一种基于动态贝叶斯的铁路站车线安全协同预警方法技术

本发明专利技术提供了一种基于动态贝叶斯的铁路站车线安全协同预警方法。该方法包括：获取历史事故数据并分析“危险源

【技术实现步骤摘要】
一种基于动态贝叶斯的铁路站车线安全协同预警方法


[0001]本专利技术涉及铁路运营管理
，尤其涉及一种基于动态贝叶斯的铁路站车线安全协同预警方法。

技术介绍

[0002]由于运速快、运能大、能耗小，铁路在我国得到快速发展。但是运营以来，由于气象灾害、地质灾害、异物侵限等环境因素而造成的铁路安全事故时有发生。环境风险因素是铁路运营系统中存在的客观风险因素，对客观因素进行管控，保证铁路运营系统中的客观环境安全，防范或减少环境风险因素造成的损失，对铁路运行时存在的环境风险因素进行研究十分有必要。
[0003]站车线安全协同是指通过联动机制的作用，实现车站、列车、线路各节点的安全信息、组织和资源共同工作。站车线安全协同机制不仅包括安全管理事故发生以后的及时处理反应机制，还包括事故之前的预防和事后的完善等等工作。从运营环境的角度来看，站车线安全协同即当某个子系统存在安全隐患或发生安全事故时，考虑个子系统间的风险传递和风险耦合，利用5G、人工智能、大数据等新一代信息技术，加快各子系统间的信息传递，协调站车线各子系统，针对具体故障采取安全决策，加强各子系统的应急资源配置和应急能力协同建设，发挥好协同管理作用，提升整个铁路运营系统的应急服务能力。

