基于数据对比分析的轨道交通实时故障诊断方法和系统的制作方法

文档序号:9326348阅读:505来源:国知局
基于数据对比分析的轨道交通实时故障诊断方法和系统的制作方法
【技术领域】
[0001]本发明属于轨道交通信息技术领域,具体涉及一种基于数据对比分析的轨道交通实时故障诊断方法和系统。
【背景技术】
[0002]为了提高我国铁路信号系统设备的现代化维修水平,从90年代开始,我国先后自主研制了 TJWX-1型和TJWX-2000型等不断升级中的信号集中监测CSM系统。目前大部分车站都采用了计算机监测系统,实现了对车站信号设备状态的实时监测,并通过监测与记录信号设备的主要运行状态,为电务部门掌握设备的当前状态和进行事故分析提供了基本依据,发挥了重要作用。并且,对城市轨道交通信号设备,集中监测CSM系统也被广泛部署在城轨集中站/车辆段等处,供城轨运维使用。
[0003]但是,针对很多复杂设备故障和行车事故原因的诊断方面,该系统却无能为力,目前仍需依靠人工经验分析判断,很多情况下只有在出现重大问题时才发现故障,不仅导致了人工诊断铁路信号系统故障时工作量大、故障监测与诊断效率低下等技术问题,还增加了行车的危险。

