面向受电弓系统的综合故障诊断决策方法

周亦人，邱小林，宋龙龙

（1.南昌理工学院，南昌 330044；2.中车青岛四方机车车辆股份有限公司，青岛 266111）

面向受电弓系统的综合故障诊断决策方法

周亦人1，邱小林1，宋龙龙2

（1.南昌理工学院，南昌 330044；2.中车青岛四方机车车辆股份有限公司，青岛 266111）

针对故障诊断知识模糊不精确和决策冲突提出一种综合故障诊断方法。采用故障树建立网络图拓扑关系结构模型，并采用模糊影像图对其进行改进，针对诊断过程中决策矛盾冲突，基于D-S证据理论计算各底事件决策矩阵及各事件之间模糊传递矩阵，综合各mass函数计算得到系统状态综合诊断结论。最后，结合受电弓系统故障数据开展试验验证。

高速列车；故障树分析；模糊影响图；D-S证据理论

0 引言

高速列车的安全可靠运行直接关系到高速、重载铁路运输的安全与效益[1]，其检修诊断工作中形成了海量故障诊断领域知识，可为高速列车智能诊断提供丰富的数据基础。但是，历史积累形成的大量专家知识存在非常严重的多源异构性和模糊不确定性。高速列车五级检修分散于多地不同部门，造成专家综合诊断过程中存在决策矛盾与冲突。

国内外多源异构信息决策融合与综合诊断方面已开展了大量有效研究，研究较多的主要有模糊集、粗糙集、证据理论、神经网络等理论[2～4]。故障树分析和神经网络是应用较为成熟广泛的方法。但是，故障树分析属于事件关系间的定性分析，定量计算中一旦涉及到大型复杂系统，会产生严重的“爆炸组合”现象而失去工程应用价值[5]。

针对我国高速列车诊断维修中多源异构诊断知识不精确不完整和多群体诊断专家异地分布造成的综合诊断决策融合冲突等问题，结合故障树分析、模糊影像图传递算法和D-S证据理论提出一种多智能体（MAS）综合诊断方法。实地选取我国CRH2型高速列车2011年11月至2015年3月检修维护数据开展试验验证。

1 故障树的模糊影响图表示及模糊矩阵传递算法

模糊影响图是一种系统风险分析评价方法[6]，表达直观且易于理解，采用模糊理论描述事件节点状态、频率及时间节点之间传递关系，可有效开展动态传递过程数学化描述。在利用模糊影响图改进故障树建模的过程中，模糊影响图中的决策节点、随机节点与价值节点分别对应故障树中的底事件、中间事件和顶事件。分析过程首先根据专家历史知识构建决策节点（即底事件X）的模糊频率矩阵FX，然后分析随机节点与决策节点之间（即中间事件M与底事件X之间）、随机节点与价值节点（即中间事件M与顶事件T）之间的模糊关系，分别构建模糊关系矩阵RX→M和RM→T，并将模糊频率矩阵传递到价值节点（即顶事件T）。

图1 故障树的模糊影响图表示

图1中底事件X、中间事件M和顶事件T分别为非空集合，模糊集合RX→M和RM→T分别为从X到M和从M到T的模糊关系，例如：

其中°为主因素决定型模糊合成算子，合成结果只考虑起主要作用因素。

2 基于D-S证据理论的MAS多群体专家综合决策原理

D-S证据理论是由Glenn Shafer在上下概率及其合成规则基础上建立并发展起来的，用取值在[0,1]之间的信度函数和似然函数组成区间表示决策者在给定证据下对假设或命题的信念，并用Dempster合成规则对不同证据产生的信念进行综合[7,8]。

假定任意两个证据是完全独立的，在识别框架Θ上mass函数分别为m1和m2，则其证据组合为：

多个智能体MAS共同决策时，首先将不同专家群体分别作出的模糊决策矩阵DX利用模糊关系传递到中间事件节点，得到中间事件节点的模糊群决策矩阵DM，得到顶事件节点的模糊群决策矩阵DT，最终利用D-S证据理论对DT专家结论进行集结和统一。

通过以上过程，采用故障树对故障间复杂关系进行建模表示，利用模糊影响图对故障树进行优化改进，用以表示故障知识的模糊性和动态传递特性。最后利用证据理论在多群体综合决策优势对决策冲突和矛盾进行消解，得到多群体专家MAS综合诊断结果。

3 试验验证计算结果分析

我国CRH2型高速列车自2007年4月18日投入运行，已形成故障诊断领域知识包括专家结论约800条、重要信息反馈约5000条、故障日报记录约40000条、WTD列车状态数据记录近3000万条。为保证实验过程真实有效和分析结论的可靠性，实地选取某主机厂CRH2型高速列车2012.12-2015.05故障诊断与维护数据，对前文所提算法开展算例分析与验证。选取CRH2型高速列车高压牵引系统中主要部件受电弓主要典型故障为例建立模糊影响图如图2所示。

