[发明专利]一种基于SVM的轨道交通故障诊断方法

说明书

本发明涉及一种基于SVM的轨道交通故障诊断方法。该方法包括：采集轨道交通的历史监测数据及实时监测数据；对监测数据进行预处理和特征选择，进行特征选择时，根据问题的理解和数据的特点，利用经验或特征选择算法选择出与问题相关的部分数据，将其从原始数据中抽取出来；对特征数据进行向量化；对历史监测数据进行模型训练，产生对应的问题分类模型；由分类模型对实时监测数据进行计算分析和分类，判断是否有故障并得出故障产生的原因。本发明通过自动化的监测手段来代替人工在海量的监测信号中进行故障的判断和分析，可以大量节约的人力成本以及故障原因分析的时间，为后续的维修、救援等工作提供时间保障。

本发明为申请号为201410009600.4、申请日为2014年1月9日、发明名称为“一种基于SVM的轨道交通故障诊断方法及系统”的发明申请的分案申请。

技术领域

本发明提供一种基于SVM的轨道交通故障诊断方法，涉及铁路信号数据、铁路通信数据、铁路知识数据、系统报警数据、机器学习、SVM(支持向量机)、等技术领域，用以解决轨道交通监测数据的数据分析问题。

背景技术

目前，轨道交通(国有铁路、企业铁路和城市轨道交通)领域、监测维护产品主要有三类：CSM(信号集中监测系统)、各设备维护机、通信网管系统。为了提高我国铁路信号系统设备的现代化维修水平，从90年代开始，先后自主研制了TJWX-I型和TJWX-2000型等不断升级中的信号集中监测CSM系统。目前大部分车站都采用了计算机监测系统，实现了对车站信号设备状态的实时监测，并通过监测与记录信号设备的主要运行状态，为电务部门掌握设备的当前状态和进行事故分析提供了基本依据，发挥了重要作用。并且，对城市轨道交通信号设备，集中监测CSM系统也被广泛部署在城轨集中站/车辆段等处，供城轨运维使用。此外，伴随我国高速铁路的建设发展，高铁特有的RBC系统、TSRS系统、ATP系统，也面临着纳入信号集中监测系统的需求，也面临着提高其监测能力、运维能力，以及设备自诊断能力的需求。

数据挖掘分析是利用统计分析的数学知识，分析文本、图像、数值等数据，发现数据的隐含规则、关系，建立数据模型，用于对数据进行分类、聚类、统计等操作。SVM是非常成熟的数据分类算法，支持二类分类和多类分类。SVM的主要思想为：它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。

轨道交通监测数据的挖掘分析，对于判断和分析轨道交通的技术故障具有重要的意义。目前多是靠人工在海量的监测数据中进行故障的判断和分析，需要大量的人力成本以及故障原因分析的时间，从而难以为后续的维修、救援等工作提供时间保障，因而需要研究更高效的轨道交通监测数据分析和故障分析方法。随着轨道交通监测技术的不断发展，越来越多的监测设备被安装使用，采集得到的监测数据的种类和数量也越来越多，使用算法在一定程度上替代人工分析是一个必然的趋势。

发明内容

本发明的目的是针对轨道交通监测数据进行数据分析，利用SVM对监测数据进行分类，可以显示故障原因分类等操作。通过自动化的监测手段来代替人工在海量的监测数据中进行故障的判断和分析，大量节约的人力成本以及故障原因分析的时间，为后续的维修、救援等工作提供时间保障。

为实现上述目的，本发明采用的技术方案如下：

一种基于SVM的轨道交通故障诊断方法，其步骤包括：

1)通过数据归集组件采集轨道交通的历史监测数据及实时监测数据，并将这些数据传输到数据分析服务器中；

2)数据分析服务器存储各类监测数据，并对其进行预处理以将其规范化；

3)数据分析服务器分析具体的故障以及故障产生的原因，对监测数据进行特征选择，映射出与故障问题相关的监测数据；