模糊贝叶斯决策在ATP车载设备故障诊断中的应用研究

李瑞璟， 滕青芳

(兰州交通大学自动化与电气工程学院，兰州 730070)

模糊贝叶斯决策在ATP车载设备故障诊断中的应用研究

李瑞璟， 滕青芳

(兰州交通大学自动化与电气工程学院，兰州 730070)

高速列车长时间工作运行不可避免发生故障，其中的车载设备故障发生具有不确定性和相关性特性。分析故障发生和查找故障致因是一项复杂而重要的过程和工作。贝叶斯网络在解决不确定性和相关性问题有其独特的优势，可以利用贝叶斯网络查找故障成因和故障点并且加以控制，从而提高列控车载设备运行的安全性。在实际理论和工程实践中运用贝叶斯推理时往往过分强调贝叶斯推理功能而忽略先验概率确定的问题，模糊贝叶斯决策是在经典贝叶斯理论上综合运用决策理论、模糊数学、贝叶斯方法和期望效用理论，建立一个在多属性指标下故障态势的模糊贝叶斯决策模型，克服了单一贝叶斯推理的不足，增强了模型的适用性。

故障诊断；贝叶斯网络；模糊数学；决策理论

1 概述

1.1 CTCS3-300T型列控车载设备简介

CTCS3-300T型列控车载设备是我国高速铁路列车控制系统的重要技术装备，是保证高速列车运行安全、可靠、高效的关键设备之一，它与列控地面设备相配合共同组成列控系统[1，2]。采用先进的技术手段对高速条件下的列车运行速度、运行间隔等实时监控和超速防护，以目标距离连续速度控制模式、设备制动优先方式监控列车安全运行。

CTCS3-300T型列控车载设备基于成熟硬件平台，遵循故障导向安全的设计原则，在系统设计、软件设计、测速测距和列车接口设计中采用了大量安全设计技术，适用于时速300 km及以上的高速动车组，目前广泛应用在武广、沪宁、沪杭、京沪、哈大等高速铁路和客运专线[3-5]。图1为CTCS3-300T型列控车载设备原理图。

图1 CTCS3-300T型车载设备原理

ATP设备由车载主机、车载外围设备组成，并通过车载设备外部接口与动车组、列控动态监测设备等外部设备连接。通过将各模块接收到的司机、应答器、轨道电路、列车接口、RBC等信息传送给车载主控单元，并经车载主控单元处理后生成模式曲线控制列车运行，实现列车超速、溜逸防护及准确定位等功能[6]。

1.2 CTCS3-300T型车载设备健康状态

以武广高速铁路为例，自开通运行以来，截止至2012年底，广铁(集团)公司管内武广高速铁路列控系统共计发生列控车载设备故障和不良反应共3 235件[7，8](图2)。因此，认真研究列控车载设备健康状态，查明列控车载设备故障成因和研究其故障趋势，努力提高列控车载设备运用、维护质量，对大幅降低武广高速铁路列控系统设备故障率和提高故障排除效率，确保武广高速铁路运输通畅有极大的意义。

图2 武广高速铁路车载设备故障和不良反应统计

2 模糊贝叶斯决策方法

贝叶斯网络方法广泛应用在医疗诊断、专家系统和经济统计决策中，但在做推理决策时往往会遇到先验概率如何确定的问题[9-11]。由于决策主体的认知局限会导致判断决策的偏差，在实际理论和工程实践中也往往过分强调贝叶斯推理功能而忽略先验概率确定的问题。鉴于这种现象，文中在现场故障统计数据和专家经验基础上，采用模糊数学加经典贝叶斯理论的综合方法，能够很好地利用获取的先验信息，为贝叶斯网络推理拓宽了思路，夯实了基础。

2.1 先验信息和样本信息的确定

模糊贝叶斯决策方法的前提是先验信息和样本信息的模糊化处理[12]。各基本故障事件的状态或故障之间没有明确的界限，从工作正常到故障发生是一个渐变的过程，“正常”和“故障”两种状态均属于两个模糊集，这样就克服了贝叶斯网络推理中先验概率主观性较强而导致诊断推理不准确的问题。

