張宏揚,王龍生,趙夢瑤

(1.中國鐵道科學(xué)研究院研究生部,北京 100081； 2.中國鐵道科學(xué)研究院集團有限公司通信信號研究所,北京 100081)

無線閉塞中心(RBC)作為高速鐵路列控設(shè)備的重要組成部分，其可靠性和安全性確保著列控系統(tǒng)的穩(wěn)定運行，一旦其發(fā)生故障，將嚴(yán)重威脅行車安全，因此，研究RBC的故障診斷方法對保障高鐵的安全運行具有非常重要的意義。

在鐵路信號故障診斷領(lǐng)域，許多學(xué)者做了大量研究，文獻[1]根據(jù)維修人員的個人經(jīng)驗，總結(jié)出某線路RBC的故障處理流程，但流程圖的方法難以處理組合類的故障；文獻[2]采用比較法和推理法找到了某計算機聯(lián)鎖系統(tǒng)中執(zhí)行表機出錯和監(jiān)視控制機故障的原因，但此類方法很難充分利用專家經(jīng)驗進行診斷；文獻[3]運用FMEA方法對無線閉塞中心進行風(fēng)險識別，并采用模糊多準(zhǔn)則決策理論針對識別出的風(fēng)險因素進行安全分析，但存在模糊知識提取困難的問題；文獻[4]基于我國車站微機監(jiān)測的實際情況，采用專家系統(tǒng)的方法，對車站信號控制設(shè)備故障診斷系統(tǒng)的開發(fā)與實現(xiàn)方法進行了探討，但傳統(tǒng)專家系統(tǒng)知識獲取困難導(dǎo)致建立知識庫也變得困難。由以上分析可以看出，目前RBC等信號設(shè)備的故障診斷大多是通過觀察設(shè)備的運行狀態(tài)，采用傳統(tǒng)的分析方法來實現(xiàn)的，而由于目前信號設(shè)備結(jié)構(gòu)的復(fù)雜化及故障的多樣化，使用傳統(tǒng)方法難以大幅提升故障診斷的效率。

案例推理技術(shù)(Case-Based Reasoning，CBR)是通過重用或修改歷史的經(jīng)驗來為新的問題提供解決方法[5-7]。通過分析當(dāng)前RBC的維修現(xiàn)狀，發(fā)現(xiàn)其故障診斷過程中存儲了大量的診斷經(jīng)驗，因此決定將CBR技術(shù)引入到RBC的故障診斷中，提升其診斷效率。首先分析RBC系統(tǒng)結(jié)構(gòu)和故障特性，針對每個歷史故障，提取其特征屬性并計算屬性的權(quán)重，然后按照一定的表示方法表示為標(biāo)準(zhǔn)的案例形式，以此構(gòu)建案例庫。當(dāng)RBC新故障發(fā)生后，提取其特征屬性，計算該屬性與案例庫中案例屬性間的相似度，查找出最佳相似案例，完成案例的檢索。本文給出了基于CBR的RBC故障診斷方法流程，分別從案例表示、權(quán)重提取、相似度計算3個方面進行重點介紹。

1 無線閉塞中心

無線閉塞中心是C3級列控系統(tǒng)的核心設(shè)備，它根據(jù)所管轄閉塞分區(qū)內(nèi)軌道占用、線路數(shù)據(jù)、臨時限速、進路狀態(tài)等信息，再通過GSM-R無線通信系統(tǒng)接收車載安全計算機發(fā)送的列車定位和列車參數(shù)等信息，對進入該分區(qū)的列車提供MA(行車許可)，保證列車的安全運行[8-9]。系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 RBC系統(tǒng)結(jié)構(gòu)

由圖1可知，RBC系統(tǒng)結(jié)構(gòu)復(fù)雜，構(gòu)成模塊繁多，不同模塊之間又有緊密的聯(lián)系，這些因素導(dǎo)致對其進行故障診斷是一個極其復(fù)雜且困難的過程。通過分析RBC歷史故障數(shù)據(jù)，發(fā)現(xiàn)其故障有如表1所示的特性。

表1 RBC故障特性

以上RBC的故障特性造成了傳統(tǒng)方法難以迅速定位其故障，因此有必要研究一種適用于現(xiàn)場檢修人員使用的RBC故障診斷方法，以便快速、精確地對其故障做出診斷，保障高鐵的安全運行。

2 CBR技術(shù)

CBR是一種基于經(jīng)驗知識進行推理的人工智能技術(shù)，它是用案例來表達知識并將問題求解和知識學(xué)習(xí)相融合。其核心理念是利用歷史經(jīng)驗來解決新問題。一個典型的CBR問題求解步驟可以歸納為案例表示、案例檢索、案例修正、案例重用和案例學(xué)習(xí)等過程[10]，如圖2所示是案例推理的基本流程。

