涂繼亮，潘洪亮，董德存，羅艷芬

（同濟(jì)大學(xué) 交通運(yùn)輸工程學(xué)院，上海201804）

車(chē)地?zé)o線通信設(shè)備的故障診斷及維修是目前保障列車(chē)可靠運(yùn)行及安全的一個(gè)重要制約因素.對(duì)于智能故障診斷技術(shù)的研究，國(guó)內(nèi)外專(zhuān)家學(xué)者進(jìn)行了大量的理論和實(shí)驗(yàn)研究，得出了許多有價(jià)值的成果.然而，智能診斷技術(shù)目前主要應(yīng)用于電力設(shè)備、大型旋轉(zhuǎn)機(jī)械和車(chē)輛檢修等方面［1-2］，鑒于車(chē)地?zé)o線通信設(shè)備系統(tǒng)結(jié)構(gòu)復(fù)雜，各子系統(tǒng)之間勢(shì)必存在某種程度的耦合，故障的傳播大多是個(gè)連續(xù)發(fā)生的過(guò)程，對(duì)其進(jìn)行故障分析難度較大，這方面的研究文獻(xiàn)很少.同濟(jì)大學(xué)劉循等［3］采用模糊邏輯系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的方法對(duì)無(wú)線通信設(shè)備的單一故障及全局故障診斷的方法進(jìn)行了研究，當(dāng)獲取的系統(tǒng)故障特征信息是準(zhǔn)確完整的，該方法能取得較滿(mǎn)意的診斷結(jié)果.通過(guò)對(duì)車(chē)地?zé)o線通信設(shè)備的實(shí)際故障診斷研究發(fā)現(xiàn)，在實(shí)際的智能診斷系統(tǒng)中，由于各種原因?qū)е碌脑O(shè)備故障信息不完整，不準(zhǔn)確，因而采用任意一種單一的故障診斷方法均不能很好地解決存在干擾、噪聲等不確定因素條件下的故障識(shí)別問(wèn)題，很難得到理想的診斷效果.

從本質(zhì)上說(shuō)，粗糙集理論和證據(jù)理論都是處理不確定信息的數(shù)學(xué)工具，均關(guān)注于對(duì)象的分類(lèi)能力，兩者之間存在很強(qiáng)的互補(bǔ)關(guān)系.本文將證據(jù)理論與粗糙集理論有機(jī)地結(jié)合起來(lái)并應(yīng)用于車(chē)地?zé)o線通信設(shè)備的故障診斷中，首先利用粗糙集理論對(duì)診斷特征進(jìn)行約簡(jiǎn)，將故障診斷問(wèn)題用一個(gè)具有不同簡(jiǎn)化層次的決策網(wǎng)絡(luò)表示，根據(jù)網(wǎng)絡(luò)不同層次上的各節(jié)點(diǎn)，便可得到長(zhǎng)度齊整，數(shù)量精簡(jiǎn)的診斷決策規(guī)則集［4］，最后引入證據(jù)理論解決故障識(shí)別問(wèn)題，提高故障診斷準(zhǔn)確率，并最終實(shí)現(xiàn)在線應(yīng)用.

