城市轨道交通车辆系统关键部件辨识方法及系统

1.本发明涉及城市轨道交通运营维护技术领域，具体涉及一种城市轨道交通车辆系统关键部件辨识方法及系统。


背景技术：

2.城市轨道交通系统车辆系统是完成运输功能、载运乘客的主要载体，是城轨运营系统的关键组成部分，因此车辆系统是城轨运营安全保障过程中的重点。确定城轨车辆系统中的关键部件是实施车辆系统运营安全保障过程中的基础，通常将城轨车辆系统中影响部件状态的因素分为两类：一类是内部因素，即部件自身的可靠度、部件间的依赖程度以及部件所处的结构位置，它通常是由车辆系统的拓扑数据所决定的；另一类是外部因素，即车辆所处运营环境和运营线路等因素的综合反映。
3.车辆系统中的部件重要程度不仅与内部因素相关，同时还与外部因素相关，在现有的关键部件评估方法中，通常是仅单独考虑内部因素或者外部因素，因此，评估结构不够准确可靠。分别从内部因素和外部因素出发，辨识城轨车辆系统中的关键部件，为保障城轨车辆安全运营提供理论指导。


技术实现要素：

4.本发明的目的在于提供一种城市轨道交通车辆系统关键部件辨识方法及系统，以解决上述背景技术中存在的至少一项技术问题。
5.为了实现上述目的，本发明采取了如下技术方案：
6.一方面，本发明提供一种城市轨道交通车辆系统关键部件辨识方法，包括：
7.以车辆中的部件为节点，部件间的作用关系为连接边，构建城轨车辆拓扑网络模型；
8.依据故障数据拟合部件的可靠性，量化部件间的依赖程度，确定部件的功能重要度指标；
9.基于城轨车辆拓扑网络模型，确定基于拟拉普拉斯中心度的部件结构重要度指标；
10.依据城轨车辆事故数据，建立城轨车辆系统事故专业词库；
11.在马尔可夫状态转移思想的基础上，将城轨车辆系统事故专业词库的部件看作关键词，确定基于事故数据的城轨车辆部件关键性指标；
12.基于功能重要度指标、结构重要度指标和关键性指标，辨识城轨车辆系统关键部件。
13.优选的，确定部件的功能重要度指标，包括：根据每个部件的故障数据拟合故障概率函数，找出拟合结果最小的分布作为此部件的故障概率密度函数；根据极大似然估计求出copula函数中的参数值，并计算部件间的功能依赖度；再根据网络邻接矩阵和leaderrank算法公式，计算得到每个节点的lr值；最后，在leaderrank算法的基础上，引入
综合考虑部件功能依赖度和部件可靠度来描述部件功能重要度评估指标。
14.优选的，确定结构重要度指标包括：引入拟拉普拉斯中心度来衡量节点的结构重要度，考虑节点自身的重要性和其邻居部件的重要性；节点的拟拉普拉斯中心度是通过移除其引起的拟拉普拉斯能量的变化来衡量的，节点的拟拉普拉斯中心度不仅与其自身的度相关，还与其相连的其它节点的度有关，基于对移除节点引起的拟拉普拉斯能量的变化，得到部件的结构重要度。
15.优选的，建立城轨车辆系统事故专业词库，包括：对事故文档进行整合和处理，在对文本分词时选用的jieba分词工具的精确模式，自定义城轨车辆系统事故的常用词典，基于部件和部件所属的装置，通过对事故报告中的出现的部件进行提炼，并结合对车辆系统部件的梳理，构建城轨车辆系统的事故致因词典。
16.优选的，在马尔可夫状态转移思想的基础上，将城轨车辆系统事故专业词库的部件看作关键词，包括：将城轨车辆系统事故专业词库的部件看作关键词，也就是构建的城轨车辆系统事故文本词图模型中的节点；以马尔可夫状态转移模型与词图结合，将每个句子作为窗口，当两个词语存在于同一个句子中，对应词图中节点相连的边才有意义，边的意义则是词语的共现次数。
17.优选的，确定基于事故数据的城轨车辆部件关键性指标，包括：
18.以句子为单元对城轨车辆系统的事故文本进行切割，得到句子集合，再进行jieba分词和去除停用词；
19.以句子为单位进行编号，将句子中的单词进行去重后存储起来；
