李俊武,李國(guó)寧

(蘭州交通大學(xué)自動(dòng)化與電氣工程學(xué)院,蘭州 730070)

列控車(chē)載設(shè)備的功能是速度防護(hù)控制，是列車(chē)運(yùn)行操縱和控制的主體，是保證列車(chē)平穩(wěn)安全運(yùn)行的關(guān)鍵，故車(chē)載設(shè)備的正常運(yùn)轉(zhuǎn)對(duì)列車(chē)行車(chē)安全至關(guān)重要。車(chē)載設(shè)備發(fā)生故障，輕則影響行車(chē)效率，重則導(dǎo)致安全事故。因此，快速、準(zhǔn)確地發(fā)現(xiàn)并排除故障，對(duì)保證列車(chē)行車(chē)安全有重要的意義。

車(chē)載設(shè)備結(jié)構(gòu)復(fù)雜，故障種類(lèi)繁多，導(dǎo)致了車(chē)載設(shè)備故障診斷難度加大。近年來(lái)，神經(jīng)網(wǎng)絡(luò)、故障樹(shù)、專(zhuān)家系統(tǒng)等智能故障診斷技術(shù)不斷發(fā)展[1-3]，很多學(xué)者將這些方法應(yīng)用到車(chē)載設(shè)備的故障診斷中。文獻(xiàn)[4]根據(jù)在故障診斷過(guò)程中積累的經(jīng)驗(yàn)，形成專(zhuān)家知識(shí)數(shù)據(jù)庫(kù)和故障推理機(jī)對(duì)故障進(jìn)行診斷，提出了基于專(zhuān)家經(jīng)驗(yàn)的車(chē)載設(shè)備故障診斷方法，但是這種專(zhuān)家經(jīng)驗(yàn)主觀偏見(jiàn)性較強(qiáng)，易出現(xiàn)錯(cuò)誤診斷。文獻(xiàn)[5]提出一種建立系統(tǒng)失效故障樹(shù)模型的故障診斷方法，但是車(chē)載設(shè)備結(jié)構(gòu)復(fù)雜，失效故障樹(shù)模型規(guī)模龐大且不易實(shí)現(xiàn)。文獻(xiàn)[6]通過(guò)檢索案例庫(kù)中的案例進(jìn)行故障診斷，并設(shè)計(jì)了基于案例學(xué)習(xí)的車(chē)載設(shè)備故障診斷系統(tǒng)。上述的診斷方法都存在一定的不足和局限性，因此，本文提出了一種新的故障診斷方法。

貝葉斯網(wǎng)絡(luò)(Bayesian Network，BN)作為表達(dá)不確定性知識(shí)的一種重要方法，己經(jīng)成為人工智能研究的熱點(diǎn)，并被應(yīng)用于諸多故障診斷領(lǐng)域[7-9]。粗糙集理論(Rough Sets，RS)作為處理不確定性問(wèn)題重要的數(shù)學(xué)理論，能對(duì)不完整數(shù)據(jù)分析和處理。RS理論在過(guò)程控制、醫(yī)療診斷、決策支持、模式識(shí)別等多個(gè)領(lǐng)域應(yīng)用廣泛[10-13]。本文將BN作為核心算法結(jié)合RS理論，提出了一種RS-BN列控車(chē)載設(shè)備故障診斷方法。充分利用BN和RS的優(yōu)點(diǎn)，通過(guò)實(shí)際故障數(shù)據(jù)，結(jié)合專(zhuān)家經(jīng)驗(yàn)進(jìn)行BN的數(shù)據(jù)學(xué)習(xí)和參數(shù)學(xué)習(xí)，實(shí)現(xiàn)建模和診斷推理，RS理論進(jìn)行屬性約簡(jiǎn)、消除冗余信息獲得最小診斷規(guī)則，簡(jiǎn)化模型并建立最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)，提高了診斷效率。最后通過(guò)某高鐵線的現(xiàn)場(chǎng)實(shí)際故障數(shù)據(jù)進(jìn)行BN模型的驗(yàn)證分析。

