本发明公开了一种基于故障树的列车故障诊断系统及方法，系统包括：远程检测与诊断子系统、数据处理子系统；远程检测与诊断子系统用于采集列车各设备的故障数据和事件记录环境数据，并发送至数据处理子系统；数据处理子系统包括存储模块、故障智能分析模块和专家诊断知识库模块；存储模块用于存储故障数据和事件记录环境数据；故障智能分析模块用于对故障数据和事件记录环境数据进行重构，配置故障结构，通过专家诊断知识库模块进行诊断，并接收诊断结果进行输出；专家诊断知识库模块用于根据输入的故障结构通过故障树进行诊断，生成诊断结果。本发明具有可实现对列车故障的全面诊断，可自动对故障进行分析，诊断可靠性高，简单高效的优点。
1.一种基于故障树的列车故障诊断系统，其特征在于，包括：远程检测与诊断子系统、数据处理子系统；所述远程检测与诊断子系统用于采集列车各设备的故障数据和事件记录环境数据，并将所述故障数据和事件记录环境数据发送至所述数据处理子系统；所述数据处理子系统包括存储模块、故障智能分析模块和专家诊断知识库模块；所述存储模块用于存储所述远程检测与诊断子系统所发送的故障数据和事件记录环境数据；所述故障智能分析模块用于对所述故障数据和所述事件记录环境数据进行重构，将所述故障数据与事件记录环境数据配置成故障结构，将所述故障结构输入所述专家诊断知识库模块进行诊断，并接收诊断结果进行输出；所述专家诊断知识库模块用于根据输入的所述故障结构通过故障树进行诊断，生成诊断结果；
所述专家诊断知识库模块包括规则库模块，所述规则库模块用于存储以故障代码进行分类的故障树；
所述规则库模块包括规则故障树、故障代码集、事件记录环境数据表、规则故障树管理与维护模块、故障树分析模块、知识管理模块；
所述规则故障树是以传感器故障代码进行分类所构建的故障树；
所述事件记录环境数据表用于存储与传感器故障代码相关的事件记录环境数据；
所述规则故障树管理与维护模块用于对所述规则库进行管理，构建与维护规则故障树、对规则故障树进行模块化和分解；
所述故障树分析模块用于根据所述故障结构通过规则故障树进行定性分析与定量分析，实现对故障的预测和诊断；
所述知识管理模块用于对规则故障树的规则进行提取与维护，以及对事件记录环境数据进行提取。
2.根据权利要求1所述的基于故障树的列车故障诊断系统，其特征在于：所述远程检测与诊断子系统包括故障数据采集模块和环境数据采集模块；所述故障数据采集模块用于采集所述故障数据，包括传动控制单元数据、网络控制系统数据、制动系统数据和辅助系统数据；所述环境数据采集模块用于采集列车运行过程中的全部环境状态数据。
3.根据权利要求1所述的基于故障树的列车故障诊断系统，其特征在于：所述故障智能分析模块包括数据重构模块、事件配置模块；所述数据重构模块用于删除所述故障数据和所述事件记录环境数据中的错误数据、重复数据、不完整数据、异构数据和日志数据；所述事件配置模块用于获取所述故障数据发生时的对应事件记录环境数据，生成故障结构，所述故障结构包括故障数据信息和对应的事件记录环境数据。
4.根据权利要求1所述的基于故障树的列车故障诊断系统，其特征在于：所述事件记录环境数据表包括字符类型的传感器故障代码，数值类型的故障相关事件模拟量，数值类型的故障相关事件数字量，数值类型的故障相关事件关联帧数。
5.根据权利要求1所述的基于故障树的列车故障诊断系统，其特征在于：所述规则库通过基于预设的典型逻辑或预设的规则，利用故障数据和事件记录环境数据，进行故障判断而生成；或者，由用户根据需求而人工添加。
6.根据权利要求1所述的基于故障树的列车故障诊断系统，其特征在于：所述规则故障树管理与维护模块通过可视化技术利用自动建树算法进行规则故障树的建立以及维护；利用基于双DFLM的故障树模块搜索法和FAUNET故障树约简算法对所述规则故障树进行模块化和分解。
