1 概述
高速铁路车载设备作为动车运行控制中的大脑中枢，对行车安全、行车密度、行车效率具有决定性的作用。如何快速定位及排除车载设备故障，规避降级行驶、停车，对于提高高速铁路运营效率具有重要意义。但是，目前高速铁路车载设备运营维护数据记录存在概念和术语尚未进行统一，数据记录来源不一，难以有效整合、利用等诸多问题。本体源于哲学概念，主要通过概念对领域知识进行描述，可以很好地解决多源异构数据融合的问题。国内外专家学者应用本体做了大量研究，包括欧洲铁路应用本体解决其铁路领域内由于网运分离造成决策信息不统一的问题，我国高速铁路应用本体解决多本体融合并实现推理的问题，同时利用本体解决铁路选线时数据不统一、共享率低的问题，以及国内数字图书馆、互联网等领域应用本体解决信息检索的问题。为了更好地对高速铁路车载设备进行智能维护，借鉴欧洲铁路和我国铁路及其他领域应用本体解决问题的方案，采用本体建模语言 OWL，以及美国斯坦福大学的本体 (Ontology) 建模工具 Protg4.3 建立包括车载结构域、故障现象域、故障类别域和维修措施域的高速铁路车载设备本体，得到概念和术语统一的车载设备规范化信息数据，再利用 Protg4.3 自带的推理机 HermiT 1.3.8 进行推理。同时为了实现良好的交互性，考虑对经过处理得到的规范化数据，利用决策树经典的 ID3 算法并结合专家知识，构建高速铁路车载设备的智能维护决策树 (DT) 模型，辅助现场车载设备作业人员进行故障诊断和维修作业，提高作业质量和效率。
2 高速铁路车载设备本体构建
高速铁路车载设备根据地面设备提供的行车许可、线路基本参数及临时限速信息，生成动态目标距离速度曲线，保障列车安全运行。高速铁路车载设备采用分布式结构，主要包括车载安全计算机单元 (VCU)、应答器信息接收模块 (BTM)、轨道电路信息接收单元 (TCR)、测速测距单元 (SDU)、人机界面 (DMI)、列车接口 (TIU)、司法记录单元(JRU)、GSM-R 无线通信单元 (RTU)、专用传输模块 (STM)、动态监测系统 (DMS) 等。
高速铁路车载设备故障追踪表主要用于记录有关车载设备故障和维修措施，数据来源主要包括现场人员描述、设备记录数据日志和诊断维护人员的描述 3 类，具体包含司机描述、调度员描述、维护人员描述、DMI 数据、DMS 数据、JRU 数据、维修数据、故障等级、维修措施等。
由于高速铁路车载设备故障追踪表的数据来源和类型存在差异，没有统一的概念和术语，难以进行数据统一和数据分析。例如，在高速铁路车载设备维护数据记录中，出现ATP 故障ATP 故障停车和ATPCU 相关等不同术语用以刻画ATPCU 概念。为创建概念和术语统一的车载设备信息模型，同时为便于维护车载设备，将车载设备故障信息分车载结构域、故障现象域、故障类别域和维修措施域 4 个相互关联的域。其中，故障现象为故障类别提供依据，故障类别需要根据车载结构确定故障位置，维修措施则要根据故障的定位对车载设备进行维修，高速铁路车载设备本体模型构建思路如图 2 所示。
本体基本特征包括：领域、对象、属性和关系。一个领域包含若干对象，对象又可以包含子对象，子对象包含若干属性，属性可以赋值，成为个体。本体对象具有分类学层次性，例如BTM故障是一个对象，而D 缆接触不良为其子对象。关系是反映对象之间的联系，是一个多元谓词。