[发明专利]一种基于复杂网络的高速列车系统安全评估方法

摘要

本发明公开了属于高速列车系统安全技术领域的一种基于复杂网络的高速列车系统安全评估方法，该方法包括如下步骤(1)构建高速列车系统物理结构网络模型，基于网络模型构建节点功能属性度；(2)提取部件的功能属性度、失效率、平均无故障时间作为输入量，并利用LIBSVM软件进行SVM训练；(3)进行加权kNN‑SVM判断对于无法分类的样本点进行判断，得出高速列车系统的安全性等级。对于物理结构及运行情况复杂的高速列车系统，该方法能够解决当系统中部件状态发生变化后对系统安全性影响程度的评估。实验结果表明该算法的精确度高，实用性好。

主权项

一种基于复杂网络的高速列车系统安全评估方法，其特征在于，包括下述步骤：步骤一，根据高速列车物理结构关系，构建高速列车网络模型G(V,E)，1.1.将高速列车系统中的部件抽象为节点，即V＝{v1,v2,…,vn}，其中V为节点集合，vi为高速列车系统中的节点，n为高速列车系统中节点的个数；1.2.部件与部件之间存在的物理连接关系抽象为连接边，即E＝{e12,e13,…,eij}，i,j≤n；其中E为连接边的集合，eij为节点i和节点j之间的连接边；1.3.基于高速列车网络模型，计算节点的功能属性度值节点i的功能属性度为d~i=λi*ki---(1)]]>其中λi为节点i的失效率，ki为复杂网络理论中节点i的度，即与该节点相连的边数；步骤二，通过对高速列车运营故障数据分析，结合高速列车系统的物理结构，提取部件的功能属性度值失效率λi、平均无故障时间MTBF作为训练样本集，对训练样本集进行归一化处理：2.1.失效率λi的计算公式为2.2.平均无故障时间MTBF由故障数据中记录的故障时间得出，即2.3.利用支持向量机SVM对样本进行训练；步骤三，利用kNN‑SVM对样本进行安全等级划分；3.1.对k个安全等级的训练样本进行两两分区，针对个SVM分类器，分别建立最优分类面，其表达式如下：fij(x)=sgn(Σt=1latytK(xij,x)+bij)---(2)]]>其中，l为第i个安全等级和第j个安全等级的样本数，K(xij,x)为核函数，x为支持向量，at为SVM的权值系数，bij为偏移系数；yt为高速列车安全等级；3.2.对于待测部件，分别组合上述两类分类器，并使用投票法，对部件所属的安全等级进行计票；得票最多的类，则为该部件所属安全等级；3.3.由于高速列车系统运行环境复杂，因此，利用SVM分类时容易出现无法分类的情况，因此定义基于加权kNN的判别函数，对部件重新进行安全等级划分，具体步骤如下：训练集{xi,yi}，…，{xn,yn}中，共有l个安全等级即ca1，ca2，…，cal，第i个安全等级的样本中心为其中ni为第i个安全等级的样本数，则部件xj到第i个安全等级样本中心的欧式距离为d(xj,oi)=Σm=13(xjm-cim)2---(3)]]>式中：xjm为测试样本中第j个样本点的第m个特征属性；cim为第i类样本中心中第m个特征属性；定义距离判别函数si(x)=max(d(x,c))-d(x,ci)max(d(x,c))-min(d(x,c))---(4)]]>定义基于加权kNN的不同类别的样本紧密度为μi(x)=1-Σj=1mui(x(j))d(x,x(j))Σj=1md(x,x(j))---(5)]]>其中：m为k个近邻的个数；ui(x)为测试样本属于第i个训练数据的紧密度隶属度；ui(x(j))为第j个近邻属于第i个安全等级的隶属度，即则样本点的分类判别函数为di(x)＝si(x)×μi(x)   (6)计算样本属于各个安全等级的紧密度di(x)，di(x)值最高的类别为样本点预测结果。