本发明属于列车控制技术领域，尤其涉及一种基于卫星通信和公共蜂窝通信的列车控制系统。
背景技术：
目前，业内常用的现有技术是这样的：
列车自动控制系统(atc)是以技术手段对列车运行方向、运行间隔和运行速度进行控制，保证列车能够安全运行、提高运行效率的系统，简称列控系统。列车自动控制(atc)系统分为列车自动防护(atp)、列车自动驾驶系统(ato)、列车自动监督系统(ats)和计算机联锁系统(ci)。
然而，现有列车控制技术如果牵引设备故障不能及时通知工作人员，导致安全事故发生，安全性低；同时列车使用专用无线通信网络进行连续、双向的车地信息传输，这样的工作方式需要全线无线通信覆盖，而在经济欠发达并且人烟稀少的西部地区以及厂矿专线铁路，无线通信网络的建设造价太过昂贵。
在列车故障检测中，因多种因素产生的威胁，对列车的正常运行有着重要的影响。如何对威胁因素进行较为准确的量化评估成为迫切需求。
来自威胁信息有其独有的特点，诸如模糊性、不确定性和时效性等，因此不能用常规的方法，比如函数法来定量地分析威胁。
在国外的一些研究当中，模拟推理出的近似效果并不乐观。国内曾有学者运用静态贝叶斯网络、神经网络对威胁信息进行了量化评估，但其缺乏对信息的时效性分析，不能反映威胁信息在不同时刻的变化规律。
离散动态贝叶斯网络是一种对动态不确定事件进行建模和推理的工具，近几年正日益应用于众多领域。
列车运行的感知网络是一个多种接入技术和多层次部署的异构融合网络，网络的拓扑和架构都随网络中节点的变化而变化，从而使网络具有重构性，并且多种技术体制并存所引起的互操作的大量应用，易发生产生大量网络告警信息及网络故障，使得未来网络管理和运维变得越来越复杂。巨量的规划、优化参数使得传统的手工操作无法完成。现阶段希望用新技术来降低运营成本、提高系统性能，确保网络运行高效、安全、稳定。
目前最普遍的做法是通过大量的人工分析网络的问题，然后进行探索性的故障定位及优化，然而，优化的结果非常粗糙，不能准确及时定位网络故障问题，无法满足列车的运行需求。
综上所述，现有技术存在的问题是：
现有列车控制技术安全性低；无线通信覆盖范围小；无线通信网络的建设造价昂贵。
现有的威胁信息指数评估方法有效性、实用性和准确性不够高。
现有技术中，对列车网络运维没有进行数据挖掘分析，没有定位数据传输中的网络故障，没有进行对传输数据的网络参数进行优化，不能为列车运行中的所有参数进行合理管理。
解决上述技术问题的难度和意义：
通过无线通信模块利用卫星通信和公共蜂窝通信相结合的方式实现了车载设备和地面设备之间的稳定可靠的不间断的互相通信，大大降低了列车无线通信网络建设成本。
技术实现要素：
针对现有技术存在的问题，本发明提供了一种基于卫星通信和公共蜂窝通信的列车控制系统。
本发明是这样实现的，一种基于卫星通信和公共蜂窝通信的列车控制系统，所述基于卫星通信和公共蜂窝通信的列车控制系统包括：
无线通信模块，与主控模块连接，用于通过卫星通信和公共蜂窝通信网络进行无线远程控制，及获取列车信息；
定位模块，与主控模块连接，用于获取当前列车的位置、速度、里程等信息；
故障检测模块，与主控模块、故障报警模块连接，用于对电路故障信号检测，并将故障信号传送给故障报警模块；所述故障检测模块故障检测中，将观测到的故障类型、强度信息和故障位置信息收集整理；将收集的故障类型、强度信息和故障位置信息按照划分的量化等级进行量化处理，并建立观测证据表；利用专家知识或经验建立状态间的条件概率转移矩阵，确定时间片段间的状态转移矩阵；建立故障威胁等级与故障因素间的离散动态贝叶斯网络模型；利用建立的观测证据表、条件转移概率表和状态转移概率表，运用隐马尔科夫推理算法计算出最终的故障威胁等级；
主控模块，与无线通信模块、定位模块、故障检测模块连接，用于调度无线通信模块、定位模块、故障检测模块的各个电器元件进行正常工作；
所述主控调度无线通信模块、定位模块、故障检测模块的各个电器元件进行正常工作包括：通过基站和网络监测节点收集异构网络运维数据；将获得的异构网络运维数据进行统一处理，构建统一的运维数据模型；根据构建的运维数据模型对异构网络运维数据和网络故障进行关联分析，实现网络故障定位；网络节点针对定位的故障自主的进行故障分析，调整相应的运维数据，实现故障自愈及网络优化。
