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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。