20.将城轨车辆系统中的部件作为关键词，确定关键词集合为，以词频-逆向文件频率的值作为关键词的初始值；其中，词频表示词语在文本中出现的频率，逆向文件频率表示文本集中的文本数量与词语出现的文本数量的比值的对数；
21.遍历每个句子，若关键词存在于某个句子中，则将此句子编号存于关键词位置表；
22.计算同一句子中存在两个关键词的概率，将条件概率作为节点转移矩阵，即节点边的权值；
23.根据节点边的权值，迭代出关键词的重要性，即基于事故数据的城轨车辆系统部件的重要度。
24.第二方面，本发明提供一种城市轨道交通车辆系统关键部件辨识系统，包括：
25.第一构建模块，用于以车辆中的部件为节点，部件间的作用关系为连接边，构建城轨车辆拓扑网络模型；
26.第一计算模块，用于依据故障数据拟合部件的可靠性，量化部件间的依赖程度，确定部件的功能重要度指标；
27.第二计算模块，用于基于城轨车辆拓扑网络模型，确定基于拟拉普拉斯中心度的部件结构重要度指标；
28.第二构建模块，用于依据城轨车辆事故数据，建立城轨车辆系统事故专业词库；
29.第三计算模块，用于在马尔可夫状态转移思想的基础上，将城轨车辆系统事故专业词库的部件看作关键词，确定基于事故数据的城轨车辆部件关键性指标；
30.辨识模块，用于基于功能重要度指标、结构重要度指标和关键性指标，辨识城轨车辆系统关键部件。
31.第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的城市轨道交通车辆系统关键部件辨识方法。
32.第四方面，本发明提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的城市轨道交通车辆系统关键部件辨识方法。
33.第五方面，本发明提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的城市轨道交通车辆系统关键部件辨识方法的指令。
34.本发明有益效果：充分考虑城轨车辆运行中不同风险因素对部件的影响，从车辆的拓扑分析和事故文本两方面出发，辨识城轨车辆系统关键部件，为提升城轨车辆系统风险辨识提供理论方法支撑。
35.本发明附加方面的优点，将在下述的描述部分中更加明显的给出，或通过本发明的实践了解到。
附图说明
36.为了更清楚地说明本发明实施例的技术方案，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发明的一些实施例，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。
37.图1为本发明实施例所述的牵引系统和转向架系统拓扑网络模型。
38.图2为本发明实施例所述的制动控制单元故障概率密度曲线拟合示意图。
39.图3为本发明实施例所述的牵引逆变器故障概率密度曲线拟合示意图。
40.图4为本发明实施例所述的制动控制单元和牵引逆变器copula函数拟合结果示意图。
41.图5为本发明实施例所述的牵引子系统和转向架子系统节点间的功能依赖强度关系示意图。
42.图6为本发明实施例所述的牵引子系统和转向架子系统拓扑指标数值图。
43.图7为本发明实施例所述的牵引子系统和转向架子系统节点tf-idf值图。
44.图8为本发明实施例所述的词图节点转移矩阵示意图。
45.图9为本发明实施例所述的牵引子系统和转向架子系统关键词词云图。
46.图10为本发明实施例所述的牵引子系统和转向架子系统各部件各类指标分布图。
具体实施方式
47.下面详细叙述本发明的实施方式，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。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
48.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术
