高速动车组故障诊断专家系统总体设计

吕　龙

（中车长春轨道客车股份有限公司工程研究中心，130062，长春∥工程师）

高速动车组作为中国制造业的“名片”，如何实现故障快速诊断及安全导向，保证列车在复杂多变的环境下高速持久地安全运行，已成为影响中国高速铁路行业发展的关键课题。

工业自动化领域，故障诊断问题往往非常复杂，需要专家知识和经验才能解决，因此，故障诊断专家系统得到了广泛的应用。目前故障诊断专家系统研究的热点主要有：基于模糊推理的诊断专家系统，基于人工神经网络的诊断专家系统，基于推理规则诊断专家系统。文献［1-2］将模糊推理应用于故障诊断专家系统，通过模糊统计来判断异常部位，提高了诊断与维修效率。文献［3］利用神经网络的学习、联想和记忆功能，以及非线性映射功能，构建了电动机故障诊断专家系统，并论证了系统的全面、准确和迅速性。文献［4］将小波变换理论应用于故障分析与诊断中。文献［5］采用C-均值聚类算法进行故障诊断与分析。后两种方法都是利用信号模型直接分析可测信号，提取特征值，从而检测出故障，本质上属于基于信号处理的分析方法［6］。

然而，模糊推理知识获取困难，缺乏自学习能力，推理过程中模糊性会增加；神经网络专家诊断系统严重依赖训练样本，样本的获取困难，忽视专家经验与知识，无法处理动态系统；基于信号处理的分析方法，依赖于信号模型和信号处理分析算法，无法兼顾专家知识与经验，对计算机处理能力要求较高［6-8］。综合考虑以上因素，本文采用基于推理规则的诊断专家系统进行高速列车故障诊断研究，充分利用专家知识建立故障树，并将故障树作为逻辑推理规则，应用到高速动车组的实时状态监测与故障诊断中。

1　高速动车组故障诊断系统架构

为实现故障快速处理与事故主动预防，保证高速列车安全可靠地运营，高速动车组普遍采用了故障诊断技术。其总体架构如图1所示，其中故障诊断对象主要分为3大类。

图1　高速动车组故障诊断系统架构

（1）设备类：主要诊断对象包括各子系统部件、空气开关、按钮、继电器、传感器和执行机构。设备类故障需诊断到最小可更换单元，以提高检修维护效率。

（2）功能类：功能类诊断的目的是确保控制功能的完整性和实效性。按照系统实现功能，此类诊断可分为高压系统、中压系统和低压系统。高压系统故障诊断主要任务包括绝缘检测、过压过流检测与诊断，高压系统部件保护与诊断等；中压系统故障诊断主要任务包括接地检测、功率过载检测与诊断，负载启动管理与诊断等；低压系统故障诊断主要实现继电器、空气开关和按钮的状态检测与诊断。

（3）安全类：此类诊断涉及列车运行、检修维护相关的安全点，以提高车辆系统的安全性；主要包括安全环路状态检测、轴承类温度检测、转向架失稳检测、司机警惕装置检测等。

高速动车组通过列车控制管理系统（TCMS）对车辆各子系统设备进行状态监视和故障诊断（TCMS的设计和开发符合IEC 61375标准中列车通信网络（TCN）总线标准）。TCMS将整车所有微机控制系统，如门、空调、牵引、制动等进行总线连接，实现信息的交互与共享。不具备总线能力的设备或部件可通过IO采集模块、A/D采集模块和PT100温度采集模块进行设备状态监测。

通过TCN总线将监测到的状态数据实时输入给中央控制单元（CCU）；CCU作为故障诊断的核心部件，将接受到的状态数据经过数据处理和逻辑计算，获取当前列车故障状态信息；并通过列车显示屏（HMI）进行故障显示，提示司机和维护人员采取针对性的故障应对措施。

2　专家系统总体设计

提出的故障诊断系统专家知识来源于诊断对象故障树。故障树的顶事件决定专家系统要分析和解决的问题；故障树的每个最小割集表示诊断对象故障模式，对应专家系统推理的最终结果；故障树自上而下的逻辑关系用于专家系统的推理过程；故障树的树枝对应于专家系统规则。知识库的获取源于故障树［9-10］。