1 高鐵車(chē)載設(shè)備介紹

目前，我國(guó)高鐵主要采用CTCS-2(C2)和CTCS-3(C3)級(jí)列控系統(tǒng)，而C3包含C2。CTCS3-300T型是C3系統(tǒng)應(yīng)用最廣、最為典型的車(chē)載設(shè)備，因此將其作為研究對(duì)象。CTCS3-300T車(chē)載設(shè)備采用分布式結(jié)構(gòu)，采用高可靠性的Profibus總線、信號(hào)MVB總線、車(chē)輛MVB總線實(shí)現(xiàn)各模塊間的信息傳輸。車(chē)載設(shè)備的硬件結(jié)構(gòu)主要由車(chē)載安全計(jì)算機(jī)模塊(VCU)、軌道電路信息傳輸模塊(TCR)、應(yīng)答器信息傳輸模塊(BTM)、測(cè)速測(cè)距模塊(SDU)、動(dòng)車(chē)組接口模塊(DI/DX)、司法記錄儀(JRU)、無(wú)線電臺(tái)傳輸(GSM-R)以及人機(jī)管理界面(DMI)等模塊組成[14-15]，其組成結(jié)構(gòu)如圖1所示。

圖1 CTCS3-300T車(chē)載設(shè)備硬件結(jié)構(gòu)組成

2 理論和算法

2.1 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)(BN)是一種基于概率推理的有向無(wú)環(huán)圖[16]，反映了隨機(jī)變量間的相互關(guān)系。它結(jié)合圖論和概率論[17]，在人工智能領(lǐng)域，通常被用來(lái)處理具有不完整、不確定性信息的問(wèn)題。BN=(G，P)主要由兩部分組成: (1)有向無(wú)環(huán)圖(DAG)，用G=(I，E)表示，其中I={A1，A2，A3，…，An}為節(jié)點(diǎn)集合，E={E1，E2，E3，…，En}為邊集合，每條有向邊表示了節(jié)點(diǎn)間的依賴(lài)關(guān)系。(2)條件概率表CPT，表示節(jié)點(diǎn)在其父節(jié)點(diǎn)某一狀態(tài)下的條件概率分布，描述了BN的概率參數(shù)。假設(shè)貝葉斯網(wǎng)絡(luò)變量為A1，A2，…，An，則聯(lián)合分布概率

(1)

貝葉斯網(wǎng)絡(luò)常用的結(jié)構(gòu)學(xué)習(xí)算法為：基于約束的方法和基于搜索評(píng)分的方法。當(dāng)樣本數(shù)量眾多時(shí)，基于約束算法的復(fù)雜度將是指數(shù)級(jí)的。因此，本論文采用基于搜索評(píng)分的方法。假設(shè)有n個(gè)樣本節(jié)點(diǎn)，貝葉斯網(wǎng)絡(luò)存在的網(wǎng)絡(luò)數(shù)量

(2)

BN的復(fù)雜度會(huì)隨節(jié)點(diǎn)數(shù)n的增加呈指數(shù)級(jí)變化，當(dāng)節(jié)點(diǎn)數(shù)目較大時(shí)，BN結(jié)構(gòu)會(huì)非常復(fù)雜，本文采用一種局部搜索算法(K2)。K2算法用到公式如下

(3)

(4)

式中，Bs表示網(wǎng)絡(luò)結(jié)構(gòu)；D表示一組變量。

BN網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)相對(duì)簡(jiǎn)單，包括完整數(shù)據(jù)條件下的貝葉斯估計(jì)算法、最大似然參數(shù)估計(jì)算法(MLE)和數(shù)據(jù)缺失條件下的期望最大化算法(EM)。

