如果部件v_i和部件v_j之间存在直接故障传播关系，则存在从节点v_i到节点v_j的一条有向边。

借助矩阵工具将车载设备故障传播有向图模型分层。基于ISM的模型分层重构需要构建计算量复杂的可达矩阵，集成DEMATEL/ISM方法可以有效简化该过程，大大提升可达矩阵的构建效率。建立部件间故障直接影响矩阵Y＝[y_ij]，对直接影响矩阵Y进行规范化处理，得到规范化矩阵X＝[x_ij]_n×n：

式中，

是矩阵Y行和的最大值。

考虑部件间直接和间接故障影响关系和影响程度的综合累加，构建综合影响矩阵T＝[t_ij]_n×n:

式中，I是单位矩阵；t_ij表示部件v_i对部件v_j的故障综合影响值，t_ij≠0表示部件间存在故障传播关系，反之，则无关。在综合故障影响矩阵T基础上，考虑部件对自身的故障影响，用单位阵I表示，构建整体影响矩阵:

H＝T+I

构建系统故障可达矩阵，确定可达矩阵中各元素m_ij取值：

式中，λ为给定阈值，用于系统简化。对于n值较小的系统通常无需简化，可设置λ＝0。

利用ISM方法，根据可达矩阵第M行中所有为1的列所对应的部件集合，确立部件v_i的可达集R_i，第i列中所有为1的行所对应的部件集合确立先行集R_i:

R_i＝{v_i|v_j∈V,m_ij＝1},(i＝1,2,...,n)

S_i＝{v_j|v_j∈V,m_ij＝1},(j＝1,2,...,n)

若共同集C_i＝R_i∩S_i(i＝1,2,...,n)成立，则在可达矩阵中划除第i行和第j列。部件则属于系统终止部件集，位于最顶层，在有向图只有箭头的流入，表示系统的输出元素，重复这一步骤，直到所有的部件均被划除，实现分解可达矩阵划分节点层级。

步骤3：采用PageRank算法合理评估部件节点与对其邻接部件的故障影响度，结车载设备故障概率，进一步定位故障源，模拟故障分步扩散过程，识别各层级关键节点并确定关键故障传播路径。对比分析各指标在表征节点重要度时的全局性、合理性，并综合指标于网络模型中发挥的作用，将分别进行基于介数的有向边负荷属性评估与基于PageRank算法的有向边故障影响度评估。在很多研究中，可将边介数看作边的负荷，边介数越大，认为该边的负荷越大，该边对其它节点的联络控制作用越强，因此越易导致故障的迅速传播。

定义边介数L(A)为有向图模型：

D＝(V,E)(V＝{v₁,v₂,...,v_n},E＝{e_i→j}(1≤i,j≤n))所有最短路径中经过边e的数量比例。连接节点v_i与节点v_j的有向边e_i→j的介数用L(e_i→j)表示：

式中，N_ok表示模型中的任意节点v_i与v_j之间最短路径的数量；N_ok(e_i→j)表示任意节点v_i、v_j之间最短路径经过边e_i→j的数量。若节点v_i故障并向节点v_j进行故障传递，则部件v_i将获得来自于部件v_j的部分故障影响度值；若节点v_j的故障影响度值较高，则节点v_i的故障影响度值也可能高，那么承担两者之间故障链接的有向边的故障影响度也可能高。依据该计算思想，根据有向图模型D＝(V,E)(V＝{v₁,v₂,...,v_n},E＝{e_i→j}(1≤i,j≤n))，定义有向边故障影响度p_r(e_i→j)值为：

在复杂设备系统中，故障在传播过程中并非一定沿着某条单一路径进行传播。部件节点属性受部件自身故障概率及其链部件故障影响度。有向边故障影响度反映了各部件故障对其邻接部件的影响度。因此，将有向图模型D＝(V,E)(V＝{v₁,v₂,...,v_n},E＝{e_i→j}(1≤i,j≤n))中部件节点故障概率和有向边故障影响度融合表征有向边动态故障传播属性。部件v_i对其出链部件v_j的动态故障传播属性p(e_i→j)为：

p(e_i→j)＝p_vi(t)p_r(e_i→j)

