论文部分内容阅读
摘要：机车信号的码序提供了机车信号是否发生故障和发生何种故障的信息。本文分析了机车信号的故障码序，通过总结其规律与特点，将机车信号的故障诊断问题归类为模式匹配问题。并在此基础上将模式匹配问题与机车信号的故障诊断问题相结合，提出了基于多模式匹配算法DFSA（Deterministic Finite State Automata）的机车信号故障诊断模型。
关键词：机车信号；故障诊断；模式匹配
一、综述
随着我国高速铁路的发展，无绝缘轨道电路成为当前的主要运用设备。该种轨道电路利用在轨道上分段加装补偿电容的方式来平衡轨道的高感抗，使轨道的整体传输特性趋于阻性。通过现场调研，补偿电容容易受到牵引区段浪涌电压以及雷电和轨道电流趋肤效应等因素的影响，主要表现为补偿电容断线或容值下降等故障模式，且对于一段轨道电路来说，绝大多数故障为单一补偿电容故障，很少出现多个补偿电容同时故障的情况。补偿电容故障会使轨道的传输特性恶化，信号有效传输距离缩短，直接影响轨道电路和车载机车信号设备的正常工作给行车安全带来隐患。
当前，在机车现场对补偿电容的检测主要采用电务检测车的方式。在检测车运行过程中，利用相应的硬件设备不断向轨道发送一定频率的测试信号，并同时接收来自轨道的反射信号，通过测量两种信号的变化幅度来检测补偿电容的状态 。此检测方法虽然准确性较高，但由于检测过程需要加挂专用的电务检测车，由专业人员利用特定的软、硬件设备来完成，使得其在检测成本和检测及时性等方面存在不足。
机车信号在机车运输的安全与效率方面起着非常重要的作用。但机车信号却经常出现掉码、串码和误码等故障，如何有效的诊断或提取出机车信号的故障是解决问题的关键步骤之一。为此，本文通过对机车信号故障码序的分析与讨论，将模式匹配算法应用于机车信号的故障诊断中，建立相应的诊断模型，并通过实验验证了模型的有效性。DFSA模型通过建立转向（goto）函数、失效（failure）函数和输出（output）函数，利用树型有限自动机实现了对机车信号快速准确的故障诊断。通过对实际的机车信号检测记录仪记录的数据进行故障诊断实验，表明该模型在机车信号故障诊断中的有效性。
模式匹配操作是输入两个模式，找出其相关元素间的匹配关系，然后输出两个模式元素间的映射关系。模式匹配广泛用于面向网络的数据集成、电子商务、数据仓库、数据库设计以及网站的建设和管理等方面，但其在基于网络的地理信息集成等领域的研究与应用还较少。进行空间信息集成需要把不同用户定义的关于相同的地理实体和特征的异构模式转换成一致的、能够同时为各个不同用户和计算机共同识别的规范模式，这需要用到模式匹配算法对两个输入模式间的相关联的元素进行识别和匹配。
二、故障码序
机车信号码（简称信号码）是被检测机车信号所代表的灯位码。码序是检测的不同信号码的时间顺序关系。当机车信号存在故障时，机车信号的码序规律就会发生变化，即与机车信号正常时的码序规律不同。可见，机车信号的故障信息在机车信号的码序上体现出来，因此通过判断机车信号的码序，可以实现机车信号的故障诊断。本文将以目前广泛应用的8灯位机车信号为例，讨论机车信号的故障码序。其中，8个灯位码分别为“L”（绿）、“LU”（绿黄）、“U”（黄）、“U2”（黄2）、“UU”（双黄）、“HU”（红黄）、“B”（白）和“H”（红）。机车信号的故障主要包括掉码、串码和误码3种，其产生的原因多种多样，如设备的故障和各种干扰等。
（一）掉码
掉码为最常见的故障，它被定义为在有码区段接收不到码，显示无码信号。如果从“HU”（红黄）到无码，则显示“H”（红），其他情况显示“B”（白）。在正常非掉码情况下，如果通过“UU”进行侧线通过或停车时，会产生“B”，这时的“B”（白）不应被判断为掉码。半自动闭塞区段，只在车站才可能发生掉码现象，所以需要根据地面信号机的设置来判断是否掉码，只判断车站内的码序。
（二）串码
串码故障分为侧线串码和正线串码。侧线串码只发生在车站，区间没有侧线串码现象，所以侧线串码的故障码序应该以“UU”（双黄）开头。正线串码只发生在半自动闭塞区段，且只发生在出发信号机外。为此也需要结合地面信号机的设置来判断，只判断车站内码序的侧线串码故障和出发信号机外码序的正线串码故障。在码序不符合正常码序（掉码和串码除外）时，应被诊断为出现误码故障。例如当前码为“H”（红），如果下一个码出现“B”（白），则认为是一次误码。
