基于BERT+CNN_BiLSTM的列控车载设备故障诊断

列控车载设备作为列车运行控制系统核心设备,在高速列车运行过程中发挥着重要作用。目前,其故障诊断仅依赖于现场作业人员经验,诊断效率相对较低。为了实现列控车载设备故障自动诊断并提高诊断效率,提出了BERT+CNN_BiLSTM故障诊断模型。首先,使用来自变换器的双向编码器表征量(Bidirectional encoder representations from transformers,BERT)模型将应用事件日志(Application event log,AElog)转换为计算机能够识别的可以挖掘语义信息的文本向量表示。其次,分别利用卷积神经网络(Convolutional neural network,CNN)和双向长短时记忆网络(Bidirectional long short-term memory,BiLSTM)提取故障特征并进行组合,从而增强空间和时序能力。最后,利用Softmax实现列控车载设备的故障分类与诊断。实验中,选取一列实际运行的列车为研究对象,以运行过程中产生的AElog日志作为实验数据来验证BERT+CNN_BiLSTM模型的性能。与传统机器学习算法、BERT+BiLSTM模型和BERT+CNN模型相比,BERT+CNN_BiLSTM模型的准确率、召回率和F1分别为92.27%、91.03%和91.64%,表明该模型在高速列车控制系统故障诊断中性能优良。

高速铁路列控车载设备故障诊断的研究及应用

列控系统中车载设备故障具有复杂性和不确定性,且数据记录非文本化,传统的基于专家知识的诊断方法效率低下且精确度不佳。贝叶斯网络(BN)在处理不确定性和相关复杂性问题方面具有显著优势,本文以CTCS3-300T型车载设备为研究对象,建立贝叶斯网络模型进行故障诊断。通过分析典型车载设备故障处理现状,提出一种结合专家知识、故障数据集和K2算法的贝叶斯网络模型研究方法;利用K2算法和最大似然估计法分别进行结构学习、参数学习,从局部到整体优化贝叶斯网络诊断模型,实现故障的快速定位;建立最优贝叶斯网络模型,并进行推理计算,其故障诊断准确率为87.1%。与传统的专家知识模型相比,最优贝叶斯网络模型的故障诊断准确率提高了37.4%。经实例分析和模型验证,该模型能够保证故障诊断结果的准确性且提高故障诊断的效率。

基于模型演化的列控车载设备组合测试案例重构方法

车载设备作为列控系统的关键设备之一,其测试需求在不断迭代。测试案例重构通过更新原有组合测试集覆盖变更的测试需求,实现对测试案例的高效重用,对生成演化后的测试集具有重要意义。根据车载设备输入模型的变化情况,提出一种基于模型演化的测试集重构方法。首先,通过比较演化前后组合模型的差异性,辨识出失效和新增的测试需求,并结合测试参数、参数取值、约束可能出现的演化情况分析两类测试需求的具体构成;其次,基于演化后的组合模型,依次采取修改、扩充、新增3个步骤重构原有测试集,修改不满足变更测试需求的原有案例,扩充新增参数取值,新增案例覆盖剩余测试需求;之后,根据约束间的相容性,将互不干扰的多条约束置于1条测试案例集中处理以精简测试集;最终,得到完备覆盖所有演化后测试需求的组合测试集。以车载设备模式转换等3种场景为例,对本方法进行了验证,研究结果表明:相较于现有方法,本方法能更充分地重用原有案例,测试集总体重合度提高了7.82%,后续人工修改测试案例文档的工作量相应减少,时间成本可降低18.26%。

CTCS3-300H型列控车载设备状态在线监测与智能分析系统开发与应用

针对CTCS3-300H型列控车载设备(简称:列控车载设备)各单元运行日志数据分散存储、数据转储下载接口多、数据分析工作繁琐耗时的问题,根据列控车载设备结构特点,设计了列控车载设备状态在线监测及智能分析系统。该系统统一了列控车载设备各单元的日志数据采集与传输接口,借助既有的车地无线传输通道,设计了灵活、务实的车地数据传输方案,实现了用于列控车载设备状态在线监测的事件通告报文的实时传输,提供故障日志自动下载、手动按需下载两种日志数据无线下载方式,在满足列控车载设备状态在线监测和故障分析需要的前提下,最大限度地减少车地数据传输量。通过有效利用列控车载设备日志数据进行智能分析,能够快速、准确定位故障原因,实现故障自动报警并给出处置建议,提高了列控车载设备故障应急处置和维护效率,为动车组安全运行提供强有力的技术保障。

