一种基于机器学习的CTCS3故障诊断方法与流程

本发明涉及一种ctcs3故障诊断方法。特别是涉及一种基于机器学习的ctcs3故障诊断方法。

背景技术：

ctcs3列控系统是目前中国高铁客运专线时速在300km以上普遍使用的列车运行控制系统，该系统有两个子系统，即车载子系统和地面子系统。ctcs根据功能要求和设配置划分应用等级，分为0～4级，ctcs3是其中的3级。但是在列车运行过程中，时常发生通信异常导致列车被限速系统减速或停车，从而导致列车晚点甚至后续列车也受到影响。当前的故障定位方法采用的是从人工导出故障列车相应时间段的接口监测数据进行人工分析故障根源，而不同厂家的接口监测系统导出的监测数据格式和内容存在较大差异且存在数据缺失、数据错误等问题，人工分析耗时耗力而且故障定位的准确率也不高。

技术实现要素：

本发明所要解决的技术问题是，提供一种能够实现全自动化的故障分析定位ctcs3故障的基于机器学习的ctcs3故障诊断方法。

本发明所采用的技术方案是：一种基于机器学习的ctcs3故障诊断方法，包括如下步骤：

1)从ctcs3接口监测系统获取铁路无线通信网络的pri接口、abis接口和a接口的数据，并对所述数据进行预处理；

2)对预处理后的数据进行异常事件的特征提取；

3)重复步骤1)～步骤2)得到设定时间段内所有超时事件的特征和事件原因标签构成数据集；

4)采用机器学习的不同算法在数据集上进行训练和验证，得到故障诊断模型；

5)对新发生的超时事件重复步骤1)～步骤2)得到该事件的特征，将所述特征输入步骤4)中得到的故障诊断模型进行故障分类，得到判别结果；

6)若没有人工对步骤5)中的判别结果进行干预，则结束；若有人工对步骤5)中的判别结果进行确认，或是修改步骤5)的判断结果为其他故障原因，则将人工干预结果和步骤2)提取的该事件的特征作为事件原因标签一起加入步骤3)得到的数据集中，并按设定的周期返回步骤4)，更新故障诊断模型，继续循环。

本发明的一种基于机器学习的ctcs3故障诊断方法，在模型设计方面，采取了集成模型的方式，大大降低了单模型的固有算法缺陷以及过拟合的风险，在整体架构设计上，采取了每隔一个周期自动重新训练模型来自适应学习历史案例的特征与故障源之间的映射关系，达到“机器学习人的新思维”的智能效果。本发明能够分析各个厂家不同格式的数据，实现了全自动化的故障分析定位功能，可节省大量的人力成本。

附图说明

图1是本发明基于机器学习的ctcs3故障诊断方法的流程图。

具体实施方式

下面结合实施例和附图对本发明的一种基于机器学习的ctcs3故障诊断方法做出详细说明。

本发明的一种基于机器学习的ctcs3故障诊断方法，利用标准化的预处理手段、高可用的分类形式替代人工分析进行的复杂、重复和耗时的劳动，并且模型的自动更新适应能力可以根据分析员更新的分类结果学习到人新的分析逻辑，达到智能分析的效果。

本发明的一种基于机器学习的ctcs3故障诊断方法，包括如下步骤：

1)从ctcs3接口监测系统获取铁路无线通信网络的pri接口、abis接口和a接口的数据，并对所述数据进行预处理；这里所述的ctcs3接口监测系统是指：北京六捷科技有限公司、中国铁道科学研究院和中国铁路通信信号股份有限公司的ctcs3接口监测系统。

因为接口监测系统的不完善，导致很多数据并不准确，所以人工分析的时候往往要进行各种错误数据的更正以及异常数据的标注，并且不同厂家的数据格式存在一定的差异，为了提供分析系统对各种数据的适应能力需要进行数据的格式标准化，现在将这些工作统一经预处理程序来处理。本发明所述的预处理包括：

(1)针对ctcs3接口监测系统中发生的列车超时事件，截取故障发生时间附近时段的接口数据；

(2)对截取数据进行数据库加载、异常公里标的修正、缺失机车号/电台号的补充的处理。所述的数据库加载，是将数据导入建立的数据库中，所述的异常公里标的修正是根据准确的公里标数据点和列车运行速度修正公里标中的不准确数据点。

2)对预处理后的数据进行异常事件的特征提取；

所述的特征提取，是对预处理后的数据提取一组反应当前数据的特性的值，并分为四大部分：信令特征，是从pri接口、abis接口和a接口中的信令数据中提取的特征，如pri接口上行链路是否可达；呼叫特征，是从pri接口、abis接口和a接口中的呼叫数据中提取的特征，如异常呼叫的电台是否持续呼叫同一个rbc；测量报告特征，是从abis接口测量报告数据中提取的特征，如异常事件之前的电平是否正常；切换特征，是从abis接口和a接口的切换记录数据中提取的特征，如信令信道的服务小区切换是否正常；一个超时事件共具有八十维具体特征。

3)重复步骤1)～步骤2)得到设定时间段内所有超时事件的特征和事件原因标签构成数据集；

4)采用机器学习的不同算法在数据集上进行训练和验证，得到故障诊断模型；

是将得到的多个事件的特征和事件的故障原因标签一一对应组成数据集，取数据集中的一部分作为训练集，采用机器学习的决策树算法、随机森林算法和神经网络算法分别在训练集上进行训练对应得到三种分类模型，再将数据集中的另一部作为验证集对训练得到三种分类模型分别进行分类测试，根据分类测试结果，选出分类准确率最高的一种分类模型，用于对步骤1)中所截取的数据进行故障分类，得到分类结果。

5)对新发生的超时事件重复步骤1)～步骤2)得到该事件的特征，将所述特征输入步骤4)中得到的故障诊断模型进行故障分类，得到判别结果；

6)若没有人工对步骤5)中的判别结果进行干预，则结束；若有人工对步骤5)中的判别结果进行确认，或是修改步骤5)的判断结果为其他故障原因，则将人工干预结果和步骤2)提取的该事件的特征作为事件原因标签一起加入步骤3)得到的数据集中，并按设定的周期返回步骤4)，更新故障诊断模型，继续循环。