貝葉斯網絡在ZPW-2000K無絕緣軌道電路故障診斷中的應用

楊 帆王堅強陳世然

（1．西南交通大學，成都 610031；

2．中鐵二院工程集團有限責任公司，成都 610031；

3．四川省地方鐵路局鐵路工程勘察設計所，成都 610031）

貝葉斯網絡在ZPW-2000K無絕緣軌道電路故障診斷中的應用

楊 帆1王堅強2陳世然3

（1．西南交通大學，成都 610031；

2．中鐵二院工程集團有限責任公司，成都 610031；

3．四川省地方鐵路局鐵路工程勘察設計所，成都 610031）

考慮到ZPW-2000K無絕緣軌道電路故障的復雜性和不確定性，提出一種基于貝葉斯網絡的故障診斷方法。在充分利用先驗知識和現(xiàn)場數據的基礎上，通過融合專家知識和SEM算法得到最優(yōu)的貝葉斯網絡結構。最后采用成渝高鐵故障數據對基于貝葉斯網絡的故障診斷模型進行驗證，測試結果表明該模型的精確性和實用性。

貝葉斯網絡；ZPW-2000K；故障診斷

1 背景介紹

針對軌道電路故障診斷的特點，基于專家系統(tǒng)、神經網絡等人工智能故障診斷技術被廣泛研究并取得良好的效果。但是這些方法具有各自的局限性。比如專家系統(tǒng)過多依賴專家的經驗知識，知識獲取方面還存在不足；神經網絡易陷入局部最小值，穩(wěn)定性較低，影響故障診斷效果。考慮到軌道電路設備故障的復雜性、不確定性以及室外現(xiàn)場數據采集精度較低的局限性，需要嘗試一些新的智能故障診斷方法。貝葉斯網絡（Bayesian Networks，BN）作為一種高效的不確定性知識表達與推理方法，已經被廣泛應用于故障診斷領域。但是在軌道電路故障診斷中還尚未使用。因此，本文提出基于貝葉斯網絡的ZPW-2000K無絕緣軌道電路故障診斷方法，充分利用領域專家知識和現(xiàn)場數據，同時融合貝葉斯網絡推理方法，使得軌道電路故障診斷結果更加精確。以成渝高鐵軌道電路故障數據為依據，對該貝葉斯網絡模型進行驗證和分析。

2 理論介紹

2.1 軌道電路介紹

ZPW-2000K無絕緣軌道電路通過軌道繼電器的吸起與落下反映列車是否占用閉塞分區(qū)，并向列車傳遞前方信息。軌道電路設備主要包括室內設備和室外設備。室內設備包括發(fā)送器、接收器、衰耗冗余控制器、模擬網絡盤等，室外設備包括調諧匹配單元、空芯線圈、補償電容、鋼包銅引接線等。

2.2 貝葉斯網絡理論

貝葉斯網絡是基于有向無環(huán)圖的模型結構。它的學習由網絡結構學習和參數學習兩部分構成。BN結構也稱有向無環(huán)圖,表明網絡中各節(jié)點之間的關聯(lián)關系,各個節(jié)點可看作是取離散值的變量；BN參數是指網絡節(jié)點的一組條件概率分布的集合。

貝葉斯網絡的主要特點是通過概率來表達事件的不確定性，學習和推理都應用概率論來實現(xiàn)。貝葉斯網絡的推理結果為隨機變量的概率分布，是各種故障發(fā)生的可能性數值描述。也就是根據事件的先驗概率,利用貝葉斯方法計算出事件的后驗概率。比如假設兩個隨機變量A，B的聯(lián)合分布密度為P （A，B）,且P（A），P（B）分別為它們的邊緣概率密度分布。通常狀況下，A為已知變量，B為未知變量，那么根據已知變量對未知變量進行估計，貝葉斯推理定理就可以記作∶

近年來，有關老年健步鞋、老年保健品的廣告日益普遍，敬老院、老年公寓的護理服務水平也向著更加專業(yè)化、標準化和人性化的方向發(fā)展，從側面反映出我國老齡化產業(yè)不斷發(fā)展的狀況。政府一方面加大了老齡化的國民教育，多次開展有關人口老齡化的國情教育，如舉辦中央和國家機關離退休干部人口老齡化國情教育大講堂，另一方面各地政府也開始積極鼓勵生育，推出與“二孩政策”相關的各種政策。老齡化問題已經成為當今的熱點問題。

其中，P（B/A）是B的先驗概率分布。從中可以看出，先驗概率信息和樣本信息是對未知變量估計中必須獲得的信息。

貝葉斯網絡的結構學習通常分為基于領域專家知識的結構學習、基于打分的結構學習兩種方法。前者根據領域專家知識評估變量之間的條件獨立性，然后構建BN網絡，其精確性取決于專家的經驗知識；后者根據事先約定好的搜索策略和評分標準構建BN網絡。常用的貝葉斯網絡結構學習的算法有K2算法、PC算法、EM算法、SEM算法、爬山算法等，本文選擇基于領域專家知識和SEM算法構建貝葉斯網絡。

SEM算法是參數期望最大化算法的一種推廣，將EM算法應用到不完備數據集的貝葉斯網絡學習中。其核心思想是：從初始結構開始迭代，經過N次迭代后，得到當前最佳貝葉斯網絡，然后對訓練數據集進行修補，得到完整數據，然后對貝葉斯網絡模型進行優(yōu)化，最后通過多次迭代得到最終的BN結構。

