謝明軍,何劍峰 ,胡小溪，曹 源

(1. 通號(西安)軌道交通工業(yè)集團(tuán)有限公司, 西安 710100; 2. 北京交通大學(xué) a.軌道交通控制與安全國家重點實驗室, b.軌道交通運(yùn)行控制系統(tǒng)國家工程研究中心, 北京 100044)

據(jù)不完全統(tǒng)計，從2012年初至2017年末，北京市因信號系統(tǒng)故障導(dǎo)致的城市軌道交通列車延誤5 min及以上的事故226件，涉及列車3 548列，停運(yùn)事故1 150件，涉及列車3 263列，造成了旅客出行的不便和經(jīng)濟(jì)損失.產(chǎn)生這些事故的原因主要是由于城市軌道交通信號系統(tǒng)結(jié)構(gòu)復(fù)雜、耦合緊密、集成度高；信號設(shè)備故障類型多、故障影響范圍大；信號故障診斷困難、維護(hù)搶修耗時較長.目前，城市軌道交通運(yùn)營現(xiàn)場的故障診斷依舊依賴專家經(jīng)驗，無法滿足城市軌道交通對運(yùn)輸?shù)男枨?因此，如何有效地進(jìn)行城市軌道交通信號的故障診斷是解決故障時恢復(fù)城市軌道交通運(yùn)輸系統(tǒng)規(guī)定運(yùn)營能力的關(guān)鍵所在.

城市軌道交通信號故障日志是目前現(xiàn)場最常見的故障信息的載體，記錄了故障相關(guān)的信息.學(xué)界上，利用統(tǒng)計機(jī)器學(xué)習(xí)方法可挖掘和學(xué)習(xí)故障日志的故障相關(guān)信息，建立故障現(xiàn)象與致因間的映射關(guān)系，從而達(dá)到故障診斷的目的[1].

基于故障日志的故障診斷通常包括文本預(yù)處理、特征分析與提取、構(gòu)建分類器、故障診斷4個步驟[2].1)文本預(yù)處理通常是數(shù)據(jù)清洗、文本分詞與結(jié)構(gòu)化.數(shù)據(jù)清洗主要是過濾無效數(shù)據(jù)和填補(bǔ)缺失值等.分詞是將文本字符串切割成詞或字單元，以便結(jié)構(gòu)化處理和轉(zhuǎn)換.分詞方法主要有基于詞庫、基于統(tǒng)計和基于理解的分詞[3].其中，常用的分詞方法是基于詞庫的分詞[4-5]，但這種方法對詞庫的依懶性強(qiáng)，需要處理未登錄詞(該詞不存在于詞庫中，但存在于故障日志中)的問題，導(dǎo)致人工維護(hù)詞庫的工作量大.結(jié)構(gòu)化是將分詞后的文本用向量模型，通常采用基于詞袋假設(shè)的向量空間模型[6]表示.同時在深度學(xué)習(xí)領(lǐng)域也提出將文本向量化的方法.2)特征分析與提取是分析數(shù)據(jù)、提取數(shù)據(jù)特征與維度縮減，通常有詞頻TF加權(quán)、卡方檢驗Chi-square、主成分分析、期望交叉熵等方法.文獻(xiàn)[7]采取奇異值分解實現(xiàn)了數(shù)據(jù)去噪并提取特征，但無法完全解決自然語言的語義模糊問題.文獻(xiàn)[8]采取基于EM的pLSA進(jìn)行特征提取，同時解決了語義問題.但pLSA在文檔層沒有引入先驗概率，不是完備的生成模型，導(dǎo)致pLSA無法直接提取未知致因的新樣本特征.只能將新樣本加入舊樣本作為整體文本庫重新進(jìn)行pLSA訓(xùn)練，以此獲取新樣本的特征信息，且EM-pLSA容易出現(xiàn)過擬合問題，pLSA的參數(shù)數(shù)目隨著語料庫中的文檔數(shù)呈線性增長，當(dāng)樣本量過大時，使其無法快速地對未知致因的新樣本進(jìn)行故障診斷，因此不適用于日益增大的語料庫.3)構(gòu)建分類器通常采用機(jī)器學(xué)習(xí)、深度神經(jīng)網(wǎng)絡(luò)等建立故障特征與故障致因間的映射關(guān)系，從而得到故障診斷映射.文獻(xiàn)[9-10]分別利用人工神經(jīng)網(wǎng)絡(luò)和長短時記憶網(wǎng)絡(luò)學(xué)習(xí)故障現(xiàn)象與致因的映射，實現(xiàn)了故障診斷，但診斷結(jié)果僅給出一種致因.對于軌道交通信號系統(tǒng)的大多數(shù)故障而言，宏觀上相同的故障現(xiàn)象，在微觀上卻有可能由不同的致因所導(dǎo)致，因此這種方法不適用于城市軌道交通信號領(lǐng)域的故障診斷.4)故障診斷是用已建立的分類器對新發(fā)生故障進(jìn)行診斷分析，給出可靠的致因.診斷的評價指標(biāo)多以準(zhǔn)確率進(jìn)行計算.文獻(xiàn)[11]以準(zhǔn)確率為故障診斷評價指標(biāo)，使用分?jǐn)?shù)階小波包能量熵實現(xiàn)列車塞拉門的故障診斷.

