基于快速貝葉斯網(wǎng)絡(luò)的 S700K轉(zhuǎn)轍機(jī)故障診斷研究

肖蒙，翟琛，潘翠亮

（1.五邑大學(xué) 軌道交通學(xué)院，廣東 江門 529020；2.蘭州交通大學(xué) 自動化與電氣工程學(xué)院，甘肅 蘭州 730070；3.西安鐵路局 寶雞電務(wù)段，陜西 寶雞 721000）

基于快速貝葉斯網(wǎng)絡(luò)的 S700K轉(zhuǎn)轍機(jī)故障診斷研究

肖蒙1，2，翟琛2，潘翠亮3

（1.五邑大學(xué) 軌道交通學(xué)院，廣東 江門 529020；2.蘭州交通大學(xué) 自動化與電氣工程學(xué)院，甘肅 蘭州 730070；3.西安鐵路局 寶雞電務(wù)段，陜西 寶雞 721000）

轉(zhuǎn)轍機(jī)故障對鐵路運輸安全和效益影響重大，針對轉(zhuǎn)轍機(jī)故障原因與現(xiàn)象之間的復(fù)雜不確定性關(guān)系，提出一種基于粗糙集約簡的高效貝葉斯網(wǎng)絡(luò)故障診斷方法。首先，建立故障診斷決策表，利用改進(jìn)的差別矩陣算法剔除對結(jié)果影響較小的屬性，得到最簡故障診斷決策表。其次，根據(jù)表中故障現(xiàn)象與故障類型連接關(guān)系建立貝葉斯網(wǎng)絡(luò)模型，利用推理算法求解各類故障發(fā)生的概率。算法通過約簡屬性簡化貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，降低算法復(fù)雜度，加快計算速度。最后，用某車站轉(zhuǎn)轍機(jī)故障實例驗證該智能故障診斷方法的正確性。

轉(zhuǎn)轍機(jī)；故障診斷；粗糙集；差別矩陣；貝葉斯網(wǎng)絡(luò)

高速鐵路的發(fā)展對電務(wù)系統(tǒng)提出了更高的要求，維修人員必須準(zhǔn)確、快速地排除設(shè)備故障。目前我國的轉(zhuǎn)轍機(jī)維修仍沿用傳統(tǒng)的故障檢修方式，已不能適應(yīng)鐵路發(fā)展的需求。因此，如果提出一種智能故障診斷方法，針對轉(zhuǎn)轍機(jī)故障能快速、準(zhǔn)確判斷故障類型，給現(xiàn)場維修人員給予指導(dǎo)，則可以降低故障延時。

轉(zhuǎn)轍機(jī)的故障原因和故障征兆呈隨機(jī)性、不確定性。王思明等［1］提出基于支持向量機(jī)的診斷方法，推理和解釋能力強(qiáng)，但獲取知識困難、容錯能力差；董海鷹等［2］提出基于證據(jù)理論和信息融合的方法，該方法容錯性較強(qiáng)，但不具備學(xué)習(xí)能力；蘇廣宇等［3］利用神經(jīng)網(wǎng)絡(luò)方法解決故障診斷問題，容易陷入局部最優(yōu)；Huang等［4］用標(biāo)準(zhǔn)貝葉斯網(wǎng)絡(luò)對處理不確定性知識推理問題具有較強(qiáng)的計算能力，但容易陷入局部最優(yōu)和縮小搜索空間。所有文獻(xiàn)僅僅分析轉(zhuǎn)轍機(jī)的電路故障，而在電務(wù)部門的轉(zhuǎn)轍機(jī)故障記錄中，絕大部分故障是由機(jī)械原因引起的，僅僅分析電路故障沒有實際意義，所以論文綜合分析機(jī)械故障和電路故障具有現(xiàn)實意義。論文針對上述文獻(xiàn)中計算速度慢、容易陷入局部最小等問題，文中引入粗糙集理論，通過改進(jìn)差別矩陣算法對故障診斷決策表進(jìn)行知識約簡，得到最簡故障診斷決策表，利用表中的連接關(guān)系建立轉(zhuǎn)轍機(jī)故障診斷的貝葉斯網(wǎng)絡(luò)模型，將粗糙集理論與貝葉斯方法相結(jié)合的應(yīng)用，有效增強(qiáng)了故障診斷的快速性和準(zhǔn)確性。

