李亞群，包云，韓霈然，楊建偉，陳中雷

（1.北京經(jīng)緯信息技術(shù)有限公司，北京 100081；2.中國鐵道科學(xué)研究院集團有限公司 電子計算技術(shù)研究所，北京 100081；3.北京交通大學(xué) 交通運輸學(xué)院，北京 100044；4.中國鐵路北京局集團有限公司 工務(wù)部，北京 100860）

高速鐵路災(zāi)害監(jiān)測系統(tǒng)（簡稱：災(zāi)害監(jiān)測系統(tǒng)）實時監(jiān)測鐵路沿線風(fēng)、雪、雨等自然災(zāi)害及異物侵限，當(dāng)監(jiān)測值超過報警預(yù)警閾值時進行報警和預(yù)警，發(fā)生異物侵限和地震報警時，進行緊急處置，保障列車運行安全[1-2]。災(zāi)害監(jiān)測系統(tǒng)為高速列車在災(zāi)害性天氣和突發(fā)事件下的運行發(fā)揮了重要的安全技術(shù)保障作用。災(zāi)害監(jiān)測系統(tǒng)由現(xiàn)場監(jiān)測設(shè)備和中心系統(tǒng)組成，現(xiàn)場監(jiān)測設(shè)備包括風(fēng)速風(fēng)向計、雨量計、雪深計、數(shù)據(jù)傳輸單元等現(xiàn)場采集設(shè)備和監(jiān)控單元，部署于鐵路沿線接觸網(wǎng)桿、基站等處所；中心系統(tǒng)包括信息處理平臺、監(jiān)測業(yè)務(wù)終端、網(wǎng)絡(luò)設(shè)備、網(wǎng)絡(luò)安全設(shè)備，時間同步設(shè)備及其軟件等，部署于鐵路局機房。災(zāi)害監(jiān)測系統(tǒng)構(gòu)成復(fù)雜，任何一個環(huán)節(jié)均可能導(dǎo)致系統(tǒng)故障的產(chǎn)生。

目前，已開展的高速鐵路災(zāi)害監(jiān)測故障、可靠性分析工作中，張翠兵[3]運用故障樹分析法對異物侵限監(jiān)測子系統(tǒng)故障進行了分析；周紹華[4]重點對異物侵限監(jiān)測子系統(tǒng)產(chǎn)生紅光帶故障處置措施進行了研究；劉巖、李曉宇等人[5-6]對災(zāi)害監(jiān)測系統(tǒng)可靠性進行了研究；王嬌嬌等人[7]對災(zāi)害監(jiān)測系統(tǒng)脫離監(jiān)控故障數(shù)據(jù)進行了分析，并提出了改進措施與建議；周小明[8]對滬寧城際災(zāi)害監(jiān)測系統(tǒng)電源故障進行了分析；李亞群等人[9-10]對監(jiān)控單元設(shè)備可靠性進行了試驗研究，并建立了時齊泊松過程模型對異物侵限監(jiān)測系統(tǒng)可靠性進行了試驗。以上研究多是對災(zāi)害監(jiān)測系統(tǒng)故障、可靠性的分析，而關(guān)于災(zāi)害監(jiān)測系統(tǒng)故障診斷方法的研究尚不多見。開展災(zāi)害監(jiān)測系統(tǒng)故障診斷方法研究，可及時解決災(zāi)害監(jiān)測系統(tǒng)出現(xiàn)的問題，降低故障影響程度。目前，常用的故障診斷方法有回歸分析、神經(jīng)網(wǎng)絡(luò)、支持向量機、隨機森林等算法[11-13]，本文結(jié)合災(zāi)害監(jiān)測系統(tǒng)設(shè)備狀態(tài)及故障監(jiān)測數(shù)據(jù)特點，采用隨機森林算法對災(zāi)害監(jiān)測系統(tǒng)進行故障診斷，輔助故障快速定位和處置。

1 災(zāi)害監(jiān)測系統(tǒng)設(shè)備管理及故障分析表

1.1 設(shè)備管理現(xiàn)狀

災(zāi)害監(jiān)測系統(tǒng)是一個復(fù)雜的系統(tǒng)，設(shè)備管理涉及多個專業(yè)，包括工務(wù)、電務(wù)、信息等；設(shè)備類型多、環(huán)節(jié)多、管理部門多，一旦發(fā)生故障，排查困難，各部門協(xié)調(diào)工作量大，嚴重時會影響線路正常運行。災(zāi)害監(jiān)測系統(tǒng)設(shè)備管理分工，如圖1 所示。

圖1 高速鐵路災(zāi)害監(jiān)測系統(tǒng)設(shè)備管理分工

（1）信息專業(yè)設(shè)備有鐵路局集團公司中心系統(tǒng)軟/硬件設(shè)備，包括信息處理平臺、監(jiān)測業(yè)務(wù)終端、網(wǎng)絡(luò)設(shè)備和網(wǎng)絡(luò)安全設(shè)備，時間同步設(shè)備等；