本文作者為了彌補(bǔ)基于詞庫分詞的缺陷，獲取更全面的特征，采用不依賴詞庫的機(jī)器學(xué)習(xí)方法學(xué)習(xí)故障日志的詞語分詞規(guī)律，以完成對未知文本的切分，識別出未登陸詞，將該詞匯入用戶詞庫，形成最終使用的專門面向線路的詞庫.為了提高特征提取的精度，采用監(jiān)督型隱狄利克雷分布(supervised Latent Dirichlet Allocation, sLDA)對故障日志進(jìn)行特征降維，同時解決了故障日志的描述不規(guī)范、多詞同義，且適應(yīng)于記錄簡短、語義單一的文本.由于故障現(xiàn)象語義的獨立性，采用樸素貝葉斯模型(Na?ve Bayesian Model, NBM)學(xué)習(xí)故障現(xiàn)象與故障致因間的關(guān)系，進(jìn)行統(tǒng)計推理，得到各種致因的概率分布，從而實現(xiàn)實時故障診斷.在實驗階段，選取某城市軌道交通線路2010、2012—2017年地面信號設(shè)備故障日志進(jìn)行實驗，以驗證該方法的有效性.

1 城軌地面信號系統(tǒng)與故障日志

1.1 城軌地面信號系統(tǒng)

城市軌道交通信號系統(tǒng)是保障列車安全運(yùn)行、提升運(yùn)輸效率的核心控制設(shè)備.本文以城市軌道交通地面信號系統(tǒng)為對象展開研究，其主要分為中心層設(shè)備、車站層設(shè)備和軌旁層設(shè)備，系統(tǒng)組成見圖1.中心層設(shè)備的主要作用是集中調(diào)度和監(jiān)控現(xiàn)場運(yùn)營狀態(tài).中心調(diào)度員通過中心調(diào)度大屏和調(diào)度員工作站對現(xiàn)場設(shè)備進(jìn)行監(jiān)督和控制.車站層的主要作用是控制現(xiàn)場設(shè)備，保證列車在本區(qū)域的安全運(yùn)行，由聯(lián)鎖系統(tǒng)完成邏輯運(yùn)算并控制室外轉(zhuǎn)轍機(jī)的動作、信號機(jī)的點燈；區(qū)域控制器計算列車的移動授權(quán).軌旁層的設(shè)備復(fù)雜繁多.轉(zhuǎn)轍機(jī)控制道岔的位置從而改變或保持列車的行駛軌道，軌道電路主要由發(fā)送器、接收器和鋼軌導(dǎo)體組成，用于完成列車的定位和信息傳遞，信號機(jī)在后備模式下點燈指示列車的最高允許行駛速度，應(yīng)答器用于信息傳輸和列車位置校核、TDT告知司機(jī)剩余發(fā)車倒計時.各種設(shè)備正常協(xié)同工作，以完成軌道交通的高效與安全運(yùn)行.