1 粗糙集理論簡介

粗糙集理論由波蘭數(shù)學(xué)家Z.Pawlak教授提出，是用以處理不精確、不確定知識的工具，文中主要利用粗糙集理論中求核與約簡的方法，在不刪除關(guān)鍵信息的前提下對知識進(jìn)行約簡，獲取最小故障診斷決策表。目前約簡方法以基于差別矩陣的算法為主。

利用粗糙集理論約簡就是對故障診斷決策表進(jìn)行約簡。根據(jù)知識表達(dá)系統(tǒng)定義決策表：

定義1：用知識表達(dá)系統(tǒng)定義決策表，令SD= （U，A，V，f）為知識表達(dá)系統(tǒng)，設(shè) C為條件屬性集合，D為決策屬性，屬性集合 A可以表示為 A=（C ∪D），且此時C∩D=φ，則決策表即為具有不同條件屬性和決策屬性的知識表達(dá)系統(tǒng)［5］。

定義2：根據(jù)故障現(xiàn)象表和故障類型表得到故障信息的決策表 SD=（U，A，V，f），則該故障信息系統(tǒng)的差別矩陣可定義為式（1）：

其中，

2 基于改進(jìn)差別矩陣算法的屬性約簡

2.1 差別矩陣算法的缺陷

1）差別矩陣算法不考慮元素所含屬性的分類能力，對整個矩陣進(jìn)行遍歷計算，整個屬性約簡過程耗時相對較長。因此，可以通過改進(jìn)算法對元素所含屬性進(jìn)行分類處理，避免對整個矩陣進(jìn)行計算［6］。

2）計算差別矩陣時，差別矩陣中會出現(xiàn)大量的重復(fù)元素，例如：提取的第k+1個差別元素，可能與第k個差別元素存在包含關(guān)系，使求核屬性的計算過程相當(dāng)復(fù)雜。

2.2 基于改進(jìn)差別矩陣算法的屬性約簡

算法改進(jìn)的思想是將原有矩陣各元素中的屬性重新分類，并按屬性包含基數(shù)大小排列成新的集合，基數(shù)較小的集合中元素所含屬性少，因此，相比基數(shù)大的集合，其分類能力更強(qiáng)。使用差別矩陣算法對矩陣進(jìn)行計算時，首先在基數(shù)小的集合中選取分類能力最強(qiáng)的屬性（某些集合中可能只包含一個屬性，即為分類能力最強(qiáng)的屬性），然后再考慮基數(shù)較大的集合。此時可以快速選出分類能力強(qiáng)的屬性并加快粗糙集的計算速度。

算法1：

輸入：SD=＜U，A，V，f＞

1）列出差別矩陣；

2）將差別矩陣中元素按照所含屬性的基數(shù)從小到大進(jìn)行分類，組成如M1，M2，…，Mn的新集合；

3）M1中所含屬性基數(shù)最小，若M1不為空，則M1中所含屬性即為核屬性 k，將k?B，k?mij；

5）判斷M（SD）是否為空，若為空則輸出B，算法結(jié)束；否則執(zhí)行（6）；

6）計算非空屬性集M中集合所包含屬性的重要性，

若Sig（c′，B，A）=max｛Sig（c，B，A）｝，（其中，c∈A-B），則B∪｛c′｝?B，轉(zhuǎn)向（4）；

算法結(jié)束。

算法2：在算法1基礎(chǔ)上改進(jìn)對差別矩陣的計算方法。在用差別矩陣求解差別函數(shù)時，所有元素之間為合取關(guān)系，根據(jù)合取變換的吸收律可知，重復(fù)元素在合取變換中不起作用。本算法的思想是將差別矩陣中重復(fù)元素置為空，則置空前后對決策表屬性約簡是相同的。在闡述算法流程之前，應(yīng)先說明如何能快速確定差別矩陣中有無元素包含關(guān)系。

