高铁进出站控制系统的Petri网故障诊断研究

孙　燕,武书彦,刘久富,刘文渊,刘海洋,杨　忠

(1.南京航空航天大学自动化学院， 江苏南京210016；2.河南牧业经济学院信息工程系， 河南郑州450011；3.东南大学电子科学与工程学院， 江苏南京210096)



高铁进出站控制系统的Petri网故障诊断研究

孙燕1,武书彦2,刘久富1,刘文渊1,刘海洋3,杨忠1

(1.南京航空航天大学自动化学院， 江苏南京210016；2.河南牧业经济学院信息工程系， 河南郑州450011；3.东南大学电子科学与工程学院， 江苏南京210096)

摘要：高铁进出站控制系统是保证高铁正常运行的关键枢纽。针对高铁进出站控制系统是否发生故障及故障发生的准确位置，基于部分可观Petri网的结构特点和整数线性规划问题，提出了一种在线故障诊断算法。算法获取被诊断系统的基本观测序列和基本点火序列，计算观测序列的最大长度，选取故障诊断参数K，应用提出的故障诊断算法对高铁进出站控制系统进行仿真实验并进行了故障诊断分析。实验结果指出高铁进出站控制系统在运行过程中出现的故障，与实验设定故障完全相符。而对于系统中不可观事件和不可观运行状态所发生的故障，该算法仍准确指出了故障发生位置，由此可证明该诊断方法能够满足高铁进出站控制系统对故障诊断算法实时、准确的要求。

关键词：部分可观Petri网;故障诊断;置信度Belief;高铁

随着高铁交通运输方式的普及，高铁的数量和运行速度逐年提高。随着研发水平的提高和制造技术的发展,列车控制系统元件和装置的可靠性有了显著提高，但在列车进出站的过程中,由于列控系统自身的老化和外部环境等因素的影响,发生故障还是不可避免。如何快速、准确地对列车进出站控制系统进行故障诊断,减少进出站对列车安全故障是铁路工作者亟待解决的问题[1-3]。

本文主要研究高铁进出站系统在部分可观Petri网模型，采用整数线性规划约束[4-6]、向前向后函数[6]和求解故障置信度(belief)来实现对系统故障地诊断。该方法能够在线运行,实时监测系统运行状况,能够避免某些算法计算量过大且故障诊断只能计算离线状态的弊端。计算过程中合理选取观测序列的长度，限定计算区间，进一步减少诊断时间，降低计算复杂性。

1Petri网的相关定义

1.1Perti网基本概念

定义1Petri网(petri nets，PN)定义为一个四元组即G=，其中:P={P1，…,Pn}是一个n维的库所集；T={T1,…,Tq} 是一个q维的变迁集；WPR∈(N)n×q，Wpo∈(N)n×q分别是连接库所和变迁弧的前、后关联矩阵，定义矩阵W=WPO-WPR为关联矩阵，其维数为n×q(N是一个非负整数集)。

MI代表初始标识，M代表PNs的标识向量。点火序列σ=T(1)T(2)…T(h)，Tj∈t,j=1,…,h，标识M处的点火序列的长度用h=|σ|来表示。

定义2部分可观Petri网(partially observed petri nets，标记为POPN)定义为一个三元组G0= ，G是一个PN结构，L和H分别为事件和标识的传感器矩阵。事件传感器矩阵L给每一个过渡矩阵分配一个标识。p维标识集合E={e1,…,ep}，分配观测变迁，ε表示不可观测变迁。

时间传感器矩阵L=(lkj)∈(N)p×q;标识传感器矩阵H∈(R)n0×n表示标识的投影向量(R是一个实数集)。

1.2观测序列

给定离散事件系统通过带标识的POPN模型化。传感器矩阵L和H获取标识M处的观测序列TRo(σ,M)、长度为h的点火序列σ，其中，σ=T(1)…T(t)…T(h)，观测序列点火后得到M(0)[T(1)>M(1)…[T(h)>M(h)，M∈R(G,M0)定义为连续观察的串联，并用式(1)表示：

TRo=Mo(0)eo(1)Mo(1)eo(2)…eo(ho)Mo(ho)，

(1)

其中Mo=MH，观测序列不需要满足初始测量值，观测序列的长度h0≤h。由此定义长度为1的观测序列TRo为基础观测序列，任何一个符合基础观测序列的点火序列为基础点火序列。

