一种基于时间序列分析的轨道交通故障诊断方法和系统技术方案

本发明专利技术涉及一种基于时间序列分析的轨道交通故障诊断方法和系统。该方法包括：1)采集轨道交通信号设备的历史和实时监测数据；2)根据历史数据生成初始的时间序列曲线的参数模型，得到故障的判别参数；3)根据实时数据重新调整时间序列曲线的参数模型的参数，得到当前环境条件下的故障判别参数；4)对于当前环境条件下的时间序列曲线数据，通过步骤3)得到的故障判别参数进行故障预警，输出预警结果；5)利用步骤2)得到的故障判别参数训练故障分类器，对于步骤4)所述预警结果中的故障曲线，将提取的曲线模型参数输入到故障分类器，得到故障诊断结果。本发明专利技术能够有效解决人工诊断铁路信号系统故障时工作量大、效率低、风险高等问题。

【技术实现步骤摘要】
一种基于时间序列分析的轨道交通故障诊断方法和系统
本专利技术属于轨道交通信息
，具体涉及一种基于时间序列分析的轨道交通故障诊断方法和系统。
技术介绍
目前,轨道交通(国有铁路、企业铁路和城市轨道交通)领域的监测维护产品主要有三类：CSM(信号集中监测系统)、各设备维护机、通信网管系统。为了提高我国铁路信号系统设备的现代化维修水平，从90年代开始，我国先后自主研制了TJWX-I型和TJWX-2000型等不断升级中的信号集中监测CSM系统。目前大部分车站都采用了计算机监测系统，实现了对车站信号设备状态的实时监测，并通过监测与记录信号设备的主要运行状态，为电务部门掌握设备的当前状态和进行事故分析提供了基本依据，发挥了重要作用。并且，对城市轨道交通信号设备，集中监测CSM系统也被广泛部署在城轨集中站/车辆段等处，供城轨运维使用。此外，伴随我国高速铁路的建设发展，高铁特有的RBC系统、TSRS系统、ATP系统，也面临着纳入信号集中监测系统的需求，也面临着提高其监测能力、运维能力，以及设备自诊断能力的需求。数据挖掘分析是利用统计分析的数学知识，分析文本、图像、数值等数据，发现数据的隐含规则、关系，建立数据模型，用于对数据进行分类、聚类、统计等操作。轨道交通监测数据的挖掘分析，对于判断和分析轨道交通的技术故障具有重要的意义。但目前多是依靠人工经验分析判断，靠人工在海量的监测数据中进行故障的判断和分析，需要大量的人力成本以及故障原因分析的时间，很多情况下只有在出现事故时才发现故障，导致了人工诊断铁路信号系统故障时工作量大、故障监测与诊断效率低下等技术问题，增加了行车的危险，难以为后续的维修、救援等工作提供时间保障。因此，研究更高效的轨道交通监测数据分析和故障分析方法，提高轨道交通故障分析能力，查隐患，治隐患，推动故障修向状态修发展，从而保障行车安全、提高运力，是轨道交通领域的迫切需求。
技术实现思路
为了解决现有技术中人工诊断铁路信号系统故障时工作量大、效率低下、风险性高等技术问题，本专利技术提供一种基于时间序列分析的轨道交通监测数据分析和故障诊断方法和系统。本专利技术采用的技术方案如下：一种基于时间序列分析的轨道交通故障诊断方法，其步骤包括：1)采集轨道交通信号设备的历史和实时监测数据；2)根据历史数据生成初始的时间序列曲线的参数模型，得到故障的判别参数；3)根据实时数据重新调整时间序列曲线的参数模型的参数，得到当前环境条件下的故障判别参数；4)对于当前环境条件下的时间序列曲线数据，通过步骤3)的由实时数据得到的故障判别参数进行故障预警，输出预警结果；5)利用步骤2)的由历史数据得到的故障判别参数训练故障分类器，对于步骤4)所述预警结果中的故障曲线，将提取的曲线模型参数输入到故障分类器，得到故障诊断结果。一种采用上述方法的基于时间序列分析的轨道交通故障诊断系统，其包括：知识库，用于建立并存储时间序列曲线的参数模型；历史数据库，用于存储历史监测数据，包括正常数据和故障数据；实时数据库：用于存储实时监测数据；数据采集接口，用于接收数据采集系统的实时数据；数据预警模块，连接实时数据库和知识库，用于采用数据预警算法对实时数据进行判读，输出关于异常数据的判读结论；故障诊断模块，连接历史数据库和知识库，用于采用故障诊断算法对异常数据进行分类，输出故障诊断结果。