一种地铁信号系统车载设备故障自动诊断方法

1.本发明涉及车载信号设备故障诊断技术领域，具体是一种地铁信号系统车载设备故障自动诊断方法。


背景技术：

2.列车上atp和ato所涉及到的设备称为车载信号设备。车载信号系统是轨道交通信号系统的关键组成部分，负责列车的运行控制，其故障对列车的安全运行和运输效率影响重大。地铁运行时间长、强度大，设备的老化和故障不可避免。目前，地铁车载信号设备维护和故障的诊断存在以下问题：
3.首先，故障处理效率不高。故障信息的下载、记录、统计和总结均由人工完成，处理效率低。故障维修方式一般为依据故障表现进而参考以往经验进行维修。
4.其次，故障数据记录不规范，故障数据记录不完整。故障维修记录格式并未规范，故障记录侧重事故结果，对故障致因不做过多记录，因此导致故障记录缺乏严谨性。
5.另一方面，基于专家知识的故障诊断具有一定的片面性。其精确度取决于知识库的大小及其正确率，并且不同专家给出的诊断规则存在较大差异。
6.最后，车载信号设备的换修一般是参照上级下发的设备维护周期表对设备进行更换。而对于一些经常损坏和故障的设备没有进行相应的生命周期的预测估计，仅靠经验更换，重点设备则每隔几天进行一次全面检查。这样的维护手段虽然可以保证涉笔的安全，但消耗大量人力和物力。
7.综上所述，车载信号设备故障具有复杂性和不确定性，并且诊断系统仍需完善。为解决这些问题，本发明提出一种地铁信号系统车载设备故障自动诊断方法，通过实时采集故障数据，并进行故障诊断，及时给出故障信息和预警信息，提高诊断精确度和诊断效率。


