摘要：当下集中监测系统在铁路信号设备故障检测领域中有较广泛应用，加强其核心部分知识库的研究有很大必要性。因为知识库内存有的是处理设备故障所需的检修经验、规程、技术规范要求等，故而迫切需要建设一种较好的知识表示方法，为设备故障相关知识的搜索、应用及整改创造便利条件。文章以ID5R算法为基础构建了铁路信号设备复杂故障诊断知识表示，并探究知识库的现实使用方法，以验证其有效性。
关键词：铁路信号设备；故障诊断；ID5R算法；知识库
铁路信号系统属于一个复杂的控制系统，其内包括了多种几点设备设施。多样性是系统故障现象的典型特征，而诱发故障的因素通常是模糊不清的、不确定的。怎样结合既往大量的信号设备故障真实信息去捕获领域内较专业的知识，并借助恰当的知识表示方法构建完善的数据库，是故障诊断系统建设期间需重点考虑的内容之一。
1、获取知识及表示知识模型
获取的知识包涵了和故障这段系统相关的全部知识。需要捕获的领域知识主要包括如下几点：①信号系统运行期间出现的各类故障现象、位置及诱发因素；②既往故障发生、检修时录入的数据及分析结果；③维修人员对故障采用的诊断方法、依照的原理即经验式数据。以交互式、学习式捕获结合的形式，去维护故障诊断系统的性能。
因为故障特征库数据具有较高的层次性，沿袭使用传统的数据存储方法难以整体表示，故而本文提出了一种新型算法——决策树学习算法，其是基于现实信息的机器学习方法，也可以被叫做归纳学习法。该方法立足于客观环境提供的无秩序性实际案例信息，从内推导总结出领域知识的常规，实质上就是产生式规则，进而达到构建知识库的目的。
2、复杂故障分类决策树学习算法
现已证实，以决策树分类规则为基础构建的知识表示方法，在建设故障诊断系统阶段发挥重要的辅助作用。而现实中铁路信号故障时多样复杂的，这主要是因为设备特性值和故障类型之间存在着难以确定的对应关系，通常不具有明确的决策数结构，这就意味着不能直接采用决策树分类规则对应的知识表示方法对信号设备故障作出分类决策。为解除以上困局，应积极探究新的应对方法。
ID5R算法是今年发展起来的一种评估标准，该算法基于信息熵函数开展学习总结操作，设定分类决策问题的信息集 ，A代表的是铁路信号设备特性信息总集，单一特性采用ai表示，有
.png)
分类概率是以上评价函数的凭据，属于一个以熵为基础的函数类型，适用于评估选择各种特性值分类后所取得的信息量，取一个E值最低的属性等同于就是选一个捕获信息量最多的属性。本文如下概括ID5R决策树学习算法的基本组成：
步骤I：若根结点是空，则将实例整合至根结点对应的实例集，把该实例对应的分类设为根结点的分类，若根结点的实例集内只含有一个实例，则此时根结点可以被视为叶结点；
步骤II：反之，把实例顺沿决策树予以匹配，直至抵达一个叶结点；
步骤 III：若能确定实例与该叶结点内他类实例隶属于同一分类，则将该实例整合至该叶结点对应的实例集；
步骤IV：否则，针对新整合实例的结点，按照递归思维更新该结点对应的子树，特殊情况下可以生成新的分枝。
3、铁路信号设备复杂故障诊断知识库的构建
3.1生成设备故障诊断决策树
假定通过故障统计的形式获取8个训练例，各训练例均持有3种设备运作状态，依次采用“Dec1、Dec2、Dec3”表示，各属性均可能有3种取值形式，即“N”、“Y”与“F”，依次表示“接通”、“断离”、“虚接”，有3种故障类别“δ1”、“δ2”、“δ3”，依次代表“无故障”、“短路故障”、“断线故障”。
假定算法内故障类型δ1、δ2、δ3的计数采用一个有序对表示，其对应的形式为[δ1、δ2、δ3]。基于ID5R算法测求复杂故障诊断问题决策树的部分流程如下[1]：
流程I：将首个训练例整合至决策树根结点集，Dec1、Dec2、Dec3均等于N且属于δ1类，此时的根节点可作为叶节点；
流程II：把第2个训练例，Dec1=Y、Dec2与Dec3均等于N属于δ3，由此决策树需要拓展一层，结合ID5R算法的有关规则，仁义选取一个特性Dec1予以规划，能生成新的决策树；
……
流程VIII：Dec1、Dec2、Dec3均等于Y整合以后，决策树的外部结构不会发生改变。
对该实例进行分析后，发现在ID5R算法的支撑下不仅能探寻到阐述训练例集合对应的简易型决策树，并且若有新增训练例时也不必调整决策树的原始结构，能较有效的完成增量学习，促进决策树的生成过程，实用性较高。
3.2实现形式
采用以ID5R算法为基础生成的决策树，依照优先原则检索并于各个结点生成“IF…THEN”规则，随即就能捕获故障诊断知识的产生式表示形式，进而达到建设故障诊断系统知识库的目标。如下为该系统知识库的部分程序编码[3]：
rule： // 规则1
if Dev2 is N //前提
and Dev3 is N
and Dev1 is N
then Conclude 电路故障 is 无故障 //结论
……
rule： // 规则8
if Dev2 is F //前提
and Dev3 is Y
and Dev1 is N
then Conclude 电路故障 is 短路故障 //结论
结束语
地铁车站信号设备故障类型繁多，检修工作不仅要求可以智能化获取知识，也要求故障诊断知识持有较强的推理功能。鉴于此，本文基于ID5R 算法设计了知识的捕获与表示方法，其具备自学、自组织能力及增量式功能，在复杂故障诊断领域中表现出较强的适应性。
参考文献：
[1]徐林.高速铁路信号集中监测系统在故障处理中的应用[J].中国新通信,2019,21(24)：102-103.
[2]周庆华,李晓丽.基于MCNN的铁路信号设备故障短文本分类方法研究[J].铁道科学与工程学报,2019,16(11)：2859-2865.
[3]高振红.铁路信号设备的自动化控制技术研究[J].价值工程,2019,38(31)：212-213.
论文作者:夏刘盈
论文发表刊物:《基层建设》2019年第31期
论文发表时间:2020/4/2
标签：故障论文; 结点论文; 算法论文; 知识论文; 设备论文; 故障诊断论文; 实例论文; 《基层建设》2019年第31期论文;