貝葉斯網絡的參數學習是在已知BN結構的情況下，學習各個節(jié)點的條件概率。主要包括完整數據情況下的參數學習和數據缺失情況下的參數學習。

3 基于BN的軌道電路故障診斷

建立基于貝葉斯網絡的ZPW-2000K無絕緣軌道電路故障診斷系統(tǒng)，為了提高系統(tǒng)診斷的準確性和可靠性，該系統(tǒng)應充分利用領域專家知識和現(xiàn)場數據建立貝葉斯網絡結構，建立的過程如圖1所示，主要步驟如下：

圖1 貝葉斯網絡建立過程

1） 確定貝葉斯網絡的節(jié)點。

2） 通過領域專家知識和SEM打分算法得到各自的BN結構。

3） 融合所得到的2種結果，得到最優(yōu)的BN結構。

4） 用所得到的BN結構進行參數學習。

5） 利用推理算法進行故障推理。

3.1 網絡節(jié)點的確定

根據專家經驗和現(xiàn)場數據確定：ZPW-2000K無絕緣軌道電路常見故障類型如表1所示。

表1 故障類型表

為了更好理解BN中節(jié)點變量間的關系，本文對表1的各類故障節(jié)點分為三層，分別為一級故障層——故障模式層（1、12、18），二級故障層——故障表現(xiàn)層（2、6、7、15、17、20、21、28），三級故障層——故障原因層（3、4、9、10、11、13、14、16、22、23、24、25、26、27），其中標號含義如表1所示。

3.2 最優(yōu)的BN結構

在實際應用中，基于專家知識得到的BN結構并不準確，存在“欠擬合”的問題，結構過于簡單，沒有學習到足夠多的故障因果關系。因此，在基于專家知識的BN結構基礎上，融合基于SEM算法的BN結構，從而得到最優(yōu)的BN結構，步驟如下：

1）同一層中，考慮到兩個節(jié)點之間具有獨立性，所以可以把它們之間的有向邊全部移除。

2）不同層中，SEM算法中只出現(xiàn)一次的有向邊由專家知識確定保留或移除。

由此得到最優(yōu)的BN結構，如圖2所示，其中標號含義如表1所示。

圖2 最優(yōu)的BN結構

3.3 BN參數學習

BN參數是通過訓練樣本數據得到的。由于本文的故障數據來自于開通不久的成渝高鐵，數據不完整，所以采用EM算法得到BN故障節(jié)點的條件概率表。

至此，得到一個完整的基于貝葉斯網絡的ZPW-2000K無絕緣軌道電路故障診斷模型。

4 BN的推理及驗證

貝葉斯網絡推理是指利用BN結構及其條件概率表，在給定證據后計算某些網絡節(jié)點取值的后驗概率。BN推理算法主要有精確推理算法和近似推理算法。根據ZPW-2000K無絕緣軌道電路故障特點，本文采用團樹傳播算法作為推理工具。該算法采用一種圖形方式來表達節(jié)點的條件概率分布,而圖形結構就是無向樹,即團結合樹。團結合樹中每一個節(jié)點代表一個變量集合,稱為團節(jié)點。團樹傳播算法采用消息傳遞的思想,在團結合樹上進行概率運算。當團節(jié)點收到證據信息后，就開始沿著相鄰團節(jié)點互相傳播,消息傳播完后再進行概率計算,也就是對團結合樹進行節(jié)點的消元處理。

本文采用成渝高鐵的現(xiàn)場數據來評估BN模型的診斷效果。所使用的故障數據收集于成渝高鐵聯(lián)調聯(lián)試期間以及開通初期，收集的故障總數為982條，與軌道電路相關的故障為405條，其中315條故障數據進行貝葉斯網絡訓練，剩余90條用來驗證貝葉斯網絡的正確性，測試結果準確率如表2所示。

表2 系統(tǒng)測試結果

從表2可以看出，三級故障誤診的概率較大，這是由于成渝高鐵運行不久，故障數據較少，使得貝葉斯網絡參數學習不足。從概率角度考慮，故障發(fā)生次數越多，其先驗概率就越大，因此，在證據不足的情況下，極易發(fā)生誤診。

5 結束語

本文提出一種基于貝葉斯網絡的ZPW-2000K無絕緣軌道電路故障診斷方法，充分利用專家知識和現(xiàn)場數據建立貝葉斯網絡，最后以成渝高鐵故障數據為例進行驗證，結果表明，該BN故障診斷方法具有良好的精確性和可靠性，有助于電務人員快速處理故障。

[1]張廣遠.ZPW-2000A無絕緣軌道電路系統(tǒng)維修淺析[J].鐵路通信信號工程技術，2004（5）：30-31.

[2]劉朝英,林瑜筠.鐵路信號概論[M].北京∶中國鐵道出版社，2011.

[3]趙瑞淸.專家系統(tǒng)原理[M].北京∶氣象出版社，1987.

[4]草定明.ZPW-2000A信號設備故障診斷專家系統(tǒng)研究[D].北京∶北京交通大學，2009.

[5]王雙成.貝葉斯網絡學習、推理與應用[M].上?！昧⑿艜嫵霭嫔?，2009.

[6]肖秦現(xiàn),高嵩.動態(tài)貝葉斯網絡推理學習理論及應用[M].北京∶國防工業(yè)出版社，2007.

Considering the complexity and uncertainty of fault diagnosis of ZPW-2000K jointless track circuit, the paper puts forward a fault diagnosis method based on Bayesian network (BN). That is, based on fully utilizing a priori knowledge and site date, expert knowledge and SEM algorithm are used to set up an optimum BN structure. At last, The BN model verifi cation is carried out by using fault data of Chengdu-Chongqing high-speed railway. The result shows that the proposed BN model is correct and useful.

Bayesian network; ZPW-2000K; fault diagnosis

10.3969/j.issn.1673-4440.2016.06.021

2016-01-13）