基于轻量化车载设备的道路病害检测方法

针对传统道路检测方法成本高、检测周期长,无法满足城市道路大规模、短周期检测需求的问题,本文设计了一种轻量化车载道路病害数据获取设备,并提出了基于轻量化车载设备的道路病害检测方法。该设备质量小、成本低,可简易、快速地安装在小汽车、公共汽车等城市常见车辆上,能够同步收集惯性数据、图像、GPS定位信息等数据。基于轻量化车载设备在城市道路上采集道路图片数据并构建数据集,然后建立深度学习模型对其进行训练和评估,检测和识别道路病害,正确率达82.54%,能够满足城市道路日常巡检的要求。

基于STAMP与组合测试的城轨全自动运行系统车载设备安全测试方法研究

针对现有城轨全自动运行系统车载设备测试安全性需求考虑不足与测试用例规模较大的问题,提出一种基于STAMP理论与组合测试的城轨全自动运行系统车载设备安全性测试方法。首先,基于STAMP理论对车载设备建立分层控制结构模型,从可测性的角度提取出安全约束,分析安全约束涵盖的车载设备安全性测试特征;然后,以最优覆盖数组与种子测试用例为基础,结合约束条件,利用遗传算法对最优覆盖数组进行重构,扩展生成满足约束条件的精简测试用例集;最后,以全自动运行系统站台发车场景车载设备测试为例,对算法有效性进行验证。结果表明,在组合覆盖强度相同的情况下,本文方法比现有主流方法生成的测试用例数平均降低16.45%,对降低车载设备测试成本、提升测试效率具有一定现实意义。

列控车载设备不同工作模式下运行方案研究

针对高铁动车组列车进出动车段(所、存车场)的不同运营场景,对动车存车场内岔区侧向允许通过速度低于列控车载设备顶棚限制速度导致的列车紧急制动等问题进行了研究。通过对典型动车存车场内站场布置方案、道岔号码选择、信号系统设置情况进行分析,结合动车组列车进出动车存车场的特殊运营场景,分析了CTCS-2级列控车载设备在不同工作模式下存在的运行风险,即动车存车场内设置9号道岔时其侧向允许通过速度会对列车安全运行造成影响。在此基础上,根据新建和既有动车段(所、存车场)的不同情况提出了两种优化方案,优化后的方案已在部分工程中进行了应用,同时也为后续铁路的工程设计、运营维护提供了借鉴。

新型列控系统ATP车载设备开发过程安全控制措施研究

作为下一代列控系统的重要组成部分,新型列控ATP车载设备的设计开发需严格按照行业技术要求执行安全控制措施,以确保设备满足安全需求。从RAMS分析、系统测试、验证确认3个方面对设备开发过程中的安全控制措施展开研究:根据新型列控ATP车载设备的功能分析,采用Relex Studio建立可靠性框图及故障树模型,计算设备的RAMS等各指标符合技术条件要求;针对系统测试需求,设计测试流程,搭建仿真测试环境进行系统测试;通过具体验证活动与多种确认方法,验证新型列控ATP车载设备能够在目标环境中有效运行。新型列控ATP车载设备所采取的安全控制措施可提高其可靠性与安全性,为其他安全相关的铁路信号设备的设计开发提供参考。

CTCS-3级列控车载设备自动化仿真测试平台优化研究

ATP车载设备是保障列车运行控制系统正常工作的核心设备,其测试是列控系统研发过程中至关重要的一环。目前,ATP车载设备测试存在人工依赖性强、效率低、可靠性差等问题。为解决上述问题,在传统CTCS-3级列控车载设备平台的基础上,根据车载设备的操作流程,定义操作指令,并将其转化为上位机软件的操作命令,对上位机软件功能模块进行优化;将虚拟网络控制台技术与图像识别功能结合实现人机界面单元自动操控;提取JRU中车载设备采集的原始信息以及输出控制信息的记录,对测试结果进行校验;最后,利用现有ATP车载设备实验室测试序列对提出的列控车载设备自动化仿真测试方法进行验证,确保该方法可以在实际车载设备测试中得到应用。实验表明,本文提出的列控车载设备自动化仿真测试方法符合实验室测试要求,可以实现自动化测试,具有较高的准确性,同时降低测试人员的工作强度,具有一定实际应用价值。