證明：因為S中元素基值可能相同，也可能不同，則需分情況討論。

1）M中元素基值相同。

2）M中元素基值不同。

設(shè) M中有 J個基為 i的元素，k個基為 j的元素，且1＜i＜j＜S，0＜J＜C，0＜K＜C，此時根據(jù)i，j的大小分2種情況。

快速計算差別矩陣方法流程如下：

1）差別矩陣不用表格形式給出，直接從決策表中提取并保留差別元素；

3）從序號 k=1開始，保留第k個差別元素，若第k+1個差別元素包含于 1～k之間的差別元素時，則將第k+1差別元素置0；

此時開始執(zhí)行算法1的第（2）步，得出屬性的約簡。

2.3 幾種差別矩陣算法對比

文中介紹了傳統(tǒng)差別矩陣算法的不足，同時提出2種改進(jìn)的差別矩陣算法（算法1、算法2），為證明算法改進(jìn)效果，引入實例分別對這幾種方法進(jìn)行驗證。

表1為轉(zhuǎn)轍機(jī)故障診斷決策表，其中 d表示故障類型，c表示故障現(xiàn)象。

表1 故障診斷決策表Table1 Decision table of fault diagnosis

表2是3種算法約簡結(jié)果及時間開銷對比，可見算法改進(jìn)及簡化差別矩陣對最終約簡結(jié)果沒有影響，只是減少算法的時間開銷。因此，改進(jìn)的差別矩陣算法可以加快決策屬性約簡速度，同時可降低貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜度［7］。

表2 3種算法約簡結(jié)果及約簡時間開銷對比Table2 The comparison of reduction result and time overhead between three algorithm

3 基于粗糙集理論的貝葉斯網(wǎng)絡(luò)建模

貝葉斯網(wǎng)絡(luò)是一種基于概率推理的圖形化網(wǎng)絡(luò)，適用于處理不確定性問題。與Petri網(wǎng)、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)等故障診斷方法相比，貝葉斯網(wǎng)絡(luò)具有診斷模型清晰直觀、容錯能力強(qiáng)、診斷速度快、能綜合先驗和后驗信息來消除主觀偏見和噪聲影響等優(yōu)勢［8-9］。論文以某電務(wù)段管內(nèi) S700K轉(zhuǎn)轍機(jī)故障為例，其故障類型和故障現(xiàn)象的連接關(guān)系如表3所示，其中 c1-c11代表轉(zhuǎn)轍機(jī)的故障類型，d1-d13代表轉(zhuǎn)轍機(jī)的故障現(xiàn)象。

表中數(shù)據(jù)為連續(xù)值，即各屬性為連續(xù)屬性。按照粗糙集理論，必須將其離散化，mij為因果強(qiáng)度，表示當(dāng)原因發(fā)生的前提下，導(dǎo)致結(jié)果發(fā)生的概率。當(dāng) mij＞0.5時量化為 2，0＜mij≤0.5時量化為1，mij=0時量化為0，可直觀表示故障引起此類現(xiàn)象的概率較大、較小，或者概率為0。故障診斷決策表如表4所示。

表3 故障現(xiàn)象與故障類型連接關(guān)系集合Table3 Connection relationship set between failure phenomenon and failure type

表4 S700K轉(zhuǎn)轍機(jī)故障診斷決策表Table4 Decision table of fault diagnosis for S700K switch machine

