車(chē)站信號(hào)控制理論論文

1、基于改進(jìn)C4.5算法的鐵路信號(hào)設(shè)備故障診斷王小農(nóng)（蘭州交通大學(xué)自動(dòng)化與電氣工程學(xué)院 甘肅 蘭州 730070）摘要:由于鐵路信號(hào)系統(tǒng)自身構(gòu)成的復(fù)雜性，以及設(shè)備使用和環(huán)境等因素的影響，實(shí)際造成設(shè)備故障的原因是很復(fù)雜的，具有明顯的隨機(jī)不確定性和模糊性，所以鐵路信號(hào)設(shè)備的故障診斷需要通過(guò)建立智能分析系統(tǒng)予以解決。如何基于鐵路信號(hào)設(shè)備故障的實(shí)際,選擇合適的復(fù)雜故障診斷模型，并開(kāi)發(fā)實(shí)際應(yīng)用算法，是建造實(shí)際鐵路信號(hào)設(shè)備故障診斷智能分析系統(tǒng)需待研究的一個(gè)關(guān)鍵問(wèn)題。關(guān)鍵詞:鐵路信號(hào)設(shè)備；復(fù)雜故障診斷；智能學(xué)習(xí)算法Railway signal equipment fault diagnosis based on

2、 intelligent learning algorithmABSTRACT：Due to the complexity in the composition of the railway signal system itself, and equipment use and environment, the influence of such factors as the actual cause of equipment failure is very complex, with obvious random uncertainty and fuzzy. So the fault dia

3、gnosis of railway signal equipment need to be resolved through the establishment of intelligent analysis system. Based on the actual conditions of railway signal equipment failure, choosing the appropriate complex fault diagnosis model, and developed algorithm in practical application, is to build t

4、he actual railway signal equipment fault diagnosis intelligent analysis system must be one of the key research problems.KEYWORDS：Railway signal equipment; Complex fault diagnosis; Intelligent learning algorithm1.鐵路信號(hào)設(shè)備的故障分析1.1故障的基本概念一個(gè)邏輯元件、電路和系統(tǒng)，由于某種原因而導(dǎo)致其不能完成應(yīng)有的邏輯功能,則稱為這個(gè)元件、電路和系統(tǒng)己經(jīng)失效。故障是指一個(gè)元件、電路和系統(tǒng)

5、的物理缺陷，可以使這個(gè)元件、電路和系統(tǒng)失效,也可能不失效。可見(jiàn)，存在有一定故障的元件、電路和系統(tǒng)仍有可能完成其固有的邏輯功能。無(wú)論是元器件還是電路和系統(tǒng)。由于受制造工藝的限制、使用壽命以及工作條件的影響，故障的產(chǎn)生都是不可避免的。在實(shí)際操作中，應(yīng)根據(jù)不同的故障類(lèi)型選擇適合的故障診斷方法，及時(shí)地排除故障，確保系統(tǒng)有效運(yùn)行。1.2鐵路車(chē)站信號(hào)設(shè)備常見(jiàn)故障的分類(lèi)分析車(chē)站信號(hào)設(shè)備在使用過(guò)程中會(huì)出現(xiàn)各種故障如斷線故障、混線故障、短路故障、電源接地故障、電源單極接地故障等。產(chǎn)生故障的原因也是多種多樣,可分由系統(tǒng)內(nèi)部元件缺陷和系統(tǒng)外部環(huán)境條件組成的物理原因及人為原因兩類(lèi)。物理原因有如在生產(chǎn)、組裝、存放以及工

6、作過(guò)程中產(chǎn)生的系統(tǒng)內(nèi)部元件缺陷;由于環(huán)境條件的變化，包括電磁干擾、機(jī)械震動(dòng)和沖擊，環(huán)境溫度波動(dòng)，塵埃、化學(xué)氣體的侵蝕,空間宇宙射線和高能粒子的輻射，以及自然災(zāi)害等造成系統(tǒng)故障。人為原因則是人的無(wú)意識(shí)錯(cuò)誤和有意識(shí)破壞,諸如,工作人員在使用、維修系統(tǒng)時(shí)違章作業(yè)造成的錯(cuò)誤等。2. 智能化決策樹(shù)學(xué)習(xí)算法以及實(shí)現(xiàn)2.1決策樹(shù)的基本概念決策樹(shù)起源于概念學(xué)習(xí)系統(tǒng)CLS(concept learning system)。CLS的主要思想是從一個(gè)空的決策樹(shù)出發(fā)，通過(guò)添加新的判定節(jié)點(diǎn)來(lái)完善原有的決策樹(shù)，直到新的決策樹(shù)能夠正確地將訓(xùn)練實(shí)例分類(lèi)為止。決策樹(shù)學(xué)習(xí)是以訓(xùn)練樣本為基礎(chǔ)的歸納學(xué)習(xí)算法，是基于機(jī)器學(xué)習(xí)理論的智能

