一種基于機器學習的CTCS3故障診斷方法技術

一種基于機器學習的CTCS3故障診斷方法：從CTCS3接口監測系統獲取鐵路無線通信網絡的PRI接口、ABIS接口和A接口的數據，對數據進行預處理；對預處理后的數據進行異常事件的特征提取；重復上述得到設定時間段內所有超時事件的特征和事件原因標簽構成數據集；采用機器學習的不同算法在數據集上進行訓練和驗證，得到故障診斷模型；對新發生的超時事件重復預處理和特征提取得到該事件的特征，將特征輸入故障診斷模型進行故障分類，得到判別結果；若沒有人工干預則結束；若有人工干預，則將干預結果和提取的該事件的特征作為事件原因標簽一起加入到數據集中，并按設定的周期更新故障診斷模型繼續循環。本發明專利技術實現了全自動化的故障分析定位功能。

A fault diagnosis method of CTCS3 based on machine learning

【技術實現步驟摘要】
一種基于機器學習的CTCS3故障診斷方法
本專利技術涉及一種CTCS3故障診斷方法。特別是涉及一種基于機器學習的CTCS3故障診斷方法。
技術介紹
CTCS3列控系統是目前中國高鐵客運專線時速在300km以上普遍使用的列車運行控制系統，該系統有兩個子系統，即車載子系統和地面子系統。CTCS根據功能要求和設配置劃分應用等級，分為0～4級，CTCS3是其中的3級。但是在列車運行過程中，時常發生通信異常導致列車被限速系統減速或停車，從而導致列車晚點甚至后續列車也受到影響。當前的故障定位方法采用的是從人工導出故障列車相應時間段的接口監測數據進行人工分析故障根源，而不同廠家的接口監測系統導出的監測數據格式和內容存在較大差異且存在數據缺失、數據錯誤等問題，人工分析耗時耗力而且故障定位的準確率也不高。
技術實現思路
本專利技術所要解決的技術問題是，提供一種能夠實現全自動化的故障分析定位CTCS3故障的基于機器學習的CTCS3故障診斷方法。本專利技術所采用的技術方案是：一種基于機器學習的CTCS3故障診斷方法，包括如下步驟：1)從CTCS3接口監測系統獲取鐵路無線通信網絡的PRI接口、ABIS接口和A接口的數據，并對所述數據進行預處理；2)對預處理后的數據進行異常事件的特征提取；3)重復步驟1)～步驟2)得到設定時間段內所有超時事件的特征和事件原因標簽構成數據集；4)采用機器學習的不同算法在數據集上進行訓練和驗證，得到故障診斷模型；5)對新發生的超時事件重復步驟1)～步驟2)得到該事件的特征，將所述特征輸入步驟4)中得到的故障診斷模型進行故障分類，得到判別結果；6)若沒有人工對步驟5)中的判別結果進行干預，則結束；若有人工對步驟5)中的判別結果進行確認，或是修改步驟5)的判斷結果為其他故障原因，則將人工干預結果和步驟2)提取的該事件的特征作為事件原因標簽一起加入步驟3)得到的數據集中，并按設定的周期返回步驟4)，更新故障診斷模型，繼續循環。本專利技術的一種基于機器學習的CTCS3故障診斷方法，在模型設計方面，采取了集成模型的方式，大大降低了單模型的固有算法缺陷以及過擬合的風險，在整體架構設計上，采取了每隔一個周期自動重新訓練模型來自適應學習歷史案例的特征與故障源之間的映射關系，達到“機器學習人的新思維”的智能效果。本專利技術能夠分析各個廠家不同格式的數據，實現了全自動化的故障分析定位功能，可節省大量的人力成本。附圖說明圖1是本專利技術基于機器學習的CTCS3故障診斷方法的流程圖。具體實施方式下面結合實施例和附圖對本專利技術的一種基于機器學習的CTCS3故障診斷方法做出詳細說明。本專利技術的一種基于機器學習的CTCS3故障診斷方法，利用標準化的預處理手段、高可用的分類形式替代人工分析進行的復雜、重復和耗時的勞動，并且模型的自動更新適應能力可以根據分析員更新的分類結果學習到人新的分析邏輯，達到智能分析的效果。本專利技術的一種基于機器學習的CTCS3故障診斷方法，包括如下步驟：1)從CTCS3接口監測系統獲取鐵路無線通信網絡的PRI接口、ABIS接口和A接口的數據，并對所述數據進行預處理；這里所述的CTCS3接口監測系統是指：北京六捷科技有限公司、中國鐵道科學研究院和中國鐵路通信信號股份有限公司的CTCS3接口監測系統。因為接口監測系統的不完善，導致很多數據并不準確，所以人工分析的時候往往要進行各種錯誤數據的更正以及異常數據的標注，并且不同廠家的數據格式存在一定的差異，為了提供分析系統對各種數據的適應能力需要進行數據的格式標準化，現在將這些工作統一經預處理程序來處理。本專利技術所述的預處理包括：(1)針對CTCS3接口監測系統中發生的列車超時事件，截取故障發生時間附近時段的接口數據；(2)對截取數據進行數據庫加載、異常公里標的修正、缺失機車號/電臺號的補充的處理。所述的數據庫加載，是將數據導入建立的數據庫中，所述的異常公里標的修正是根據準確的公里標數據點和列車運行速度修正公里標中的不準確數據點。2)對預處理后的數據進行異常事件的特征提取；所述的特征提取，是對預處理后的數據提取一組反應當前數據的特性的值，并分為四大部分：信令特征，是從PRI接口、ABIS接口和A接口中的信令數據中提取的特征，如PRI接口上行鏈路是否可達；呼叫特征，是從PRI接口、ABIS接口和A接口中的呼叫數據中提取的特征，如異常呼叫的電臺是否持續呼叫同一個RBC；測量報告特征，是從ABIS接口測量報告數據中提取的特征，如異常事件之前的電平是否正常；切換特征，是從ABIS接口和A接口的切換記錄數據中提取的特征，如信令信道的服務小區切換是否正常；一個超時事件共具有八十維具體特征。3)重復步驟1)～步驟2)得到設定時間段內所有超時事件的特征和事件原因標簽構成數據集；4)采用機器學習的不同算法在數據集上進行訓練和驗證，得到故障診斷模型；是將得到的多個事件的特征和事件的故障原因標簽一一對應組成數據集，取數據集中的一部分作為訓練集，采用機器學習的決策樹算法、隨機森林算法和神經網絡算法分別在訓練集上進行訓練對應得到三種分類模型，再將數據集中的另一部作為驗證集對訓練得到三種分類模型分別進行分類測試，根據分類測試結果，選出分類準確率最高的一種分類模型，用于對步驟1)中所截取的數據進行故障分類，得到分類結果。5)對新發生的超時事件重復步驟1)～步驟2)得到該事件的特征，將所述特征輸入步驟4)中得到的故障診斷模型進行故障分類，得到判別結果；6)若沒有人工對步驟5)中的判別結果進行干預，則結束；若有人工對步驟5)中的判別結果進行確認，或是修改步驟5)的判斷結果為其他故障原因，則將人工干預結果和步驟2)提取的該事件的特征作為事件原因標簽一起加入步驟3)得到的數據集中，并按設定的周期返回步驟4)，更新故障診斷模型，繼續循環。本文檔來自技高網...

