Causal analysis of high-speed railway accidents based on knowledge graph and fault tree
-
摘要: 针对高速铁路（简称：高铁）事故开放共享程度不高，数据条块化、垂直化，信息碎片化等问题，基于知识图谱构建高铁事故的本体层及数据层，实现事故数据的资源整合，使用图数据库表达事故致因逻辑关系，通过Python编程生成高铁事故致因故障树，完成对高铁事故的致因分析。分析结果表明，人为因素中的“违规作业”“监管不力”及环境因素中的“恶劣天气”导致了更多高铁事故的发生。据此结果，为铁路相关部门防范重大事故发生提出了切实可行的建议。Abstract: In view of the problems such as the low degree of opening and sharing of high-speed railway accidents, data fragmentation, verticalization and fragmentation of information, this paper constructed the ontology layer and data layer of high-speed railway accidents based on the knowledge graph to implement the resource integration of accident data, used the graph database to express the logical relationship of accident causes, generated the fault tree of high-speed railway accident causes through Python programming, and completed the cause analysis of high-speed railway accidents. The analysis results indicate that "illegal operations" and "inadequate supervision" in human factors, as well as "adverse weather" in environmental factors, have led to more high-speed rail accidents. Based on these results, the paper provides practical and feasible suggestions for railway departments to prevent major accidents from occurring.
-
Keywords:
- high-speed railway /
- cause of accident /
- knowledge graph /
- fault tree /
- accident analysis
-
-
表 1 高铁事故领域本体的类层次及其属性
类 属性 事故说明 事故发生时间、所在国家、事故车次 事故直接致因 简述事故发生的直接致因 事故致因分类 违规作业、观察错误、监管不力、质量控制不充分、
法规措施不完善、恶劣天气、周界入侵、
不利地理环境、设备故障、软件故障、设计缺陷事故致因归属 人为因素 作业人员、公务工程、管理部门 设备因素 机车车辆、通信信号系统、牵引供电系统 环境因素 外部环境 事故后果 列车情况、线路情况、经济损失、
人员受伤情况、人员死亡情况等事故等级 特别重大事故、重大事故、较大事故、一般A类事故、
一般B类事故、一般C类事故、一般D类事故
下载: 导出CSV
表 2 CSV格式的高铁事故数据示例
时间，列车，国籍，事故直接致因，事故后果 “2011/7/12”，“G102次高铁”，“中国”，“受电弓损伤”，“中断供电2小时” “2013/11/22”，“D28次动车”，“中国”，“施工人员违规作业”，“四人死亡，1人受伤” “2018/6/14”，“山阳新干线希望176号”，“日本”，“人为穿越铁路”，“一人死亡” “2022/3/16”，“东北新干线山彦号223次”，“日本”，“福岛地震”，“列车脱轨，车厢倾侧”
下载: 导出CSV
表 3 高铁事故致因关系中的Cypher查询语句示例
序号 Cypher查询语句示例 查询结果 1 Match data=（n:列车{name:'XX高铁'}）-[rel*1..3]->（m） return n,rel,m “XX高铁”事故知识图谱模型 2 Match （n:事故致因分类）-[:事故直接致因]->（m:事故直接致因） RETURN n,m 事故直接致因与事故致因分类的知识图谱关系模型 3 Match data=（n）<-[rel*1..3]->（m:人车环境{name:'人'}） return n,rel,m “人为因素”事故致因关系模型
下载: 导出CSV
-
[1] 佘振国,宁 静,关则彬. 铁路安全风险预警信息系统的研究与设计 [J]. 铁路计算机应用,2017,26(2):4-7. DOI: 10.3969/j.issn.1005-8451.2017.02.002 [2] 马 欣. 基于复杂网络的铁路事故致因研究[D]. 北京: 北京交通大学, 2015. [3] 姜 达. 基于知识图谱的车载信号设备故障诊断研究[D]. 成都: 西南交通大学, 2020. [4] 翁湦元,阎志远,朱建军,等. 铁路客运延伸服务产品知识图谱构建与应用研究 [J]. 铁路计算机应用,2022,31(6):30-35. [5] 王 莉,王建平,许 娜,等. 基于知识图谱的地铁工程事故知识建模与分析 [J]. 土木工程与管理学报,2019,36(5):109-114,122. DOI: 10.3969/j.issn.2095-0985.2019.05.018 [6] 杨 凯,瞿福林,邱秀姣,等. 基于故障树分析法的高速铁路钢轨断裂机理分析 [J]. 铁道标准设计,2017,61(4):33-37. DOI: 10.13238/j.issn.1004-2954.2017.04.008 [7] 周 凤. 高铁动车组空调失效应急处置办法优化研究[D]. 北京: 中国铁道科学研究院, 2020. [8] 贾 潞. 基于风险管理的动车组受电弓故障树分析[D]. 成都: 西南交通大学, 2015. [9] 王 蔚. 高速电气化铁路牵引供电安全管理研究[D]. 成都: 西南交通大学, 2010. [10] Noy N F , Mcguinness D L .Ontology Development 101: A Guide to Creating Your First Ontology[EB/OL]. [2022-12-29]. https://max.book118.com/html/2016/0229/36359240.shtm.
[11] 中华人民共和国国务院. 铁路交通事故应急救援和调查处理条例 [J]. 中华人民共和国国务院公报,2012(33):30-34.
计量
- 文章访问数: 283
- HTML全文浏览量: 177
- PDF下载量: 86
