一种基于复杂网络的高速列车系统安全评估方法
【专利摘要】本发明公开了属于高速列车系统安全【技术领域】的一种基于复杂网络的高速列车系统安全评估方法，该方法包括如下步骤：(1)构建高速列车系统物理结构网络模型，基于网络模型构建节点功能属性度；(2)提取部件的功能属性度、失效率、平均无故障时间作为输入量，并利用LIBSVM软件进行SVM训练；(3)进行加权kNN-SVM判断：对于无法分类的样本点进行判断，得出高速列车系统的安全性等级。对于物理结构及运行情况复杂的高速列车系统，该方法能够解决当系统中部件状态发生变化后对系统安全性影响程度的评估。实验结果表明该算法的精确度高，实用性好。
【专利说明】一种基于复杂网络的高速列车系统安全评估方法
【技术领域】
[0001] 本发明属于高速列车系统安全【技术领域】，特别涉及一种基于复杂网络的高速列车 系统安全评估方法。
【背景技术】
[0002] 随着高速铁路的发展，动车组的安全性问题也得到广泛的关注。针对高铁列车安 全性研究，"频度-后果"矩阵法是比较成熟的，也是应用最广泛的方法。矩阵法中的频率、 后果都是由根据专家经验给出，存在较强的主观性。
[0003] SVM(支持向量机）具有结构简单、学习速度快、推广性能好、优化求解时具有唯一 的极小点等。SVM是为了解决二分类问题而提出来的，对于多分类问题，SVM算法存在一个 缺点：当投票结果出现平票时，无法正确判断出样本所属安全等级。加权kNN(k近邻）是对 SVM无法准确分类的样本进行重新判断，即对于k个类别，判断样本点距离哪一类近，就把 样本点分到哪一类。
[0004] 与目前比较常用的高铁安全性评价方法矩阵法相比，基于加权kNN-SVM的安全评 估方法，从部件在系统中的地位以及部件的可靠性出发，剔出了矩阵法中的主观因素，因此 对高铁的安全性评估具有重大的实用价值和推广意义。
【发明内容】
[0005] 本发明的目的是提供了一种基于复杂网络的高速列车系统安全评估方法，其特征 在于，包括下述步骤：
[0006] 步骤一、根据高速列车物理结构关系，构建高速列车网络模型G (V，E)，
[0007] I. 1.将高速列车系统中的部件抽象为节点，即V = Iv1, V2，…，vn}，其中V为节点 集合，Vi为高速列车系统中的节点（部件），n为高速列车系统中节点的个数；
[0008] 1.2.部件与部件之间存在的物理连接关系抽象为连接边，即E= {ei2，e13，一 ，eij}，i，j彡n。其中E为连接边的集合，为节点i和节点j之间的连接边；
[0009] 1. 3.基于高速列车网络模型，计算节点的功能属性度值:节点i的功能属性度 为
[0010] Jf=為 **,' (1)
[0011] 其中A i为节点i的失效率，ki为复杂网络理论中节点i的度，即与该节点相连的 边数；
[0012] 步骤二，通过对高速列车运营故障数据分析，结合高速列车系统的物理结构，提取 部件的功能属性度值4、失效率A i、平均无故障时间（MTBF)作为训练样本集，对训练样本 集进行归一化处理：
【权利要求】
1. 一种基于复杂网络的高速列车系统安全评估方法，其特征在于，包括下述步骤： 步骤一，根据高速列车物理结构关系，构建高速列车网络模型G (V，E)， 1. 1.将高速列车系统中的部件抽象为节点，即V = Iv1, V2，…，vn}，其中V为节点集合， Vi为高速列车系统中的节点，η为高速列车系统中节点的个数； 1.2. 部件与部件之间存在的物理连接关系抽象为连接边，即E= {e12, e13，…，eij}， i，j彡η ;其中E为连接边的集合，为节点i和节点j之间的连接边； 1.3. 基于高速列车网络模型，计算节点的功能属性度值Ill:节点i的功能属性度为 d; =Λ#*,· (I) 其中λ i为节点i的失效率，ki为复杂网络理论中节点i的度，即与该节点相连的边 数； 步骤二，通过对高速列车运营故障数据分析，结合高速列车系统的物理结构，提取部件 的功能属性度值4、失效率λ i、平均无故障时间MTBF作为训练样本集，对训练样本集进行 归一化处理： 2. 1.失效率λ i的计算公式为
2. 2.平均无故障时间MTBF由故障数据中记录的故障时间得出，即
2. 3.利用支持向量机SVM对样本进行训练； 步骤三，利用kNN-SVM对样本进行安全等级划分； 3. 1.对k个安全等级的训练样本进行两两分区，针对
个SVM分类器，分别建立 最优分类面，其表达式如下：
其中，1为第i个安全等级和第j个安全等级的样本数，K(Xip X)为核函数，X为支持向 量，at为SVM的权值系数，bu为偏移系数； 3. 2.对于待测部件，分别组合上述两类分类器，并使用投票法，对部件所属的安全等级 进行计票；得票最多的类，则为该部件所属安全等级； 3. 3.由于高速列车系统运行环境复杂，因此，利用SVM分类时容易出现无法分类的情 况，因此定义基于加权kNN的判别函数，对部件重新进行安全等级划分，具体步骤如下： 训练集{Xi, yj，…，{xn, yj中，共有1个安全等级即Ca1, ca2, . . .，Ca1，第i个安全等 级的样本中心为
，其中Iii为第i个安全等级的样本数，则部件&到第i个安全 等级样本中心的欧式距离为
式中：\m为测试样本中第j个样本点的第m个特征属性；cim为第i类样本中心中第m 个特征属性； 定义距离判别函数
定义基于加权kNN的不同类别的样本紧密度为
其中：m为k个近邻的个数；Ui (X)为测试样本属于第i个训练数据的紧密度隶属度； Ui (χω)为第j个近邻属于第i个安全等级的隶属度，即 则样本点的分类判别函数为
(Ii (x) = Si (x) X μ i (x) (6) 计算样本属于各个安全等级的紧密度Cli (X)，Cli (X)值最高的类别为样本点预测结果。
2.根据权利要求1所述一种基于复杂网络的高速列车系统安全评估方法，其特征在 于，依据动车组一二级检修章程与故障数据记录，所述高速列车安全性划分为如下等级：
即y = 1对应的安全等级1为安全，包含列车的运行状态为无影响、继续运行；y = 5对 应的安全等级2是较安全，包含列车的运行状态为临修、碎修，晚点；y = 10对应的安全等 级3是不安全，包含列车的运行状态为停运、未出库。
【文档编号】G06F17/50GK104392071SQ201410768888
【公开日】2015年3月4日 申请日期:2014年12月12日 优先权日:2014年12月12日
【发明者】贾利民, 秦勇, 王艳辉, 林帅, 史浩, 毕利锋, 郭磊, 李莉洁, 李曼 申请人:北京交通大学