基于本體構(gòu)建的列車(chē)信息系統(tǒng)分析方法

吳士林

摘要： 論文在闡述列車(chē)信息領(lǐng)域本體構(gòu)建方法的基礎(chǔ)上提出了一種數(shù)理邏輯相關(guān)性分析模型。作為人工智能應(yīng)用的基礎(chǔ)性研究，該方法通過(guò)對(duì)本體不同層次節(jié)點(diǎn)相互屬性進(jìn)行相關(guān)性描述，為節(jié)點(diǎn)關(guān)系的邏輯推導(dǎo)提供了數(shù)學(xué)模型。基于該模型構(gòu)建的本體本身具有知識(shí)學(xué)習(xí)能力，能夠適應(yīng)不同的運(yùn)營(yíng)場(chǎng)景和不斷變化的應(yīng)用環(huán)境。本論文所提出的本體構(gòu)建方法適用于各種領(lǐng)域本體，因此，我們希望論文采用的理論模型及方法能夠推進(jìn)大數(shù)據(jù)應(yīng)用的相關(guān)研究，為故障診斷及維護(hù)、生產(chǎn)管理、運(yùn)營(yíng)及風(fēng)險(xiǎn)評(píng)估等問(wèn)題的解決方案提供新的思路。

關(guān)鍵詞：機(jī)器學(xué)習(xí)；預(yù)測(cè)性維護(hù)；知識(shí)邏輯；大數(shù)據(jù)分析

中圖分類(lèi)號(hào)：TP 311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）11-0201-02

Analysis on Train Information Using an Ontology Based Modelling Approach

WU Shi-lin

（CRRC Qingdao Sifang Co.Ltd.， Qingdao 266111， China）

Abstract： By establishing the ontology in the field of train information， this paper proposes a correlation analysis model based on mathematical logic， which may provide better understand to the semantic web. As a basic research of artificial intelligence applications， this method describes the interrelationships between the attributes of nodes at different levels in the ontology， and provides a mathematical model for the logical reckoning. The ontology established based on this model has its own knowledge-based learning ability and can adapt to changing train environments and even different operating scenarios， which make the ontology establishment method proposed in this paper applicable to various domain ontology. The theoretical models and methods adopted in this thesis could promote the relevant research of big data application and provide new solution for fault diagnosis and maintenance， production management， operation and risk assessment.

Key word： Machine Learning； Predictive Maintenance； Knowledge Logic；Big Data

列車(chē)的智能化是基于狀態(tài)感知對(duì)設(shè)備的運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)、預(yù)警和管理的復(fù)雜系統(tǒng)工程，通過(guò)對(duì)實(shí)時(shí)數(shù)據(jù)和歷史數(shù)據(jù)進(jìn)行分析，大幅提高運(yùn)維效率，降低人力和時(shí)間成本。為推進(jìn)智能軌道交通的發(fā)展，歐洲鐵路產(chǎn)業(yè)聯(lián)盟（UNIFE）聯(lián)合40余家軌道交通裝備制造和運(yùn)營(yíng)商自2005年啟動(dòng)新一代列車(chē)信息系統(tǒng)研究計(jì)劃，并于2010年正式發(fā)布了InteGRrail體系[1]。InteGRrail解決方案嘗試通過(guò)對(duì)軌道交通的智能診斷、信息傳輸、數(shù)據(jù)處理和評(píng)估標(biāo)準(zhǔn)等進(jìn)行規(guī)范，為下一代高速列車(chē)運(yùn)維體系提供更先進(jìn)的解決方案。國(guó)內(nèi)具有代表性的軌道交通智能化方案可以參考北京交通大學(xué)賈利民教授提出的RITS體系，該體系系統(tǒng)闡述了通過(guò)盡可能的高效利用鐵路相關(guān)的資源，以較低成本達(dá)到保障可靠性、提高運(yùn)輸效率、改善經(jīng)營(yíng)管理和提高服務(wù)質(zhì)量目的的新一代鐵路運(yùn)輸系統(tǒng)[2]。作為我國(guó)軌道交通技術(shù)發(fā)展的長(zhǎng)遠(yuǎn)規(guī)劃，RITS體系以實(shí)現(xiàn)信息采集、傳輸、處理和共享為基礎(chǔ)，集成了先進(jìn)的信息處理技術(shù)、通信技術(shù)、控制與系統(tǒng)技術(shù)、計(jì)算智能與決策支持技術(shù)等。

