贝叶斯网络在ZPW-2000K无绝缘轨道电路故障诊断中的应用

杨 帆王坚强陈世然

（1．西南交通大学，成都 610031；

2．中铁二院工程集团有限责任公司，成都 610031；

3．四川省地方铁路局铁路工程勘察设计所，成都 610031）

贝叶斯网络在ZPW-2000K无绝缘轨道电路故障诊断中的应用

杨 帆1王坚强2陈世然3

（1．西南交通大学，成都 610031；

2．中铁二院工程集团有限责任公司，成都 610031；

3．四川省地方铁路局铁路工程勘察设计所，成都 610031）

考虑到ZPW-2000K无绝缘轨道电路故障的复杂性和不确定性，提出一种基于贝叶斯网络的故障诊断方法。在充分利用先验知识和现场数据的基础上，通过融合专家知识和SEM算法得到最优的贝叶斯网络结构。最后采用成渝高铁故障数据对基于贝叶斯网络的故障诊断模型进行验证，测试结果表明该模型的精确性和实用性。

贝叶斯网络；ZPW-2000K；故障诊断

1 背景介绍

针对轨道电路故障诊断的特点，基于专家系统、神经网络等人工智能故障诊断技术被广泛研究并取得良好的效果。但是这些方法具有各自的局限性。比如专家系统过多依赖专家的经验知识，知识获取方面还存在不足；神经网络易陷入局部最小值，稳定性较低，影响故障诊断效果。考虑到轨道电路设备故障的复杂性、不确定性以及室外现场数据采集精度较低的局限性，需要尝试一些新的智能故障诊断方法。贝叶斯网络（Bayesian Networks，BN）作为一种高效的不确定性知识表达与推理方法，已经被广泛应用于故障诊断领域。但是在轨道电路故障诊断中还尚未使用。因此，本文提出基于贝叶斯网络的ZPW-2000K无绝缘轨道电路故障诊断方法，充分利用领域专家知识和现场数据，同时融合贝叶斯网络推理方法，使得轨道电路故障诊断结果更加精确。以成渝高铁轨道电路故障数据为依据，对该贝叶斯网络模型进行验证和分析。

2 理论介绍

2.1 轨道电路介绍

ZPW-2000K无绝缘轨道电路通过轨道继电器的吸起与落下反映列车是否占用闭塞分区，并向列车传递前方信息。轨道电路设备主要包括室内设备和室外设备。室内设备包括发送器、接收器、衰耗冗余控制器、模拟网络盘等，室外设备包括调谐匹配单元、空芯线圈、补偿电容、钢包铜引接线等。

2.2 贝叶斯网络理论

贝叶斯网络是基于有向无环图的模型结构。它的学习由网络结构学习和参数学习两部分构成。BN结构也称有向无环图,表明网络中各节点之间的关联关系,各个节点可看作是取离散值的变量；BN参数是指网络节点的一组条件概率分布的集合。

贝叶斯网络的主要特点是通过概率来表达事件的不确定性，学习和推理都应用概率论来实现。贝叶斯网络的推理结果为随机变量的概率分布，是各种故障发生的可能性数值描述。也就是根据事件的先验概率,利用贝叶斯方法计算出事件的后验概率。比如假设两个随机变量A，B的联合分布密度为P （A，B）,且P（A），P（B）分别为它们的边缘概率密度分布。通常状况下，A为已知变量，B为未知变量，那么根据已知变量对未知变量进行估计，贝叶斯推理定理就可以记作∶

近年来，有关老年健步鞋、老年保健品的广告日益普遍，敬老院、老年公寓的护理服务水平也向着更加专业化、标准化和人性化的方向发展，从侧面反映出我国老龄化产业不断发展的状况。政府一方面加大了老龄化的国民教育，多次开展有关人口老龄化的国情教育，如举办中央和国家机关离退休干部人口老龄化国情教育大讲堂，另一方面各地政府也开始积极鼓励生育，推出与“二孩政策”相关的各种政策。老龄化问题已经成为当今的热点问题。

其中，P（B/A）是B的先验概率分布。从中可以看出，先验概率信息和样本信息是对未知变量估计中必须获得的信息。

贝叶斯网络的结构学习通常分为基于领域专家知识的结构学习、基于打分的结构学习两种方法。前者根据领域专家知识评估变量之间的条件独立性，然后构建BN网络，其精确性取决于专家的经验知识；后者根据事先约定好的搜索策略和评分标准构建BN网络。常用的贝叶斯网络结构学习的算法有K2算法、PC算法、EM算法、SEM算法、爬山算法等，本文选择基于领域专家知识和SEM算法构建贝叶斯网络。

SEM算法是参数期望最大化算法的一种推广，将EM算法应用到不完备数据集的贝叶斯网络学习中。其核心思想是：从初始结构开始迭代，经过N次迭代后，得到当前最佳贝叶斯网络，然后对训练数据集进行修补，得到完整数据，然后对贝叶斯网络模型进行优化，最后通过多次迭代得到最终的BN结构。

