CN114889678B - 一种基于动态贝叶斯的铁路站车线安全协同预警方法 - Google Patents
一种基于动态贝叶斯的铁路站车线安全协同预警方法 Download PDFInfo
- Publication number
- CN114889678B CN114889678B CN202210169756.3A CN202210169756A CN114889678B CN 114889678 B CN114889678 B CN 114889678B CN 202210169756 A CN202210169756 A CN 202210169756A CN 114889678 B CN114889678 B CN 114889678B
- Authority
- CN
- China
- Prior art keywords
- risk
- state
- evaluation index
- node
- coupling
- 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 18
- 230000008878 coupling Effects 0.000 claims abstract description 84
- 238000010168 coupling process Methods 0.000 claims abstract description 84
- 238000005859 coupling reaction Methods 0.000 claims abstract description 84
- 238000011156 evaluation Methods 0.000 claims abstract description 80
- 230000001364 causal effect Effects 0.000 claims abstract description 7
- 230000007613 environmental effect Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000009545 invasion Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012502 risk assessment Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 4
- 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 2
- 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 2
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 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
- 238000009960 carding Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
- B61L23/04—Control, warning or like safety means along the route or between vehicles or trains for monitoring the mechanical state of the route
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供了一种基于动态贝叶斯的铁路站车线安全协同预警方法。该方法包括：获取历史事故数据并分析“危险源‑隐患‑事故”之间的因果关系，构建各子系统下的风险评价指标体系；构建贝叶斯网络模型，计算各子系统中各类故障及事故的发生概率；构建N‑K模型，计算各子系统间的各指标因素的风险耦合值；计算系统中各指标因素间的风险耦合系数；基于风险耦合系数选择更新贝叶斯网络中的节点概率，重新计算后续节点的发生概率；基于贝叶斯网络的输出结果计算各子系统的风险系数；评价站车线各子系统的安全状态。本发明能够实现在考虑风险耦合的情况下对车站、列车、线路各子系统进行风险评价及预警，从而有效地提升整个铁路运营系统的应急服务能力。
Description
技术领域
本发明涉及铁路运营管理技术领域，尤其涉及一种基于动态贝叶斯的铁路站车线安全协同预警方法。
背景技术
