基于贝叶斯网络的复式交分道岔故障诊断

田世润，齐金平，王保福，王 康

(1.兰州交通大学 机电技术研究所，兰州 730070；2.甘肃省物流及运输装备信息化工程技术研究中心，兰州 730070；3.北京全路通信信号研究设计院集团有限公司, 北京 100070; 4.甘肃省物流与运输装备行业技术中心，兰州 730070；5.中国国家铁路集团有限公司 兰州安全监督管理特派办员办事处，兰州 730000)

道岔系统是重载铁路运输中改变行程车辆运行轨道的关键设备.随着重载铁路的发展，道岔系统在工作过程中所承受的载荷和冲击也越来越大.在道岔系统的工作过程中，当尖轨和基本轨之间缝隙超过4 mm道岔就不能完成锁闭.因此道岔系统在铁路线路运输中的故障数量高居不下，据统计，2014年在我国铁路信号设备故障中，道岔系统故障占比30%，道岔故障平均处理时间为23.4 min/次[1].

目前针对道岔系统故障维修大多数依靠现场工作人员的工作经验，对于缺乏工作经验的工作人员，往往在对道岔系统故障进行定位时占用较多时间.对此国内外的学者们大多是采用信号处理和基于知识的故障诊断方法对道岔进行故障诊断研究.文献[2]采用声学分析法对道岔系统进行故障探测分析，研究发现该方法对道岔系统的故障诊断具有较高的准确率.文献[3]采用小波变换分析的方法对道岔工作过程中的动作电流进行分析，根据电流的变化特征对道岔系统进行故障诊断.文献[4]针对采集到的电流信号和道岔转换过程中的力学特征，采用Kakman滤波方法，提高了基于波形的道岔故障诊断的可靠度.文献[5]通过总结道岔故障典型曲线，采用弗雷歇距离定义的相似函数对道岔系统进行故障诊断研究，但适用于小样本数据的故障诊断.文献[6]通过对现场道岔文本数据数据的挖掘处理，采用贝叶斯网络模型针对不同天气环境对道岔系统进行故障预测.文献[7]采用隐马尔可夫的方法，通过增加道岔设备的潜在故障状态，分析每种状态之间的状态转移，实现道岔系统故障预测和道岔设备健康状态检测.

由于复式交分道岔系统结构复杂，各个模块之间相互影响，导致其故障具有复杂性、不确定性的特点.贝叶斯网络作为一种典型的不确定性知识表达与推理模型[8]，是目前人工智能领域不确定知识表达和推理技术的主流方法[9].

鉴于复式交分道岔故障特点及贝叶斯网络对不确定性问题的推理能力，本文作者采用文本挖掘技术对复式交分道岔故障文本数据进行分析，进而构建复式交分道岔系统的故障树模型；再将故障树模型转化为贝叶斯网络模型，对该模型利用现有数据进行参数学习；最后，对复式交分道岔进行可靠性分析与故障诊断研究，为复式交分道岔日常运维提供参考.

1 复式交分道岔故障树模型

1.1 复式交分道岔结构与工作原理

复式交分道岔主要由两组活动心轨、两组直尖轨、两组曲尖轨等部位组成，其结构相当于两组对开的单开道岔如图1所示.根据其结构特点可以完成车辆从A-D、A-C、C-A、C-B等8个方向的轨道转变.

复式交分道岔虽然结构复杂但工作原理和单开道岔基本相同，道岔系统内部都可以划分为机械部分和电气部分，而且都是由转辙机带动尖轨运动完成行驶车辆的线路转换.复式交分道岔在转换过程中与其他道岔相同，主要由解锁、转换、闭锁[1]三部分组成.因为复式交分道岔和单开道岔所用的转辙机都是ZD6型转辙机，所以道岔内的控制电路也都是由表示电路和启动电路构成.

1.2 基于文本挖掘的复式交分道岔故障致因提取

文本挖掘技术是一种对文本信息处理和分析的技术，其核心是将一些人为记录的数据，通过处理和分析，将其转换为计算机可以识别的数学信息，再通过对这些数学信息进行处理和分析，从文本数据中提取出有价值的信息.文本挖掘技术是全球大数据环境下常见的一种对文本数据进行分析的方法[10].

目前文本数据挖掘技术主要由获取文本、文本预处理、数学表示、挖掘分析和解释评价[11]5个步骤组成，图2对其进行了具体说明.

通过某铁路集团2016—2018年《行车设备(施工、检查)登记薄》(运统-46)[12]中记录的复式交分道岔故障数据展开研究.采用文献[13]提出的NLPIR汉语分词系统对复式交分道岔进行文本挖掘的流程如下.

1)文本预处理.

对文本故障数据进行预处理，将“道岔型号”、“值班员信息”等干扰信息消除，只保留可以描述道岔故障的关键性词语如下.