进一步，所述离散动态贝叶斯网络模型是由观测节点和状态节点构成的有向无环图；故障类型、强度信息和故障位置信息共同构成离散状态节点，故障威胁等级为观测节点；
所述建立的观测证据表、条件转移概率表和状态转移概率表，结合所建立的离散动态贝叶斯网络模型，确定最终的故障威胁等级即为贝叶斯推理过程依据大量状态节点数据推理出观测节点最大可能取值的概率。
进一步，确定最终的故障威胁等级即为贝叶斯推理过程依据大量状态节点数据推理出观测节点最大可能取值的概率，包括：系统参数λ和观测序列y，前向-后向算法推理出概率p(y|λ)的过程如下：
前向算法，定义前向变量αt(i)＝p(y1,y2,...,yt,xt＝i|λ)
初始化：α1(i)＝πibi(y1),1≤i≤n
递归运算：
结果：
后向算法，定义后向变量βt(i)＝p(yt+1,yt+2,...,yt|xt＝i,λ)
初始化：βt(i)＝1,1≤i≤n
递归运算：
结果：
将前向算法、后向算法结合起来构成前向-后向算法：
最终，根据确立的观测证据表、条件转移概率表和状态转移概率表，结合前向-后向算法推理出故障威胁等级；
所述的离散动态贝叶斯网络模型中各节点的状态集合用s表示，各因子用下标区分，如下所示：
stt＝{恶劣，一般，低}；
sioe＝{强，中，弱}。
进一步，所述故障检测模块包括：
信息收集整理模块，用于将观测到的故障类型、强度信息和故障位置信息收集整理；
观测证据表建立模块，用于将收集的故障类型、强度信息和故障位置信息按照划分的量化等级进行量化处理，并建立观测证据表；
状态转移矩阵确定模块，用于利用专家知识或经验建立状态间的条件概率转移矩阵，确定时间片段间的状态转移矩阵；
模型建立模块，用于建立故障威胁等级与故障因素间的离散动态贝叶斯网络模型；
等级计算单元，用于利用建立的观测证据表、条件转移概率表和状态转移概率表，运用隐马尔科夫推理算法计算出最终的故障威胁等级。
进一步，所述异构网络运维数据包括列车测量报告、网络计数器数据、路测数据、异构网络的关键性技术指标、网络故障信息和异构网络无线参数；
所述对异构网络运维数据进行统一处理包括数据选取、数据预处理和数据变换；
所述数据预处理包括对数据的噪声处理，所述数据的噪声处理包括删除网络故障信息数据中无法识别的数据和在关键告警信息上有缺失的数据；
所述在关键告警信息上有缺失的数据包括无告警网元标示的数据、无告警类型标示的数据和无告警时间标示的数据；
所述构建统一的运维数据模型过程如下：
首先，选取参考告警信息参数向量，建立参考数列x0，
x0＝{x0(k)|k＝1,2,…,n}＝(x0(1),x0(2),…,x0(n))
其中k表示时刻，x0表示告警信息，n表示告警信息参数向量特征维数；
其次，假设有m个比较故障告警信息数据，建立比较数列xi
xi＝{xi(k)|k＝1,2,…,n}＝(xi(1),xi(2),…,xi(n))i＝1,2,…,m
然后，建立比较数列xi对参考数列x0在k时刻的关联系数ζi(k)
其中，w1为各个参数相应的权重，其根据用户的网络属性进行调整和决定；其中ρ为分辨系数，ρ∈[0,+∞)；ρ越大，分辩率越大；ρ越小，分辩率越小；
最后，计算出比较数列xi对参考数列x0的关联度
所述通过关联分析对故障告警信息、kpi指标及网络之间故障建立映射关系，构建故障定位模型，通过bp神经网络进行网络故障定位；所述网络故障定位具体包括如下过程：
首先，获取m维告警向量qn＝(s1,s2,s3…sm)和n维故障向量on＝(p1,p2,p3…pm)，并将其通过多个网络节点同时输入，使系统具有并行结构和并行处理能力，对输入进行实时的动态处理；
其次，bp网络，为每个连接的权值赋予指定范围内的值，同时为每个神经元节点指定阈值；
再次，组输入告警样本机器目标结果提供给网络，并计算神经网络节点的连接权值，阈值及各个隐含层单元的输入和输出值；
然后，正各层误差：利用目标向量和网络实际输出值计算输出层单元的误差，并结合隐含层的各单元的输出来修正连接权值和阈值，进行反向误差传播修正；
