鐵路TFDS 故障風險預測的貝葉斯決策模型構建

馬子欽

（國能鐵路裝備有限責任公司，北京 100011）

隨著鐵路建設技術的發展，鐵路設備增多，而故障風險也隨之上升，鐵路故障風險預測引起了社會各界的廣泛關注。現階段，我國高鐵已成功覆蓋超過80%的縣市，客運量龐大，產值高。為了更好地解決鐵路運營安全問題，鐵路風險預測已迫在眉睫，而建立鐵路TFDS（貨車運行故障動態圖像檢測系統）故障風險預測的貝葉斯決策模型是解決這一問題的重要前提。

近年來，不少學者開始圍繞鐵路TFDS 故障風險預測展開研究。其中，絕大多數研究集中于大型公共鐵路項目，且研究較為籠統。如文獻[1]采用灰色理論與數據包絡相結合的方式，對數據進行加權處理，并以某鐵路建設中的隧道項目作為實例，采集數據并對數據進行預處理，實現鐵路TFDS 故障風險的預測。文獻[2]通過建立多個評價指標體系，并結合G2法對評價指標進行賦權處理，使用博弈法進行賦權處理結果優化，結合可變模糊集理論的優勢評價鐵路TFDS 故障，以此得到故障風險預測結果。這些方法雖然能對鐵路故障進行預測，但預測精度并不高。

為了提升鐵路TFDS 故障風險預測精度，該文構建了鐵路TFDS 故障風險預測的貝葉斯決策模型。

1 故障風險辨識

1.1 貝葉斯網絡結構

鐵路TFDS故障風險辨識過程中需要進行故障風險概率的統計與估計，該文采用貝葉斯網絡結構統計故障風險發生的概率。貝葉斯網絡結構具有極強的普適性，能夠對不同種類的數據進行統一運算，可以降低運算的復雜程度[3-4]。貝葉斯網絡建模方法自身具備記錄歷史鐵路運營事故數據的能力，能夠通過內部節點分析故障的條件概率，在確定存在故障風險后，貝葉斯網絡拓撲結構會分析先驗概率和條件概率，從而判斷出風險成因，得到后驗概率，通過計算得到的后驗概率確定最大值，并及時在界面上顯示。

構建貝葉斯網絡結構的具體方法如下：

1）對故障風險的種類進行分類，并預估故障風險的發生概率。

2）根據步驟1）的預估概率結果，將TFDS 故障風險的等級劃分成三檔，分別對應不同等級的風險。

3）設一類故障發生的概率為P，則有：

其中，A表示第一類事件；B表示第二類事件；P(A∩B)為兩個事件共同發生的概率；P(B∣A)為在A發生的條件下B發生的概率[5-6]。

貝葉斯網絡結構如圖1 所示。

圖1 貝葉斯網絡結構

該文所涉及到的鐵路TFDS 故障主要分為設備安全和環境安全，前者包括設備安全性、設備可靠性和設備維護狀況，后者包括自然環境、社會環境和作業環境[7-8]。

根據上述貝葉斯網絡結構，能夠得到不同故障風險在特定條件下發生的概率。在得到了不同故障發生的概率數據后，計算這些數據相關性，可以更好地表示其他概率信息，提高概率估計的準確性[9]。假設P(x1,x2,…,xn)表示故障概率，則有：

其中，x1,x2,…,xn分別表示不同故障風險，xi為其中的第i個數據。

構建貝葉斯網絡結構后，要對各個節點的概率情況進行進一步處理，使各節點數據達到平衡。在計算的過程中，一旦出現節點變化情況，貝葉斯網絡可以通過上述過程分析各變量之間的數據變化，從而實現數據的自我修正[10-11]。

1.2 鐵路TFDS故障風險辨識

該文采用預先危險性分析法辨識鐵路故障風險[12]。首先，根據計算人員的經驗和研究對象的歷史數據分析系統可能存在的危險；其次，對分析得到的潛在危險進行貝葉斯演繹，展示潛在危險的預測結果；最后，搭建預測體系，將新數據帶入到上述方法中，得到具有普適性的結果數據。貝葉斯演繹方法如下：

其中，Q表示貝葉斯演繹結果數據，n1、m1、n2、m2分別表示不同類型的TFDS 故障風險數據[13-14]。

在經過上述計算過程得到Q值后，挖掘計算相關數據，根據經驗設置相關性閾值，獲得不同數據間的相關性強度，繼而可以有效判斷故障的高發種類。設α為不同數據間的相關強度，則有：

其中，u表示TFDS 故障種類的個數，μf表示相關強度閾值。

獲得數據相關性后，α≥0.756 的數值結果表示高發的故障類型，建立圖像系統對其進行分析，獲得準確的預測結果；對α＜0.756 的數值需要進行同源處理，將其與高相關性數據合并，降低算法的復雜程度。合并高相關性和低相關性的數據后，對整體進行簡要評價，并對安全評價作出初步判斷，得到鐵路TFDS 故障風險辨識結果。