1 無(wú)線通信設(shè)備故障診斷決策表

本文在查閱相關(guān)文獻(xiàn)及課題組多年實(shí)際工程項(xiàng)目累積的數(shù)據(jù)基礎(chǔ)上，收集整理了具有代表性的車(chē)地?zé)o線通信設(shè)備故障實(shí)例若干.借鑒文獻(xiàn)［5］中對(duì)智能故障診斷決策系統(tǒng)的定義，從無(wú)線通信裝備故障原始數(shù)據(jù)出發(fā)，確定故障征兆屬性（即條件屬性）集合和故障決策屬性集合，進(jìn)行數(shù)據(jù)預(yù)處理（連續(xù)數(shù)值型離散化、語(yǔ)義型征兆屬性泛化）后，即可得到數(shù)字化后的無(wú)線通信設(shè)備智能故障診斷決策見(jiàn)表1.表1中：U=｛x1，x2，…，x8｝為無(wú)線通信設(shè)備故障的8個(gè)狀態(tài)，每個(gè)故障狀態(tài)包含的樣本數(shù)用k表示；C=｛c1，c2，…，c10｝表示表述無(wú)線通信設(shè)備故障特征的征兆屬性集合，其中c1代表傳輸鏈路數(shù)據(jù)吞吐量，c2代表傳輸鏈路丟包率，c3代表傳輸鏈路誤碼率，c4代表電磁波場(chǎng)強(qiáng)，c5代表路旁基站發(fā)送端數(shù)據(jù)吞吐量，c6代表基站光電轉(zhuǎn)換端口數(shù)據(jù)吞吐量，c7代表路旁基站接收端數(shù)據(jù)吞吐量，c8代表車(chē)載發(fā)送端數(shù)據(jù)吞吐量，c9代表車(chē)載光電轉(zhuǎn)換端口信號(hào)強(qiáng)度，c10代表車(chē)載接收端數(shù)據(jù)吞吐量.各屬性取值如下.屬性c1：0-數(shù)據(jù)吞吐量為0；1-下降；2-正常.屬性c2：0-丟包率100%；1-上升；2-正常.屬性c3：0-誤碼率100%；1-上升；2-正常.屬性c4：0-上升；1-正常.屬性c5：0-數(shù)據(jù)吞吐量為0；1-數(shù)據(jù)吞吐量下降；

表1 故障診斷決策表Tab.1 Fault diagnosis decision table

2-正常.屬性c6：0-下降；1-正常.屬性c7：0-吞吐量為0；1-下降；2-正常.屬性c8：0-下降；1-正常.屬性c9：0-下降；1-正常.屬性c10：0-吞吐量0；1-下降；2-正常.決策屬性d表示故障診斷結(jié)果，即1-傳輸鏈路中斷；2-傳輸鏈路電磁場(chǎng)干擾；3-路旁基站發(fā)送端故障；4-路旁基站光電轉(zhuǎn)換器故障；5-路旁基站接收端故障；6-車(chē)載發(fā)送端故障；7-車(chē)載光電轉(zhuǎn)換器故障；8-車(chē)載接收端故障.

2 無(wú)線通信設(shè)備故障診斷決策網(wǎng)絡(luò)

2.1 決策網(wǎng)絡(luò)的構(gòu)造

本文利用粗糙集理論中由Skowron提出的分辨矩陣的概念［6］，來(lái)求取車(chē)地?zé)o線通信設(shè)備故障征兆屬性的約簡(jiǎn)，以此構(gòu)造適合車(chē)地?zé)o線通信設(shè)備智能故障診斷的決策網(wǎng)絡(luò)的初始節(jié)點(diǎn).故障診斷決策網(wǎng)絡(luò)見(jiàn)圖1.

根據(jù)分辨矩陣的概念，可以得到故障診斷決策表的分辨函數(shù)，將分辨函數(shù)化為吸取表達(dá)式，則每個(gè)子式所包含的屬性即構(gòu)成一個(gè)屬性約簡(jiǎn).便可以得到故障決策表1的唯一分辨函數(shù)為

由分辨函數(shù)的吸取表達(dá)式可方便求出決策表1的屬性約簡(jiǎn)集為｛c2，c6，c10｝、｛c1，c6，c7｝、｛c2，c6，c7｝、｛c1，c6，c10｝、｛c2，c5，c6｝、｛c1，c5，c6｝共6個(gè)屬性約簡(jiǎn).從得到的約簡(jiǎn)子集出發(fā)，以此作為決策網(wǎng)絡(luò)的初始節(jié)點(diǎn)，并且將包含征兆屬性數(shù)目相同的節(jié)點(diǎn)放置于決策網(wǎng)絡(luò)同一層；然后，依次從每個(gè)節(jié)點(diǎn)中去掉一個(gè)征兆屬性，得到該節(jié)點(diǎn)的后繼結(jié)點(diǎn)，直至空節(jié)點(diǎn).構(gòu)造出的車(chē)地?zé)o線通信設(shè)備故障診斷決策網(wǎng)絡(luò)如圖1所示.