最后，训练样本向量和对异构网络系统进行训练，直到训练完全部样本后将络运维故障告警信息，输入训练好的bp网络进行网络故障定位。
进一步，所述基于卫星通信和公共蜂窝通信的列车控制系统还包括：
温度/压力采集模块，与主控模块连接，用于采集牵引变流器散热系统温度/压力信号；
列车监视模块，与主控模块连接，用于监视列车运行途中完整性；
指令输入模块，与主控模块连接，用于输入控制指令操作；
信息记录模块，与主控模块连接，用于记录列车运行中的各项信息，并生成列车行驶日志；
人机交互模块，与主控模块连接，用于与机车司机进行人机交互，为机车司机提供驾驶过程的参考信息；
故障报警模块，与故障检测模块连接，用于通过报警器对电路故障进行报警。
进一步，所述无线通信模块包括卫星通信模块、公共蜂窝通信模块、通信管理模块；
卫星通信模块，用于与通讯卫星进行通信；
公共蜂窝通信模块，用于公共蜂窝通信；
通信管理模块，用于指定信号强度好的通信模块建立通信通道。
本发明的优点及积极效果为：
本发明通过故障检测模块、故障报警模块可以更加全面的对牵引设备进行检查，一旦故障可以立刻发出报警信息，通知工作人员做好防护措施，安全性更高；同时通过无线通信模块利用卫星通信和公共蜂窝通信相结合的方式实现了车载设备和地面设备之间的稳定可靠的不间断的互相通信，大大降低了列车无线通信网络建设成本。
本发明提出的故障检测方法，实现了连续观测值和离散动态贝叶斯网络的有机结合，将所有可观测的与威胁度相关的重要因子综合起来进行判断推理，建立了适用于威胁度推理的离散动态贝叶斯网络模型，并结合hmm推理算法推理出威胁程度的概率分布；使评估的有效性、实用性和准确性大大提升；与静态贝叶斯网络相比，离散动态贝叶斯网络由于利用了临近时间段的节点信息，因此推理结果准确性更高，且当数据存在异常或不确定情况下，离散动态贝叶斯网络仍能够推理出较为正确的威胁等级。
本发明通过对网络运维数据挖掘分析，定位网络故障，之后通过对网络参数进行优化，实现网络自愈，实现网络智能运维。保证了的正常运行。
本发明采用数据挖掘中的bp神经网络方法对网络运维数据和告警信息进行挖掘，结合列车感知信息，对网络的故障进行智能定位，准确判断网络故障，更加细粒度的优化网络性能，提升网络质量，本发明降低运营成本、提高系统性能，确保网络运行高效、安全、稳定。为列车的正常运行提供保证。
附图说明
图1是本发明实施例提供的基于卫星通信和公共蜂窝通信的列车控制系统结构框图。
图中：1、温度/压力采集模块；2、列车监视模块；3、指令输入模块；4、主控模块；5、无线通信模块；6、定位模块；7、信息记录模块；8、人机交互模块；9、故障检测模块；10、故障报警模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
现有列车控制技术安全性低；无线通信覆盖范围小；无线通信网络的建设造价昂贵。
如图1所示，本发明提供的基于卫星通信和公共蜂窝通信的列车控制系统包括：温度/压力采集模块1、列车监视模块2、指令输入模块3、主控模块4、无线通信模块5、定位模块6、信息记录模块7、人机交互模块8、故障检测模块9、故障报警模块10。
温度/压力采集模块1，与主控模块4连接，用于采集牵引变流器散热系统温度/压力信号；
列车监视模块2，与主控模块4连接，用于监视列车运行途中完整性；
指令输入模块3，与主控模块4连接，用于输入控制指令操作；
主控模块4，与温度/压力采集模块1、列车监视模块2、指令输入模块3、无线通信模块5、定位模块6、信息记录模块7、人机交互模块8、故障检测模块9、故障报警模块10连接，用于调度各个电器元件进行正常工作；
无线通信模块5，与主控模块4连接，用于通过卫星通信和公共蜂窝通信网络进行无线远程控制，及获取列车信息；
定位模块6，与主控模块4连接，用于获取当前列车的位置、速度、里程等信息；
信息记录模块7，与主控模块4连接，用于记录列车运行中的各项信息，并生成列车行驶日志；
人机交互模块8，与主控模块4连接，用于与机车司机进行人机交互，为机车司机提供驾驶过程的参考信息；