图2 CRH2型高速列车受电弓模糊影响图

根据CRH2型高速列车故障诊断检修现状，故障领域专家主要来自动车段、检修基地、主机厂和供应商四处，分别选取四种不同类型的专家群体组成证据体E={e1,e2,e3,e4}。由于四个专家群体来自不同的领域部门，因此可认定各专家群体相对独立且在决策中起到的作用相同。底事件状态划分越精细，最后得到的评价决策越精确，因此将其状态划分为“很强”、“强”、“一般”、“弱”、“很弱”五个等级，对应的模糊可能性采用梯形模糊数进行表示。根据历史故障领域知识统计，四类群体专家对受电弓故障树中各个底事件模糊状态评价如表1所示。

通过表1可得到不同群体专家对受电弓故障树中各个底事件的群决策矩阵，如：

表1 受电弓故障树中底事件的模糊状态

根据各群体专家历史经验统计，得到各个底事件与中间事件及各中间事件与顶事件之间的传递关系模糊矩阵和模糊关系矩阵。例如，底事件x1与中间事件M1之间的模糊关系矩阵：

分别计算得到四个专家群体对各个中间事件的梯形模糊数群决策矩阵DMi(i=1～4)。

受电弓系统故障树顶事件T的群决策矩阵DT为：

DT中的概率值大小代表了各个专家群体对不同状态的信任程度，因此可将此群决策矩阵DT中的每一行看作为各个群体专家的初始mass函数。若要对不同群体专家的决策意见进行集结，必须先对每个mass函数进行归一化处理得到结果为：

对四个异地群体专家对受电弓系统状态的评价决策结论进行融合，可得到系统可能存在的四种状态的可能性分别为：

不同专家群体决策意见融合后结果显示，系统处于轻微故障状态的可能性为0.6971，处于严重故障状态的可能性为0.2845，系统状态不确定的概率可能性由最高0.1765降低到0.016。群决策诊断结果比任何一个单独专家群体决策结论更加明确，进一步降低了诊断结果的不确定性。

4 结论

对我国高速列车故障诊断检修现状及其存在的问题进行分析，利用故障树建立起复杂系统故障关系的网络拓扑结构，结合模糊影响图的动态传递特性对故障树模型进行优化改进，建立了复杂系统内故障动态传递模糊算法。

通过CRH2型高速列车实际运用诊断数据开展试验验证，得到受电弓系统四种状态的可能性概率，并将综合诊断决策结论与单个专家群体诊断决策结论进行了对比，对比结果显示本文所提算法较大程度降低了系统状态诊断决策的不确定性。

【】【】

[1] 宋龙龙,王太勇,宋晓文,等.多源异构知识环境下受电弓模糊智能故障诊断[J].仪器仪表学报,2015,36(6):1283-1290.

[2] HELGE L, LUIGI P.Bayesian networks in reliability[J]. Reliability Engineering and System Safety, 2007,92:92-108.

[3] Long-long Song,Tai-yong Wang, Xiao-wen Song,Lei Xu, and De-gang Song. Research and Application of FTA and Petri Nets in Fault Diagnosis in the Pantograph-Type Current Collector on CRH EMU Trains[J].Mathematical Problems in Engineering, 2015,2015:1-12.

[4] 姚成玉,李男,冯中魁,等.基于粗糙集属性约简和贝叶斯分类器的故障诊断[J].中国机械工程,2015,26(14):1969-1977.

[5] 宋龙龙,王太勇,宋晓文,等.基于Petri网建模与FTA的动车组受电弓故障诊断[J].仪器仪表学报,2014,35(9):1990-1997.

[6] E Zio.Reliability engineering:Old problems and new challenges[J]. Reliability Engineering and System Safety,2009,94:125-141.

[7] 姜潮,张哲,韩旭,等.一种基于证据理论的结构可靠性分析方法[J].力学学报,2013,45(1):103-115.

[8] J. JAISE, N.B.AJAY KUMA, N. SIVA SHANMUGAM, et al. Power system:a reliability assessment using FTA[J].Int J Syst Assur Eng Manag,2013,4(1):78-85.

Comprehensive fault diagnosis and decision method for current collector

ZHOU Yi-ren1, QIU Xiao-lin1, SONG Long-long2

TH17；TH279.3+23

A

1009-0134(2016)12-0061-03

2016-08-26

周亦人（1953 -），男，江西宜春人，高级工程师，学士，研究方向为嵌入式系统、计算机网络、工业电气化与自动化。