7.根据权利要求1所述的基于故障树的列车故障诊断系统，其特征在于：所述专家诊断知识库模块还包括非传感库模块，所述非传感库模块用于存储以故障名称进行分类的故障树；
所述非传感库模块包括非传感故障树、故障表征库、故障事实库、非传感故障树管理与维护模块、诊断推理模块和诊断历史维护模块；
所述非传感故障树是以故障名称进行分类所构建的故障树；
所述故障事实库用于存储每一种故障名称所对应的故障描述、处理措施、触发条件、复位条件数据；所述处理措施包括与故障相关的逻辑组合、波形分析、故障诊断清单、现场试验数据以及专家经验数据；
所述非传感故障树管理与维护模块用于构建与维护非传感故障树、对非传感故障树进行简化分解；
所述诊断推理模块用于根据输入的故障结构，进行规则匹配，找出故障发生原因，给出诊断结果；
所述诊断历史维护模块用于存储诊断历史记录，并对外部输入的经验进行汇总，形成故障表征库和故障事实库。
8.根据权利要求1至7任一项所述的基于故障树的列车故障诊断系统，其特征在于：所述远程检测与诊断子系统与所述数据处理子系统之间通过无线网络连接。
9.一种基于权利要求1至8任一项所述的基于故障树的列车故障诊断系统的列车故障诊断方法，其特征在于：包括如下步骤：S1. 通过故障数据采集模块采集列车的故障数据，通过环境数据采集模块采集列车的事件记录环境数据；
S2. 将所述故障数据与所述事件记录环境数据进行配置，生成故障结构；
S3. 将所述故障结构输入专家诊断知识库模块进行分析诊断，并输出故障诊断结果。
10.根据权利要求9所述的基于故障树的列车故障诊断方法，其特征在于：在所述步骤S1之后，还包括步骤S1a：对所述故障数据和所述事件记录环境数据进行故障重构；所述故障重构包括删除数据中错误的、重复的、不完整的、异构的数据。
11.根据权利要求9至10任一项所述的基于故障树的列车故障诊断方法，其特征在于：所述步骤S3的具体步骤包括：将所述故障结构输入专家诊断知识库模块，通过规则库进行定量和/或定性分析，通过分析故障树的最小割集中包含的底事件状态，或者利用最小路集包含的通道事件的状态分析，对故障进行诊断或预测。
一种基于故障树的列车故障诊断系统及方法
技术领域
[0001] 本发明涉及列车故障诊断领域，尤其涉及一种基于故障树的列车故障诊断系统及方法。
背景技术
[0002] 目前我国和谐系列电力机车数量非常巨大，机车的安全是铁路部门工作的重中之重。我国机车行业的故障诊断技术，主要还局限在对部分关键设备、部件零件等方面的诊断。这些诊断方法都未涉及整个机车系统的综合诊断。电力机车是一种极其复杂的工业产品，产生故障的因素繁多，对整个机车系统的故障诊断，需要大量的人类专家经验和人力、物力。智能诊断方法是运用大量本领域专家的经验知识和一定的推理方法求解复杂问题的一种人工智能计算机程序。所以，建立高效的机车故障诊断方法，能有效地提高和谐系列电力机车故障诊断的技术水平，减少大量的人力和物力，迅速准确地确定故障的部位和原因。
[0003] 故障树分析法（Fault Tree Analysis，FTA）是目前国际上公认的一种简单有效的可靠分析和故障诊断的方法，也是指导系统最优化设计、薄弱环节分析和运行维护的有力工具，目前也有运用到机车故障诊断中，此分析法主要针对结构明确的、规则的树形逻辑，以计算机语言实现类似逻辑框图的树形结构，以树形结构进行各种组合数据反推，最终输出运算结果。而机车在运用过程中，存在一系列的不确定性的惯性故障，此类故障往往不是问题的根源，而是一种问题综合的表现，大多情况下不适用传统意义故障树分析法。
发明内容