7、方法。它的核心是從一組無(wú)次序、無(wú)規(guī)則的樣本數(shù)據(jù)集中推理出決策樹(shù)表示形式、逼近離散值目標(biāo)函數(shù)的分類(lèi)規(guī)則方法。它采用自頂向下的遞歸方式，在決策樹(shù)的內(nèi)部節(jié)點(diǎn)進(jìn)行屬性值的比較（選擇子）并根據(jù)不同的屬性值判斷從該節(jié)點(diǎn)向下的分支，在決策樹(shù)的葉節(jié)點(diǎn)得到結(jié)論。所以從根節(jié)點(diǎn)到葉節(jié)點(diǎn)的一條路徑就對(duì)應(yīng)著一條規(guī)則（公式），整棵決策樹(shù)就對(duì)應(yīng)著一組表達(dá)式規(guī)則?；跊Q策樹(shù)的學(xué)習(xí)算法的一個(gè)最大的優(yōu)點(diǎn)就是它在學(xué)習(xí)過(guò)程中不需要使用者了解很多的背景知識(shí)，只要訓(xùn)練例子能夠用屬性結(jié)論式的方式表達(dá)出來(lái)，就能使用該算法來(lái)學(xué)習(xí)。2.2決策樹(shù)的知識(shí)表示與獲取學(xué)習(xí)是人類(lèi)智能的主要標(biāo)志和獲取知識(shí)的基本手段。機(jī)器學(xué)習(xí)通過(guò)對(duì)數(shù)據(jù)對(duì)象之間關(guān)系的分析可以

8、提取出隱含在數(shù)據(jù)中的模式,即知識(shí)。它是研究學(xué)習(xí)的計(jì)算理論，建立學(xué)習(xí)的計(jì)算機(jī)模型，使計(jì)算機(jī)具有學(xué)習(xí)能力的學(xué)科，是人工智能的研究核心，是使計(jì)算機(jī)具有智能的根本途徑?，F(xiàn)在應(yīng)用在機(jī)器學(xué)習(xí)領(lǐng)域的分類(lèi)方法有：決策樹(shù)算法、貝葉斯算法、神經(jīng)網(wǎng)絡(luò)以及粗糙集等方法。其中，決策樹(shù)歸納算法是目前最簡(jiǎn)單而又是最成功的學(xué)習(xí)算法，它適合于歸納學(xué)習(xí)領(lǐng)域由于該算法簡(jiǎn)單，容易實(shí)現(xiàn)而且適合于處理數(shù)據(jù)量較大的學(xué)習(xí)問(wèn)題，并且易于實(shí)現(xiàn)，目前在機(jī)器學(xué)習(xí)、統(tǒng)計(jì)和其他相關(guān)的分類(lèi)領(lǐng)域有著廣泛的應(yīng)用。決策樹(shù)知識(shí)表示（見(jiàn)下圖2.1其中，表示需要的條件屬性（判斷節(jié)點(diǎn)）；表示診斷結(jié)果（葉節(jié)點(diǎn)）就是把專家知識(shí)隱含地表示在決策樹(shù)的內(nèi)部節(jié)點(diǎn)和葉結(jié)點(diǎn)上，并根據(jù)

