高速鐵路信號系統異構數據融合和智能維護決策

徐田華,楊連報,胡紅利,王小鑫

(1.北京交通大學軌道交通控制與安全國家重點實驗室,100044,北京;2.西安交通大學電力設備電氣絕緣國家重點實驗室,710049,西安)

?

高速鐵路信號系統異構數據融合和智能維護決策

徐田華1,楊連報1,胡紅利2,王小鑫2

(1.北京交通大學軌道交通控制與安全國家重點實驗室,100044,北京;2.西安交通大學電力設備電氣絕緣國家重點實驗室,710049,西安)

針對高速鐵路智能維護決策中的信息多源異構問題,提出了高鐵信號系統異構數據融合和智能維護決策架構。通過本地數據庫資源描述框架(resource description framework (schema),RDF(S))到全局RDF(S)的轉換和基于RDF(S)圖的本體合并,實現了多源異構信息的融合。利用適合缺失數據的結構期望最大化(SEM)算法,結合專家知識,構建了高鐵信號系統的智能維護貝葉斯網絡(BN)決策模型。最后,利用高鐵武廣線2011～2012年的監控數據,分別對基于RDF(S)圖的全局RDF(S)合并算法性能和故障診斷結果的準確性進行了分析對比,實驗結果表明所提出的本體融合算法具有多項式級的計算復雜度,同時融合專家知識和SEM算法的智能維護BN決策模型的一級故障診斷準確率為92.4%。因此,所提出的異構數據融合和智能維護架構可以有效提高高鐵信號系統維護決策的準確性和有效性。

高速鐵路;信號系統;異構數據;本體融合

近年來,我國高速鐵路正處于快速發展時期,逐步進入網絡化運營階段,在社會經濟發展中起到了重要作用。高鐵信號系統是高速鐵路的大腦和神經中樞,對保障高速鐵路安全、高效的運營起關鍵作用。

與傳統的信號系統相比,高速鐵路信號系統不斷采用新技術和新設備。設備的先進性一方面保證了系統運行的高效性,同時也增加了故障的隱蔽性和突發性,為設備的故障定位和智能維護設置了障礙。另一方面,支撐高鐵信號系統可靠、高效運營的運營維護記錄和監控數據仍然存在多源異構和信息非完整性等突出問題。造成這些問題的主要原因是維護記錄信息來源復雜,從司機、調度員、鐵路專家和維護人員的記錄日志到微機監測系統、司法記錄儀(JRU)和列車動態監控系統(DMS)的設備記錄信息等組成了多源的維護記錄信息。更為重要的是,多源的維修記錄信息存在概念術語不統一、缺乏統一的格式和標準、維護數據語義不一致甚至沖突、維護記錄信息不完整等問題,因而無法形成一種有效的信息共享機制,最終形成了大量的信息孤島,不能有效地實現知識的共享和互操作,這將影響高鐵的智能運營維護決策和行車效率。

因此,如何構建高鐵信號系統規范統一的知識體系,在多源異構數據融合的基礎上實現高鐵信號系統的智能維護決策,以適應高鐵信號設備技術現代化發展需要,成為亟待解決的問題。

目前,國內外學者在異構信息的融合和智能維護決策等領域開展了卓有成效的探索。文獻[1-3]應用本體論解決了歐洲鐵路領域內由于運營商和開發商不同而造成維護信息不統一的問題,實現了不同國家、不同格式鐵路基礎設施、旅客信息和設備管理信息的互操作和共享;文獻[4]主要應用本體論對我國高鐵領域中各專業領域本體的融合方法進行了研究;文獻[5-6]應用本體論解決了鐵路選線時數據不統一、共享率低的問題;歐洲EuRoMain FP5-IST Project提出了通過建立維護數據的標準化文檔,實現不同來源的維護數據的共享,進而搭建支持歐洲鐵路維護系統的解決方案[7]。但是,該項目還是建立在XML、XSLT等數據格式的基礎上。由于XML缺乏語義描述,因此很難實現在語義層次上的機器理解和處理。歐洲的InterGRail項目提出鐵路領域的信息共享,使得維護決策優化得以實現[8]。在該項目參與者中,英國伯明翰大學的Cliver提出了使用本體論解決大規模軌道交通維護數據融合方法。在故障診斷和決策支持方面,Ferreiro和Vong等分別給出了基于案例的推理和基于貝葉斯網絡(BN)的運輸系統故障診斷和決策維護[9-10],但其研究并未涉及異構數據的融合和語義沖突的消除。