【发明内容】

[0004]为了解决现有技术中人工诊断铁路信号系统故障时工作量大、效率低下、风险性高等技术问题,本发明提供一种基于数据对比分析的轨道交通监测数据实时分析和故障诊断方法和系统。
[0005]本发明采用的技术方案如下:
[0006]—种基于数据对比分析的轨道交通实时故障诊断方法,其步骤包括:
[0007]I)采集轨道交通信号设备的历史监测数据和实时监测数据,所述历史监测数据包括正常状态的数据和故障状态的数据;
[0008]2)根据历史监测数据的参数之间的关联关系,得到正常状态的对比分析模型和故障状态的对比分析模型,所述对比分析模型通过判断监测参数之间是否满足特定的关系来判断设备运行的正常状态或异常状态;
[0009]3)根据故障状态的对比分析模型,通过分类器训练生成故障的分类模型,所述故障分类模型通过监测参数之间的关系来判断设备的运行故障类别;
[0010]4)对于当前环境条件下的实时监测数据,通过步骤2)得到的对比分析模型判断设备运行的正常状态或异常状态,如果处于异常状态则进行故障报警;
[0011]5)对于异常状态的数据,通过步骤3)得到的故障分类模型进行故障的诊断和分类,并输出故障诊断结果。
[0012]—种采用上述方法的基于数据对比分析的轨道交通实时故障诊断系统,其包括:
[0013]数据采集接口,用于采集轨道交通信号设备的历史监测数据和实时监测数据;
[0014]历史数据库,用于存储历史监测数据,包括正常状态的数据和故障状态的数据;
[0015]实时数据库,用于存储实时监测数据;
[0016]知识库,用于建立并存储监测参数之间的对比分析模型和故障分类模型;
[0017]数据预警模块,用于采用知识库中的对比分析模型判断设备运行的正常状态或异常状态,如果处于异常状态则进行故障报警;
[0018]故障诊断模块,用于采用知识库中的故障分类模型对异常状态的数据进行分类,输出故障诊断结果。
[0019]本发明提供了一种基于数据对比分析的轨道交通实时数据分析和故障诊断方案,可以在监测参数有微小变化的情况下对设备故障进行实时预警,并且可以通过自动学习方法来对对比分析模型进行学习,自动筛选重要度高的对比分析模型。同时能够通过分类方法对设备的故障进行诊断,能够有效解决现有技术中人工诊断铁路信号系统故障时工作量大、效率低下、风险性高等问题。
【附图说明】
[0020]图1是基于数据对比分析的轨道交通信号设备实时故障诊断系统的结构示意图。
[0021]图2是基于数据对比分析的轨道交通信号设备实时故障诊断方法的步骤流程图。
[0022]图3是线路方向数据的对比分析故障诊断模型示意图。
[0023]图4是CTC和列控中心的临时限速状态数据的对比分析故障诊断模型示意图。
【具体实施方式】
[0024]为使本发明的上述目的、特征和优点能够更加明显易懂,下面通过具体实施例和附图,对本发明做进一步说明。
[0025]图1是本发明的基于数据对比分析的轨道交通监测数据实时分析及故障诊断系统的结构示意图。该系统由历史数据库、实时数据库、知识库、数据采集接口、数据预警模块和故障诊断模块组成,其中:
[0026]数据采集接口:用于接收数据采集系统(CSM系统)采集的的轨道交通信号设备的历史监测数据和实时监测数据;
[0027]历史数据库:用于存储历史监测数据,包括正常数据和故障数据;
[0028]实时数据库:用于存储实时监测数据;
[0029]知识库:用于建立并存储监测参数之间的对比分析模型和故障分类模型;
[0030]数据预警模块:用于采用知识库中的对比分析模型判断设备运行的正常状态或异常状态,如果处于异常状态则进行故障报警;
[0031]故障诊断模块:用于采用知识库中的故障分类模型对异常状态的数据进行分类,输出故障诊断结果。
[0032]图2是采用上述系统的基于数据对比分析的轨道交通信号设备实时故障诊断方法的步骤流程图。对其具体说明如下:
[0033]1.采集轨道交通信号设备的监测数据
[0034]该步骤采用铁路设备既有的数据采集系统即CSM系统对轨道交通信号设备进行数据采集,轨道交通信号设备包括电源屏、道岔、转辙机等设备。采集的监测数据包括历史数据和实时数据。历史数据是指存储在数据库中的以前采集到的监测数据,这些数据用来记录设备过去工作的各种状态。实时数据是指当前数据采集系统所采集到的监测数据,这些数据用来对设备当前的工作状态进行判断。
[0035]2.对采集的数据进行预处理
[0036]进行预处理的目的是为了对待分析的数据进行处理,生成适合于分析的数据,预处理包括:
[0037](I)数据选择:选择合适的数据源,从数据中提取与分析任务相关的数据;
[0038](2)数据清理和集成:清除噪声数据、非可用数据,将原始数据规范化、标准化并将多个数据源组合在一起;
[0039](3)数据转换:以合适的方式组织数据,将数据类型转换为可应用的类型,定义新的数据属性,减小数据维数和尺寸。
[0040]3.利用预处理后的数据建立监测参数之间的关联关系
[0041]本发明适用于所有的监测参数,如信号机状态、线路运行方向等。监测参数是以一定采样间隔为时间轴的模拟量或开关量数据,蕴涵了设备运行中的电气特性和机械特性。本发明中的数据对比是将设备中两种应该相同或者有一定关联关系的数据进行对比,以判断设备的状态是否异常的方法。因为设备监测参数之间的可能的关联关系很多,因此,需要对这些关联关系进行筛选。这里采用关联规则挖掘方法确定参数之间的关联关系。
[0042]关联规则是指两种或多种参数之间具有某种固定的关系,这种关系不随时间的变化而变化。本发明首先从参数集合中找出频繁项目集;然后从频繁项目集合中生成满足最低置信度的关联规则。
[0043]I)从参数集合中找出频繁项目集
[0044]根据支持度=(X,Y).count/T.count,置信度=(X, Y).count/X.count,其中 X、Y表示设备的监测参数,(X, Y).count表示X和Y参数同时出现的次数,X.count表示X参数出现的次数,T.count表示所有规则的总数。要想找出满足条件的关联规则,首先必须找出这样的集合F = XU Y,它满足F.count/T.count ^ minsup,其中minsup表示最小支持度,F.count是T中包含F的事务的个数;然后再从F中找出这样的蕴含式X—〉Y,它满足(X, Y).count/X.count ^ minconf ,minconf 表示最小置信度,并且 X = F-Y。我们称像 F 这样的集合称为频繁项目集,假如F中的元素个数为k,称这样的频繁项目集为k-频繁项目集,它是项目集合I的子集。
[0045]2)从频繁项目集合中生成满足最低置信度的关联规则
[0046]遍历所有的频繁项目集,然后从每个项目集中依次取1、2、...k个元素作为后件,该项目集中的其他元素作为前件,计算该规则的置信度进行筛选即可。这样的穷举效率显然很低。假如对于一个频繁项目集F,可以生成下面这样的关联规则:
[0047](F-β ) —>β
[0048]那么这条规则的置信度=F.count/ (F- β ).count
[0049]根据这个置信度计算公式可知,对于一个频繁项目集,F.count是不变的,而假设该规则是强关联规则,则(F-Psub)—〉Psub也是强关联规则,其中Psub是β的子集,因为(F-β sub), count肯定小于(F-β).count。即给定一个频繁项目集F,如果一条强关联规则的后件为β,那么以β的非空子集为后件的关联规则都是强关联规则。所以可以先生成所有的1-后件(后件只有一项)强关联规则,然后再生成2-后件强关联规则,依次类推,直至生成所有的强关联规则。
[0050]4.计算关联参数的对比分析规则,形成对比分析模型
[0051]对比分析模型由对比分析规则构成,对比分析规则是指判断两个或多个参数之间是否满足特定关系(比如相等关系或线性关系)的规则,通过该规则是否被满足,来判断当前设备的状态:正常状态与异常状态。
[0052]I)对于正常状态的历史数据,根据步骤3计算得到的参数之间的关联关系,从中筛选出满足预先指定的关系的参数之间的判断规则,作为对比
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1