2.2 粗糙集

粗糙集理論(RS)是一種處理模糊、不確定性問(wèn)題的重要數(shù)學(xué)理論[18]。其屬性約簡(jiǎn)[19]的主要作用是通過(guò)知識(shí)約簡(jiǎn)，簡(jiǎn)化屬性、得到最簡(jiǎn)的決策規(guī)則而不改變決策能力。理論主要包括以下三部分：(1)知識(shí)表達(dá)系統(tǒng)，S={U，R，V，f}為一有序四元組，其中論域U={X1，X2，…，Xn}是全體樣本集合；R=C∪D為屬性集合。(2)不可分辨關(guān)系，體現(xiàn)了論域U中對(duì)象的類(lèi)型劃分規(guī)則。對(duì)于任一屬性子集B?R，如果對(duì)象Xi，Xj∈U，?r∈B，當(dāng)且僅當(dāng)f(Xi，r)=f(Xj，r)時(shí)，Xi和Xj是不可分辨的，記為Ind(B)。(3)決策表化簡(jiǎn)，決策表體現(xiàn)了對(duì)象的決策診斷規(guī)則，是從條件屬性到?jīng)Q策屬性進(jìn)行表達(dá)的系統(tǒng)。設(shè)S={U，R，V，f}，a∈R，如果Ind(R-{a})=Ind(R)，則a在R中是非必要的，否則稱(chēng)是必要的。對(duì)決策表的化簡(jiǎn)實(shí)質(zhì)刪除決策表中重復(fù)的行和條件屬性冗余的列，保留核屬性。

3 基于RS-BN算法的列控車(chē)載設(shè)備故障診斷

列控車(chē)載設(shè)備的故障追蹤表，數(shù)據(jù)來(lái)源主要是下載的車(chē)載日志、JRU數(shù)據(jù)、故障處理后維修人員填寫(xiě)的維修信息，其包含了列車(chē)在運(yùn)行期間發(fā)生的所有故障描述、分析及維修措施。故障追蹤表的數(shù)據(jù)信息是以自然語(yǔ)言記錄的，沒(méi)有統(tǒng)一規(guī)則，計(jì)算機(jī)無(wú)法直接對(duì)故障數(shù)據(jù)進(jìn)行分析，故需對(duì)故障追蹤表進(jìn)行數(shù)據(jù)挖掘處理。

3.1 診斷知識(shí)數(shù)據(jù)庫(kù)的建立

診斷知識(shí)數(shù)據(jù)庫(kù)建立的好壞，直接影響著故障診斷模型建立的準(zhǔn)確性。傳統(tǒng)的故障診斷知識(shí)數(shù)據(jù)庫(kù)主要由專(zhuān)家經(jīng)驗(yàn)獲得。專(zhuān)家經(jīng)驗(yàn)通常以口頭或文字形式表達(dá)，往往帶有主觀偏見(jiàn)性且知識(shí)不完備。當(dāng)遇到某類(lèi)特殊故障時(shí)，這種方法就無(wú)法再適用了。本文對(duì)故障追蹤表進(jìn)行分析提取、數(shù)據(jù)挖掘，結(jié)合專(zhuān)家經(jīng)驗(yàn)建立診斷知識(shí)數(shù)據(jù)庫(kù)，通過(guò)對(duì)故障記錄數(shù)據(jù)的挖掘，減少了對(duì)專(zhuān)家經(jīng)驗(yàn)的依賴(lài)。其建立流程如圖2所示。

圖2 診斷知識(shí)數(shù)據(jù)庫(kù)建立流程

3.2 貝葉斯網(wǎng)絡(luò)模型節(jié)點(diǎn)的確定

根據(jù)電務(wù)維修人員現(xiàn)場(chǎng)的故障診斷維修流程，建立診斷模型。將故障信息劃分為3個(gè)層次研究：故障原因?qū)印⒐收夏K層、故障征兆層，分別代表了故障發(fā)生的具體原因、模塊單元、特征表現(xiàn)。層次間直接因果關(guān)系如圖3所示。