语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
49.为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
50.本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
51.实施例1
52.本实施例1提供一种城市轨道交通车辆系统关键部件辨识系统，包括：
53.第一构建模块，用于以车辆中的部件为节点，部件间的作用关系为连接边，构建城轨车辆拓扑网络模型；
54.第一计算模块，用于依据故障数据拟合部件的可靠性，量化部件间的依赖程度，确定部件的功能重要度指标；
55.第二计算模块，用于基于城轨车辆拓扑网络模型，确定基于拟拉普拉斯中心度的部件结构重要度指标；
56.第二构建模块，用于依据城轨车辆事故数据，建立城轨车辆系统事故专业词库；
57.第三计算模块，用于在马尔可夫状态转移思想的基础上，将城轨车辆系统事故专业词库的部件看作关键词，确定基于事故数据的城轨车辆部件关键性指标；
58.辨识模块，用于基于功能重要度指标、结构重要度指标和关键性指标，辨识城轨车辆系统关键部件。
59.本实施例1中，利用上述系统实现了城市轨道交通车辆系统关键部件辨识方法，包括：
60.以车辆中的部件为节点，部件间的作用关系为连接边，构建城轨车辆拓扑网络模型；
61.依据故障数据拟合部件的可靠性，量化部件间的依赖程度，确定部件的功能重要度指标；
62.基于城轨车辆拓扑网络模型，确定基于拟拉普拉斯中心度的部件结构重要度指标；
63.依据城轨车辆事故数据，建立城轨车辆系统事故专业词库；
64.在马尔可夫状态转移思想的基础上，将城轨车辆系统事故专业词库的部件看作关键词，确定基于事故数据的城轨车辆部件关键性指标；
65.基于功能重要度指标、结构重要度指标和关键性指标，辨识城轨车辆系统关键部件。
66.其中，确定部件的功能重要度指标，包括：根据每个部件的故障数据拟合故障概率函数，找出拟合结果最小的分布作为此部件的故障概率密度函数；根据极大似然估计求出copula函数中的参数值，并计算部件间的功能依赖度；再根据网络邻接矩阵和leaderrank算法公式，计算得到每个节点的lr值；最后，在leaderrank算法的基础上，引入综合考虑部件功能依赖度和部件可靠度来描述部件功能重要度评估指标。
67.其中，确定结构重要度指标包括：引入拟拉普拉斯中心度来衡量节点的结构重要度，考虑节点自身的重要性和其邻居部件的重要性；节点的拟拉普拉斯中心度是通过移除其引起的拟拉普拉斯能量的变化来衡量的，节点的拟拉普拉斯中心度不仅与其自身的度相
关，还与其相连的其它节点的度有关，基于对移除节点引起的拟拉普拉斯能量的变化，得到部件的结构重要度。
68.其中，建立城轨车辆系统事故专业词库，包括：对事故文档进行整合和处理，在对文本分词时选用的jieba分词工具的精确模式，自定义城轨车辆系统事故的常用词典，基于部件和部件所属的装置，通过对事故报告中的出现的部件进行提炼，并结合对车辆系统部件的梳理，构建城轨车辆系统的事故致因词典。
69.在马尔可夫状态转移思想的基础上，将城轨车辆系统事故专业词库的部件看作关键词，包括：将城轨车辆系统事故专业词库的部件看作关键词，也就是构建的城轨车辆系统事故文本词图模型中的节点；以马尔可夫状态转移模型与词图结合，将每个句子作为窗口，当两个词语存在于同一个句子中，对应词图中节点相连的边才有意义，边的意义则是词语的共现次数。
70.确定基于事故数据的城轨车辆部件关键性指标，包括：
71.以句子为单元对城轨车辆系统的事故文本进行切割，得到句子集合，再进行jieba分词和去除停用词；
72.以句子为单位进行编号，将句子中的单词进行去重后存储起来；
73.将城轨车辆系统中的部件作为关键词，确定关键词集合为，以词频-逆向文件频率的值作为关键词的初始值；其中，词频表示词语在文本中出现的频率，逆向文件频率表示文本集中的文本数量与词语出现的文本数量的比值的对数；