圖2 案例推理基本流程

由圖2可知，案例推理基本流程為：首先輸入新故障的特征屬性，在案例庫中進行檢索(即計算新故障與案例庫中歷史案例的相似程度)得到最佳相似案例及其解決方法，針對新故障的特征人為調(diào)整該解決方法，然后進行重用，最后對結(jié)果進行評價。如果對案例庫中檢索出的結(jié)果并不滿意，可對案例重新描述并再次檢索，并將該結(jié)果保存，完成一次案例庫自學(xué)習(xí)的過程。其中案例庫的構(gòu)建需要進行案例表示，案例分類等過程。

3 基于CBR的RBC故障診斷方法

通過分析RBC系統(tǒng)結(jié)構(gòu)及故障特性，結(jié)合CBR推理流程，給出如圖3所示的基于CBR的RBC故障診斷方法基本流程。

圖3 基于CBR的RBC故障診斷方法基本流程

該方法中最重要的是構(gòu)建RBC案例庫和案例檢索，其中涉及到RBC故障案例的表示，屬性權(quán)重的提取和相似度的計算。本節(jié)重點介紹RBC案例表示、特征屬性權(quán)重計算以及相似度計算的方法。

3.1 RBC案例表示

一個歷史故障的故障現(xiàn)象具備許多特征，各個特征對該故障的影響，即權(quán)重的大小各不相同，本節(jié)采用面向?qū)ο蟮谋硎痉椒▽BC歷史故障進行表示。給出如表2所示的RBC歷史故障的表示結(jié)構(gòu)。

表2 RBC歷史故障表示結(jié)構(gòu)

其中，故障特征屬性是該故障現(xiàn)象特征提取的結(jié)果，而屬性權(quán)重集是相應(yīng)特征屬性對該故障的影響程度。以現(xiàn)場某RBC等級轉(zhuǎn)換故障中的“通信計算機故障”為例進行故障案例的表示，表3列舉了RBC等級轉(zhuǎn)換場景的一些故障特征。

表3 等級轉(zhuǎn)換的故障特征

所以，故障案例“通信計算機故障”，對應(yīng)的故障特征集為(0，1，0，0，0)，其中0代表該故障現(xiàn)象未發(fā)生，1代表該故障現(xiàn)象發(fā)生。

3.2 基于R-S理論的特征屬性權(quán)重計算

即使屬于RBC同一部位的故障，每個故障案例特征屬性對該故障的影響也是不同的，因此需要計算屬性的權(quán)重。R-S理論不需要提供問題所需處理的數(shù)據(jù)集合之外的任何先驗知識，對不確定性問題的描述與處理相對客觀，本節(jié)利用R-S理論確定RBC故障案例特征屬性的權(quán)重。首先對RBC故障屬性進行約簡，然后求出每個特征屬性的重要度并實行歸一化，最后結(jié)合主觀權(quán)重即可得出最終的權(quán)重。屬性約簡和權(quán)重確定的相關(guān)定義和具體計算方法如下。

3.2.1 屬性約簡

定義1 在R-S理論中，信息系統(tǒng)可表示為S=(U,A,V,f)，其中U表示論域，A是屬性集合(包括條件屬性集C和決策屬性集D，具有條件屬性和決策屬性的信息系統(tǒng)稱作決策表)，V代表屬性A的值域集合，f是對象屬性值的函數(shù)[11]。

定義2 不可區(qū)分關(guān)系：設(shè)R為u的一組等價關(guān)系，若P?R，且P≠?，則IP也稱為一個等價關(guān)系，稱為P上的不可區(qū)分關(guān)系[12]，記為ind(P)。且如果ind(R)=ind(R-{P}),則稱P為R中不必要的；否則稱P為R中必要的。

定義3X∈U，R為U上的一等價關(guān)系，定義粗糙集的下近似集和上近似集如下所示：

R_(X)={x|(?x∈U)∧([x]B∈X)}

(1)

R_(X)={x|(?x∈U)∧([x]B∩X≠?)}

(2)

稱R_(X)為X的下近似，是由那些根據(jù)現(xiàn)有知識判斷肯定屬于X的對象所組成的最大集合；R-(X)為X的上近似，是那些可能屬于X的對象組成的最小集合。其中論域U可劃分為3個不相交的區(qū)域：正域、負(fù)域和邊界。定義正域公式如下

PosR(X)=R_(X)

(3)

在實際計算中，由于RBC故障數(shù)據(jù)量的龐大，會存在冗余信息，因此有必要對屬性進行約簡，以降低計算的復(fù)雜度，提高檢索的效率。具體實現(xiàn)方法是：針對某一屬性，去除該屬性，然后利用公式(3)計算決策表的正域，根據(jù)該值的變化與否決定該屬性是否可被剔除[13]。依據(jù)該方法針對每個屬性進行試驗，最后得到約簡后的屬性集。

3.2.2 權(quán)重計算

定義4 屬性間依賴度：信息系統(tǒng)S=(U,A,V,f)，R=C∪D，B?C，B與D之間的依賴度見式(4)所示

(4)

card()表示集合的基數(shù)。

定義5 屬性的重要度：在決策系統(tǒng)中條件屬性對決策屬性的影響程度[14]。屬性的重要度公式

uc(αi)=

k(C,D)-k(C-{αi},D)