由于运速快、运能大、能耗小，铁路在我国得到快速发展。但是运营以来，由于气象灾害、地质灾害、异物侵限等环境因素而造成的铁路安全事故时有发生。环境风险因素是铁路运营系统中存在的客观风险因素，对客观因素进行管控，保证铁路运营系统中的客观环境安全，防范或减少环境风险因素造成的损失，对铁路运行时存在的环境风险因素进行研究十分有必要。
站车线安全协同是指通过联动机制的作用，实现车站、列车、线路各节点的安全信息、组织和资源共同工作。站车线安全协同机制不仅包括安全管理事故发生以后的及时处理反应机制，还包括事故之前的预防和事后的完善等等工作。从运营环境的角度来看，站车线安全协同即当某个子系统存在安全隐患或发生安全事故时，考虑个子系统间的风险传递和风险耦合，利用5G、人工智能、大数据等新一代信息技术，加快各子系统间的信息传递，协调站车线各子系统，针对具体故障采取安全决策，加强各子系统的应急资源配置和应急能力协同建设，发挥好协同管理作用，提升整个铁路运营系统的应急服务能力。
发明内容
本发明的实施例提供了一种基于动态贝叶斯的铁路站车线安全协同预警方法，以实现在考虑风险耦合的情况下对车站、列车、线路各子系统进行有效地风险评价及预警。
为了实现上述目的，本发明采取了如下技术方案。
一种基于动态贝叶斯的铁路站车线安全协同预警方法，包括：
步骤S1，获取一段时间内与铁路运营环境风险因素相关的历史事故数据，分析车站、列车、线路三个子系统下“危险源-隐患-事故”之间的因果关系，构建各子系统下的风险评价指标体系；
步骤S2，构建动态贝叶斯网络模型，根据历史事故数据训练贝叶斯网络，将某时刻的铁路运营时的环境数据输入到训练好的贝叶斯网络中，计算出各子系统中各类故障及事故的发生概率；
步骤S3，构建N-K模型，基于历史事故数据通过N-K模型计算出各子系统间的各风险评价指标因素的风险耦合值；
步骤S4，基于各子系统中各类故障及事故的发生概率和各子系统间的各风险评价指标因素的风险耦合值，计算各子系统中各风险评价指标因素间的风险耦合系数；
步骤S5，根据所述风险耦合系数与设定阈值的比较结果更新贝叶斯网络中的节点的发生概率，通过更新后的贝叶斯网络计算出各子系统的风险系数，评价各子系统的安全状态，并输出预警信息。
优选地，所述步骤S1具体包括以下步骤：
步骤1.1，将自然环境下的恶劣天气和地质灾害、社会环境中的异物入侵作为影响高速铁运营安全的危险源；
步骤1.2，获取一段时间内与铁路运营环境风险因素相关的历史风险事件数据，所选取的风险事件案例满足以下3个条件：①风险事件发生在铁路系统内；②风险事件的发生与环境因素相关；③风险事件造成人员伤亡或设施设备损坏；
步骤1.3，将事故发生地点、原因及类型按车站、列车、线路三个子系统进行分类，分别分析各子系统下“危险源-隐患-事故”之间的因果关系。
步骤1.4，分别构建车站、列车、线路各子系统下的风险评价指标体系，该风险评价指标体系中包括子系统层、子系统状态、风险评价指标因素层、风险评价指标因素状态和环境影响因素层，量化风险评价指标体系中各节点为不安全状态时的事故损失程度。
优选地，所述风险评价指标因素层包括站厅设备状态、站台设备状态、动车组状态、供电系统状态、通信系统状态、ATP等列控系统状态、轨道状态、路基状态、道岔状态、接触网状态、隧道状态和桥梁状态。
优选地，所述步骤S2具体包括以下步骤：
步骤2、1，利用历史事故数据构建贝叶斯网络模型，所述贝叶斯网络中的节点包括根节点和非根节点，根节点为评价指标体系中的环境影响因素，非根节点中的第一层为评价指标体系中的风险评价指标因素层，非根节点的第二层为评价指标体系中的子系统层；
步骤2、2，确定好贝叶斯网络结构后，将标准化处理后的历史事故数据进行标准化处理，输入贝叶斯网络中进行训练，确定贝叶斯网络节点参数，贝叶斯网络节点参数包括根节点的先验概率和非根节点的条件概率，根节点发生概率是指相应环境影响因素发生的概率，非根节点的发生概率是指在该节点的父节点概率下，该节点出现不安全状态的概率；
步骤2、3，在训练好的贝叶斯网络模型基础上，输入某时刻的铁路运营时的环境数据，经过贝叶斯网络计算得出各子系统中各类故障及事故的发生概率。
优选地，所述步骤S3具体包括以下步骤：
步骤3、1，根据所述风险评价指标因素层和风险评价指标因素状态，统计各风险评价指标因素间发生风险耦合的事故频数，计算各风险评价指标因素间单因素风险耦合、双因素风险耦合及多因素风险耦合的事故频率；计算各风险评价指标因素的变化风险概率；
步骤3、2，计算不同耦合方式下的双因素风险耦合值和多因素风险耦合值，风险耦合值越大表示该种耦合方式下发生风险耦合时，对整个系统的风险越大。
