[发明专利]基于模糊粗糙集与决策树的轨道电路红光带故障定位方法

摘要

本发明公开了一种基于模糊粗糙集与决策树的轨道电路红光带故障定位方法。主要包括以下步骤：1)建立初始决策表；2)将连续型故障特征属性模糊离散化，建立模糊决策表；3)将故障样本训练数据输入后得到约简决策表；4)建立诊断决策树模型；5)将实测数据输入诊断决策树模型，计算得到故障诊断结果将实测数据输入诊断定位决策树模型，初步判断得到故障定位结果，再结合专家经验判断具体设备的故障并给出相应的故障维修建议。本发明无绝缘移频轨道电路红光带故障快速准确定位故障点，极大降低故障诊断的盲目性和复杂性，具有较好的规则解释性和较强的鲁棒性，提高故障定位速度和准确度，为轨道电路智能故障诊断提供一种新的故障定位技术手段。

主权项

1.基于模糊粗糙集与决策树的轨道电路红光带故障定位方法，包含如下主要步骤：1)首先根据ZPW‑2000A型无绝缘轨道电路系统的设备组成特点，确定系统故障类型，再利用轨道电路监测信息确定系统故障特征属性，建立原始决策表；2)将连续型故障特征属性模糊离散化，建立模糊决策表；3)将故障样本训练数据输入到决策表中，利用粗糙集对条件属性进行约简，得到约简决策表；4)利用决策树C4.5规则提取算法对约简决策表提取诊断规则，建立诊断决策树模型；5)将实测数据输入诊断决策树模型，计算得到故障诊断结果将实测数据输入诊断定位决策树模型，初步判断得到故障定位结果；所述步骤1)中，首先通过分析系统设备组成及轨道电路监测信息，确立轨道电路系统故障诊断初始决策表；将其基础故障类型区分为发送端室内故障、室外故障和接收端室内、室外故障作为决策表的决策属性，然后以红光带故障为诊断定位对象，确立影响系统故障的特征属性作为决策表的条件属性；所述步骤2)中，采用模糊集理论对连续属性离散模糊化，根据专家经验确定各连续型条件属性的模糊取值及对应隶属度函数，用高斯正态分布的隶属度函数来描述模糊取值，计算决策表中各条件属性取值的隶属度，根据隶属度的大小分别用偏低(L)、偏高(H)和合适(N)三个语言变量来描述条件属性的模糊取值；方法如下：设每个连续属性经过模糊化后得到3个模糊子集分别用3个模糊词偏高(H)、合适(N)、偏低(L)表达，第i个连续属性Ai的数值属于第j(j＝1,2,3)个模糊子集的隶属度采用高斯正态隶属度函数表达如式(1)：其中σ＞0,dij∈R,dij是根据专家经验确定的条件属性的聚类中心，参数σ的取值根据具体情况进行设置，Ui表示样表集中任意元素的值；设样本集为论域U＝{x₁,x₂,...,x_n}，模糊属性集是由一族模糊属性组成,决策属性由D＝{D₁,D₂,...,D_N}；每一个模糊属性可以将论域划分成p_i＝3个模糊(子集)等价类，即其中为模糊条件属性的第j个模糊子集；则称由这样的论域与模糊属性集构成的信息系统为模糊决策表；所述步骤3)中，将故障样本数据输入决策表，利用粗糙集具有处理不完备决策表的能力，根据粗糙集中的可辨识矩阵概念对决策表进行属性约简，去除冗余属性得到约简决策表；具体步骤如下：令M是决策表的可辨识矩阵，A^*＝{a₁,a₂,...,a_n}是所有条件属性的集合，S是M中所有属性组合的集合，且S中不包含重复项，令S中包含有s个属性组合，每个属性组合表示为B_i，其公式化描述为B_i≠B_j(i,j＝1,2,...,s)，令Card(B_i)＝m，则B_i中每个条件属性表示为B_i,k(k＝1,2,...,m)，其中Card(·)表示集合的基数；若矩阵中元素的属性组合数为1，表明除该属性以外的属性无法将决策不同的两条记录区分开，该属性不可去掉，它属于核属性，所有这样的属性组成核属性集，令C₀为核属性集，令C为属性约简后得到的属性集合；(1)将约简后的属性集合初始化为核属性集，即C＝C0；(2)在可辨识矩阵中找出所有不包含核属性的属性组合，即Q＝{Bi:Bi∩Bj≠φ,i＝1,2,...,s},S＝S‑Q；(3)将属性组合S表示为合取范式的形式，即P＝∧{∨Bi,k(i＝1,2,...,s；k＝1,2,...,m)}；(4)将P转化为析取范式，即P′＝∨{∧Bi,k(i＝1,2,...,s；k＝1,2,...,m)}；所述步骤4)中，利用决策树C4.5算法对约简决策表进行规则提取，建立诊断决策树；具体方法如下：根据属性约简结果，按得到的约简决策表，将故障样本数据输入约简决策表采用决策树规则提取算法提取规则，建立诊断定位决策树，构成故障定位系统模型；设整个样本数据集为S'，定义n个不同类的类别集为{D1,D2,...,Dn}，设符号|E|为集合E的基数，则任意样本属于某类别Di的概率Pi＝|Di|/|S′|；对数据集S'进行分类所需要的初始信息熵为：设描述属性A具有v个不同模糊取值，用描述属性A可将数据集S'划分为v个子集{S'1,S'2,...,S'v}，其中S′j(j＝1,2,...,v)中的样本在属性A上具有相同的值；则根据描述属性A划分数据集S'所得信息熵为：其中pij＝|Dij|/|S′j|表示数据子集S′j中类别为Di的样本所占的比例；E(A)越小表示该描述属性对数据集划分的纯度越高，由式(2)～(4)可以得到按属性A划分样本集S'的信息增益：Gain(A)＝I(|D1|,|D2|,...,|Dm|)‑E(A)    (5)属性A的分割信息量为：由式(5)和(6)可得信息增益率的计算公式：式(7)即为描述属性A划分数据集S'的信息增益率；采用决策树C4.5规则提取算法的具体步骤如下：(1)约简决策表属性集上计算条件属性的信息增益率，将信息增益率最大的属性加入队列X中；(2)将X中的属性作为决策树的测试属性节点，清空队列X；根据节点上条件属性的值进行分支,对每一分支进行分支测试，若某一分支中所有的样本都来自于同一个决策类别，则产生一个标有该类别名的叶节点；对于不符合属性分支测试的支路，选取一个分支转步骤(1)，直到树中所有分支都达到叶节点为止；所述步骤5)中，确立系统故障诊断决策树模型后，若轨道电路发生红光带故障，即将实测现场故障数据输入到模型中，根据输出结果进行判断，初步快速定位故障点，结合专家经验知识给出故障处理建议。