上述研究對推動軌道交通領域的異構數據融合和智能決策支持的發展起著重要作用,但針對高速鐵路信號數據記錄存在的多源異構、非確定和不完整數據等突出問題,沒有提出統一的異構數據融合和智能維護決策架構。同時,對于異構數據的屬性抽取、轉換和融合缺乏嚴格的形式化定義,這將對后續的嚴格規范推理和智能維護決策造成不利影響。

針對上述問題,本文提出了高鐵信號系統異構數據融合和智能維護決策的統一架構,給出了局部關系數據庫到局部本體數據庫資源描述框架(resource description framework (schema),RDF(S))轉換的形式化定義,提出了匹配數據記錄時間和地點模式的本體合并方法,并給出了適合非確定和不完整數據的BN維護決策方法,最后利用武廣高鐵維護記錄數據驗證了所提架構和算法的可行性和正確性。

1 高鐵信號系統異構數據融合和智能維護架構

高鐵信號系統異構數據融合和智能維護架構參見圖1,整個架構分為3個層次。

最底層是實際的物理數據庫,分布在不同的電務段、車站、分局等數據庫中,內容包括司機、調度員、鐵路專家和維護人員的記錄和信號監控設備的監控信息,如微機監測、JRU記錄信息、AElog日志記錄、Abis協議記錄和DMS等。其突出的特點是:記錄缺乏統一的概念、術語及關系的準確定義,存在概念歧義和語義沖突等問題,阻礙了高鐵信號系統維護信息的邏輯關系的建立,如故障模式、故障原因、故障征兆、測試手段、維護手段等。同時,維護數據呈現明顯的不完整性和非確定性。高鐵信號系統維護數據來源多源化,分布在運營維護人員和不同的監控設備中,加之專家經驗和歷史數據,其完整性、一致性和確定性都難以得到保證。

中間層為本體合并層。首先構建對應分布式數據庫的局部RDF(S)本體,抽取分布式數據庫的概念、屬性及其關聯關系。接著借助于RDF(S)圖的合成思路,定義關系數據庫到RDF(S)的形式化轉換方法,為下一步本體轉化的完備性和覆蓋性等性能驗證提供依據。在模型轉換的支持下,實現局部本體到全局本體的合成,同時建立全局本體到局部本體概念、屬性的映射關系,為后續的分布式數據庫數據檢索和查詢提供依據。

框架的最上層對應智能決策層。利用全局本體和局部本體的映射關系,實現故障原因、故障征兆、故障現象和故障類別、設備結構及其維護措施的數據訓練樣本的抽取,采用結構和參數學習,結合專家知識,形成信號系統維護決策BN模型,構造故障診斷和維護的智能維護支持系統。

圖1 高鐵信號系統異構數據融合和智能維護架構

2 高鐵信號系統異構維護信息融合

通過異構信息的融合,實現高鐵信號系統物理數據到全局本體的轉換,并在全局本體的指導下,實現概念數據的統一、語義沖突的消除和多源信息的統一集成。其主要步驟包括本地關系數據庫到局部RDF(S)的轉換,通過基于圖論的方法實現局部RDF(S)本體到全局本體RDF(S)的融合。

2.1 本地關系數據庫到局部RDF(S)的轉換

構建局部本體到全局本體的形式化定義是本體轉換的嚴格推理和邏輯驗證的保證,同時也是實現本體合并的語義一致性、完備性證明中的重要步驟。

下面首先給出關系數據庫、本體圖和關系數據庫的形式化定義。

定義1 一個關系數據庫模式DBS=(L,PKey,FKey,Attr)是一個四元組,其中:

(1)L=R∪D為名稱集合,這里R=ET∪RT為表名集合,ET和RT分別為實體表和關系表,D為數據類型名稱的集合,表示關系數據庫中預定義的類型名稱;

(2)Attr為屬性集合,?T∈R,T有一個非空的列集合Attr(T),且?A∈Attr(T)有一個預先定義的數據類型Type(A)∈D;

(3)?T∈R,T有且僅有一個主鍵PKey(T)(非空列集合),PKey(T)∈Attr(T)(單鍵,并且T∈ET),或者PKey(T)∈Attr(復合鍵,并且T∈RT);

(4)?T∈R,T可能有一個或多個引用其他實體表G(G∈ET)主鍵的外鍵FKey(T,G)的列的集合FKey(T,G)∈Attr(T)。

2.2 局部RDF(S)本體到全局本體RDF(S)的融合

分布式數據庫的數據字段由于在設計初期沒有考慮數據融合問題,導致局部RDF(S)存在類名和屬性命名沖突。例如,在信號系統車載維護數據記錄中,頻繁出現“ATP故障”、“ATP故障停車”、“ATPCU故障”、“ATPCU相關”等數據來刻畫ATPCU這一概念。同時,不同的監控設備(如JRU、AElog和DMS等)記錄ATPCU的數據字段存在不一致的現象,這直接導致RDF(S)中的術語不統一甚至沖突。

本文針對上述問題,借鑒文獻[11-12]提出的RDF(S)合并思路,利用霍爾(Horn)邏輯來刻畫概念和屬性間的等價、包含或者沖突關系。例如,將表達同一概念的“ATP故障”、“ATP故障停車”、“ATPCU故障”之間的關系用下述Horn等價邏輯刻畫:

ATP故障?ATP故障停車?ATPCU故障

同時考慮到高鐵信號系統數據記錄的時空特征,提出了改進的RDF(S)合成算法。算法中考慮了信號系統維護記錄中的時間地點匹配原則,即RDF(S)圖的合并三元組必須滿足時空匹配,也就是在相同的時間、地點(如線路站點、電務段)的前提下進行融合。具體的算法如表1所示。

所提算法利用Horn邏輯刻畫異構數據源的概念和屬性的關系(參見算法第3行),其中的timeAddrMode表示時間地點匹配模式,保證所有融合的節點需要滿足相同的時空約束。算法第10～13行根據Horn邏輯描述的不同本體中概念的等價關系,計算強連通圖SCC,完成等價節點的合并,實現包括同物異名節點等語義沖突的消除,第14～15行消除RDF(S)合并過程中的冗余邊。本體融合算法偽代碼見表1。

表1 本體融合算法偽代碼

3 基于全局RDF(S)檢索數據的BN診斷模型

3.1 故障數據訓練矢量的獲取

根據生成的全局RDF(S)本體和局部RDF(S)本體的映射關系,構建包含故障現象和原因的矢量樣本,其對應同一時刻、同一地點和設備故障的所有數據庫的監控設備記錄、人員記錄以及維修日志。在信號系統的故障診斷中,矢量空間中的變量定義如下:DMIMasterFail表示DMI與主機通信中斷;DMIEquipFail表示DMI報地面設備故障;StartRBC表示啟動RBC;MT表示車載電臺;SafeTrans表示安全傳輸模塊;Stop表示停車。

需要注意的是:由于記錄設備或人員的限制,導致數據庫中的故障存在記錄缺失的現狀(見表2),這對后續的完全數據的結構和參數學習設置了極大的障礙。

表2 高鐵信號設備故障記錄表單

注:“缺失“表示沒有對應的數據記錄。

3.2 缺失數據的智能維護BN模型

鑒于故障數據記錄缺失的現狀和目前存在大量的高鐵信號系統故障傳播機理先驗知識,本文中采用以專家經驗BN模型為主,利用結構和參數學習挖掘隱含BN關系為輔的方式構建智能維護BN模型。下面給出適應缺失數據下的結構期望最大化(SEM)算法[13-14]的描述。

(1)

