任 超， 牛宏俠， 陳光武， 司涌波， 佘一鳴

(1.蘭州交通大學(xué),甘肅 蘭州 730070； 2.甘肅省高原交通信息工程及控制重點實驗室,甘肅 蘭州 730070；3.軌道交通運行控制與運維甘肅省國際科技合作基地,甘肅 蘭州 730070)

0 引 言

當前我國高速鐵路正處于快速發(fā)展時期，建設(shè)新型智能運維管理模式是近年來我國高鐵發(fā)展的主要方向之一[1,2]。高鐵信號系統(tǒng)作為高速鐵路的大腦和神經(jīng)中樞，智能化運維管理模式在其上的應(yīng)用可以有效提升高速鐵路的安全性和高效性。

高鐵信號系統(tǒng)智能運維體系總體分為三個部分：數(shù)據(jù)匯聚與融合、數(shù)據(jù)服務(wù)和數(shù)據(jù)應(yīng)用[3]。當前高鐵信號系統(tǒng)設(shè)備監(jiān)測數(shù)據(jù)存在數(shù)據(jù)類型多、耦合度不同、語義不一致等特征問題，無法建立信號系統(tǒng)數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系，因此,迫切需要對現(xiàn)有鐵路基礎(chǔ)設(shè)備信號系統(tǒng)數(shù)據(jù)進行統(tǒng)一的融合管理，深入挖掘其數(shù)據(jù)價值，建設(shè)數(shù)據(jù)平臺，為后續(xù)智能服務(wù)提供數(shù)據(jù)基礎(chǔ)。因此,如何構(gòu)建高鐵信號系統(tǒng)數(shù)據(jù)融合服務(wù)平臺成為亟需待解決的問題。

目前，國內(nèi)外的學(xué)者對多源異構(gòu)數(shù)據(jù)融合的研究開展了有效探索，其研究成果主要有：文獻[4]驗證了數(shù)據(jù)加權(quán)融合算法具備無需驗證信息且融合精度比較高的優(yōu)點；文獻[5]運用了一種基于蝙蝠算法優(yōu)化加權(quán)的D-S證據(jù)融合算法，提高了監(jiān)測精確度和全局決策的快速性；文獻[6]提出結(jié)合D-S證據(jù)理論與不精確概率理論的故障診斷方法，并驗證了該方法在信息融合系統(tǒng)下決策診斷效率得到明顯改進；文獻[7]從特征選擇和參數(shù)優(yōu)化相結(jié)合的思路，采用反饋型D-S證據(jù)理論來解決在高速列車多通道數(shù)據(jù)融合出現(xiàn)的問題；文獻[8]對高速鐵路信號系統(tǒng)大數(shù)據(jù)的規(guī)范化做了相關(guān)研究；文獻[9]針對高鐵信號系統(tǒng)智能維護決策中的數(shù)據(jù)信息多源異構(gòu)性問題，運用本體融合算法，對比經(jīng)典閉包算法降低了計算復(fù)雜度和時間復(fù)雜度，算法運行時間也遠低于經(jīng)典閉包算法，并且提出了一種高鐵信號系統(tǒng)異構(gòu)數(shù)據(jù)融合和智能決策的統(tǒng)一框架，并驗證了其維護決策的準確性和有效性。

上述研究表明，在高鐵信號系統(tǒng)領(lǐng)域，運用多源異構(gòu)信息融合技術(shù)和方法，實現(xiàn)多源異構(gòu)數(shù)據(jù)的融合互補，形成一致性和綜合性維護數(shù)據(jù)，能對后續(xù)智能維護決策提供數(shù)據(jù)保障。本文提出一種新的高鐵信號異構(gòu)數(shù)據(jù)融合框架設(shè)計方案，對底層數(shù)據(jù)利用本體思想和D-S證據(jù)理論方法進行特征融合以減少數(shù)據(jù)間冗余，提高數(shù)據(jù)精度，優(yōu)化決策效率，并通過對某段高鐵信號系統(tǒng)監(jiān)測數(shù)據(jù)的處理驗證本文提出的框架和算法的可行性。

