一種基于統(tǒng)計學模型的城軌信號系統(tǒng)故障診斷方法

譚力天，陳 昕，李澎東

（湖南中車時代通信信號有限公司，湖南 長沙 410005）

0 引言

基于通信的列車運行控制系統(tǒng)（communication based train control, CBTC）主要包括列車自動駕駛（automatic train operation, ATO）、列車自動防護（automatic train protection, ATP）、區(qū)域控制器（zone controller, ZC）、聯(lián)鎖（computer interlocking, CI）、列車自動監(jiān)控（automatic train supervision, ATS）及數(shù)據(jù)通信系統(tǒng)（data communication system, DCS）等子系統(tǒng)[1-2]。在系統(tǒng)運行過程中，各子系統(tǒng)間數(shù)據(jù)實時交互，會產(chǎn)生大量的日志數(shù)據(jù)。由于子系統(tǒng)記錄日志數(shù)據(jù)具有專業(yè)性，使得數(shù)據(jù)分析成為一項繁重、復雜的專業(yè)工作。目前對運行數(shù)據(jù)的分析與CBTC 系統(tǒng)故障定位不僅嚴重依賴工作人員專業(yè)技能，同時只能被動地等待問題出現(xiàn)后以時間點去定位故障位置，處理問題效率低但對工作人員專業(yè)技能要求高。

目前，在故障診斷方面，故障診斷專家系統(tǒng)應用人類專家的知識和解決問題的方法，通過建立知識庫與推理機，實現(xiàn)確定性故障診斷[3]，其被應用到ZPW2000A型無絕緣移頻閉塞設(shè)備的故障診斷，通過歸納常見故障類型及特征，實現(xiàn)專家系統(tǒng)功能模塊的構(gòu)建[4]；小波分析和深度信念網(wǎng)絡(luò)概念被引入到列車牽引系統(tǒng)故障診斷之中，在離線機車記錄分析中發(fā)揮了作用[5]；模糊Petri網(wǎng)絡(luò)模型與神經(jīng)網(wǎng)絡(luò)算法的結(jié)合應用，實現(xiàn)了故障診斷算法的動態(tài)自適應，提高了故障診斷的準確度[6]；而統(tǒng)計學方法適用于大數(shù)據(jù)系統(tǒng)，其基于多向保局投影[7]進行過程監(jiān)控故障診斷，利用統(tǒng)計學特性將過程監(jiān)控的故障數(shù)據(jù)投影到統(tǒng)計模型中，從而獲得故障特征[8]?；诮y(tǒng)計學的模型故障診斷方法主要包括貢獻圖法、結(jié)構(gòu)化殘差法、信號重構(gòu)法和模式分類法[9]，其中模式分類法是通過統(tǒng)計方法獲得故障的表征模式，由于不同的故障在特性上通常具有相似性，通過建立故障信息庫，可以采用模式分類方法對故障進行分類。統(tǒng)計學馬爾可夫模型是以簡單的表述解決復雜的問題，自20 世紀80 年代開始被陸續(xù)成功地應用于語音識別、機器翻譯、拼寫糾錯、圖像處理和基因序列分析等多個領(lǐng)域[10-11]。文獻[3-4]中故障診斷專家系統(tǒng)需要搭建知識庫與推理機進行故障診斷，較統(tǒng)計學方法復雜；文獻[5-6]在實時故障診斷方面應用較統(tǒng)計學方法還不成熟；而統(tǒng)計學方法應用成熟可靠，其大數(shù)據(jù)特性適用范圍廣，并已經(jīng)在城市軌道交通領(lǐng)域列車自動監(jiān)控方面取得應用。為此，本文提出一種基于統(tǒng)計學模型的故障診斷方法，以實現(xiàn)對城軌CBTC 信號系統(tǒng)故障的快速、準確定位。

