基于Apriori算法的城市轨道交通运行设备动态监测方法.pdf

交通世界TRANSPOWORLD0 引言随着我国城市轨道交通的加速建设和发展，针对其在建成运营后的设备监测和维护工作成为运维部门的重要工作内容，也是轨道交通安全稳定运行的重要保障。将先进的信息技术应用于对轨道交通运行设备的动态智能监测和诊断，不仅可以降低设备故障发生率，还能及时加强对设备的维护保养，提前规避运行风险，最大限度延长设备的使用寿命1。城市轨道交通设备在工作过程中可以结合对监测信息的分析和计算，推测故障原因并找出设备运行的故障点，通过定期检修规避或减少故障的产生，提升设备的运行效率。然而，应用传统监测技术监测到的设备故障时间长且运行效率低，老旧监测方法已经无法准确及时地发现设备中存在的故障隐患，导致城市轨道交通运行设备故障率频发。本文通过选取城市轨道交通运行设备作为研究对象，应用基于Apriori算法，结合实际情况进行实验分析。1 Apriori算法的城市轨道交通运行设备动态监测1.1 列控系统动态监测故障数据挖掘是从海量的数据中抽取出有价值的数据处理过程。它是随着数据库和人工智能技术的发展而出现的信息技术，数据挖掘分为总结规则挖掘、特征规则挖掘、关联规则挖掘、分类挖掘以及聚类挖掘等。Apriori算法作为一种经典的关联规则算法，早已在金融、航空以及交通等多个领域得到广泛应用，对这些行业在提高工作效率、增加效益方面起到了推进作用。本文研究采用轨道交通控制组网的方式，建立信息传输状态下的城市轨道交通监测系统。其中，列控系统是根据轨道设备使用问题和普通运行数据产生的轨道交通通行认证，通过轨道交通传输系统进行数据传输、辨识与控制，从而保障轨道交通的安全稳定运行。具体运行控制示意图如图1所示。图1 列控系统示意图从外部硬件接收轨道电路状态和轨道交通运行方向，根据当前站场的综合情况完成轨道交通的电路信号、区间数据传输线路以及临时限速下达等指令工作。列控主机选择专用的处理器，采用双内核时钟同步比较的方式减少故障的发生率2。列控组网设备需要通过网络通信的外部设备，邻站列控系统和临时管控系统开展监测，每一个列控组网至少可与管控系统、邻站列控系统和临时管控系统进行通信。列控系统在处理安全问题过程中，需要网络设备与各系统保持“双向双网”操作，其与每一个外部系统通信规划八条网络链路，网络链路结构如表1所示。表1 网络链路结构表左网右网列控组网AX设备-A-左网X设备-B-左网X设备-A-右网X设备-B-右网列控组网BX设备-A-左网X设备-B-左网X设备-A-右网X设备-B-右网收稿日期：2022-10-28作者简介：李畅（1983），男，湖北武汉人，工程师，研究方向为轨道交通自动控制。基于Apriori算法的城市轨道交通运行设备动态监测方法李畅（武汉地铁运营有限公司，湖北 武汉 430000）摘要：研究通过轨道交通列控系统对其设备开展动态智能监测，利用Apriori算法挖掘运行设备动态数据的关联规则，根据分组式时分多址方式监听设备的运行状态，对轨道交通设备实施有效监测。实验结果表明，应用此方法开展的设备故障辨识率较高，有效提升了对设备故障的预警时效性。关键词：Apriori算法；关联规则；城市轨道交通；运行设备；动态监测中图分类号：U273.1文献标识码：A1总654期2023年第24期（8月 下）其中，列控组网与各外部系统均采用TCP方式的轨道交通信号安全通信协议，并与每个系统间通过八组不同的协议地址及端口进行网络通信。列控组网设备监测系统工作时，如果需要监测当前列控组网设备与各外部系统的通道状态，首先要与左网、右网的网络交换机连接。基于轨道交通信号安全通信协议的特性，监测设备不能通过主机端和服务端的方式直接与被监测设备连接，只能通过交换机镜像网络数据的方式获取当前的通信数据信息3。