谢颖婷

（上海申通地铁集团有限公司运营设施设备管理部，上海 200000）

随着上海轨道交通运营规模持续增长和运行年限增加，设施设备健康评估在设施设备的运营管理中扮演着重要的角色，有效地保证了轨道交通的稳定运营。本文基于隐马尔可夫模型（HMM）构建设施设备的健康评估模型，将设施设备的健康特征信息输入模型进行训练，采用KL距离来实现设施设备健康状态的智能评估，为实现地铁设施设备精细化健康管理奠定基础。

1 研究背景

上海轨道交通目前已步入大规模网络运营阶段，地铁设施设备数量多，制式多样化，健康状态的分析诊断大多依靠人工经验，存在以下问题。

（1）缺乏设施设备的健康评估模型，设备异常时，需要维护人员耗费大量的人力来进行故障查证，系统维护效率低。

（2）传统的系统告警处理大都属于事后处理，无法提前感知设备的亚健康状态和未来可能发生的潜在故障，系统维护较为被动。

因此，迫切需要研究一种面向轨道交通的设备健康评估方法，通过大数据和人工智能技术有效评估地铁设施设备的健康状态，制定设施设备维护方案。

2 解决方案

2.1 隐马尔可夫模型HMM

隐马尔可夫模型HMM（Hidden Markov Model）是一种结构最简单的动态贝叶斯网的生成模型。隐马尔科夫模型是关于时序的概率模型，描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列，再由各个状态生成一个可观测的随机序列的过程。隐马尔可夫模型有三个要素：初始状态概率向量C，状态转移概率矩阵A和观测概率矩阵B。隐马尔可夫模型用三元符号表示为：

状态转移概率矩阵A与初始状态概率向量C确定了隐藏的马尔可夫链，生成不可观测的状态序列，观测概率矩阵B确定了如何从状态生成观测，与状态序列综合确定了如何产生观测序列。

表1 地铁设施设备履历信息的样本数据

2.2 设备健康评估模型

系统基于隐马尔可夫模型HMM构建设备健康评估模型，主要过程如下。

（1）特征提取。系统需要在设施设备履历信息中提取健康特征信息，主要包括生产时间、使用时间、告警记录、上线时间和运行状态。

（2）KL距离计算。KL距离(Kullback-Leibler)用于衡量相同事件空间里的两个概率分布的差异情况。概率分布p(x)的事件空间，若用概率分布q（x）编码时，则q和p的KL距离计算如下：

（3）健康状态评估。系统用设备当前状态的特征经正常态 HMM得到对应的 P未知(O|λ)。由 [P正常(O|λ)，P未知(O|λ)]计算出KL距离，根据KL距离大小可评估设备的健康状态。KL值越小，说明系统状态越接近正常；KL值越大，说明系统状态越接近异常。KL值大于國值，则已失效。

3 应用实例

地铁设施设备履历信息的样本数据如下：

将上述样本数据输入地铁设施设备健康评估模型，输出健康评估结果，如图1。

图1 地铁设施设备健康评估结果

4 结语

本文基于隐马尔可夫模型（HMM）构建设备健康评估模型，将地铁设施设备的健康特征信息输入模型，通过数据深度学习和KL距离计算来实现设施设备健康状态的智能评估，大大提升地铁设施设备的管理维护能力，可以满足地铁超大规模网络化设施设备管理维护需求。