用改進(jìn)的差別矩陣算法進(jìn)行屬性約簡，得到?jīng)Q策表的核屬性為｛c1，c4，c7，c10｝，最小屬性集為｛c1，c3，c4，c6，c7，c9，c10｝，則 S700K轉(zhuǎn)轍機(jī)故障診斷貝葉斯網(wǎng)絡(luò)模型如圖1所示［10］，圖中故障類型c為父節(jié)點，故障現(xiàn)象 d為子節(jié)點。

圖1 S700K轉(zhuǎn)轍機(jī)故障診斷貝葉斯網(wǎng)絡(luò)模型Fig.1 Bias network model of fault diagnosis for S700K switch machine

4 轉(zhuǎn)轍機(jī)故障診斷實例

例如某電務(wù)段管內(nèi)某車站道岔故障，經(jīng)分析現(xiàn)象為轉(zhuǎn)轍機(jī)可以轉(zhuǎn)動，但室內(nèi)控制臺無表示，故障類型為c7。利用貝葉斯網(wǎng)絡(luò)推理，得到各故障類型的后驗概率［11］。

常用推理算法包括：多樹傳播算法、團(tuán)樹傳播算法、圖約簡算法、組合優(yōu)化算法。本文利用團(tuán)樹傳播算法，其思想是將貝葉斯網(wǎng)絡(luò)轉(zhuǎn)化為團(tuán)樹，通過定義在團(tuán)樹上的消息傳遞過程計算概率，算法計算流程如下：

1）構(gòu)造端正圖；

2）確定變量消元順序；

3）構(gòu)造團(tuán)樹；

4）設(shè)置推理證據(jù)。

表5即為利用貝葉斯推理計算的故障發(fā)生概率。

表5顯示了轉(zhuǎn)轍機(jī)故障時，所有可能的故障現(xiàn)象出現(xiàn)的概率，根據(jù)故障診斷系統(tǒng)的判定規(guī)則，發(fā)生概率最大的故障類型即為轉(zhuǎn)轍機(jī)的最大可能故障點。系統(tǒng)推理結(jié)果中發(fā)生概率最大的故障類型為 c11，即道岔表示桿缺口未到位，與現(xiàn)場故障原因分析一致，說明論文建立的故障診斷模型能夠滿足鐵路轉(zhuǎn)轍機(jī)故障診斷要求。

表5 不同類型故障發(fā)生概率Table5 Probability of each type of failure

5 結(jié)論

1）利用排序分類思想改進(jìn)差別矩陣算法，避免不必要的遍歷計算，并在此基礎(chǔ)上優(yōu)化了計算差別矩陣的方法，在加快約簡速度的同時，保證約簡結(jié)果準(zhǔn)確無誤；

2）用約簡后的決策表構(gòu)建貝葉斯網(wǎng)絡(luò)模型，簡化了貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，加快故障診斷速度。

［1］王思明，雷燁.一種基于 LS-SVM的道岔控制電路故障診斷［J］.蘭州交通大學(xué)學(xué)報，2010，29（4）：1-5.WANG Siming，LEI Ye.The control circuit fault diagnosis of switch based on LS-SVM［J］.Journal of Lanzhou Jiaotong University，2010，29（4）：1-5.

［2］董海鷹，李娜.基于 D-S證據(jù)理論信息融合的轉(zhuǎn)轍機(jī)故障診斷方法研究［J］.測試技術(shù)學(xué)報，2013，27（1）：1-6.DONG Haiying，LI Na.Fault diagnosis method for switch machine based on D-S evidence theory information fusion［J］.Journal of Test and Measurement Technology，2013，27（1）：1-6.

［3］蘇廣宇，陳洪云，歐陽宏志.提速道岔故障的人工智能診斷實現(xiàn)［J］.微計算機(jī)信息，2007，23（8-1）：188-189.SU Guangyu，CHEN Hongyun，OUYANG Hongzhi.Use artificial intelligence to diagnose the fault of speediness railway switch［J］.Microcomputer Information，2007，23 （8-1）：188-189.