技术实现要素：

8.为实现上述目的，本发明提供如下技术方案：一种地铁信号系统车载设备故障自动诊断方法，包括以下步骤:
9.s1，数据采集装置实时采集设备状态信息，通过移动通信设施将设备信息传输至维护中心；
10.s2，维护中心解析从移动通信设施接收到的设备信息，并将设备信息进行实时数据显示、存储记录以及故障诊断；
11.s3：将故障诊断结果发送至维护人员移动设备；
12.s4：维护人员根据诊断信息或预警信息，借助故障处理手册及经验处理故障；
13.s5：保存故障处理结果数据库；
14.s6：根据故障处理结果数据库，采用k2算法进行结构学习和极大似然估算法进行参数学习，以建立最优故障诊断模型。
15.作为本发明优选的技术方式，在步骤s1中，通过两组接口采集控制端车载列车自
动运行系统ato和控制端车载列车自动防护系统atp的状态信息。
16.作为本发明优选的技术方式，在步骤s2中，利用故障诊断模型生成诊断信息或预警信息以实现信号车载设备的故障诊断。
17.作为本发明优选的技术方式，在步骤s5中，故障处理结果数据库由完整的故障数据和故障处置手段组成。
18.作为本发明优选的技术方式，在步骤s6中，最优故障诊断模型的建立包括以下步骤：
19.a，通过对维护中心故障记录信息进行分析，确定网络节点信息，即故障处理结果数据库；网络节点分为故障现象、故障部位和故障原因3个层次；结合故障处理结果数据库，确定各节点间的依赖关系，建立基于专家知识的贝叶斯网络；
20.b，以历史存储的故障数据取适量条数据作为样本数据；
21.c，利用样本数据进行结构学习和参数学习；
22.d，通过整对学习后的网络结构做适当简约处理，得到更符合实际问题的最优故障诊断模型。
23.作为本发明优选的技术方式，所述故障现象为ato和atp系统中引起信号故障的硬件模块出现故障后的现象；所述故障部位为atp系统和ato系统；所述故障原因为在ato和atp系统中引起信号故障的硬件模块。
24.作为本发明优选的技术方式，故障诊断方法为以故障现象为输入推算故障原因各节点的概率。
25.作为本发明优选的技术方式，预警信息方法为以故障现象为输入推算故障部位层各节点的概率。
26.与现有技术相比，本发明的有益效果如下：
27.本发明的地铁信号系统车载设备故障自动诊断方法，实现信号车载设备故障状态的实时监控，所构建的故障诊断模型实现故障发生前、后的故障预警和诊断，并及时向维护人员传递故障信息，在诊断效率上及故障处理效率上发挥重要作用。
附图说明
28.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
29.图1是本发明一种地铁信号系统车载设备故障自动诊断方法的步骤图；
30.图2是本发明采集器结构图；
31.图3是本发明贝叶斯网络结构示意图。
具体实施方式
32.为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
33.如图1所示，本发明为一种地铁信号系统车载设备故障自动诊断方法，一种地铁信号系统车载设备故障自动诊断方法包括以下步骤:
34.步骤1，数据采集装置实时采集设备状态信息，通过移动通信设施将设备信息传输
至维护中心；如图2所示，采集装置通过两组接口采集控制端车载列车自动运行系统ato和控制端车载列车自动防护系统atp的状态信息，并进行本地保存，再通过移动通信设施上传至维护中心；
35.步骤2，维护中心解析从移动通信设施接收到的设备信息，并将设备信息进行实时数据显示、存储记录以及故障诊断；
36.步骤3：将步骤2中的故障诊断结果发送至维护人员移动设备；
37.步骤4：维护人员根据诊断信息或预警信息，借助故障处理手册及经验及时处理故障；
38.步骤5：故障处理后，保存故障处理结果数据库；
39.步骤6：根据故障处理结果数据库，采用k2算法进行结构学习和极大似然估算法进行参数学习，以建立最优故障诊断模型(贝叶斯网络)如图3所示，为本发明贝叶斯网络结构示意图，为使图面简洁，图中仅示意性地表示了本发明的故障诊断模型结构，并不视为实际结构；
40.模型的建立包括以下步骤：
41.a，通过对维护中心故障记录信息进行分析，确定网络节点信息，即故障处理结果数据库；网络节点分为故障现象、故障部位和故障原因3个层次；结合故障处理结果数据库，确定各节点间的依赖关系，建立基于专家知识的贝叶斯网络；
42.b，以历史存储的故障数据取适量条数据作为样本数据；
43.c，利用样本数据进行结构学习和参数学习；
44.d，通过整对学习后的网络结构做适当简约处理，得到更符合实际问题的最优故障诊断模型；
45.故障诊断示例:
46.十五号线罗秀路站上行15001#车fam模式无法转换，ato无法动车，采集装置采集到故障数据后，实时发送至维护中心进行故障诊断，通过故障诊断模型诊断生成诊断信息，故障诊断结果锁定为：fam不可用室因为司机钥匙未转到位置导致，ato不可用是因为按钮按压时间过短；得到故障诊断结果及时传输给相关维修人员移动设备，待列车回库后，进行检修维护。
47.故障预警示例:
48.十号线控制中心站101#车网口连接丢失，采集装置采集到故障数据后，实时发送至维护中心进行故障诊断，通过故障诊断模型诊断生成预警信息，告警原因为(1)端口已使能但端口的网线或光纤没有连接好；(2)网线或光纤故障；(3)对端口发送部分故障；(4)本端接收部分故障。得到故障预警信息及时传输给相关维修人员移动设备，待列车回库后，维护人员以此信息对该列车进行维护维修,从而避免了发生重大故障的可能。
49.以上结合附图对本发明的实施方式作了详细说明，但本发明的保护范围不限于上述实施方式。因此，凡对本发明作出各种变化，而这些变化属于本发明权利要求及其同等技术的范围内，均在本发明的保护范围之内。
50.以上显示和描述了本发明的基本原理和主要特征和本发明的优点，对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将
实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
51.此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当合，组形成本领域技术人员可以理解的其他实施方式。