1.2 故障日志數(shù)據(jù)特點

以某城市軌道交通地面信號設(shè)備為例，相關(guān)設(shè)備的故障日志部分字段如表1所示，數(shù)據(jù)來源于該線路現(xiàn)場信號維修工人的記錄，故障現(xiàn)象通常是運(yùn)輸調(diào)度人員通過ATS分機(jī)或者中心調(diào)度大屏上觀察得到的高層級別的故障表現(xiàn).其中未列出的字段對本文研究沒有意義.

表1 某城市軌道交通地面信號設(shè)備故障日志(部分)

觀察故障日志，發(fā)現(xiàn)了一些現(xiàn)象和問題.語義含義相同的故障現(xiàn)象的描述記錄措辭不規(guī)范、不統(tǒng)一，存在多詞同義的現(xiàn)象，并且描述簡短，語義單一、均為高層的系統(tǒng)級故障表現(xiàn)、沒有細(xì)節(jié)化的故障表象.例如，故障記錄1～3對于軌道電路紅光帶的描述不統(tǒng)一，有記載為“紅光帶”、“紅色光帶”、“軌道電路閃紅”等，其實質(zhì)均為軌道電路紅光帶故障，即為多詞同義現(xiàn)象、描述不規(guī)范、不統(tǒng)一；類似情況如故障記錄4～6對于列車未收到前方區(qū)段的目標(biāo)速度碼的描述不規(guī)范，措辭存在：“無列車速度碼”、“收不到速度碼”、“未收到目標(biāo)速度碼”、“未收到列車目標(biāo)速度碼”等；同樣地，故障記錄7～8對TDT黑屏故障的描述方式多樣，有中文全稱和英文縮寫.對于這些描述不統(tǒng)一的故障現(xiàn)象，計算機(jī)無法直接將其識別為同類故障.此外，大多數(shù)相同的故障現(xiàn)象對應(yīng)多種不同的故障致因，如故障記錄1～3，4～6和7～8，這是由于故障日志的記載僅描述了系統(tǒng)級層面的故障，無法進(jìn)行細(xì)節(jié)化填充.

部分故障記錄中未記載明確的故障致因，經(jīng)事后調(diào)查發(fā)現(xiàn)是間歇性故障[12]和NFF(No-Fault-Found)失效[13].這些故障的故障致因暫未查明，且是目前占據(jù)比例較大的故障.如故障記錄8，但此類故障對運(yùn)營也造成了一定干擾，需將此類情況考慮在內(nèi)，給予保留.

部分故障現(xiàn)象記錄了對運(yùn)營的影響，如故障記錄2、3、7.但運(yùn)營延誤信息是在故障發(fā)生后對運(yùn)輸?shù)挠绊?，在實時故障診斷中無法立即獲取延誤信息，因此延誤信息對實時故障診斷沒有意義，需要過濾掉各條記錄中延誤相關(guān)信息.

1.3 故障診斷流程

本文提出的基于故障日志的故障診斷方法流程如圖2所示.

2 文本預(yù)處理

清洗故障日志，剔除該故障日志中的無效記錄和字段缺失的記錄.同時為了更全面地提取特征，需識別既有的通用信號詞庫中的未登錄詞，文本選用條件隨機(jī)場(Conditional Random Field, CRF)進(jìn)行分詞，從而對既有詞庫的未登錄詞進(jìn)行識別.

2.1 CRF

CRF是一種用來標(biāo)記和切分序列化數(shù)據(jù)的統(tǒng)計模型和監(jiān)督式學(xué)習(xí)方法，具有最大熵馬爾可夫模型(Maximum Entropy Markov Model,MEMM)的所有優(yōu)點，同時解決MEMM的標(biāo)記偏置問題[14].在給定的觀測序列下，線性CRF計算整個標(biāo)記序列的聯(lián)合概率，CRF的圖結(jié)構(gòu)如圖3所示.在線性CRF分詞中，Y是輸出變量，表示標(biāo)記序列，Y可能的取值為{B, M, E, S}，代表字的詞位信息，分別是首字、中字、尾字、單字成詞.X是輸入變量，表示需要標(biāo)注的觀測序列，即故障日志文本記錄.