优选地，所述各风险评价指标因素的变化风险概率的计算公式如(式1)所示，式中Pk代表站厅设备状态元素的变化风险概率，k、l、m……v对应风险评价指标因素状态，Pklm...v代表各指标因素组合下对应事故状态的频率；
将所述事故频率代入公式(2)计算双因素风险耦合值，将所述事故频率代入公式(式 3)——(式12)计算多因素风险耦合值；
上述式中：a1，a2，b1，b2，...，c6分别代表步骤S3所述风险评价指标因素层中的12个元素，k,l,m,...，v分别代表所述12个元素所处的状态，其取值为0或1，取0时表示该元素状态为安全，取1时表示该元素状态为不安全；Pklm...代表参与风险耦合的因素在各种状态下发生耦合的概率。
优选地，所述步骤S4中的各子系统中各风险评价指标因素间的风险耦合系数的计算方法如公式(13)所示：
优选地，所述步骤S5具体包括以下步骤：
步骤5、1，设置一个风险耦合系数阈值U阈值，将每个风险评价指标因素层节点的风险耦合系数U与U阈值进行比较，若U<U阈值，则不更新对应节点的发生概率，若U≥U阈值，则按照公式 (14)更新相应节点的发生概率：
步骤5、2，将更新后的各节点的发生概率输入到贝叶斯网络中，重新计算网络中后续节点的发生概率p’；
步骤5、3，结合步各子系统的风险评价指标体系中的指标权重，按照公式(式15)计算得到各子系统下的风险系数；
R＝∑pi′×ci (式15)
设置一个风险系数阈值R阈值，若风险系数R≥R阈值，则判定该子系统下的安全状态为不安全，否则为安全，输出各个子系统是安全或者不安全的预警信息。
由上述本发明的实施例提供的技术方案可以看出，本发明实施例通过利用贝叶斯网络模型得到各子系统下发生各类故障及事故的概率，能够实现在考虑风险耦合的情况下对车站、列车、线路各子系统进行风险评价及预警，从而有效地提升整个铁路运营系统的应急服务能力。
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为本发明实施例提供的一种基于动态贝叶斯的铁路站车线安全协同预警方法的处理流程图。
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。
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、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
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。
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。
本发明面向铁路运营环境安全，利用贝叶斯网络模型通过输入当前的铁路运营环境数据，得到各子系统下发生各类故障及事故的概率；利用N-K模型计算出各种耦合方式下的风险耦合值，根据风险耦合值评价各因素间的发生风险耦合的风险大小；融合N-K模型和贝叶斯网络的初步计算结果，可以将风险因素间的耦合性考虑到风险评价中去，对贝叶斯网络中的节点概率进行更新，最终得到考虑风险耦合的系统安全状态评价结果并进行预警。
由于气象灾害、地质灾害、异物侵限等环境因素而造成的铁路安全事故时有发生。而环境因素作为铁路系统中的客观因素，相比主观因素而言，其导致事故发生的可能性的可预测性更强，因此本发明重点关注铁路系统中的环境因素，进一步研究其运营安全评价和预警方法。
本发明的设计构思为：通过联动机制的作用，实现车站、列车、线路各节点的安全信息、组织和资源共同工作。站车线安全协同机制不仅包括安全管理事故发生以后的及时处理反应机制，还包括事故之前的预防和事后的完善等等工作。从运营环境的角度来看，站车线安全协同即当某个子系统存在安全隐患或发生安全事故时，考虑个子系统间的风险传递和风险耦合，利用5G、人工智能、大数据等新一代信息技术，加快各子系统间的信息传递，协调站车线各子系统，针对具体故障采取安全决策，加强各子系统的应急资源配置和应急能力协同建设，发挥好协同管理作用，提升整个铁路运营系统的应急服务能力。
本发明实施例提供的一种基于动态贝叶斯的铁路站车线安全协同预警方法的处理流程如图1所示，包括如下的处理步骤：
步骤S1，梳理铁路运营环境中存在的风险因素，获取一段时间内与铁路运营环境风险因素相关的历史事故数据，分别从车站、列车、线路三个子系统的角度分析各子系统下“危险源-隐患-事故”之间的因果关系，构建各子系统下的风险评价指标体系。
该步骤只针对铁路的运营环境风险进行分析，将自然环境下的恶劣天气和地质灾害、社会环境中的异物入侵作为影响高速铁运营安全的危险源，并总结分析铁路场景下常见的恶劣天气、地质灾害和异物入侵类型，具体包括以下步骤：
