基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法技术

本发明专利技术提供了一种基于粗糙集‑神经网络模型的列控车载设备故障分类与识别方法。该方法包括：根据由列控车载设备故障日志文件分析整理的故障案例库，挖掘出故障种类和故障代码之间的对应关系，对故障案例库中的故障代码和故障种类进行编码，生成最初决策表，确定分类规则；运用RST对最初决策表进行属性约简，生成最终决策规则；基于最终决策规则构建神经网络模型，利用神经网络模型实现对列控车载设备的故障识别。本发明专利技术提出了一种神经网络结合粗糙集理论的故障分类与识别方法，解决了含有高噪声列控车载设备文本故障数据的故障识别率低及不完备知识处理能力差等问题，可以保证列控车载设备的故障分类识别的准确性。

Fault classification and recognition method of train control vehicle mounted equipment based on rough set neural network model

The invention provides a fault classification and identification method for train control on-board equipment based on rough set and neural network model. The method includes: analyzing and sorting out the fault case base from the fault log files of train control equipment, mining the corresponding relationship between the fault types and fault codes, coding the fault codes and fault types in the fault case base, generating the initial decision table and determining the classification rules, and using RST to enter the initial decision table. Row attributes are reduced to generate the final decision rules. Based on the final decision rules, a neural network model is constructed to identify the faults of train control equipment. The invention presents a fault classification and recognition method based on neural network and rough set theory, which solves the problems of low fault identification rate and poor incomplete knowledge processing ability of text fault data containing high noise train control equipment, and can ensure the accuracy of fault classification and identification of train control equipment.