空转 表示杆 连接销子 错位 空转 表示杆 连接部 受到冲击 空转 表示杆 受杂物干扰

空转 表示杆 错位

空转 表示杆 蹭枕木

空转 表示杆碰水泥枕 尖轨 爬行 空转 表示杆销子 碰轨底

预处理后对用NLPIR软件进行分词处理，以复式交分道岔空转部分处理结果为例，分词结果为:

滑床板 缺油 尖轨 翘头 滑床板 磨损严重 尖轨和基本轨 夹杂物 尖轨和基本轨 夹杂物 尖轨和基本轨 夹杂物 尖轨和基本轨 夹杂物 尖轨和基本轨 夹杂物 尖轨和基本轨 夹杂物 基本轨 夹杂物 尖轨与滑床板 夹杂物 基本轨 肥变大 基本轨.

2)特征词提取.

在NLPIR软件中进行特征词的提取，对其中“数字”进行删减同时对特征词中表达相同意思的特征词进行合并，最后得到56个特征值，其结果如下.

工务操作螺丝螺栓原因故障电流改道基本轨移动生锈运动移位水平爬行滑床板作业搬动压力打磨摩擦电流尖轨缺油动作枕木天气折断尖端杆杂物轨距固定垫板启动结冰磨耗改轨距连接杆受阻接点螺丝松动木头根部卡阻窜动摩擦空转肥边绝缘螺栓脱落磨损表示杆断裂销子轨撑道岔错位角钢

3)NLPIR软件处理.

以上一步筛选得到的特征词作为一个特征矩阵，通过在NLPIR中引用生成的文件，对处理过的复式交分道岔的文本故障数据进行分析，得到特征词通过NLPIR软件分析处理，在文本数据中所出现的频率和权重结果如图3所示.

4)特征词出现频率分析.

由图3可以看出,可能引起复式交分道岔空转的故障部位有滑床板故障、基本轨故障、连接杆故障、表示杆故障、尖端杆故障等.空转的故障原因有工务原因、结冰、天气、缺油、移动受阻等.在所有导致空转故障中,尖轨和基本轨所占比例较大，故障致因中杂物所导致故障发生的比率最高.通过对特征词的整合分析，可以发现常见的复式交分道岔故障事件的因果关系，结合复式交分道岔的工作原理和现场工作人员的建议，可以对复式交分道岔的故障机理进行较好的梳理分析.

1.3 基于文本挖掘的复式交分道岔故障树建模

在对复式交分道岔文本数据进行特征词分析和处理后，最关键的是要将特征词进行组合，生成计算机可以识别的样本数据集.通过对复式交分道岔系统结构分析和现场专家的意见，将特征词转化为道岔系统中的各个故障事件，并对各个故障进行统计，统计结构如图4所示.

针对统计结果，对各个故障事件进行编号，以N(Normal)，F(Failure)代表各个故障事件的状态，建立计算机可以识别的样本数据集.表1是数据集中的一部分.

表1 复式交分道岔实验样本数据集

故障树分析(Fault Tree Analysis，FTA)是由上往下的演绎式失效分析法，它采用更为逻辑化的理念直观反映系统故障和系统故障致因间的关系.根据上述中复式交分道岔数据分析结果进行分析，结合复式交分道岔工作原理和基于信心指数的专家调查法建立故障树模型，对专家的选取、评级及专家的评判等数据来自文献[14].图5为复式交分道岔故障树.表2为复式交分道岔故障树事件编码表.

表2 复式交分道岔故障树事件编码

2 基于BN网络的复式交分道岔建模

2.1 故障树转贝叶斯网络

贝叶斯网络是目前不确定知识表达和推理领域最有效的理论模型之一[14].根据贝叶斯网的网络结构以及条件概率表(Conditional Probability Table，CPT)可以快速得到每个基本事件的概率.

由故障树转换为贝叶斯网络的过程实质上就是将故障树中的事件和门结构转换为贝叶斯网络中的节点关系图和条件概率表.

将故障树中的事件在贝叶斯网络中以节点的形式表示，故障树中的门结构在贝叶斯网络中按照条件概率表的方式表示，故障树中的门结构与贝叶斯网络的条件概率表的对应数值[15]，如图6所示.

按照故障树和贝叶斯网络的映射法则，将图6的复式交分道岔故障树模型转化为贝叶斯网络结构，转换结果如图7所示.

2.2 复式交分道岔贝叶斯网络参数学习

贝叶斯网络的学习过程是一个利用研究对象的先验信息和样本数据，对未知样本进行估计，从而对研究对象设计贝叶斯网络的过程，主要包括结构学习和参数学习两部分.前者是对贝叶斯网络拓扑结构进行设计，后者是完成贝叶斯网络结构设计后的条件概率表.

1.3节已经将文本数据转换为计算机可以识别的实验数据集，通过对数据的特征分析，选用EM算法对贝叶斯网络进行参数学习，在GeNIe软件中调用EM算法，完成复式交分道岔贝叶斯网络模型的参数学习.