2在线故障诊断方法

2.1系统故障描述

系统可能发生故障集矩阵F={f1,…,fs}，任意故障fα均由一个不可观故障变迁τi∈F模型化，并随着相应故障变迁τi的发生而发生(i=1,2…,s)。

定理1给定一个离散事件系统，通过带有标识POPN模型化，可观序列TRo的长度为h0，如果min{FαX(σ) 对所有的σ∈∑(TRo)}>0(或max{FαX(σ)对所有的σ∈∑(TRo)}=0)，则在观测序列TRo中的一个fα级故障就产生了并且没有歧义[7]。

通过讨论矩阵F而不是Fα，定理1可诊断出事件中的故障发生与否。这些整数线性规划问题(ILP)具有与观测序列长度h0具有非多项式复杂性，即使分支定界法在很多实际情况中限定了工作计算量。为了避免不必要的检测，就需要改变变迁和标识传感器的位置和数量(即矩阵L和H)，同时获取更长的观察序列。在这种情况下，计算工作量会大大增加，因此这种方法就不再适用于在线应用程序。

2.2在线FDD算法

通过构造ILP问题和线性成本函数Fα，基于整数线性规划和Petri网模型在线故障检测和诊断算法，进一步优化分支定界法，提出带有标识部分可观Petri网(POPN)求解的方法。

在线故障检测和诊断算法步骤如下：

输入：fα和K

输出：bw(k), fw(k),belief(TRo(Ik),fα)

Step 1:获取观测序列TRo(k) ；

Step 2:初始化数据变量：

0→bw(k),0→fw(k),(k-bw(k),k+fw(k))→Ik;

Step 3:检测序列中故障belief(TRo(Ik),fα)

Forj=k-1:-1:max(1,k-K)

If0

bw(k)←0, fw(k)←k-j,Ij=(j-bw(j),j+fw(j))

Computer belief(TRo(Ik),fα)

While(0

bw(k)←bw(k)+1

Update belief(TRo(Ik),fα)

End While

Update belief(TRo(Ik),fα)

End If

End For;

Step 4:返回从新开始

Goto Start。

在线FDD算法中首先输入故障fα和点火序列的最大范围K，检测初始时置信度和向前向后函数的初始值；然后获取观测序列并对其赋值后计算置信度belief(TRo(Ik),fα)。

(2)

这里的card(σ∈∑TRo)代表的是∑TRo的基集。若系统存在故障则置信度为1，若系统不存在故障，则置信度为0。

2.3算法详述和分析

从k=1开始计算，对给出的观察序列TRo进行逐一观测诊断。对于任意的k′>k，定义TRo的子序列TRo(k,k′)=Mo(k-1)eo(k)Mo(k)…Mo(k′-1)eo(k′)Mo(k′)∈TRo，对于每个被诊断序列，算法先对观测序列TRo(k),TRo(k-1,k),…,TRo(1,k)向后拓展。如果模糊决策仍存在，则向前拓宽观测序列；接着获取并检测下一个观测序列TRo(k,k+1),TRo(k-1,k+1),…,TRo(1,k+1),TRo(1,k+2)是否满足约束条件。计算可能出现的情况如下：

①对于任意σ∈∑TRo(Ik)且FαX(σ)>0，则belief(TRo(Ik),fα)=0，观测序列中不存在故障。

②对于任意σ∈∑TRo(Ik)且FαX(σ)>0,则belief(TRo(Ik),fα)=1，观测序列中发生故障。

③以上两者均不属于，则观测序列中可能发生故障。

3高铁车务接发系统故障检测与验证

3.1高铁进出站系统Petri网模型

高铁的正常运行主要由列控中心、列车自动控制系统、通信设备及相关传感器等共同实现。高速列车进出站过程主要实现列车进出站时与列控中心的通信、速度调节、上下客服务、制动与启动等功能，通常由高速列车自动控制系统(automatic train control, ATC)操作完成[8]。