三、模式匹配及其算法
模式匹配问题是计算机科学中一个基本问题之一，其研究内容在信息检索与压缩、模式识别、计算理论和分子生物学中的DNA测序等诸多领域都有重要的应用价值。对模式匹配问题的定义和描述如下。
给定一个特定长度为m 的模式串P，在一个定义在有限字母表上长度为n（ n>m）的文本t中进行查找，确定P是否出现，若出现，确定其位置。这就是单模式匹配问题。从t中同时查找多个模式串P1，P2，…，Pn的过程叫做多模式匹配。
为降低字串查找的计算复杂度，人们提出了多种模式匹配算法。对于单模式匹配问题，3种经典的算法分别是：KMP算法、BM 算法和QS算法。它们的计算复杂度分别为O（n +m）、O（n/m）和O（ n/（m+1））。对于多模式匹配问题，最经典的算法是基于确定性有限自动机的DFSA算法。该算法对待匹配模式串集合进行预处理，转换成树型有限自动机，然后再对t进行一次扫描匹配，其计算复杂度为O（n）。
四、基于模式匹配算法的故障诊断模型
通过对机车信号故障码序的分析和对模式匹配问题的描述，可以得知，机车信号故障诊断问题可以归结为一种模式匹配问题。机车信号故障诊断的过程就是
在一串长的码序（例如一个运行交路的所有码序）中查找故障码序并确定其位置。因为存在多个故障码序，所以机车信号故障诊断问题被分类为多模式匹配问题。因此，机车信号故障诊断得到了多模式匹配算法的支持。本文以多模式匹配DFSA算法 为基础建立了机车信号故障诊断模型。下面仅以正线串码故障的诊断为例说明模型的建立与应用。 （一）建立模型
与DFSA的预处理过程相似，建立诊断模型的任务是计算3个函数：转向（goto）函数、失效（failure）函数和输出（output）函数。
转向函数定义为g：（S，C）→S，其中S={0，1，2，…，n）为状态集合，C为有限信号码集合，本例中C={I ，LU，U，U2，UU，HU，B，H）。
定义P={P0，P1，…，Pk-1}为待查找的码序集合，在本例中取P={L B HU H，LU B HU H，U BHU H ，U2 B HU H ，L HU H，LU HU H，U HUH，U2 HU H）。
逐个取出P中码序的信号码，从0状态出发，根据所取出码和当前状态决定下一个状态，如果遇到1个由当前状态出发且标有该码的矢线时，将下一个状态赋给当前状态，否则加上1条标有该码的矢线，并在矢线终点加上一个新状态，状态标号比已有的最大标号大1，并设此状态为当前状态。
失效函数指明，当某个信号码与待匹配码序匹配不成功时下一个应处理的状态。定义某状态的层次为，从0状态到该状态的最短路径中通过的矢线条数。失效函数的定义按照下述规则给出。
1、设状态Sf为第一层中的状态，失效函数定义为f（Sf）=0，
则f（1）=f（5）=f（9）=f（13）=0
2、设状态Sm为非第一层的状态（即存在a使g（r，a）=Sm 。其中r为Sm的父状态，a为P中码序的信号码），其失效函数定义为f（Sm）=g（f（S*m），a），其中状态S*m为追溯状态Sm的祖先状态所得到的最近一个使g（ f（S*m），a）存在的状态。根据此规则，可得所有非第一层状态的失效函数都为0，即当任何不匹配情况下，处理状态都返回到0状态。
DFSA算法的输出函数提供匹配码序的值，该值标记在每个终止状态Se处。而且在构造失效f（Se）=S*e 后，应修改输出函数output（Se）=output（Se）Uout-put（S*e ）。由于故障诊断中不需要得到匹配码序的具体值，而只需要知道是否匹配的信息，因此在此故障诊断模型中把所有终止状态S 的输出函数置1，4、18、8、2O、12、22、16和24的输出函数为1。因为所有状态的失效函数都为0，所以其他状态的输出函数都为0。
（二）诊断过程
上述模型建立完毕，便可以应用此模型对一串长的机车信号码序进行故障提取。这串长机车信号码序可以来自某个特定的运行交路。
1、从树型有限自动机的0状态出发，逐个取出码序中的码，并按照转向函数的指引进入下一个状态，如果匹配不成功则进入失效函数对应的状态。需要注意的是本例中的正线串码只发生在半自动闭塞区段，且只发生在出发信号机外，当这两个条件不满足时，即使匹配也将状态转回到0。2、当某个状态的输出函数为1时，则诊断出存在故障，并记录故障发生时刻。