（2）信號專業(yè)設(shè)備有監(jiān)控單元至信號機房之間的電纜、電務(wù)段監(jiān)測維護終端及信號系統(tǒng)側(cè)的災(zāi)害監(jiān)測系統(tǒng)接口設(shè)備；

（3）通信專業(yè)設(shè)備有監(jiān)控單元及配套網(wǎng)絡(luò)設(shè)備、現(xiàn)場采集設(shè)備至監(jiān)控單元之間的光纜或電纜、災(zāi)害監(jiān)測系統(tǒng)專用配電箱、通信段監(jiān)測維護終端等；

（4）工務(wù)專業(yè)設(shè)備有現(xiàn)場采集設(shè)備、工務(wù)段監(jiān)測維護終端等；

（5）供電專業(yè)設(shè)備有監(jiān)控單元端子排（不含）至變電系統(tǒng)之間的設(shè)備。

1.2 故障分析表

目前，災(zāi)害監(jiān)測系統(tǒng)對設(shè)備狀態(tài)監(jiān)測的數(shù)據(jù)是離散的，監(jiān)測設(shè)備是否正常工作一般采用0 或1 變量表示，因此，無法采用回歸分析方法開展對設(shè)備狀態(tài)的分析。本研究基于失效模式與影響分析（FMEA，F(xiàn)ailure Mode and Effects Analysis）對設(shè)備故障數(shù)據(jù)進行分析，在此基礎(chǔ)上，研究設(shè)備故障診斷的方法。根據(jù)對災(zāi)害監(jiān)測系統(tǒng)故障的調(diào)研結(jié)果，構(gòu)建了基于FMEA 的災(zāi)害監(jiān)測系統(tǒng)故障分析表，故障分析表包含12 類設(shè)備，45 種故障原因。以監(jiān)控單元為例，基于FMEA 的監(jiān)控單元故障分析，如圖2 所示。

圖2 基于FMEA 的設(shè)備監(jiān)控單元故障分析

監(jiān)控單元故障分為嚴重故障和一般故障。嚴重故障會導(dǎo)致監(jiān)測點失效，需派人進行人工值守并安排天窗點維修，一般故障需等待天窗點維修。

2 故障診斷方法

本文采用隨機森林算法對災(zāi)害監(jiān)測系統(tǒng)進行設(shè)備故障診斷。其原理為：采用Bootstrap 重抽樣方法[14]從原始樣本中抽取多個樣本，對每一個樣本建立分類和回歸樹（CART，Classification And Regression Tree）（統(tǒng)稱：決策樹），將這些決策樹進行整合，構(gòu)成隨機森林模型?；陔S機森林算法的災(zāi)害監(jiān)測系統(tǒng)故障診斷流程，如圖3 所示。

圖3 基于隨機森林算法的災(zāi)害監(jiān)測系統(tǒng)故障診斷流程

（1）對災(zāi)害監(jiān)測系統(tǒng)故障數(shù)據(jù)進行預(yù)處理，通過設(shè)備狀態(tài)、故障數(shù)據(jù)、故障表現(xiàn)和故障原因，結(jié)合故障分析表進行故障分析。其中，災(zāi)害監(jiān)測系統(tǒng)故障原因是決策類別，故障現(xiàn)象是特征屬性。

（2）通過Bootstrap 重抽樣方法抽取災(zāi)害監(jiān)測系統(tǒng)故障數(shù)據(jù)。采用訓(xùn)練節(jié)點分裂規(guī)則對故障現(xiàn)象進行排序，得到各個節(jié)點的特征屬性；再根據(jù)特征屬性的不同值，從該節(jié)點向下分支，選擇最優(yōu)決策樹（分支）個數(shù)，最終構(gòu)成故障診斷隨機森林模型。

（3）采用構(gòu)成的隨機森林模型對新的故障數(shù)據(jù)進行分類和診斷，得出故障原因，輔助設(shè)備管理部門快速定位故障。

3 實例分析

3.1 災(zāi)害監(jiān)測系統(tǒng)故障診斷

本研究共收集到多條線路災(zāi)害監(jiān)測系統(tǒng)故障樣本403 條，將所有數(shù)據(jù)的70% 作為訓(xùn)練集，其余30%作為測試集，采用python 編程語言構(gòu)建基于隨機森林算法的災(zāi)害監(jiān)測系統(tǒng)故障診斷模型，同時，設(shè)計基于傳統(tǒng)決策樹（C4.5 決策樹）算法的災(zāi)害監(jiān)測系統(tǒng)故障診斷模型，將其作為對比方案。診斷結(jié)果，如表1 所示。由表1 可知，基于隨機森林算法的故障診斷效果明顯優(yōu)于基于C4.5 決策樹算法的故障診斷效果，可減少人工排查設(shè)備故障的工作量，提高工作效率。