9、內(nèi)部結(jié)點(diǎn)上的屬性及其取值表達(dá)知識(shí)的條件部分，而在葉結(jié)點(diǎn)上得到知識(shí)的結(jié)論部分。為了更清楚地理解決策樹(shù)的知識(shí)表示,可以把它轉(zhuǎn)化成產(chǎn)生式規(guī)則的形式，圖中對(duì)應(yīng)的部分診斷規(guī)則表示為:If TO條件不成立and TI條件成立then故障為D2；If TO條件成立and T2條件不成立then故障為D1；從知識(shí)的推理角度來(lái)看，決策樹(shù)最多3步比較就可以得到結(jié)論（由于決策樹(shù)的深度為3），而產(chǎn)生式規(guī)則最壞的情況下要進(jìn)行5次模式匹配才能得到結(jié)論，因此決策樹(shù)具有更高的推理速度。知識(shí)獲取是從大量數(shù)據(jù)或信息中提取有用信息（即知識(shí)）的過(guò)程。決策樹(shù)學(xué)習(xí)是從大量的實(shí)例中歸納出以決策樹(shù)形式表示的知識(shí)。通過(guò)學(xué)習(xí)建立一棵決策樹(shù)，是從

10、實(shí)例中提取知識(shí)并以決策樹(shù)的形式表示出來(lái)。因此，基于決策樹(shù)的知識(shí)獲取問(wèn)題實(shí)際上就是決策樹(shù)的學(xué)習(xí)問(wèn)題，核心是決策樹(shù)的學(xué)習(xí)算法。 圖2.1決策樹(shù)知識(shí)表示3.決策樹(shù)的實(shí)現(xiàn)C4.5算法的改進(jìn)決策樹(shù)的實(shí)現(xiàn)己經(jīng)有很多算法，C4.5算法是非常流行的一種，其特點(diǎn)表現(xiàn)在：（1）消除多值屬性傾向。確定屬性的取值所需的信息量也與屬性取值數(shù)相關(guān)，傾向于多值屬性,即取值較多的屬性確定其屬性值時(shí)所需的信息量也較多。（2）降低錯(cuò)誤修剪率。（3）可處理連續(xù)值屬性。（4）處理不完整(丟失)數(shù)據(jù)。（5）提高計(jì)算效率等。但是C4.5算法的指標(biāo)只考慮當(dāng)前試驗(yàn),在構(gòu)造決策樹(shù)時(shí),后續(xù)試驗(yàn)的選擇僅取決于前面試驗(yàn)的結(jié)果。若在試驗(yàn)選擇時(shí)只考慮當(dāng)

11、前情況,必然限制生成決策樹(shù)時(shí)的搜索范圍,難以保證決策樹(shù)的優(yōu)化效果。為了擴(kuò)大搜索范圍,通常會(huì)找到更好的決策樹(shù)，基于該思想,用最佳試驗(yàn)子序列代替?zhèn)鹘y(tǒng)的單個(gè)試驗(yàn)，再用多個(gè)試驗(yàn)子序列去構(gòu)造完整的決策樹(shù)，實(shí)現(xiàn)對(duì)C4.5算法的改進(jìn)。相對(duì)應(yīng)的C4.5改進(jìn)算法的步驟如下:1.對(duì)數(shù)據(jù)源進(jìn)行數(shù)據(jù)預(yù)處理,將連續(xù)型的屬性變量進(jìn)行離散化處理形成決策樹(shù)的訓(xùn)練集(如果沒(méi)有連續(xù)取值的屬性則忽略)2.計(jì)算每個(gè)屬性的信息增益和信息增益率（1）計(jì)算屬性X的信息增益Gain(X)A.計(jì)算給定的訓(xùn)練數(shù)據(jù)集分類(lèi)的信息期望設(shè)為S個(gè)樣本的訓(xùn)練樣本集,共有m類(lèi)樣本(i=1,m),為類(lèi)中的樣本數(shù),計(jì)算公式為: （1）其中是任意樣本屬于的概率，可

12、用來(lái)估計(jì)。B.計(jì)算每個(gè)屬性的信息嫡。設(shè)屬性X具有v個(gè)不同的取值將S劃分為v個(gè)子集，其中包含中這樣一些樣本,它們?cè)赬上具有值。如果選擇X作為測(cè)試屬性,則這些子集就是從代表樣本集S的節(jié)點(diǎn)生長(zhǎng)出來(lái)的新的葉節(jié)點(diǎn)。設(shè)是子集中類(lèi)為的樣本數(shù)，則根據(jù)X劃分樣本的信息嫡值為: （2）其中： 是中類(lèi)為的樣本的概率。用試驗(yàn)的聯(lián)合信息熵來(lái)評(píng)價(jià)和選擇試驗(yàn)子序列即利用其它信息的嫡對(duì)當(dāng)前信息屬性的熵的影響，計(jì)算當(dāng)前信息屬性的熵。（公式想不出來(lái)）C.計(jì)算該屬性的信息增益率用屬性X劃分樣本集S后所得的信息增益值為: （3）計(jì)算屬性X的信息增益率 （4）3.根節(jié)點(diǎn)屬性每一個(gè)可能的取值對(duì)應(yīng)一個(gè)子集,對(duì)樣本子集遞歸地執(zhí)行以上過(guò)程,直

