铁路TFDS 故障风险预测的贝叶斯决策模型构建

马子钦

（国能铁路装备有限责任公司，北京 100011）

随着铁路建设技术的发展，铁路设备增多，而故障风险也随之上升，铁路故障风险预测引起了社会各界的广泛关注。现阶段，我国高铁已成功覆盖超过80%的县市，客运量庞大，产值高。为了更好地解决铁路运营安全问题，铁路风险预测已迫在眉睫，而建立铁路TFDS（货车运行故障动态图像检测系统）故障风险预测的贝叶斯决策模型是解决这一问题的重要前提。

近年来，不少学者开始围绕铁路TFDS 故障风险预测展开研究。其中，绝大多数研究集中于大型公共铁路项目，且研究较为笼统。如文献[1]采用灰色理论与数据包络相结合的方式，对数据进行加权处理，并以某铁路建设中的隧道项目作为实例，采集数据并对数据进行预处理，实现铁路TFDS 故障风险的预测。文献[2]通过建立多个评价指标体系，并结合G2法对评价指标进行赋权处理，使用博弈法进行赋权处理结果优化，结合可变模糊集理论的优势评价铁路TFDS 故障，以此得到故障风险预测结果。这些方法虽然能对铁路故障进行预测，但预测精度并不高。

为了提升铁路TFDS 故障风险预测精度，该文构建了铁路TFDS 故障风险预测的贝叶斯决策模型。

1 故障风险辨识

1.1 贝叶斯网络结构

铁路TFDS故障风险辨识过程中需要进行故障风险概率的统计与估计，该文采用贝叶斯网络结构统计故障风险发生的概率。贝叶斯网络结构具有极强的普适性，能够对不同种类的数据进行统一运算，可以降低运算的复杂程度[3-4]。贝叶斯网络建模方法自身具备记录历史铁路运营事故数据的能力，能够通过内部节点分析故障的条件概率，在确定存在故障风险后，贝叶斯网络拓扑结构会分析先验概率和条件概率，从而判断出风险成因，得到后验概率，通过计算得到的后验概率确定最大值，并及时在界面上显示。

构建贝叶斯网络结构的具体方法如下：

1）对故障风险的种类进行分类，并预估故障风险的发生概率。

2）根据步骤1）的预估概率结果，将TFDS 故障风险的等级划分成三档，分别对应不同等级的风险。

3）设一类故障发生的概率为P，则有：

其中，A表示第一类事件；B表示第二类事件；P(A∩B)为两个事件共同发生的概率；P(B∣A)为在A发生的条件下B发生的概率[5-6]。

贝叶斯网络结构如图1 所示。

图1 贝叶斯网络结构

该文所涉及到的铁路TFDS 故障主要分为设备安全和环境安全，前者包括设备安全性、设备可靠性和设备维护状况，后者包括自然环境、社会环境和作业环境[7-8]。

根据上述贝叶斯网络结构，能够得到不同故障风险在特定条件下发生的概率。在得到了不同故障发生的概率数据后，计算这些数据相关性，可以更好地表示其他概率信息，提高概率估计的准确性[9]。假设P(x1,x2,…,xn)表示故障概率，则有：

其中，x1,x2,…,xn分别表示不同故障风险，xi为其中的第i个数据。

构建贝叶斯网络结构后，要对各个节点的概率情况进行进一步处理，使各节点数据达到平衡。在计算的过程中，一旦出现节点变化情况，贝叶斯网络可以通过上述过程分析各变量之间的数据变化，从而实现数据的自我修正[10-11]。

1.2 铁路TFDS故障风险辨识

该文采用预先危险性分析法辨识铁路故障风险[12]。首先，根据计算人员的经验和研究对象的历史数据分析系统可能存在的危险；其次，对分析得到的潜在危险进行贝叶斯演绎，展示潜在危险的预测结果；最后，搭建预测体系，将新数据带入到上述方法中，得到具有普适性的结果数据。贝叶斯演绎方法如下：

其中，Q表示贝叶斯演绎结果数据，n1、m1、n2、m2分别表示不同类型的TFDS 故障风险数据[13-14]。

在经过上述计算过程得到Q值后，挖掘计算相关数据，根据经验设置相关性阈值，获得不同数据间的相关性强度，继而可以有效判断故障的高发种类。设α为不同数据间的相关强度，则有：

其中，u表示TFDS 故障种类的个数，μf表示相关强度阈值。

获得数据相关性后，α≥0.756 的数值结果表示高发的故障类型，建立图像系统对其进行分析，获得准确的预测结果；对α＜0.756 的数值需要进行同源处理，将其与高相关性数据合并，降低算法的复杂程度。合并高相关性和低相关性的数据后，对整体进行简要评价，并对安全评价作出初步判断，得到铁路TFDS 故障风险辨识结果。

