高速鐵路信號(hào)系統(tǒng)車(chē)載設(shè)備故障診斷方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種車(chē)載設(shè)備故障診斷方法，尤其涉及一種用于高速鐵路信號(hào)系統(tǒng)的車(chē)載設(shè)備故障診斷方法。
【背景技術(shù)】
[0002]目前的高鐵系統(tǒng)中，高速鐵路信號(hào)系統(tǒng)實(shí)現(xiàn)了列車(chē)的安全間隔控制、速度控制和進(jìn)路控制等功能，起著確保列車(chē)安全運(yùn)行和運(yùn)行效率的重要作用，是整個(gè)系統(tǒng)的中樞。其中，高速鐵路信號(hào)系統(tǒng)車(chē)載設(shè)備(以下簡(jiǎn)稱(chēng)“車(chē)載設(shè)備”)是整個(gè)信號(hào)系統(tǒng)的重要組成部分。在現(xiàn)有技術(shù)中，對(duì)車(chē)載設(shè)備的故障診斷與維護(hù)手段仍相對(duì)落后，現(xiàn)場(chǎng)使用的主要診斷措施有:
[0003](I)人工檢驗(yàn)，這是一種傳統(tǒng)的診斷和維護(hù)方式，因其勞動(dòng)強(qiáng)度大，診斷效率低下等原因，已越來(lái)越不適應(yīng)現(xiàn)代化的發(fā)展要求。
[0004](2)數(shù)據(jù)監(jiān)測(cè)系統(tǒng)，該系統(tǒng)通過(guò)特定的數(shù)據(jù)采集裝置實(shí)時(shí)采集車(chē)載設(shè)備的運(yùn)行參數(shù)，并匯集到數(shù)據(jù)監(jiān)測(cè)中心，設(shè)備維護(hù)人員綜合分析采集到的數(shù)據(jù)來(lái)進(jìn)行故障診斷和維護(hù)。數(shù)據(jù)監(jiān)測(cè)系統(tǒng)實(shí)現(xiàn)了車(chē)載設(shè)備的實(shí)時(shí)采集并具備一定的故障診斷能力，是當(dāng)前電務(wù)部門(mén)日常維護(hù)和故障分析的重要手段。然而，該系統(tǒng)在實(shí)際應(yīng)用中仍存在誤診率高、故障定位不精確的問(wèn)題，同時(shí)其數(shù)據(jù)分析需要大量人工參與，這無(wú)疑給維護(hù)人員帶來(lái)繁重的負(fù)擔(dān)。

【發(fā)明內(nèi)容】

[0005]本發(fā)明所要解決的技術(shù)問(wèn)題在于，針對(duì)現(xiàn)有技術(shù)的不足提供一種用于高速鐵路信號(hào)系統(tǒng)的車(chē)載設(shè)備故障診斷方法，以現(xiàn)場(chǎng)維護(hù)人員記錄的車(chē)載設(shè)備的故障數(shù)據(jù)為依據(jù)，綜合歷史數(shù)據(jù)和領(lǐng)域?qū)＜抑R(shí)，進(jìn)行系統(tǒng)科學(xué)的故障文本分析和挖掘，得到故障原因和故障征兆之間的因果關(guān)系，從而為維護(hù)人員做出決策提供支持。
[0006]本發(fā)明所要解決的技術(shù)問(wèn)題是通過(guò)如下技術(shù)方案實(shí)現(xiàn)的:
[0007]一種高速鐵路信號(hào)系統(tǒng)車(chē)載設(shè)備故障診斷方法，包括如下步驟:
[0008]S1:對(duì)車(chē)載設(shè)備的故障數(shù)據(jù)進(jìn)行特征提取形成主題文檔矩陣，對(duì)所述主題文檔矩陣進(jìn)行離散化處理得到故障特征矩陣；
[0009]S2:根據(jù)SI中的故障特征矩陣，結(jié)合車(chē)載設(shè)備運(yùn)行環(huán)境，確定貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)；
[0010]S3:將貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)分為一級(jí)故障節(jié)點(diǎn)和二級(jí)故障節(jié)點(diǎn)；