1 高鐵信號系統(tǒng)異構(gòu)數(shù)據(jù)融合架構(gòu)設(shè)計

目前，對高速鐵路信號系統(tǒng)有關(guān)多源異構(gòu)數(shù)據(jù)融合和智能維護決策框架整體設(shè)計還沒有統(tǒng)一的標準，文獻[9]作為當前數(shù)據(jù)融合在高鐵信號系統(tǒng)的典型研究，指出分布式數(shù)據(jù)庫在設(shè)計初期未考慮數(shù)據(jù)融合，致使局部的本地數(shù)據(jù)庫資源存在類名和屬性命名沖突、底層數(shù)據(jù)融合機制不明確、數(shù)據(jù)冗余程度高、利用率低下等問題。本文提出一種新的高鐵信號系統(tǒng)多源異構(gòu)數(shù)據(jù)融合智能決策框架如圖1所示，增加了底層數(shù)據(jù)融合機制，在數(shù)據(jù)邏輯層和決策層之間設(shè)立數(shù)據(jù)融合層，通過抽取各局部設(shè)備數(shù)據(jù)庫信息特征屬性，形成關(guān)系映射表，融合各特征屬性，從而提升智能決策的性能。

圖1 高鐵信號系統(tǒng)多源異構(gòu)數(shù)據(jù)融合框架

高鐵信號系統(tǒng)多源異構(gòu)數(shù)據(jù)融合智能決策架構(gòu)分為4個層次。

最底層0層為物理層，表示各個不同電務(wù)段、車站、分局等基礎(chǔ)設(shè)備的實際的物理數(shù)據(jù)庫，存儲各設(shè)備設(shè)施的監(jiān)控信息、設(shè)備出廠信息、維護信息和日志記錄等信息。

第1層為數(shù)據(jù)邏輯層，通過構(gòu)建的分布式數(shù)據(jù)庫存儲各設(shè)備設(shè)施信息數(shù)據(jù)。首先按照概念、屬性映射關(guān)系建立局部數(shù)據(jù)庫，為后續(xù)分布式數(shù)據(jù)庫檢索、查詢提供數(shù)據(jù)支撐。然后根據(jù)各設(shè)備所需存儲的數(shù)據(jù)信息屬性建立數(shù)據(jù)表，各局部設(shè)備數(shù)據(jù)庫本體遵循關(guān)系數(shù)據(jù)庫模型即:D=(L,P,F,A)四元組模式，其中，L為名稱集合，A為屬性集合，P為主鍵，F(xiàn)為外健。

第2層為數(shù)據(jù)融合層。局部數(shù)據(jù)庫建立之后，抽取各設(shè)備信息組成新的關(guān)系映射表，從而進行特征屬性融合。按照抽取的各設(shè)備數(shù)據(jù)特征屬性數(shù)據(jù)，即：[設(shè)備編號，設(shè)備名，時間，設(shè)備運行狀態(tài)，…]，在融合過程中，不斷根據(jù)需求增添特征屬性到映射表，完善設(shè)備特征決策屬性知識庫以提升設(shè)備運行狀態(tài)識別精度。

第3層為智能決策層，是整個框架的頂層。通過數(shù)據(jù)邏輯層提取各設(shè)備數(shù)據(jù)信息，在融合層將各設(shè)備數(shù)據(jù)特征完成融合，融合后的數(shù)據(jù)作為訓(xùn)練樣本交付智能決策層，采用機器學(xué)習(xí)方法形成高鐵信號系統(tǒng)故障識別模型，完成智能決策。

2 高鐵信號系統(tǒng)異構(gòu)數(shù)據(jù)融合方法

根據(jù)高鐵信號系統(tǒng)多源異構(gòu)數(shù)據(jù)融合框架設(shè)計方案，在數(shù)據(jù)融合層中融合各設(shè)備間信息特征屬性。在滿足時空匹配條件下，通過融合特征知識庫與D-S證據(jù)理論的對應(yīng)關(guān)系，運用互補型結(jié)構(gòu)方法，提升智能決策置信度。

D-S證據(jù)理論是將證據(jù)集劃分稱兩個或兩個以上的不相關(guān)部分，利用它們對識別框架獨立進行判斷，然后用組合規(guī)則將其組合起來，并結(jié)合信度函數(shù)和證據(jù)間的支持度原則進行修正，有效提升算法可行性。

2.1 D-S證據(jù)理論

D-S證據(jù)理論，由Dempster A P[10]提出，Shafer G[11]進一步改進發(fā)展而來，其核心是Dempster合成規(guī)則。本文采用D-S證據(jù)理論方法，并對此方法進行改進，為決策分析提供理論支持。

定義1基本概率分配

存在一個假設(shè)空間Χ(辨識框架)，包含N個完備且互不相容假設(shè)命題元素AN，元素個數(shù)N的集合有2N互斥的子集，記為2Χ，m函數(shù)：2Χ∈[0,1]，若滿足下列條件

則稱m函數(shù)為Χ上的基本概率分配(bastic probablity assignment,BPA)或mass函數(shù)。

定義2證據(jù)組合規(guī)則

設(shè)m1，m2，…，mn為n個獨立證據(jù)的基本概率值，組合公式采用正交和運算計算得出即m=m1⊕m2⊕…⊕mn，則

(1)