将高铁列车进出站系统Petri网模型化,各库所、变迁的含义及变迁是否可观分别见表1和表2。

表1　高铁列车进出站系统Petri网模型中库所即含义

表2　高铁列车进出站系统Petri网模型中变迁含义及变迁是否可观

列车即将到站(p1)时发出进站请求信号(t1)进入等待应答信号(p6)状态，列车控制中心p2接收列车的进站请求(t2)信号后进行调度分析，产生应答信号p4激发变迁t4实现ATS记录数据、集中显示的更新，同时激发变迁t5接收应答信号。p5为高铁车站屏幕上更新的列车实时信息，它通过变迁t4将ATS记录的信息反馈至高铁列车控制中心p1。列车接收到应答信号(t5)后开始施行减速，列车速度控制系统p7开始工作，p7根据速度传感器Ⅰ、Ⅱ返回的速度信号进行速度调节。t6、t8为主传感器Ⅰ、Ⅱ测速过程，t7、t9为备用传感器Ⅰ、Ⅱ测速过程，ATC系统根据传感器Ⅰ、Ⅱ测得的速度分别进行减速，最后滑行(变迁t11点火)到一定距离(p13状态)后启动高铁列车制动系统。t13为常用制动器，当常用制动器出现故障(变迁t14点火)时，启动应急制动器p15，应急制动器开始工作(t15点火)实现制动。列车制动系统制动完成后，列车最终停靠在指定地点后(p15状态)打开车门(t16点火)为乘客提供上下客服务(p16状态)。上下客服务结束后，关闭车门和车站安全门发出离站发车请求(t17点火)，获得发车请求应答(p17状态)后，列车加速(t18点火)至正常速度行驶状态p18，并开始正常运行(t19点火)直至下一车站即将到来(p1状态)。p3为轨道附近可能存在的干扰源，对主/备用传感器Ⅱ进行干扰，干扰结果p12通过变迁t12将干扰结果反馈至库所p3，成为新的可能的干扰源[9-10]。

3.2高铁列车进出站系统故障检测

高铁进出站系统POPN模型，事件集：E={e1,e2,…,e10}，L=((100…0)T(010…0)…(000…1)T)T，H=(1110…0)。观测序列：σ=t1τ2t3t4τ5t10τ6t8t11τ12t10τ9t11τ14t15t16t16t17τ18t19,初始标识MI处点火的观测序列TRo(T,MI)=(3)e1(2)ε(1)e2(1)e3(2)ε(2)e5(1)ε(1)e4(1)e6(1)ε(2)e5(1)ε(1)e6(1)ε(1)e8(1)e8(1)e9(1)ε(1)e10(1)。初始标识MI=[11100…0]；假设假设τ9=f1,τ14=f2，F={f1,f2}分别模型化系统中2个与故障相关的不可观变迁，即减速器Ⅱ运行故障和正常刹车故障；根据定理2可推算出与基本观测序列相一致的基本点火序列的最大范围为hmax=5,观测序列集∑TRo(T,MI)={t1τ2t3t4τ5t10τ6t8t11τ12t10τ9t11τ14t15t16t16t17τ18t19;t1τ2t3t4τ5τ6t8t11t10τ9t11τ14t15t16t16t17τ18t19;t1τ2t3t4τ5t10τ6t8t11τ12τ9t11τ14t15t16t16t17τ18t19;…}。

当k=1时，获取第一个基本观测序列TRo(1)=(3)e1(2)，通过本算法运算后监测该观测序列中不存在故障；当k=2时，获取第二个基本观测序列(TRo(2)=(2)ε(1)，经过运算该观测序列也是无故障的。同理，计算到k=8，对于所有可能的TRo(8)，不能明确的确定其是否存在故障，这就需要拓宽基本观测序列，计算TRo(8,9),TRo(8,10),…,TRo(8,13)。当TRo(8,13)时，belief(TRo(Ik),fα)=1,由此可知以上序列中存在故障并且故障存在观测序列的(8,13)区间内。在集合∑TRo(T,MI)中包含了故障f1,f2，可知故障一定发生了。由于观测序列很长，计算机的计算量太大。本算法限定观测序列长度，即K=5，本算法计算出故障在不同观测区间内出现的置信度如表3所示。分析故障在不同区间出现置信度belief的值来确定故障是否发生及发生的部位。从而从较长的观测序列中找到故障发生的大致部位。

该算法的关键是获取观测序列集∑TRo(T,MI)和求取观测序列长度K。首先，获取观测序列集和包含故障的子观测序列保证系统的可诊断性。其次，观测序列长度K则限定最小观测长度，使其能够快速诊断故障位置，提高故障诊断的效率。若K等于4，k等于8时，观测序列在限定长度范围内存在模糊信息，按本文算法对观测序列进行诊断，所获得的置信度值见表4。对比表3和表4结果可知，当K等于4时，所得计算结果不能明确判定故障是否发生，因此只有选定最优K值，才能够快速准确诊断出故障所在位置。

表3　基于POPN的高铁故诊断障计算结果(K=5)

表4　基于POPN的高铁故诊断障计算结果(K=4)

4结语

本文通过采用整数线性规划的方法设置约束条件与目标函数，判断不可观事件的发生情况，获取高铁进出站系统观测序列集，并在线计算不同观测区间内故障发生的概率，从而判定故障发生与否。本算法主要应用向前—向后函数确定模糊观测序列中故障发生的区间，实现了不可观事件的诊断问题，弥补了文献[3]和文献[9]中对离散事件系统故障诊断的情况。大量实验仿真结果表明本文的故障诊断方法其正确率达到96%，相比文献[11]中基于贝叶斯网络的高铁信号系统故障诊断方法，其故障诊断的正确率为89%有了明显的提高；并且本文所用方法大大简化了计算复杂性，降低了计算时间，适用于在线实时故障诊断，相比于文献[12]中的方法更具有广泛应用性。

参考文献:

[1]贺德强，张锐锋，苗剑.铁路高速列车网络控制系统及其电磁兼容性研究[J]. 广西大学学报(自然科学版),2008，33(3)：253-255.