2.2 模糊后验概率和模糊决策过程

基于先验信息，样本信息和模糊后验概率条件下的，故障事件mk相应的损失期望

则故障事件相对于标准模糊集合损失期望为

由故障事件mk损失期望的结果做出相应决策推理。

3 CSCT3-300T型车载设备故障模型的建立和决策推理

3.1 故障事件的模型确定

根据设备现场故障统计数据和工作原理得出各故障事件的关系树并转化为贝叶斯网络结构，如图3所示。

图3 300T型车载设备故障事件贝叶斯网络图

相应的故障表示如表1所示。

3.2 故障事件模糊化描述

结合CTCS3-300T型车载设备特点对故障事件发生程度提出了一种模糊综合评判模型[13]。将设备故

表1 300T型车载设备故障事件集

障发生程度分为5个模糊等级记为

参考模糊数学决策中隶属度最大性原则，车载设备运行可靠度对于故障发生的程度评价标准可以进行定性的描述。程度描述如表2所示。

表2 设备故障概率模糊定性描述

其对应的设备故障各模糊描述等级的先验信息计算公式为

计算得到

3.3 故障模型决策过程和相应推理

美国运筹学家Saaty等人在20世纪70年代提出复杂问题决策层次分析法，根据问题的目标和决策方案分为3个层次[14-15]。

结合列控车载设备故障贝叶斯网络结构图和相应先验信息的获取，可以得到模糊贝叶斯决策模型的结构，如图4所示。

图4 车载设备故障决策层次结构

对于故障基本子因素层，根据现场统计数据和相应的数理计算得出其发生故障概率的模糊程度，子因素集如表3所示。

表3 故障基本子因素集

各故障点可靠度模糊程度表示如表4所示。

表4 故障基本子因素集模糊程度值

由模糊数学交集公式得

根据经典贝叶斯公式可以得到故障事件的模糊后验概率

根据长期对车载设备故障发生的结果和大量数据分析，对于每个故障点对应的损失指数(趋向于故障的相对量)与各点可靠度关系如下

表5 基本子因素集损失期望值

结合模糊化的先验信息、样本信息和模糊后验信息，由损失函数法计算在故障发生后各潜在故障点损失函数期望

计算的结果为

E[u1]=0.774 5，E[u2]=0.410 1，E[u3]=0.546 4，

E[u4]=0.506 0，E[u5]=0.484 9，E[u6]=0.460 7，

E[u7]=0.380 2，E[u8]=0.457 8，E[u9]=0.406 4，

根据数学期望的大小排序，得出故障发生后故障查找的顺序。即为排除故障查找点顺序为：U1、U10、U3、U4、U5、U6、U8、U11、U2、U9、U7。

4 结语

随着高速铁路的大力发展，作为列控系统核心组成部分的CTCS3-300T型车载设备数量不断增加，其运用环境也日益复杂。作为新技术的列控系统非常复杂，高速铁路的相关维护和维修没有形成经验，设备故障后大多需要厂家来解决。故障排查过程繁琐，消耗时间大。模糊贝叶斯决策方法在克服先验信息不确定问题的情况下运用故障诊断推理为现场技术人员查找故障提供帮助，提高工作效率。另外，在故障统计研究过程中得到变化的基本故障概率值能够反映出子系统或器部件的故障趋势，增强了监测的功能，并且更好地实现了预防性维修。

[1] 边晓亚.模糊贝叶斯决策方法在城市交通系统中的应用[D].武汉:华中科技大学，2011．

[2] 樊宁.贝叶斯网络推理算法在故障诊断中的应用[J].信息技术，2011(4):158-161．

[3] Gran B A. Assessment of programmable systems using Bayesian belief nets[J]. Safety science， 2002，40(9):797-812．

[4] 牛振宇.基于改进贝叶斯网络的复杂系统故障诊断模型研究[D].上海:同济大学，2008．

[5] 卢军.CTCS-2级列控车载ATP设备应用于普速机车的适应性分析及仿真研究[J].铁道标准设计，2013(5):102-105．

[6] 付双.基于贝叶斯网络的CBTC故障诊断[D].北京:北京交通大学，2011．

[7] Bennacer L， Ciavaglia L， Chibani A， et al. Optimization of fault diagnosis based on the combination of Bayesian Networks and Case-Based Reasoning[C]∥Network Operations and Management Symposium (NOMS)， 2012 IEEE. IEEE， 2012:619-622．

[8] Huang H， Abdel-Aty M. Multilevel data and Bayesian analysis in traffic safety[J]. Accident Analysis & Prevention， 2010，42(6):1556-1565.

[9] 董昱.区间信号与列车运行控制系统[M].北京:中国铁道出版社，2008．

[10]于国全.模糊贝叶斯决策方法[D].长春:吉林大学，2008．

[11]刘岭，牛道恒，张国振，等.CTCS3-300T列控车载设备的安全设计技术应用[J].铁路通信信号工程技术，2013(S1)．

[12]吴书学.CTCS3-300T列控车载系统运行可靠性分析[J].铁路通信信号工程技术，2012，9(1):8-11．

[13]朱海宏，徐中伟，梅萌，等.基于贝叶斯网络的高铁系统概率安全评估方法研究[J].计算机应用与软件，2011(3)：26-28，31．

[14]陆莹，李启明，周志鹏.基于模糊贝叶斯网络的地铁运营安全风险预测[J]，东南大学学报：自然科学版，2010(5)：1110-1104．

[15]项琴，李远富，朱宏伟.基于模糊贝叶斯网络的山区高速铁路桥梁运营风险评估[J].铁道标准设计，2014，58(11):76-80．

Apply Fuzzy Bayesian Decision-making to ATP on-board Equipment Fault Diagnosis

LI Rui-jing， TENG Qing-fang

(Institute of Automation and Electrical Engineering， Lanzhou Jiaotong University， Lanzhou 730070, China)

Long time operation of the high-speed train is likely to encounter some failures， and the failures of on-board equipment are of uncertainty and correlated. Analysis of the failures and there causes is a complicated and important process. Bayesian network has unique advantages to deal with the uncertainty and correlation. Bayesian network can be used to look for and control failure causes and failure points to improve the safety of train operations. The practical theory of and engineering practice in using Bayesian for inference often put too much emphasis on functions of Bayesian inference and ignore the prior probability. Fuzzy Bayesian decision-making is based on classical Bayesian theory integrates the use of decision theory， fuzzy mathematics， the Bayesian method and expected utility theory to establish a fuzzy Bayesian decision-making model with fault situation under multiple attribute index， which overcomes the deficiency of the single Bayesian inference， and enhances the applicability of the model．

Fault diagnosis; Bayesian Network; Fuzzy math; Decision-making theory

2015-03-09

甘肃省自然科学基金(1208RJZA180)

李瑞璟(1992—)，男，硕士研究生，E-mail：853474171@qq.com。

1004-2954(2015)07-0147-05

U284.48

A

10.13238/j.issn.1004-2954.2015.07.033