一种基于统计学模型的城轨信号系统故障诊断方法

一种基于统计学模型的城轨信号系统故障诊断方法

周春秀

苏州市轨道交通集团有限公司运营一分公司 江苏省 苏州市 215000

摘要：在城轨的实际作业当中，为能够快速对CBTC信号系统中出现的故障进行精准定位，有效提高应急处置效率，除了可以通过引入智能化的设施来实现故障的精准定位以外，还可以通过一种统计学模型来达成。本文基于城轨信号系统中的列车自动防护（ATP）系统故障作为案例，结合统计学模型来分析其系统故障诊断的可行性。

关键词：统计学模型；城轨信号系统；诊断方法

引言：

列车的运行控制系统的组成部分一共包括了：列车自动监控(ATS)、列车自动防护(ATP)、列车自动驾驶(ATO)以及计算机联锁(CI)，各个子系统之间通过信息交换网络构成闭环系统，各个子系统之间的数据都会实时进行交互，因此列车的运行控制系统每次在作业的过程中都会产生庞大的日志数据。而这些数据之间彼此都具有专业性，因此基于这些数据进行分析，是一项非常困难且复杂的工作，要求要有具备信号维护以外的编程语言知识进行操作。若通过分析数据进行故障诊断，对技术人员的专业要求较高，在数据分析上难度较大，有时还要等信号系统厂家技术人员进行数据分析结束以后，才能进行故障位置的定位，因此这种故障的定位方式耗时非常长。

在故障诊断方式的优化上，目前采用的较多的是引入故障诊断专家系统，结合大数据以及人工智能技术，搭建一个专门的知识库和推理机，知识库中有着大量的故障类型模型，在发生了故障之后，通过推理机在知识库中查询相匹配的故障，从而实现故障的定位与分析。

除此以外，还可以用统计学方法来实现故障的诊断，目前统计学中可以运用到故障诊断方法的有结构法、模式分类法、贡献图法等。其中模式分类法的主要操作原理是，先建立一个故障信息库，然后用模式分类法来针对所有的故障类型进行分类，进一步进行故障的诊断。

一、城轨信号系统故障主要原因分析

（一）信号设备质量较差

一些建设年限较长的城轨列车，其安装在电路中的信号设备出现了老化、质量不达标情况，影响到设备日常使用，严重的还会导致列车在运行的过程中出现故障，威胁到人们的生命安全。

2. 检修工作不科学

城轨列车需要定期由专门的检修人员进行检修，针对列车的所有部位进行严格的检查，从而确保后期列车行驶过程中不会出现问题，其中就包括对信号车载设备进行检修的技术人员，信号设备是非常复杂的一个系统，在实际检修过程中对于检修人员的技术要求非常高，如果检修人员缺乏足够的技术经验，就会导致在实际检修的过程中无法有效诊断出故障。一旦列车本身是有故障存在，而检修人员又不能及时排查到，就会在后期的行驶中埋下安全隐患。

并且，有的检修人员在检修出信号设备存在故障后，在维修工作中缺乏科学性，致使故障无法有效解决，甚至会导致故障升级。

2. 其他外界因素

城轨列车信号系统包含较多室外设备，容易受到外界环境的影响。比如地下站隧道中潮湿及积水基坑的环境、高架站及段场遇到高温曝晒、暴风雨还有打雷的情况等，都会对信号设备造成一定的损耗，减少信号设备的使用寿命。

二、 CBTC 系统故障诊断现状及分类

（一）故障诊断现状

CBTC系统是地铁运营的核心，CBTC系统并非单一独立存在的系统，它是由多个子系统紧密联系在一起，各个子系统各司其职，实时把相关数据进行交互，汇集，从而有助于技术人员进行数据的分析，和故障的诊断。但是，这种人工诊断的方式，对技术人员技术水平要求较高、耗时长、在长时间的数据分析过后，技术人员在判断上可能会存在不准确的问题，且这种通过技术人员诊断故障的方式，可能会出现技术人员在接受专业的培训之后，因个人原因辞职，一旦出现这种情况又需要花费大量的时间来重新培养一位技术人员，不仅成本高且效率较低，从长远的角度分析这种依靠高水平技术人员甄别故障的方式并不可取。

