基于快速贝叶斯网络的 S700K转辙机故障诊断研究

肖蒙，翟琛，潘翠亮

（1.五邑大学 轨道交通学院，广东 江门 529020；2.兰州交通大学 自动化与电气工程学院，甘肃 兰州 730070；3.西安铁路局 宝鸡电务段，陕西 宝鸡 721000）

基于快速贝叶斯网络的 S700K转辙机故障诊断研究

肖蒙1，2，翟琛2，潘翠亮3

（1.五邑大学 轨道交通学院，广东 江门 529020；2.兰州交通大学 自动化与电气工程学院，甘肃 兰州 730070；3.西安铁路局 宝鸡电务段，陕西 宝鸡 721000）

转辙机故障对铁路运输安全和效益影响重大，针对转辙机故障原因与现象之间的复杂不确定性关系，提出一种基于粗糙集约简的高效贝叶斯网络故障诊断方法。首先，建立故障诊断决策表，利用改进的差别矩阵算法剔除对结果影响较小的属性，得到最简故障诊断决策表。其次，根据表中故障现象与故障类型连接关系建立贝叶斯网络模型，利用推理算法求解各类故障发生的概率。算法通过约简属性简化贝叶斯网络结构，降低算法复杂度，加快计算速度。最后，用某车站转辙机故障实例验证该智能故障诊断方法的正确性。

转辙机；故障诊断；粗糙集；差别矩阵；贝叶斯网络

高速铁路的发展对电务系统提出了更高的要求，维修人员必须准确、快速地排除设备故障。目前我国的转辙机维修仍沿用传统的故障检修方式，已不能适应铁路发展的需求。因此，如果提出一种智能故障诊断方法，针对转辙机故障能快速、准确判断故障类型，给现场维修人员给予指导，则可以降低故障延时。

转辙机的故障原因和故障征兆呈随机性、不确定性。王思明等［1］提出基于支持向量机的诊断方法，推理和解释能力强，但获取知识困难、容错能力差；董海鹰等［2］提出基于证据理论和信息融合的方法，该方法容错性较强，但不具备学习能力；苏广宇等［3］利用神经网络方法解决故障诊断问题，容易陷入局部最优；Huang等［4］用标准贝叶斯网络对处理不确定性知识推理问题具有较强的计算能力，但容易陷入局部最优和缩小搜索空间。所有文献仅仅分析转辙机的电路故障，而在电务部门的转辙机故障记录中，绝大部分故障是由机械原因引起的，仅仅分析电路故障没有实际意义，所以论文综合分析机械故障和电路故障具有现实意义。论文针对上述文献中计算速度慢、容易陷入局部最小等问题，文中引入粗糙集理论，通过改进差别矩阵算法对故障诊断决策表进行知识约简，得到最简故障诊断决策表，利用表中的连接关系建立转辙机故障诊断的贝叶斯网络模型，将粗糙集理论与贝叶斯方法相结合的应用，有效增强了故障诊断的快速性和准确性。

1 粗糙集理论简介

粗糙集理论由波兰数学家Z.Pawlak教授提出，是用以处理不精确、不确定知识的工具，文中主要利用粗糙集理论中求核与约简的方法，在不删除关键信息的前提下对知识进行约简，获取最小故障诊断决策表。目前约简方法以基于差别矩阵的算法为主。

利用粗糙集理论约简就是对故障诊断决策表进行约简。根据知识表达系统定义决策表：

定义1：用知识表达系统定义决策表，令SD= （U，A，V，f）为知识表达系统，设 C为条件属性集合，D为决策属性，属性集合 A可以表示为 A=（C ∪D），且此时C∩D=φ，则决策表即为具有不同条件属性和决策属性的知识表达系统［5］。

定义2：根据故障现象表和故障类型表得到故障信息的决策表 SD=（U，A，V，f），则该故障信息系统的差别矩阵可定义为式（1）：

其中，

2 基于改进差别矩阵算法的属性约简

2.1 差别矩阵算法的缺陷

1）差别矩阵算法不考虑元素所含属性的分类能力，对整个矩阵进行遍历计算，整个属性约简过程耗时相对较长。因此，可以通过改进算法对元素所含属性进行分类处理，避免对整个矩阵进行计算［6］。

2）计算差别矩阵时，差别矩阵中会出现大量的重复元素，例如：提取的第k+1个差别元素，可能与第k个差别元素存在包含关系，使求核属性的计算过程相当复杂。

2.2 基于改进差别矩阵算法的属性约简

算法改进的思想是将原有矩阵各元素中的属性重新分类，并按属性包含基数大小排列成新的集合，基数较小的集合中元素所含属性少，因此，相比基数大的集合，其分类能力更强。使用差别矩阵算法对矩阵进行计算时，首先在基数小的集合中选取分类能力最强的属性（某些集合中可能只包含一个属性，即为分类能力最强的属性），然后再考虑基数较大的集合。此时可以快速选出分类能力强的属性并加快粗糙集的计算速度。

算法1：

输入：SD=＜U，A，V，f＞

1）列出差别矩阵；

2）将差别矩阵中元素按照所含属性的基数从小到大进行分类，组成如M1，M2，…，Mn的新集合；

3）M1中所含属性基数最小，若M1不为空，则M1中所含属性即为核属性 k，将k⇒B，k⇒mij；

5）判断M（SD）是否为空，若为空则输出B，算法结束；否则执行（6）；

6）计算非空属性集M中集合所包含属性的重要性，

若Sig（c′，B，A）=max｛Sig（c，B，A）｝，（其中，c∈A-B），则B∪｛c′｝⇒B，转向（4）；

算法结束。

算法2：在算法1基础上改进对差别矩阵的计算方法。在用差别矩阵求解差别函数时，所有元素之间为合取关系，根据合取变换的吸收律可知，重复元素在合取变换中不起作用。本算法的思想是将差别矩阵中重复元素置为空，则置空前后对决策表属性约简是相同的。在阐述算法流程之前，应先说明如何能快速确定差别矩阵中有无元素包含关系。