（三）实验结果
下面将以部分实际的机车信号检测记录仪记录的数据检验上述模型的有效性。使用的数据来自机车信号记录仪，数据以文件方式保存，每个文件中包含一个运行交路的机车信号。因为记录仪以时间顺序进行记录，每秒记录一帧数据，所以数据长度由实际列车运行时间决定。实验程序从文件中顺序提取机车信号的信息，并使用上述方法进行故障诊断。下表显示了对部分运行交路的机车信号进行诊断的时间性能。实验环境为PIV 2.0，256M RAM，WIN2000，C++。
数据长度/帧 8 078 39 312 40 782 8 524 20 230 7 180
时间性能/ms 7.713 37.00 38.18 8.100 20.49 6.919
从实验结果可以看出，算法的运行时间随着数据长度的增加而增加，正如所述的算法计算复杂度为0（n）。而且运行时间都为ms级，可以满足实际需要。由于诊断模型是建立在对故障码序的分析基础上的，因此故障诊断的正确率依赖于故障码序分析的正确性与完整性。本文提供的故障码序是该领域专家从实践经验中总结出来的，具有一定的权威性。本实验结果表明，模型可以正确的诊断出已知全部故障，但诊断模型还需要在实际应用中不断完善。
五、结论
安全是机车运行过程中永恒不变的主题，要以机车信号为主体信号，就必须保证机车信号的高度安全可靠性，虽然目前的机车信号技术已经较为成熟，但是由于错误信号造成的冒进、超速等事故时有发生。为了避免此类事故，消除故障隐患，本文在分析机车信号故障码序特点的基础上，建立了基于多模式匹配算法DFSA的机车信号故障诊断模型。并对该模型在诊断中的应用过程与方法进行了分析，对实际机车信号检测记录仪记录的数据进行了故障诊断的实验，表明模型是有效性，该方法能够有效降低在机车运行中出现信号报错的情况出现，因此基于模式匹配算法基础上对机车信号故障进行诊断是可行的。
参考文献：
[1]刘大同.机车信号掉码分析及解决方案[J].中国铁路.2011（8）.
[2]周秀珍.浅谈减少信号常见故障[J].铁道通信信号.2011（1O）.
[3]陈桂林.自动文摘中若干技术的研究[D].上海交通大学.2012（62）.
[4]王永成.改进的多模式匹配算法[J].计算机研究与发展.2012（39）.
关键词：机车信号；故障诊断；模式匹配
一、综述
随着我国高速铁路的发展，无绝缘轨道电路成为当前的主要运用设备。该种轨道电路利用在轨道上分段加装补偿电容的方式来平衡轨道的高感抗，使轨道的整体传输特性趋于阻性。通过现场调研，补偿电容容易受到牵引区段浪涌电压以及雷电和轨道电流趋肤效应等因素的影响，主要表现为补偿电容断线或容值下降等故障模式，且对于一段轨道电路来说，绝大多数故障为单一补偿电容故障，很少出现多个补偿电容同时故障的情况。补偿电容故障会使轨道的传输特性恶化，信号有效传输距离缩短，直接影响轨道电路和车载机车信号设备的正常工作给行车安全带来隐患。
当前，在机车现场对补偿电容的检测主要采用电务检测车的方式。在检测车运行过程中，利用相应的硬件设备不断向轨道发送一定频率的测试信号，并同时接收来自轨道的反射信号，通过测量两种信号的变化幅度来检测补偿电容的状态 。此检测方法虽然准确性较高，但由于检测过程需要加挂专用的电务检测车，由专业人员利用特定的软、硬件设备来完成，使得其在检测成本和检测及时性等方面存在不足。
机车信号在机车运输的安全与效率方面起着非常重要的作用。但机车信号却经常出现掉码、串码和误码等故障，如何有效的诊断或提取出机车信号的故障是解决问题的关键步骤之一。为此，本文通过对机车信号故障码序的分析与讨论，将模式匹配算法应用于机车信号的故障诊断中，建立相应的诊断模型，并通过实验验证了模型的有效性。DFSA模型通过建立转向（goto）函数、失效（failure）函数和输出（output）函数，利用树型有限自动机实现了对机车信号快速准确的故障诊断。通过对实际的机车信号检测记录仪记录的数据进行故障诊断实验，表明该模型在机车信号故障诊断中的有效性。
