关键词：贝叶斯网络；粗糙集理论；列控系统

1  引言

在全面实施铁路跨越式发展战略的同时，全国铁路得以实现第六次提速，运行时速最高可在200km及以上[1]，这大大减少了人们出行过程中的时间，对列车运行行业来说也有了很大的提高，CTCS-3级系统具体包括四大模块，即信号数据传输网络、地面设备、车载设备、GSM-R无线通信网络。

要求提高运行速度的同时，也要保证列车运行的安全，在这样的需求下论文优化了贝叶斯网络对 CTCS-3级列控系统的故障研究方法，避开了完全靠专家的先验知识来排查故障，采用粗糙集理论和贝叶斯网络结合的方法提高故障排查的准确性.

2  贝叶斯与粗糙集理论

2.1 贝叶斯基础理论
2.1.1 贝叶斯公式

2.1.2 贝叶斯网络

概率推理属于贝叶斯网络的前提，概率推理是利用已知的信息来推理未知信息的过程，而贝叶斯公式则是主要工具来构建贝叶斯网络，贝叶斯网络的出现解决了很多信息不完整的问题，对于故障排查来说，正是恰当利用贝叶斯网络这个优点，在故障排查领域获得了广泛的应用。

在贝叶斯网络定义方面，主要涉及到条件概率表集合、有向无环图。有向无环图之中的任一节点，均对应于一个随机变量，它可以为隐性、也可以为直接观测变量。随机变量在条件概率表之中的任一元素均与DAG内存在的唯一节点对应。
2.2 粗糙集理论在列控系统中的应用
    粗糙集理论的出现大大简化了庞大的数据库，它可以通过推理现有的数据对潜在的知识关联进行挖掘。不论是模糊级还是粗糙集，均可针对不完整信息进行处理，前者更为关注对信息含糊程度的描述，而后者则更为关注数据不精确、不可辨度[3]。相比之下粗糙集理论的优点是利用现有的数据，不需要任何先验知识来挖掘数据。

这一理论的运用是针对诊断决策系统内冗余数据和并不明确的诊断规则进行分析和处理，对系统约简并求解，最终获得诊断决策方面必要的故障征兆。约简过程如下三部分构成，即由决策表、属性约简、模型化简构成。具体步骤如下：

（1）决策表建立。利用搜到的故障信息，在分类故障时以故障征兆作为条件属性，针对各类故障状况建立诊断决策表。

（2）属性约简。属性约简是对诊断决策表进行约简，一般分为三个过程[4]。

1）条件属性简化。消除决策表中无关的或者不必要的条件属性。

2）消除相同决策规则。消除决策表中完全相同的决策规则，即消除重复的行。

3）消除冗余属性值。进一步简化处理后的决策表，在不改变决策表分类能力的情况下，找出属性中存在的冗余项，保留最小的属性集合，得到最优属性约简集。

（3）诊断模型化简。针对对应于模型冗余属性的故障征兆点进行消除，模型简约过程如图1所示。

                          图1  模型简约过程

3  列控系统的故障诊断

3.1 列控系统故障类型
    论文根据列控系统的结构和功能把提取到列控系统中的故障数据划分为三层，分别如下：

第一层：仅有一个，即为列车运行控制系统CTCS-3。

第二层：该层为故障类型由BTM故障、ATPCU故障、RBC故障、车地通信故障、TCR故障、接口故障。

第三次：该层为故障原因由全零应答器故障、BTM端口失效、BSA永久性错误、C3转C2失败、呼叫RBC失败等。

3.2 贝叶斯对列控系统的诊断

故障树转换法：基于故障树分析转化成对应的贝叶斯网络[5]，并通过组合形成明确的拓扑结构图的方式，即为故障树转化法。

故障树转换成贝叶斯网络的优点是可以容易的画出贝叶斯网络结构图，通过结构图可以更快的确定哪条线路是故障发生的概率最大，并提出相应的解决方法，通过转换事件树为贝叶斯网络，得到对应的贝叶斯网络。在该网络之中，事件树对应的安全环节即为根节点，组成一组随机变量，令代表安全环节故障失效，兄代表安全环节作用。将各个状态节点与事件树互为对应的每一个状态的结果构建在贝叶斯网络中，由此得到与安全环节相应的故障树。下图即展示了故障树事件逻辑关系、贝叶斯网络条件概率分布之间的对应关系。故障树与贝叶斯网络之间的关系如图2所示。

                             图2 故障树与贝叶斯网络之间的关系

                       （2

利用上式，将表中原有的28个故障原因节点（表1）约简为25个，减少了节点数量，简化了网络模型。如表2所示。

根据专家知识将故障节点之间的关联用线段连接起来，如图3所示。

图3  基于专家知识的贝叶斯网络                                                                                            

论文以贝叶斯网络为基础的列控系统故障诊断系统进行构建，重要构建部分如下：

（1）登录界面

用于特定用户的登录，登陆后进入诊断系统的主界面

（2）主界面

打开主界面，且在界面指定区域内选择相应功能模块。

（3）故障诊断模块

输入故障数据，再利用贝叶斯网络建立的模型进行概率推理得到故障诊断结果。
4  故障诊断实例分析

结合武广线列控车载设备故障文本，对其中之一进行选定，设定为网络模型推理实例，具体参见表3指示。

5  总结

列控系统就是通过信号技术控制列车的运行，它属于高铁的中枢神经和大脑。当该系统产生故障时，如果无法及时加以解决，会对整个运营线路会造成很大的影响。因此本文提出了一种基于贝叶斯网络的列控系统的故障诊断方法，用粗糙集理论将贝叶斯网络进行简约，以便提高查找故障的效率，同时也很大程度上改善了列控系统故障的自我诊断能力。

本文的创新点在于将粗糙集理论与贝叶斯网络进行结合，降低了知识获仅来自专家经验。划分贝叶斯网络架构为如下部分，即TCMS-3、故障类型、故障原因三层。然后采用最大似然法对贝叶斯网络参数进行计算，推出各节点发生的概率，最后推出该故障发生的具体原因，为了论证论文方法的准确性，采用武广线数据进行实例验证，结果表明本文提出的故障诊断模型达到了预期的效果。