故障检测模块9，与主控模块4、故障报警模块10连接，用于对电路故障信号检测，并将故障信号传送给故障报警模块10；
故障报警模块10，与故障检测模块9连接，用于通过报警器对电路故障进行报警。
无线通信模块5包括卫星通信模块、公共蜂窝通信模块、通信管理模块；
卫星通信模块，用于卫星通信；
公共蜂窝通信模块，用于公共蜂窝通信；
通信管理模块，用于指定某一种或某几种信号强度较好的通信模块建立通信通道。
本发明工作时，温度/压力采集模块1将采集牵引变流器散热系统温度/压力信号发送给主控模块4；通过列车监视模块2监视列车运行途中完整性；通过指令输入模块3输入控制指令操作；通过无线通信模块5使用卫星通信和公共蜂窝通信网络进行无线远程控制，及获取列车信息；通过定位模块6获取当前列车的位置、速度、里程等信息；通过信息记录模块7记录列车运行中的各项信息，并生成列车行驶日志；故障检测模块9对电路故障信号检测，并将故障信号传送给故障报警模块10进行报警，机车司机通过人机交互模块8与列车交互，为机车司机提供驾驶过程的参考信息。
下面结合具体分析对本发明作进一步描述。
本发明实施例提供的基于卫星通信和公共蜂窝通信的列车控制系统，包括：
故障检测模块，与主控模块、故障报警模块连接，用于对电路故障信号检测，并将故障信号传送给故障报警模块；所述故障检测模块故障检测中，将观测到的故障类型、强度信息和故障位置信息收集整理；将收集的故障类型、强度信息和故障位置信息按照划分的量化等级进行量化处理，并建立观测证据表；利用专家知识或经验建立状态间的条件概率转移矩阵，确定时间片段间的状态转移矩阵；建立故障威胁等级与故障因素间的离散动态贝叶斯网络模型；利用建立的观测证据表、条件转移概率表和状态转移概率表，运用隐马尔科夫推理算法计算出最终的故障威胁等级；
主控模块，与无线通信模块、定位模块、故障检测模块连接，用于调度无线通信模块、定位模块、故障检测模块的各个电器元件进行正常工作；
所述主控调度无线通信模块、定位模块、故障检测模块的各个电器元件进行正常工作包括：通过基站和网络监测节点收集异构网络运维数据；将获得的异构网络运维数据进行统一处理，构建统一的运维数据模型；根据构建的运维数据模型对异构网络运维数据和网络故障进行关联分析，实现网络故障定位；网络节点针对定位的故障自主的进行故障分析，调整相应的运维数据，实现故障自愈及网络优化。
所述离散动态贝叶斯网络模型是由观测节点和状态节点构成的有向无环图；故障类型、强度信息和故障位置信息共同构成离散状态节点，故障威胁等级为观测节点；
所述建立的观测证据表、条件转移概率表和状态转移概率表，结合所建立的离散动态贝叶斯网络模型，确定最终的故障威胁等级即为贝叶斯推理过程依据大量状态节点数据推理出观测节点最大可能取值的概率。
确定最终的故障威胁等级即为贝叶斯推理过程依据大量状态节点数据推理出观测节点最大可能取值的概率，包括：系统参数λ和观测序列y，前向-后向算法推理出概率p(y|λ)的过程如下：
前向算法，定义前向变量αt(i)＝p(y1,y2,...,yt,xt＝i|λ)
初始化：α1(i)＝πibi(y1),1≤i≤n
递归运算：
结果：
后向算法，定义后向变量βt(i)＝p(yt+1,yt+2,...,yt|xt＝i,λ)
初始化：βt(i)＝1,1≤i≤n
递归运算：
结果：
将前向算法、后向算法结合起来构成前向-后向算法：
最终，根据确立的观测证据表、条件转移概率表和状态转移概率表，结合前向-后向算法推理出故障威胁等级；
所述的离散动态贝叶斯网络模型中各节点的状态集合用s表示，各因子用下标区分，如下所示：
stt＝{恶劣，一般，低}；
sioe＝{强，中，弱}。
所述故障检测模块包括：
信息收集整理模块，用于将观测到的故障类型、强度信息和故障位置信息收集整理；
观测证据表建立模块，用于将收集的故障类型、强度信息和故障位置信息按照划分的量化等级进行量化处理，并建立观测证据表；
状态转移矩阵确定模块，用于利用专家知识或经验建立状态间的条件概率转移矩阵，确定时间片段间的状态转移矩阵；
模型建立模块，用于建立故障威胁等级与故障因素间的离散动态贝叶斯网络模型；
等级计算单元，用于利用建立的观测证据表、条件转移概率表和状态转移概率表，运用隐马尔科夫推理算法计算出最终的故障威胁等级。