圖3 故障節(jié)點(diǎn)層次因果關(guān)系

列控車(chē)載設(shè)備結(jié)構(gòu)復(fù)雜，故障種類(lèi)繁多，存在不確定因素和信息。將全部故障特征作為貝葉斯網(wǎng)絡(luò)的節(jié)點(diǎn)，建立的BN網(wǎng)絡(luò)結(jié)構(gòu)將非常龐大，會(huì)増加故障診斷的復(fù)雜度。以某高鐵線2016年2月至2017年8月間的故障追蹤表作為樣本數(shù)據(jù)，針對(duì)其故障模塊的發(fā)生次數(shù)進(jìn)行統(tǒng)計(jì)，結(jié)果如圖4所示。

圖4 故障模塊發(fā)生次數(shù)統(tǒng)計(jì)

由圖4可知，在此時(shí)間段內(nèi)所有的故障模塊中，GSM-R、VCU、DMI、BTM、SDU、DI/DX 6個(gè)模塊發(fā)生故障次數(shù)最多，故將此6類(lèi)故障作為研究對(duì)象。根據(jù)診斷知識(shí)數(shù)據(jù)庫(kù)和節(jié)點(diǎn)層次劃分關(guān)系建立CTCS3-300T車(chē)載設(shè)備故障信息節(jié)點(diǎn)層次表，如表1～表3所示。

表1 故障模塊節(jié)點(diǎn)

表2 故障原因節(jié)點(diǎn)

表3 故障征兆節(jié)點(diǎn)

3.3 建立基于診斷知識(shí)數(shù)據(jù)庫(kù)的BN結(jié)構(gòu)模型

根據(jù)表1～表3和圖3節(jié)點(diǎn)間的模型層次關(guān)系，建立基于診斷知識(shí)數(shù)據(jù)庫(kù)先驗(yàn)知識(shí)的車(chē)載設(shè)備BN診斷模型。其中節(jié)點(diǎn)信息均為離散變量，有兩個(gè)狀態(tài)：發(fā)生和未發(fā)生，取值1表示發(fā)生，取值0表示未發(fā)生。利用Matlab貝葉斯網(wǎng)絡(luò)的BNT工具箱構(gòu)建模型，如圖5所示。

3.4 建立基于K2算法結(jié)構(gòu)學(xué)習(xí)的BN結(jié)構(gòu)模型

K2算法用貪婪搜索處理模型的選擇，搜索效率高，主要解決了在數(shù)據(jù)完備情況下的結(jié)構(gòu)學(xué)習(xí)問(wèn)題。由于獲得的故障記錄數(shù)據(jù)是相對(duì)完備的，故利用K2算法，進(jìn)一步挖掘節(jié)點(diǎn)之間存在的潛在因果關(guān)系。以SDU故障模塊為例，對(duì)故障信息進(jìn)行數(shù)據(jù)挖掘，利用Lean_Struct_K2函數(shù)構(gòu)建模型，如圖6所示。