利用CRF學(xué)習(xí)已標(biāo)記的訓(xùn)練樣本數(shù)據(jù)，即人工切詞表明一段文本中各個字的斷句關(guān)系，再統(tǒng)計全部訓(xùn)練樣本庫中的前一個字與后一個字之間的聚合情況，即分析BMES關(guān)系，通過MLE得到條件概率模型如下

(1)

2.2 CRF分詞與文本結(jié)構(gòu)化

故障日志經(jīng)分詞后過濾重復(fù)和無意義詞項，保留既有的城軌信號詞庫中未出現(xiàn)的詞項，作為未登錄詞.將未登錄詞和既有詞庫融合，形成新的面向該線路的詞庫，以詞庫中的詞項為特征，采取向量空間模型將故障記錄結(jié)構(gòu)化，形成詞項-文檔矩陣，流程如圖4所示.其中，無關(guān)詞項可不加入詞項矩陣的列或數(shù)據(jù)降維，以過濾故障現(xiàn)象列中的運(yùn)營延誤影響.文檔-詞項矩陣為

其中:第1行為Doc1,第2行為Doc2,第3行為Doc3,…;第1列為紅光帶,第2列為紅色,第3列為光帶,最后則為Label.

3 特征分析與提取

3.1 sLDA方法

sLDA是在LDA模型中引入標(biāo)簽變量形成的監(jiān)督型LDA，是由LDA結(jié)合GLM構(gòu)造而成的，精度通常比非監(jiān)督式LDA高.sLDA圖模型表示如圖5所示，用來描述文本的生成過程.其中：α為狄利克雷分布的超參數(shù)；βk為第k個主題的詞項分布(共K個主題)；θm為第m個文檔的主題分布；zm,n為第m個文檔中第n個詞項的主題；wm,n為第m個文檔中第n詞項；η和δ為GLM參數(shù).

sLDA生成M篇文檔(每個文檔含Nm個詞)和文檔標(biāo)簽lm流程的偽代碼如下

算法 1: sLDA的生成模型

1輸入：參數(shù)α，βk，主題個數(shù)K，泊松分布期望ζ，詞庫，GLM參數(shù)η和δ

2輸出：M篇文檔(每篇文檔Nm個詞)，文檔標(biāo)簽lm

3 //文檔層

4 form=1:Mdo

5 抽樣第m個文檔-主題分布θm～Dir(α)

6 抽樣第m個文檔的文檔長度Nm～Poiss(ζ)

7 //詞項層

8 forn=1:Nmdo

9 抽樣第m個文檔中第n個詞項的主題zm,n～Mult(θm)

10 抽樣第m個文檔中第n個詞項wm,n～Mult(βzm,n)

11 end

12 抽樣第m個文檔的標(biāo)簽lm～GLM(zm,η,δ)

13 end

其展示了文本數(shù)據(jù)集的生成過程，生成過程的逆過程即為通過文本數(shù)據(jù)集學(xué)習(xí)sLDA的各個參數(shù)的過程，可理解成為數(shù)據(jù)集的sLDA參數(shù)擬合.通過數(shù)理統(tǒng)計分析，在sLDA中，文檔標(biāo)簽lm的條件概率如下

p(lm|zm,1:Nm,η,δ)=

(2)

sLDA不僅可處理回歸問題，也可處理分類問題.當(dāng)標(biāo)簽為離散變量即處理分類問題時，sLDA利用變分期望最大化算法觀測數(shù)據(jù)進(jìn)行模型參數(shù)優(yōu)化求解，得到α,βk,η,δ的最優(yōu)解，并推斷新樣本的標(biāo)簽，推導(dǎo)過程見參考文獻(xiàn)[16].

3.2 sLDA特征降維

通過sLDA參數(shù)擬合帶有標(biāo)記的故障日志文檔-詞項矩陣，獲得模型sLDA{α,β1:K,η,δ}.現(xiàn)可視化各故障現(xiàn)象的詞項分布及其釋義，如表2所示，聚類得到故障現(xiàn)象|L|=33個.

