[发明专利]一种基于机器学习的列车通信网络故障诊断方法

说明书

本发明涉及一种基于机器学习的列车通信网络故障诊断方法，建立包括主网络，网络信号采集装置，网络状态分析装置组成的列车通信网络实时状态感知与故障诊断系统模型。网络信号采集装置提取运行网络中的网络状态数据，并进行网络状态数据特征提取，为提高样本数据质量，采用基于距离的检测方法剔除数据离群点，并进行数据归一化处理，构成网络状态数据特征向量集。将机器学习引入列车通信网络实时状态感知与故障诊断中，构建列车通信网络诊断模型，有效的实现列车通信网络的故障诊断。

技术领域

本发明涉及列车车载网络系统健康管理领域，尤其涉及基于机器学习的列车通信网络故障诊断方法。

背景技术

列车通信网络承载着控制、状态检测与故障诊断等诸多信息的传输任务，作为高速列车的神经中枢，其自身的健康关乎整个列车的运行可靠性与安全性。现行总线式列车通信网络采用线路冗余与设备冗余并存的方式，针对已发生的网络故障采用设备切换、事后告警、降级运行的形式进行可靠性保障，故障处理过程中势必造成网络状态的波动甚至失效。下一代基于工业以太网的列车通信网络一般认为应采用并行冗余协议的方式，可以保证冗余切换及网络重构时间为零，但仍无法改变故障事后报警的现状。列车通信网络的维护管理仍局限于冗余切换、事后告警、不坏不修，缺乏完善的网络监视和管理功能，使得网络系统故障响应滞后，带来巨大的安全隐患。如现阶段CRH3型和CRH5型和谐号动车组列车网络设备故障率高，运行过程中的微小、间歇、复合故障难以定位和自愈，出现问题往往以完全拆换网络设备的方式解决，既造成了资源的浪费又不能定位和解决故障问题，为之后的列车运行留下了安全隐患。随着大数据技术的发展与故障诊断理论的革新，网络诊断从对故障和异常事件的被动反应向网络状态的实时感知与故障在线诊断方向发展。

支持向量机(SVM)是一种机器学习方法，是一种在分类与回归分析中分析数据的监督式学习模型与相关的学习算法，最原始的支持向量机是由弗拉基米尔·万普尼克和亚历克塞·泽范兰杰斯于1963年发明，当前流行的支持向量机由Cortes和Vapnik于1995年首先提出，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度，Accuracy)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以期获得最好的推广能力(或称泛化能力)。其基本方法是给定一组训练实例，每个训练实例被标记为属于两个类别中的一个或另一个，SVM训练算法创建一个将新的实例分配给两个类别之一的模型，使其成为非概率二元线性分类器。当数据未被标记时，需要用非监督式学习，它会尝试找出数据到簇的自然聚类，并将新数据映射到这些已形成的簇。

故障诊断始于设备故障诊断，其全名是状态监测与故障诊断。它包含两方面内容：一是对设备的运行状态进行监测；二是在发现异常情况后对设备的故障进行分析、诊断。设备故障诊断是随设备管理和设备维修发展起来的。美国以后勤学(Logistics)为指导；日本吸收二者特点，提出了全员生产维修(TPM)的观点。故障诊断理论和方法分类可归纳为2类：1)基于非模型的故障诊断理论和方法，如信号空间特征、模态和信息处理方法的诊断理论与方法；基于知识推理、人工智能、专家系统的诊断方法；基于模式识别和神经网络的诊断方法。2)基于系统数学模型和现代控制理论、方法的故障诊断理论和方法，也包括相互间的结合和集成。

利用列车通信网络故障诊断方法能够实时感知列车MVB网络状态，及时掌握列车MVB通信网络的实时运行状况，有效提高网络维护维修效率，及时做出维护策略，缩短维修时间降低维护保障费用。列车通信网络实时状态感知与故障诊断方法能够确定网络状态特征量，实时监测和收集网络运行状态数据，并基于状态数据对MVB网络进行故障诊断与故障识别。

发明内容

本发明的目的在于提供一种基于机器学习的列车通信网络故障诊断方法，在线网络数据采集装置采集列车网络通信状态数据，经数据预处理后，诊断中心通过机器学习算法中改进的支持向量机算法判断当前网络状态，实现网络故障诊断。