表1 故障綜合診斷結(jié)果

3.2 災(zāi)害監(jiān)測系統(tǒng)部分設(shè)備故障診斷

對災(zāi)害監(jiān)測系統(tǒng)具體構(gòu)成部分進行故障診斷，以監(jiān)控單元和風(fēng)采集設(shè)備的故障診斷為例，獲得監(jiān)控單元樣本225 條，故障原因10 種，故障表現(xiàn)13 類；風(fēng)采集設(shè)備樣本59 條，故障原因11 種，故障表現(xiàn)4 類。對監(jiān)控單元和風(fēng)采集設(shè)備2 個數(shù)據(jù)集的分類器個數(shù)進行判斷，以監(jiān)控單元的數(shù)據(jù)為例，基于訓(xùn)練集構(gòu)建的決策樹個數(shù)與判斷準確率關(guān)系，如圖4 所示，可以看出，最優(yōu)決策樹棵數(shù)在10 以內(nèi)達到最優(yōu)的準確性，基于此，構(gòu)建災(zāi)害監(jiān)測系統(tǒng)故障診斷隨機森林模型。

圖4 監(jiān)控單元隨機森林決策樹個數(shù)與判斷準確率關(guān)系

對監(jiān)控單元和風(fēng)采集設(shè)備的基于隨機森林算法和基于C4.5 決策樹算法的故障診斷方法分別進行k折交叉驗證，即將全部樣本劃分成k個大小相等的樣本子集，依次遍歷這k個子集，每次把當(dāng)前子集作為驗證集，其余所有樣本作為訓(xùn)練集，進行模型的評估，評估結(jié)果如圖5 所示，從圖5 中可以看出，隨機森林算法的表現(xiàn)明顯優(yōu)于C4.5 決策樹算法，診斷結(jié)果如表2 和表3 所示。

表2 監(jiān)控單元故障診斷結(jié)果

表3 風(fēng)采集設(shè)備故障診斷結(jié)果

圖5 監(jiān)控單元和風(fēng)采集設(shè)備故障診斷k 折交叉驗證結(jié)果

由表2、表3 可以看出，對災(zāi)害監(jiān)測系統(tǒng)構(gòu)成局部設(shè)備故障的診斷效果優(yōu)于對系統(tǒng)整體故障的診斷，原因在于災(zāi)害監(jiān)測系統(tǒng)故障成因和現(xiàn)象復(fù)雜，一個故障現(xiàn)象可能由多種原因?qū)е?，如?zāi)害監(jiān)測系統(tǒng)脫離監(jiān)控故障，可能是由網(wǎng)絡(luò)、硬件故障（電源、服務(wù)器、終端等）、軟件故障等多種原因?qū)е耓7]；一個故障原因也可能出現(xiàn)多個故障現(xiàn)象，如風(fēng)速風(fēng)向計故障可能導(dǎo)致設(shè)備故障報警、監(jiān)測終端無采集數(shù)據(jù)等；而風(fēng)采集設(shè)備的故障及故障原因相對系統(tǒng)整體故障成因和現(xiàn)象較簡單。

4 結(jié)束語

針對災(zāi)害監(jiān)測系統(tǒng)故障診斷問題，構(gòu)建了基于FMEA 的災(zāi)害監(jiān)測系統(tǒng)故障分析表；在此基礎(chǔ)上，提出了基于隨機森林算法的災(zāi)害監(jiān)測系統(tǒng)故障診斷方法。

（1）實際數(shù)據(jù)分析表明，基于隨機森林算法的災(zāi)害監(jiān)測系統(tǒng)故障診斷方法對系統(tǒng)故障的診斷準確率為67.3%，優(yōu)于基于傳統(tǒng)決策樹的故障診斷準確率（48.5%）；

（2）基于隨機森林算法的災(zāi)害監(jiān)測系統(tǒng)故障診斷方法對監(jiān)控單元和風(fēng)采集設(shè)備的診斷準確率為80.6%和86.7%，優(yōu)于基于傳統(tǒng)決策樹的故障診斷準確率（48.2%和66.4%）；

（3）基于隨機森林算法的災(zāi)害監(jiān)測系統(tǒng)故障診斷方法可有效提高災(zāi)害監(jiān)測系統(tǒng)設(shè)備故障診斷準確率，有助于災(zāi)害監(jiān)測系統(tǒng)設(shè)備故障的快速定位和處置，大幅減少人工排查設(shè)備故障的工作量，為災(zāi)害監(jiān)測系統(tǒng)的運營維護提供技術(shù)支持。