| 标题 | 基于本体构建的列车信息系统分析方法 |
| 范文 | 吴士林 摘要： 论文在阐述列车信息领域本体构建方法的基础上提出了一种数理逻辑相关性分析模型。作为人工智能应用的基础性研究，该方法通过对本体不同层次节点相互属性进行相关性描述，为节点关系的逻辑推导提供了数学模型。基于该模型构建的本体本身具有知识学习能力，能够适应不同的运营场景和不断变化的应用环境。本论文所提出的本体构建方法适用于各种领域本体，因此，我们希望论文采用的理论模型及方法能够推进大数据应用的相关研究，为故障诊断及维护、生产管理、运营及风险评估等问题的解决方案提供新的思路。 关键词：机器学习；预测性维护；知识逻辑；大数据分析 中图分类号：TP 311 文献标识码：A 文章编号：1009-3044（2018）11-0201-02 Analysis on Train Information Using an Ontology Based Modelling Approach WU Shi-lin （CRRC Qingdao Sifang Co.Ltd.， Qingdao 266111， China） Abstract： By establishing the ontology in the field of train information， this paper proposes a correlation analysis model based on mathematical logic， which may provide better understand to the semantic web. As a basic research of artificial intelligence applications， this method describes the interrelationships between the attributes of nodes at different levels in the ontology， and provides a mathematical model for the logical reckoning. The ontology established based on this model has its own knowledge-based learning ability and can adapt to changing train environments and even different operating scenarios， which make the ontology establishment method proposed in this paper applicable to various domain ontology. The theoretical models and methods adopted in this thesis could promote the relevant research of big data application and provide new solution for fault diagnosis and maintenance， production management， operation and risk assessment. Key word： Machine Learning； Predictive Maintenance； Knowledge Logic；Big Data 列车的智能化是基于状态感知对设备的运行状态进行监测、预警和管理的复杂系统工程，通过对实时数据和历史数据进行分析，大幅提高运维效率，降低人力和时间成本。为推进智能轨道交通的发展，欧洲铁路产业聯盟（UNIFE）联合40余家轨道交通装备制造和运营商自2005年启动新一代列车信息系统研究计划，并于2010年正式发布了InteGRrail体系[1]。InteGRrail解决方案尝试通过对轨道交通的智能诊断、信息传输、数据处理和评估标准等进行规范，为下一代高速列车运维体系提供更先进的解决方案。国内具有代表性的轨道交通智能化方案可以参考北京交通大学贾利民教授提出的RITS体系，该体系系统阐述了通过尽可能的高效利用铁路相关的资源，以较低成本达到保障可靠性、提高运输效率、改善经营管理和提高服务质量目的的新一代铁路运输系统[2]。作为我国轨道交通技术发展的长远规划，RITS体系以实现信息采集、传输、处理和共享为基础，集成了先进的信息处理技术、通信技术、控制与系统技术、计算智能与决策支持技术等。 从20世纪90年代以来，本体作为近年来计算机及相关领域普遍关注的一个研究热点，已被广泛应用于知识工程、系统建模、信息处理、语义网等领域，用来在语义和知识层次上描述信息系统的概念模型建模工具[3，4]。研究人员从各自的专业角度出发对本体的理论和应用进行了深入研究，取得了丰富的研究成果。目前，应用较多的构建本体的方法主要有IDEF法、骨架法、TOVE法、Methontology方法和斯坦福大学的七步法等[5]。针对各种各样的本体存在各种不同的分类方法，如何大规模的构造和维护本体，该领域研究尚处于探索阶段，还没有形成成熟的方法论，尤其对于领域本体，目前还主要依赖手工构建，相对复杂繁琐的本体建设依然是制约行业应用发展的重要因素 [6，7]。 综上所述，本论文以列车信息系统为例，提出了一种构建领域本体的新方法和数学模型。该模型可以用来作为大数据环境下领域本体解决故障诊断及维护、生产管理、运营及风险评估的基础。 1 列车信息系统分层 如图1所示，为了对列车信息系统领域本体进行定义和规范，处于开发需要可以遵循先分析再综合的思路，先将其从铁路行业领域本体中独立出来，完善之后再考虑与铁路行业其他领域本体间的接口。考虑列车运营情况判定、网络子系统集成和故障诊断等潜在需求，现将整网列车信息系统分为以下5层：领域层，列车层，子系统层，特征层，故障层。各个层次的本体节点含义如下： 列车信息系统层：该层为铁路行业领域本体顶层节点的子节点，列车信息系统领域节点的顶层节点，定义了列车信息系统将来在语义网中的位置。 列车层：该层为整网列车的集合，其中节点的每个实例为唯一识别代号（如列车出厂号）。该层次确定了以列车为对象的数据集，方便将大数据分析结果定位到在运行的每一个列车。值得一提的是，该层设计须从整个列车网络考虑，将未来的动车组、普通列车、货车、城际和地铁车辆集成为一个整系统。 子系统层：该系统考虑列车的网络子系统构成，为动车组、普通列车、货车、城际和地铁车辆等网络子系统的集合，该层次节点考虑按功能划分，能够兼容不同子系统生产厂家产品的差异性。 