[0004] 本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种采用分类构建列车故障树诊断库，可实现对列车故障的全面诊断，通过对原始的故障数据进行重构，保证基于故障树的故障诊断可靠性高，可自动对故障进行分析，简单高效的基于故障树的列车故障诊断系统及方法。
[0005] 为解决上述技术问题，本发明提出的技术方案为：一种基于故障树的列车故障诊断系统，包括：远程检测与诊断子系统、数据处理子系统；所述远程检测与诊断子系统用于采集列车各设备的故障数据和事件记录环境数据，并将所述故障数据和事件记录环境数据发送至所述数据处理子系统；所述数据处理子系统包括存储模块、故障智能分析模块和专家诊断知识库模块；所述存储模块用于存储所述远程检测与诊断子系统所发送的故障数据和事件记录环境数据；所述故障智能分析模块用于对所述故障数据和所述事件记录环境数据进行重构，将所述故障数据与事件记录环境数据配置成故障结构，将所述故障结构输入所述专家诊断知识库模块进行诊断，并接收诊断结果进行输出；所述专家诊断知识库模块用于根据输入的所述故障结构通过故障树进行诊断，生成诊断结果。
[0006] 作为本系统的进一步改进，所述远程检测与诊断子系统包括故障数据采集模块和环境数据采集模块；所述故障数据采集模块用于采集所述故障数据，包括传动控制单元数据、网络控制系统数据、制动系统数据和辅助系统数据；所述环境数据采集模块用于采集列车运行过程中的全部环境状态数据。
[0007] 作为本系统的进一步改进，所述故障智能分析模块包括数据重构模块、事件配置模块；所述数据重构模块用于删除所述故障数据和所述事件记录环境数据中的错误数据、重复数据、不完整数据、异构数据和日志数据；所述事件配置模块用于获取所述故障数据发生时的对应事件记录环境数据，生成故障结构，所述故障结构包括故障数据信息和对应的事件记录环境数据。
[0008] 作为本系统的进一步改进，所述专家诊断知识库模块包括规则库模块，所述规则库模块用于存储以故障代码进行分类的故障树；
[0009] 所述规则库模块包括规则故障树、故障代码集、事件记录环境数据表、规则故障树管理与维护模块、故障树分析模块、知识管理模块；
[0010] 所述规则故障树是以传感器故障代码进行分类所构建的故障树；
[0011] 所述故障代码集用于存储每一种传感器故障代码；
[0012] 所述事件记录环境数据表用于存储与传感器故障代码相关的事件记录环境数据；
[0013] 所述规则故障树管理与维护模块用于对所述规则库进行管理，构建与维护规则故障树、对规则故障树进行模块化和分解；
[0014] 所述故障树分析模块用于根据所述故障结构通过规则故障树进行定性分析与定量分析，实现对故障的预测和诊断；
[0015] 所述知识管理模块用于对规则故障树的规则进行提取与维护，以及对事件记录环境数据进行提取。
[0016] 作为本系统的进一步改进，所述事件记录环境数据表包括字符类型的传感器故障代码，数值类型的故障相关事件模拟量，数值类型的故障相关事件数字量，数值类型的故障相关事件关联帧数。
[0017] 作为本系统的进一步改进，所述规则库通过基于预设的典型逻辑或预设的规则，利用故障数据和事件记录环境数据，进行故障判断而生成；或者，由用户根据需求而人工添加。
[0018] 作为本系统的进一步改进，所述规则故障树管理与维护模块通过可视化技术利用自动建树算法进行规则故障树的建立以及维护；利用基于双DFLM的故障树模块搜索法和FAUNET故障树约简算法对所述规则故障树进行模块化和分解。
[0019] 作为本系统的进一步改进，所述专家诊断知识库模块还包括非传感库模块，所述非传感库模块用于存储以故障名称进行分类的故障树；
[0020] 所述非传感库模块包括非传感故障树、故障表征库、故障事实库、非传感故障树管理与维护模块、诊断推理模块和诊断历史维护模块；