74.遍历每个句子，若关键词存在于某个句子中，则将此句子编号存于关键词位置表；
75.计算同一句子中存在两个关键词的概率，将条件概率作为节点转移矩阵，即节点边的权值；
76.根据节点边的权值，迭代出关键词的重要性，即基于事故数据的城轨车辆系统部件的重要度。
77.实施例2
78.本实施例2提供了一种城市轨道交通车辆系统关键部件辨识方法，包括以下步骤：
79.步骤1：以车辆中的部件为节点，以机械连接、电气连接和信息连接为连接边，构建城轨车辆拓扑网络模型，是无向无权的复杂网络；将城轨车辆系统分为城轨车辆车体及内装子系统、辅助供电子系统、列车控制子系统、牵引子系统、制动子系统、转向架子系统。
80.步骤2：以leaderrank算法为基础，综合考虑部件的可靠性和部件间的功能依赖度，提出城轨车辆系统部件的功能重要度指标。
81.leaderrank算法的迭代过程由三部分组成：
[0082][0083][0084][0085][0086]
其中，n
lr
为拓扑网络节点总数(不包括背景节点)，lri(k)为节点vi在k时刻的分
数，kc为lri(k)达到稳态时，lri(kc)、lrg(kc)分别为系统达到稳定状态后，节点vi、背景节点vg的分数；为节点vi的出度。
[0087]
首先，针对部件运行的故障数据，对正态分布、对数正态分布、威布尔分布和指数分布四种分布应用minitab软件对部件的故障概率密度函数进行拟合，并通过a-d拟合优度检验对四种分布的拟合效果进行对比。通过对实际频数和期望频数的差值计算，并对差值进行平方，加和后得到a-d统计量ad
*
。ad
*
值越小，曲线拟合就越准确。对于机械部件，将故障数据中的行驶里程看作时间t；对于电气部件，依然采用时间t进行拟合。
[0088]
其次，在城轨拓扑网络中，部件间依赖强度表示为节点间的功能依赖度，节点间功能依赖度指的是指节点对其它节点故障的影响程度，节点间功能依赖度越大意味着部件之间的影响程度越大。根据对部件故障数据的拟合，求解出最适合的不可靠度函数，通过极大似然估计求解各copula函数中的依据aic值选择合适的copula函数，最后求出某部件在另一个部件失效下的失效率为部件间的相互依赖度c
xy
，即部件间依赖强度。copula函数c满足公式(5)。
[0089]
h(x，y)＝c(f(x)，g(y))
ꢀꢀ
(5)
[0090]
其中，常见的copula函数包括三种类型，如下表所示：
[0091]
表1牵引子系统和转向架子系统拓扑网络节点列表
[0092][0093]
对于随机变量联合分布函数为边缘分布函数为则copula是将与相连接的函数，表达式为公式(6)。
[0094][0095]
式中nc表示随机变量的数量；θ表示copula函数的相关性参数。
[0096]
仿照边缘密度函数的算法，根据公式(7)求出常见copula函数的密度函数。
[0097][0098]
在应用aic准则前，需要确定各copula函数中的参数值，采用极大似然估计来获取参数的估计值，ρ的估计值使得l(ρ)最大，的极大似然函数为：
[0099][0100]
对似然函数求对数：
[0101][0102]
对lnl求导，令其为零，可得：
[0103][0104]
其中，f(x)，f(y)为两个部件的不可靠度，x，y为系统中两个不同部件第一次失效时的寿命。
[0105]
常用的copula函数的似然函数如下：
[0106]
gumbel函数的似然函数：
[0107][0108]
clayton函数的似然函数：
[0109][0110]
frank函数的似然函数：
[0111][0112]
使用aic准则来选取拟合部件间的copula函数，aic准则表达式为：
[0113][0114]
其中，l为copula函数的似然函数，na为样本的个数，k为被估计参数的个数。
[0115]