2.2 故障診斷決策規(guī)則的評(píng)價(jià)及提取

從上述構(gòu)造的故障診斷決策網(wǎng)絡(luò)中，可以提取一組決策規(guī)則，但為了確保決策網(wǎng)絡(luò)具有較強(qiáng)的泛化能力和較高的推理效率，需要對(duì)各節(jié)點(diǎn)上所提取的規(guī)則進(jìn)行評(píng)價(jià)篩選.本文利用文獻(xiàn)［7］中定義的置信度和覆蓋度作為決策規(guī)則的評(píng)價(jià)指標(biāo).

本文取節(jié)點(diǎn)（c1，c6）及節(jié)點(diǎn)c6為例進(jìn)行計(jì)算.當(dāng)時(shí)，，其中，，其中，

取規(guī)則｛c1=2，c6=1→d=5｝，其置信度和覆蓋度分別計(jì)算如下：

依次類(lèi)推，可以得到表2.

圖1 故障診斷決策網(wǎng)絡(luò)Fig.1 Fault diagnosis decision network

表2 節(jié)點(diǎn)（c1，c6）、c1 上的置信度及覆蓋度計(jì)算表Tab.2 Confidence and coverage degree of the node（c1，c6）and c1

3 基于證據(jù)理論的故障節(jié)點(diǎn)融合識(shí)別

軌道交通列車(chē)控制系統(tǒng)中，從車(chē)輛運(yùn)行現(xiàn)場(chǎng)傳回控制中心的傳感數(shù)據(jù)較多.在本車(chē)地?zé)o線通信系統(tǒng)中，便有10路傳感器數(shù)據(jù)，對(duì)于車(chē)地?zé)o線通信裝備的故障診斷具有不同的重要性和可信度，如何將這些數(shù)據(jù)進(jìn)行融合并從上節(jié)所獲得的故障診斷決策規(guī)則知識(shí)庫(kù)中的診斷規(guī)則進(jìn)行有效匹配，是關(guān)系診斷正確性的關(guān)鍵.從2.2節(jié)中獲取的（c1，c6）故障節(jié)點(diǎn)的診斷規(guī)則庫(kù)中就可以看出，若c1=1，c6=1，便有三條診斷結(jié)果匹配，系統(tǒng)無(wú)法完成準(zhǔn)確診斷，針對(duì)此問(wèn)題，較傳統(tǒng)的做法一般是匹配置信度最大值的規(guī)則，或采用文獻(xiàn)［8］提出的綜合評(píng)價(jià)方法.但這些方法都忽略了其他故障節(jié)點(diǎn)隱藏的故障診斷信息，因而診斷往往不夠準(zhǔn)確.本文引入證據(jù)理論的相關(guān)方法來(lái)解決這一問(wèn)題.

本文應(yīng)用證據(jù)理論解決故障識(shí)別問(wèn)題的基本思路是：將故障診斷知識(shí)庫(kù)中所有可能的故障作為假設(shè)，故障的各種癥狀作為證據(jù)，分別計(jì)算各個(gè)證據(jù)的基本概率分配函數(shù)、可信度和似然度，再根據(jù)證據(jù)合成規(guī)則計(jì)算所有證據(jù)聯(lián)合作用下的基本概率分配函數(shù)、可信度、似然度，最后按照一定的判別規(guī)則選擇可信度最大的假設(shè)作為融合結(jié)果，即實(shí)現(xiàn)故障識(shí)別.

由2.2節(jié)同理可計(jì)算出診斷網(wǎng)絡(luò)層其他故障節(jié)點(diǎn)相應(yīng)診斷規(guī)則的置信度和覆蓋度，為簡(jiǎn)化計(jì)算量及更清楚說(shuō)明算法融合過(guò)程，本文暫取診斷網(wǎng)絡(luò)中（c1，c6）、（c1，c5）這兩個(gè)故障節(jié)點(diǎn)進(jìn)行證據(jù)理論的融合.當(dāng)融合更多故障節(jié)點(diǎn)證據(jù)后，診斷不確定性將進(jìn)一步減小.