所述异构网络运维数据包括列车测量报告、网络计数器数据、路测数据、异构网络的关键性技术指标、网络故障信息和异构网络无线参数；
所述对异构网络运维数据进行统一处理包括数据选取、数据预处理和数据变换；
所述数据预处理包括对数据的噪声处理，所述数据的噪声处理包括删除网络故障信息数据中无法识别的数据和在关键告警信息上有缺失的数据；
所述在关键告警信息上有缺失的数据包括无告警网元标示的数据、无告警类型标示的数据和无告警时间标示的数据；
所述构建统一的运维数据模型过程如下：
首先，选取参考告警信息参数向量，建立参考数列x0，
x0＝{x0(k)|k＝1,2,…,n}＝(x0(1),x0(2),…,x0(n))
其中k表示时刻，x0表示告警信息，n表示告警信息参数向量特征维数；
其次，假设有m个比较故障告警信息数据，建立比较数列xi
xi＝{xi(k)|k＝1,2,…,n}＝(xi(1),xi(2),…,xi(n))i＝1,2,…,m
然后，建立比较数列xi对参考数列x0在k时刻的关联系数ζi(k)
其中，w1为各个参数相应的权重，其根据用户的网络属性进行调整和决定；其中ρ为分辨系数，ρ∈[0,+∞)；ρ越大，分辩率越大；ρ越小，分辩率越小；
最后，计算出比较数列xi对参考数列x0的关联度
所述通过关联分析对故障告警信息、kpi指标及网络之间故障建立映射关系，构建故障定位模型，通过bp神经网络进行网络故障定位；所述网络故障定位具体包括如下过程：
首先，获取m维告警向量qn＝(s1,s2,s3…sm)和n维故障向量on＝(p1,p2,p3…pm)，并将其通过多个网络节点同时输入，使系统具有并行结构和并行处理能力，对输入进行实时的动态处理；
其次，bp网络，为每个连接的权值赋予指定范围内的值，同时为每个神经元节点指定阈值；
再次，组输入告警样本机器目标结果提供给网络，并计算神经网络节点的连接权值，阈值及各个隐含层单元的输入和输出值；
然后，正各层误差：利用目标向量和网络实际输出值计算输出层单元的误差，并结合隐含层的各单元的输出来修正连接权值和阈值，进行反向误差传播修正；
最后，训练样本向量和对异构网络系统进行训练，直到训练完全部样本后将络运维故障告警信息，输入训练好的bp网络进行网络故障定位。
下面结合仿真实验对本发明作进一步描述。
仿真结果及分析
此处仿真的目的是验证在已知证据(目标特征参数)的前提下，应用上述基于离散动态贝叶斯网络的故障信息威胁评估模型进行推理估计不同威胁度的概率。从而正确地推理出故障对列车的威胁程度，为列车的正常运行提供依据，在没有任何观测证据的情况下，假设p(威胁度高)＝0.3，p(威胁度中)＝0.4，p(威胁度低)＝0.3，这是一个合理的起点。现在开始收集每一个节点上的证据，并假设这些证据相互独立。假设当前时刻，一架列车运行，对该运行时的状况观察10个时刻，并实时地描述威胁相关因子的状况。根据不同时刻得到的观测证据，设定被选择目标的10个时刻的观测值，如表1所示。通过对比目标在不同观测时刻证据的变化，来推理估计故障威胁类型。仿真结果如表2所示。
表1列车在不同观测时刻证据表
表2故障威胁评估结果
当运行数据正常时，虽存在较小的差异，但评估出的故障威胁等级相同。而当由于测量或其它原因引起数据异常时，此时重新评估故障威胁等级结果如表3。
表3数据异常时故障威胁评估结果
本发明从仿真结果可以看出：在各个时刻，观测到的相关因子的状态不尽相同，威胁度为何种状况有时也不是很明显，但是经过离散动态贝叶斯网络的推理，使得威胁度的评估结果更为确切；尽管在不同的观测时刻，推理出的特征值可能发生变化或者缺失，仍然可以综合推理出故障威胁的程度。
本发明实现了连续观测值和离散动态贝叶斯网络的有机结合，将所有可观测的与故障威胁度相关的重要因子综合起来进行判断推理，建立了适用于故障威胁度推理的离散动态贝叶斯网络模型，并结合hmm推理算法推理出故障威胁程度的概率分布。此方法可以进一步推广诸多领域，具有较大的应用前景。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。