高速铁路信号系统车载设备故障诊断方法.pdf

一种高速铁路信号系统车载设备故障诊断方法，包括如下步骤：S1：对车载设备的故障数据进行特征提取形成主题文档矩阵，对所述主题文档矩阵进行离散化处理得到故障特征矩阵；S2：根据故障特征矩阵，结合车载设备运行环境，确定贝叶斯网络节点；S3：将贝叶斯网络节点分为一级故障节点和二级故障节点；S4：根据贝叶斯网络节点和故障特征矩阵，利用结构期望最大化算法学习和训练得到贝叶斯故障诊断网络结构和网络参数；S5：优化贝叶斯故障诊断网络结构和网络参数；S6：根据优化后的贝叶斯故障诊断网络结构和网络参数，并输入车载设备的故障现象和车载设备运行环境信息，计算车载设备不同故障原因对应的概率。

1.  高速铁路信号系统车载设备故障诊断方法，其特征在于，包括 如下步骤：
S1：对车载设备的故障数据进行特征提取形成主题文档矩阵，对 所述主题文档矩阵进行离散化处理得到故障特征矩阵；
S2：根据S1中的故障特征矩阵，结合车载设备运行环境，确定贝 叶斯网络节点；
S3：将贝叶斯网络节点分为一级故障节点和二级故障节点；
S4：根据S3中的贝叶斯网络一级故障节点、二级故障节点和S1 中的故障特征矩阵，利用结构期望最大化算法学习和训练得到贝叶斯 故障诊断网络结构和网络参数；
S5：优化贝叶斯故障诊断网络结构和网络参数；
S6：根据S5中优化后的贝叶斯故障诊断网络结构和网络参数，并 输入车载设备的故障现象和车载设备运行环境信息，计算车载设备不 同故障原因对应的概率，并按照从大到小的顺序给出故障原因。

2.  如权利要求1所述的高速铁路信号系统车载设备故障诊断方 法，其特征在于，S1具体包括：
S1.1：建立故障文档的词项文档矩阵；
S1.2：评价函数选择的词项文档似然函数值，当函数取值最大时， 得到主题个数K；
S1.3：根据S1.2中得到的主题个数K，采用主题模型对S1.1中得 到的词项文档矩阵进行分析和转化，得到主题文档矩阵；
S1.4：将主题文档矩阵进行离散化处理得到故障特征矩阵。

3.  如权利要求1所述的高速铁路信号系统车载设备故障诊断方 法，其特征在于，S3具体包括：
根据故障原因的不同层次，将贝叶斯网络节点分为一级故障节点 和二级故障节点。

4.  如权利要求1所述的高速铁路信号系统车载设备故障诊断方 法，其特征在于，在S5中，具体包括：
利用车载设备领域知识对S4得到的贝叶斯故障诊断网络结构和 网络参数进行优化，形成领域知识和数据挖掘相互补充，修正数据挖 掘中由于数据记录不完整甚至丢失导致错误的贝叶斯网络结构和网络 参数。

