[发明专利]一种基于机器学习的CTCS3故障诊断方法

说明书

一种基于机器学习的CTCS3故障诊断方法：从CTCS3接口监测系统获取铁路无线通信网络的PRI接口、ABIS接口和A接口的数据，对数据进行预处理；对预处理后的数据进行异常事件的特征提取；重复上述得到设定时间段内所有超时事件的特征和事件原因标签构成数据集；采用机器学习的不同算法在数据集上进行训练和验证，得到故障诊断模型；对新发生的超时事件重复预处理和特征提取得到该事件的特征，将特征输入故障诊断模型进行故障分类，得到判别结果；若没有人工干预则结束；若有人工干预，则将干预结果和提取的该事件的特征作为事件原因标签一起加入到数据集中，并按设定的周期更新故障诊断模型继续循环。本发明实现了全自动化的故障分析定位功能。

技术领域

本发明涉及一种CTCS3故障诊断方法。特别是涉及一种基于机器学习的CTCS3故障诊断方法。

背景技术

CTCS3列控系统是目前中国高铁客运专线时速在300km以上普遍使用的列车运行控制系统，该系统有两个子系统，即车载子系统和地面子系统。CTCS根据功能要求和设配置划分应用等级，分为0～4级，CTCS3是其中的3级。但是在列车运行过程中，时常发生通信异常导致列车被限速系统减速或停车，从而导致列车晚点甚至后续列车也受到影响。当前的故障定位方法采用的是从人工导出故障列车相应时间段的接口监测数据进行人工分析故障根源，而不同厂家的接口监测系统导出的监测数据格式和内容存在较大差异且存在数据缺失、数据错误等问题，人工分析耗时耗力而且故障定位的准确率也不高。

发明内容

本发明所要解决的技术问题是，提供一种能够实现全自动化的故障分析定位CTCS3故障的基于机器学习的CTCS3故障诊断方法。

本发明所采用的技术方案是：一种基于机器学习的CTCS3故障诊断方法，包括如下步骤：

1)从CTCS3接口监测系统获取铁路无线通信网络的PRI接口、ABIS接口和A接口的数据，并对所述数据进行预处理；

2)对预处理后的数据进行异常事件的特征提取；

3)重复步骤1)～步骤2)得到设定时间段内所有超时事件的特征和事件原因标签构成数据集；

4)采用机器学习的不同算法在数据集上进行训练和验证，得到故障诊断模型；

5)对新发生的超时事件重复步骤1)～步骤2)得到该事件的特征，将所述特征输入步骤4)中得到的故障诊断模型进行故障分类，得到判别结果；

6)若没有人工对步骤5)中的判别结果进行干预，则结束；若有人工对步骤5)中的判别结果进行确认，或是修改步骤5)的判断结果为其他故障原因，则将人工干预结果和步骤2)提取的该事件的特征作为事件原因标签一起加入步骤3)得到的数据集中，并按设定的周期返回步骤4)，更新故障诊断模型，继续循环。

本发明的一种基于机器学习的CTCS3故障诊断方法，在模型设计方面，采取了集成模型的方式，大大降低了单模型的固有算法缺陷以及过拟合的风险，在整体架构设计上，采取了每隔一个周期自动重新训练模型来自适应学习历史案例的特征与故障源之间的映射关系，达到“机器学习人的新思维”的智能效果。本发明能够分析各个厂家不同格式的数据，实现了全自动化的故障分析定位功能，可节省大量的人力成本。

附图说明

图1是本发明基于机器学习的CTCS3故障诊断方法的流程图。

具体实施方式

下面结合实施例和附图对本发明的一种基于机器学习的CTCS3故障诊断方法做出详细说明。

本发明的一种基于机器学习的CTCS3故障诊断方法，利用标准化的预处理手段、高可用的分类形式替代人工分析进行的复杂、重复和耗时的劳动，并且模型的自动更新适应能力可以根据分析员更新的分类结果学习到人新的分析逻辑，达到智能分析的效果。