为确保参数学习结果的准确性，选用不同数据样本对贝叶斯网络模型进行参数学习.本文采用2016—2018年某铁路局复式交分道岔故障数据.同时依照模型分别按照5%、10%、15%、20%的数据缺失比例生成训练样本数据集，同样对复式交分道岔贝叶斯网络模型进行参数学习.将各个节点参数学习过后的各个中间概率进行比较如图8所示，各节点参数学习后的统计分析表见表3.

表3 各节点参数学习后的统计分析

从图8可以看出各个实验数据集均与现场工作实际故障次数的趋势基本一致.通过对各个节点故障率分析其均方差和方差，再一次证明了方法的正确性.

2.3 复式交分道岔系统可靠性分析

贝叶斯网络系统可靠性分析主要是依据系统的灵敏度，其主要反映了贝叶斯网络中的叶节点对系统中故障的敏感程度，通过对贝叶斯网络灵敏度的分析可以得知各个根节点对叶节点的影响程度.当根节点的故障发生较小程度的变化时，使叶节点的故障发生较大的变化，以此来发现系统中影响系统可靠性较高的根节点.

底事件的概率重要度为

(1)

(2)

(3)

通过对复式交分道岔贝叶斯网络模型敏感度分析发现，x2、x21、x1是对系统灵敏度影响较大的3个节点，图9是一部分故障发生时对叶节点T故障发生时的灵敏度分析结果.

将贝叶斯网络灵敏度分析结果与故障树中对于各个底事件的重要度分析结果进行对比,如表4所示.

表4 复式交分道岔系统可靠性分析

从表4中可以看出,对复式交分道岔系统可靠性影响较大的前15个故障类型中，贝叶斯网络可靠性分析结果和故障树可靠性分析结果基本相同.

3 复式交分道岔故障诊断及维修

3.1 复式交分道岔故障诊断

通过对复式交分道岔进行故障树和贝叶斯网络分析后，根据结果对复式交分道岔的检修方案提供合理化建议，达到降低复式交分道岔故障率，提高复式交分道岔维修效率的目的.且现场复式交分道岔故障数据的分析和处理，确定了复式交分道岔贝叶斯网络参数学习的准确性.

为使贝叶斯网络故障诊断结果更加准确，以2016年的数据集对复式交分道岔进行贝叶斯网络故障诊断研究，其诊断分析结果如图10所示.

从图10的故障诊断结果可以看出当复式交分道岔发生故障时时，最容易发生是“道岔爬行或尖轨窜动”、“尖轨搬动受阻”、“缺口调整不当”等故障.其中“道岔电机内部故障”是发生较少的故障类型.

对某铁路局2019年第一季度的150组复式交分道岔故障维修记录进行统计，统计结果如表5所示.通过分析可以看出复式交分道岔贝叶斯网络故障诊断结果与实际复式交分道岔故障发生次数排序基本相符.

表5 2019年第一季度复式交分道岔维修统计

3.2 复式交分道岔维修建议

通过对复式交分道岔贝叶斯网络模型故障诊断结果进行分析发现，复式交分道岔系统中尖轨、基本轨部位故障率较高，道岔转辙机内部故障率整体相对较低.据此为解决复式交分道岔故障维修过程中存在的盲目性，结合复式交分道岔贝叶斯网络故障诊断结果，针对目前复式交分道岔故障诊断流程提供合理化建议.

1)当道岔在室内继电器处检测到道岔空转时首先判断其空转类型.

① 道岔发生不解锁空转，根据故障诊断结果，建议先检查转辙机摩擦电流，再检查道岔密贴力，最后检查摩擦带的顺序；

② 当道岔发生解锁后空转时，建议先检查动作杆的状态，再检查检测杆组的工作状态，最后检查齿条块的工作情况；

③ 当发生转换到位空转时，建议先检查道岔密贴力的情况，再检查启动电路是否混线.

2)当道岔室外非空转故障时，根据模型诊断结果表明，尖轨和基本轨为道岔系统高发故障部位，建议先检查道岔尖轨和基本轨的状态，再检查电动转辙机是否按规定进行安装.

4 结论

采用某铁路局三年以来《行车设备(施工、检查)登记薄》(运统-46)，记录的复式交分道岔历史运维数据作为数据集对复式交分道岔故障诊断展开研究.

1)通过对文本数据进行数据挖掘分析，建立复式交分道岔故障树模型，并对其进行故障梳理和可靠性分析，得到各故障模式的重要度排序.

2)将复式交分道岔故障树模型转化为贝叶斯网络模型，进行参数学习，通过敏感性分析，得到其排序与重要度排序一致.

3)利用该模型对复式交分道岔进行故障诊断，与某铁路局2019年第一季度的150组复式交分道岔故障维修记录基本相符，为复式交分道岔日常运维提供参考性意见.