(2)

式中K∈[0,1]為歸一化系數(shù)(沖突系數(shù))，反映的是證據(jù)間的沖突程度，即當K→1時，證據(jù)間沖突性逐漸提高，當K→0時，證據(jù)間沖突性逐漸降低。

2.2 D-S證據(jù)理論分析

證據(jù)理論并不是在任意場合均適用，當外界環(huán)境因素使得證據(jù)源出現(xiàn)問題時，則會引發(fā)證據(jù)間沖突，從而產(chǎn)生與事實不符的結(jié)論，即“Zadeh悖論”。因此，在組合高沖突的證據(jù)時，需要做出一定的修正來確保達到更好的融合結(jié)果。

定義3Pignistic概率

在識別框架X={X(1),X(2),X(3),…,X(n)}下的單個子集均獨立并滿足

(3)

則稱BetPmi(Xj)為基本信任分配下的Pignistic概率。

修正方法通常引入相似度函數(shù)和相似度矩陣來表明證據(jù)間的相似程度，式(4)表示的是兩個證據(jù)量間的相似度，多個證據(jù)的相似度由式(5)表示更為直觀。

相似度函數(shù)

(4)

相似度矩陣

(5)

D-S證據(jù)理論規(guī)則中，多個條件需要進行信度分配來解決不確定性問題，提升結(jié)果準確度。證據(jù)信任度(CrdPm)描述的是其他證據(jù)對本證據(jù)的支持程度，支持度越大，與其他證據(jù)的變化趨勢就越相近，即本證據(jù)就越可靠，在融合過程中不需要對其進行修正。而證據(jù)虛假度(Fal)則表明虛假度越高，證據(jù)間沖突越大，融合前證據(jù)應(yīng)進行修正以減少其在融合過程中的影響[12]。

對于n個證據(jù)源中每個證據(jù)體的信任度計算公式如式(6)，將各個證據(jù)體的信任度組合起來就是信任度向量，如式(7)

(6)

CrdPm=[CrdPm1,CrdPm2,…,CrdPmn]

(7)

由式(3)可知，在同一識別框架下，存在多個證據(jù)的證據(jù)源的沖突系數(shù)k0，如式(8)所示，當去除一部分證據(jù)源之后，沖突系數(shù)調(diào)整為kj，如式(9)所示

(8)

(9)

從上式(8)、式(9)可得，0≤kj≤k0≤1，因此定義虛假度如式(10)

(10)

證據(jù)融合過程中，將證據(jù)焦元權(quán)重分配修正，以減少證據(jù)間沖突對融合結(jié)果的影響，修正后的權(quán)重表示如式(11)所示

τi=1+CrdPmi-Fal(mi)

(11)

歸一化處理后可得式(12)

(12)

2.3 異構(gòu)數(shù)據(jù)特征融合過程分析

首先對實驗過程的數(shù)據(jù)預(yù)先進行數(shù)據(jù)清洗，各設(shè)備數(shù)據(jù)對應(yīng)各相關(guān)屬性，去除非關(guān)鍵影響屬性，保留主屬性，冗余數(shù)據(jù)特性描述歸一化，構(gòu)建設(shè)備數(shù)據(jù)記錄庫，對各設(shè)備數(shù)據(jù)特征設(shè)定知識庫邊界，完善設(shè)備狀態(tài)間冗余特征描述，融合成新的設(shè)備數(shù)據(jù)特征映射表，初步完成數(shù)據(jù)特征融合，提高數(shù)據(jù)質(zhì)量，提升數(shù)據(jù)融合效率。

數(shù)據(jù)融合過程具體步驟如下：

步驟1 從信號系統(tǒng)各設(shè)備監(jiān)測數(shù)據(jù)庫中抽取各設(shè)備監(jiān)測數(shù)據(jù)信息表，并提取各設(shè)備的特征，完成數(shù)據(jù)預(yù)清洗，完成局部數(shù)據(jù)庫基礎(chǔ)映射表。

步驟2 將局部信息數(shù)據(jù)特征提取形成特征數(shù)據(jù)知識庫，尤其是對各設(shè)備故障文檔描述中抽取的記錄信息要完整表示，各特征屬性排序計數(shù)表示。