2 故障風險預測

在得到了鐵路TFDS 故障風險數據后，需要對鐵路安全評價方法進行選擇，根據評價結果實現風險預測。對鐵路安全數據進行挖掘處理，得到更深層次數據，優先采用綜合評價法對數據進行分析。挖掘處理得到的數據能夠貼合實際生產生活中的現實情況。挖掘處理具體方法如式（5）所示：

其中，xk+1表示挖掘處理后的數據；xk表示挖掘處理前的數據；J為雅克比矩陣，JE為該條件下的特定矩陣值。

JE趨近于0 時，數據的可靠程度越高；反之，數據的可靠程度相對較低，需要將數據進行二次篩選，得到更符合該文模型的數據。在網絡訓練中，將數據代入上式，得到的數據即為選擇評價方法的判斷依據[15]。將挖掘處理后的數據和設置的閾值進行比較，優先采用綜合指數法評價鐵路安全情況，反映研究對象的實時變化情況，并對鐵路安全評價的可靠性進行實時監測[16]。

根據綜合指數預測故障風險，具體步驟：首先，將研究對象數據值和評價過程的標準數值進行差異化處理；然后，對所有的實際值和標準值進行加權處理，計算得到最終的綜合評價值。風險綜合評價值能夠反映在整體條件下，對象數據值和周邊數據的融洽程度，進一步提升鐵路風險預測的可行性。設Y為風險預測值，則有：

其中，y1和y2分別表示研究對象數據值和評價過程的標準數值；a表示綜合評價過程中的周邊數據隨機取值。

使用綜合評價法獲得綜合評價值后，需要對其進行量化處理，以便增強綜合評價結果的可靠程度。量化處理能夠消除數據本身帶來的不確定性，消除數據噪點，減小差異性數據對整體產生的影響。此外，量化處理后的數據同樣可以為隨后的定性指標分析過程提供數據支持。用T表示故障風險預測，則有：

其中，Y表示計算得到的差異化處理值；c、d分別表示安全評價特征值；f表示鐵路安全系數。

通過評價結果實現鐵路TFDS 風險預測，既能排除主觀因素的影響，又保證了數據收集處理時的客觀性以及預測結果精確程度。

3 實驗分析

為了驗證該文提出的鐵路TFDS 故障風險預測的貝葉斯決策模型的實際應用效果，進行了相關實驗。選用某地區鐵道作為研究對象，該地區鐵路所處地形地貌為丘陵，地勢蜿蜒起伏，列車在經過鐵路的過程中受到地形影響，有可能出現安全事故，因此對該區域的鐵路TFDS 故障風險進行預測。同時選擇基于灰色關聯分析和多層感知器的鐵路風險預測方法和基于可變模糊集理論的鐵路風險預測方法進行實驗對比，比較三種方法的預測精度、預測時間。

根據鐵路TFDS 故障預測實際數值，計算預測過程的隸屬度如下：

其中，M表示預測的隸屬度；h表示風險級別規定值；c表示最低風險閾值；預測區間為[a,b] 。

設定區間[a,b]，分析隸屬度是否屬于區間，若不在區間內部，判斷隸屬度位于區間左側還是右側。在獲取相關的判斷結果后，通過歸一化處理得到最終結果。指標判斷過程如圖2 所示。

圖2 指標判斷過程

分析特征值，計算評價結果，比較故障狀態的TFDS 鐵路負荷，得到的實驗結果如圖3 所示。

圖3 鐵路負荷預測結果

根據圖3 可知，預測對象鐵路TFDS 負荷波動十分明顯，說明其存在多種故障。同時選用三種預測方法進行預測，該文提出的預測方法所得到的預測負荷精度與實際負荷波動情況更為相符。說明與傳統預測方法相比，該文提出的預測方法預測精度更高，能夠精準地判別鐵路TFDS 是否存在風險。

比較預測TFDS 故障過程中三種方法花費的時間。為保證實驗的真實性，該文設定預測次數為10次，得到的實驗結果如表1 所示。

表1 預測時間實驗結果

根據表1 可知，基于貝葉斯決策模型的風險預測方法能夠在更短的時間做出鐵路TFDS 故障風險預測，10次預測過程中的預測時間平均值為10.457 s；而傳統的基于灰色關聯分析和多層感知器的鐵路風險預測方法預測時間平均值為60.569 s，基于可變模糊集理論的鐵路風險預測方法預測時間平均值為55.557 s。由此可見，該文提出的預測方法能夠在短時間內精準地判斷鐵路TFDS 故障風險，具有很高的實際應用價值。

4 結束語

該文以貝葉斯算法為基礎，構建鐵路TFDS 風險預測貝葉斯模型，發揮貝葉斯算法的普適性，以此統計故障風險發生的概率，根據貝葉斯演繹運算結果與數據相關強度判斷故障風險類型，對故障風險數據進行挖掘處理與安全評價，以此實現鐵路TFDS 風險預測問題。實驗證明，相比對照方法，基于該文提出方法的預測結果更為精準、所用預測時間更短，說明該方法具有很強的實用價值，能在實際應用中準確預測鐵路TFDS 風險，為鐵路TFDS 風險預測實踐提供參考。