面向受電弓系統的綜合故障診斷決策方法

周亦人，邱小林，宋龍龍

（1.南昌理工學院，南昌 330044；2.中車青島四方機車車輛股份有限公司，青島 266111）

面向受電弓系統的綜合故障診斷決策方法

周亦人1，邱小林1，宋龍龍2

（1.南昌理工學院，南昌 330044；2.中車青島四方機車車輛股份有限公司，青島 266111）

針對故障診斷知識模糊不精確和決策沖突提出一種綜合故障診斷方法。采用故障樹建立網絡圖拓撲關系結構模型，并采用模糊影像圖對其進行改進，針對診斷過程中決策矛盾沖突，基于D-S證據理論計算各底事件決策矩陣及各事件之間模糊傳遞矩陣，綜合各mass函數計算得到系統狀態(tài)綜合診斷結論。最后，結合受電弓系統故障數據開展試驗驗證。

高速列車；故障樹分析；模糊影響圖；D-S證據理論

0 引言

高速列車的安全可靠運行直接關系到高速、重載鐵路運輸的安全與效益[1]，其檢修診斷工作中形成了海量故障診斷領域知識，可為高速列車智能診斷提供豐富的數據基礎。但是，歷史積累形成的大量專家知識存在非常嚴重的多源異構性和模糊不確定性。高速列車五級檢修分散于多地不同部門，造成專家綜合診斷過程中存在決策矛盾與沖突。

國內外多源異構信息決策融合與綜合診斷方面已開展了大量有效研究，研究較多的主要有模糊集、粗糙集、證據理論、神經網絡等理論[2～4]。故障樹分析和神經網絡是應用較為成熟廣泛的方法。但是，故障樹分析屬于事件關系間的定性分析，定量計算中一旦涉及到大型復雜系統，會產生嚴重的“爆炸組合”現象而失去工程應用價值[5]。

針對我國高速列車診斷維修中多源異構診斷知識不精確不完整和多群體診斷專家異地分布造成的綜合診斷決策融合沖突等問題，結合故障樹分析、模糊影像圖傳遞算法和D-S證據理論提出一種多智能體（MAS）綜合診斷方法。實地選取我國CRH2型高速列車2011年11月至2015年3月檢修維護數據開展試驗驗證。

1 故障樹的模糊影響圖表示及模糊矩陣傳遞算法

模糊影響圖是一種系統風險分析評價方法[6]，表達直觀且易于理解，采用模糊理論描述事件節(jié)點狀態(tài)、頻率及時間節(jié)點之間傳遞關系，可有效開展動態(tài)傳遞過程數學化描述。在利用模糊影響圖改進故障樹建模的過程中，模糊影響圖中的決策節(jié)點、隨機節(jié)點與價值節(jié)點分別對應故障樹中的底事件、中間事件和頂事件。分析過程首先根據專家歷史知識構建決策節(jié)點（即底事件X）的模糊頻率矩陣FX，然后分析隨機節(jié)點與決策節(jié)點之間（即中間事件M與底事件X之間）、隨機節(jié)點與價值節(jié)點（即中間事件M與頂事件T）之間的模糊關系，分別構建模糊關系矩陣RX→M和RM→T，并將模糊頻率矩陣傳遞到價值節(jié)點（即頂事件T）。

圖1 故障樹的模糊影響圖表示

圖1中底事件X、中間事件M和頂事件T分別為非空集合，模糊集合RX→M和RM→T分別為從X到M和從M到T的模糊關系，例如：

其中°為主因素決定型模糊合成算子，合成結果只考慮起主要作用因素。

2 基于D-S證據理論的MAS多群體專家綜合決策原理

D-S證據理論是由Glenn Shafer在上下概率及其合成規(guī)則基礎上建立并發(fā)展起來的，用取值在[0,1]之間的信度函數和似然函數組成區(qū)間表示決策者在給定證據下對假設或命題的信念，并用Dempster合成規(guī)則對不同證據產生的信念進行綜合[7,8]。

假定任意兩個證據是完全獨立的，在識別框架Θ上mass函數分別為m1和m2，則其證據組合為：

多個智能體MAS共同決策時，首先將不同專家群體分別作出的模糊決策矩陣DX利用模糊關系傳遞到中間事件節(jié)點，得到中間事件節(jié)點的模糊群決策矩陣DM，得到頂事件節(jié)點的模糊群決策矩陣DT，最終利用D-S證據理論對DT專家結論進行集結和統一。

通過以上過程，采用故障樹對故障間復雜關系進行建模表示，利用模糊影響圖對故障樹進行優(yōu)化改進，用以表示故障知識的模糊性和動態(tài)傳遞特性。最后利用證據理論在多群體綜合決策優(yōu)勢對決策沖突和矛盾進行消解，得到多群體專家MAS綜合診斷結果。