基于5G-R的CTCS3-300H型列控车载设备车地无线通信冗余技术方案

随着铁路移动通信由GSM-R向5G-R演进,基于GSM-R的CTCS-3级列控系统车地无线通信技术面临更新替代的问题。根据近年来5G-R承载CTCS-3级列控系统车地无线通信业务研究取得的成果,为充分利用5G-R的优势,将5G-R下CTCS-3级列控系统车地无线通信由单链路改为双链路冗余技术。以CTCS3-300H型列控车载设备为研究对象,分析车地无线通信冗余技术的适应性,研究车地无线通信的系统架构,以及不同网络制式下的移交方案等,提出适合于CTCS3-300H型列控车载设备的车地无线通信冗余技术实现方案。研究成果为CTCS-3级列控系统在5G-R下实现车地无线通信冗余技术提供思路和借鉴。

市域铁路电务车载设备运维系统方案设计

以国内外铁路现状调研为基础,吸取国家干线铁路良好的建设、运用经验,结合市域铁路运营特点进行创新应用,总结电务车载设备运维的需求,构建市域铁路电务车载设备智能运维系统。此系统实现一体化的电务车载设备综合监测、智能化检测及检修管理、设备全生命周期健康管理以及电务列控数据动态智能管理,打通各专业各系统的数据壁垒,提高设备综合管理质量。

基于MVB总线的市域铁路车载设备首尾通信方法

市域铁路是适用于都市圈中心城市城区连接周边城镇组团的轨道交通系统,提供公交化、大运量、快速便捷的交通服务。市域铁路要求列车两端的车载设备首尾通信、传递信息、支持站后自动折返和原地自动换端。详细介绍基于MVB总线的首尾通信方法和技术,已经成功应用于市域铁路车载设备之中。经过实验室测试和检验,提出的首尾通信方法和技术可以实现首尾两端车载设备高安全、高可靠的数据通信,是市域铁路列车实现站后自动折返和原地自动换端的重要基础技术。

基于岭回归的地铁车载设备故障预测

针对现场实际记录中屡次发生故障的车载设备,为预测其下一次故障发生时间,提出基于岭回归算法的故障时间预测方法,整个研究过程通过随机森林算法结合人为经验的方式提取出6个有效故障特征,建立岭回归故障预测模型,并通过网格搜索结合交叉验证(Gridsearch CV)的方法优化模型超参数,在深圳某地铁线路实际数据中得到有效的验证,提出的方法可以较为准确的预测下一次故障,可以作为指导预防性维修的依据,实现故障的提前预测、提前感知、提前处理。

电务车载设备智能运维系统研究

针对电务车载设备生产过程中生产计划编制繁琐、生产任务难以跟踪、与外部信息系统间数据互不共享等问题,提出电务车载设备智能运维系统。通过与相关信息系统的互联互通,解决电务车载设备生产中数据的共享问题;采用智能化生产计划编排技术,自动生成年、月、日计划,并将计划中的任务分派到相关的工区或个人,按照生产作业数据,形成机车、设备的运维履历及人员的作业履历;使用便携式手持机替代传统的电脑端操作,提高电务日常作业的便捷性、高效性;提供多维度的统计报表,可直观掌握机车、设备、人员的动态数据,为决策提供依据。该系统已在武汉局上线运行,成为电务车载设备管理的必要工具。

基于离散时间贝叶斯网络的CBTC车载设备可靠性分析

基于通信的列车控制系统(CBTC)车载设备用于实现列车安全防护和自动运行,其可靠性直接关系到列车的运行安全和效率。针对设备运营过程中的动态失效问题,基于离散时间贝叶斯网络(DTBN)对CBTC车载设备可靠性进行分析。首先,在分析CBTC车载设备功能结构的基础上构建系统动态故障树模型,基于动态故障树模型与DTBN模型的转换规则以及DTBN逻辑门条件概率表,建立基于DTBN的可靠性分析模型;其次,通过DTBN的正向推理实现CBTC车载设备的可靠度评估;最后,通过DTBN的反向推理及重要度计算,实现CBTC车载设备薄弱环节分析及重要度排序。结果表明:ATP子系统中输出继电器板、输出板等是CBTC车载设备最薄弱的板卡级设备,需重点关注。该方法能为CBTC车载设备的可靠性分析提供依据,有效提升系统智能运维水平。