其次，通过技术人员来进行数据诊断的方式，会存在这样的一种情况，即CBTC系统在日常的运行过程中会有大量数据产生，没有系统故障时，这些数据往往被保存起来，导致数据的大量浪费。若通过搭建统计学模型的方式，则可以实现日常的数据分析，且通过统计学模型能够快速实现系统故障的定位。

（二）CBTC 系统故障分类

CBTC系统的故障分类非常多，由于它包含多个子系统，在故障分类上，可以根据列车在运行时的速度控制从低到高，分别有联锁控制级别和连续列车控制级别等。其中，连续列车控制级别是列车正常行驶过程最为常见的，而ATP系统是属于连续列车控制级别下的最为核心的设备，基于本次统计学模型，以ATP系统的常见故障类型作为本次的案例分析，能够更为清晰的了解到统计学模型在故障诊断当中的作用。

在ATP设备当中，常见的故障类型有：1、列车与轨旁ATP之间出现通信故障；2、车载ATP机柜板卡软件出现故障；3、轨旁ATP设备判断出现错误，在列车运行过程中出现了异常情况时，车载ATP表现为安全行驶状态。

三、统计学模型

统计学模型的设计中，对于所采集到的数据具有较强的依赖，当数据越充分，则模型计算出来的结果越精准，越有助于及时发现列车行驶时出现的故障。

马尔可夫模型

假设列车行驶当中的某一个故障，其出现的概率为一条件概率值P（S），而这个故障受到了x1,x2···xn等共n个事件的影响，并且出现的概率为p（x1、x2··xn），其公式为：

P(x1, x2, …, xn)=P(x1)·P(x2|x1)·P(x3|x1, x2)…P(xn |x1x2, …, xn-1)

通过公式，可以得知P(x1)指的是第一个故障事件发生的概率，以此类推P(x2)为第二个事件发生的概率，P(xn)为第n个事件发生的概率。

但是，当我们运用这个公式来运行的时候，就会发现在第三和第四个故障事件的计算中要设计到较多的时间成本与资源，在运算上较为复杂，因此马尔科夫模型当中提出了相应的简化方式，就是假设任意故障事件的概率只和前一个概率事件有关，用公式表示为：

P(S)=P(x1)·P(x2|x1)·P(x3|x2)…P(xi|xi-1)…P(xn |xn-1)

第二个公式是基于第一个公式进行优化的，属于是二元模型，在故障分析上要更为迅速。

四、统计学故障诊断方法验证

在某一列车中尝试引用统计学模型进行故障的验证，在经过验证应用的情况下，针对8种主要类型的ATP关联故障实施了测试，其在测试结果中得出在ATP故障类型中的测试准确率均为100%，由此，可得出通过统计学模型的方式来针对相关信号故障有较高的识别率，且通过进入统计学模型，实现了有效的每日数据的收录并自动进行分析，节省了人力成本。

结语：

相比较技术人员的检测方式而言，通过引入统计学模型的方式能够极大提高轨道列车的故障诊断。由于城轨列车的信号系统是一个非常复杂，包含众多子系统组成的系统，因此在数据搜集上会涉及到非常多的专业数据，如果通过技术人员逐一对数据进行分析，并排查出故障，会导致耗时非常长，且人力成本过高。通过统计学模型的方式，可有有效进行故障的诊断，并且实现24小时数据收录与分析，提高数据的利用率。

参考文献：

[1]朱祁;李聪;谢向阳;设备运维管理系统与信号故障诊断系统的通信[J].工业仪表与自动化装置,2019:93-95+100.

[2]令荣,赵冬霞,李正,穆俊斌,焦芳芳.城轨动车组故障诊断系统设计[J].铁道机车与动车,2018

[3]李晗.信号集中监测系统在信号设备故障诊断中的应用[J].中国设备工程,2018:97-98.