【技术实现步骤摘要】
基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法
本专利技术涉及列控车载设备故障识别
，尤其涉及一种基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法。
技术介绍
故障诊断技术一直是工程应用领域的一大重点和难点，因此，大量的研究工作已经展开，并取得重大的成果。随着研究的不断深入，故障诊断技术逐渐发展成为一门较成熟的学科，但是由于列车运行控制系统的特点，真正适用于列控系统的故障诊断方法并不多，主要有故障树、专家系统、贝叶斯网络等，但都是基于系统级别，处理基于文本数据类的列控车载设备故障时并不占优势，并存在故障分辨率不高、对不确定知识的处理能力差的缺点。目前，现有技术中的列控车载设备的故障诊断与定位主要依赖大量维修人员的人工诊断，费时费力，并且诊断准确率低。
技术实现思路
本专利技术的实施例提供了一种基于粗糙集-神经网络模型的列控车载设备的故障识别方法，以实现有效地进行列控车载设备的故障诊断。为了实现上述目的，本专利技术采取了如下技术方案。一种基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法，包括：根据由列控车载设备故障日志文件分析整理的故障案例库，挖掘出故障种类和故障代码之间的对应关系，对所述故障案例库中的故障代码和故障种类进行编码，生成最初决策表，确定故障分类规则；运用RST对所述最初决策表进行属性约简，生成最终决策规则；基于所述最终决策规则构建基于神经网络的故障诊断系统，利用所述基于神经网络的故障诊断系统实现对列控车载设备的故障识别。进一步地，所述的根据由列控车载设备故障日志文件分析整理的故障案例库，挖掘出故障种类和故障代码之间的对应关系，包括：根据工区记录统计的日交接班记录表获取列控车载设备的故障日志文本数据，从所述故障日志文本数据中提取出列控车载设备的故障数据，生成包含故障信息的故障数据汇总表，将该故障数据汇总表作为故障案例库；根据所述故障案例库统计出故障数据中的每种故障种类所对应的故障代码个数及故障代码表述，所述故障种类包括列控车载设备的BTM应答器传输单元和TIU列车接口单元的相关故障，所述故障代码是故障日志文本数据中记录列控车载设备运行状态的自然描述语言。进一步地，所述的对所述故障案例库中的故障代码和故障种类进行编码，生成最初决策表，包括：(1)确定列控车载设备故障诊断的对象：{BTM，TIU}；(2)对BTM和TIU对应的故障代码分别进行字母编码：Φ＝(A,B,C,…)，其中，A、B、C…分别代表一种故障代码，Φ表示条件属性，每种故障代码的Φ取值为0或1，其中，1代表样本故障中存在该种故障代码，0代表不存在该种故障代码；(3)对BTM和TIU对应的故障种类分别进行数字编码：d＝(1,2,…,n)，其中d表示决策属性，n为BTM、TIU所出现的故障种类数量；(4)生成故障代码和故障种类的字符编码形式，将字母编码后的故障代码作为故障诊断的条件属性，将数字编码后的故障种类作为决策属性，再结合故障代码与故障种类之间的对应关系生成最初决策表，确定故障分类规则。进一步地，针对BTM，n的不同取值对应的故障种类如下述表1所示：表1进一步地，所述的运用RST对所述最初决策表进行属性约简，生成最终决策规则，包括：利用RST在数据挖掘方面的属性约简和模糊不完整信息处理的特性，对通过预处理得到的最初决策表进行属性约简，剔除低关联性信息，清洗其中关联度低或无用的属性，通过约简的属性表中确定最终的分类规则，根据最终的分类规则生成最终决策规则；RST属性约简的处理流程包括如下的处理步骤：(9)建立知识系统：S＝{U,R}，其中U＝{A,B,C,D,E,F,G,H,I,J,K,L,M,N,O,P,Q,R}，U为研究对象列控车载设备的故障集合称为域，R是基于U的一一对应关系，即等价关系；(10)剔除最初决策表中的重复事件；(11)由公式ind(P)＝ind(R-{P})得出必要属性，其中，P为一族等价关系；(12)由RST知识进行推理，求出区分矩阵；(13)根据核属性及属性重要度的定义，由区分矩阵进而求出核属性、重要属性；(14)根据核属性、重要属性和必要属性构成初步决策表；(15)基于集合间的包容关系，对初步决策表进行属性约简，进而得出最终决策表；(16)将最终决策表作为最终的分类规则；所述RST的区分矩阵及属性重要度的计算步骤如下。(1)建立知识库信息系统：K＝(U,R)，U称为域，即所研究对象的故障集，R是基于U的一一对应关系，即等价关系，ind(K)为K中全部等价关系的族，记作令P为一族等价关系，ind(P)＝ind(R-{P})；(2)建立知识表达系统：S＝(U,A,V,f)，S的区分矩阵是一个n×n的对称矩阵；(3)计算区分矩阵：A是所有属性元素构成的集合，α,d是A中的元素，Xj为U的非空子集，x是Xj中的元素，i,j＝1,2,...，n；(4)计算属性重要度：其中，属性α∈C，i,j＝1,2,...，n，|cij|是区分矩阵中元素cij的长度。进一步地，所述的基于所述最终决策规则构建基于神经网络的故障诊断系统，利用所述基于神经网络的故障诊断系统实现对列控车载设备的故障识别，包括：基于所述最终决策表确定故障诊断规则，即最终故障分类规则，采用MATLAB软件中的神经网络模式识别工具箱对故障诊断规则进行仿真，实现基于神经网络的故障诊断系统；利用采集的列控车载设备中的BTM和TIU的已知故障数据构造训练样本和测试样本，利用训练样本对所述基于神经网络的故障诊断系统进行训练，利用测试样本对训练后的故障诊断系统进行相应测试，得到训练好的基于神经网络的故障诊断系统；将列控车载设备中的BTM和TIU的未知故障样本输入到所述训练好的基于神经网络的故障诊断系统，该基于神经网络的故障诊断系统输出未知故障样本的诊断结果，该诊断结果包括未知故障样本是正常样本还是故障样本，如果是故障样本，还输出故障类型。由上述本专利技术的实施例提供的技术方案可以看出，本专利技术针对神经网络算法无法从低关联度的初始数据中完成重要信息的存取、消除高噪声，提出了一种神经网络结合粗糙集理论的故障诊断方法，即将对案例库进行预处理所得到的原始决策矩阵，利用粗糙集的知识约简能力对其进行属性约简，确定出最终的故障诊断规则，并将其应用到神经网络中进行故障诊断，从而验证了该方法在实现列控车载设备故障分析方面的可行性。本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种基于粗糙集-神经网络模型的列控车载设备的故障分类与识别方法的处理流程图；图2为本专利技术实施例提供的一种RST属性约简的处理流程图；图3为本专利技术实施例提供的一种基于粗糙集-神经网络模型的列控车载设备的故障诊断系统的模型示意图。具体实施方式下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下本文档来自技高网...