定义有向边故障传播强度I(e_i→j)：

系统关键故障传播路径指的是在网络模型中某条最易导致故障迅速蔓延且故障后果相当严重的路径，组成该路径的节点即为系统关键节点，是制约系统可靠性、安全性的关键因素。完全消除系统危害是不现实的，但系统可接受一定程度的低危害故障传播。故障能否沿着模型中任意路径进行传播当故障由一个节点传至另一节点的传播概率低于阈值10^-8时，即为故障传播终止。基于故障传播强度，结合系统分层故障传播有向图模型，搜索所有存在的故障传播路径，模拟故障分步扩散过程，识别系统各层级关键节点并确定关键故障传播路径。

步骤4：根据关键故障传播路径，使用FMMEA方法了解及分析部件工作条件，确定部件每一故障对系统安全、性能、功能造成的潜在影响，从而找出故障传播路径的薄弱环节以便采取有效措施来减轻或消除影响。车载设备有4种失效模型：(1)软件故障；(2)硬件故障；(3)软硬件耦合作用下故障；(4)环境影响下故障。逐步分析导致车载系统失效的失效原因，例如，导线断裂、机械磨损等多种原因会导致系统硬件故障从而影响运行。

根据以上失效模型和失效致因可得出，车载系统故障机理，外部机械摩擦持续或周期性地作用于车载。一段时间后，机械作用力会使内部每一层产生裂纹，最终使每一层破裂。这种失效机制也称为机械老化。最会对车载系统进行故障影响分析，故障影响会从设备级扩散到系统级。在设备层面，导线失效会影响信息传输。在子系统层面，信息传输系统无法产生激活能量信号，部分信号无法解码。在系统层面，由于缺乏指令信号，功能无法实现。车载系统中微小的导线故障，会导致连锁反应，导致灾难性的后果。确定部件每一故障对系统安全、性能、功能造成的潜在影响，明确部件的失效模型、原因、机理和影响，从而找出故障传播路径的薄弱环节以便采取有效措施来消除或减轻影响。

本实施3所述的基于数模驱动的轨道交通车载设备故障传播监测方法方法适用于监测轨道交通车载系统中的故障传播过程。对于软硬件耦合复杂系统，可以通过此方法来实现。

综上，本实施例3中所述的基于数模驱动的轨道交通车载设备故障传播监测方法，充分利用轨道交通检修过程中产生的维保数据与运行数据；采用分层故障传播有向图模型，可以实现系统层级划分，清晰描述故障的分步扩散过程及部件间故障传播路径；车载设备发生故障，可迅速定位故障源，节约维修时间与费用。

实施例4

本发明实施例4提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行轨道交通车载设备故障传播监测方法，该方法包括如下流程步骤：

利用分布式Hadoop作为数据的存储与处理平台并建立车载设备运行数据模型；

根据车载设备运行数据模型，构建车载设备故障传播有向图分层模型；

结合车载设备故障传播有向图分层模型合理评估部件节点和邻接部件的故障影响度，结合车载设备故障概率定位故障源，模拟故障分步扩散过程，识别各层级关键节点并确定关键故障传播路径。

实施例5

本发明实施例5提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现轨道交通车载设备故障传播监测方法，该方法包括如下流程步骤：

利用分布式Hadoop作为数据的存储与处理平台并建立车载设备运行数据模型；

根据车载设备运行数据模型，构建车载设备故障传播有向图分层模型；

结合车载设备故障传播有向图分层模型合理评估部件节点和邻接部件的故障影响度，结合车载设备故障概率定位故障源，模拟故障分步扩散过程，识别各层级关键节点并确定关键故障传播路径。

