基于異常粒度及三支決策理論的城市軌道交通道岔整治智能決策系統

文 豪 楊 斌

(1.武漢鐵路職業技術學院鐵道通信與信號學院,430205,武漢;2.武漢地鐵運營有限公司,武漢,430019∥第一作者,工程師)

道岔工電聯合整治(簡稱“道岔整治”)是解決道岔機械病害的常見手段，目前廣泛應用于各鐵路及城市軌道交通項目。關于現場道岔整治技術的論述現已較豐富[1-2]，但鮮有涉及道岔整治計劃決策方面的研究。

城市軌道交通折返線的道岔不只數量多而集中，而且每天至少動作上百次。高使用率使得道岔容易出現不同程度的機械損傷，造成安全隱患甚至誘發故障。城市軌道交通發展迅速，但維護技術力量仍相對薄弱，難以高效兼顧所有道岔整治工作。因此，由過度整治或整治不及時導致的機械故障屢見不鮮。對此，科學制定道岔整治決策，制定有針對性的道岔整治計劃就尤為重要，應盡量在人力、物力有限的前提下提高道岔整治效率，降低故障率。

目前，主要基于人工評估的道岔機械狀況來制定道岔整治計劃，積累了很多經驗、取得了一系列成果，也發現了一些問題：①當道岔數、判斷條件或實際問題較多時，人工評估的效率較低；②如以達標與否來對不同量綱的指標直接定性判斷，則容易陷入過度整治壞圈；③對于測量數值的指標，僅分析當前結果，很少分析與對比該指標的變化趨勢，難以發現潛在問題。

受道岔故障智能診斷技術[3]及轉轍機狀態智能預測技術等[4]新技術啟發，本文提出基于專家系統[5]及軟計算等智能信息技術，將計算機優勢和人工經驗相結合，建立城市軌道交通道岔整治智能決策系統，以緩解上述問題。

1 道岔整治智能決策框架

1.1 道岔機械狀況異常粒度

道岔機械狀況評估是制定整治決策的最基本依據，通常對部位檢查數據、現場感官判斷及計算機監測數據等項目進行綜合分析。這些項目既有測量數值，又有邏輯判斷，而且存在不同測量指標的量綱也不同的問題。本文基于研究多層次結構信息處理的粒計算[6]概念，結合實踐經驗，定義異常粒度，以定量評估道岔機械狀況。異常粒度定義過程包括粒化分層、計算隸屬度及合成異常粒度。

1.1.1 粒化分層

將“道岔機械狀況評估”這一寬泛、模糊的命題粒化為若干問題粒層，以便從不同層次角度評估機械狀況異常程度。這一步驟簡化了命題形式，強化了命題內容。

1.1.2 計算隸屬度

設每一粒層都包括若干判定條件，基于判定條件，計算1個歸一化數值來表征粒層異常程度。這里采用模糊集作為粒計算實現方式。設有限論域U的模糊集記為A，構造隸屬函數uA(·)來計算U內每個元素x隸屬A的程度uA(x)，記為隸屬度，并有：

uA:U→[0,1]

(1)

隸屬度越接近1，表示越符合A的描述。

1.1.3 合成異常粒度

將各問題粒層隸屬度按一定規則合成的綜合隸屬度定義為異常粒度。合成規則和隸屬函數在功能及形式上等價。

實際應用中，各粒層往往需進一步劃分為若干子粒層才能進行全面的評估。當粒層數為m時，先將第i粒層所含子粒層隸屬度合成為第i粒層的異常粒度gi，再通過加權綜合得到綜合異常粒度G為：

G=[q1,q2,…,qm][g1,g2,…,gm]T

(2)