[0021] 所述非传感故障树是以故障名称进行分类所构建的故障树；
[0022] 所述故障表征库用于存储全部的故障名称；
[0023] 所述故障事实库用于存储每一种故障名称所对应的故障描述、处理措施、触发条件、复位条件数据；所述处理措施包括与故障相关的逻辑组合、波形分析、故障诊断清单、现场试验数据以及专家经验数据；
[0024] 所述非传感故障树管理与维护模块用于构建与维护非传感故障树、对非传感故障树进行简化分解；
[0025] 所述诊断推理模块用于根据输入的故障结构，进行规则匹配，找出故障发生原因，给出诊断结果；
[0026] 所述诊断历史维护模块用于存储诊断历史记录，并对外部输入的经验进行汇总，形成故障表征库和故障事实库。
[0027] 作为本系统的进一步改进，所述远程检测与诊断子系统与所述数据处理子系统之间通过无线网络连接。
[0028] 一种基于故障树的列车故障诊断方法，其特征在于：包括如下步骤：
[0029] S1. 通过故障数据采集模块采集列车的故障数据，通过环境数据采集模块采集列车的事件记录环境数据；
[0030] S2. 将所述故障数据与所述事件记录环境数据进行配置，生成故障结构；
[0031] S3. 将所述故障结构输入专家诊断知识库模块进行分析诊断，并输出故障诊断结果。
[0032] 作为本方法的进一步改进，在所述步骤S1之后，还包括步骤S1a：对所述故障数据和所述事件记录环境数据进行故障重构；所述故障重构包括删除数据中错误的、重复的、不完整的、异构的数据。
[0033] 作为本方法的进一步改进，所述步骤S3的具体步骤包括：将所述故障结构输入专家诊断知识库模块，通过规则库进行定量和/或定性分析，通过分析故障树的最小割集中包含的底事件状态，或者利用最小路集包含的通道事件的状态分析，对故障进行诊断或预测。
[0034] 与现有技术相比，本发明的优点在于：
[0035] 1、本发明采用分类方式构建列车故障树诊断库，包括规则库和非传感库，并将机车故障进行分类，将远程检测与诊断子系统采集的列车故障数据划分为逻辑故障，通过规则库可自动进行基于故障树的诊断与分析，对于并非由远程检测与诊断子系统采集的列车故障数据但在列车中真实存在的故障，可通过输入故障名称等信息，通过非传感库进行基于故障树的诊断与分析，实现了对列车故障的全面诊断，保证了诊断结果的可靠性。
[0036] 2、本发明对远程检测与诊断子系统采集的列车故障数据进行重构，过滤所采集的原始数据中的错误的、重复的、不完整的、异构的故障数据，进一步提高了基于故障树的故障诊断的可靠性。
[0037] 3、本发明的故障数据通过远程检测与诊断子系统自动采集并发送至数据处理子系统，自动对故障数据进行分析、处理、诊断，列车检修人员只需要关注诊断子系统操作端的实时信息，即可实现故障源的快速自动定位，故障分析简单高效。
[0038] 4、本发明故障分析、诊断不受个人经验的影响，无需相关专业背景也能对故障进行处理，通过专家诊断知识库可实现列车数据自动分析、处理、诊断，提高了现场故障处理的有效性、时效性。
附图说明
[0039] 图1为本发明具体实施例结构原理示意图。
[0040] 图2为本发明具体实施例专家诊断知识库示意图。
[0041] 图3为本发明具体实施例规则库模块示意图。
[0042] 图4为本发明具体实施例事件记录环境数据表结构示意图。
[0043] 图5为本发明具体实施例非传感库模块示意图。
[0044] 图6为本发明具体实施例流程示意图。
具体实施方式
[0045] 以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