步骤1、1，根据某铁路沿线的实际调研情况，本发明以风、雨、雪、雾霾、地震、泥石流、山体滑坡、人员入侵、动物入侵、树木入侵以及落石入侵作为影响铁路运营环境安全的危险源；
步骤1、2，将轨道及路面问题、设施故障和列车操控问题等常见故障作为铁路运营环境中的隐患，分析车站、列车、线路三个子系统中可能出现的故障；其中车站系统中的故障主要包括站台设备设施故障和站厅设备设施故障，列车系统中的故障主要包括动车组故障、供电系统故障、通信系统故障以及ATP等列控系统故障，线路系统中的故障主要包括轨道问题、路基问题、接触网问题、道岔问题、隧道问题以及桥梁问题；
步骤1、3，将列车拥堵、列车碰撞和列车脱轨三大常见的铁路运营事故作为铁路运营环境中的事故；
步骤1、4，获取一段时间内与铁路运营环境风险因素相关的历史风险事件数据，所选取的风险事件案例满足以下2个条件：①风险事件发生在铁路系统内；②风险事件的发生与环境因素相关；③风险事件造成人员伤亡或设施设备损坏；
步骤1、5，将事故发生地点、原因及类型按车站、列车、线路三个子系统进行分类，利用事故树分析等方法分别分析各子系统下“危险源-隐患-事故”之间的因果关系；
步骤1、6，分别构建车站、列车、线路三个子系统下的风险评价指标体系，评价风险评价指标体系见下述表1，风险评价指标体系中包括子系统层、子系统状态、风险评价指标因素层、风险评价指标因素状态和环境影响因素层；上述风险评价指标因素层包括站厅设备状态、站台设备状态、动车组状态、供电系统状态、通信系统状态、ATP等列控系统状态、轨道状态、路基状态、道岔状态、接触网状态、隧道状态和桥梁状态。
结合专家经验及历史事故数据，量化风险评价指标体系中各节点为不安全状态时的事故损失程度，用以表示各风险评价指标的权重。
表1：
步骤S2，构建动态贝叶斯网络模型，根据历史事故数据训练贝叶斯网络，确定贝叶斯网络中节点的参数；贝叶斯网络中的节点包括根节点和非根节点，根节点为评价指标体系中的环境影响因素，非根节点中的第一层为评价指标体系中的风险评价指标因素层，非根节点的第二层为评价指标体系中的子系统层；根节点发生概率是指相应环境影响因素发生的概率，非根节点的发生概率是指在该节点的父节点概率下，该节点出现不安全状态的概率。
然后，在训练好的贝叶斯网络输入某时刻的铁路运营时的环境数据，贝叶斯网络通过计算后，输出各子系统中各类故障及事故的发生概率p*。所述步骤S2具体包括以下内容：
步骤2、1，根据步骤S2的分析构建贝叶斯网络模型；
步骤2、2，确定好贝叶斯网络结构后，将标准化处理后的历史事故数据进行标准化处理，输入贝叶斯网络中进行训练，确定贝叶斯网络节点参数；
贝叶斯网络节点参数是指根节点的先验概率和非根节点的条件概率。根节点的先验概率只和自身状态有关，不受其他节点影响；非根节点的条件概率可由公式(1)根据实际数据得到，也可由公式(2)根据贝叶斯定理反向推导得到：
步骤2、3，在训练好的贝叶斯网络输入某时刻的铁路运营时的环境数据，贝叶斯网络通过计算后，输出各子系统中各类故障及事故的发生概率p*。
步骤S3，构建N-K模型，利用N-K模型根据历史事故数据计算车站、列车、线路各子系统间的各风险评价指标因素的风险耦合值T。所述步骤S3具体包括以下步骤：
步骤3、1，根据步骤S2所述的风险评价指标因素层中的风险评价指标因素状态统计各风险评价指标因素间发生风险耦合的事故频数，计算各风险评价指标因素间双因素风险耦合及多因素风险耦合的事故频率；计算各风险评价指标因素的变化风险概率，变化风险概率计算公式示例如(3)所示，式中Pk代表站厅设备状态元素的变化风险概率，k、l、m……v对应风险评价指标因素状态，Pklm...v代表各指标因素组合下对应事故状态的频率；
步骤3、2，将上述事故频率代入公式(4)计算双因素风险耦合值，代入公式(5)——(14)计算多因素风险耦合值；
上述式中：a1，a2，b1，b2，…，c6分别代表步骤S3所述风险评价指标因素层中的12个元素。k,l,m,…，v分别代表上述12个元素所处的状态，其取值为0或1，取0时表示该元素状态为安全，取1时表示该元素状态为不安全；Pklm...代表参与风险耦合的因素在各种状态下发生耦合的概率，在实际计算中以统计数据中的风险耦合频率表示；风险耦合值越大表示该种耦合方式下发生风险耦合时，对整个系统而言风险就越大。
步骤S4，基于步骤S2和S3的计算结果，计算系统中各风险评价指标因素间的风险耦合系数U，以a1节点为例，以公式(15)计算a1的风险耦合系数，式中Ua1表示a1节点的风险耦合系数，表示经过步骤S2贝叶斯网络计算得到的节点发生概率，Pklm...代表各指标因素组合下对应事故状态的频率，Tx(a1，a2，......)表示经过步骤S3得到的风险耦合值；
