一种用于列车控制和管理系统的可靠性评估方法与流程

技术领域：

本发明涉及一种用于列车控制和管理系统的可靠性评估方法。属于可靠性评估领域。

背景技术：
：

作为高速铁路系统的核心组成部分，高速列车是一个大型、复杂的车辆工程系统，关乎旅客的人身和财产安全。高速列车的安全、可靠运行成为高铁事业发展的先决条件。列车通信网络作为高速列车的重要组成部分，是高速列车的神经系统，主要用于连接车载设备，实现信息共享、控制功能、监测诊断等的数据通信。

由于髙速列车的运行环境相比其他工业场合具有一定的特殊性，运行环境包括高寒、沙漠、高原、热带等恶劣环境，并且运行地形地貌复杂，气候条件多变，通常也会受到诸如沙尘，雷电、雨雪、侧风等恶劣天气的考验，以及振动、冲击、腐蚀粉尘盐雾等强干扰的影响。致使髙速列车运行环境具有极强的不确定性，这些客观环境因素会不可避免地给列车控制和管理系统(tcms)造成损坏，并且随着系统设备运营年限逐渐进入中年期，也会出现电气元件性能退化，设备老化等问题，这都造成系统可靠度呈现下降趋势。

通过对列车控制和管理系统可靠性评估，可以获得系统在不同运行环境和运行年限下的系统可靠性值，这对于研究系统性能退化过程具有重要作用，并且对于系统车间维护环节，有助于更为准确的设置系统设备更换周期以实现准确的系统设备备货与调度。对于系统设计环节，有助于给系统设计人员提供系统在不同运行环境下的可靠度量化指标，辅助设计人员判断不同运行环境设计下的系统的可靠度变化规律，以进行后期的针对性改进。然而，由于列车控制与管理系统的结构复杂性，系统设备种类众多，功能多样，并且系统和设备之间具有强耦合作用，导致基于解析模型的可靠性建模方法无法对该系统进行精确建模。另外基于数据驱动的神经网络方法虽然可以满足对复杂系统建模，但神经网络评估过程的黑箱特性导致它无法应用于对评估结果可靠性很高的高铁领域。鉴于此，一种既能够对复杂列车控制与管理系统可靠性进行精确建模，又具有良好的评估过程可解释性的的评估方法是业内急需。

技术实现要素：
：

本发明的目的是：提供一种用于列车控制和管理系统的可靠性评估方法，实现对复杂列车控制和管理系统可靠性精确建模，满足高铁领域对评估结果的高可靠性要求。

为实现上述目的，一种用于列车控制和管理系统的可靠性评估方法包括以下步骤：

步骤1：系统评估框架的建立；

步骤2：基于证据推理规则(er_rule)的评估框架指标融合；

步骤3：基于协方差矩阵自适应进化策略(cma-es)算法的评估框架指标权重更新；

步骤4：评估框架训练样本库的建立；

步骤5：评估框架的训练。

本发明的优点在于，基于数据驱动的评估方法，实现了对复杂列车控制和管理系统的可靠性建模，具有很高的评估准确性。评估框架的结构构成使得评估方法具有良好的评估过程可解释性，使得评估方法满足高铁领域对评估结果的高可靠性要求。

附图说明：

图1为可靠性评估方法的评估原理图

图2为评估框架图

图3为可靠性评估方法的训练原理图

图4为可靠性评估方法的评估效果图。

具体实施方式：

下面结合附图对本发明进行进一步的说明。

图1是可靠性评估方法的评估原理图，图中包括具体系统失效案例、系统可靠性评估结果、训练后评估权重、可靠性评估框架和er_rule，其中，具体系统失效案例作为可靠性评估方法的输入数据，系统可靠性评估结果作为可靠性评估方法的输出数据，评估框架作为评估方法的主干结构，er_rule算法利用训练后的指标权重数据融合评估框架内的指标参数。

图2是可靠性评估方法内部的评估框架图，评估框架作为可靠性评估方法的主干架构，使得评估方法的评估过程具有可解释性，有助于提高评估过程的透明度，以满足高铁领域的高可靠性要求。图中一共具有六层指标数据，其中，第1层指标为系统可靠性指标。第二层指标包括通信之系统和功能之系统。第三层指标包括绞线式列车总线、多功能车辆总线、控制器局域网络、中继器、控制子系统、牵引子系统和服务子系统。第四层指标包括控制模块、显示器模块、牵引控制单元、制动控制单元、辅助控制单元、本地牵引控制、基于mvb线的服务模块和基于can总线的服务模块。第五层指标包括网关、微处理器单元、远程输入/输出模块、司机诊断显示器、司机主显示器、厕所、自动车钩单元、旅客信息系统、充电机、空调、外部门和列车逻辑显示。第六层指标包括上一级指标的严重失效频率、中等失效频率和微小失效频率。对应于每个指标，专家利用历史经验给出最初的指标权重w，并作为指标权重训练的基础。可靠性评估框架建立包括以下步骤：

步骤1.基于系统拓扑结构数据和系统设备相关知识，收集评估框架内部的需要的具体的设备和系统指标信息，包括设备失效指标信息、模块指标信息、单元指标信息和子系统指标信息。

步骤2.利用系统和设备工作模式，功能范围，功能重要性和从属关系标准，确定建立出六层的系统可靠性评估框架。

步骤3.利用专家知识，通过专家打分求平均值的方式获得估框架内部指标的初始权重，完成最终的系统可靠度评估框架搭建。

对于评估方法中，基于证据推理规则(er_rule)的评估框架指标融合，包括以下步骤：

步骤1：在评估模型的评估层级框架中，需要对输入的设备失效频率数据进行转换，通过定量信息转换方法，将设备失效频率数据转换为相对于对应参考等级的置信度分布，转换过程如下：

s(ei)＝{(hn,i,βn,i),n＝1,2,…,n},i＝1,2,…,l(1)