式中:Xi為網絡中節點變量,∏Xi為其父變量,#(Xi,∏Xi)為貝葉斯網絡所需要的參數個數。這里BN定義為B=〈G,Θ〉,G為網絡結構,Θ為網絡參數。其基本思想:從某一初始貝葉斯網絡B0=〈G0,Θ0〉出發開始迭代,在進行了t次迭代得到當前最佳網絡Bt=〈Gt,Θt〉后,第t+1次迭代由以下兩步驟組成。

(1)基于當前最佳網絡Bt=〈Gt,Θt〉對數據集D利用EM算法進行補全,使之完整并得到完整數據集Dt。

(2)基于數據集D對模型及參數進一步優化,得到Bt=〈Gt,Θt〉,其中初始網絡的選擇一般是:隱變量和所有的已觀測變量都是相連的,并且是它們的父節點。如果一個網絡結構中有很多隱變量,那么就從中隨機地選擇邊,以確保不會超過父節點集的大小,然后按照上述思想進行迭代。

參照全局RDF(S)和局部RDF(S)的映射關系,提取武廣高鐵信號系統車載設備、地面監控設備、DMS設備等多源異構信息數據庫中數據用于BN的結構和參數學習,由SEM算法得到的BN結果如圖2所示。

圖2 基于SEM算法的BN故障模型

由于數據結構量較小,所以結構學習的結果并不十分理想,但是在有限的學習過程中,我們也可以從中提取到有用的信息。例如:18、19、20三個節點的關聯(參見圖2中的粗箭頭線)在基于專家知識的BN故障模型中是缺失的,但是在SEM結構學習中挖掘出了專家知識忽視的隱含關聯關系。

圖2中1～34節點的具體含義如表3所示。

按照故障傳播機理,完整的故障因果關系包括故障現象、故障征兆、故障傳播環節,這里可以根據高鐵信號系統的子系統、設備和具體部件分為多級故障,即系統級故障、子系統級故障、器件級故障和最終的故障源。

表3 BN中各節點所代表的含義

大量的故障分析工具如故障樹、FEMA等方法為建立信號系統的故障因果關系的BN提供了支持。鑒于篇幅的限制,本文不再贅述。

3.3 融合先驗知識的故障診斷BN結構

在實際應用中,考慮到先驗知識構建的BN的穩定性和可靠性,確定以其為主、結構學習為輔的策略。利用結構學習中發掘的隱含聯系對先驗知識構建的BN進行補充,當出現二者之間的沖突聯系,應該以先驗知識的BN為主。同時,充分考慮結構學習的“過擬合”問題,即結構過于復雜,對訓練樣本達到非常高的精度,但樣本產生的噪聲會導致網絡的泛化能力降低。

圖3為執行上述融合原則所得到的最優BN結構,其中細線表示基于專家知識的節點關聯關系,粗線表示SEM算法挖掘的隱含關系,因此融合后的模型綜合考慮了先驗的故障傳播機理和經過數據挖掘后先驗知識無法揭示的隱含故障傳播關系。

圖3 融合先驗知識和SEM算法的BN故障診斷模型

4 實驗結果

本文所使用的故障數據來自武廣線2011年8月至2012年12月的信號系統監控數據。分別對基于RDF(S)圖的全局RDF(S)的合并算法性能和故障診斷結果的準確性進行了分析對比。

4.1 RDF(S)合并算法性能比較

為了說明本文提出的改進的RDF(S)合并算法的有效性,將提出的算法與經典的閉包本體融合算法進行比較。圖4給出了計算時間的比較結果。圖4中計算了本體節點在20～980范圍內的計算時間,可以看出,在較小的節點數量下,兩算法具有基本相似的計算時間,但隨著節點數量的增加,基于閉包算法的計算時間遠高于提出的改進算法。這主要是由于前者的計算復雜度為指數級,而提出的改進本體融合算法的時間復雜度為多項式。

圖4 RDF(S)本體融合運行時間

4.2 基于BN的智能維護決策模型的性能

根據全局RDF(S)和局部RDF(S)的映射關系,提取武廣高鐵信號系統車載設備、地面監控設備、DMS設備等多源異構信息數據庫中608條數據用于BN的結構和參數學習,剩余100條用來驗證BN的正確性。圖5為故障診斷系統測試結果。