贝叶斯网络的参数学习是在已知BN结构的情况下，学习各个节点的条件概率。主要包括完整数据情况下的参数学习和数据缺失情况下的参数学习。

3 基于BN的轨道电路故障诊断

建立基于贝叶斯网络的ZPW-2000K无绝缘轨道电路故障诊断系统，为了提高系统诊断的准确性和可靠性，该系统应充分利用领域专家知识和现场数据建立贝叶斯网络结构，建立的过程如图1所示，主要步骤如下：

图1 贝叶斯网络建立过程

1） 确定贝叶斯网络的节点。

2） 通过领域专家知识和SEM打分算法得到各自的BN结构。

3） 融合所得到的2种结果，得到最优的BN结构。

4） 用所得到的BN结构进行参数学习。

5） 利用推理算法进行故障推理。

3.1 网络节点的确定

根据专家经验和现场数据确定：ZPW-2000K无绝缘轨道电路常见故障类型如表1所示。

表1 故障类型表

为了更好理解BN中节点变量间的关系，本文对表1的各类故障节点分为三层，分别为一级故障层——故障模式层（1、12、18），二级故障层——故障表现层（2、6、7、15、17、20、21、28），三级故障层——故障原因层（3、4、9、10、11、13、14、16、22、23、24、25、26、27），其中标号含义如表1所示。

3.2 最优的BN结构

在实际应用中，基于专家知识得到的BN结构并不准确，存在“欠拟合”的问题，结构过于简单，没有学习到足够多的故障因果关系。因此，在基于专家知识的BN结构基础上，融合基于SEM算法的BN结构，从而得到最优的BN结构，步骤如下：

1）同一层中，考虑到两个节点之间具有独立性，所以可以把它们之间的有向边全部移除。

2）不同层中，SEM算法中只出现一次的有向边由专家知识确定保留或移除。

由此得到最优的BN结构，如图2所示，其中标号含义如表1所示。

图2 最优的BN结构

3.3 BN参数学习

BN参数是通过训练样本数据得到的。由于本文的故障数据来自于开通不久的成渝高铁，数据不完整，所以采用EM算法得到BN故障节点的条件概率表。

至此，得到一个完整的基于贝叶斯网络的ZPW-2000K无绝缘轨道电路故障诊断模型。

4 BN的推理及验证

贝叶斯网络推理是指利用BN结构及其条件概率表，在给定证据后计算某些网络节点取值的后验概率。BN推理算法主要有精确推理算法和近似推理算法。根据ZPW-2000K无绝缘轨道电路故障特点，本文采用团树传播算法作为推理工具。该算法采用一种图形方式来表达节点的条件概率分布,而图形结构就是无向树,即团结合树。团结合树中每一个节点代表一个变量集合,称为团节点。团树传播算法采用消息传递的思想,在团结合树上进行概率运算。当团节点收到证据信息后，就开始沿着相邻团节点互相传播,消息传播完后再进行概率计算,也就是对团结合树进行节点的消元处理。

本文采用成渝高铁的现场数据来评估BN模型的诊断效果。所使用的故障数据收集于成渝高铁联调联试期间以及开通初期，收集的故障总数为982条，与轨道电路相关的故障为405条，其中315条故障数据进行贝叶斯网络训练，剩余90条用来验证贝叶斯网络的正确性，测试结果准确率如表2所示。

表2 系统测试结果

从表2可以看出，三级故障误诊的概率较大，这是由于成渝高铁运行不久，故障数据较少，使得贝叶斯网络参数学习不足。从概率角度考虑，故障发生次数越多，其先验概率就越大，因此，在证据不足的情况下，极易发生误诊。

5 结束语

本文提出一种基于贝叶斯网络的ZPW-2000K无绝缘轨道电路故障诊断方法，充分利用专家知识和现场数据建立贝叶斯网络，最后以成渝高铁故障数据为例进行验证，结果表明，该BN故障诊断方法具有良好的精确性和可靠性，有助于电务人员快速处理故障。

[1]张广远.ZPW-2000A无绝缘轨道电路系统维修浅析[J].铁路通信信号工程技术，2004（5）：30-31.

[2]刘朝英,林瑜筠.铁路信号概论[M].北京∶中国铁道出版社，2011.

[3]赵瑞淸.专家系统原理[M].北京∶气象出版社，1987.

[4]草定明.ZPW-2000A信号设备故障诊断专家系统研究[D].北京∶北京交通大学，2009.

[5]王双成.贝叶斯网络学习、推理与应用[M].上海∶立信会计出版社，2009.

[6]肖秦現,高嵩.动态贝叶斯网络推理学习理论及应用[M].北京∶国防工业出版社，2007.

Considering the complexity and uncertainty of fault diagnosis of ZPW-2000K jointless track circuit, the paper puts forward a fault diagnosis method based on Bayesian network (BN). That is, based on fully utilizing a priori knowledge and site date, expert knowledge and SEM algorithm are used to set up an optimum BN structure. At last, The BN model verifi cation is carried out by using fault data of Chengdu-Chongqing high-speed railway. The result shows that the proposed BN model is correct and useful.

Bayesian network; ZPW-2000K; fault diagnosis

10.3969/j.issn.1673-4440.2016.06.021

2016-01-13）