基于故障树的机车系统级故障诊断技术研究

满中国

摘 要：随着我国列车技术突飞猛进的发展，车载设备的复杂性和相互之间的耦合关系也日趋复杂，对于故障诊断提出了更高的要求，以往针对单一设备的故障诊断已无法很好满足需求。因此，需要从整车的层面上，对列车的运行状态进行实时监控。本文在分析电力机车整车故障状态特点的基础上，结合诊断技术与专家系统理论，以电力机车整车故障诊断为目标，针对专家知识获取困难，规则搜索匹配效率低等问题，深入研究电力机车故障诊断的知识库、知识表示及推理机，设计了基于故障树和规则的电力机车故障诊断专家系统。

关键词：故障树，专家系统，电力机车

中图分类号：TP274 文献标识码：A 文章编号：1006-8937（2016）21-0022-04

随着列车运行速度不断提高，列车运行安全不仅是铁路工作者、科研人员所关注的问题，也是所有普通民众所关注的问题。任何设备都可能产生故障，单凭技术人员的感觉来检测难以满足现代故障诊断要求。本文基于现代检测技术、专家系统以及智能故障诊断技术，构建了电力机车故障诊断专家系统，实现对电力机车故障进行及时有效诊断，并给出故障处理意见，减小故障损失[1]。

1 系统级故障诊断专家系统基本思路

1.1 基本框架

故障树分析以前主要应用于分析系统故障原因，计算系统的可靠度，以优化系统设计，因此，在系统可靠性分析与设计中得到广泛应用。近年来，利用故障树模型进行故障源搜寻的研究引起了极大关注。

由于故障树易于分析事件，而基于规则的专家系统匹配推理直观速快，因此，本文提出了以故障树来分析和获取知识，以规则匹配来进行推理的诊断专家系统，其结构如图1所示。

1.2 知识库规则的获取

然后通过寻找对象故障树的所有最小割集，将故障树的每一个最小割集转换为知识库中的一条规则，其基本步骤，如图2所示。

求出故障树最小割集是获取专家系统规则的关键所在。常用由上而下的故障树搜寻法求解故障树最小割集，采取从上到下遇到“与门”就将“与门”下面所有的输入事件排成一行，遇到“或门”就把“或门”下面所有输入事件排成一排，依此类推，直到不能分解。以牵引电机电流不平衡故障树为例来说明相应知识库规则的获取。电流不平衡故障树如图3所示，其编码简化形式，如图4所示。

首先按自上而下搜索法，获取故障树的全部最小割集为：

（B003600010001）、（B003600010002）、（B003600020003）、（B003600020004）、（B003600020005）、（B003600010006）、（B003600030007）、（B003600030008）、（B003600030009）、（B003600020010）、（B003600020011）

可以看出，由于在故障树中，节点之间都是或逻辑关系，所以每一个叶子节点都构成一个最小割集，共11个。因此可得牵引电机电流不平衡专家规则共11条：

①IF B003600010001 THEN F0036；

②IF B003600010002 THEN F0036；

③IF B003600010003 THEN F0036；

…………………

11 IF B003600020011 THEN F0036；

通过同样的方法，可获取电力机车其他故障专家规则，并保存在规则表中，供故障诊断推理机利用。

2 故障诊断知识库

2.1 知识的表示

因为电力机车故障的诊断知识适合采用基于产生式规则的形式来表示；此外，由于其故障诊断知识数量繁多，故障类型复杂，需要将知识分类存储以提高推理速度和效率。因此，通过引进框架来弥补产生式规则这方面的缺点。这里把框架分为两种，一种是直接框架，框架类别为0，一种是间接框架，框架类别为1，如图5所示。

其中，框架号一般为对应事实号，框架名称为对应事实名称，父槽为父节点的框架名；槽类型为本事件与子事件的逻辑联系关系，若该事件为底事件，则槽类型为0。以牵引电机电流不平衡诊断知识的框架为例，如图6所示。

2.2 知识库框架

本节对关系型数据库的规则和框架的存储技术进行研究。本系统的知识库将由下面几个数据库表组成。

①数据字典表。数据字典表的作用是将全部条件和结论编码成符号形式。这样一方面可有效提升搜索与推理速度；另一方面不仅节省存储空间，还便于数据库程序的编写。本文所采用的具体编码规则为：顶事件编码=“F”+自身4位数字编码，如电流不平衡事件为F0036；中间事件编码=“M”+顶事件4位数字编码+自身4位数字编码，如电流故障不平衡事件编码为M00360002；底事件编码=“B”+中间事件8位数字编码+自身4位数字编码，如硅元件损坏事件编码为B003600020006。事件编码工作由计算机实现。字典表数据结构，如图7所示。

②规则表。规则表的数据结构，如图8所示。这里一条规则的条件事实数目不确定。若采用条件事实最大的规则来处理，将导致存储资源的浪费。因此，本论文通过另建一个规则条件表来存储规则相应的条件事实号，规则条件表数据结构，如图9所示。另外规则表中有一项为重要度，是通过故障树的定量分析得到的各个最小割集的重要度。最小割集重要度大的优先级就高，就能被推理机优先与故障事实进行匹配，从而提高故障诊断效率。

③框架表。框架表也是本系统知识库核心组成部分之一。它就是电力机车故障树的存储表。根据故障树的节点的类型不同，可将框架表分为：间接框架表和直接框架表，分别如图10和图11所示。实际上，间接框架表主要用来表示故障树的根节点与中间节点，直接框架表用来表示故障树叶子节点。从节省存储空间的角度出发，这里也与规则表一样，另建间接框架判断条件表来存储框架所对应的判断条件，表结构如图12所示。