本专利技术提供了一种基于时间序列分析的轨道交通监测数据分析和故障诊断方案，可以解决曲线形状微小变化对故障判读结果的影响，减小误判的风险，并且可以随时间和环境的变化，自适应的调整曲线的分类模型，使模型能够适应动态变化的情况，能够有效解决现有技术中人工诊断铁路信号系统故障时工作量大、效率低下、风险性高等问题。附图说明图1是基于时间序列分析的轨道交通信号设备故障诊断系统的结构示意图。图2是基于时间序列分析的轨道交通信号设备故障诊断方法的步骤流程图。图3A、图3B和图3C是实施例中的道岔电流数据曲线图。具体实施方式下面通过具体实施例和附图，对本专利技术做进一步说明。图1是本专利技术的基于时间序列分析的轨道交通监测数据分析及故障诊断系统的结构示意图。该系统由历史数据库、实时数据库、知识库、数据采集接口、数据预警模块和故障诊断模块组成，其中：知识库：用于建立并存储时间序列电流曲线的参数模型；历史数据库：用于存储历史正常数据和故障数据；实时数据库：用于存储当前数据采集系统所采集到的实时监测数据；数据采集接口：用于接收数据采集系统的实时数据；数据预警模块：连接实时数据库和知识库，用于采用数据预警算法对实时数据进行判读，输出关于异常数据的判读结论；故障诊断模块：连接历史数据库和知识库，用于采用故障诊断算法对异常数据进行分类，输出故障诊断结果。图2是采用上述系统的基于时间序列分析的轨道交通信号设备故障诊断方法的步骤流程图，对其具体说明如下：1)采集轨道交通信号设备的监测数据该步骤采用铁路设备既有的CSM系统对轨道交通信号设备进行数据采集，轨道交通信号设备包括电源屏、道岔、转辙机等设备。采集的监测数据包括历史数据和实时数据。历史数据是指存储在数据库中的以前采集到的监测数据，这些数据用来记录设备过去工作的各种状态。实时数据是指当前数据采集系统所采集到的监测数据，这些数据用来对设备当前的工作状态进行判断。2)对采集的数据进行预处理进行预处理的目的是为了对待分析的数据进行处理，生成适合于分析的数据，预处理包括：(1)数据选择，选择合适的数据源，从数据中提取与分析任务相关的数据(2)数据清理和集成，清除噪声数据、非可用数据，将原始数据规范化、标准化并将多个数据源组合在一起；(3)数据转换，以合适的方式组织数据，将数据类型转换为可应用的类型，定义新的数据属性，减小数据维数和尺寸。3)利用预处理后的数据建立曲线参数时间序列模型本专利技术适用于所有的时间序列曲线，如道岔电流曲线、模拟量变化趋势曲线等。道岔电流曲线是一条以电流为纵轴、时间为横，以固定测量间隔的各电流值逐点连接绘制而成的曲线，蕴涵了道岔转换过程中的电气特性和机械特性。因为道岔电流曲线与环境温度有一定的关系，因此，道岔电流曲线的参数又构成了一种季节性变化的时间序列。这里采用ARIMA季节模型(差分自回归移动平均模型)建立道岔电流曲线特征参数的模型：①利用自相关分析和偏自相关分析等方法，对时间序列的随机性、平稳性及季节性进行分析，并采用差分的方法对数据进行平稳化处理。然后根据自相关和偏自相关图，确定备选模型。平稳过程的自相关系数和偏自相关系数都会以某种方式衰减趋于0,前者测度当前序列与先前序列之间简单和常规的相关程度,后者是在控制其它先前序列的影响后,测度当前序列与某一先前序列之间的相关程度。如果某一时间序列的自相关函数随着滞后k的增加而很快地下降为0,那么我们就认为该序列为平稳序列；如果自相关函数不随着k的增加而迅速下降为0,就表明该序列不平稳。如果一个时间序列的自相关和偏相关图没有任何模式,而且数值很小,那么该序列可能就是一些互相独立的无关的随机变量。差分是通过逐项相减消除前后期数据相关性的方法，可剔除序列中的趋势性，是非平稳序列的均值平稳化的预处理。②依据赤池信息准则或者Schwarz贝叶斯准则确定模型的参数，建立ARIMA预测模型。具体的，采用的赤池信本文档来自技高网...