aic值表示不同的copula函数的拟合结果，aic值越小，说明此copula函数对数据的拟合效果越好。部件的不可靠度函数为f
x
(x)，fy(y)。由sklar定理可知，假设部件的边缘分布函数f(x)连续，则存在一个copula函数，使得
[0116]
f(x，y)＝c(f
x
(x)，fy(y))＝c
xy
ꢀꢀ
(16)
[0117]
具体的，所述步骤2包括：
[0118]
step1：根据每个部件的故障数据拟合故障概率函数，找出拟合结果ad
*
最小的分布作为此部件的故障概率密度函数；
[0119]
step 2：其次，根据极大似然估计求出copula函数中的参数值，并计算部件间的功能依赖度：
[0120]
step 3：再根据网络邻接矩阵和leaderrank算法公式，计算得到每个节点的lr值；
[0121]
step 4：最后，在leaderrank算法的基础上，引入综合考虑部件功能依赖度和部件可靠度来描述部件功能重要度评估指标。
[0122][0123]
其中，γ1(j)节点vi的一阶邻居集合，c
ij
表示节点对(vi，vj)的功能依赖度，lri(k)表示节点vi在k时刻的分数。
[0124]
步骤3：引入拟拉普拉斯中心度来衡量节点的结构重要度，综合考虑了节点自身的重要性和其邻居的重要性。节点的拟拉普拉斯中心度是通过移除其引起的拟拉普拉斯能量的变化来衡量的，节点的拟拉普拉斯中心度不仅与其自身的度相关，还与其相连的其它节点的度有关，基于对移除节点引起的拟拉普拉斯能量的变化，得到部件的结构重要度。
[0125]
城轨车辆系统拓扑网络图中，表示为g＝(v，e)。如果节点vi和节点vj相连，则a
ij
＝1，当i＝j时，a
ii
＝0，其邻接矩阵为：
[0126][0127]
其中，nv为网络中的节点总数。
[0128]
度矩阵是由每个节点的邻居总和组成的矩阵，因此其度矩阵为：
[0129][0130]
其中，di为节点vi的度，n(vi)为节点vi的邻居。
[0131]
对于拓扑网络g，拟拉普拉斯矩阵为邻接矩阵a(g)和度矩阵d(g)的和。
[0132]
q(g)＝d(g)+a(g)
ꢀꢀ
(20)
[0133]
车辆系统的拓扑网络是无向无权网络，且每个节点的度不小于1，因此q(g)是实对称半正定矩阵。根据它的性质可以发现，q(g)的特征值μi≥0。定义拟拉普拉斯能量定义为，表示为eq(g)：
[0134][0135]
为了方便拟拉普拉斯能量的计算，引入线图的概念，线图l(g)的节点是拓扑网络g中的边，l(g)中两个节点邻接当且仅当g中的相应边邻接。
[0136]
对于线图l(g)，其边的总数为ε(l(g))，在线图中，每个节点vi一共有条边。
[0137][0138]
根据矩阵性质，对于矩阵b，其对角线的和就是矩阵b的特征值之和。
[0139][0140]
μ为拟拉普拉斯矩阵q的特征值，对于任意非零向量x，qx＝μx。
[0141]
q2x＝q(qx)＝q(μx)＝μ2x
ꢀꢀ
(24)
[0142]
上式说明矩阵q2的特征值为μ2。
[0143]
q2＝(d+a)
×
(d+a)＝d2+da+ad+a2ꢀꢀ
(25)
[0144]
根据度矩阵d和邻接矩阵a，tr(ad)＝tr(da)＝0。
[0145]
因此，拟拉普拉斯能量也可以表示为：
[0146][0147]
由图论可知，在一个图中，网络中的边数是网络中全部节点的度数之和的二分之一。
[0148][0149]
根据拟拉普拉斯能量可以表示为：
[0150][0151]
对于图h为图g的子图，则eq(h)≤eq(g)，当且仅当除去图h的节点，图g只剩下孤立的节点。
[0152]
通过对拟拉普拉斯能量的描述，可以看出节点的拟拉普拉斯值涉及到图和线图的边数。节点的拟拉普拉斯中心度是通过移除其引起的拟拉普拉斯能量的变化来衡量的，节点vi的拟拉普拉斯中心度cq(vi，g)为：
[0153][0154]