基于VMD-ICSO-GRU的高铁列控车载设备故障率时间序列预测

有效地预测高铁列控车载设备故障率对合理分配设备备品、制定维修计划、减少故障发生具有重要意义。以列车运行控制系统的历史故障数据为对象,提出一种基于变分模态分解(VMD)和门控循环单元(GRU)的故障率预测模型。首先,利用VMD将车载设备故障率时间序列分解为一组包含不同频率信息的子序列,降低原始序列的非平稳性;然后,针对分解后的各个子序列建立多个基于GRU的时间序列预测模型,为提高预测精度,提出一种改进的猫群优化(ICSO)算法自适应设置各个GRU网络参数;最后,叠加各子序列预测结果得到最终故障率预测值。收集CTCS3-300T型列控车载设备历史故障数据进行实验,结果表明,相比于其他时间序列预测模型,本文模型得到的均方根误差(RMSE)和平均绝对误差(MAE)分别为0.0445和0.0391,均低于其他模型,验证了其有效性。

CTCS-2级列控车载设备层次化组合测试方法

对列控车载设备开展组合测试,可有效提高设备的安全性。针对现有组合测试方法未充分考虑车载设备测试过程中输入的时序性、设备状态等影响软件安全的各种因素组合的问题,提出一种车载设备层次化组合测试方法。首先,划分CTCS-2级车载设备测试过程中各种影响因素的组合层次,设置层次化覆盖强度。其次,提出了车载设备层次化组合覆盖准则,给出形式化定义,构建层次化组合测试模型。然后,提出一种两阶段层次化组合测试用例生成方法,高效精简构造层次化组合测试集。最后,以CTCS-2/0等级转换测试为例对方法进行验证。结果表明,在保证各种影响因素组合覆盖的前提下,相对于现有方法,在覆盖强度t={2,2,2}时,采用本方法的测试成本可降低23.53%,有效提高测试的针对性,验证了方法的有效性。

基于BERT-CNN的城轨列控车载设备故障分类

针对基于通信的城市轨道交通列车控制系统车载设备故障排查困难,故障维修日志由于信息零散、语义模糊及归类混乱等导致的传统文本分布式表示与浅层机器学习算法分类精度低等问题,提出一种基于焦点损失函数BERT-CNN(bidirectional encoder representations from transformers-convolutional neural network)的故障分类方法,建立故障处理及结论、故障现象的关系模型.利用预训练好的BERT模型微调获取故障现象的词向量,充分捕捉融合了上下文的双向语义并关注重点词汇;利用卷积神经网络(convolutional neural network,CNN)进行训练,改进损失函数以缓解数据类别不平衡引起的性能下降问题.通过对某车载信号工区数据进行实验,对比基于交叉熵损失函数的BERT-CNN、单一BERT模型与word2vec-CNN(word to vector-CNN)方法,基于焦点损失函数BERT-CNN方法在分类指标上最优,对某些样本数量少的类别能够更精准分类.研究结果有助于建立更完善的智能运维故障案例库.

CTCS-3 级列控车载设备的形式化建模与验证

CTCS-3级列控系统安全苛求性较高,而列控车载设备是CTCS-3级列控系统的主体,主要功能是对列车进行操纵和控制,保证列车安全运行的关键。通过分析CTCS-3级列控车载设备之间的信息交互以及车载安全计算机中工作模式的转换规则,采用有色Petri网(CPN)建立车载设备的信息交互模型以及工作模式转换模型,使用ASK-CTL分支时序逻辑公式验证了模型的死标识、死锁以及分析工作模式下的系统行为等特性,验证构建的CPN模型符合系统规范要求的流程及规则,可为相关安全苛求系统的设计提供一定参考。

高铁列控车载设备故障知识图谱构建方法研究

作为列控系统的核心,车载设备有着结构复杂,模块间联系紧密的特点,若在行车过程中发生故障,将直接影响列车安全高效运行。为使维修人员准确掌握车载设备故障情况,借助智能化的手段对蕴含丰富经验信息的车载故障维修日志进行研究,有着重要的现实意义。研究通过分析该类日志特点,提出自顶向下与自底向上相结合的方式构建车载设备故障知识图谱。以车载故障维修日志实体关系转换为基础,将半结构化数据实体识别视为关键短语提取问题,提出词向量、主题模型与词典特征相结合的方法先获取关键词语,再通过Bi-gram模型将故障词语拼接为候选故障短语,其中评分最高者即为所需故障实体。实体间的关系则采用基于模式匹配的方法,构建车载故障关系模板,挖掘故障间的联系。对于识别实体的冗余和错误问题,利用实体向量间的余弦相似度计算,通过阈值设定实现实体融合,完成车载设备故障的知识挖掘。最后,以某铁路局2019~2020年车载故障维修日志为数据进行实验,累积抽取出故障实体339个,故障关系734条,据此构建车载设备故障知识图谱,并以可视化方式展示和检索车载设备故障间关系,有效提高了车载故障日志的知识发现能力,便于指导车载设备故障维修。