圖5 基于診斷知識(shí)數(shù)據(jù)庫(kù)先驗(yàn)知識(shí)的BN模型

圖7 基于診斷知識(shí)數(shù)據(jù)庫(kù)和結(jié)構(gòu)學(xué)習(xí)相融合的BN模型

圖6 基于K2算法結(jié)構(gòu)學(xué)習(xí)的SDU故障模塊BN模型

3.5 建立基于診斷知識(shí)數(shù)據(jù)庫(kù)和結(jié)構(gòu)學(xué)習(xí)融合的BN結(jié)構(gòu)模型

基于診斷知識(shí)數(shù)據(jù)庫(kù)先驗(yàn)知識(shí)和K2算法結(jié)構(gòu)學(xué)習(xí)建立的BN結(jié)構(gòu)模型并不十分準(zhǔn)確。由診斷知識(shí)數(shù)據(jù)庫(kù)建立的模型結(jié)構(gòu)會(huì)忽略節(jié)點(diǎn)間某些潛在的因果關(guān)系，存在‘欠擬合’的問(wèn)題；故障記錄數(shù)據(jù)通過(guò)K2算法結(jié)構(gòu)學(xué)習(xí)可以挖掘出專(zhuān)家知識(shí)未能考慮到的節(jié)點(diǎn)間存在的潛在因果關(guān)系。當(dāng)樣本數(shù)據(jù)量豐富，通過(guò)訓(xùn)練建立的BN模型結(jié)構(gòu)可以達(dá)到非常高的精度，但建立的結(jié)構(gòu)存在‘過(guò)擬合’問(wèn)題。因此充分結(jié)合兩者的優(yōu)點(diǎn)，將兩種方法相融合，建立基于診斷知識(shí)數(shù)據(jù)庫(kù)和結(jié)構(gòu)學(xué)習(xí)相融合的BN結(jié)構(gòu)模型，如圖7所示。

3.6 建立基于RS-BN算法的BN結(jié)構(gòu)模型

車(chē)載設(shè)備故障診斷過(guò)程中獲得了大量故障數(shù)據(jù)信息。由于車(chē)載設(shè)備結(jié)構(gòu)的復(fù)雜性，提取的故障節(jié)點(diǎn)信息存在冗余和不一致，在建模過(guò)程中產(chǎn)生節(jié)點(diǎn)數(shù)過(guò)多，模型過(guò)于繁雜，影響了診斷的效率和準(zhǔn)確性。RS算法屬性約簡(jiǎn)在維持信息系統(tǒng)分類(lèi)能力不變情況下，約簡(jiǎn)核屬性，生成精簡(jiǎn)的分類(lèi)規(guī)則，降低診斷模型的規(guī)模和復(fù)雜性，提高了診斷的效率。RS算法屬性約簡(jiǎn)的流程如圖8所示。

(1)診斷決策表的建立

以診斷知識(shí)數(shù)據(jù)庫(kù)和車(chē)載設(shè)備的現(xiàn)場(chǎng)實(shí)際故障記錄數(shù)據(jù)為基本數(shù)據(jù)，進(jìn)行特征屬性值的提取，建立故障診斷決策表，如表4所示。

圖8 RS算法屬性約簡(jiǎn)流程

表4 故障診斷決策

(2)建立可辨識(shí)矩陣

定義可辨識(shí)矩陣M(S)=[Mij]n×n，mij元素值為

(i，j=1，2，…，n)

(5)

令實(shí)際故障記錄數(shù)據(jù)表示信息系統(tǒng)U，條件屬性集C={S1，S2，…，S26}表示26種故障征兆，決策屬性D={M1，M2，…，M6}表示6種故障模塊。可辨識(shí)矩陣是以主對(duì)角線對(duì)稱(chēng)的n階對(duì)稱(chēng)方陣，分辨矩陣進(jìn)行運(yùn)算時(shí)，只需考慮其下三角部分，根據(jù)公式(5)和表4建立可辨識(shí)矩陣如下。

(3)找出核屬性并進(jìn)行屬性的約簡(jiǎn)

找出可辨識(shí)矩陣中單屬性集合元素，然后刪除矩陣中所有包含單屬性的元素并保留剩余元素組合。將這些元素與單屬性組合得到約簡(jiǎn)屬性組合。利用互信息公式計(jì)算組合屬性的依賴(lài)度，如計(jì)算屬性P和Q間的依賴(lài)度，公式如下所示

I(Q，P)=H(Q)-H(Q/P)=

(6)

計(jì)算出組合屬性的依賴(lài)度并取平均依賴(lài)度值最小的組合作為最簡(jiǎn)屬性組合。根據(jù)最簡(jiǎn)屬性約簡(jiǎn)組合，保留原始診斷決策表中和約簡(jiǎn)組合相對(duì)應(yīng)的元素，生成新的決策屬性完成RS屬性的約簡(jiǎn)。表4的條件屬性約簡(jiǎn)結(jié)果為：{S1，S3，S4，S5，S6，S8，S10，S12，S13，S14，S15，S16，S17，S18，S19，S20，S21，S23，S24，S25，S26}，將26個(gè)故障征兆節(jié)點(diǎn)約簡(jiǎn)為21個(gè)，簡(jiǎn)化了模型結(jié)構(gòu)并降低了診斷模型復(fù)雜度。