步骤S5，根据风险耦合系数与设定阈值的比较结果，选择更新贝叶斯网络中的节点概率,利用贝叶斯网络重新计算网络中节点的发生概率p′。所述步骤S5具体包括以下步骤：
步骤5、1，设置一个风险耦合系数阈值U阈值，将步骤S4求出的每个风险评价指标因素层节点的风险耦合系数U与U阈值进行比较，若U<U阈值，则不更新对应节点的发生概率，若U≥U阈值，则按照公式(16)更新相应节点的发生概率，公式(16)针对a1节点，式中表示更新后的节点概率，/>表示经过步骤S2贝叶斯网络计算得到的节点发生概率，pk＝1表示a1节点状态为1时的频率，P10000000000000表示仅有a1节点状态为1时的频率；
步骤5、2，将经过步骤5、1选择更新后的各节点的发生概率输入到贝叶斯网络中，重新计算网络中后续节点的发生概率p′。
步骤S6，基于贝叶斯网络的输出结果，计算各子系统的风险系数R。所述步骤S6具体为：结合步骤S3所述的各子系统风险评价指标体系中的指标权重，按照公式(17)计算得到各子系统下的风险系数，式中R表示节点风险系数，pi′表示经过步骤S5得到的各节点概率，ci表示量化的该节点的事故损失程度系数；
R＝∑pi′×ci(17)步骤S7，评价站车线各子系统的安全状态，并输出预警信息。所述步骤S7具体为：设置一个风险系数阈值R阈值，若风险系数R≥R阈值，则判定该子系统下的安全状态为不安全，否则为安全，输出各个子系统是安全或者不安全的预警信息。
综上所述，本发明实施例通过利用贝叶斯网络模型得到各子系统下发生各类故障及事故的概率；利用N-K模型，可以计算出各种耦合方式下的风险耦合值，进一步评价各因素间的发生风险耦合的风险大小；融合N-K模型和贝叶斯网络的初步计算结果，可以将风险因素间的耦合性考虑到风险评价中去，对贝叶斯网络进行耦合更新，最终得到考虑风险耦合的系统安全状态评价结果并进行预警，能够实现在考虑风险耦合的情况下对车站、列车、线路各子系统进行风险评价及预警，从而有效地提升整个铁路运营系统的应急服务能力。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
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 (2)
1.一种基于动态贝叶斯的铁路站车线安全协同预警方法，其特征在于，包括：
步骤S1，获取一段时间内与铁路运营环境风险因素相关的历史事故数据，分析车站、列车、线路三个子系统下“危险源-隐患-事故”之间的因果关系，构建各子系统下的风险评价指标体系；
步骤S2，构建动态贝叶斯网络模型，根据历史事故数据训练贝叶斯网络，将某时刻的铁路运营时的环境数据输入到训练好的贝叶斯网络中，计算出各子系统中各类故障及事故的发生概率；
步骤S3，构建N-K模型，基于历史事故数据通过N-K模型计算出各子系统间的各风险评价指标因素的风险耦合值；
步骤S4，基于各子系统中各类故障及事故的发生概率和各子系统间的各风险评价指标因素的风险耦合值，计算各子系统中各风险评价指标因素间的风险耦合系数；
步骤S5，根据所述风险耦合系数与设定阈值的比较结果更新贝叶斯网络中的节点的发生概率，通过更新后的贝叶斯网络计算出各子系统的风险系数，评价各子系统的安全状态，并输出预警信息；
所述步骤S1具体包括以下步骤：
步骤1.1，将自然环境下的恶劣天气和地质灾害、社会环境中的异物入侵作为影响高速铁运营安全的危险源；
步骤1.2，获取一段时间内与铁路运营环境风险因素相关的历史风险事件数据，所选取的风险事件案例满足以下3个条件：①风险事件发生在铁路系统内；②风险事件的发生与环境因素相关；③风险事件造成人员伤亡或设施设备损坏；
步骤1.3，将事故发生地点、原因及类型按车站、列车、线路三个子系统进行分类，分别分析各子系统下“危险源-隐患-事故”之间的因果关系；
步骤1.4，分别构建车站、列车、线路各子系统下的风险评价指标体系，该风险评价指标体系中包括子系统层、子系统状态、风险评价指标因素层、风险评价指标因素状态和环境影响因素层，量化风险评价指标体系中各节点为不安全状态时的事故损失程度；
所述步骤S2具体包括以下步骤：
步骤2.1，利用历史事故数据构建贝叶斯网络模型，所述贝叶斯网络中的节点包括根节点和非根节点，根节点为评价指标体系中的环境影响因素，非根节点中的第一层为评价指标体系中的风险评价指标因素层，非根节点的第二层为评价指标体系中的子系统层；