证明：因为S中元素基值可能相同，也可能不同，则需分情况讨论。

1）M中元素基值相同。

2）M中元素基值不同。

设 M中有 J个基为 i的元素，k个基为 j的元素，且1＜i＜j＜S，0＜J＜C，0＜K＜C，此时根据i，j的大小分2种情况。

快速计算差别矩阵方法流程如下：

1）差别矩阵不用表格形式给出，直接从决策表中提取并保留差别元素；

3）从序号 k=1开始，保留第k个差别元素，若第k+1个差别元素包含于 1～k之间的差别元素时，则将第k+1差别元素置0；

此时开始执行算法1的第（2）步，得出属性的约简。

2.3 几种差别矩阵算法对比

文中介绍了传统差别矩阵算法的不足，同时提出2种改进的差别矩阵算法（算法1、算法2），为证明算法改进效果，引入实例分别对这几种方法进行验证。

表1为转辙机故障诊断决策表，其中 d表示故障类型，c表示故障现象。

表1 故障诊断决策表Table1 Decision table of fault diagnosis

表2是3种算法约简结果及时间开销对比，可见算法改进及简化差别矩阵对最终约简结果没有影响，只是减少算法的时间开销。因此，改进的差别矩阵算法可以加快决策属性约简速度，同时可降低贝叶斯网络结构的复杂度［7］。

表2 3种算法约简结果及约简时间开销对比Table2 The comparison of reduction result and time overhead between three algorithm

3 基于粗糙集理论的贝叶斯网络建模

贝叶斯网络是一种基于概率推理的图形化网络，适用于处理不确定性问题。与Petri网、神经网络、专家系统等故障诊断方法相比，贝叶斯网络具有诊断模型清晰直观、容错能力强、诊断速度快、能综合先验和后验信息来消除主观偏见和噪声影响等优势［8-9］。论文以某电务段管内 S700K转辙机故障为例，其故障类型和故障现象的连接关系如表3所示，其中 c1-c11代表转辙机的故障类型，d1-d13代表转辙机的故障现象。

表中数据为连续值，即各属性为连续属性。按照粗糙集理论，必须将其离散化，mij为因果强度，表示当原因发生的前提下，导致结果发生的概率。当 mij＞0.5时量化为 2，0＜mij≤0.5时量化为1，mij=0时量化为0，可直观表示故障引起此类现象的概率较大、较小，或者概率为0。故障诊断决策表如表4所示。

表3 故障现象与故障类型连接关系集合Table3 Connection relationship set between failure phenomenon and failure type

表4 S700K转辙机故障诊断决策表Table4 Decision table of fault diagnosis for S700K switch machine

用改进的差别矩阵算法进行属性约简，得到决策表的核属性为｛c1，c4，c7，c10｝，最小属性集为｛c1，c3，c4，c6，c7，c9，c10｝，则 S700K转辙机故障诊断贝叶斯网络模型如图1所示［10］，图中故障类型c为父节点，故障现象 d为子节点。

图1 S700K转辙机故障诊断贝叶斯网络模型Fig.1 Bias network model of fault diagnosis for S700K switch machine

4 转辙机故障诊断实例

例如某电务段管内某车站道岔故障，经分析现象为转辙机可以转动，但室内控制台无表示，故障类型为c7。利用贝叶斯网络推理，得到各故障类型的后验概率［11］。

常用推理算法包括：多树传播算法、团树传播算法、图约简算法、组合优化算法。本文利用团树传播算法，其思想是将贝叶斯网络转化为团树，通过定义在团树上的消息传递过程计算概率，算法计算流程如下：

1）构造端正图；

2）确定变量消元顺序；

3）构造团树；

4）设置推理证据。

表5即为利用贝叶斯推理计算的故障发生概率。

表5显示了转辙机故障时，所有可能的故障现象出现的概率，根据故障诊断系统的判定规则，发生概率最大的故障类型即为转辙机的最大可能故障点。系统推理结果中发生概率最大的故障类型为 c11，即道岔表示杆缺口未到位，与现场故障原因分析一致，说明论文建立的故障诊断模型能够满足铁路转辙机故障诊断要求。

表5 不同类型故障发生概率Table5 Probability of each type of failure

5 结论

1）利用排序分类思想改进差别矩阵算法，避免不必要的遍历计算，并在此基础上优化了计算差别矩阵的方法，在加快约简速度的同时，保证约简结果准确无误；

2）用约简后的决策表构建贝叶斯网络模型，简化了贝叶斯网络结构，加快故障诊断速度。

［1］王思明，雷烨.一种基于 LS-SVM的道岔控制电路故障诊断［J］.兰州交通大学学报，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］董海鹰，李娜.基于 D-S证据理论信息融合的转辙机故障诊断方法研究［J］.测试技术学报，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］苏广宇，陈洪云，欧阳宏志.提速道岔故障的人工智能诊断实现［J］.微计算机信息，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，高聪颖，张烈勇.基于粗糙集-贝叶斯方法的分布式电网故障诊断方法［J］.华北电力大学学报，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，赵玉琳，吕剑峰.粗糙集属性约简的方法［J］.计算机工程与应用，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，董海鹰.基于 D-S证据理论信息融合的轨道电路故障诊断方法研究［J］.铁道科学与工程学报，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］李俭川，胡茑庆，秦国军，等.贝叶斯网络理论及其在设备故障诊断中的应用［J］.中国机械工程，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.

（编辑 蒋学东）

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

铁道部科技研究开发计划项目（2012X003-B）

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