從20世紀(jì)90年代以來(lái)，本體作為近年來(lái)計(jì)算機(jī)及相關(guān)領(lǐng)域普遍關(guān)注的一個(gè)研究熱點(diǎn)，已被廣泛應(yīng)用于知識(shí)工程、系統(tǒng)建模、信息處理、語(yǔ)義網(wǎng)等領(lǐng)域，用來(lái)在語(yǔ)義和知識(shí)層次上描述信息系統(tǒng)的概念模型建模工具[3，4]。研究人員從各自的專(zhuān)業(yè)角度出發(fā)對(duì)本體的理論和應(yīng)用進(jìn)行了深入研究，取得了豐富的研究成果。目前，應(yīng)用較多的構(gòu)建本體的方法主要有IDEF法、骨架法、TOVE法、Methontology方法和斯坦福大學(xué)的七步法等[5]。針對(duì)各種各樣的本體存在各種不同的分類(lèi)方法，如何大規(guī)模的構(gòu)造和維護(hù)本體，該領(lǐng)域研究尚處于探索階段，還沒(méi)有形成成熟的方法論，尤其對(duì)于領(lǐng)域本體，目前還主要依賴(lài)手工構(gòu)建，相對(duì)復(fù)雜繁瑣的本體建設(shè)依然是制約行業(yè)應(yīng)用發(fā)展的重要因素 [6，7]。

綜上所述，本論文以列車(chē)信息系統(tǒng)為例，提出了一種構(gòu)建領(lǐng)域本體的新方法和數(shù)學(xué)模型。該模型可以用來(lái)作為大數(shù)據(jù)環(huán)境下領(lǐng)域本體解決故障診斷及維護(hù)、生產(chǎn)管理、運(yùn)營(yíng)及風(fēng)險(xiǎn)評(píng)估的基礎(chǔ)。

1 列車(chē)信息系統(tǒng)分層

如圖1所示，為了對(duì)列車(chē)信息系統(tǒng)領(lǐng)域本體進(jìn)行定義和規(guī)范，處于開(kāi)發(fā)需要可以遵循先分析再綜合的思路，先將其從鐵路行業(yè)領(lǐng)域本體中獨(dú)立出來(lái)，完善之后再考慮與鐵路行業(yè)其他領(lǐng)域本體間的接口?？紤]列車(chē)運(yùn)營(yíng)情況判定、網(wǎng)絡(luò)子系統(tǒng)集成和故障診斷等潛在需求，現(xiàn)將整網(wǎng)列車(chē)信息系統(tǒng)分為以下5層：領(lǐng)域?qū)樱熊?chē)層，子系統(tǒng)層，特征層，故障層。各個(gè)層次的本體節(jié)點(diǎn)含義如下：

列車(chē)信息系統(tǒng)層：該層為鐵路行業(yè)領(lǐng)域本體頂層節(jié)點(diǎn)的子節(jié)點(diǎn)，列車(chē)信息系統(tǒng)領(lǐng)域節(jié)點(diǎn)的頂層節(jié)點(diǎn)，定義了列車(chē)信息系統(tǒng)將來(lái)在語(yǔ)義網(wǎng)中的位置。

列車(chē)層：該層為整網(wǎng)列車(chē)的集合，其中節(jié)點(diǎn)的每個(gè)實(shí)例為唯一識(shí)別代號(hào)（如列車(chē)出廠號(hào)）。該層次確定了以列車(chē)為對(duì)象的數(shù)據(jù)集，方便將大數(shù)據(jù)分析結(jié)果定位到在運(yùn)行的每一個(gè)列車(chē)。值得一提的是，該層設(shè)計(jì)須從整個(gè)列車(chē)網(wǎng)絡(luò)考慮，將未來(lái)的動(dòng)車(chē)組、普通列車(chē)、貨車(chē)、城際和地鐵車(chē)輛集成為一個(gè)整系統(tǒng)。

子系統(tǒng)層：該系統(tǒng)考慮列車(chē)的網(wǎng)絡(luò)子系統(tǒng)構(gòu)成，為動(dòng)車(chē)組、普通列車(chē)、貨車(chē)、城際和地鐵車(chē)輛等網(wǎng)絡(luò)子系統(tǒng)的集合，該層次節(jié)點(diǎn)考慮按功能劃分，能夠兼容不同子系統(tǒng)生產(chǎn)廠家產(chǎn)品的差異性。

特征層：該層節(jié)點(diǎn)主要描述從車(chē)輛總線提取出的異常特征，節(jié)點(diǎn)本身需要有明確的定義，為了保證計(jì)算機(jī)處理的效率和一致性，節(jié)點(diǎn)之間需要有明確的區(qū)分。