圖5 故障診斷系統測試結果

由圖5可以看出,一級故障和二級故障診斷的平均正確率均為92.4%,三級故障為67.2%。

在故障診斷過程中,三級故障中誤診的概率比較大,主要原因是監控數據缺少大量的細節證據來支持第三級的故障診斷。如果結合維修檢測證據和日常巡檢和第三級故障相關的證據,則診斷的準確性會得到較大的提升。

5 結 論

針對高速鐵路信號系統的多源異構監控信息,本文建立了融合異構設備監控數據的智能維護決策架構。在架構中的RDF(S)本體合并部分,根據監控數據的時空配準原則,提出了改進的RDF(S)融合算法,算法具有多項式的計算復雜度。針對高鐵信號監控數據的缺失現狀,在智能維護BN模型部分,結合結構化期望最大BN學習算法和專家知識,提出優化的BN維護決策模型。利用實際的高鐵監控數據對決策模型的測試,證明了其對于第一級和第二級故障診斷的準確性。對于更為細粒度的判定準確性,需要進一步加強相關證據的抽取和測試,這將是下一步需要解決的關鍵問題。

[1] ABANDA H, NG’OMBE A, TAH J, et al. An ontology-driven decision support system for land delivery in Zambia [J]. Expert Systems with Applications, 2011, 38(9): 10896-10905.

[2] VERSTICHEL S, ONGENAE F, LOEVE L, et al. Efficient data integration in the railway domain through an ontology-based methodology [J]. Transportation Research: Part C, 2011, 19: 617-643.

[3] SAA R, GARCIA A, GOMEZ C, et al. An ontology-driven decision support system for high-performance and cost-optimized design of complex railway portal frames [J]. Expert Systems with Applications, 2012, 39: 8784-8792.

[4] LIU Z, HUANG L, XU D. Research on semantic retrieval system for high-speed railway knowledge based on ontology [C]∥International Colloquium on Computing, Communication, Control, and Management. Piscataway, USA: IEEE, 2008: 303-307.

[5] 韓春華, 易思蓉, 呂希奎. 基于GIS的鐵路選線智能環境及領域本體建模方法 [J]. 中國鐵道科學, 2006, 27(6): 84-88. HAN Chunhua, YI Sirong, LV Xikui. GIS based railway location intelligent environment and domain ontology modeling method [J]. China Railway Science, 2006, 27(6): 84-90.

[6] CHOUGULE R, RAJPATHAK D, BANDYOPADHYAY P. An integrated framework for effective service and repair in the automotive domain: an application of association mining and case-based-reasoning [J]. Computers in Industry, 2011, 62: 742-754.

[7] European Commission. European railway open maintenance system. [EB/OL]. [2014-06-30]. http:∥www.transport-research.info/web/projects/project_details.cfm?id=15048.

[8] European Commission. Intelligent integration of railway systems. [DB/OL]. [2014-06-30]. http:∥www.integrail.info/.

[9] FERREIRO S, ARNAIZ A, SIERRA B, et al. Application of Bayesian networks in prognostics for a new Integrated Vehicle Health Management concept [J]. Expert Systems with Applications, 2012, 39(7): 6402-6418.

[10]VONG C, WONG P, IP W. Case-based expert system using wavelet packet transform and kernel-based feature manipulation for engine ignition system [J]. Engineering Applications of Artificial Intelligence, 2011, 24(7): 1281-1294.

[11]UDREA O, DENG Y, RUCKHAUS E, et al. A graph theoretical foundation for integrating RDF ontologies [C]∥Proceedings of the Twentieth National Conference on Artificial Intelligence. Pittsburgh, Pennsylvania, USA: AAAI, 2005: 1442-1447.

[12]HOU X, OON S K, NEE A Y C, et al. A graph-based approach for automatic construction of domain ontology [J]. Expert Systems with Applications, 2011, 38: 11958-11975.

[13]FRIEDMAN N. Learning belief networks in the presence of missing values and hidden variables [C]∥Proceedings of the Fourteenth International Conference on Machine Learning. San Francisco, USA: ADM, 1997: 125-133.