1 CBTC 系統(tǒng)故障診斷現(xiàn)狀及分類

1.1 故障診斷現(xiàn)狀

針對CBTC 系統(tǒng)故障，相應系統(tǒng)的運營或售后服務(wù)人員憑借自身的經(jīng)驗和知識，通過分析故障時間段內(nèi)日志數(shù)據(jù)來進行維護和故障分析。在實際維護過程中，各子系統(tǒng)間的配合和運營或售后人員的技術(shù)水平直接影響故障分析的效率和準確性，在很多情況下需要研發(fā)人員介入分析。運營或售后人員及研發(fā)人員需依靠培訓或?qū)W習來提高技術(shù)水平，易受到人員流動或成長周期等因素影響，成本較高、成效較慢。

CBTC 系統(tǒng)是地鐵運營中的“大腦”，需各子系統(tǒng)密切聯(lián)系、相互協(xié)作，使得故障現(xiàn)象表征子系統(tǒng)和實際故障子系統(tǒng)可能不一致，單獨分析子系統(tǒng)不能及時定位故障，需要多個子系統(tǒng)專業(yè)人員的相互配合，效率低，通用性不強。

在CBTC 系統(tǒng)運行過程中產(chǎn)生的大量日志數(shù)據(jù)只有在系統(tǒng)故障時才會用來進行分析，系統(tǒng)正常運行過程中大量數(shù)據(jù)被保存但未被充分利用，造成數(shù)據(jù)的“浪費”，而采用統(tǒng)計學模型對日常數(shù)據(jù)進行分析處理，利用數(shù)據(jù)特性建立對應模型，通用性較強，適用范圍較廣，不僅可以快速定位系統(tǒng)故障，還可以提供一定的故障預警。

1.2 CBTC 系統(tǒng)故障分類

CBTC 系統(tǒng)是由多個子系統(tǒng)構(gòu)成的復雜系統(tǒng)，子系統(tǒng)間相互協(xié)作，保障列車正常運行。CBTC 系統(tǒng)故障的原因較為復雜和多樣，各子系統(tǒng)都具有相應的日志記錄作為故障分析的基礎(chǔ)。CBTC 系統(tǒng)各子系統(tǒng)關(guān)聯(lián)關(guān)系如圖1 所示。

圖1 CBTC 子系統(tǒng)間關(guān)聯(lián)關(guān)系Fig. 1 Subsystem association of the CBTC system

DCS 提供圖1 中各子系統(tǒng)設(shè)備間安全、可靠的數(shù)據(jù)交互。列車運行速度控制級別由低到高分別為聯(lián)鎖控制級別（IXLC）、點式列車控制級別（ITC）和連續(xù)列車控制級別（CTC），其中CTC 級別下列車運行效率最高，是正常運營過程中最常用的級別。ZC 是在CTC級別下的核心設(shè)備，本文以ZC 為例進行故障分類分析。

為快速定位故障原因，對所有涉及ZC 并在ZC 中有異?，F(xiàn)象的故障進行分類，并利用統(tǒng)計學進行建模。基于現(xiàn)場，涉及ZC 的關(guān)聯(lián)故障主要有：（1）列車與ZC 通信故障，ZC 表現(xiàn)為將該車置為安全態(tài)；（2）CI與ZC 通信故障，ZC 表現(xiàn)為將該CI 涉及軌旁設(shè)備置為安全態(tài)；（3）相鄰ZC 與ZC 通信故障，ZC 表現(xiàn)為將該相鄰ZC 涉及并與本ZC 相關(guān)聯(lián)的軌旁設(shè)備置為安全態(tài)；（4）軌旁設(shè)備故障，ZC 表現(xiàn)為將該軌旁設(shè)備涉及移動授權(quán)計算按安全態(tài)處理；（5）列車升級CTC相關(guān)設(shè)備故障，ZC 表現(xiàn)為該列車始終無法升級為CTC級別；（6）列車運行異常，ZC 表現(xiàn)為將該列車置為安全態(tài)；（7）ZC 軟件故障，ZC 表現(xiàn)為涉及范圍內(nèi)的列車非正常置為安全態(tài)；（8）ZC 硬件故障，ZC 表現(xiàn)為設(shè)備狀態(tài)置為安全態(tài)。