由故障節(jié)點(diǎn)（c1，c6）可得如下診斷規(guī)則（括號(hào)中數(shù)字表示診斷規(guī)則置信度）：

若傳輸鏈路數(shù)據(jù)吞吐量下降，且基站光電轉(zhuǎn)換端口數(shù)據(jù)吞吐量下降，則路旁基站光電轉(zhuǎn)換器故障（0.6）或車(chē)載發(fā)送端故障（0.4）.

同理，由故障節(jié)點(diǎn)（c1，c5）可得如下診斷規(guī)則（括號(hào)中數(shù)字表示診斷規(guī)則置信度）：

如果傳輸鏈路數(shù)據(jù)吞吐量下降，且路旁基站發(fā)送端數(shù)據(jù)吞吐量為零.則路旁基站光電轉(zhuǎn)換器故障（0.54）或路旁基站發(fā)送端故障（0.46）.

又由車(chē)地?zé)o線通信數(shù)據(jù)量吞吐測(cè)試儀檢測(cè)的數(shù)據(jù)見(jiàn)表3，歸納得出故障表征如下：

（1）傳輸鏈路數(shù)據(jù)吞吐量下降，且基站光電轉(zhuǎn)換端口數(shù)據(jù)吞吐量下降（0.9）；

（2）傳輸鏈路數(shù)據(jù)吞吐量下降，且路旁基站發(fā)送端數(shù)據(jù)吞吐量為零（0.3）.

表3 列尾信息傳送數(shù)據(jù)吞吐量參數(shù)b／sTab.3 Data throughput attributes b／s of the trail information

現(xiàn)在要對(duì)車(chē)地?zé)o線通信系統(tǒng)進(jìn)行故障識(shí)別，判斷產(chǎn)生異常的原因.首先取識(shí)別框架Θ=｛h1，h2，h3｝，其中，h1為路旁基站光電轉(zhuǎn)換器故障；h2為車(chē)載發(fā)送端故障；h3為路旁基站發(fā)送端故障；選取如下基本概率分配函數(shù)［9］：m1（｛h1｝）=規(guī)則前提可信度×規(guī)則結(jié)論可信度=0.9×0.6=0.54；

則

由式（1）～（4）可分別計(jì)算得各假設(shè)的信任函數(shù)值、似真度函數(shù)值及信任度區(qū)間見(jiàn)表4.

表4 故障診斷信任度區(qū)間Tab.4 Credit range of fault diagnosis

從表4可知，路旁光電轉(zhuǎn)換器故障為真的信任度為0.588，非假的信任度為0.676.均高于其他兩項(xiàng)故障

假設(shè)，因此可以判斷出路旁光電轉(zhuǎn)換器故障是導(dǎo)致通信系統(tǒng)數(shù)據(jù)吞吐量下降的故障原因，診斷與實(shí)際情況相符，診斷正確.

4 結(jié)論

本文提出的融合粗集與證據(jù)理論的車(chē)地?zé)o線通信設(shè)備故障診斷方法能夠融合存儲(chǔ)于決策網(wǎng)絡(luò)中不同層次上各節(jié)點(diǎn)中的診斷決策規(guī)則集信息，從而對(duì)待診對(duì)象的狀態(tài)給出較滿(mǎn)意的診斷結(jié)論，具有較好的容錯(cuò)能力，為不確定環(huán)境下設(shè)備的故障診斷提供了新的思路，該方法可以推廣應(yīng)用到其他設(shè)備的故障診斷中去.但在進(jìn)一步研究中發(fā)現(xiàn)尚有部分問(wèn)題有待進(jìn)一步解決，例如，在實(shí)際的車(chē)地?zé)o線通信設(shè)備故障診斷應(yīng)用中，由于新的故障實(shí)例的出現(xiàn)及新的故障征兆的獲取，如何設(shè)計(jì)一種廣義規(guī)則集的增量式自動(dòng)在線更新模式、故障診斷原型系統(tǒng)的開(kāi)發(fā)以及故障導(dǎo)向安全推理機(jī)制的研究.這些研究?jī)?nèi)容對(duì)建立科學(xué)的交通運(yùn)營(yíng)及主動(dòng)安全保障都具有重要理論意義和實(shí)踐價(jià)值，目前這一研究正在進(jìn)行中.

