[发明专利]一种高速列车故障处理方法

说明书

技术领域

本发明专利涉及故障诊断技术，具体涉及一种高速列车故障原因分析处理方法。

背景技术

高速列车网络控制系统故障间复杂的因果关系，给列车维修带来了极大困难。因此，寻找故障原因，定位根源故障，对节省列车维修成本具有十分重要的意义。

目前的故障原因分析处理方法通常根据专家经验，采用贝叶斯网络对故障间的因果关系进行建模，并通过求解贝叶斯网络，获得可能的根源故障。贝叶斯网络是一种概率网络，它是基于概率推理的图形化网络，而贝叶斯公式则是这个概率网络的基础。贝叶斯网络是基于概率推理的数学模型，基于概率推理的贝叶斯网络(Bayesian network)是为了解决不定性和不完整性问题而提出的，它对于解决复杂设备不确定性和关联性引起的故障有很的优势，在多个领域中获得广泛应用。

规则推理，是指把相关领域的专家知识形式化的描述出来，形成系统规则。这些规则表示着该领域的一些问题与这些问题相应的答案，可以利用它们来模仿专家在求解中的关联推理能力。

基于规则中处理的变量的类别：1）关联规则处理的变量可以分为布尔型和数值型。布尔型关联规则处理的值都是离散的、种类化的，它显示了这些变量之间的关系；而数值型关联规则可以和多维关联或多层关联规则结合起来，对数值型字段进行处理，将其进行动态的分割，或者直接对原始的数据进行处理，当然数值型关联规则中也可以包含种类变量。2）基于规则中数据的抽象层次：基于规则中数据的抽象层次，可以分为单层关联规则和多层关联规则。在单层的关联规则中，所有的变量都没有考虑到现实的数据是具有多个不同的层次的；而在多层的关联规则中，对数据的多层性已经进行了充分的考虑。3）基于规则中涉及到的数据的维数：关联规则中的数据，可以分为单维的和多维的。

采用贝叶斯网络对故障间的因果关系进行建模这类方法需要关于故障间因果关系的专家经验，但在实际应用中，高速列车许多故障间的因果关系往往还不为人所知，没有专家经验可循。在这种情况下，已有的基于贝叶斯网络的故障原因处理方法就不再适用了。如何发现故障间尚不为人知的因果关联关系，从而在缺少相关专家经验的情况下，对高速列车所产生的大量故障中寻找到根源故障，成为了有待解决的问题。

发明内容

针对现有技术中的不足，本发明通过结合关联规则挖掘和规则推理，对故障原因进行分析，大大节省维修成本。

为解决如上的技术问题，本发明提供了一种基于关联规则挖掘与规则推理的高速列车故障原因分析处理方法，其具体步骤如下：

1）查询故障列表中在用户设定时间内发生的故障和故障代码，组成一故障集；

2）对所述故障集进行扫描得到满足最小支持度的频繁项目集，在所述项目集中生成故障关联规则并得到所述故障关联规则中的合法故障关联规则集；

3）将所述合法故障关联规则集通过规则图表示，根据步骤1）所述故障列表中故障与该规则图上的节点进行匹配，得到匹配后的规则图；

4）在所述匹配后的规则图中遍历找到所有节点均被匹配路径；计算出所述被匹配路径上各个节点所代表故障的重要性并排序；

5）根据所述重要性排序按照故障重要性由高到低进行处理。

所述故障的重要性P(v)=O(v)+L(v)，其中，O(v)为节点v在规则图上的出度，L(v)为所有通过节点v的被匹配路径的最大路径长度值。

所述故障模式集是所有频繁项目集的集合；所述频繁项目集是所包含的故障同时出现的次数大于用户设定的最小支持度的项目集。

所述合法故障关联规则集包括若干故障关联规则，所述每一条关联规则左子式为根源故障，右子式为结果故障的故障关联规则。

所述匹配后的规则图中的每个节点代表高速列车的故障，有向边从根源故障中发出指向结果故障，组成一条故障关联规则。

所述故障关联规则表示高速列车故障间的因果关系。

所述频繁项集根据频繁项集挖掘算法Apriori得到。

将所述频繁项集中出现时间早的故障作为根源故障，出现时间晚的故障作为结果故障，组成若干故障关联规则。

将所述频繁项集的置信度作为该故障关联规则为真的概率，获取故障间未知的关联关系。

将所述关联规则集中左子式的根源故障作为子节点，右子式的结果故障作为父节点；对于同一条路径上节点所表示的故障，按照先修子节点所代表的故障，再修理父节点所代表的故障顺序进行处理。

本发明的有益效果