13、到劃分的每個(gè)子集中的觀測(cè)數(shù)據(jù)在分類(lèi)屬性上取值都相同，生成決策樹(shù)。4.根據(jù)構(gòu)造的決策樹(shù)提取分類(lèi)規(guī)則，對(duì)新的數(shù)據(jù)集進(jìn)行分類(lèi)。5.對(duì)決策樹(shù)進(jìn)行剪枝對(duì)決策樹(shù)上所有非葉節(jié)點(diǎn)進(jìn)行計(jì)算分析。從樹(shù)的根節(jié)點(diǎn)開(kāi)始,計(jì)算每個(gè)分枝節(jié)點(diǎn)被剪也即被葉替代后的誤判率。采用訓(xùn)練數(shù)據(jù)集作為測(cè)試集,取置信區(qū)間的上限作為對(duì)誤判率的估計(jì)。給定一個(gè)顯著性水平度。(C4.5算法中默認(rèn)=0.25)顯然錯(cuò)誤的總數(shù)服從二項(xiàng)分布，則有: （5）其中：為被修剪的子樹(shù)下的實(shí)例總數(shù),E為修剪后出現(xiàn)的錯(cuò)誤實(shí)例數(shù)，是實(shí)際觀測(cè)到的誤判率,為估計(jì)的誤判率。 令從_。,取置信區(qū)間的上限作為這個(gè)節(jié)點(diǎn)的誤判率的估計(jì)，則該節(jié)點(diǎn)的誤判率的計(jì)算公式: （6）設(shè)定期望誤判

14、率的最大值為C，若剪枝后估計(jì)的誤判率高于C時(shí)，則保留原來(lái)的分枝,否則剪去該分枝，用葉片代替。4.基于智能C4.5改進(jìn)學(xué)習(xí)算法的設(shè)備復(fù)雜故障診斷實(shí)現(xiàn)流程鐵路車(chē)站信號(hào)設(shè)備故障種類(lèi)繁多且分類(lèi)復(fù)雜,有些簡(jiǎn)單故障依靠微機(jī)檢測(cè)系統(tǒng)的實(shí)時(shí)監(jiān)測(cè)信息即可直接判斷故障原因，但大多數(shù)不具有規(guī)則性、邏輯性卻具有復(fù)雜性的故障例如混線故障（所謂混線故障指的是線路接錯(cuò)，信號(hào)沒(méi)有從指定的線路流過(guò)去，而從另一條線路流過(guò)；或者是2個(gè)獨(dú)立的電力系統(tǒng)電路的2條或多條不應(yīng)該相連接的線路接在一起）是無(wú)法依靠實(shí)時(shí)監(jiān)測(cè)信息直接判斷原因的，這些故障只有通過(guò)微機(jī)檢測(cè)系統(tǒng)大量的故障統(tǒng)計(jì)歷史記錄信息（故障統(tǒng)計(jì)實(shí)例信息），并結(jié)合實(shí)際技術(shù)人員的維修經(jīng)驗(yàn)

15、，借助建立智能分析系統(tǒng)來(lái)間接實(shí)現(xiàn)。理論表明C4.5改進(jìn)算法是一種智能算法，能較好的解決知識(shí)獲取“瓶頸”問(wèn)題，具有預(yù)測(cè)功能，而大量的研究及實(shí)際應(yīng)用智能分析系統(tǒng)開(kāi)發(fā)的實(shí)踐表明該算法是實(shí)現(xiàn)對(duì)復(fù)雜故障診斷的較好的方法。所以論文選用數(shù)據(jù)挖掘和智能分析的C4.5決策樹(shù)改進(jìn)學(xué)習(xí)算法,建立故障診斷知識(shí)庫(kù)，來(lái)實(shí)現(xiàn)對(duì)鐵路信號(hào)設(shè)備的故障的診斷。根據(jù)智能化決策樹(shù)學(xué)習(xí)算法的基本原理和實(shí)現(xiàn)步驟，結(jié)合鐵路車(chē)站信號(hào)設(shè)備故障診斷系統(tǒng)總體結(jié)構(gòu)設(shè)計(jì)的要求，我們建立了基于智能C4.5改進(jìn)學(xué)習(xí)算法的故障診斷實(shí)現(xiàn)流程，如圖4.1所示。圖4.1基于智能C4.5學(xué)習(xí)算法的鐵路信號(hào)設(shè)備故障診斷流程圖該診斷模塊實(shí)現(xiàn)過(guò)程是通過(guò)將監(jiān)測(cè)數(shù)據(jù)及歷史紀(jì)錄