特征层：该层节点主要描述从车辆总线提取出的异常特征，节点本身需要有明确的定义，为了保证计算机处理的效率和一致性，节点之间需要有明确的区分。 故障层：该层节点描述详细的故障报警信息，同特征层一样，节点本身需要有明确的定义，节点间需要明确区分。故障层节点可以根据故障的严重性区分等级，例如严重故障，一般故障，预测性故障等。 2 领域本体关联属性描述 领域本体节点的关联属性是双向的，这里用字母P表示属性，则节点A到节点B的相关性为P（AB），同理，节点B到节点A的相关性为P（BA）。列车信息系统节点之间逻辑性较强，尤其是特征层与故障层之间，为了综合考虑各个节点间的关系并增强本体的可维护性，假定相邻层之间节点两两双向互相关联，如表1所示（P（AB）， P（BA））。 节点之间属性值的定义一方面需要考虑故障排查的最优化路径选择，另一方面在找到最终故障源时能够给出该故障出现在特定情况下的概率。属性值另外一个非常关键的作用是支持系统学习，也就是说，在计算机给出特定情况下故障发生概率的基础上，计算机能够主动地修改相关节点间的属性值，以适应不同的和不断变化的列车运营环境。 基于上述考虑，这里给出属性值的值域范围为P（AB）∈[-1，1]，其含义如下： P（AB）= -1时，节点A和节点B的实例负相关，且有 ?A→?B P（AB）∈（-1，0），节点A和节点B的实例负相关，即有 ?A→?B 属性值表示相关性大小，属性值绝对值越大相关性越大。 P（AB）= 0，节点A和节点B的实例不相关，即有 A?B，且A??B P（AB）∈（0，1），节点A和节点B的实例正相关，即有 ?A→B 属性值表示相关性大小，属性值绝对值越大相关性越大。 P（AB）= 1，节点A和节点B的实例正相关，且有 ?A→B 由定义可以看出，领域本体的节点关联属性遵循概率学和逻辑学的基本规则，相关运算可参照相关数学定理，这里不再赘述。 基于该模型的学习过程可以概括如下： （1） 在未有任何相关节点属性信息前，所有属性值都预设为0； （2） 当一个故障发生时进行故障推导（按照已有本体属性表优化路径，若没有找到故障则进行全网搜索），找到故障源后统计出该故障路径发生的概率； （3） 根据上一步的概率值自动计算更新属性表； （4） 重复（2）、（3）步骤。 一个本体属性表本质上是N-1个矩阵的集合（N为本体层数），列车信息系统各个层次的属性分别用λ1、λ2、λ3、λ4表示，则根据上面的例子，列车信息系统各层次之间的属性表可以用λ表达如下： [λ1=（α，α′）] （1） [λ2=（β1，1，β′1，1）（β1，2，β′1，2）（β1，3，β′1，3）...] （2） [λ3=σ1，1，σ′1，1σ1，2，σ′1，2σ1，3，σ′1，3...σ2，1，σ′2，1σ2，2，σ′2，2σ2，3，σ′2，3...σ3，1，σ′3，1σ3，2，σ′3，2σ3，3，σ′3，3...............] （3） [λ4=τ1，1，τ′1，1τ1，2，τ′1，2τ1，3，τ′1，3...τ2，1，τ′2，1τ2，2，τ′2，2τ2，3，τ′2，3...τ3，1，τ′3，1τ3，2，τ′3，2τ3，3，τ′3，3...τ4，1，τ′4，1τ4，2，τ′4，2τ4，3，τ′4，3...............] （4） [λ=λ1λ2λ3λ4] （5） 从上述示例中可以看出：（1）P（AB）与P（BA）之间没有必然相等的关系，例如我们把属性值理解为概率事件的话，故障 “牵引系统入水口水压过低”是由特征“牵引系统水压大于N”引起的概率为τ4，3，但特征“牵引系统水压大于N”会导致故障 “牵引系统入水口水压过低”的概率则为τ'4，3，一般意义上来说τ4，3 ≠ τ'4，3；（2）历史故障统计数据可以为节点间属性值提供参考，从而使系统通过自主知识学习获得进化；（3）通常完整的领域本体节点数量相当大，但绝大多数节点间的属性值（P（AB），P（BA））均为（0，0）。利用这个特点，一方面可以简化本体构建的复杂度，另一方面可以通过压缩矩阵节省计算机存储空间；（4）基于属性值的优化故障推导算法可以存储、优化有效查询路径，提高计算效率。 3 结语 本文提出了一种构建领域本体的新方法，为解决领域本体逻辑推导问题提供新的思路。论文中构建的模型能够具有知识学习能力，可以作为智能化列车信息系统故障诊断，运营维护，系统整合的具体解决方案。模型具有较强的兼容性和可扩展性，也可以用于其他有大数据应用需求行业的领域本体的构建和分析。 参考文献： [1] InteGrail. Publishable final activity report[R]. 2010. [2] 贾利民，秦勇，李平. 新一代轨道交通智能运输系统总体框架与关键技术[J].经营与管理，2015，14-19. [3] R.Shingler， G.Fadin， P.Umiliacchi. From RCM to predictive maintainance： the InteGRail approach[C]. the 4th IET International Conference on Railway Condition Monitoring， 2008. [4] 陳勇. 基于本体的智能电网历史与实时数据流查询研究[D].北京：华北电力大学， 2013. [5] Grigoris Antoniou， Paul Groth， Frank van Harmelen， et al. A Semantic Web Primer[M]， 2014. [6] Paolo Umiliacchi， David Lane， Felice Romano. Predictive maintenance of railway subsystems using an ontology based modelling approach[C]. the 9th World Conference on Railway Research， France， 2011. [7] C.Brignone， C.De Ambrosi， M. De Luca. Engineering knowledge-based condition analyzers for on-board intelligent fault classification：a case study[C].the 4th IET International Conference on Railway Condition Monitoring， 2008. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。