[0011]S4:根據(jù)S3中的貝葉斯網(wǎng)絡(luò)一級(jí)故障節(jié)點(diǎn)、二級(jí)故障節(jié)點(diǎn)和SI中的故障特征矩陣，利用結(jié)構(gòu)期望最大化算法學(xué)習(xí)和訓(xùn)練得到貝葉斯故障診斷網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)；
[0012]S5:優(yōu)化貝葉斯故障診斷網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)；
[0013]S6:根據(jù)S5中優(yōu)化后的貝葉斯故障診斷網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)，并輸入車(chē)載設(shè)備的故障現(xiàn)象和車(chē)載設(shè)備運(yùn)行環(huán)境信息，計(jì)算車(chē)載設(shè)備不同故障原因?qū)?yīng)的概率，并按照從大到小的順序給出故障原因。
[0014]更好地，SI具體包括:
[0015]S1.1:建立故障文檔的詞項(xiàng)文檔矩陣；
[0016]S1.2:評(píng)價(jià)函數(shù)選擇的詞項(xiàng)文檔似然函數(shù)值，當(dāng)函數(shù)取值最大時(shí)，得到主題個(gè)數(shù)K；
[0017]S1.3:根據(jù)S1.2中得到的主題個(gè)數(shù)K，采用主題模型對(duì)S1.1中得到的詞項(xiàng)文檔矩陣進(jìn)行分析和轉(zhuǎn)化，得到主題文檔矩陣；
[0018]S1.4:將主題文檔矩陣進(jìn)行離散化處理得到故障特征矩陣。
[0019]更好地，S4具體包括:
[0020]根據(jù)故障原因的不同層次，將貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)分為一級(jí)故障節(jié)點(diǎn)和二級(jí)故障節(jié)點(diǎn)。
[0021]更好地，在S5中，具體包括:
[0022]利用車(chē)載設(shè)備領(lǐng)域知識(shí)對(duì)S4得到的貝葉斯故障診斷網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，形成領(lǐng)域知識(shí)和數(shù)據(jù)挖掘相互補(bǔ)充，修正數(shù)據(jù)挖掘中由于數(shù)據(jù)記錄不完整甚至丟失導(dǎo)致錯(cuò)誤的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)。
[0023]更好地，所述車(chē)載設(shè)備運(yùn)行環(huán)境為:車(chē)載設(shè)備運(yùn)行的風(fēng)雨雷電氣象資料和溫度信息。
[0024]本發(fā)明提供的高速鐵路信號(hào)系統(tǒng)的車(chē)載設(shè)備故障診斷方法，以現(xiàn)場(chǎng)維護(hù)人員記錄的車(chē)載設(shè)備的故障數(shù)據(jù)為依據(jù)，綜合歷史數(shù)據(jù)和車(chē)載設(shè)備領(lǐng)域知識(shí)，進(jìn)行系統(tǒng)科學(xué)的故障文本分析和挖掘，得到故障原因和故障征兆之間的因果關(guān)系，從而為維護(hù)人員做出決策提供支持。
[0025]下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)地說(shuō)明。
【附圖說(shuō)明】
[0026]圖1為本發(fā)明高速鐵路信號(hào)系統(tǒng)的車(chē)載設(shè)備故障診斷方法步驟圖；
[0027]圖2為本發(fā)明貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)示意圖；
[0028]圖3為車(chē)載設(shè)備貝葉斯診斷網(wǎng)絡(luò)節(jié)點(diǎn)編號(hào)和含義表。
【具體實(shí)施方式】