其中，gi为图g删除节点vi和与其相连的边而获得的子图。
[0155]
显然，cq(vi，g)是非负的，为了减少计算量，即避免计算拟拉普拉斯矩阵的特征值，引入以下推导公式来简化计算。
[0156][0157][0158][0159][0160][0161][0162]
综上，拟拉普拉斯中心度，即部件的结构重要度可以表示为：
[0163][0164]
其中，n(vi)为节点vi的邻居节点，di为节点vi的度。
[0165]
步骤4：首先需要对事故文档进行整合和处理，分词、去停用词和文本表示是文本预处理的三大过程，在对文本分词时选用的jieba分词工具的精确模式，目前并没有针对城轨车辆事故的相关词库，需要自定义城轨车辆系统事故的常用词典。每个城轨企业对事故报告描述的颗粒度也不同，在构建城轨车辆系统事故致因词典时，应含有部件和部件所属于的装置。通过对事故报告中的出现的部件进行提炼，并结合对车辆系统部件的梳理，构建了城轨车辆系统的事故致因词典。
[0166]
步骤5：将城轨车辆系统事故专业词库的部件看作关键词，也就是构建的城轨车辆系统事故文本词图模型中的节点；以马尔可夫状态转移模型与词图结合，将每个句子作为窗口，当两个词语存在于同一个句子中，对应词图中节点相连的边才有意义，边的意义则是词语的共现次数。
[0167]
优先地，所述步骤5包括：
[0168]
step1：以句子为单元对城轨车辆系统的事故文本进行切割，得到句子集合l＝{l1，l2，...，lm}，再进行jieba分词和去除停用词；
[0169]
step 2：以句子为单位进行编号，将句子中的单词进行去重后存储起来；
[0170]
step 3：将城轨车辆系统中的部件vi作为关键词，关键词集合为v＝{v1，v2，...，vn}，以tf-idf的值作为关键词的初始值；
[0171]
词频(tf)，词语在文本中出现的频率：
[0172][0173]
其中，n
ij
为词语i在文本dj中出现的频次，n
kj
为文本dj中所有词汇出现的频次总数。
[0174]
逆向文件频率(idf)，文本集中的文本数量与词语出现的文本数量的比值，再将比值取对数：
[0175][0176]
其中，|d|为文本的总数，|{j：li∈dj}|为包含词语li的文本数目，为了防止在文档中不存在的某些词语的情况，即分母为零，因此对分母进行加一的操作。
[0177]
tf-idf值为tf与idf的乘积：
[0178]
tf-idf＝idf
ij
*tf
ij
ꢀꢀ
(39)
[0179]
step 4：遍历每个句子，若关键词存在于某个句子中，则将此句子编号存于关键词位置表；
[0180]
step 5：计算同一句子中存在两个关键词的概率，将条件概率作为节点转移矩阵，即节点边的权值；
[0181]
step 6：根据的计算，迭代出关键词的重要性，即基于事故数据的城轨车辆系统部件的重要度s(vi)。
[0182][0183][0184]
根据得到的关键词位置表，比较关键词vi和vj的位置向量，找出相同项的数量，即为n
i，j
(n
i，j
＝n
j，i
)，tfi为词语wi的词频，w(i，j)指的是从节点wi到节点wj的边的权重。
[0185]
步骤6：结合部件的功能重要度、结构重要度和基于事故数据的关键性三类指标，辨识城轨车辆系统关键部件。
[0186]
综上，，本实施例2从网络化运营全局角度出发，提出城轨车辆系统中关键部件的辨识方法，对于提升轨道交通运营安全风险管理和保障安全高效运营具有重要的理论和现实意义。
[0187]
实施例3
[0188]
本实施例3中以具体某城轨列车系统为例，提供了一种列车系统关键部件辨识方法，该方法包括如下具体步骤：
[0189]
步骤1：归纳提取对牵引子系统和转向架子系统中的部件，以部件间的连接关系为基础，且连接边是无向无权的，构建城轨车辆牵引子系统和转向架子系统的拓扑网络模型，蓝色的节点为转向架子系统部件，绿色的节点为牵引子系统部件，节点大小为度的大小，如图1所示。为了便于描述，将部件进行编号，v1至v