5.  如权利要求1-4任一项所述的高速铁路信号系统车载设备故障 诊断方法，其特征在于，所述车载设备运行环境为：车载设备运行的 风雨雷电气象资料和温度信息。

高速铁路信号系统车载设备故障诊断方法
技术领域
本发明涉及一种车载设备故障诊断方法，尤其涉及一种用于高速铁路信号系统的车载设备故障诊断方法。
背景技术
目前的高铁系统中，高速铁路信号系统实现了列车的安全间隔控制、速度控制和进路控制等功能，起着确保列车安全运行和运行效率的重要作用，是整个系统的中枢。其中，高速铁路信号系统车载设备(以下简称“车载设备”)是整个信号系统的重要组成部分。在现有技术中，对车载设备的故障诊断与维护手段仍相对落后，现场使用的主要诊断措施有：
(1)人工检验，这是一种传统的诊断和维护方式，因其劳动强度大，诊断效率低下等原因，已越来越不适应现代化的发展要求。
(2)数据监测系统，该系统通过特定的数据采集装置实时采集车载设备的运行参数，并汇集到数据监测中心，设备维护人员综合分析采集到的数据来进行故障诊断和维护。数据监测系统实现了车载设备的实时采集并具备一定的故障诊断能力，是当前电务部门日常维护和故障分析的重要手段。然而，该系统在实际应用中仍存在误诊率高、故障定位不精确的问题，同时其数据分析需要大量人工参与，这无疑给维护人员带来繁重的负担。
发明内容
本发明所要解决的技术问题在于，针对现有技术的不足提供一种用于高速铁路信号系统的车载设备故障诊断方法，以现场维护人员记录的车载设备的故障数据为依据，综合历史数据和领域专家知识，进行系统科学的故障文本分析和挖掘，得到故障原因和故障征兆之间的 因果关系，从而为维护人员做出决策提供支持。
本发明所要解决的技术问题是通过如下技术方案实现的：
一种高速铁路信号系统车载设备故障诊断方法，包括如下步骤：
S1：对车载设备的故障数据进行特征提取形成主题文档矩阵，对所述主题文档矩阵进行离散化处理得到故障特征矩阵；
S2：根据S1中的故障特征矩阵，结合车载设备运行环境，确定贝叶斯网络节点；
S3：将贝叶斯网络节点分为一级故障节点和二级故障节点；
S4：根据S3中的贝叶斯网络一级故障节点、二级故障节点和S1中的故障特征矩阵，利用结构期望最大化算法学习和训练得到贝叶斯故障诊断网络结构和网络参数；
S5：优化贝叶斯故障诊断网络结构和网络参数；
S6：根据S5中优化后的贝叶斯故障诊断网络结构和网络参数，并输入车载设备的故障现象和车载设备运行环境信息，计算车载设备不同故障原因对应的概率，并按照从大到小的顺序给出故障原因。
更好地，S1具体包括： 
S1.1：建立故障文档的词项文档矩阵；
S1.2：评价函数选择的词项文档似然函数值，当函数取值最大时，得到主题个数K；
S1.3：根据S1.2中得到的主题个数K，采用主题模型对S1.1中得到的词项文档矩阵进行分析和转化，得到主题文档矩阵；
S1.4：将主题文档矩阵进行离散化处理得到故障特征矩阵。
更好地，S4具体包括： 
根据故障原因的不同层次，将贝叶斯网络节点分为一级故障节点和二级故障节点。
更好地，在S5中，具体包括：
利用车载设备领域知识对S4得到的贝叶斯故障诊断网络结构和网络参数进行优化，形成领域知识和数据挖掘相互补充，修正数据挖掘中由于数据记录不完整甚至丢失导致错误的贝叶斯网络结构和网络参数。
更好地，所述车载设备运行环境为：车载设备运行的风雨雷电气象资料和温度信息。
本发明提供的高速铁路信号系统的车载设备故障诊断方法，以现场维护人员记录的车载设备的故障数据为依据，综合历史数据和车载设备领域知识，进行系统科学的故障文本分析和挖掘，得到故障原因和故障征兆之间的因果关系，从而为维护人员做出决策提供支持。
下面结合附图和具体实施例对本发明的技术方案进行详细地说明。
附图说明
图1为本发明高速铁路信号系统的车载设备故障诊断方法步骤图；
图2为本发明贝叶斯网络结构示意图；
图3为车载设备贝叶斯诊断网络节点编号和含义表。
具体实施方式