模式匹配操作是输入两个模式，找出其相关元素间的匹配关系，然后输出两个模式元素间的映射关系。模式匹配广泛用于面向网络的数据集成、电子商务、数据仓库、数据库设计以及网站的建设和管理等方面，但其在基于网络的地理信息集成等领域的研究与应用还较少。进行空间信息集成需要把不同用户定义的关于相同的地理实体和特征的异构模式转换成一致的、能够同时为各个不同用户和计算机共同识别的规范模式，这需要用到模式匹配算法对两个输入模式间的相关联的元素进行识别和匹配。
二、故障码序
机车信号码（简称信号码）是被检测机车信号所代表的灯位码。码序是检测的不同信号码的时间顺序关系。当机车信号存在故障时，机车信号的码序规律就会发生变化，即与机车信号正常时的码序规律不同。可见，机车信号的故障信息在机车信号的码序上体现出来，因此通过判断机车信号的码序，可以实现机车信号的故障诊断。本文将以目前广泛应用的8灯位机车信号为例，讨论机车信号的故障码序。其中，8个灯位码分别为“L”（绿）、“LU”（绿黄）、“U”（黄）、“U2”（黄2）、“UU”（双黄）、“HU”（红黄）、“B”（白）和“H”（红）。机车信号的故障主要包括掉码、串码和误码3种，其产生的原因多种多样，如设备的故障和各种干扰等。
（一）掉码
掉码为最常见的故障，它被定义为在有码区段接收不到码，显示无码信号。如果从“HU”（红黄）到无码，则显示“H”（红），其他情况显示“B”（白）。在正常非掉码情况下，如果通过“UU”进行侧线通过或停车时，会产生“B”，这时的“B”（白）不应被判断为掉码。半自动闭塞区段，只在车站才可能发生掉码现象，所以需要根据地面信号机的设置来判断是否掉码，只判断车站内的码序。
（二）串码
串码故障分为侧线串码和正线串码。侧线串码只发生在车站，区间没有侧线串码现象，所以侧线串码的故障码序应该以“UU”（双黄）开头。正线串码只发生在半自动闭塞区段，且只发生在出发信号机外。为此也需要结合地面信号机的设置来判断，只判断车站内码序的侧线串码故障和出发信号机外码序的正线串码故障。在码序不符合正常码序（掉码和串码除外）时，应被诊断为出现误码故障。例如当前码为“H”（红），如果下一个码出现“B”（白），则认为是一次误码。
三、模式匹配及其算法
模式匹配问题是计算机科学中一个基本问题之一，其研究内容在信息检索与压缩、模式识别、计算理论和分子生物学中的DNA测序等诸多领域都有重要的应用价值。对模式匹配问题的定义和描述如下。
给定一个特定长度为m 的模式串P，在一个定义在有限字母表上长度为n（ n>m）的文本t中进行查找，确定P是否出现，若出现，确定其位置。这就是单模式匹配问题。从t中同时查找多个模式串P1，P2，…，Pn的过程叫做多模式匹配。
为降低字串查找的计算复杂度，人们提出了多种模式匹配算法。对于单模式匹配问题，3种经典的算法分别是：KMP算法、BM 算法和QS算法。它们的计算复杂度分别为O（n +m）、O（n/m）和O（ n/（m+1））。对于多模式匹配问题，最经典的算法是基于确定性有限自动机的DFSA算法。该算法对待匹配模式串集合进行预处理，转换成树型有限自动机，然后再对t进行一次扫描匹配，其计算复杂度为O（n）。
四、基于模式匹配算法的故障诊断模型
通过对机车信号故障码序的分析和对模式匹配问题的描述，可以得知，机车信号故障诊断问题可以归结为一种模式匹配问题。机车信号故障诊断的过程就是
在一串长的码序（例如一个运行交路的所有码序）中查找故障码序并确定其位置。因为存在多个故障码序，所以机车信号故障诊断问题被分类为多模式匹配问题。因此，机车信号故障诊断得到了多模式匹配算法的支持。本文以多模式匹配DFSA算法 为基础建立了机车信号故障诊断模型。下面仅以正线串码故障的诊断为例说明模型的建立与应用。 （一）建立模型
与DFSA的预处理过程相似，建立诊断模型的任务是计算3个函数：转向（goto）函数、失效（failure）函数和输出（output）函数。
转向函数定义为g：（S，C）→S，其中S={0，1，2，…，n）为状态集合，C为有限信号码集合，本例中C={I ，LU，U，U2，UU，HU，B，H）。
定义P={P0，P1，…，Pk-1}为待查找的码序集合，在本例中取P={L B HU H，LU B HU H，U BHU H ，U2 B HU H ，L HU H，LU HU H，U HUH，U2 HU H）。
