基于案例推理的轨道交通信号设备故障诊断方法

2019-03-01陈则宇王恒丁曹从咏

城市公共交通 2019年1期

陈则宇卢凡王恒丁曹从咏

（南京理工大学，南京 210094）

引言

城市轨道交通信号设备是轨道交通运输安全的核心设备。它肩负着保证列车运行安全和提高运输效率的重要任务。因此设备的健康会直接影响轨道交通系统的安全运行，影响轨道交通运营服务质量。

目前国内各城市的信号设备在出现异常或故障时会由维护人员进行故障处理，由于人员投入成本巨大、设施分散、故障多样化等问题使得检修人员很难在事前做好故障处理的准备工作，不能在短时间内将故障排除，这严重地阻碍了城市轨道交通系统运营服务。采用基于案例推理的轨道交通信号设备故障诊断方法，计算机通过预先设定的算法搜索故障处理网格，可以快速锁定故障点并给出处理方案，在极大地节省了人力物力的同时提高故障排查效率，使得城市轨道交通系统运营更加安全、可靠。

1 轨道交通信号设备故障概述

轨道交通信号设备可以分为四类：计算机联锁系统设备、列车自动驾驶设备、列车自动防护设备和列车自动监督设备[1]。

计算机联锁系统设备主要分为轨旁设备和车站设备。其中轨旁设备负责实现与轨道有关的机械动作，包括信号机和轨道电路等。车站连锁设备负责对全线路的信号和道岔进行控制，包括联锁计算机和各类控制模块等。列车自动驾驶设备包括节点机、交互机和车载无线天线等用于传输列车的自动控制信息，以此实现轨旁设备和车载设备之间的通信。列车自动防护设备分为车载设备和地面设备两个部分包括轨旁计算机、数据存储单元、编码器和测速雷达等，实现对列车的安全控制。列车自动监督设备包括数据库服务器、通信处理器、ATS中央网络设备等，用于监督各设备的运行情况，显示信号系统运行状态信息。

可以看出，轨道交通信号设备种类多、结构复杂，而且其故障类型多，故障维修困难。根据主要轨道交通信号设备进行故障分类可将故障分为37个大类；根据故障现象分类可将故障分为300个中类；按故障原因分类可将故障分为968个小类。

目前故障处理的总体流程可以总结为：

（1）查看列车自动监督设备所显示的报警信息；

（2）查看报警点所在位置的设备状态；

（3）测量故障点设备的电气参数，并分析故障原因；

（4）对故障的电路元件进行维修或替换；

（5）在维修完成后对线路进行测试，并对报警信息进行复位；

（6）对故障进行统计和收录。

这样一套检修流程对维修人员的事前准备程度要求极高，对维修人员的个人经验依赖性强。并且处理流程耗时长，给列车运行造成的影响极大。可见单纯依靠人工处理故障无法保证系统的可靠性。而基于案例推理的轨道交通信号设备故障诊断方法可以大大改善这些缺陷。

2 基于案例推理的轨道交通信号设备故障诊断流程

2.1 案例推理基本概念

案例推理是在对已有信息进行合理编排之后，通过计算机在数据库中寻找与当前情况相似的历史案例，并利用已有结果或解决方案来解决新问题的方法。一个基本的案例推理求解过程一般由四个部分组成：检索、重用、修正和保存。该模型也被称为4R模型，4R分别为：Retrieve、Reuse、Revise、Retain。在案例推理中目标案例代表目前待解决的问题或工况称，源案例代表录入在列表中的历史案例称，案例库代表各种源案例的集合称。

4R模型的4个主要步骤说明如下：案例检索的目的是筛选出与目标案例相近的源案例，关键在于匹配算法的选择和模型的表示。案例表示方法直接影响到案例检索的准确性和效率。在数据库中案例一般表示为案例描述和解决方案两个部分，其关键在于案例主要特征的选取。通过进行案例重用，情况不完全一致则进行案例修正。案件完成后，新案件会保存到案例库中。