故障層：該層節(jié)點(diǎn)描述詳細(xì)的故障報(bào)警信息，同特征層一樣，節(jié)點(diǎn)本身需要有明確的定義，節(jié)點(diǎn)間需要明確區(qū)分。故障層節(jié)點(diǎn)可以根據(jù)故障的嚴(yán)重性區(qū)分等級(jí)，例如嚴(yán)重故障，一般故障，預(yù)測(cè)性故障等。

2 領(lǐng)域本體關(guān)聯(lián)屬性描述

領(lǐng)域本體節(jié)點(diǎn)的關(guān)聯(lián)屬性是雙向的，這里用字母P表示屬性，則節(jié)點(diǎn)A到節(jié)點(diǎn)B的相關(guān)性為P（AB），同理，節(jié)點(diǎn)B到節(jié)點(diǎn)A的相關(guān)性為P（BA）。列車(chē)信息系統(tǒng)節(jié)點(diǎn)之間邏輯性較強(qiáng)，尤其是特征層與故障層之間，為了綜合考慮各個(gè)節(jié)點(diǎn)間的關(guān)系并增強(qiáng)本體的可維護(hù)性，假定相鄰層之間節(jié)點(diǎn)兩兩雙向互相關(guān)聯(lián)，如表1所示（P（AB）， P（BA））。

節(jié)點(diǎn)之間屬性值的定義一方面需要考慮故障排查的最優(yōu)化路徑選擇，另一方面在找到最終故障源時(shí)能夠給出該故障出現(xiàn)在特定情況下的概率。屬性值另外一個(gè)非常關(guān)鍵的作用是支持系統(tǒng)學(xué)習(xí)，也就是說(shuō)，在計(jì)算機(jī)給出特定情況下故障發(fā)生概率的基礎(chǔ)上，計(jì)算機(jī)能夠主動(dòng)地修改相關(guān)節(jié)點(diǎn)間的屬性值，以適應(yīng)不同的和不斷變化的列車(chē)運(yùn)營(yíng)環(huán)境。

基于上述考慮，這里給出屬性值的值域范圍為P（AB）∈[-1，1]，其含義如下：

P（AB）= -1時(shí)，節(jié)點(diǎn)A和節(jié)點(diǎn)B的實(shí)例負(fù)相關(guān)，且有

?A→?B

P（AB）∈（-1，0），節(jié)點(diǎn)A和節(jié)點(diǎn)B的實(shí)例負(fù)相關(guān)，即有

?A→?B

屬性值表示相關(guān)性大小，屬性值絕對(duì)值越大相關(guān)性越大。

P（AB）= 0，節(jié)點(diǎn)A和節(jié)點(diǎn)B的實(shí)例不相關(guān)，即有

A?B，且A??B

P（AB）∈（0，1），節(jié)點(diǎn)A和節(jié)點(diǎn)B的實(shí)例正相關(guān)，即有

?A→B

屬性值表示相關(guān)性大小，屬性值絕對(duì)值越大相關(guān)性越大。

P（AB）= 1，節(jié)點(diǎn)A和節(jié)點(diǎn)B的實(shí)例正相關(guān)，且有

?A→B

由定義可以看出，領(lǐng)域本體的節(jié)點(diǎn)關(guān)聯(lián)屬性遵循概率學(xué)和邏輯學(xué)的基本規(guī)則，相關(guān)運(yùn)算可參照相關(guān)數(shù)學(xué)定理，這里不再贅述。

基于該模型的學(xué)習(xí)過(guò)程可以概括如下：

（1） 在未有任何相關(guān)節(jié)點(diǎn)屬性信息前，所有屬性值都預(yù)設(shè)為0；

（2） 當(dāng)一個(gè)故障發(fā)生時(shí)進(jìn)行故障推導(dǎo)（按照已有本體屬性表優(yōu)化路徑，若沒(méi)有找到故障則進(jìn)行全網(wǎng)搜索），找到故障源后統(tǒng)計(jì)出該故障路徑發(fā)生的概率；

（3） 根據(jù)上一步的概率值自動(dòng)計(jì)算更新屬性表；

（4） 重復(fù)（2）、（3）步驟。

一個(gè)本體屬性表本質(zhì)上是N-1個(gè)矩陣的集合（N為本體層數(shù)），列車(chē)信息系統(tǒng)各個(gè)層次的屬性分別用λ1、λ2、λ3、λ4表示，則根據(jù)上面的例子，列車(chē)信息系統(tǒng)各層次之間的屬性表可以用λ表達(dá)如下：