其中，ei表示评估层级框架指标，s(ei)表示指标ei相对于参考等级hn,i的置信度分布，l表示指标的数量，n表示参考等级的数量，xi表示指标ei的定量信息，hn,i表示第i个指标ei的第n个参考等级，βn,i表示相对于参考等级hn,i的置信度。

步骤2:利用相对于参考等级hn,i的置信度βn,i，计算对应的基本信度分配值，计算过程如下：

其中，ωi表示指标权重，mn,i表示指标被评价为参考等级hn,i的基本信度分配值，mh,i表示未被分配到任意参考等级hn,i所剩余的基本信度值，mh,i可以进一步分为和两部分。

其中表示未被分配到任意等级hn,i所剩余的基本信度值仅受到权重ωi影响，表示单个指标评价上的不完整性。

步骤3:在获得指标的基本信度值后，进行指标的迭代合成，合成过程如下：

{hn}:mn,i(i+1)＝ki(i+1)[mn,i(i)mn,i+1+mh,i(i)mn,i+1+mn,i(i)mh,i+1](8a)

其中，mn,i(i+1)表示合成前i个指标和第(i+1)个指标后在评价等级上的基本信度分配值，表示前i个指标和第(i+1)个指标评价的不完整性，表示前i个指标和第(i+1)个指标组合的相对重要性。

在所有l个指标上的信度分布全部合成后，按以下方式重新分配到各个评价等级上。

s(y)＝{(hn,βn),n＝1,2,…,n}(11)

其中，βn表示融合后的指标y被评价为相对等级hn的置信度，βh表示分配到确定评价等级上的全局不确定，相对等级hn的置信度范围为[βn,(βn+βh)]。

对于评估方法中，基于协方差矩阵自适应进化策略(cma-es)算法的评估框架指标权重更新，包括以下步骤：

步骤1:利用cma-es算法在框架指标权重的解空间中随机选择一个解，然后以这个解为中心点利用正态分布生成种群，如式(12)所示：

式中：xi为种群中第i个个体；λ为种群大小；g为进化代数；m为种群的中心点(也称期望)；σ为步长；n表示多元正态分布；c为种群的协方差矩阵。

步骤2：在生成的种群中选择前百分之10最优解作为子种群。新的种群期望值如式(13)所示：

式中：μ为子种群大小；wi为依据适应度值设置的权重，各权重的和为1；xi:λ为在种群中λ个个体中选择出的第i个个体。

步骤3：更新种群的协方差矩阵，使其可以引导整个种群去搜索全局最优解。更新结合两种工作模式：rank-μ-update和rank-1-update，前者使用了μ个个体相对期望之间的偏差，后者使用了相邻两代期望之间的偏差。更新过程如式(14)所示：

式中：等式右边求和的第2部分为rank-1-update模式，第3部分为rank-μ-update模式；c1和cμ分别为上述两种不同更新模式下的学习率，c1≈2/d²，cμ≈min(μeff/d²,1-c1)，μeff为方差影响选择集，可以由式(15)得出：

pc为协方差矩阵的进化路径，初始pc等于0，其更新过程如式(16)所示：

式中：cc为进化路径pc的学习率。式(16)中的步长σ也需要更新，如式(17)所示：

式中：e(·)为求数学期望函数；i为单位矩阵；cσ为步长的学习率；dσ为步长更新的阻尼系数；pσ为步长的进化路径，初始pσ等于0，其更新方式为：

对于评估方法中，评估框架训练样本库的建立，包括以下步骤：

步骤1：基于列车网络控制和管理系统的故障码数据统计评估框架内部最底层指标的失效频率和失效程度，以单一车型在固定时间周期的设备的失效频率和失效程度分布作为系统可靠性评估样本案例。

步骤2：利用专家打分求平均值的方式获得具体样本案例下的系统可靠度值，将具体的样本案例以及其对应的系统可靠度值定义为一个训练样本，重复多次获得足够样本数量的样本数据库。

图3是可靠性评估方法的训练原理图，图中包括训练数据库、可靠性评估框架、初始权重、er_rule、损失函数、cma-es、权重更新和权重替换，其中，训练数据库向评估框架输入样本数据，er_rule利用初始权重融合样本指标数据，利用损失函数衡量理想输出和实际输出的差值，并输入cma-es算法，实现权重更新，更新后的权重对初始权重进行权重替换，实现评估方法的循环训练。评估模型训练包括以下步骤：

步骤1：将样本库的训练样本数据输入系统可靠度评估层级框架，利用证据推理算法进行框架内指标融合，获得评估模型在初始权重下的系统可靠度评估值，

步骤2：利用最小均方误差函数作为衡量模型实际输出值与理想输出值之间差值的损失函数。

步骤3：利用cma-es算法更新模型权重，使得最小均方误差函数最小，完成模型的训练。

图4是可靠性评估方法的评估效果图，图中横坐标表示测试样本的数量，一共具有200个样本，纵坐标表示系统可靠性，系统可靠性的范围为0到1，蓝线为样本的目标可靠性，红线为评估方法输出的系统评估可靠性，通过图4可以看出，无论是系统可靠性很高的案例还是系统可靠性很低的极端案例，评估方法仍然能够准确的评估，因此评估方法在保证评估准确性的基础上对于系统案例评估具有很大的适用范围，评估方法精确的实现了对复杂系统的可靠性建模。