2 統(tǒng)計學模型

統(tǒng)計學模型依賴于所采用的樣本數(shù)據(jù)，樣本數(shù)據(jù)越全面、充分，對應的模型越準確。針對地鐵運營的特性，隨著其運營里程的增長，設(shè)備故障數(shù)據(jù)樣本逐漸增多，其可用性和全面性也越佳，則越有利于提高統(tǒng)計學模型的性能。

2.1 馬爾可夫模型

假定某一故障出現(xiàn)的概率為一條件概率值P(S)，認為該故障受w1, w2, …, wn共n 個不同事件共同影響，則該故障出現(xiàn)的概率P(w1, w2,…, wn)按照條件概率公式展開后為

其中，P(w1)表示第一個事件發(fā)生的概率；P(w2|w1) 表示在已知第一個事件發(fā)生的條件下，第二個事件發(fā)生的概率；以此類推，P(wn|w1, w2,…, wn-1)表示在已知前n-1 個事件的發(fā)生條件下，第n 個事件發(fā)生的概率。

實際應用時，到第三個事件，其條件概率P(w3|w1, w2)的計算就已較為復雜并且會花費較多資源。為了解決這種不利局面，馬爾可夫提出了相應的簡化模型，即針對復雜的條件概率問題，假設(shè)任意事件wi(i=1, 2, …, n)的條件概率只同其前一個事件wi-1有關(guān)，于是P(S)可以表示為

式（2）為統(tǒng)計學二元模型?？紤]到時間和空間的資源消耗與模型精確性間的平衡，本文采用二元模型。

在ZC 關(guān)聯(lián)故障分析中，只考慮當故障前提條件發(fā)生時故障概率的統(tǒng)計，即ZC 關(guān)聯(lián)故障分類與實際故障原因之間的概率統(tǒng)計關(guān)系。

2.2 模型的訓練方法

根據(jù)大數(shù)定理，以采樣數(shù)據(jù)觀察結(jié)果作為統(tǒng)計學概率計算基礎(chǔ)。由于統(tǒng)計觀察結(jié)果存在局限性，那么有這樣一種可能性，即在觀察結(jié)果中雖未出現(xiàn)某一故障，但是從概率角度不能認為這種情況不會發(fā)生。首先，采用古德-圖靈方法對出現(xiàn)次數(shù)非常少（少于經(jīng)驗閾值）的條件事件減小條件概率，經(jīng)過上述處理后的概率稱之為相對頻度；其次，為了保證所有條件概率之和為1，同時為了避免在統(tǒng)計過程中出現(xiàn)未發(fā)生故障的概率為0 的情況，需保證訓練用數(shù)據(jù)樣本的全面性和充分性，并為統(tǒng)計沒有出現(xiàn)的事件進行條件概率分配，即補償相對頻度?？ù耐吮芊ㄊ且环N概率平滑方法，模型訓練時采用該方法處理零概率問題，并采用概率擬合的方式對統(tǒng)計學概率進行連續(xù)平滑，具體處理表示為

式中：wi-1——故障原因；wi——故障現(xiàn)象；f()——統(tǒng)計學相對頻度；fg()——統(tǒng)計學采用古德-圖靈估計后的相對頻度；Q(wi-1)——估計補償相對頻度；N——統(tǒng)計學頻次；T—相應閾值，統(tǒng)計頻次不小于閾值，則認為概率估計與相對頻度一致。

訓練過程如下：

（1）數(shù)據(jù)預處理。首先明確選用數(shù)據(jù)的可靠性和有效性，而后以隨機抽樣的方法選擇數(shù)據(jù)樣本。

（2）訓練參數(shù)調(diào)整。為保證訓練結(jié)果符合上文概率要求，適當選擇式（3）中的T 值（經(jīng)驗值一般在8～10 之間，可根據(jù)實際情況做調(diào)整），保證概率估計曲線平滑。