例如，D 缆接触不良导致BTM 故障高速铁路车载设备的车载结构域，通常根据车载设备的构成进行构建，主要包含 BTM，ATPCU，TIU 和 DMI 等;车载设备故障现象域，主要分为 DMI 数据、DMS 数据和 JRU 数据;车载设备故障类别域通常选取故障追踪表中发生概率比较高并且对行车影响比较大的故障，包括车地通信相关故障 (占比 47%)、ATPCU 相关故障 (占比 24%)、BTM 相关故障 (占比 13%)、列车接口故障 (占比5%) 等;维修措施主要参考故障追踪表中相应的处理情况及常见相应故障处理方案，车载设备维修措施域主要是针对故障类别域的故障类型，通过更换设备或重启等措施实现故障的修复。半形式化描述语言 (UML) 能够很好地实现不同层次语言间的沟通，便于交流，但计算机无法识别，不能进行推理和运算。为了实现计算机推理，采用本体建模工具 Protg4.3 中本体建模语言
3 高速铁路车载设备决策树模型构建
构建高速铁路车载设备本体后，可以利用Protg4.3 自带的推理机 HermiT 1.3.8 进行推理。例如，当在 OntoGraf 中输入 BTMFault 时，则可以得到所有与 BTM 故障相连接的故障子类型 (包括 D电缆故障、CAU 故障、BTM 软件故障等) 和故障位置 (包括 BTM 处理单元、D 电缆、CAU 插头等)。由此，维修人员可以清楚地看到 BTM 相关部件发生的故障类别，并且根据 BTM 常见故障处理方案进行迅速处理、维修，规避对行车造成的影响。由于本体自带的推理工具无法实现与用户良好的交流，同时其推理机制严重依赖于本体知识库的建立，需要专家经验的输入。因此，为了实现更加准确的故障诊断，采用机器学习中较为形象且常用的决策树方法，构造高速铁路车载设备的决策树。决策树 是一种特殊的树形结构，主要用来进行分类和决策。一个决策树包含 3 种类型的节点，分别为：决策节点，通常用矩形框来表示;机会节点，通常用圆圈来表示;终结点，通常用三角形来表示。ID3 算法 主要针对属性选择问题，是决策树算法中最典型的算法，该算法使用信息论中的信息增益作为属性选择的评判标准，通过对属性的划分，将不确定的内容转为确定的内容，从而实现分类。
根据已构建的高速铁路车载设备本体，实现车载结构域、故障类别域、故障现象域和维修措施域的数据规范化处理，生成决策树的训练数据集。训练数据集包含 ATPCU 相关故障、车地通信相关故障、BTM 模块相关故障和 TIU 相关故障等 4 类共152 条数据。通过对 154 条 ATPCU 相关故障，369条车地通信相关故障，67 条 BTM 模块相关故障，18 条 TIU 相关故障，4 类车载设备故障共计 608 条样例进行测试，得到正确样例总数为 579 条，正确率为 95.23%。
实践表明，高速铁路车载设备决策树故障诊断模型能够较好地为现场车载设备作业人员的故障诊断和维修提供决策支持，辅助其掌握处理车载故障的方法，从而提高工作效率。需要指出的是，由于 BTM 模块相关故障数据和列车接口 TIU 相关故障数据量较少，导致 4.67% 误诊断的结果数据主要出现在这 2 类故障类别的诊断上。
4 结束语
通过本体建模语言 OWL 和本体建模工具Protg 4.3，从车载结构域、故障现象域、故障类别域和维修措施域构建高速铁路车载设备本体。基于构建好的本体对高速铁路车载设备故障追踪表数据进行规范化处理，为现场记录人员、故障诊断人员和维修人员之间提供一个有概念和语义约束的统一数据模型，同时通过决策树 ID3 算法训练，获得高速铁路车载设备决策树诊断模型。实践表明，该模型故障诊断准确率较高，对高速铁路车载设备的故障诊断与维修具有重要的辅助指导作用。然而，由于故障诊断训练数据类别较少，没有考虑不同故障之间的关联关系及故障的影响程度，高速铁路车载设备的故障诊断有效性还有待提高。因此，还需要通过引入 Hadoop 和 MapReduce 等大数据分布式处理框架，实现对高速铁路信号系统乃至整个高速铁路系统的海量数据的规范化处理和分析。