[0029]圖1為本發(fā)明高速鐵路信號(hào)系統(tǒng)的車(chē)載設(shè)備故障診斷方法步驟圖，如圖1所述，本發(fā)明提供一種高速鐵路信號(hào)系統(tǒng)車(chē)載設(shè)備故障診斷方法，包括如下步驟:
[0030]S1:對(duì)車(chē)載設(shè)備的故障數(shù)據(jù)進(jìn)行特征提取形成主題文檔矩陣，并對(duì)所述主題文檔矩陣進(jìn)行離散化處理得到故障特征矩陣；其中本步驟具體包括:
[0031]S1.1:建立故障文檔的詞項(xiàng)文檔矩陣；其中，分析車(chē)載故障跟蹤文檔中的一條故障現(xiàn)象描述，最為簡(jiǎn)單和直接的做法是將文檔視為一系列詞項(xiàng)的集合，這種思想叫做“詞袋”模型。通過(guò)詞袋模型的思想，我們可以將不同的文檔表示為一個(gè)矩陣，稱(chēng)之為詞項(xiàng)文檔矩陣。該矩陣的每一行表示某一文檔，每一列表示某一詞項(xiàng)，矩陣的每個(gè)元素表示詞項(xiàng)在文檔中出現(xiàn)的頻數(shù)；
[0032]S1.2:評(píng)價(jià)函數(shù)選擇的詞項(xiàng)文檔似然函數(shù)值，當(dāng)函數(shù)取值最大時(shí)，得到主題個(gè)數(shù)K ;具體地說(shuō)，由于語(yǔ)料庫(kù)文檔在主題模型框架下出現(xiàn)的概率與主題個(gè)數(shù)有影響，也就是說(shuō)主題個(gè)數(shù)對(duì)于主題模型框架表達(dá)文檔的準(zhǔn)確度有影響，所以在應(yīng)用主題模型之前，另一個(gè)需要確定的參數(shù)是主題個(gè)數(shù)K，常用的方法有兩種，第一種是由先驗(yàn)知識(shí)給出；另一種方式嘗試不同的個(gè)數(shù)K，當(dāng)評(píng)價(jià)函數(shù)最優(yōu)時(shí)，認(rèn)為此時(shí)的K較為合理。本發(fā)明采用第二種方法，評(píng)價(jià)函數(shù)選擇的是文檔的似然函數(shù)(log likelihood)的值，通過(guò)逐次嘗試取不同的K值，分別觀察似然函數(shù)取值情況，當(dāng)取值最大時(shí)，即可得到最優(yōu)的主題的個(gè)數(shù)K。
[0033]S1.3:根據(jù)S1.2中得到的主題個(gè)數(shù)K，采用主題模型對(duì)S1.1中得到的詞項(xiàng)文檔矩陣進(jìn)行分析和轉(zhuǎn)化，得到主題文檔矩陣；具體地說(shuō)，在得到詞項(xiàng)文檔矩陣和主題個(gè)數(shù)K后，可以采用主題模型對(duì)文檔進(jìn)行分析和轉(zhuǎn)化。本文選取LDA (Latent Dirichlet Allocat1n)模型提取主題模型。其主要分為兩步:1)利用語(yǔ)料庫(kù)訓(xùn)練LDA模型的超參數(shù)α和β (先驗(yàn)Dirichlet分布參數(shù))；2)在求得的先驗(yàn)分布下，對(duì)需要降維文檔，即在主題空間上，用主題的分布來(lái)表示文檔，預(yù)估相應(yīng)的主題分布參數(shù)Θ，進(jìn)而得到文檔在主題上的多項(xiàng)分布。
[0034]對(duì)于LDA模型超參數(shù)和文檔相應(yīng)主題分布參數(shù)的求解，由于存在隱含的主題變量，并且所要計(jì)算的后驗(yàn)概率表示中分母存在積分運(yùn)算，所以選用近似推理的方法，即變分推理和抽樣，這里的后驗(yàn)概率指考慮和給出相關(guān)“結(jié)果”信息后所得到的條件概率。
[0035]通過(guò)LDA的分析，可以得到主題文檔矩陣。其中，主題文檔矩陣表示每個(gè)文檔所涉及主題的程度。主題文檔矩陣即為文檔在主題空間中的表達(dá)，也是我們希望得到特征矩陣。上述步驟中是對(duì)主題文檔矩陣進(jìn)行一個(gè)降維過(guò)程，也就是說(shuō)將詞項(xiàng)文檔矩陣進(jìn)行分析和轉(zhuǎn)化，得到主題文檔矩陣，降低了主題文檔矩陣的復(fù)雜性，降低后續(xù)貝葉斯故障診斷網(wǎng)絡(luò)訓(xùn)練的計(jì)算和存