[发明专利]基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法

说明书

本发明提供了一种基于粗糙集‑神经网络模型的列控车载设备故障分类与识别方法。该方法包括：根据由列控车载设备故障日志文件分析整理的故障案例库，挖掘出故障种类和故障代码之间的对应关系，对故障案例库中的故障代码和故障种类进行编码，生成最初决策表，确定分类规则；运用RST对最初决策表进行属性约简，生成最终决策规则；基于最终决策规则构建神经网络模型，利用神经网络模型实现对列控车载设备的故障识别。本发明提出了一种神经网络结合粗糙集理论的故障分类与识别方法，解决了含有高噪声列控车载设备文本故障数据的故障识别率低及不完备知识处理能力差等问题，可以保证列控车载设备的故障分类识别的准确性。

技术领域

本发明涉及列控车载设备故障识别技术领域，尤其涉及一种基于粗糙集- 神经网络模型的列控车载设备故障分类与识别方法。

背景技术

故障诊断技术一直是工程应用领域的一大重点和难点，因此，大量的研 究工作已经展开，并取得重大的成果。

随着研究的不断深入，故障诊断技术逐渐发展成为一门较成熟的学科， 但是由于列车运行控制系统的特点，真正适用于列控系统的故障诊断方法并 不多，主要有故障树、专家系统、贝叶斯网络等，但都是基于系统级别，处 理基于文本数据类的列控车载设备故障时并不占优势，并存在故障分辨率不 高、对不确定知识的处理能力差的缺点。

目前，现有技术中的列控车载设备的故障诊断与定位主要依赖大量维修 人员的人工诊断，费时费力，并且诊断准确率低。

发明内容

本发明的实施例提供了一种基于粗糙集-神经网络模型的列控车载设备的 故障识别方法，以实现有效地进行列控车载设备的故障诊断。

为了实现上述目的，本发明采取了如下技术方案。

一种基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法，包 括：

根据由列控车载设备故障日志文件分析整理的故障案例库，挖掘出故障 种类和故障代码之间的对应关系，对所述故障案例库中的故障代码和故障种 类进行编码，生成最初决策表，确定故障分类规则；

运用RST对所述最初决策表进行属性约简，生成最终决策规则；

基于所述最终决策规则构建基于神经网络的故障诊断系统，利用所述基 于神经网络的故障诊断系统实现对列控车载设备的故障识别。

进一步地，所述的根据由列控车载设备故障日志文件分析整理的故障案 例库，挖掘出故障种类和故障代码之间的对应关系，包括：

根据工区记录统计的日交接班记录表获取列控车载设备的故障日志文本 数据，从所述故障日志文本数据中提取出列控车载设备的故障数据，生成包 含故障信息的故障数据汇总表，将该故障数据汇总表作为故障案例库；

根据所述故障案例库统计出故障数据中的每种故障种类所对应的故障代 码个数及故障代码表述，所述故障种类包括列控车载设备的BTM应答器传输 单元和TIU列车接口单元的相关故障，所述故障代码是故障日志文本数据中 记录列控车载设备运行状态的自然描述语言。

进一步地，所述的对所述故障案例库中的故障代码和故障种类进行编 码，生成最初决策表，包括：

(1)确定列控车载设备故障诊断的对象：{BTM，TIU}；

(2)对BTM和TIU对应的故障代码分别进行字母编码：Φ＝(A,B,C,…)， 其中，A、B、C…分别代表一种故障代码，Φ表示条件属性，每种故障代码 的Φ取值为0或1，其中，1代表样本故障中存在该种故障代码，0代表不存 在该种故障代码；

(3)对BTM和TIU对应的故障种类分别进行数字编码：d＝(1,2,…,n)， 其中d表示决策属性，n为BTM、TIU所出现的故障种类数量；