式中：

m——劃分粒層數；

q1,q2,…,qm——各粒層異常粒度權值且滿足q1+q2+…+qm=1。

gi與G均在[0,1]內，其值越大，說明異常程度越高。通過G不僅可定量評估道岔機械狀況，還可進行不同道岔狀況的對比分析。

1.2 基于三支決策理論的道岔整治決策

三支決策是一種基于實際人類認知的決策模式，其將決策過程劃分為接收、拒絕及延遲等3支[7]。在道岔整治中，道岔的狀況評估及對應整治決策相應分為3支。

d1——接收決策。道岔不可使用，存在影響行車安全的機械病害，需單鎖道岔并立即安排整治，直至其可恢復使用。

d2——拒絕決策。道岔狀態良好，不存在機械隱患或當前隱患容忍程度很高，暫不需整治，保持觀測道岔狀況變化趨勢即可。

d3——延遲決策道岔可使用，但存在影響道岔動作的機械隱患，需根據隱患容忍程度值和排序綜合制定倒排計劃，進行預防性整治。

通常設定閾值T1、T2，作為判斷決策的分支的依據。

1.3 基于異常粒度的道岔整治三支決策框架

為實現道岔整治智能決策，首先，將決策命題粒化為具體幾個問題層及其若干子粒層；然后，確定條件隸屬函數、合成規則及相關權值等參數，并計算異常粒度；最后，比較G和設定閾值(T1及T2)來匹配各支決策。

以城市軌道交通折返岔區為單位，對岔區道岔建立基于異常粒度的道岔整治三支決策框架(如圖1所示)，以實現道岔整治智能決策。

圖1 基于異常粒度的道岔整治三支決策框架

對于圖1中的延遲決策分支，需根據異常粒度值和排序來進一步確定最終的道岔整治計劃。

2 道岔整治智能決策系統設計方案

以武漢地鐵雙機牽引道岔為背景，基于道岔整治智能決策理論框架，設計滿足實際應用需求的道岔整治智能決策系統(以下簡為“決策系統”)。決策系統的本質等效于專家系統，參照常規專家系統，決策系統拓撲結構如圖2所示。

圖2 決策系統結構

由圖2可見，決策系統由人機交互界面、綜合數據庫、知識獲取規則、知識庫、推理機等5部分組成。其中，知識獲取、知識庫及推理機為設計核心部分，而人機交互界面及綜合數據庫由設計核心部分擴展而來。

2.1 知識獲取規則

知識獲取即從“專家”處學習知識的過程，是建立、擴充和修改知識庫的根據。決策系統的知識學習主要內容有：道岔機械狀況評估指標的選取規則、判斷機械狀況異常的方式與參考標準、評估及整治優先級策略等。獲取知識的主要方式如下：

1) 參考相關行業及企業標準。對于道岔工電聯合檢查測量項目，參考相關標準規定。

2) 現場實踐經驗總結。對于非數據測量項目，往往需根據人工經驗進行感官評價。

3) 采用統計分析及機器學習等應用數學方法。該方式主要用于獲取權值及臨界值等客觀參考數據。

2.2 知識庫建立

知識庫用于決策系統存放獲取的知識，是決策系統核心組成中最重要部分，采用知識產生式規則。決策系統知識庫中主要包括粒化規則、條件集、隸屬函數、合成規則及相關權值等內容。

2.2.1 粒化規則和條件集

參考道岔工電聯調經驗和標準，確定粒化規則和條件集，見表1。

表1 命題粒化規則和對應條件集

在表1中，第1粒層與第2粒層均為“是與否”的邏輯值，而第3粒層則以測量數值為主。對于測量數值，需進一步計算“超標率”和劣化側的“變化率”，以進行定量評估。

設超標的項目本次檢查測量數值為l、上一次檢查測量數值為l0，用bmax及bmin分別表示該項目參數參考標準值上限和下限，那么超標率E可統一按式(3)進行計算。

(3)

若項目(如尖軌密貼等)需要測量多個點位參數，則先計算每點位超標率再用層次分析法[7]加權。

劣化側的變化率C則可由式(4)計算：

(4)

2.2.2 隸屬函數、合成規則及相關權值

第1粒層沒有子粒層，其隸屬函數即為合成規則。其2個條件均為邏輯判斷條件，其判斷值為0或1，且任意1個條件成立時道岔均不可投入使用。因此，對2個條件進行邏輯判斷后取并集，便可得到異常粒度。第1粒層隸屬函數為：

f1(·)=L(H1，1)∪L(H1，2)

(5)

式中：

H1,1，H1,2——分別為第1粒層的第1、2個判斷條件；

L(H)——基于判斷條件H的邏輯判斷。

第2粒層有2個子粒層。子粒層的條件均為邏輯判斷，故其隸屬函數形式與f1相同。此外，由于2個子粒層的重要程度相同，因此，需將2個子粒層隸屬度等權值合成，即：

f2(·)=(f2,1(·)+f2,2(·))/2

f2,i=L(H2,i,1)∪…∪L(H2,i,j)∪…∪L(H2,i,m)