(4)建立基于RS-BN算法的BN結(jié)構(gòu)模型

根據(jù)上述約簡(jiǎn)結(jié)果，結(jié)合診斷知識(shí)數(shù)據(jù)庫(kù)和K2算法進(jìn)行結(jié)構(gòu)學(xué)習(xí)，建立基于RS-BN算法的BN結(jié)構(gòu)模型，如圖9所示。

3.7 BN模型的參數(shù)學(xué)習(xí)

診斷模型建立后，還需要確定各節(jié)點(diǎn)的先驗(yàn)概率參數(shù)，建立列控車(chē)載設(shè)備診斷模型的條件概率表(CPT)。在樣本數(shù)據(jù)和先驗(yàn)知識(shí)均相同的情況下，參數(shù)學(xué)習(xí)的正確性關(guān)系模型建立的準(zhǔn)確度。

圖9 基于RS-BN算法的BN模型結(jié)構(gòu)

本文采用MLE算法[20]進(jìn)行BN的參數(shù)學(xué)習(xí)。將圖7的基于K2算法結(jié)構(gòu)學(xué)習(xí)和診斷知識(shí)數(shù)據(jù)庫(kù)建立的BN模型結(jié)構(gòu)定義為BN1，將圖9的基于RS-BN算法的BN模型結(jié)構(gòu)定義為BN2，本文利用GenIe2.0[21]軟件采用MLE算法進(jìn)行數(shù)據(jù)的先驗(yàn)概率參數(shù)學(xué)習(xí)，學(xué)習(xí)結(jié)果如圖10所示。

圖10 參數(shù)學(xué)習(xí)結(jié)果對(duì)比

圖10是利用MLE算法對(duì)BN1和BN2模型進(jìn)行參數(shù)學(xué)習(xí)，得到的故障發(fā)生原因節(jié)點(diǎn)的先驗(yàn)概率，通過(guò)比較可以看出，經(jīng)過(guò)約簡(jiǎn)后的BN2模型和未約簡(jiǎn)的BN1模型通過(guò)MLE參數(shù)學(xué)習(xí)，節(jié)點(diǎn)的先驗(yàn)概率參數(shù)相同，表明模型約簡(jiǎn)不會(huì)改變節(jié)點(diǎn)的先驗(yàn)概率參數(shù)。

4 車(chē)載設(shè)備貝葉斯網(wǎng)絡(luò)故障診斷的實(shí)例分析

本文選取了某髙鐵線2016年2月至2017年8月間車(chē)載設(shè)備6個(gè)主要模塊的1 116條故障記錄數(shù)據(jù)作為樣本數(shù)據(jù)，其中816條數(shù)據(jù)用于建模，其余300條數(shù)據(jù)用于模型的驗(yàn)證分析。

4.1 實(shí)例驗(yàn)證1

從模型驗(yàn)證數(shù)據(jù)中選取一條作為貝葉斯網(wǎng)絡(luò)模型診斷的實(shí)例，如表5所示。

表5 故障信息表實(shí)例

在表5的故障記錄中，挖掘提取故障征兆集{‘無(wú)線連接超時(shí)’，‘列車(chē)常用制動(dòng)’，‘C3轉(zhuǎn)C2’}，以1表示故障發(fā)生，0表示故障未發(fā)生，分別對(duì)BN1、BN2模型建立故障征兆集合：T1={1，1，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0}，T2={1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0}設(shè)置T1、T2作為證據(jù)參數(shù)并令p(S1=1)=1、p(S2=1)、p(S7=1)，利用GenIe2.0軟件采用聯(lián)結(jié)樹(shù)算法(JT)對(duì)診斷模型BN1、BN2分別進(jìn)行診斷推理，診斷結(jié)果如圖11所示。