图1为本发明高速铁路信号系统的车载设备故障诊断方法步骤图，如图1所述，本发明提供一种高速铁路信号系统车载设备故障诊断方法，包括如下步骤：
S1：对车载设备的故障数据进行特征提取形成主题文档矩阵，并对所述主题文档矩阵进行离散化处理得到故障特征矩阵；其中本步骤具体包括：
S1.1：建立故障文档的词项文档矩阵；其中，分析车载故障跟踪文档中的一条故障现象描述，最为简单和直接的做法是将文档视为一系列词项的集合，这种思想叫做“词袋”模型。通过词袋模型的思想，我们可以将不同的文档表示为一个矩阵，称之为词项文档矩阵。该矩阵的每一行表示某一文档，每一列表示某一词项，矩阵的每个元素表示词项在文档中出现的频数；
S1.2：评价函数选择的词项文档似然函数值，当函数取值最大时，得到主题个数K；具体地说，由于语料库文档在主题模型框架下出现 的概率与主题个数有影响，也就是说主题个数对于主题模型框架表达文档的准确度有影响，所以在应用主题模型之前，另一个需要确定的参数是主题个数K，常用的方法有两种，第一种是由先验知识给出；另一种方式尝试不同的个数K，当评价函数最优时，认为此时的K较为合理。本发明采用第二种方法，评价函数选择的是文档的似然函数(log likelihood)的值，通过逐次尝试取不同的K值，分别观察似然函数取值情况，当取值最大时，即可得到最优的主题的个数K。
S1.3：根据S1.2中得到的主题个数K，采用主题模型对S1.1中得到的词项文档矩阵进行分析和转化，得到主题文档矩阵；具体地说，在得到词项文档矩阵和主题个数K后，可以采用主题模型对文档进行分析和转化。本文选取LDA(Latent Dirichlet Allocation)模型提取主题模型。其主要分为两步：1)利用语料库训练LDA模型的超参数α和β(先验Dirichlet分布参数)；2)在求得的先验分布下，对需要降维文档，即在主题空间上，用主题的分布来表示文档，预估相应的主题分布参数θ，进而得到文档在主题上的多项分布。
对于LDA模型超参数和文档相应主题分布参数的求解，由于存在隐含的主题变量，并且所要计算的后验概率表示中分母存在积分运算，所以选用近似推理的方法，即变分推理和抽样，这里的后验概率指考虑和给出相关“结果”信息后所得到的条件概率。
通过LDA的分析，可以得到主题文档矩阵。其中，主题文档矩阵表示每个文档所涉及主题的程度。主题文档矩阵即为文档在主题空间中的表达，也是我们希望得到特征矩阵。上述步骤中是对主题文档矩阵进行一个降维过程，也就是说将词项文档矩阵进行分析和转化，得到主题文档矩阵，降低了主题文档矩阵的复杂性，降低后续贝叶斯故障诊断网络训练的计算和存储复杂度。
S1.4：将主题文档矩阵进行离散化处理得到故障特征矩阵；具体地说，采用基于K-means的离散化方法，将涉及主题的程度分为4个档次：高(4)、较高(3)、一般(2)、较少(1)；方法步骤如下：
A：首先指定离散化产生的区间数目K(取K＝4)；
B：然后用K-means算法对主题文档矩阵中的连续值聚类分析； 即可得到K类中心点；
C：最后对相邻中心点取均值，可以得到3(K-1)个类间边界； 
根据聚类结果中各类对主题的涉及程度(数值越高，文档包含此主题的可能性越高)，即可分为上述4个档次。
S2：根据S1中的故障特征矩阵，结合车载设备运行环境，所述的车载设备运行环境：如车载设备运行的风雨雷电等气象资料和温度信息，确定贝叶斯网络节点；
S3：将贝叶斯网络节点分为一级故障节点和二级故障节点，具体地说，根据故障特征矩阵，将该矩阵中的故障模式和气象信息及温度提取为故障节点。为了区分故障所属的范围，及故障所属的子系统级和故障所属的部件，上述故障节点根据故障原因的不同层次，分为一级故障节点和二级故障节点，其中一级故障节点对应子系统级故障，二级故障节点对应部件级故障；上述的故障原因的不同层次，也就是说一级故障节点为大范围故障原因，例如某个故障区域；二级故障节点具体到某个故障点。
另外，所述一级故障节点和二级故障节点分为布尔类型节点和枚举型节点，布尔型的节点表示故障模式(请参见图3)发生和故障不发生两个状态；枚举型的节点列举所有可能的情况，例如，温度作为枚举型，包括高温，低温和处于正常范围的温度。
S4：根据S3中的贝叶斯网络一级故障节点、二级故障节点和S1中的故障特征矩阵，利用结构期望最大化算法学习和训练得到贝叶斯故障诊断网络结构和网络参数；具体地说：考虑到现实的故障记录数据经常存在数据记录不完整甚至缺失的现象，传统的贝叶斯网络结构和网络参数的训练方法难以适应这种存在记录缺陷的数据，本发明采用结构最大化期望值算法(SEM算法)实现缺省数据下的车载故障诊断贝叶斯网络结构和网络参数的学习和训练。EM算法就是最大化期望值算法，首先计算在参数下的最大似然值，然后根据此似然值对参数值进行修正，再次计算最大似然值，直到得到的值在设定的阀值范围即可。同时结合车载设备领域知识进行修改，简化训练后的故障诊断贝叶斯网络结构，防止出现过拟合的现象，最终得到的贝叶斯诊断网 络结构，如图2中所述，图中节点1至节点17为二级故障节点，节点18至节点24为一级故障节点，其节点的含义参见图3。
S5：利用车载设备领域知识对S4得到的贝叶斯故障诊断网络结构和网络参数进行优化，形成领域知识和数据挖掘相互补充，修正数据挖掘中由于数据记录不完整甚至丢失导致错误的贝叶斯网络结构和网络参数；具体地说：根据车载设备故障现场诊断的积累经验和已有的车载设备故障因果知识模型，例如故障树，故障模式及影响分析(FMEA)等，优化S4中得到的贝叶斯故障诊断网络结构和网络参数；于现场积累经验或已有的车载设备故障因果关系存在，而S4中得到的贝叶斯故障诊断网络结构和网络参数没有揭示的连接关系，在S4中得到的贝叶斯故障诊断网络结构和网络参数进行添加。同时，对于S4中得到的贝叶斯故障诊断网络结构和网络参数，明显违背现场积累经验或已有的车载设备故障因果关系的连接进行删除，最终得到融合车载设备诊断领域知识和基于数据的优化贝叶斯故障诊断网络结构和网络参数。
S6：根据S5中优化后的贝叶斯故障诊断网络结构和网络参数，并输入车载设备的故障现象和车载设备运行环境信息(天气和温度)，计算车载设备不同故障原因对应的概率，并按照从大到小的顺序给出最大可能的故障原因，辅助现场故障定位和维护。具体地说，现场维护人员输入车载设备的故障征兆或故障现象，经过基于S5得到的贝叶斯故障诊断网络结构的运算，得到按照概率大小排序的故障原因、部位和对应的维护措施。反馈给现场维护人员，成为现场维护人员迅速进行故障定位和故障排除的有效手段。