3 統(tǒng)計學故障診斷模型的應用

本文以ZC 關(guān)聯(lián)故障為例建立故障診斷統(tǒng)計學模型，以故障時刻前后1 h 數(shù)據(jù)作為故障數(shù)據(jù)樣本，通過確定故障分類，構(gòu)建故障診斷系統(tǒng)的測試集,測試所有故障分類。對應ZC 關(guān)聯(lián)故障總結(jié)：（1）w11為列車-ZC 通信故障，w12為列車安全態(tài)；（2）w21為CI-ZC 通信故障，w22為該CI 涉及軌旁設(shè)備置為安全態(tài)；（3）w31為相鄰ZC-ZC 通信故障，w32為該相鄰ZC 涉及與本ZC相關(guān)聯(lián)的軌旁設(shè)備置為安全態(tài)；（4）w41為軌旁設(shè)備故障，w42為將該軌旁設(shè)備涉及移動授權(quán)計算按安全態(tài)處理；（5）w51為列車升級CTC 相關(guān)設(shè)備故障，w52為該列車無法升級為CTC 級別；（6）w61為列車運行異常，w62為將該列車置為安全態(tài)；（7）w71為ZC 軟件故障，w72為涉及ZC 范圍內(nèi)的列車非正常置為安全態(tài)；（8）w81為ZC 硬件故障，w82為設(shè)備狀態(tài)置為安全態(tài)。

本文采集數(shù)據(jù)樣本隨機選取調(diào)試運行階段ZC 系統(tǒng)一個月內(nèi)的運行數(shù)據(jù)，在所有樣本中隨機選擇800 組作為訓練數(shù)據(jù)樣本，隨機選擇其中的75%為訓練數(shù)據(jù)，25%為測試樣本驗證訓練結(jié)果，盡可能完整地包括了本文所定義的所有ZC 關(guān)聯(lián)故障類型。用古德-圖靈方法對ZC 硬件故障統(tǒng)計概率為0 的事件進行了處理，利用卡茨退避法獲得ZC 關(guān)聯(lián)故障的數(shù)據(jù)統(tǒng)計概率（圖2）。圖中通過概率平滑處理曲線擬合，縱坐標為相對頻次，表示故障統(tǒng)計的概率擬合；橫坐標為故障分類。

圖2 故障概率分布擬合曲線Fig. 2 Fitting curve of fault probability distribution

4 統(tǒng)計學故障診斷方法驗證

在長沙軌道交通4 號線調(diào)試運行階段對本文方法進行驗證應用，通過對8 類ZC 關(guān)聯(lián)故障進行測試，201 組故障診斷測試結(jié)果如表1 所示。通過驗證，可以看到其中列車-ZC 通信故障、CI-ZC 通信故障、相鄰ZC-ZC 通信故障和ZC 硬件故障的分類診斷準確率均為100%，統(tǒng)計學方法模型對通信類故障、硬件類故障識別率最高；而對列車運行異常和ZC 軟件故障的分類診斷準確率較低，其中ZC 軟件故障診斷準確率最低只有84.21%，由于ZC 軟件故障在故障總體分布中所占比例較低，導致部分該類故障易被誤判，本驗證應用給調(diào)試運行提供了有效數(shù)據(jù)支撐和判斷依據(jù)?？梢娀诮y(tǒng)計學的故障診斷模型可以較好地定位故障，有利于提高調(diào)試或維護人員的工作效率。

表1 ZC 關(guān)聯(lián)故障分類測試結(jié)果Tab. 1 Test results of ZC associated fault classification

5 結(jié)語

本文提出了一種基于統(tǒng)計學模型的故障診斷方法，并以ZC 關(guān)聯(lián)故障為例，通過統(tǒng)計學方法提取故障樣本數(shù)據(jù)，建立并訓練故障診斷模型。在長沙軌道交通4 號線調(diào)試運行階段的驗證應用表明，該故障診斷模型可以用于CBTC 系統(tǒng)故障診斷快速定位。在智慧城市建設(shè)中，城市軌道交通的智能化運維是一種趨勢。在提高故障診斷的準確性、快速性、實時性和適用范圍，實現(xiàn)系統(tǒng)高度集成、大數(shù)據(jù)分析、調(diào)度綜合統(tǒng)籌等方面，統(tǒng)計學方法是未來維護智能化的有效手段。同時，對于在統(tǒng)計學中分布概率值在總體分布中占比較低的分類，其故障診斷正確率較低的問題，下一步可以在本文所提方法的基礎(chǔ)上應用模式識別法來提高故障診斷正確率。