【技術保護點】
1.一種基于機器學習的CTCS3故障診斷方法，其特征在于，包括如下步驟：/n1)從CTCS3接口監測系統獲取鐵路無線通信網絡的PRI接口、ABIS接口和A接口的數據，并對所述數據進行預處理；/n2)對預處理后的數據進行異常事件的特征提取；/n3)重復步驟1)～步驟2)得到設定時間段內所有超時事件的特征和事件原因標簽構成數據集；/n4)采用機器學習的不同算法在數據集上進行訓練和驗證，得到故障診斷模型；/n5)對新發生的超時事件重復步驟1)～步驟2)得到該事件的特征，將所述特征輸入步驟4)中得到的故障診斷模型進行故障分類，得到判別結果；/n6)若沒有人工對步驟5)中的判別結果進行干預，則結束；若有人工對步驟5)中的判別結果進行確認，或是修改步驟5)的判斷結果為其他故障原因，則將人工干預結果和步驟2)提取的該事件的特征作為事件原因標簽一起加入步驟3)得到的數據集中，并按設定的周期返回步驟4)，更新故障診斷模型，繼續循環。/n

【技術特征摘要】
1.一種基于機器學習的CTCS3故障診斷方法，其特征在于，包括如下步驟：
1)從CTCS3接口監測系統獲取鐵路無線通信網絡的PRI接口、ABIS接口和A接口的數據，并對所述數據進行預處理；
2)對預處理后的數據進行異常事件的特征提取；
3)重復步驟1)～步驟2)得到設定時間段內所有超時事件的特征和事件原因標簽構成數據集；
4)采用機器學習的不同算法在數據集上進行訓練和驗證，得到故障診斷模型；
5)對新發生的超時事件重復步驟1)～步驟2)得到該事件的特征，將所述特征輸入步驟4)中得到的故障診斷模型進行故障分類，得到判別結果；
6)若沒有人工對步驟5)中的判別結果進行干預，則結束；若有人工對步驟5)中的判別結果進行確認，或是修改步驟5)的判斷結果為其他故障原因，則將人工干預結果和步驟2)提取的該事件的特征作為事件原因標簽一起加入步驟3)得到的數據集中，并按設定的周期返回步驟4)，更新故障診斷模型，繼續循環。


2.根據權利要求1所述的一種基于機器學習的CTCS3故障診斷方法，其特征在于，步驟1)所述的預處理包括：
(1)針對CTCS3接口監測系統中發生的列車超時事件，截取故障發生時間附近時段的接口數據；
(2)對截取數據進行數據庫加載、異常公里標的修正、缺失機車號/電臺號的補充的處理。

【專利技術屬性】
技術研發人員：鐘宏光，張朝，張珺，
申請(專利權)人：北京英諾威爾科技股份有限公司，
類型：發明
國別省市：北京;11