3 試驗驗證計算結果分析

我國CRH2型高速列車自2007年4月18日投入運行，已形成故障診斷領域知識包括專家結論約800條、重要信息反饋約5000條、故障日報記錄約40000條、WTD列車狀態(tài)數據記錄近3000萬條。為保證實驗過程真實有效和分析結論的可靠性，實地選取某主機廠CRH2型高速列車2012.12-2015.05故障診斷與維護數據，對前文所提算法開展算例分析與驗證。選取CRH2型高速列車高壓牽引系統中主要部件受電弓主要典型故障為例建立模糊影響圖如圖2所示。

圖2 CRH2型高速列車受電弓模糊影響圖

根據CRH2型高速列車故障診斷檢修現狀，故障領域專家主要來自動車段、檢修基地、主機廠和供應商四處，分別選取四種不同類型的專家群體組成證據體E={e1,e2,e3,e4}。由于四個專家群體來自不同的領域部門，因此可認定各專家群體相對獨立且在決策中起到的作用相同。底事件狀態(tài)劃分越精細，最后得到的評價決策越精確，因此將其狀態(tài)劃分為“很強”、“強”、“一般”、“弱”、“很弱”五個等級，對應的模糊可能性采用梯形模糊數進行表示。根據歷史故障領域知識統計，四類群體專家對受電弓故障樹中各個底事件模糊狀態(tài)評價如表1所示。

通過表1可得到不同群體專家對受電弓故障樹中各個底事件的群決策矩陣，如：

表1 受電弓故障樹中底事件的模糊狀態(tài)

根據各群體專家歷史經驗統計，得到各個底事件與中間事件及各中間事件與頂事件之間的傳遞關系模糊矩陣和模糊關系矩陣。例如，底事件x1與中間事件M1之間的模糊關系矩陣：

分別計算得到四個專家群體對各個中間事件的梯形模糊數群決策矩陣DMi(i=1～4)。

受電弓系統故障樹頂事件T的群決策矩陣DT為：

DT中的概率值大小代表了各個專家群體對不同狀態(tài)的信任程度，因此可將此群決策矩陣DT中的每一行看作為各個群體專家的初始mass函數。若要對不同群體專家的決策意見進行集結，必須先對每個mass函數進行歸一化處理得到結果為：

對四個異地群體專家對受電弓系統狀態(tài)的評價決策結論進行融合，可得到系統可能存在的四種狀態(tài)的可能性分別為：

不同專家群體決策意見融合后結果顯示，系統處于輕微故障狀態(tài)的可能性為0.6971，處于嚴重故障狀態(tài)的可能性為0.2845，系統狀態(tài)不確定的概率可能性由最高0.1765降低到0.016。群決策診斷結果比任何一個單獨專家群體決策結論更加明確，進一步降低了診斷結果的不確定性。

4 結論

對我國高速列車故障診斷檢修現狀及其存在的問題進行分析，利用故障樹建立起復雜系統故障關系的網絡拓撲結構，結合模糊影響圖的動態(tài)傳遞特性對故障樹模型進行優(yōu)化改進，建立了復雜系統內故障動態(tài)傳遞模糊算法。

通過CRH2型高速列車實際運用診斷數據開展試驗驗證，得到受電弓系統四種狀態(tài)的可能性概率，并將綜合診斷決策結論與單個專家群體診斷決策結論進行了對比，對比結果顯示本文所提算法較大程度降低了系統狀態(tài)診斷決策的不確定性。

【】【】

[1] 宋龍龍,王太勇,宋曉文,等.多源異構知識環(huán)境下受電弓模糊智能故障診斷[J].儀器儀表學報,2015,36(6):1283-1290.

[2] HELGE L, LUIGI P.Bayesian networks in reliability[J]. Reliability Engineering and System Safety, 2007,92:92-108.

[3] Long-long Song,Tai-yong Wang, Xiao-wen Song,Lei Xu, and De-gang Song. Research and Application of FTA and Petri Nets in Fault Diagnosis in the Pantograph-Type Current Collector on CRH EMU Trains[J].Mathematical Problems in Engineering, 2015,2015:1-12.

[4] 姚成玉,李男,馮中魁,等.基于粗糙集屬性約簡和貝葉斯分類器的故障診斷[J].中國機械工程,2015,26(14):1969-1977.

[5] 宋龍龍,王太勇,宋曉文,等.基于Petri網建模與FTA的動車組受電弓故障診斷[J].儀器儀表學報,2014,35(9):1990-1997.

[6] E Zio.Reliability engineering:Old problems and new challenges[J]. Reliability Engineering and System Safety,2009,94:125-141.

[7] 姜潮,張哲,韓旭,等.一種基于證據理論的結構可靠性分析方法[J].力學學報,2013,45(1):103-115.

[8] J. JAISE, N.B.AJAY KUMA, N. SIVA SHANMUGAM, et al. Power system:a reliability assessment using FTA[J].Int J Syst Assur Eng Manag,2013,4(1):78-85.

Comprehensive fault diagnosis and decision method for current collector

ZHOU Yi-ren1, QIU Xiao-lin1, SONG Long-long2

TH17；TH279.3+23

A

1009-0134(2016)12-0061-03

2016-08-26

周亦人（1953 -），男，江西宜春人，高級工程師，學士，研究方向為嵌入式系統、計算機網絡、工業(yè)電氣化與自動化。