表2 標(biāo)簽的詞項分布及釋義

續(xù)表2

觀察表2可發(fā)現(xiàn)，sLDA使計算機(jī)自動識別出相同語義的故障現(xiàn)象，將其合并為同一類故障，以便后續(xù)處理.例如，標(biāo)簽為1的詞項分布的故障釋義對應(yīng)表1中編號為1～3的故障記錄；標(biāo)簽為2對應(yīng)編號為4～6的故障記錄.可以分析出，sLDA將故障日志從詞項空間轉(zhuǎn)換至故障語義空間，使故障日志的數(shù)量規(guī)模降低到有限的故障現(xiàn)象的數(shù)量規(guī)模，可簡化診斷映射關(guān)系中的節(jié)點數(shù)目，降低診斷網(wǎng)絡(luò)的復(fù)雜性，并在一定程度上使故障現(xiàn)象對應(yīng)的致因概率分布更加貼近真實值.

4 故障分類器構(gòu)建

4.1 樸素貝葉斯模型

NBM是貝葉斯網(wǎng)絡(luò)的簡化形式，其樸素表現(xiàn)在該模型假設(shè)特征屬性是互相獨立的，且特征屬性對被解釋變量的影響相同，通用 NBM 如圖6所示.

城市軌道交通信號故障日志的特征恰好符合樸素貝葉斯模型的假設(shè)，其表現(xiàn)在每條故障記錄僅存有一個故障語義標(biāo)簽.因此本文采取樸素貝葉斯模型學(xué)習(xí)城市軌道交通故障日志的特征節(jié)點與故障致因間映射關(guān)系，用于故障診斷.

在城市軌道交通信號故障診斷中，NBM的屬性節(jié)點Lh(1≤h≤H)為故障現(xiàn)象，F(xiàn)為故障致因節(jié)點，F(xiàn)={fj|1≤j≤J}，fj為第j種故障致因，共J種故障致因.對于給定的故障現(xiàn)象的sLDA輸出L={L1,L2,…,LH-1,LH}，再通過訓(xùn)練好的NBM，輸出故障致因的后驗概率，計算公式如下

P(F=fj|L)=

j=1,2,…,J

(3)

同時，為了避免特征屬性的條件概率為0導(dǎo)致故障致因的后驗概率為0，因此采取Laplace Smoothing處理條件概率.

4.2 故障診斷網(wǎng)絡(luò)的建立

城市軌道交通地面信號設(shè)備故障診斷網(wǎng)絡(luò)如圖7所示.其中：Di表示第i條故障日志的自然語言描述；Li表示故障語義空間的故障分布的標(biāo)簽；H為標(biāo)簽個數(shù)；Q為故障日志的總條數(shù)；DQ+1表示發(fā)生的一條新故障；J為故障致因的總個數(shù).

由于本方法從實質(zhì)上是屬于數(shù)據(jù)驅(qū)動的診斷診斷方法，因此可適用于各個城市軌道交通線路.

5 故障診斷實驗與分析

以某城市軌道交通線路2010、2012—2017年的地面信號設(shè)備故障日志數(shù)據(jù)(共892條有效記錄)進(jìn)行實驗分析，采取Holdout驗證，抽取75%的樣本用于診斷網(wǎng)絡(luò)的學(xué)習(xí)，剩余樣本作為新故障進(jìn)行致因概率統(tǒng)計推斷，以驗證算法的準(zhǔn)確性.以表3樣本為例進(jìn)行診斷結(jié)果的展示(致因僅作為診斷網(wǎng)絡(luò)的準(zhǔn)確度判斷)，診斷結(jié)果的致因分布按概率降序排列如表4所示.