通過(guò)圖11模型診斷結(jié)果可以看出，在已知S1、S2、S7故障征兆的情況下，對(duì)模型BN1、BN2進(jìn)行診斷推理，推理出故障發(fā)生最可能的原因，故障發(fā)生的最大概率為R2(單電臺(tái)故障)，與故障實(shí)際發(fā)生原因相比較診斷結(jié)果一致，驗(yàn)證了此模型的正確性。通過(guò)屬性的約簡(jiǎn)，概率值大、排名靠前的節(jié)點(diǎn)后驗(yàn)概率變大，說(shuō)明BN2經(jīng)過(guò)屬性約簡(jiǎn)，較BN1提高了診斷知識(shí)清晰度和模型的故障診斷能力。

4.2 實(shí)例驗(yàn)證2

對(duì)300條驗(yàn)證數(shù)據(jù)進(jìn)行故障模塊的歸類(lèi)，如表6所示。

圖11 模型診斷推理結(jié)果對(duì)比

表6 驗(yàn)證數(shù)據(jù)故障模塊劃分

利用BNT工具箱的聯(lián)合樹(shù)推理函數(shù)(Jtree_inf_engine)對(duì)BN1、BN2診斷模型進(jìn)行故障診斷，仿真推理結(jié)果對(duì)比如圖12所示。

圖12 推理診斷對(duì)比

獲得的故障模塊診斷正確率對(duì)比如表7(加粗?jǐn)?shù)字代表故障診斷正確次數(shù)/診斷正確率)所示。

根據(jù)圖12和表7的診斷結(jié)果，可以看出BN1和BN2對(duì)于不同的故障模塊診斷正確率相同，說(shuō)明RS屬性約簡(jiǎn)去除了冗余和不必要的知識(shí)屬性，并不會(huì)改變知識(shí)的診斷決策能力，通過(guò)屬性的約簡(jiǎn)可以簡(jiǎn)化診斷模型，降低診斷模型復(fù)雜度，提高診斷效率。BN1和BN2模型的GSM-R模塊故障診斷正確率為92.6%，SDU模塊故障診斷正確率為73.3%，這是因?yàn)镚SM-R模塊較SDU模塊建模故障樣本數(shù)多所致，可以看出隨著樣本數(shù)量的增加，診斷精確率會(huì)提高。模型的綜合故障診斷正確率均為88%，說(shuō)明兩種模型的故障診斷正確率都較高且有準(zhǔn)確的診斷結(jié)果，但經(jīng)過(guò)RS屬性約簡(jiǎn)的BN2診斷模型較BN1診斷模型，診斷效率高和實(shí)際診斷模型有更高的似然度。

表7 故障模塊診斷

5 結(jié)語(yǔ)

本文提出了一種基于RS-BN算法的高鐵車(chē)載設(shè)備故障診斷方法。在貝葉斯網(wǎng)絡(luò)的建模過(guò)程中，充分結(jié)合現(xiàn)場(chǎng)實(shí)際數(shù)據(jù)與先驗(yàn)診斷知識(shí)數(shù)據(jù)庫(kù)，利用K2算法建立BN模型，然后利用粗糙集理論對(duì)故障征兆條件屬性集進(jìn)行屬性約簡(jiǎn)，簡(jiǎn)化模型，得到最優(yōu)的BN結(jié)構(gòu)，通過(guò)經(jīng)典MLE算法進(jìn)行BN的參數(shù)學(xué)習(xí)，得到完整的BN結(jié)構(gòu)模型。最后，以某髙鐵線實(shí)際故障數(shù)據(jù)為例進(jìn)行推理驗(yàn)證。結(jié)果表明，本文提出的RS-BN診斷模型精簡(jiǎn)、診斷效率高，具有較高的可靠度和準(zhǔn)確性，為維修人員故障維修提供了診斷決策支持，對(duì)列控車(chē)載設(shè)備故障診斷技術(shù)的進(jìn)一步發(fā)展具有重要意義。