[2]LEFEBVRE D.On-line fault diagnosis with partially observed petri nets 2014[J]. Transaction on Automatic Control，2014，59(7)：1919-1924.

[3]MAHULEA C，SEATZU C，CABASINO M P，et al.Fault diagnosis of discrete event system u-sing continuous petri nets[J]. IEEE Transaction on Systems Man and Cybernetics Part A-Systems and Humans，2012，42(4)：970-984.

[4]张力，赵宗涛.基于petri网的多级管理并发信息流模型与死锁分析[J]. 广西大学学报(自然科学版)，2005，30(4)：323-326.

[5]郑伟.磁悬浮列车跨系统运行Petri网模型[J]. 交通运输工程学报，2012，12(2)：112-118.

[6]赵洋，徐田华.基于贝叶斯网络的高铁信号系统车载设备故障诊断方法的研究[J]. 铁道学报，2014，36(11)：48-53.

[7]陆陆，徐正国，王文海，等.列车运行控制系统故障诊断方法研究[J]. 铁道通信信息，2010，46(5)：44-46.

[8]牟海波，俞建宁.基于故障Petri网的车务段接发列车事故建模分析[J]. 铁道运营技术，2010，16(1)：1-4.

[9]ZHAO JJ，YANG Y，LI T R，et al. Fault diagnosis of high-speed rail based on approximate entropy and empirical mode decomposition [J]. Computer Science (S1002-137X)，2014，41(1)：91-99.

[10]ZHAO J J，ZHENG W.Study of fault diagnosis method based on fuzzy Bayesian network and application in CTCS-3 train control system[C]//Roceedings of IEEE International Conference on Intelligent Rail Transportation，2013:249-254.

[11]赵青鹏.高铁信号系统的系统级故障诊断发法研究[D]. 北京:北京交通大学，2014.

[12]马永娟.高速列车运行速度的多模态控制研究[D]. 兰州:兰州交通大学，2013.

(责任编辑梁碧芬)

Research on fault diagnosis of high-speed rail in and out of station control system with Petri nets

SUN Yan1, WU Shu-yan2, LIU Jiu-fu1, LIU Wen-yuan1, LIU Hai-yang3, YANG Zhong1

( 1.College of Automation, Nanjing University of Aeronautics and Astronautics, Nanjing 210016,China;2 .College of Information Engineering, Henan University of Animal Husbandry and Economy,Zhengzhou 450011, China;3.College of Electronic Science and Engineering, Southeast University, Nanjing 210096,China)

Abstract:High-speed rail in and out of station control system is the key hub to ensure normal operation of high-speed rail. To find out whether high-speed rail in and out of station control system has a fault or not and the location of fault, based on partially observed Petri nets and integer linear programming, an on-line fault diagnosis algorithm is proposed in this paper. The algorithm obtains the elementary observation sequence and elementary firing sequence of diagnosis system. Secondly, it calculates the maximum length of the observation sequence, and selects fault diagnosis parameter K. The proposed algorithm is applied in the simulation experiments for making fault diagnosis in high-speed rail in and out of station control system. The experimental results point out that the faults in operation process of the high-speed rail in and out of the station control system are consistent with the experimental results. For the faults in unobservable events and the unobservable running states of the system, the algorithm also can point out the accurate locations of the faults, which proves that the diagnosis method can satisfy the real-time and accuracy requested by the high speed rail in and out of station control system.

Key words:partially observed Petri nets；fault diagnosis；Belief；The high-speed rail

中图分类号：TP311

文献标识码：A

文章编号：1001-7445(2016)02-0535-06

doi:10.13624/j.cnki.issn.1001-7445.2016.0535

通讯作者：武书彦(1975—)，男，河南新乡人，河南牧业经济学院副教授；E-mail：xxxwljys@126.com。

基金项目：国家自然科学基金资助项目(61473144)

收稿日期：2015-09-11；

修订日期：2015-10-29

引文格式：孙燕，武书彦，刘久富，等.高铁进出站控制系统的Petri网故障诊断研究[J].广西大学学报(自然科学版)，2016，41(2)：535-541.