表3 新樣本案例

表4 新樣本案例的診斷情況

為了避免遺漏重要故障致因，同時給故障處置提供足夠支撐，且目前現(xiàn)場的故障日志為高層級別的故障現(xiàn)象，無法映射到準(zhǔn)備的故障致因，本實驗以P@N(N取5)為驗證指標(biāo)[17]，即概率排序前五的致因作為輸出結(jié)果，具體計算公式如下

(4)

式中：i指第i類故障;Ci是第i類故障的個數(shù);I(j)是指將第Ci類故障的第j個故障輸入故障診斷模型后輸出的故障現(xiàn)象對應(yīng)的前五個致因是否包括故障現(xiàn)象的真實致因.若包括，則I(j)取值為1；反之，取值為0.

同時選擇TF、IG、Chi-square、PLSA、VEM-LDA[18]、Gibbs-LDA[19]6種方法進(jìn)行比較，表5給出了按照式(4)分別計算不同故障Ci的診斷效果.

表5 各類故障的P@5

表5展示的故障診斷結(jié)果中，sLDA算法的整體P@5值高于其他對比算法.經(jīng)過分析，其他幾種特征提取方法精確率較低的原因是：TF方法僅考慮了詞項的出現(xiàn)頻數(shù)，未考慮其語義之間的關(guān)系，IG和Chi-square方法同樣未考慮語言信息，且采用的統(tǒng)計學(xué)方法無法較好地提取本問題中的特征.PLSA、VEM-LDA、Gibbs-LDA和sLDA方法均考慮了自然語言信息，但是PLSA容易出現(xiàn)過擬合問題，聚類得到的故障類別數(shù)偏低.VEM-LDA、Gibbs-LDA方法通過詞項的共現(xiàn)獲取詞項間的語義信息，但均屬于非監(jiān)督學(xué)習(xí)方法，其效果沒有監(jiān)督式學(xué)習(xí)精確，因此sLDA方法整體上較優(yōu)，且會更加精確于實際故障致因的概率分布情況.

此外，進(jìn)路相關(guān)故障、信號機(jī)相關(guān)故障和中心監(jiān)控相關(guān)故障的P@5較低，其他類型的較高.觀察故障日志發(fā)現(xiàn)，進(jìn)路相關(guān)故障主要涉及車站本地控制臺和聯(lián)鎖設(shè)備及兩者間的通信；信號機(jī)相關(guān)故障主要涉及聯(lián)鎖系統(tǒng)和點燈控制電路的各個元器件；中心監(jiān)控相關(guān)故障涉及中心層的全部設(shè)備.這三類故障的致因均包括系統(tǒng)軟件缺陷、倒機(jī)影響、設(shè)備死機(jī)、通信異常、線路異物、人誤等.然而，由于故障現(xiàn)象的表征信息不足、語義單一，相同的故障現(xiàn)象記錄對應(yīng)不同致因，故障致因分布相對均勻，致使故障診斷網(wǎng)絡(luò)無法從繁多的故障致因中精確定位至實際的故障致因，因此這三類故障的診斷率較低.

綜上所述，在系統(tǒng)級別層面上，可通過本文方法獲得的高層級故障現(xiàn)象的致因概率分布，以輔助現(xiàn)場的維修人員進(jìn)行快速的故障定位及處理，同時加速系統(tǒng)故障后的運(yùn)營恢復(fù).

6 結(jié)論

1)以某城市軌道交通線故障日志為文本數(shù)據(jù)，提出了基于故障日志文本信息挖掘的城市軌道交通信號設(shè)備的故障診斷.使用CRF完善既有城市軌道交通信號詞庫，形成面向線路的信號設(shè)備專有詞庫.

2)采用sLDA對故障日志進(jìn)行語義識別，解決了故障日志的不規(guī)范性、多詞同義現(xiàn)象且提高了故障分類精度.采用了樸素貝葉斯搭建故障現(xiàn)象節(jié)點與致因節(jié)點間的關(guān)系.

3)通過該城市軌道交通線路2010、2012—2017年的地面信號設(shè)備故障日志為數(shù)據(jù)進(jìn)行實驗，分析了該方法的有效性和局限性.

在后續(xù)的研究中，將研究制定信號設(shè)備狀態(tài)特征信息的結(jié)構(gòu)與框架，旨在全面地描述和表征設(shè)備系統(tǒng)的狀態(tài)信息，使得故障診斷的準(zhǔn)確率和精度有所提升.