[0046] 如图1所示，本实施例基于故障树的列车故障诊断系统，包括：远程检测与诊断子系统、数据处理子系统；远程检测与诊断子系统用于采集列车各设备的故障数据和事件记录环境数据，并将故障数据和事件记录环境数据发送至数据处理子系统；数据处理子系统包括存储模块、故障智能分析模块和专家诊断知识库模块；存储模块用于存储远程检测与诊断子系统所发送的故障数据和事件记录环境数据；故障智能分析模块用于对故障数据和事件记录环境数据进行重构，将故障数据与事件记录环境数据配置成故障结构，将故障结构输入专家诊断知识库模块进行诊断，并接收诊断结果进行输出；专家诊断知识库模块用于根据输入的故障结构通过故障树进行诊断，生成诊断结果。
[0047] 在本实施例中，远程检测与诊断子系统包括故障数据采集模块和环境数据采集模块；故障数据采集模块用于采集故障数据，包括传动控制单元数据、网络控制系统数据、制动系统数据和辅助系统数据；环境数据采集模块用于采集列车运行过程中的全部环境状态数据。远程检测与诊断子系统与数据处理子系统之间通过无线网络连接。远程检测与诊断子系统将所采集到的数据通过无线网络发送至数据处理子系统，存储至数据处理子系统中的存储模块中，进行后续的处理与分析。
[0048] 在本实施例中，故障智能分析模块包括数据重构模块、事件配置模块；数据重构模块用于删除故障数据和事件记录环境数据中的错误数据、重复数据、不完整数据、异构数据和日志数据；事件配置模块用于获取故障数据发生时的对应事件记录环境数据，生成故障结构，故障结构包括故障数据信息和对应的事件记录环境数据。由于远程检测与诊断子系统所采集的数据是未经处理的数据，其中包含有大量的重复数据，可能还存在有错误数据、不完整数据、异构数据以及日志数据等，而这些数据对于确定列车的故障没有实际的作用，因此，故障智能分析模块需要将这些无效数据进行过滤、删除。
[0049] 如图2和图3所示，在本实施例中，专家诊断知识库模块包括规则库模块，规则库模块用于存储以故障代码进行分类的故障树；规则库模块包括规则故障树、故障代码集、事件记录环境数据表、规则故障树管理与维护模块、故障树分析模块、知识管理模块；规则故障树是以传感器故障代码进行分类所构建的故障树；故障代码集用于存储每一种传感器故障代码；事件记录环境数据表用于存储与传感器故障代码相关的事件记录环境数据；规则故障树管理与维护模块用于对规则库进行管理，构建与维护规则故障树、对规则故障树进行模块化和分解；故障树分析模块用于根据故障结构通过规则故障树进行定性分析与定量分析，实现对故障的预测和诊断；知识管理模块用于对规则故障树的规则进行提取与维护，以及对事件记录环境数据进行提取。
[0050] 在本实施例中，如图4所示，事件记录环境数据表是规则树的基础，存储了所有规则故障（传感器故障）逻辑相关的事件信息，事件记录环境数据表包括字符类型的传感器故障代码，数值类型的故障相关事件模拟量，数值类型的故障相关事件数字量，数值类型的故障相关事件关联帧数。规则库通过基于预设的典型逻辑或预设的规则，利用故障数据和事件记录环境数据，进行故障判断而生成；或者，由用户根据需求而人工添加。规则故障树管理与维护模块通过可视化技术利用自动建树算法进行规则故障树的建立以及维护；利用基于双DFLM的故障树模块搜索法和FAUNET故障树约简算法对规则故障树进行模块化和分解。