［4］Huang Yingping，McMurran R，Dhadyalla G，et al.Probability based vehicle fault diagnosis：Bayesian network method［J］.Journal of Intelligent Manufacturing，2008，19 （3）：301-311.

［5］栗然，高聰穎，張烈勇.基于粗糙集-貝葉斯方法的分布式電網(wǎng)故障診斷方法［J］.華北電力大學(xué)學(xué)報，2010，37（2）：1-7.LI Ran，GAO Cong-ying，ZHANG Lieyong.The distributed fault diagnosis of power networks based on Bayesian rough set method［J］.Journal of North China Electric Power University，2010，37（2）：1-7.

［6］王培吉，趙玉琳，呂劍峰.粗糙集屬性約簡的方法［J］.計算機(jī)工程與應(yīng)用，2012，48（2）：113-115.WANG Peiji，ZHAO Yulin，LV Jianfeng.New method of attribute reduction based on rough set［J］.Computer Engineering and Applications，2012，48（2）：113-115.

［7］李娜，董海鷹.基于 D-S證據(jù)理論信息融合的軌道電路故障診斷方法研究［J］.鐵道科學(xué)與工程學(xué)報，2012，9（6）：107-112.LI Na，DONG Haiying.Research on track circuit fault diagnosis method based on D-S evidence theory information fusion［J］.Journal of Railway Science and Engineering，2012，9（6）：107-112.

［8］李儉川，胡蔦慶，秦國軍，等.貝葉斯網(wǎng)絡(luò)理論及其在設(shè)備故障診斷中的應(yīng)用［J］.中國機(jī)械工程，2003，14 （10）：896-900.LI Jianchuan，HU Niaoqing，QIN Guojun，et al.Bayesian network theory and its application in fault diagnosis［J］.China Mechanical Engineering，2003，14（10）：896-900.

［9］Przytula K W，Thompson D.Construction of bayesian networks for diagnostics［C］//IEEE Aerospace Conference Proceedings，2000，5：193-200.

［10］Pawlak Z.Rough sets，decision algorithms and Bayes’theorem［J］.European Journal of Operational Research，2002，13（1）：181-189.

［11］Qian Zhu，Yingying Zhang.Construction of customer classification model based on Bayesian network［J］.Journal of Computers，2013，8（5）：1200-1206.

（編輯 蔣學(xué)東）

Research on S700K switch machine fault diagnosis based on fast Bayesian network

XIAO Meng1，2，ZHAI Chen2，PAN Cuiliang3

（1.School of Rail Transit，Wuyi University，Jiangmen 529020，China；2.School of Automation&Electrical Engineering，Lanzhou Jiaotong University，Lanzhou 730070，China；3.Baoji Services Section，Xi'an Railway Bureau，Baoji 721000，China）

The impact of switch machine on the safety and efficiency of railway transportation is significant.A senior Bayesian network fault diagnosis method based on rough set theory was proposed according to the complex uncertainty relation between the fault reasons and phenomena.Firstly，the fault diagnosis decision table that used the improved discernibility matrix algorithm to eliminate attribute that had little effect on the result was formed to obtain the most simple fault diagnosis decision table.Secondly，the Bayesian network model was established according to the relationship between failure phenomenon and failure type，and the probability of kinds of failure was solved using reasoning algorithm.The algorithm could simplify Bayesian network structure and decrease calculation speed through reducing attribute.Finally，the correctness of the intelligent fault diagnosis method was verified through a case example of a service section switch machine fault.

switch machine；fault diagnosis；rough set；discernibility matrix；Bayesian network

TP391.5

A

1672-7029（2015）02-0414-05

2014-11-12

鐵道部科技研究開發(fā)計劃項目（2012X003-B）

肖蒙（1974-），男，湖北孝感人，副教授，從事交通信息工程、系統(tǒng)可靠性的研究；E-mail：284287843@qq.com