[λ1=（α，α′）] （1）

[λ2=（β1，1，β′1，1）（β1，2，β′1，2）（β1，3，β′1，3）...] （2）

[λ3=σ1，1，σ′1，1σ1，2，σ′1，2σ1，3，σ′1，3...σ2，1，σ′2，1σ2，2，σ′2，2σ2，3，σ′2，3...σ3，1，σ′3，1σ3，2，σ′3，2σ3，3，σ′3，3...............] （3）

[λ4=τ1，1，τ′1，1τ1，2，τ′1，2τ1，3，τ′1，3...τ2，1，τ′2，1τ2，2，τ′2，2τ2，3，τ′2，3...τ3，1，τ′3，1τ3，2，τ′3，2τ3，3，τ′3，3...τ4，1，τ′4，1τ4，2，τ′4，2τ4，3，τ′4，3...............] （4）

[λ=λ1λ2λ3λ4] （5）

從上述示例中可以看出：（1）P（AB）與P（BA）之間沒(méi)有必然相等的關(guān)系，例如我們把屬性值理解為概率事件的話，故障 “牽引系統(tǒng)入水口水壓過(guò)低”是由特征“牽引系統(tǒng)水壓大于N”引起的概率為τ4，3，但特征“牽引系統(tǒng)水壓大于N”會(huì)導(dǎo)致故障 “牽引系統(tǒng)入水口水壓過(guò)低”的概率則為τ'4，3，一般意義上來(lái)說(shuō)τ4，3 ≠ τ'4，3；（2）歷史故障統(tǒng)計(jì)數(shù)據(jù)可以為節(jié)點(diǎn)間屬性值提供參考，從而使系統(tǒng)通過(guò)自主知識(shí)學(xué)習(xí)獲得進(jìn)化；（3）通常完整的領(lǐng)域本體節(jié)點(diǎn)數(shù)量相當(dāng)大，但絕大多數(shù)節(jié)點(diǎn)間的屬性值（P（AB），P（BA））均為（0，0）。利用這個(gè)特點(diǎn)，一方面可以簡(jiǎn)化本體構(gòu)建的復(fù)雜度，另一方面可以通過(guò)壓縮矩陣節(jié)省計(jì)算機(jī)存儲(chǔ)空間；（4）基于屬性值的優(yōu)化故障推導(dǎo)算法可以存儲(chǔ)、優(yōu)化有效查詢(xún)路徑，提高計(jì)算效率。

3 結(jié)語(yǔ)

本文提出了一種構(gòu)建領(lǐng)域本體的新方法，為解決領(lǐng)域本體邏輯推導(dǎo)問(wèn)題提供新的思路。論文中構(gòu)建的模型能夠具有知識(shí)學(xué)習(xí)能力，可以作為智能化列車(chē)信息系統(tǒng)故障診斷，運(yùn)營(yíng)維護(hù)，系統(tǒng)整合的具體解決方案。模型具有較強(qiáng)的兼容性和可擴(kuò)展性，也可以用于其他有大數(shù)據(jù)應(yīng)用需求行業(yè)的領(lǐng)域本體的構(gòu)建和分析。

參考文獻(xiàn)：

[1] InteGrail. Publishable final activity report[R]. 2010.

[2] 賈利民，秦勇，李平. 新一代軌道交通智能運(yùn)輸系統(tǒng)總體框架與關(guān)鍵技術(shù)[J].經(jīng)營(yíng)與管理，2015，14-19.

[3] R.Shingler， G.Fadin， P.Umiliacchi. From RCM to predictive maintainance： the InteGRail approach[C]. the 4th IET International Conference on Railway Condition Monitoring， 2008.

[4] 陳勇. 基于本體的智能電網(wǎng)歷史與實(shí)時(shí)數(shù)據(jù)流查詢(xún)研究[D].北京：華北電力大學(xué)， 2013.

[5] Grigoris Antoniou， Paul Groth， Frank van Harmelen， et al. A Semantic Web Primer[M]， 2014.

[6] Paolo Umiliacchi， David Lane， Felice Romano. Predictive maintenance of railway subsystems using an ontology based modelling approach[C]. the 9th World Conference on Railway Research， France， 2011.

[7] C.Brignone， C.De Ambrosi， M. De Luca. Engineering knowledge-based condition analyzers for on-board intelligent fault classification：a case study[C].the 4th IET International Conference on Railway Condition Monitoring， 2008.