根据数据分析模块的判断，结合预警开关与预警的延迟信息，将正常和故障的通道信息送达界面予以呈现，再通过报警配置信息对通信不稳定的通道进行预警处理。其中，列控组网设备监测系统在获取了当前列控网络数据之后，还需要通过网络采集模块分析得出预警程度来完成网络设备通信及状态的监测功能。1.2 Apriori算法挖掘关联规则通过运行设备监测故障事务数据库生成一个矩阵，将事务库中的矩阵引入对应的标识中，提示符合的为Y，不符合的为T，以此分别标识不断重复的参数分支。通过优化矩阵读取交通运行设备中向量的计算，引入一个变量为IO，用来记录监测过程中故障重复的次数，再根据生成的矩阵挖掘其中的复杂项集4，最后压缩所在的数据库。通过扫描事务库生成一个只包含Y和T的矩阵，矩阵中的每行代表一个事务Ri，每列表示一个项集Fj。其中，Y和T为项集中事务中出现的重复次数。假设R=R1,R2,.,Rn为运行设备的事务集合，F=F1,F2,.,Fn中存在所有运行设备动态数据的集合。矩阵中的定义公式为：N=(Tij)n n=Tij=1Tij=1ij=1,2,3,.,m（1）在矩阵N中插入一列来统计对应重复的故障项集的事务数记录为 IP，在数据库中如果没有重复的事务，则将该值设定为Y，通过对事务集中的运行设备监测数据实施降阶，公式表达为：IP=RCi+11j=1,2,.,n（2）所有项集的支持度为每一行的非零元素之差，定义为：sum=i=1mTij（3）式（3）中：m为监测中的事务集数，所有故障项集的支持度通过IO和Tij计算，得到的最后结果为：count(m-sum)=i=1nj=1k(IOi(Tij)（4）当读取到向量坐标为第3列时，需要标记其中的向量元素值，再删除最后3列数据，从而计算出项集中的频度为3。根据最大支持度的取值，对运行设备中的信号监测数据进行遍历，找出所有的复杂项集为T=a:2,b:5,c:6,e:7,f:3，通过其自身连接方式以生成所有的数据项集为D=bc,bv,bn,cs,cd,ax,ad,er,fy，再对目标数据进行遍历和监测计算出故障项目集的频度，通过自动连接方式将生成的候选集为D2=bc:3,cs:3,ax:4,er:5,fy:2，最后根据扫描计算出的候选集频度，得到复杂故障数据集T2=bce:2，实现正确参数的挖掘。1.3 分组式时分多址方式监听运行设备在城市轨道交通运行中，当两个站台同时向一个节点发送监测数据信息集时，在传输过程中就会发生传输数据包之间的拥堵，可能会导致大部分信息存在丢失或损坏的现象。采用CSMA/CA中的MAC协议进行RTS/CTS的握手通信，借助虚拟信道方式对监测信息进行辨识5。在退避机制应用下的指数退避方式会导致少部分节点中出现停滞现象，造成数据采集的周期延长，甚至还会出现对一些信道中的出现节点无法进行数据传输的现象，导致部分网络瘫痪。根据轨道交通运行设备的布局特点，应用多地址方式对监测设备进行分组，具体如图2所示。图2 监测设备分组示意图连接采集到的相同设备状态信息的节点，通过接收信道中的信息，将上传的数据汇聚到不重复的一组，再将汇聚不重复节点数据分布在采集节点平均距离相同的布局中，然后放在设备的两端位置。根据每组采集到的数据节点与汇聚不重复节点数据之间的距离长短，选择不同挡位进行排布，具体速率挡位如表2所示。表2 速率挡位配置表挡位号一级二级三级四级17 40028 5008 52137 2508 5409 42047 2159 84210 24311 235其中的挡位14表示监测设备距离的远近程度，也就是监测网络的采集节点和汇聚节点之间的距离，挡位程度越大，距离也会随之增大。速率问题需要采用非竞争式的网络协议，再通过小部分竞争与其相结合的方式进行处理。采用时分多址和频分多址的方式对相同时间内的数据进行传输，可以在某种程度上解决隐藏信息的节点问题6。