[0051] 在本实施例中，通过故障树分析模块分析规则故障树的最小割集中包含的底事件状态，或者利用最小路集包含的通道事件的状态分析，对故障进行诊断或预测。在本实施例中，采用事故树分析法（Accident Tree Analysis，简称ATA）进行分析，它是一种从系统到部件，再到零件，按“下降形”分析的方法，它从系统开始，通过逻辑符号绘制出的一个逐渐展开成树状的分枝图，来分析顶端时间发生的概率。在本实施例中，首先采用自上而下的故障树搜寻法Fussell算法，计算故障树的最小割集，即导致故障树顶层故障事件发生的基本事件的最小集合，确定导致系统故障的各个基本原因，可以为检修和维护提供支持；同时利用对偶树，确定故障树的最小路集，及保证系统不发生故障的最小基本事件的集合，从而研究保证系统的稳定和安全，为控制系统故障或者为已发生故障系统恢复正常提供依据。在本实施例中，故障树分析模块对规则故障（传感器故障、系统故障）不但可以做定性分析，还能做定量分析；不仅可以分析单一构件引起的规则故障，也可以分析多个构件不同模式故障而产生的规则故障。
[0052] 在本实施例中，知识管理模块主要完成规则的提取，根据规则故障树进行推理形成规则，根据最小割集形成规则，同时利用定量分析的结果确定规则的重要性，在规则推理时的为冲突消解提供依据，同时维护规则的一致性，消除冗余、矛盾、循环规则等。
[0053] 如图2和图5所示，在本实施例中，专家诊断知识库模块还包括非传感库模块，非传感库模块用于存储以故障名称进行分类的故障树；非传感库模块包括非传感故障树、故障表征库、故障事实库、非传感故障树管理与维护模块、诊断推理模块和诊断历史维护模块；非传感故障树是以故障名称进行分类所构建的故障树；故障表征库用于存储全部的故障名称；故障事实库用于存储每一种故障名称所对应的故障描述、处理措施、触发条件、复位条件数据；处理措施包括与故障相关的逻辑组合、波形分析、故障诊断清单、现场试验数据以及专家经验数据；非传感故障树管理与维护模块用于构建与维护非传感故障树、对非传感故障树进行简化分解；诊断推理模块用于根据输入的故障结构，进行规则匹配，找出故障发生原因，给出诊断结果；诊断历史维护模块用于存储诊断历史记录，并对外部输入的经验进行汇总，形成故障表征库和故障事实库。
[0054] 在本实施例中，故障表征库存储了全部的非传感故障，此类故障往往不是问题的根源，而是一种问题综合的表现，如图2中所示的机车操作端冲突、压缩机1接触器卡分等。故障事实库中存储着与非传感故障相关的其它数据，并具备学习能力。
[0055] 在本实施例中，诊断推理模块根据输入的故障特征（包括故障名称），利用非传感故障树，进行规则匹配即故障推理。推理的方法主要正向推理和反向推理，正向推理即从事实到目标的推理，通过一定规则来证明故障原因的正确性；反向推理即自顶而下的推理，找出故障发生的根本原因。同时推理解释功能，在推理时完成对推理过程的解释，也可实现推理的人机交互，给出故障诊断策略。
[0056] 如图6所示，本实施例基于故障树的列车故障诊断方法，包括如下步骤：S1. 通过故障数据采集模块采集列车的故障数据，通过环境数据采集模块采集列车的事件记录环境数据；S2. 将故障数据与事件记录环境数据进行配置，生成故障结构；S3. 将故障结构输入专家诊断知识库模块进行分析诊断，并输出故障诊断结果。
[0057] 在本实施例中，在步骤S1之后，还包括步骤S1a：对故障数据和事件记录环境数据进行故障重构；故障重构包括删除数据中错误的、重复的、不完整的、异构的数据。
[0058] 在本实施例中，步骤S3的具体步骤包括：将故障结构输入专家诊断知识库模块，通过规则库进行定量和/或定性分析，通过分析故障树的最小割集中包含的底事件状态，或者利用最小路集包含的通道事件的状态分析，对故障进行诊断或预测。
[0059] 在本实施例中，对于非传感故障，可通过直接输入故障名称等故障特征，通过非传感库模块的诊断推理模块进行分析诊断，输出故障的诊断结果。
[0060] 上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。