步骤2.2，确定好贝叶斯网络结构后，将标准化处理后的历史事故数据进行标准化处理，输入贝叶斯网络中进行训练，确定贝叶斯网络节点参数，贝叶斯网络节点参数包括根节点的先验概率和非根节点的条件概率，根节点发生概率是指相应环境影响因素发生的概率，非根节点的发生概率是指在该节点的父节点概率下，该节点出现不安全状态的概率；
步骤2.3，在训练好的贝叶斯网络模型基础上，输入某时刻的铁路运营时的环境数据，经过贝叶斯网络计算得出各子系统中各类故障及事故的发生概率，
所述步骤S3具体包括以下步骤：
步骤3.1，根据所述风险评价指标因素层和风险评价指标因素状态，统计各风险评价指标因素间发生风险耦合的事故频数，计算各风险评价指标因素间单因素风险耦合、双因素风险耦合及多因素风险耦合的事故频率；计算各风险评价指标因素的变化风险概率；
步骤3.2，计算不同耦合方式下的双因素风险耦合值和多因素风险耦合值，风险耦合值越大表示该种耦合方式下发生风险耦合时，对整个系统的风险越大；
所述步骤S4中的各子系统中各风险评价指标因素间的风险耦合系数的计算方法如公式（13）所示：
k, l,……=1 （式13），
所述步骤S5具体包括以下步骤：
步骤5、1，设置一个风险耦合系数阈值U阈值，将每个风险评价指标因素层节点的风险耦合系数U与U阈值进行比较，若U<U阈值，则不更新对应节点的发生概率，若U≥U阈值，则按照公式（14）更新相应节点的发生概率：
) (式14)
步骤5.2，将更新后的各节点的发生概率输入到贝叶斯网络中，重新计算网络中后续节点的发生概率p’；
步骤5.3，结合步各子系统的风险评价指标体系中的指标权重，按照公式（式15）计算得到各子系统下的风险系数；
（式15），
设置一个风险系数阈值R阈值，若风险系数R≥R阈值，则判定该子系统下的安全状态为不安全，否则为安全，输出各个子系统是安全或者不安全的预警信息；
所述各风险评价指标因素的变化风险概率的计算公式如（式1）所示，式中代表站厅设备状态元素的变化风险概率，k、l、m……v对应风险评价指标因素状态，
,/>（式1）
将事故频率代入公式（式2）计算双因素风险耦合值，将事故频率代入公式（式3）——（式12）计算多因素风险耦合值；
（式2）
（式3）
（式4）
（式5）
（式6）
（式7）
（式8）
（式9）
（式10）
（式11）
（式12）
式中：分别代表权力要求2中所述风险评价指标因素层中的12个元素，即站厅设备状态a1、站台设备状态a2、动车组状态b1、供电系统状态b2、通信系统状态b3、ATP列控系统状态b4、轨道状态c1、路基状态c2、道岔状态c3、接触网状态c4、隧道状态c5和桥梁状态c6，
站厅设备状态a1所处的状态k，k取值为0或1，
站台设备状态a2所处的状态l，l取值为0或1，
动车组状态b1所处的状态m，m取值为0或1，
供电系统状态b2所处的状态n，n取值为0或1，
通信系统状态b3所处的状态o，o取值为0或1，
ATP列控系统状态b4所处的状态p，p取值为0或1，
轨道状态c1所处的状态q，q取值为0或1，
路基状态c2所处的状态r，r取值为0或1，
道岔状态c3所处的状态s，s取值为0或1，
接触网状态c4所处的状态t，t取值为0或1，
隧道状态c5所处的状态u，u取值为0或1，
桥梁状态c6所处的状态v，v取值为0或1，
取0时表示该元素状态为安全，取1时表示该元素状态为不安全；
代表参与风险耦合的因素在各种状态下发生耦合的概率，
表示更新后的节点概率，
表示经过步骤S2贝叶斯网络计算得到的节点发生概率，
表示a1节点状态为1时的频率，
表示仅有a1节点状态为1时的频率；
z指代子系统下的任一风险评价因素节点，
表示z节点更新后的风险概率，
表示量化的该节点的事故损失程度系数,
表示a1节点的风险耦合系数，
表示经过步骤S2贝叶斯网络计算得到的节点发生概率，
表示经过步骤S3得到的风险耦合值，x对应参与风险耦合的因素数量,
U为每个风险评价指标因素层节点的风险耦合系数U。
2.根据权利要求1所述的方法，其特征在于，所述风险评价指标因素层包括站厅设备状态、站台设备状态、动车组状态、供电系统状态、通信系统状态、ATP列控系统状态、轨道状态、路基状态、道岔状态、接触网状态、隧道状态和桥梁状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210169756.3A CN114889678B (zh) | 2022-02-23 | 2022-02-23 | 一种基于动态贝叶斯的铁路站车线安全协同预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210169756.3A CN114889678B (zh) | 2022-02-23 | 2022-02-23 | 一种基于动态贝叶斯的铁路站车线安全协同预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114889678A CN114889678A (zh) | 2022-08-12 |
