[發明專利]基于粗糙集-神經網絡模型的列控車載設備故障分類與識別方法

在審

• 申請號: 201810259114.6
• 申請日: 2018-03-27
• 公開（公告）號: CN108537259A
• 公開（公告）日: 2018-09-14
• 發明（設計）人: 上官偉;蔡伯根;馮娟;張軍政;王劍;劉江;陸德彪;姜維
• 申請（專利權）人: 北京交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 北京市商泰律師事務所 11255
• 代理人: 黃曉軍

本發明提供了一種基于粗糙集?神經網絡模型的列控車載設備故障分類與識別方法。該方法包括：根據由列控車載設備故障日志文件分析整理的故障案例庫，挖掘出故障種類和故障代碼之間的對應關系，對故障案例庫中的故障代碼和故障種類進行編碼，生成最初決策表，確定分類規則；運用RST對最初決策表進行屬性約簡，生成最終決策規則；基于最終決策規則構建神經網絡模型，利用神經網絡模型實現對列控車載設備的故障識別。本發明提出了一種神經網絡結合粗糙集理論的故障分類與識別方法，解決了含有高噪聲列控車載設備文本故障數據的故障識別率低及不完備知識處理能力差等問題，可以保證列控車載設備的故障分類識別的準確性。

技術領域

本發明涉及列控車載設備故障識別技術領域，尤其涉及一種基于粗糙集- 神經網絡模型的列控車載設備故障分類與識別方法。

背景技術

故障診斷技術一直是工程應用領域的一大重點和難點，因此，大量的研 究工作已經展開，并取得重大的成果。

隨著研究的不斷深入，故障診斷技術逐漸發展成為一門較成熟的學科， 但是由于列車運行控制系統的特點，真正適用于列控系統的故障診斷方法并 不多，主要有故障樹、專家系統、貝葉斯網絡等，但都是基于系統級別，處 理基于文本數據類的列控車載設備故障時并不占優勢，并存在故障分辨率不 高、對不確定知識的處理能力差的缺點。

目前，現有技術中的列控車載設備的故障診斷與定位主要依賴大量維修 人員的人工診斷，費時費力，并且診斷準確率低。

發明內容

本發明的實施例提供了一種基于粗糙集-神經網絡模型的列控車載設備的 故障識別方法，以實現有效地進行列控車載設備的故障診斷。

為了實現上述目的，本發明采取了如下技術方案。

一種基于粗糙集-神經網絡模型的列控車載設備故障分類與識別方法，包 括：

根據由列控車載設備故障日志文件分析整理的故障案例庫，挖掘出故障 種類和故障代碼之間的對應關系，對所述故障案例庫中的故障代碼和故障種 類進行編碼，生成最初決策表，確定故障分類規則；

運用RST對所述最初決策表進行屬性約簡，生成最終決策規則；

基于所述最終決策規則構建基于神經網絡的故障診斷系統，利用所述基 于神經網絡的故障診斷系統實現對列控車載設備的故障識別。

進一步地，所述的根據由列控車載設備故障日志文件分析整理的故障案 例庫，挖掘出故障種類和故障代碼之間的對應關系，包括：

根據工區記錄統計的日交接班記錄表獲取列控車載設備的故障日志文本 數據，從所述故障日志文本數據中提取出列控車載設備的故障數據，生成包 含故障信息的故障數據匯總表，將該故障數據匯總表作為故障案例庫；

根據所述故障案例庫統計出故障數據中的每種故障種類所對應的故障代 碼個數及故障代碼表述，所述故障種類包括列控車載設備的BTM應答器傳輸 單元和TIU列車接口單元的相關故障，所述故障代碼是故障日志文本數據中 記錄列控車載設備運行狀態的自然描述語言。

進一步地，所述的對所述故障案例庫中的故障代碼和故障種類進行編 碼，生成最初決策表，包括：

(1)確定列控車載設備故障診斷的對象：{BTM，TIU}；

(2)對BTM和TIU對應的故障代碼分別進行字母編碼：Φ＝(A,B,C,…)， 其中，A、B、C…分別代表一種故障代碼，Φ表示條件屬性，每種故障代碼 的Φ取值為0或1，其中，1代表樣本故障中存在該種故障代碼，0代表不存 在該種故障代碼；

(3)對BTM和TIU對應的故障種類分別進行數字編碼：d＝(1,2,…,n)， 其中d表示決策屬性，n為BTM、TIU所出現的故障種類數量；