CTCS-3级(Chinese Train Control System-3)列控车载设备在保障列车安全和提高运行效率方面发挥着重要作用。车载接口设备实现车载列车自动防护(ATP)系统与地面设备、司机和列车的交互,然而它的故障在车载设备故障中占比高。为了确定故...CTCS-3级(Chinese Train Control System-3)列控车载设备在保障列车安全和提高运行效率方面发挥着重要作用。车载接口设备实现车载列车自动防护(ATP)系统与地面设备、司机和列车的交互,然而它的故障在车载设备故障中占比高。为了确定故障原因并保证行车安全,提出一种基于时序知识图谱补全的列控车载接口设备故障诊断方法。首先,采用引入时序的方式整合行车日志和故障统计数据,从而提取故障现象并对齐实体,构建时序知识图谱;其次,构建基于图谱补全的故障诊断网络,融合时序翻译(T-TransE)向量化算法、双向长短期记忆(Bi-LSTM)网络和自注意力(SA)机制提取时序特征;最后,使用某铁路局近几年的车载接口设备故障数据对T-TransE向量化模型进行预训练,选出效果最佳的时序引入方式。为验证所提方法的优越性以及数据结合方式的有效性,使用车载故障数据对不进行数据结合且不进行时序关系引入的故障诊断网络以及其他常见的故障诊断网络进行测试。实验结果表明,在同一语料的情况下,与其他故障诊断框架相比,基于时序知识图谱补全的故障诊断模型正确率最高,达到96.69%。展开更多
为弥补现有指标的不足,引入韧性作为非常态事件下CTCS-3级(China train control system-3)列控车载子系统运行稳定性的测度指标.提出了车载子系统韧性量化评估方法,构建了基于贝叶斯网络(Bayesian network,BN)的韧性评估模型,并定义了5...为弥补现有指标的不足,引入韧性作为非常态事件下CTCS-3级(China train control system-3)列控车载子系统运行稳定性的测度指标.提出了车载子系统韧性量化评估方法,构建了基于贝叶斯网络(Bayesian network,BN)的韧性评估模型,并定义了5种基于韧性的部件重要度指标;进一步利用贝叶斯网络双向推理功能,计算了车载子系统在不同扰动情景下的韧性及部件重要度指标.研究结果表明:韧性可全面描述车载子系统抵御扰动和从扰动中恢复的能力,非常态事件扰动下,韧性与可用性指标存在明显差异;不同扰动情景下系统韧性明显不同,扰动发生时,车载子系统面临磁暴影响时的韧性为0.8017,而遭遇雷电时的韧性为0.8819,面临冰雪扰动时的韧性为0.9880;部件重要度存在情景依赖,同一部件在不同扰动情景下重要度排序可能不同,且可能随时间动态变化.展开更多
基于通信的列车运行控制(communication based train control,CBTC)系统采用车地通信方式使得地面设备极其复杂。随着通信技术的快速发展,以车载为核心的列车运行控制(train-centric communication based train control,TcCBTC)系统采...基于通信的列车运行控制(communication based train control,CBTC)系统采用车地通信方式使得地面设备极其复杂。随着通信技术的快速发展,以车载为核心的列车运行控制(train-centric communication based train control,TcCBTC)系统采用车车通信方式减少了控制信息的传递环节,将成为城市轨道交通领域的发展方向。移动授权(movementauthority,MA)是决定列车能否以安全间隔运行的直接因素,因此对MA生成过程进行形式化建模与分析,对避免列车碰撞具有重要意义。根据TcCBTC系统架构分析MA生成流程,确定参与功能实现的子系统,并计算出不确定性参数;通过UPPAAL-SMC建立对应的随机混成自动机网络模型;最后采用统计模型检测方法对模型进行定量分析。分析结果表明:置信度为99.95%的情况下,系统在300 ms内成功计算出MA的概率为0.9974124748,为后续TcCBTC系统开发设计提供理论参考。展开更多
文摘CTCS-3级(Chinese Train Control System-3)列控车载设备在保障列车安全和提高运行效率方面发挥着重要作用。车载接口设备实现车载列车自动防护(ATP)系统与地面设备、司机和列车的交互,然而它的故障在车载设备故障中占比高。为了确定故障原因并保证行车安全,提出一种基于时序知识图谱补全的列控车载接口设备故障诊断方法。首先,采用引入时序的方式整合行车日志和故障统计数据,从而提取故障现象并对齐实体,构建时序知识图谱;其次,构建基于图谱补全的故障诊断网络,融合时序翻译(T-TransE)向量化算法、双向长短期记忆(Bi-LSTM)网络和自注意力(SA)机制提取时序特征;最后,使用某铁路局近几年的车载接口设备故障数据对T-TransE向量化模型进行预训练,选出效果最佳的时序引入方式。为验证所提方法的优越性以及数据结合方式的有效性,使用车载故障数据对不进行数据结合且不进行时序关系引入的故障诊断网络以及其他常见的故障诊断网络进行测试。实验结果表明,在同一语料的情况下,与其他故障诊断框架相比,基于时序知识图谱补全的故障诊断模型正确率最高,达到96.69%。
文摘为弥补现有指标的不足,引入韧性作为非常态事件下CTCS-3级(China train control system-3)列控车载子系统运行稳定性的测度指标.提出了车载子系统韧性量化评估方法,构建了基于贝叶斯网络(Bayesian network,BN)的韧性评估模型,并定义了5种基于韧性的部件重要度指标;进一步利用贝叶斯网络双向推理功能,计算了车载子系统在不同扰动情景下的韧性及部件重要度指标.研究结果表明:韧性可全面描述车载子系统抵御扰动和从扰动中恢复的能力,非常态事件扰动下,韧性与可用性指标存在明显差异;不同扰动情景下系统韧性明显不同,扰动发生时,车载子系统面临磁暴影响时的韧性为0.8017,而遭遇雷电时的韧性为0.8819,面临冰雪扰动时的韧性为0.9880;部件重要度存在情景依赖,同一部件在不同扰动情景下重要度排序可能不同,且可能随时间动态变化.
文摘基于通信的列车运行控制(communication based train control,CBTC)系统采用车地通信方式使得地面设备极其复杂。随着通信技术的快速发展,以车载为核心的列车运行控制(train-centric communication based train control,TcCBTC)系统采用车车通信方式减少了控制信息的传递环节,将成为城市轨道交通领域的发展方向。移动授权(movementauthority,MA)是决定列车能否以安全间隔运行的直接因素,因此对MA生成过程进行形式化建模与分析,对避免列车碰撞具有重要意义。根据TcCBTC系统架构分析MA生成流程,确定参与功能实现的子系统,并计算出不确定性参数;通过UPPAAL-SMC建立对应的随机混成自动机网络模型;最后采用统计模型检测方法对模型进行定量分析。分析结果表明:置信度为99.95%的情况下,系统在300 ms内成功计算出MA的概率为0.9974124748,为后续TcCBTC系统开发设计提供理论参考。