(5)

式中，αi表示第i個特征屬性，uc(αi)值越大表示屬性對決策越重要。屬性重要度經(jīng)歸一化處理得到αi的權(quán)重Wαi，計算公式

(6)

給出基于R-S理論的RBC故障屬性權(quán)重計算流程：輸入屬性→建立決策表→屬性約簡→重要度計算→歸一化→最終權(quán)重。

首先建立故障特征屬性的決策表，然后采用上節(jié)提出的方法將冗余屬性剔除，接著采用公式(5)計算約簡后每個屬性的重要度，采用公式(6)進行歸一化處理，得到客觀權(quán)重Wαi，最后按照如下公式計算綜合權(quán)重：

Wi=β×Wαi+(1-β)×Pi

(7)

其中Pi為主觀權(quán)重，β是經(jīng)驗因子，它反映了權(quán)重確定過程中決策者對主觀權(quán)重和客觀權(quán)重的偏向程度，β越小，說明決策者越重視專家的經(jīng)驗知識；β越大，說明決策者越重視客觀權(quán)重[15]。

3.3 融合最近鄰和余弦函數(shù)的相似度計算方法

傳統(tǒng)最近鄰算法中的歐式距離和余弦函數(shù)算法，分別適合于不同的對象，歐氏距離是描述樣本值貼近的統(tǒng)計量，而余弦函數(shù)是描述樣本形貼近的統(tǒng)計量[16-17]，為了兼顧樣本之間的值貼近與形貼近，采用融合最近鄰和余弦函數(shù)的相似度計算方法，具體操作是取二者的均值描述案例之間的相似程度，其值越高表示樣本之間越相似。公式為

(8)

當(dāng)新故障發(fā)生后，計算該故障與案例庫中每個故障案例的相似程度，由此選出最佳的相似案例。

3.4 實例驗證

以RBC維護終端故障為例，驗證本節(jié)提出方法的有效性。首先給出RBC維護終端故障案例的決策表如表4所示。

表4 RBC維護終端故障案例決策表

按照屬性約簡方法對決策表進行約簡，其中：

U={X1,X2…X12}，C={C1,C2…C7}，D={d1,d2…d8}U/IND(C)={X1,X2…X12}，U/IND(D)={X1,{X2,X3,X4},X5,X6,X7，{X8,X9},X10,X11,X12}針對屬性C2，采用公式(3)，得到：PosC-C2(D)=PosC(D)，意味著去掉該屬性后，決策表的正域沒有改變，所以C2是冗余屬性，可以進行剔除，按照此方法依次對所有屬性進行計算，最終化簡得到屬性C2，C4，C6和C7，然后計算約簡后屬性的權(quán)重，根據(jù)公式(5)得到屬性重要度

再根據(jù)公式(6)進行歸一化處理，得到4個屬性的客觀權(quán)重均為1/3。接著取主觀權(quán)重Pc2=0.3，Pc4=0.35，Pc6=0.25，Pc7=0.45，經(jīng)驗因子β=0.6，然后利用公式(7)得到綜合權(quán)重

Wc4=0.32,Wc4=0.34,Wc6=0.3,Wc7=0.38

然后選取3個RBC維護終端的具體故障，對其進行案例表示，如表5所示。

表5 RBC維護終端具體案例

運用公式(8)計算新故障與RBC維護終端故障案例庫中案例間的相似度，得到最佳相似案例。圖4為運用最近鄰算法和余弦函數(shù)算法以及融合兩者的算法進行檢索后的比較結(jié)果。

圖4 三種檢索方法的比較結(jié)果

由圖4可知，融合兩者算法的計算方法診斷結(jié)果準(zhǔn)確性更高，通常它可以直接定位到最相似的案例。因此，當(dāng)案例庫中案例的數(shù)量較大時，利用融合最近鄰算法和余弦函數(shù)算法的相似度計算方法，可以有效地降低匹配次數(shù)，提高檢索的精度。

4 結(jié)語

信號設(shè)備結(jié)構(gòu)和功能趨于復(fù)雜化，故障發(fā)生后無法及時處理會導(dǎo)致系統(tǒng)可用性降低。分析了傳統(tǒng)故障診斷方法的局限性，針對RBC故障特點，提出了基于CBR的RBC故障診斷方法。該方法有效利用了RBC的歷史故障診斷經(jīng)驗，將其表示為歷史故障案例，然后采用粗糙集理論約簡案例的特征屬性并計算其權(quán)重，最后融合最近鄰算法和特征屬性并計算其權(quán)重，最后融合最近鄰算法和余弦函數(shù)算法改進了傳統(tǒng)CBR的相似度檢索算法。結(jié)果表明，該方法對RBC的故障診斷效率有著一定的提升，可為現(xiàn)場維修人員的工作提供一定的幫助。