25
为牵引子系统的节点，v
26
至v
61
为转向架子系统的节点，如表1所示。
[0190]
表1牵引子系统和转向架子系统拓扑网络节点列表
[0191][0192]
步骤2：以leaderrank算法为基础，综合考虑部件的可靠性和部件间的功能依赖度，提出城轨车辆系统部件的功能重要度指标。
[0193]
首先，针对部件运行的故障数据，对正态分布、对数正态分布、威布尔分布和指数分布四种分布应用minitab软件对部件的故障概率密度函数进行拟合，并通过a-d拟合优度检验对四种分布的拟合效果进行对比。通过对实际频数和期望频数的差值计算，并对差值进行平方，加和后得到a-d统计量ad
*
。ad
*
值越小，曲线拟合就越准确。对于机械部件，将故障数据中的行驶里程看作时间t；对于电气部件，依然采用时间t进行拟合。
[0194]
对于机械部件，以制动控制单元为例，首先在某地铁某列车2020年的故障数据中，筛选出制动控制单元的故障信息。再依次使用上述所阐述的可靠性概率分布函数进行拟合，分别得到各分布的ad
*
。从图2中可以看出，对数正态分布的ad
*
值最小，因此采用对数正态分布的可靠度函数来衡量制动控制单元的状态函数。对于电气部件，以牵引逆变器为例，对某地铁2020年的故障数据进行拟合，从图3中可以看出，正态分布的ad
*
值最小，因此采用正态分布的可靠度函数来衡量牵引逆变器的状态函数。表2列出了牵引子系统和转向架子系统在运行50天时各部件的可靠度。
[0195]
表2牵引子系统和转向架子系统节点功能重要度归一化数值列表
[0196][0197]
其次，在城轨拓扑网络中，部件间依赖强度表示为节点间的功能依赖度，节点间功能依赖度指的是指节点对其它节点故障的影响程度，节点间功能依赖度越大意味着部件之间的影响程度越大。根据对部件故障数据的拟合，求解出最适合的不可靠度函数，通过极大似然估计求解各copula函数中的依据aic值选择合适的copula函数，最后求出某部件在另一个部件失效下的失效率为部件间的相互依赖度c
xy
，即部件间依赖强度。
[0198]
例如，通过对制动控制单元和牵引逆变器两类部件的故障概率密度函数拟合结果，使用gumbel copula、clayton copula和frank copula分别对两部件间依赖强度进行拟合，如图4所示，依据极大似然估计得到参数的估计值，并对比它们的aic值，发现frank copula函数有更好的拟合效果。
[0199]
依据各部件的可靠度函数和部件间的连接边，对部件对进行copula函数拟合，得到各copula函数的参数值，选取aic值最小的copula函数。不同部件对之间的copula函数不同，例如牵引电机和牵引变流器之间就是clayton copula函数，构架和牵引控制单元之间是frank copula函数，针对不同的部件对计算部件间依赖强度，结果如图5所示。
[0200]
最后，在leaderrank算法的基础上，得到各节点的功能重要度，归一化的数值如表3所示。根据功能重要度可以看出，节点v
46
功能重要度最高，其次v
58
、v
21
、v3和v
38
在功能重要度中排名领先，这些部件在牵引子系统和转向架子系统中有着较重要的功能作用。
[0201]
表3牵引子系统和转向架子系统节点功能重要度归一化数值列表
[0202][0203][0204]
步骤3：引入拟拉普拉斯中心度来衡量节点的结构重要度，综合考虑了节点自身的重要性和其邻居的重要性。节点的拟拉普拉斯中心度是通过移除其引起的拟拉普拉斯能量的变化来衡量的，节点的拟拉普拉斯中心度不仅与其自身的度相关，还与其相连的其它节点的度有关，基于对移除节点引起的拟拉普拉斯能量的变化，得到部件的结构重要度。
[0205]