［1］ 周永勇，周湶，劉佳賓.基于粗糙集理論的配電網(wǎng)故障診斷規(guī)則提取方法［J］.高電壓技術(shù)，2008，34（12）：2713.ZHOU Yongyong，ZHOU Quan，LIU Jiabin.Rough set theory based approach for fault diagnosis rule extraction of distribution system ［J］.High Voltage Engineering，2008，34（12）：2713.

［2］ 姚鑫驊，徐月同，傅建中，等.基于粗糙集理論的數(shù)控機(jī)床智能故障 診 斷 研 究［J］.浙 江 大 學(xué) 學(xué) 報(bào)：工 學(xué) 版，2008，42（10）：1720.YAO Xinhua，XU Yuetong，F(xiàn)U Jianzhong，et al.Intelligent fault diagnosis of CNC machine tools based on rough set theory［J］.Journal of Zhejiang University：Engineering Science，2008，42（10）：1720.

［3］ LIU Xun，DONG Decun，LUO Yanfen.Fault diagnosis of trainground wireless communication unit based on fuzzy neural network ［C］／／2009 4th IEEE Conference on Industrial Electronics and Applications，ICIEA.Xi’an：IEEE，2009：348-352.

［4］ 涂繼亮，羅艷芬，董德存.一種基于粗集理論的車(chē)地?zé)o線通信設(shè)備故障診斷方法［J］.計(jì)算機(jī)應(yīng)用研究，2010，27（9）：3373.TU Jiliang，LUO Yanfen，DONG Decun.Fault diagnosis method for train-ground wireless commun-ication unit based on rough sets theory［J］.Application Research of Computers，2010，27（9）：3373.

［5］ 黃文濤，趙學(xué)增，王偉杰，等.基于粗糙集理論的故障診斷決策規(guī)則提取方法［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2003，23（11）：150.HUANG Wentao，ZHAO Xuezeng，WANG Weijie，et al.Extraction method of decision rules for fault diagnosis based on rough set theory［J］.Proceeding of the CSEE，2003，23（11）：150.

［6］ Skowron A，Rauszer C.The discernibility matrices and functions in information system，intelligent decision support—handbook of applications and advances of the rough sets theory［M］.Dordrecht：Kluwer Academic Publishers，1992.331-362.

［7］ 楊廣，吳曉平，宋葉新，等.基于粗糙集理論的多源信息融合故障診斷方法［J］.系統(tǒng)工程與電子技術(shù)，2009，31（8）：2016.YANG Guang，WU Xiaoping，SONG Yexin，et al.Multi-sensor information fusion fault diagnosis method based on rough set theory ［J］.Systems Engineering and Electronics，2009，31（8）：2016.

［8］ HUANG Wentao，WANG Weijie，MENG Qingxin.Fault diagnosis method for power transformers based on rough set theory［C］／／Chinese Control and Decision Conference，CCDC.Yantai：Inst of Elec and Elec Eng Computer Society，2008：468-472.

［9］ 宋立軍，胡政，楊擁民，等.基于證據(jù)理論與粗糙集集成推理策略的內(nèi)燃機(jī)故障診斷［J］.內(nèi)燃機(jī)學(xué)報(bào)，2007，25（1）：91.SONG Lijun，HU Zheng，YANG Yongmin，et al.Fault diagnosis based on reasoning integration of rough sets and evidence theory［J］.Transactions of CSICE，2007，25（1）：91.