2 故障风险预测

在得到了铁路TFDS 故障风险数据后，需要对铁路安全评价方法进行选择，根据评价结果实现风险预测。对铁路安全数据进行挖掘处理，得到更深层次数据，优先采用综合评价法对数据进行分析。挖掘处理得到的数据能够贴合实际生产生活中的现实情况。挖掘处理具体方法如式（5）所示：

其中，xk+1表示挖掘处理后的数据；xk表示挖掘处理前的数据；J为雅克比矩阵，JE为该条件下的特定矩阵值。

JE趋近于0 时，数据的可靠程度越高；反之，数据的可靠程度相对较低，需要将数据进行二次筛选，得到更符合该文模型的数据。在网络训练中，将数据代入上式，得到的数据即为选择评价方法的判断依据[15]。将挖掘处理后的数据和设置的阈值进行比较，优先采用综合指数法评价铁路安全情况，反映研究对象的实时变化情况，并对铁路安全评价的可靠性进行实时监测[16]。

根据综合指数预测故障风险，具体步骤：首先，将研究对象数据值和评价过程的标准数值进行差异化处理；然后，对所有的实际值和标准值进行加权处理，计算得到最终的综合评价值。风险综合评价值能够反映在整体条件下，对象数据值和周边数据的融洽程度，进一步提升铁路风险预测的可行性。设Y为风险预测值，则有：

其中，y1和y2分别表示研究对象数据值和评价过程的标准数值；a表示综合评价过程中的周边数据随机取值。

使用综合评价法获得综合评价值后，需要对其进行量化处理，以便增强综合评价结果的可靠程度。量化处理能够消除数据本身带来的不确定性，消除数据噪点，减小差异性数据对整体产生的影响。此外，量化处理后的数据同样可以为随后的定性指标分析过程提供数据支持。用T表示故障风险预测，则有：

其中，Y表示计算得到的差异化处理值；c、d分别表示安全评价特征值；f表示铁路安全系数。

通过评价结果实现铁路TFDS 风险预测，既能排除主观因素的影响，又保证了数据收集处理时的客观性以及预测结果精确程度。

3 实验分析

为了验证该文提出的铁路TFDS 故障风险预测的贝叶斯决策模型的实际应用效果，进行了相关实验。选用某地区铁道作为研究对象，该地区铁路所处地形地貌为丘陵，地势蜿蜒起伏，列车在经过铁路的过程中受到地形影响，有可能出现安全事故，因此对该区域的铁路TFDS 故障风险进行预测。同时选择基于灰色关联分析和多层感知器的铁路风险预测方法和基于可变模糊集理论的铁路风险预测方法进行实验对比，比较三种方法的预测精度、预测时间。

根据铁路TFDS 故障预测实际数值，计算预测过程的隶属度如下：

其中，M表示预测的隶属度；h表示风险级别规定值；c表示最低风险阈值；预测区间为[a,b] 。

设定区间[a,b]，分析隶属度是否属于区间，若不在区间内部，判断隶属度位于区间左侧还是右侧。在获取相关的判断结果后，通过归一化处理得到最终结果。指标判断过程如图2 所示。

图2 指标判断过程

分析特征值，计算评价结果，比较故障状态的TFDS 铁路负荷，得到的实验结果如图3 所示。

图3 铁路负荷预测结果

根据图3 可知，预测对象铁路TFDS 负荷波动十分明显，说明其存在多种故障。同时选用三种预测方法进行预测，该文提出的预测方法所得到的预测负荷精度与实际负荷波动情况更为相符。说明与传统预测方法相比，该文提出的预测方法预测精度更高，能够精准地判别铁路TFDS 是否存在风险。

比较预测TFDS 故障过程中三种方法花费的时间。为保证实验的真实性，该文设定预测次数为10次，得到的实验结果如表1 所示。

表1 预测时间实验结果

根据表1 可知，基于贝叶斯决策模型的风险预测方法能够在更短的时间做出铁路TFDS 故障风险预测，10次预测过程中的预测时间平均值为10.457 s；而传统的基于灰色关联分析和多层感知器的铁路风险预测方法预测时间平均值为60.569 s，基于可变模糊集理论的铁路风险预测方法预测时间平均值为55.557 s。由此可见，该文提出的预测方法能够在短时间内精准地判断铁路TFDS 故障风险，具有很高的实际应用价值。

4 结束语

该文以贝叶斯算法为基础，构建铁路TFDS 风险预测贝叶斯模型，发挥贝叶斯算法的普适性，以此统计故障风险发生的概率，根据贝叶斯演绎运算结果与数据相关强度判断故障风险类型，对故障风险数据进行挖掘处理与安全评价，以此实现铁路TFDS 风险预测问题。实验证明，相比对照方法，基于该文提出方法的预测结果更为精准、所用预测时间更短，说明该方法具有很强的实用价值，能在实际应用中准确预测铁路TFDS 风险，为铁路TFDS 风险预测实践提供参考。