在频域角度解决信号的传输问题，需要把2交通世界TRANSPOWORLD传输线路中监测信号划分为多个频段区间，以便在每个划分后的频段中传输对应数据信号，减少网络延时，实现对实时性故障状态的监听识别。同时，根据城市轨道交通运行设备分布的特点，对于分布集中的设备进行汇聚节点，采用相同传输宽带和扩频方式联合传输数据，当传输宽带扩频R越大时，则传输速率越低；同时，当扩频R中传输的带宽越小时，则传输速率越低。2 实验测试与分析2.1 搭建实验环境轨道交通设备的数据库控制平台是提高运行设备管理水平的辅助工具。采用B/S结构模式，实现了对轨道交通部分段、维修段和全程之间的实时监测状态下的四级联网应用体系。其使用数据库SQL和VVS作为服务器端的运行环境，结合网络设计中的.net技术，通过网页设计软件和云端数据整合各专业监测系统报警、事故点监测和运行设备的安全检查等相关监测信息资源的综合利用，应用的软件环境和参数如表3所示。表3 软件环境及参数环境SQL操作系统运行平台主频内存硬盘参数SQL2020Windows10Visual Studio 2020PIII 500 MHz128G20GB搭建实验环境需要光纤交换机和负载均衡器构成运行设备监测系统，数据库操作系统选用SQL建立数据收集库。按照城市轨道交通数字化建设的原则，轨道交通设备监测数据库将部署在轨道交通综合输入信息网中，在各级服务器及其他生产系统服务器之间的信息数据，都需要通过轨道交通综合互联网进行统计。同时，统计轨道交通运行部分段、维修段和全程之间的数据时，轨道交通综合网中的其余数据也会通过规定线路平台实时接入，获得的数据通过运行的 TDCS/CTC进行测算，并通过T/D结合服务器接入，最后采用网络设备进行统一的数据采集。2.2 实验结果及分析实验监测的设备数量为30台，分别设立应用本文方法的小组为实验组，应用传统方法的两个小组为对照组，展开实验分析。由图3的故障辨识结果可知，当设备数量为30台时，对照1组和2组中的设备故障辨识率均低于实验1组，而应用本文方法的实验 1 组的故障辨识率高达98%，是三种方法中对故障率辨识最为高效的。此时，故障辨识率越高，说明其对运行设备的监测效果越明显，还能及时监测并发现设备中存在的数据传输、丢失或损坏等问题，减少了因为设备故障而导致的预警时效性低和事故预测不及时等问题。3 结束语本文通过对城市轨道交通运行设备的监测问题开展研究，分析了基于Apriori算法的轨道交通运行设备动态智能监测方法。通过实验分析表明，此方法对城市轨道交通设备的故障识别具有良好效果。但也通过实验结果得知，该方法还存在一些不足之处。例如数据获取不能实时进行模块设计，对读写的数据也无法及时录入，还会导致监测系统中大量数据存储等问题，需要在今后的研究和实际工作中不断完善。参考文献：1 余锐，郑亮，熊俊，等.基于改进Apriori算法的电力通信设备缺陷关联性分析J.中国安全生产科学技术，2021，17（12）：176-181.2 白浩，袁智勇，孙睿，等.基于Apriori算法和卷积神经网络的配电设备运行效率主要影响因素挖掘J.电力建设，2020，41（3）：31-38.3 王凌云，林跃涵，童华敏，等.基于改进Apriori关联分析及MFOLSTM算法的短期负荷预测J.电力系统保护与控制，2021，49（20）：74-81.4 廖孟柯，樊冰，李忠政，等.基于改进Apriori算法的配电网设备退役信息挖掘J.科学技术与工程，2021，21（24）：10381-10386.5 胡松，林鹏飞，翁剑成，等.基于改进Apriori算法的乘客公共交通依赖性层级转移分析J.东南大学学报（自然科学版），2022，52（2）：344-351.6 李文锋，陈俊贤.基于动态关联规则的TApriori算法J.南京邮电大学学报（自然科学版），2021，41（4）：67-73.图3 故障辨识率3