以城轨车辆牵引子系统和转向架子系统的拓扑网络模型为基础，对节点的度、介数中心性、pagerank和结构重要度的数值进行计算，并将其全部归一化，最终结果如表4所示。将每个节点为横坐标，每个节点的各个指标归一化数值为纵坐标，如图6所示。
[0206]
表4牵引子系统和转向架子系统拓扑指标归一化数值列表
[0207]
[0208][0209]
拟拉普拉斯中心度综合考虑了节点自身的重要性和其邻居的重要性，它不仅与自己的度有关，还与相邻节点的度相关。图6将其与经典的节点重要度度量指标进行对比，可以看出，四类指标得到的结果是一致的，可以看出节点v
46
处于最重要的结构，节点v3、v4的结构重要性比较高，在拓扑网络中处于比较重要的结构。度值相同的节点并不能区分节点的重要性，相比介数中心性和pagerank算法，拟拉普拉斯中心度在时间复杂度只与节点数和边数相关，其时间复杂度较低，在更复杂的网络中这个优点更为明显。
[0210]
步骤4：首先需要对事故文档进行整合和处理，分词、去停用词和文本表示是文本预处理的三大过程，在对文本分词时选用的jieba分词工具的精确模式，目前并没有针对城轨车辆事故的相关词库，需要自定义城轨车辆系统事故的常用词典。每个城轨企业对事故报告描述的颗粒度也不同，在构建城轨车辆系统事故致因词典时，应含有部件和部件所属于的装置。通过对事故报告中的出现的部件进行提炼，并结合对车辆系统部件的梳理，构建了城轨车辆系统的事故致因词典。
[0211]
表5城轨车辆系统事故致因词典(部分)
[0212][0213]
步骤5：将城轨车辆系统事故专业词库的部件看作关键词，也就是构建的城轨车辆系统事故文本词图模型中的节点；以马尔可夫状态转移模型与词图结合，将每个句子作为窗口，当两个词语存在于同一个句子中，对应词图中节点相连的边才有意义，边的意义则是词语的共现次数。
[0214]
以搜集到的2017年至2020年的与城轨车辆中的牵引子系统和转向架子系统相关的事故为基础，将牵引子系统和转向架子系统中的部件为关键词，计算出各关键词在文本中的tf-idf值，如图7所示。通过关键词位置表，关键词即为词图模型中的节点，得到节点转移矩阵w(i，j)，即节点边的权值，如图8所示。
[0215]
根据关键词的tf-idf值和转移矩阵，将词图中的节点关系变为状态转移，经过改进ti-textrank算法，得到基于事故数据的节点重要度指标，归一化数值如表6所示。从图9词云图中可以看出，在基于事故数据的节点关键性指标上，节点v
20
和v
21
数值较大，即部件司机控制器和温度传感器较容易引发事故。
[0216]
表6牵引子系统和转向架子系统节点的改进ti-textrank归一化列表
[0217][0218]
步骤6：结合部件的功能重要度、结构重要度和基于事故数据的关键性三类指标，如图10所示，辨识出的牵引子系统和转向架子系统的关键部件，如表7所示。
[0219]
表7牵引子系统和转向架子系统的关键部件
[0220][0221]
实施例4
[0222]
本发明实施例4提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现城市轨道交通车辆系统关键部件辨识方法。
[0223]
实施例5
[0224]
本发明实施例5提供一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现城市轨道交通车辆系统关键部件辨识方法。
[0225]
实施例6
[0226]
本发明实施例6提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现城市轨道交通车辆系统关键部件辨识方法的指令。
[0227]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范
围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。