3 故障诊断推理机

基于知识的故障诊断专家系统的推理就是规则匹配过程。传统方法是将规则进行逐一的匹配，这种推理匹配方法，具有盲目性，匹配速度慢。因此，本文引入最小割集重要度概念，按照规则重要度大小顺序匹配规则，其推理流程图，如图13所示。

为描述故障树各最小割集对顶事件发生所作的贡献的大小，可将最小割集重要度定义为PM/T：

PM/T=PM/PT（1）

式（1）中，PM为最小割集M的发生概率，PT为故障树顶事件的发生概率。

最小割集重要度PM/T是最小割集概率占故障树顶事件概率的百分比。由于最小割集中各底事件是相互独立的，因此，PM等于最小割集中各底事件概率的乘积。

以牵引电机电流不平衡故障树为例介绍如何计算故障树最小割集的重要度。各底事件的概率值，见表1。

计算中间事件与顶事件的概率如下：

PM00360001=1-（1-PB00360001）（1-PB00360002）（1-PB00360003）=0.1963；

PM00360003=1-（1-PB00360006）（1-PB00360007）（1-PB00360008）=0.1971；

PM00360002=1-（1-PB00360004）（1-PB00360005）（1-PB00360009）（1-PB003600010）（1-PB003600011）（1-PM00360003）=0.4074；

PT=1-（1-PM00360001）（1-PM00360002）0.5237。

根据式（1）计算出各最小割集或规则的重要度结果，见表2。

最小割集（B003600020005）的重要度最大，其对应规则最先匹配。虽然最小割集都可能导致顶事件发生。但重要度越小，相应的故障模式发生的概率往往也越小，因此进行规则匹配排序，可明显提高故障搜索效率。

4 故障诊断专家系统

通过以上分析，本节提出电力机车电气部分故障诊断系统的功能模结构如图14所示。系统由五大功能模块组成：故障诊断模块包括推理模块和推理解释模块。为了提高推理模块的通用性，实现了理机与知识库分离。采用正向推理与启发性搜索策略，引入了重要度的概念，提高规则匹配的成功率和推理速度。本系统中的知识库管理模块包括获取规则和计算规则重要度两大功能，知识库中的规则并不完全依靠专家来编辑。一定程度上缓解了知识获取难的问题。故障树管理模块实现了故障树的显示、编辑等功能。数据管理模块主要是保存故障诊断历史数据，同时历史记录中的故障发生次数作为规则重要度的参考值。用户管理模块包括用户权限分配与用户基本信息更新两部分。专家系统故障诊断流程，如图15所示。

5 系统设计与实现

5.1 界面设计

系统登陆模块界面，如图16和图17所示，系统具有权限管理，以保证系统不致因用户越权而被破坏使不能正常运行。

本系统的设计考虑了电力机车故障特点的层次性，将电力机车故障诊断系统分为电气部分、机械部分、空气管路部分以及其它部分4个子系统，又将各子系统细分成相应的功能部件。可通过相应功能部件进入故障诊断状态。

5.2 故障诊断模块设计

以I压缩机接触器16 KM故障为例进行说明故障诊断基本的推理流程，其中接触器 16KM的状态信号可通过LCU自动获取。进入辅助电机故障诊断模块，如图18所示。

下面详细介绍本系统对I压缩机故障诊断的推理过程，故障树如图19所示，也可从知识库管理界面看到以Tree View视图结构表示的故障树。从图19可看出，压缩机故障包括排风不止故障以及不打风故障。规则获取模块，按前面分析所得的规则获取方法来获取规则和计算规则重要度，并保存进规则库表，如图20、图21所示。辅助机组诊断中故障现象栏会询问用户，I压缩机为何种故障现象，若通过司乘人员现场查看后，选择I压缩机不打风，系统会按规则重要度依次调用规则R0237～R0242进行与综合数据库中的事实进行匹配。

5.3 知识库管理模块设计

知识库管理主界面实现故障树的修改，其具体操作流程，如图22所示。知识库管理主界面，如图23所示，仍以I压缩机故障树为例，其完全展开的故障树视图如图24所示。

6 试验与总结

目前本样机系统在国家863项目的支持下，正在试验室和现场进行相关车型的静态试验，取得了一手的现场数据。为今后的列车整车状态监测及故障诊断打下了良好的基础。并有望在近期实现工程化。

参考文献：

[1] 李蔚，陈特放，成庶.列车电气系统分布式多传感器异常检测理论研 究[J].铁道学报，2010，5：70-76.

[2] 陈特放.电力牵引系统及其故障诊断技术[M].长沙：中南大学出版社， 2009.

[3] 毛振平.韶山型电力机车故障应急处理手册[M].北京：中国铁道出版 社，1999.

[4] 王轶，冯晓云.基于故障树的电力机车故障诊断专家系统[J].电力机车 与城轨车辆，2004，27（6）：35～36.

[5] 黄采伦，樊晓平，陈特放.列车故障在线诊断及应用[M].北京：国防工业 出版社，2006.

[6] 唐建湘，陈特放，成庶，等.牵引电机故障诊断专家系统的研究[J].计算机 测量与控制，2007，15（05）：595-599

[7] 丘东元，彭锦凤，张波.电力电子变换器结构性故障的有向图论诊断方 法[J].电机与控制学报，2010.8：13-18.

[8] 易辉，宋晓峰，姜斌，等.基于结点优化的决策导向无环图支持向量机 及其在故障诊断中的应用[J].自动化学报2010.36（3）：427-432.