16、數(shù)據(jù)進(jìn)行有效的字段選擇形成實(shí)例集，生成決策樹(shù)；然后將決策樹(shù)轉(zhuǎn)化為規(guī)則集，實(shí)現(xiàn)知識(shí)庫(kù)的建立，同時(shí)通過(guò)推理獲得維修提示信息,主要包括故障類(lèi)別、規(guī)則的精確度、故障原因和維修提示信息,從而完成該智能學(xué)習(xí)算法對(duì)故障診斷的實(shí)現(xiàn)。5.結(jié)論與展望本論文研究的重點(diǎn)是在智能學(xué)習(xí)算法的原理的基礎(chǔ)上對(duì)其在實(shí)際鐵路信號(hào)設(shè)備的故障診斷中的應(yīng)用加以實(shí)現(xiàn)，使得該智能學(xué)習(xí)算法更具實(shí)際應(yīng)用意義和價(jià)值。C4.5改進(jìn)決策樹(shù)學(xué)習(xí)算法可以應(yīng)用在鐵路信號(hào)設(shè)備故障診斷尤其是那些無(wú)法從邏輯上得出規(guī)則的故障的診斷中。該智能學(xué)習(xí)算法具有可以從一組無(wú)次序、無(wú)規(guī)則的實(shí)例（特殊知識(shí)）信息中歸納推理出領(lǐng)域知識(shí)的一般規(guī)則的特點(diǎn)，這種特點(diǎn)為其應(yīng)用在本身具有復(fù)

17、雜性的鐵路信號(hào)設(shè)備的故障診斷中提供了理論依據(jù)。在鐵路信號(hào)設(shè)備故障診斷中有些簡(jiǎn)單故障依靠微機(jī)檢測(cè)系統(tǒng)的實(shí)時(shí)監(jiān)測(cè)信息即可直接判斷故障原因,但對(duì)于那些不具有邏輯條理性的復(fù)雜故障分類(lèi)決策問(wèn)題，則可以通過(guò)采用數(shù)據(jù)挖掘統(tǒng)計(jì)和智能分析的C4.5改進(jìn)決策樹(shù)學(xué)習(xí)算法,建立故障診斷知識(shí)庫(kù),從而實(shí)現(xiàn)對(duì)復(fù)雜故障的智能診斷功能,得出趨勢(shì)故障,找出故障源，從而為解決鐵路信號(hào)設(shè)備的復(fù)雜故障診斷維修提供一個(gè)較為重要的參考。雖然本文中提出的智能學(xué)習(xí)算法可以為鐵路信號(hào)設(shè)備故障診斷提供一個(gè)有力的依據(jù),但是要將本設(shè)計(jì)中的基于智能學(xué)習(xí)算法的鐵路信號(hào)設(shè)備故障診斷模塊投入實(shí)際的鐵路信號(hào)設(shè)備故障診斷中還存在一些不足，需要不斷的完善。例如:該

18、智能學(xué)習(xí)算法本身可以根據(jù)實(shí)際的具體故障情況加以改進(jìn),這樣也許可以得到更符合實(shí)際的診斷結(jié)果。參考文獻(xiàn)1 Garcia E A,Frank P M.On the relationship between observer and parameter identification based on fault detection. Proc,Of IFAC World Congress.19962 Wang H.Fault defection and diagnosis for unknown nonlinear systems:a generalized framework via neural networks. Proc,Of IEEE Int.Con,On Intelligent Processing Systems.19973 Oeymayr Jose,Antonio Bogarin.Fault-tree analysis:a knowledge engineering approach. IEEE Transactions on Reliability.19954 Wu,M,Tang,Z.H,Gui,W.H.Expert Fault Diagnosis System for Leachin