【技术保护点】
一种基于时间序列分析的轨道交通故障诊断方法，其步骤包括：1)采集轨道交通信号设备的历史和实时监测数据；2)根据历史数据生成初始的时间序列曲线的参数模型，得到故障的判别参数；3)根据实时数据重新调整时间序列曲线的参数模型的参数，得到当前环境条件下的故障判别参数；4)对于当前环境条件下的时间序列曲线数据，通过步骤3)的由实时数据得到的故障判别参数进行故障预警，输出预警结果；5)利用步骤2)的由历史数据得到的故障判别参数训练故障分类器，对于步骤4)所述预警结果中的故障曲线，将提取的曲线模型参数输入到故障分类器，得到故障诊断结果。

【技术特征摘要】
1.一种基于时间序列分析的轨道交通故障诊断方法，其步骤包括：1)采集轨道交通信号设备的历史和实时监测数据；2)根据历史数据生成初始的时间序列曲线的参数模型，得到故障的判别参数；所述时间序列曲线为道岔电流曲线，采用ARIMA季节模型建立所述道岔电流曲线的特征参数的模型；3)根据实时数据重新调整时间序列曲线的参数模型的参数，得到当前环境条件下的故障判别参数；4)对于当前环境条件下的时间序列曲线数据，通过步骤3)的由实时数据得到的故障判别参数进行故障预警，以判断出当前的正常数据和异常数据，并对于异常数据给出报警提示；进行故障预警的具体步骤是：①根据历史数据得到曲线各特征点的季节变化的初始模型；②根据曲线各特征点的季节变化模型，生成标准的正常曲线模型；③对于实时的监测数据，采用动态时间弯曲方法计算监测数据与正常曲线模型的弯曲路径长度；④将弯曲路径长度与事先设定的阈值进行比较，如果超出阈值，则进行报警；⑤根据当前一段时间内的正常曲线数据，对参数的时间序列模型进行更新；5)利用步骤2)的由历史数据得到的故障判别参数训练故障分类器，对于步骤4)所述预警结果中的故障曲线，将提取的曲线模型参数输入到故障分类器，计算故障曲线与各种故障模型下的曲线参数的弯曲路径，进而对异常数据进行分类，得到故障诊断结果。2.如权利要求1所述的方法，其特征在于，步骤1)对采集的数据进行预处理，包括：数据选择，选择合适的数据源，从中提取与分析任务相关的数据；数据清理和集成，清除噪声数据和非可用数据，将原始数据规范化、标准化并将多个数据源组合在一起；数据转换，以合适的方式组织数据，将数...

【专利技术属性】
技术研发人员：鲍侠，
申请(专利权)人：北京泰乐德信息技术有限公司，
类型：发明
国别省市：北京;11