2.2 故障诊断流程

根据案例推理的4R模型，基于案例推理的轨道交通信号设备故障诊断流程可以概括为：当一个故障发生时也就是一个目标案例，根据故障发生的地点及表现出的外在特性对案例库（根据历史故障记录生成的数据列表）进行搜索，并得到与目标案例相类似的源案例，源案例需要给出过去故障的外在表现、电气检测结果和故障排除方案。为了保证方法可靠，会显示出相关性较强的数个源案例，并按相关性进行排序，这一步对应4R模型中的检索。此后维修人员按照所给信息检测故障点电气状态，对应4R模型中的重用。若此方案无法完全排除故障则重新分析故障原因并给出电气参数及维修方案，对应4R模型中的修正。最后将此次的故障信息、电气检测参数及解决方案加入到案例库中，获得一个新的源案例，对应4R模型中的保存，进而不断提高模型的可靠性。其基本流程如图1所示。

图1 案例推理流程

3 案例推理系统设计方法

通过诊断流程我们可以看出，在进行案例推理的过程中有两个较为困难的问题：案例库和案例检索方法的设计。

3.1 案例库设计

为了满足轨道交通信号系统故障处理的需求，将案例库划分为三个部分：故障特征属性、设备及电气检测参数和故障排除方案。其中故障特征属性包含两个层次，第一层为各种设备名称，第二层为各设备的采集参数。例如第一层包含通信处理器A、通信处理器B、轨道电路A、轨道电路B等，轨道电路A下属第二层又包含供电电压、发送电压、接收电压、温度、干扰电压等，整体呈现出树状图的形式，如图2所示。

图2 故障特征属性层次示意图

电气检测参数和故障排除方案根据历史故障排除记录进行填写，此部分信息记录在当前状态下维修人员需要检测哪些电气参数才能确定故障的具体原因，以及确定原因之后需要用什么样的方法进行解决。由于系统中设备的种类和数量多且不同设备间检测的参数种类和数值差异较大，不对其进行格式限制。同时这两部分内容不参与到案例检索中，而是作为案例检测的结果反馈给维修者，以便维修者能更加准确地进行故障排除。

3.2 检索方法设计

在案例推理中常用的案例检索方法有最近相邻法、归纳推理法和知识引导法[2]。其中归纳推理法只在案例之间的差别极大，且案例数量充足的情况下使用。而知识引导法是在各特征属性存在明显的权重关系时适使用。如果对交通信号设备的故障处理以上两种情况都不满足，只能采用最近相邻法进行检索。最近相邻法是通过计算目标案例与源案例之间的相似度，搜索出相似度超过某一程度的所有源案例。其中相似度的计算包括两个部分：局部相似度和全局相似度[3]。其中全局相似度是通过对局部相似度进行加权求和处理得到的。

由于故障特征属性中包含两种描述方式：数值和字符。例如A设备的反馈电压为5V则记录为数值“5”，B设备指示灯亮则记录为字符“亮”。

对于数值型属性的相似度计算为：

式中，Sim（Xi，Yi）为属性Xi和Yi的相似度，Xi和Yi是案例X、Y的第i个属性值。

对于字符型属性的相似度计算公式为：

如果目标案例的设备特征属性与源案例相同时相似度为1，不相同为0。而对于全局相似度则根据以下公式进行计算：

式中，wi为第i个故障特征属性的权重，一般由专家给定或根据轨道交通信号系统结构关系得出，计算公式可参考信息熵法[4]。

在计算相似度的过程中假定C=｛c1，c2，…，cm｝表示m个历史故障案例，A=｛a1，a2，…，am｝表示案例的n个数值型故障特征属性，aijr表示为第i个故障案例下第j个设备的第r个数值型故障特征属性，B=｛b1，b2，…，bm｝表示案例的k个字符型故障案例特征，bijr的含义与aijr相似[5]。由此构建出的故障特征属性见附表。