| CN114889678B true CN114889678B (zh) | 2023-08-11 |
Family
ID=82715288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210169756.3A Active CN114889678B (zh) | 2022-02-23 | 2022-02-23 | 一种基于动态贝叶斯的铁路站车线安全协同预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114889678B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703148B (zh) * | 2023-04-26 | 2024-01-23 | 中国安全生产科学研究院 | 基于云计算的矿山企业风险画像方法 |
| CN116502895B (zh) * | 2023-06-21 | 2023-11-21 | 交通运输部公路科学研究所 | 明挖公路隧道邻接地铁工程协同施工风险耦合分析方法 |
| CN117240527B (zh) * | 2023-09-06 | 2024-06-25 | 深圳市常行科技有限公司 | 一种网络安全风险防范系统及方法 |
| CN116894055B (zh) * | 2023-09-11 | 2023-11-17 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 基于大数据批流一体的铁路线路能力利用率计算方法 |
| CN118469308B (zh) * | 2024-07-11 | 2024-10-11 | 国网山东省电力公司东营供电公司 | 基于多源数据融合分析的电力系统风险指数构建方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490437A (zh) * | 2019-08-01 | 2019-11-22 | 北京交通大学 | 一种轨道交通系统运营风险链构建方法 |
| CN110991855A (zh) * | 2019-11-28 | 2020-04-10 | 西南交通大学 | 一种基于贝叶斯网络的高速铁路风险评估的方法 |
| CN111861102A (zh) * | 2020-06-05 | 2020-10-30 | 西南交通大学 | 一种铁路货车运行安全评估方法及系统 |
| CN112396320A (zh) * | 2020-11-18 | 2021-02-23 | 西南石油大学 | 一种基于ism与模糊贝叶斯网络的隧道坍塌风险评估方法 |
| CN112465304A (zh) * | 2020-11-07 | 2021-03-09 | 西南交通大学 | 一种基于贝叶斯网络铁路道岔区列车脱轨事故评估方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150060608A1 (en) * | 2013-09-03 | 2015-03-05 | Metrom Rail, Llc | Rail Vehicle Signal Enforcement and Separation Control |
| US10829135B2 (en) * | 2018-04-25 | 2020-11-10 | International Business Machines Corporation | Railway monitoring system and method |
-
2022
- 2022-02-23 CN CN202210169756.3A patent/CN114889678B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490437A (zh) * | 2019-08-01 | 2019-11-22 | 北京交通大学 | 一种轨道交通系统运营风险链构建方法 |
| CN110991855A (zh) * | 2019-11-28 | 2020-04-10 | 西南交通大学 | 一种基于贝叶斯网络的高速铁路风险评估的方法 |