[14]NIELSEN J D, RUMR, SALMERN A. Structural-EM for learning PDG models from incomplete data [J]. International Journal of Approximate Reasoning, 2010, 51: 515-530.

[本刊相關文獻鏈接]

杜曉林,蘇濤,朱文濤,等.一種多輸入多輸出雷達相位編碼信號的設計方法.2014,48(12):93-99.[doi:10.7652/xjtuxb 201412015]

尚佳棟,王祖林,周麗娜,等.采用隨機共振增強的混合擴頻信號跳頻參數估計.2014,48(10):42-48.[doi:10.7652/xjtuxb201410007]

李實鋒,王玉林,華宇,等.羅蘭擬C信號的抗干擾快速檢測方法.2013,47(10):91-96.[doi:10.7652/xjtuxb201310016]

陳曉光,徐光華,梁霖,等.一種電流弱信號特征提取方法.2013,47(9):83-87.[doi:10.7652/xjtuxb201309014]

刁瑞朋,孟慶豐.一種衰減信號加窗頻域插值算法.2013,47(7):85-90.[doi:10.7652/xjtuxb201307016]

齊巍,陸明泉,李強,等.高動態測量系統中的自適應信號成形濾波器設計.2013,47(6):124-129.[doi:10.7652/xjtuxb 201306021]

謝楨,付立軍,肖飛,等.三電平直流變換器全模式小信號建模和控制器設計.2013,47(6):109-116.[doi:10.7652/xjtuxb201306019]

鄭紀彬,任愛鋒,蘇濤,等.多分量Chirp信號相位參數的精確估計算法.2013,47(2):69-74.[doi:10.7652/xjtuxb2013 02012]

謝航,廖與禾,林京.一種含噪聲多模態調頻調幅信號的提取方法.2012,46(7):93-97.[doi:10.7652/xjtuxb201207017]

朱軍濤,廖紅建,謝勇勇,等.采用短時傅里葉變換的鐵路車載探地雷達數據解譯方法.2012,46(7):108-114.[doi:10.7652/xjtuxb201207020]

(編輯 荊樹蓉)

Heterogeneous Data Fusion and Intelligent Maintenance Decision for High Speed Railway Signaling Systems

XU Tianhua1,YANG Lianbao1,HU Hongli2,WANG Xiaoxin2

(1. State Key Laboratory of Rail Traffic Control and Safety, Beijing Jiaotong University, Beijing 100044, China; 2. State Key Laboratory of Electrical Insulation and Power Equipment, Xi’an Jiaotong University, Xi’an 710049, China)

A framework of integrated heterogeneous data and intelligent maintenance decision was proposed aiming at the multi-source heterogeneous data in intelligent maintenance decision for railway signaling systems. By means of transformation and fusion from local resource description framework (schema)(RDF(S)) to global RDF(S), the fusion of heterogeneous data was realized. In addition, a Bayesian net (BN) based intelligent maintenance decision model was constructed by combing the structural expectation maximum (SEM) algorithm for missing data with the expert knowledge. The correctness and efficiency of the proposed framework and the RDF(S) fusion algorithm were verified by the maintenance data from Wuhan-Guangzhou high-speed railway signaling systems in 2011-2012. The experimental results show that the computational complexity of the proposed ontology fusion algorithm is polynomial, and the average accuracy of the fault diagnosis for the first level reaches 92.4%. Therefore, the proposed framework may improve the accuracy and efficiency of the intelligent maintenance decision of high-speed railway systems.

high-speed railway; signaling system; heterogeneous data; ontology fusion

2014-07-21。

徐田華(1971—),男,副教授。

國家自然科學基金資助項目(51305021);鐵路總公司重點資助項目(2013X015-B);軌道交通控制與安全國家重點實驗室自主研究課題(RCS2012ZT005)。

時間:2014-10-15

10.7652/xjtuxb201501012

TM934

A

0253-987X(2015)01-0072-07

網絡出版地址:http:∥www.cnki.net/kcms/detail/61.1069.T.20141015.1752.006.html