一种动车组的故障定位自动化方法
【专利摘要】本发明涉及一种动车组的故障定位自动化方法，包括检修人员提交故障信息，计算引擎服务器针对所给出的故障现象，通过故障现象代码和故障原因代码两组代码的关联模型，计算最佳故障定位策略；计算引擎服务器收集故障定位的现实反馈调整所述的两组代码的关联模型，将检查结果插入检修历史数据中。其优点表现为：本发明可据现实要求，科学的制定动车组故障定位方法，具有很强的可拓展性和可移植性，可便利地应用于动车组的故障处理中；相比于单纯依靠故障历史数据的方法，本发明综合了专家知识，在不完全或片面的历史数据下，具有更安全可靠的优点；相比于单纯依靠手册或经验的方法，本发明具有智能程度高，可自学习的优点。
【专利说明】一种动车组的故障定位自动化方法
【技术领域】
[0001]本发明涉及动车组故障诊断领域，具体地说，是一种动车组的故障定位自动化方法。
【背景技术】
[0002]目前，动车组的故障诊断以传统的故障手册加人工诊断的方式为主。但是，由于动车组运营中不断累积故障历史数据，采用故障手册或者人工诊断的方式不能充分利用历史数据且效率低下。
【发明内容】
[0003]本发明的目的是针对现有技术中的不足，利用历史数据对动车组的故障定位建立模型，用智能优化的手段制定出科学合理的动车组的故障定位自动化方法，提供一种动车组的故障定位自动化方法。
[0004]为实现上述目的，本发明采取的技术方案是:一种动车组的故障定位自动化方法，包括:
[0005]a.检修人员通过检修终端提交故障信息，系统读取输入的动车组故障现象代码，在动车组故障现象-故障原因关联表中找出与之关联的故障原因代码，并读取维修记录数据库中相应的故障原因维修记录，同时在成本数据库中读取这些故障原因的诊断成本，将这些数据发送给故障定位的计算引擎服务器；
[0006]b.计算引擎服务器通过故障现象代码和故障原因代码两组代码的关联模型，针对给定的故障现象，计算最佳故障定位策略；
[0007]c.检修人员实时录入故障检修实绩，计算引擎服务器收集故障定位的现实反馈；
[0008]d.计算引擎服务器将此次检查结果与以往检修历史合并，成为新的检修历史数据，在R语言中采用贝叶斯方法计算在该数据支持下的两组代码间的条件概率，代入最佳故障定位策略模型，更新最佳故障定位策略，完成模型自学习过程。
[0009]步骤a中所述的维修记录包括特定故障现象、维修历史记录中的诊断各故障原因的顺序；所述的成本数据是指诊断每种故障原因的总成本，包括操作成本、人力成本、时间成本和安全成本。
[0010]步骤b中所述的最佳故障定位策略是指期望成本最低的故障原因诊断序列，即通过历史数据计算当前条件下各可能原因的条件概率，并据此求出某一解决方案的期望成本，通过对此期望成本的最优化得出最优故障定位解决方案，所述的解决方案为针对某故障现象的一个原因诊断序列。
[0011]步骤b中所述的最佳故障定位策略可由以下方法获得:
[0012]b.1将每种解决方案表示成一个树，树的节点是一个确认某种原因的诊断行为，或者是一个与用户的交互；
[0013]b.2每个诊断行为节点下将分成两个分支，其一为确定诊断行为对应的原因即为目前的故障原因，另一个为确定该原因并非目前故障的原因；同时，交互也分为有限个分支，用来为系统向用户以选择题的方式询问信息；
[0014]b.3交互后系统获得了更多信息，进行决策，并将每种可能的决策方案抽象为树状图上的一个点，计算出该点对应的期望成本；
[0015]b.4定义点与点之间的相邻关系，在树状图上利用局部搜索算法求得局部最优解，即为最佳故障定位策略。
[0016]本发明优点在于:
[0017]1、与现有技术相比，本发明可以根据现实要求，科学的制定动车故障定位方法，同时具有很强的可拓展性和可移植性，可便利的应用于其他路局的故障处理当中。
[0018]2、相比于单纯依靠故障历史数据的方法，本发明综合了专家知识，在不完全或片面的历史数据下，具有更安全可靠的优点。
[0019]3、相比于单纯依靠手册或经验的方法，本发明具有智能程度高、可自学习的优点。【【专利附图】
【附图说明】】
[0020]附图1是本发明方法的流程图。
【具体实施方式】
[0021]下面结合附图对本发明提供的【具体实施方式】作详细说明。
[0022]如附图1所示:一种动车组的故障定位自动化方法，包括:
[0023]a.检修人员通过检修终端提交故障信息，系统读取输入的动车组故障现象代码，在动车组故障现象-故障原因关联表中找出与之关联的故障原因代码，并读取维修记录数据库中相应的故障原因维修记录，同时在成本数据库中读取这些故障原因的诊断成本，将这些数据发送给故障定位的计算引擎服务器；