【技术保护点】
1.一种基于粗糙集‑神经网络模型的列控车载设备故障分类与识别方法，其特征在于，包括：根据由列控车载设备故障日志文件分析整理的故障案例库，挖掘出故障种类和故障代码之间的对应关系，对所述故障案例库中的故障代码和故障种类进行编码，生成最初决策表，确定故障分类规则；运用RST对所述最初决策表进行属性约简，生成最终决策规则；基于所述最终决策规则构建基于神经网络的故障诊断系统，利用所述基于神经网络的故障诊断系统实现对列控车载设备的故障识别。

【技术特征摘要】
1.一种基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法，其特征在于，包括：根据由列控车载设备故障日志文件分析整理的故障案例库，挖掘出故障种类和故障代码之间的对应关系，对所述故障案例库中的故障代码和故障种类进行编码，生成最初决策表，确定故障分类规则；运用RST对所述最初决策表进行属性约简，生成最终决策规则；基于所述最终决策规则构建基于神经网络的故障诊断系统，利用所述基于神经网络的故障诊断系统实现对列控车载设备的故障识别。2.根据权利要求1所述的方法，其特征在于，所述的根据由列控车载设备故障日志文件分析整理的故障案例库，挖掘出故障种类和故障代码之间的对应关系，包括：根据工区记录统计的日交接班记录表获取列控车载设备的故障日志文本数据，从所述故障日志文本数据中提取出列控车载设备的故障数据，生成包含故障信息的故障数据汇总表，将该故障数据汇总表作为故障案例库；根据所述故障案例库统计出故障数据中的每种故障种类所对应的故障代码个数及故障代码表述，所述故障种类包括列控车载设备的BTM应答器传输单元和TIU列车接口单元的相关故障，所述故障代码是故障日志文本数据中记录列控车载设备运行状态的自然描述语言。3.根据权利要求2所述的方法，其特征在于，所述的对所述故障案例库中的故障代码和故障种类进行编码，生成最初决策表，包括：(1)确定列控车载设备故障诊断的对象：{BTM，TIU}；(2)对BTM和TIU对应的故障代码分别进行字母编码：Φ＝(A,B,C,…)，其中，A、B、C…分别代表一种故障代码，Φ表示条件属性，每种故障代码的Φ取值为0或1，其中，1代表样本故障中存在该种故障代码，0代表不存在该种故障代码；(3)对BTM和TIU对应的故障种类分别进行数字编码：d＝(1,2,…,n)，其中d表示决策属性，n为BTM、TIU所出现的故障种类数量；(4)生成故障代码和故障种类的字符编码形式，将字母编码后的故障代码作为故障诊断的条件属性，将数字编码后的故障种类作为决策属性，再结合故障代码与故障种类之间的对应关系生成最初决策表，确定故障分类规则。4.根据权利要求3所述的方法，其特征在于，针对BTM，n的不同取值对应的故障种类如下述表1所示：表15.根据权利要求1所述的方法，其特征在于，所述的运用RST对所述最初决策表进行属性约简，生成最终决策规则，包括：利用RST在数据挖掘方面的属性约简和模糊不完整信息处理的特性，对通过预处理得到的最初决策表进行属性约简，剔除低关联性信息，清洗其...

【专利技术属性】
技术研发人员：上官伟，蔡伯根，冯娟，张军政，王剑，刘江，陆德彪，姜维，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京,11