式中:

f2——第2粒層隸屬函數；

f2,1，f2,2——分別為第2粒層第1、2個子粒層的隸屬函數；

H2,i,j——第2粒層第i個子粒層的第j個條件值。

第3粒層子粒層較多，其條件為屬于[0,1]內的具體數值。為加強較大值的影響程度，本文將條件中兩個值的均方根值作為隸屬度。第3粒層隸屬函數f3(·)為：

(6)

式中：

H3,i,1,H3,i,2——分別為第3粒層第i個子粒層的第1、2個條件值。

之后，對各子粒層隸屬度進行加權合成。由于各子粒層間能互相影響，只要任一子粒層出現較大隱患就會影響道岔正常使用。因此，采用權值自適應分配機制：利用1個單調增函數生成6個函數值，并歸一化處理得到6個權值；為增強大隸屬度子粒層對整體評價的影響程度，先將權值與隸屬度分別按大小排序，再按序將權值依次分配給相應隸屬度。本文采用2為底的指數函數生成權值，自變量取[0,5]的整數。

對于第1、2、3粒層異常粒度的權值q1、q2、q3，應滿足如下條件：①按問題影響程度，有q1>q2>q3；②3個粒層的異常粒度可區分，即有q1≥(q2+q3)且q2≥2q3。據此將q1、q2、q3分別設為0.50、0.34、0.16。

2.3 推理機實現

決策系統采用“計算+判斷”的形式建立正向推理機模式。推理機采用基于異常粒度的道岔整治三支決策框架進行推理。

如第1粒層任意1個條件成立，則說明道岔存在影響行車安全的病害，不可使用。

1) 由于第1粒層q1= 0.5，故T1取0.50。如G>T1，則匹配決策d1。

2) 通過歷史數據分析和專家評估相結合的方式，取T2為0.03。如G

3) 如T2≤G≤T1，則匹配延遲決策d3。

本文根據q2、q3及實際情況，將延遲決策d3細化為3個異常級別細化預防性整治決策，如表2所示。

表2 延遲決策的細化整治決策

3 道岔整治智能決策系統實現

3.1 開發樣例

決策系統實質為數值分析系統。本文基于MATLAB軟件開發武漢地鐵道岔整治智能決策系統(測試版)，并通過GUI(圖形用戶界面)來實現人機交互功能。

1) 數據輸入內容與形式。根據目前道岔聯調工作現狀，數據輸入內容主要為岔區所有道岔連續2次工電聯合檢查及測量數據、微機監測相關數據等，并以電子表格形式錄入系統。

2) 需實現的基本功能:①分析岔區所有道岔機械狀況進行綜合培訓，并輸出整治決策；②可選擇切換并分項顯示單個道岔異常粒度。

武漢站岔區交叉渡線道岔系統人機交互界面樣例如圖3所示。

圖3 系統人機交互界面樣例

3.2 仿真試驗及分析

仿真試驗選取武漢站折返線4組道岔某月中旬連續2次工電聯合檢查及其他有關數據形成電子表格錄入系統。

相應的整體分析結果見表3。決策系統的計算總耗時為0.11 s,可見效率遠高于同等工作量的人工處理。

表3 仿真試驗結果

表3中8#反位道岔的G值最高。其機械狀況按表2應為異常二級。對該道岔進一步分析：在第2問題粒層中，滿足道岔動作不順暢條件；在第3問題粒層中，滑床板吊板異常粒度為0.098，權值最高，且對道岔動作有影響。因此，整治決策及其支持信息為：需在3 d內整治；首要考慮滑床板空吊問題引起的動作不順暢。當及時對滑床板高度進行調整后，道岔動作恢復平穩，有效消除了安全隱患。由此可見,高決策系統的決策結果高效可靠。

4 結語

本文針對城市軌道交通道岔機械狀況評估及整治計劃決策所面臨的問題，引入粒計算及三支決策理論等人工智能前沿知識，建立基于異常粒度的道岔整治三支決策體系。以武漢地鐵為背景設計開發的道岔整治智能決策系統界面友好、操作簡單，能將實踐經驗和不同量綱的客觀數據綜合在一起，實現了高效可靠的定量評估及決策，可避免全人工分析帶來的局限性，有助于對接未來的深度智能化運維系統。