步驟3 將n個特征屬性證據(jù)運用式(3)轉(zhuǎn)為基本概率，根據(jù)式(5)～式(12)完成各證據(jù)特征間的相似度、信任度和虛假度。

步驟4 將步驟3中求解得到的信任度和虛假度完成排序，并對高沖突證據(jù)加權(quán)平均。

步驟5 根據(jù)D-S證據(jù)理論合成規(guī)則完成各特征屬性融合。

步驟6 將步驟5完成的融合結(jié)果進行測試訓(xùn)練，對于故障識別準確率達到90 %以上的可完成后續(xù)故障測試模型構(gòu)建，對于不達標準的返回步驟2進一步抽取新特征屬性，擴大特征知識庫集，完成數(shù)據(jù)特征融合。

具體融合算法執(zhí)行流程圖如圖2所示。

圖2 算法執(zhí)行流程圖

以CTC設(shè)備監(jiān)測數(shù)據(jù)為例，CTC設(shè)備的主屬性數(shù)據(jù)包含：始終端信號、區(qū)間方向、區(qū)間信號及燈位顯示狀態(tài)、區(qū)間軌道電路占用情況、接口狀態(tài)和站名編號等，各主屬性通過數(shù)據(jù)規(guī)則轉(zhuǎn)換表，將數(shù)據(jù)屬性特征規(guī)則化表示后轉(zhuǎn)錄入數(shù)據(jù)庫中，選定的主屬性特征錄入到特征知識庫中，而后根據(jù)D-S證據(jù)理論完成后續(xù)數(shù)據(jù)融合。表1為CTC設(shè)備數(shù)據(jù)部分數(shù)據(jù)規(guī)則轉(zhuǎn)換規(guī)則。

表1 數(shù)據(jù)規(guī)則轉(zhuǎn)換表(部分)

3 實驗與結(jié)果

根據(jù)前述的異構(gòu)數(shù)據(jù)特征融合方法，對某段高鐵信號系統(tǒng)各設(shè)備多源異構(gòu)信息數(shù)據(jù)庫中數(shù)據(jù)集預(yù)先進行清洗，選取了該信號系統(tǒng)中具有代表性的7類設(shè)備數(shù)據(jù)，清洗過后的設(shè)備有效數(shù)據(jù)量如下：CTC設(shè)備、道岔、信號機、電源屏、軌道電路、計算機聯(lián)鎖、車載設(shè)備分別為78，218，121，65，327，196，58。合計1 063條數(shù)據(jù)，通過效數(shù)據(jù)集進行實驗分析，驗證本文方法的可行性。

在實驗過程中對1 063條有效數(shù)據(jù)集隨機選取80 %的數(shù)據(jù)進行參數(shù)學(xué)習(xí)訓(xùn)練，20 %的數(shù)據(jù)用來測試故障診斷的準確率。采用故障分級思想，通過研究歸納總結(jié)，將目前高鐵信號系統(tǒng)故障決策預(yù)警分為三級，即：第一級故障為故障所發(fā)生的位置或者大致范圍，第二級故障為產(chǎn)生故障的具體原因，第三級故障為故障的可維護措施預(yù)警。

圖3給出了文獻[9]本體融合算法和本文D-S理論融合算法的計算時間比較結(jié)果。

圖3 運行時間對比

如圖3所示，在數(shù)據(jù)集數(shù)在不超過700的情況下，本文D-S理論融合算法的計算時間要少于本體融合算法的算法；當節(jié)點數(shù)在700以上逐步增加時，數(shù)據(jù)集間沖突增加，融合成本提升，計算時間較比本體融合算法方法略有延長，平均延長時間不超過4 ms。本文方法對于一級～三級故障的平均準確率均高于本體融合算法的方法，如表2所示。尤其是對第三級故障的準確率而言，由于增加了底層數(shù)據(jù)的融合機制，使得數(shù)據(jù)細粒度更為準確，三級故障的平均準確率提升了5.6 %，驗證了本文方法的有效性。

表2 故障診斷測試準確率對比 %

4 結(jié)束語

針對高鐵信號系統(tǒng)的多源異構(gòu)數(shù)據(jù)信息特征，本文構(gòu)建了新的高鐵信號系統(tǒng)多源異構(gòu)數(shù)據(jù)融合架構(gòu)，確保多源異構(gòu)數(shù)據(jù)之間的形成知識共享和重用，并通過D-S證據(jù)理論的過濾，確保底層數(shù)據(jù)質(zhì)量的提升并形成有效的規(guī)則組合，縮小規(guī)則間沖突。實驗驗證結(jié)果表明：對于一定規(guī)模數(shù)據(jù)集，D-S證據(jù)理論下的數(shù)據(jù)融合方法有良好的適用性和可擴展性，將信息數(shù)據(jù)最大程度的利用化，在算法實時性和故障診斷準確率方面提升了頂層智能決策性能。