2.1　构建故障树模型

高速动车组故障诊断是一个涵盖运行前系统自检与诊断、运行中实时状态监视与诊断，以及定期测试与诊断的系统工程。基于故障诊断各阶段故障树的一般模式和结构特征，抽象出的故障树模型如图2所示。其中：A类事件为顶事件，B类事件为中间事件，C类事件为底事件。对于更加复杂的故障树模型，可能底事件较为繁多，中间事件的判断涉及到底事件的交叉复用，但仍可抽象出如图2所示的故障树模型。

图2　高速动车组典型故障树模型

故障树的建立首先要确定顶事件，顶事件决定了故障诊断专家系统要分析和解决的问题。高速动车组故障树顶事件根据以下3个方面确定：

（1）从功能危险分析（FHA）结果中选择可能发生的影响安全的失效状态作为顶事件进行分析；

（2）从故障模式与影响分析（FMEA）结果中选择重要的故障模式作为顶事件进行分析；

（3）根据列车调试运用经验，选择系统部件使用过程中发生严重故障的事件作为顶事件进行分析。

顶事件确定后，根据设计师对诊断对象的专家知识，确定导致顶事件的所有可能的输入条件，逐级分解，并确定中间事件和底事件。

2.2　建立专家诊断系统

高速动车组故障诊断专家系统推理是确定性推理，故障诊断条件和结果是确定和明确的。基于以上特点，专家诊断系统采用产生式推理规则。产生式推理规则的基本思想是：从当前故障征兆信息出发，将对应的底事件代入知识库，若匹配成功某产生式中间事件为真，则这个产生式可以作用在这组事件上，即中间事件成立，从而推出新的事实；以此类推，直到得出故障树的顶事件为止［11-12］。

基于上述思路，设计的故障诊断专家系统如图3所示。其中：故障征兆或状态数据的获取是通过TCMS通信总线获取的；产生式推理机是在CCU中预先设定的逻辑规则，主要表现形式是故障征兆或状态数据的“与”、“或”逻辑运算；若经过推理机的逻辑运算，满足故障树顶事件触发条件，即实现了故障诊断的目的，CCU将执行相应主动防护动作，并将故障信息通过列车显示器向司机和维护人员进行解释说明。

图3　基于推理机的故障诊断专家系统流程图

推理机依赖于对应领域的专家知识，要求故障诊断系统设计师对诊断对象的工作原理有深刻认知。高速动车组故障诊断专家系统推理机可通过在CCU中进行软件编程实现。其软件逻辑示例如图4所示。

3　结语

根据高速动车组故障诊断的特点和现实需求，设计了基于故障树的专家诊断系统，实现并完成了：故障树的确定，故障诊断专家系统整体设计流程，基于专家知识的推理机软件编程。

图4　推理机的软件实现逻辑图

提出的高速动车组故障诊断专家系统，无需建立诊断对象的数学模型，知识表达直接来源于故障树，表达直观简洁，易于理解，且便于编程实现，降低了对计算机处理能力的要求；推理机的输入条件、逻辑关系以及输出结果均具备确定性和明确性。该系统具有迅速响应环境变化的能力，同时具备执行较长动作序列的能力，能够很好地满足高速动车组对故障诊断的需求。

［1］胡琳.汽车故障诊断专家系统软，的设计与研究［J］.电子技术应用，2000，26（3）：17.

［2］刘超，基于WSN的空压机故障模糊诊断专家系统研究［D］.淮南：安徽理工大学，2014.

［3］徐玉秀，邢刚，原培新.基于专家系统与神经网络集成的故障诊断的应用研究［J］.振动与冲击，2001，20（1）：41.

［4］刘小旭.开关磁阻电机功率变换器故障诊断研究［D］.徐州：中国矿业大学，2015.

［5］石华，毕越宽.基于C-均值聚类算法的列车故障诊断系统［J］.机车电传动，2014（1）：94.

［6］张燕，铁路货车制动装置故障诊断专家系统研究［D］.上海：上海交通大学，2011.

［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］.铁道通信信号，2010，46（5）：44.

［8］安茂春.故障诊断专家系统及其发展［J］.计算机测量与控制，2008，16（9）：1217.

［9］段隽喆，李华聪.基于故障树的故障诊断专家系统研究［J］.科学技术与工程，2009，9（7）：1914.

［10］张龙，熊国良，何柏琳，等.机床液压系统故障树分析［J］.机床与液压，2005（2）：170.

［11］吴明强，李霁红，曹爱东，等.故障诊断专家系统综合智能推理技术研究［J］.计算机测量与控制，2004，12（10）：932.

［12］张庆振.地空导弹智能故障诊断专家系统关键技术研究［D］.西安：西北工业大学，2001.