[0024]b.计算引擎服务器通过故障现象代码和故障原因代码两组代码的关联模型，针对给定的故障现象，计算最佳故障定位策略；
[0025]c.检修人员实时录入故障检修实绩，计算引擎服务器收集故障定位的现实反馈；
[0026]d.计算引擎服务器将此次检查结果与以往检修历史合并，成为新的检修历史数据，在R语言中采用贝叶斯方法计算在该数据支持下的两组代码间的条件概率，代入最佳故障定位策略模型，更新最佳故障定位策略，完成模型自学习过程。
[0027]步骤a中所述的维修记录包括特定故障现象、维修历史记录中的诊断各故障原因的顺序；所述的成本数据是指诊断每种故障原因的总成本，包括操作成本、人力成本、时间成本和安全成本。
[0028]步骤b中所述的最佳故障定位策略是指期望成本最低的故障原因诊断序列，即通过历史数据计算当前条件下各可能原因的条件概率，并据此求出某一解决方案的期望成本，通过对此期望成本的最优化得出最优故障定位解决方案，所述的解决方案为针对某故障现象的一个原因诊断序列。
[0029]步骤b中所述的最佳故障定位策略可由以下方法获得:
[0030]b.1将每种解决方案表示成一个树，树的节点是一个确认某种原因的诊断行为，或者是一个与用户的交互；
[0031]b.2每个诊断行为节点下将分成两个分支，其一为确定诊断行为对应的原因即为目前的故障原因，另一个为确定该原因并非目前故障的原因；同时，交互也分为有限个分支，用来为系统向用户以选择题的方式询问信息；
[0032]b.3交互后系统获得了更多信息，进行决策，并将每种可能的决策方案抽象为树状图上的一个点，计算出该点对应的期望成本；
[0033]b.4定义点与点之间的相邻关系，在树状图上利用局部搜索算法求得局部最优解，即为最佳故障定位策略。
[0034]以上所述仅是本发明的优选实施方式，应当指出，对于本【技术领域】的普通技术人员，在不脱离本发明方法的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。
【权利要求】
1.一种动车组的故障定位自动化方法，其特征在于，包括: a.检修人员通过检修终端提交故障信息，系统读取输入的动车组故障现象代码，在动车组故障现象-故障原因关联表中找出与之关联的故障原因代码，并读取维修记录数据库中相应的故障原因维修记录，同时在成本数据库中读取这些故障原因的诊断成本，将这些数据发送给故障定位的计算引擎服务器； b.计算引擎服务器通过故障现象代码和故障原因代码两组代码的关联模型，针对给定的故障现象，计算最佳故障定位策略； c.检修人员实时录入故障检修实绩，计算引擎服务器收集故障定位的现实反馈； d.计算引擎服务器将此次检查结果与以往检修历史合并，成为新的检修历史数据，在R语言中采用贝叶斯方法计算在该数据支持下的两组代码间的条件概率，代入最佳故障定位策略模型，更新最佳故障定位策略，完成模型自学习过程。
2.根据权利要求1所述的一种动车组的故障定位自动化方法，其特征在于，步骤a中所述的维修记录包括特定故障现象、维修历史记录中的诊断各故障原因的顺序；所述的成本数据是指诊断每种故障原因的总成本，包括操作成本、人力成本、时间成本和安全成本。
3.根据权利要求1所述的一种动车组的故障定位自动化方法，其特征在于，步骤b中所述的最佳故障定位策略是指期望成本最低的故障原因诊断序列，即通过历史数据计算当前条件下各可能原因的条件概率，并据此求出某一解决方案的期望成本，通过对此期望成本的最优化得出最优故障定位解决方案，所述的解决方案为针对某故障现象的一个原因诊断序列。
4.根据权利要求1所述的一种动车组的故障定位自动化方法，其特征在于，步骤b中所述的最佳故障定位策略可由以下方法获得: b.1将每种解决方案表示成一个树，树的节点是一个确认某种原因的诊断行为，或者是一个与用户的交互； b.2每个诊断行为节点下将分成两个分支，其一为确定诊断行为对应的原因即为目前的故障原因，另一个为确定该原因并非目前故障的原因；同时，交互也分为有限个分支，用来为系统向用户以选择题的方式询问信息； b.3交互后系统获得了更多信息，进行决策，并将每种可能的决策方案抽象为树状图上的一个点，计算出该点对应的期望成本； b.4定义点与点之间的相邻关系，在树状图上利用局部搜索算法求得局部最优解，即为最佳故障定位策略。
【文档编号】G06Q10/06GK104517195SQ201510005091
【公开日】2015年4月15日 申请日期:2015年1月4日 优先权日:2015年1月4日
【发明者】孟敬慈, 陈君达 申请人:上海杰之能信息科技有限公司