逐个取出P中码序的信号码，从0状态出发，根据所取出码和当前状态决定下一个状态，如果遇到1个由当前状态出发且标有该码的矢线时，将下一个状态赋给当前状态，否则加上1条标有该码的矢线，并在矢线终点加上一个新状态，状态标号比已有的最大标号大1，并设此状态为当前状态。
失效函数指明，当某个信号码与待匹配码序匹配不成功时下一个应处理的状态。定义某状态的层次为，从0状态到该状态的最短路径中通过的矢线条数。失效函数的定义按照下述规则给出。
1、设状态Sf为第一层中的状态，失效函数定义为f（Sf）=0，
则f（1）=f（5）=f（9）=f（13）=0
2、设状态Sm为非第一层的状态（即存在a使g（r，a）=Sm 。其中r为Sm的父状态，a为P中码序的信号码），其失效函数定义为f（Sm）=g（f（S*m），a），其中状态S*m为追溯状态Sm的祖先状态所得到的最近一个使g（ f（S*m），a）存在的状态。根据此规则，可得所有非第一层状态的失效函数都为0，即当任何不匹配情况下，处理状态都返回到0状态。
DFSA算法的输出函数提供匹配码序的值，该值标记在每个终止状态Se处。而且在构造失效f（Se）=S*e 后，应修改输出函数output（Se）=output（Se）Uout-put（S*e ）。由于故障诊断中不需要得到匹配码序的具体值，而只需要知道是否匹配的信息，因此在此故障诊断模型中把所有终止状态S 的输出函数置1，4、18、8、2O、12、22、16和24的输出函数为1。因为所有状态的失效函数都为0，所以其他状态的输出函数都为0。
（二）诊断过程
上述模型建立完毕，便可以应用此模型对一串长的机车信号码序进行故障提取。这串长机车信号码序可以来自某个特定的运行交路。
1、从树型有限自动机的0状态出发，逐个取出码序中的码，并按照转向函数的指引进入下一个状态，如果匹配不成功则进入失效函数对应的状态。需要注意的是本例中的正线串码只发生在半自动闭塞区段，且只发生在出发信号机外，当这两个条件不满足时，即使匹配也将状态转回到0。2、当某个状态的输出函数为1时，则诊断出存在故障，并记录故障发生时刻。
（三）实验结果
下面将以部分实际的机车信号检测记录仪记录的数据检验上述模型的有效性。使用的数据来自机车信号记录仪，数据以文件方式保存，每个文件中包含一个运行交路的机车信号。因为记录仪以时间顺序进行记录，每秒记录一帧数据，所以数据长度由实际列车运行时间决定。实验程序从文件中顺序提取机车信号的信息，并使用上述方法进行故障诊断。下表显示了对部分运行交路的机车信号进行诊断的时间性能。实验环境为PIV 2.0，256M RAM，WIN2000，C++。
数据长度/帧 8 078 39 312 40 782 8 524 20 230 7 180
时间性能/ms 7.713 37.00 38.18 8.100 20.49 6.919
从实验结果可以看出，算法的运行时间随着数据长度的增加而增加，正如所述的算法计算复杂度为0（n）。而且运行时间都为ms级，可以满足实际需要。由于诊断模型是建立在对故障码序的分析基础上的，因此故障诊断的正确率依赖于故障码序分析的正确性与完整性。本文提供的故障码序是该领域专家从实践经验中总结出来的，具有一定的权威性。本实验结果表明，模型可以正确的诊断出已知全部故障，但诊断模型还需要在实际应用中不断完善。
五、结论
安全是机车运行过程中永恒不变的主题，要以机车信号为主体信号，就必须保证机车信号的高度安全可靠性，虽然目前的机车信号技术已经较为成熟，但是由于错误信号造成的冒进、超速等事故时有发生。为了避免此类事故，消除故障隐患，本文在分析机车信号故障码序特点的基础上，建立了基于多模式匹配算法DFSA的机车信号故障诊断模型。并对该模型在诊断中的应用过程与方法进行了分析，对实际机车信号检测记录仪记录的数据进行了故障诊断的实验，表明模型是有效性，该方法能够有效降低在机车运行中出现信号报错的情况出现，因此基于模式匹配算法基础上对机车信号故障进行诊断是可行的。
参考文献：
[1]刘大同.机车信号掉码分析及解决方案[J].中国铁路.2011（8）.
[2]周秀珍.浅谈减少信号常见故障[J].铁道通信信号.2011（1O）.
[3]陈桂林.自动文摘中若干技术的研究[D].上海交通大学.2012（62）.
[4]王永成.改进的多模式匹配算法[J].计算机研究与发展.2012（39）.