技术实现思路

[0004]本专利技术的实施例提供了一种基于动态贝叶斯的铁路站车线安全协同预警方法，以实现在考虑风险耦合的情况下对车站、列车、线路各子系统进行有效地风险评价及预警。
[0005]为了实现上述目的，本专利技术采取了如下技术方案。
[0006]一种基于动态贝叶斯的铁路站车线安全协同预警方法，包括：
[0007]步骤S1，获取一段时间内与铁路运营环境风险因素相关的历史事故数据，分析车站、列车、线路三个子系统下“危险源
‑
隐患
‑
事故”之间的因果关系，构建各子系统下的风险评价指标体系；
[0008]步骤S2，构建动态贝叶斯网络模型，根据历史事故数据训练贝叶斯网络，将某时刻的铁路运营时的环境数据输入到训练好的贝叶斯网络中，计算出各子系统中各类故障及事故的发生概率；
[0009]步骤S3，构建N
‑
K模型，基于历史事故数据通过N
‑
K模型计算出各子系统间的各风险评价指标因素的风险耦合值；
[0010]步骤S4，基于各子系统中各类故障及事故的发生概率和各子系统间的各风险评价指标因素的风险耦合值，计算各子系统中各风险评价指标因素间的风险耦合系数；
[0011]步骤S5，根据所述风险耦合系数与设定阈值的比较结果更新贝叶斯网络中的节点的发生概率，通过更新后的贝叶斯网络计算出各子系统的风险系数，评价各子系统的安全状态，并输出预警信息。
[0012]优选地，所述步骤S1具体包括以下步骤：
[0013]步骤1.1，将自然环境下的恶劣天气和地质灾害、社会环境中的异物入侵作为影响高速铁运营安全的危险源；
[0014]步骤1.2，获取一段时间内与铁路运营环境风险因素相关的历史风险事件数据，所选取的风险事件案例满足以下3个条件：
①
风险事件发生在铁路系统内；
②
风险事件的发生与环境因素相关；
③
风险事件造成人员伤亡或设施设备损坏；
[0015]步骤1.3，将事故发生地点、原因及类型按车站、列车、线路三个子系统进行分类，分别分析各子系统下“危险源
‑
隐患
‑
事故”之间的因果关系。
[0016]步骤1.4，分别构建车站、列车、线路各子系统下的风险评价指标体系，该风险评价指标体系中包括子系统层、子系统状态、风险评价指标因素层、风险评价指标因素状态和环境影响因素层，量化风险评价指标体系中各节点为不安全状态时的事故损失程度。
[0017]优选地，所述风险评价指标因素层包括站厅设备状态、站台设备状态、动车组状态、供电系统状态、通信系统状态、ATP等列控系统状态、轨道状态、路基状态、道岔状态、接触网状态、隧道状态和桥梁状态。
[0018]优选地，所述步骤S2具体包括以下步骤：
[0019]步骤2、1，利用历史事故数据构建贝叶斯网络模型，所述贝叶斯网络中的节点包括根节点和非根节点，根节点为评价指标体系中的环境影响因素，非根节点中的第一层为评价指标体系中的风险评价指标因素层，非根节点的第二层为评价指标体系中的子系统层；
[0020]步骤2、2，确定好贝叶斯网络结构后，将标准化处理后的历史事故数据进行标准化处理，输入贝叶斯网络中进行训练，确定贝叶斯网络节点参数，贝叶斯网络节点参数包括根节点的先验概率和非根节点的条件概率，根节点发生概率是指相应环境影响因素发生的概率，非根节点的发生概率是指在该节点的父节点概率下，该节点出现不安全状态的概率；
[0021]步骤2、3，在训练好的贝叶斯网络模型基础上，输入某时刻的铁路运营时的环境数据，经过贝叶斯网络计算得出各子系统中各类故障及事故的发生概率。
[0022]优选地，所述步骤S3具体包括以下步骤：
[0023]步骤3、1，根据所述风险评价指标因素层和风险评价指标因素状态，统计各风险评价指标因素间发生风险耦合的事故频数，计算各风险评价指标因素间单因素风险耦合、双因素风险耦合及多因素风险耦合的事故频率；计算各风险评价指标因素的变化风险概率；
[0024]步骤3、2，计算不同耦合方式下的双因素风险耦合值和多因素风险耦合值，风险耦合值越大表示该种耦合方式下发生风险耦合时，对整个系统的风险越大。
[0025]优选地，所述各风险评价指标因素的变化风险概率的计算公式如(式1)所示，式中P
k
代表站厅设备状态元素的变化风险概率，k、l、m
……
v对应风险评价指标因素状态， P
klm...v
代表各指标因素组合下对应事故状态的频率；
[0026][0027]将所述事故频率代入公式(2)计算双因素风险耦合值，将所述事故频率代入公式(式 3)——(式12)计算多因素风险耦合值；
[0028][0029][0030][0031][0032][0033][0034][0035][0036][0037][0038][0039]上述式中：a1，a2，b1，b2，...，c6分别代表步骤S3所述风险评价指标因素层中的12个元素，k,l,m,...，v分别代表所述12个元素所处的状态，其取值为0或1，取0时表示该元素状态为安全，取1时表示该元素状态为不安全；P
klm...
代表参与风险耦合的因素在各种状态下发生耦合的概率。
[0040]优选地，所述步骤S4中的各子系统中各风险评价指标因素间的风险耦合系数的计
算方法如公式(13)所示：
[0041][0042]优选地，所述步骤S5具体包括以下步骤：
[0043]步骤5、1，设置一个风险耦合系数阈值U
阈值
，将每个风险评价指标因素本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态贝叶斯的铁路站车线安全协同预警方法，其特征在于，包括：步骤S1，获取一段时间内与铁路运营环境风险因素相关的历史事故数据，分析车站、列车、线路三个子系统下“危险源
‑
隐患
‑
事故”之间的因果关系，构建各子系统下的风险评价指标体系；步骤S2，构建动态贝叶斯网络模型，根据历史事故数据训练贝叶斯网络，将某时刻的铁路运营时的环境数据输入到训练好的贝叶斯网络中，计算出各子系统中各类故障及事故的发生概率；步骤S3，构建N
‑
K模型，基于历史事故数据通过N
‑
K模型计算出各子系统间的各风险评价指标因素的风险耦合值；步骤S4，基于各子系统中各类故障及事故的发生概率和各子系统间的各风险评价指标因素的风险耦合值，计算各子系统中各风险评价指标因素间的风险耦合系数；步骤S5，根据所述风险耦合系数与设定阈值的比较结果更新贝叶斯网络中的节点的发生概率，通过更新后的贝叶斯网络计算出各子系统的风险系数，评价各子系统的安全状态，并输出预警信息。2.根据权利要求1所述的方法，其特征在于，所述步骤S1具体包括以下步骤：步骤1.1，将自然环境下的恶劣天气和地质灾害、社会环境中的异物入侵作为影响高速铁运营安全的危险源；步骤1.2，获取一段时间内与铁路运营环境风险因素相关的历史风险事件数据，所选取的风险事件案例满足以下3个条件：
①
风险事件发生在铁路系统内；
②
风险事件的发生与环境因素相关；
③
风险事件造成人员伤亡或设施设备损坏；步骤1.3，将事故发生地点、原因及类型按车站、列车、线路三个子系统进行分类，分别分析各子系统下“危险源
‑
隐患
‑
事故”之间的因果关系。步骤1.4，分别构建车站、列车、线路各子系统下的风险评价指标体系，该风险评价指标体系中包括子系统层、子系统状态、风险评价指标因素层、风险评价指标因素状态和环境影响因素层，量化风险评价指标体系中各节点为不安全状态时的事故损失程度。3.根据权利要求2所述的方法，其特征在于，所述风险评价指标因素层包括站厅设备状态、站台设备状态、动车组状态、供电系统状态、通信系统状态、ATP等列控系统状态、轨道状态、路基状态、道岔状态、接触网状态、隧道状态和桥梁状态。4.根据权利要求2所述的方法，其特征在于，所述步骤S2具体包括以下步骤：步骤2、1，利用历史事故数据构建贝叶斯网络模型，所述贝叶斯网络中的节点包括根节点和非根节点，根节点为评价指标体系中的环境影响因素，非根节点中的第一层为评价指标体系中的风险评价指标因素层，非根节点的第二层为评价指标体系中的子系统层；步骤2、2，确定好贝叶斯网络结构后，将标准化处理后的历史事故数据进行标准化处理，输入贝叶斯网络中进行训练，确定贝叶斯网络节点参数，贝叶斯网络节点参数包括根节点的先验概率和非根节点的条件概率，根节点发生概率是指相应环境影响因素发生的概率，非根节点的发生概率是指在该节点的父节点概率下，该节点出现不安全状态的概率；步骤2、3，在训练好的贝叶斯网络模型基础上，输入某时刻的铁路运营时的环境数据，经过贝叶斯网络计算得...

【专利技术属性】
技术研发人员：谢征宇，莫正倩，秦勇，贾利民，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：