| CN111861102A (zh) * | 2020-06-05 | 2020-10-30 | 西南交通大学 | 一种铁路货车运行安全评估方法及系统 |
| CN112465304A (zh) * | 2020-11-07 | 2021-03-09 | 西南交通大学 | 一种基于贝叶斯网络铁路道岔区列车脱轨事故评估方法 |
| CN112396320A (zh) * | 2020-11-18 | 2021-02-23 | 西南石油大学 | 一种基于ism与模糊贝叶斯网络的隧道坍塌风险评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 城市交通系统安全运营状态风险评估――以北京市轨道交通为例;刘福泽等;《管理评论》;20200731(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114889678A (zh) | 2022-08-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114889678B (zh) | 一种基于动态贝叶斯的铁路站车线安全协同预警方法 | |
| US9714885B2 (en) | Fault prediction and condition-based repair method of urban rail train bogie | |
| CN101800426B (zh) | 电网安全性水平评估方法 | |
| CN108876184A (zh) | 一种高速铁路隧道运营期的安全风险评价及预警方法 | |
| CN106202886A (zh) | 基于模糊粗糙集与决策树的轨道电路红光带故障定位方法 | |
| CN108285071A (zh) | 一种基于贝叶斯网络的电梯健康诊断方法 | |
| CN104217367A (zh) | 一种轨道交通线路动态安全风险评价方法 | |
| CN110400065B (zh) | 基于传染病模型的轨道交通系统风险链群构建方法 | |
| CN115171372B (zh) | 一种交通异常检测方法、设备及装置 | |
| CN112232553B (zh) | 一种基于贝叶斯网络的高铁列车晚点影响因素诊断方法 | |
| CN112446232A (zh) | 一种持续自学习的图像识别方法及系统 | |
| CN109522633B (zh) | 基于拓扑综合重要度的高速铁路系统关键环节集辨识方法 | |
| CN113537757B (zh) | 一种轨道交通系统运营不确定风险的分析方法 | |
| CN116862234A (zh) | 一种轨道交通自洽能源系统的风险评估方法 | |
| CN107292431A (zh) | 基于动态贝叶斯网络的电力通信网业务可靠性预测方法 | |
| CN112950011B (zh) | 轨道交通系统风险链分析方法和装置 | |
| CN114707284B (zh) | 一种高速铁路区段通过能力仿真计算系统 | |
| CN113793241B (zh) | 一种基于深度学习的铁路突发事件应急情景推演方法 | |
| Sun et al. | Fuzzy-Bayesian-network-based safety risk analysis in railway passenger transport | |
| CN112884233B (zh) | 高速铁路系统多模态融合晚点预测方法 | |
| CN112257176B (zh) | 一种城轨列车系统的故障传播的分析方法 | |
| Mohammed Abdelkader et al. | Modeling of concrete bridge decks deterioration using a Hybrid stochastic model | |
| Mahboob et al. | Application of importance measures to transport industry: Computation using Bayesian networks and Fault Tree Analysis | |
| CN111210361B (zh) | 基于可靠性预测和粒子群优化的电力通信网路由规划方法 | |
| CN112560790A (zh) | 一种基于摄像头视频图像智能识别能见度的方法 |
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 |