实施例6

本发明实施例6提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行轨道交通车载设备故障传播监测方法，该方法包括如下步骤：

利用分布式Hadoop作为数据的存储与处理平台并建立车载设备运行数据模型；

根据车载设备运行数据模型，构建车载设备故障传播有向图分层模型；

结合车载设备故障传播有向图分层模型合理评估部件节点和邻接部件的故障影响度，结合车载设备故障概率定位故障源，模拟故障分步扩散过程，识别各层级关键节点并确定关键故障传播路径。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种轨道交通车载设备故障传播监测方法，其特征在于，包括：

利用分布式Hadoop作为数据的存储与处理平台并建立车载设备运行数据模型；

根据车载设备运行数据模型，构建车载设备故障传播有向图分层模型；

结合车载设备故障传播有向图分层模型合理评估部件节点和邻接部件的故障影响度，结合车载设备故障概率定位故障源，模拟故障分步扩散过程，识别各层级关键节点并确定关键故障传播路径。

2.根据权利要求1所述的轨道交通车载设备故障传播监测方法，其特征在于，轨道交通车载设备运行数据模型的定义如下：

R＝{S,T,O}

其数据元素为：

r_i＝{s_i,t_i,o_i}

其中：S为数据模型的设备标识空间，其元素s_i∈S代表设备的唯一标识，在实际中对应于设备的唯一标识，包括所属的列车车次号，端号与系别；T为数据时域空间，是可变的，t_i∈T代表设备数据记录时间，t_i所有的组成了设备的运行时间；O为状态属性空间，其元素o_i∈O代表了设备运行状态，包括正常运行状态与故障状态，即有：

O＝O_normal∪O_f

其中，O_normal是设备正常工作状态，O_f代表设备发生故障，由各类型故障组成：

O_m代表第m个故障类型，M是故障类型总数。

3.根据权利要求2所述的轨道交通车载设备故障传播监测方法，其特征在于，将故障传播有向图模型分层重构，实现系统层级划分，清晰描述故障的分步扩散过程及部件间故障传播路径，明确系统部件间相互影响及依存的逻辑结构；借助矩阵工具将车载设备故障传播有向图模型分层。

4.根据权利要求3所述的轨道交通车载设备故障传播监测方法，其特征在于，通过评估网络节点重要度，即提取故障传播模型结构性指标，以反映各节点对于故障传播影响的差异性，为准确定位车载系统故障源、识别关键故障传播路径提供理论支撑。

5.根据权利要求4所述的轨道交通车载设备故障传播监测方法，其特征在于，根据有向图分层模型，定义有向边故障影响度值；将有向图模型中部件节点故障概率和有向边故障影响度融合表征有向边动态故障传播属性。

6.根据权利要求5所述的轨道交通车载设备故障传播监测方法，其特征在于，基于关键故障传播路径的基础上，采用FMMEA方法来分析车载系统内部构成、结构组成与功能实现，明确系统失效模型，车载设备有4种失效模型分别为：软件故障、硬件故障、软硬件耦合作用下故障和环境影响下故障。

7.一种轨道交通车载设备故障传播监测系统，其特征在于，包括：

第一构建模块，用于利用分布式Hadoop作为数据的存储与处理平台并建立车载设备运行数据模型；

第二构建模块，用于根据车载设备运行数据模型，构建车载设备故障传播有向图分层模型；

识别模块，用于结合车载设备故障传播有向图分层模型合理评估部件节点和邻接部件的故障影响度，结合车载设备故障概率定位故障源，模拟故障分步扩散过程，识别各层级关键节点并确定关键故障传播路径。

8.一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如权利要求1-6任一项所述的轨道交通车载设备故障传播监测方法。

9.一种电子设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如权利要求1-6任一项所述的轨道交通车载设备故障传播监测方法。

10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的轨道交通车载设备故障传播监测方法。

Images