CN103279827A - 基于反馈型神经网络的动车组高级修计划编制方法 - Google Patents

基于反馈型神经网络的动车组高级修计划编制方法 Download PDF

Info

Publication number
CN103279827A
CN103279827A CN2013101941101A CN201310194110A CN103279827A CN 103279827 A CN103279827 A CN 103279827A CN 2013101941101 A CN2013101941101 A CN 2013101941101A CN 201310194110 A CN201310194110 A CN 201310194110A CN 103279827 A CN103279827 A CN 103279827A
Authority
CN
China
Prior art keywords
motor train
train unit
overhaul
maintenance
wide
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2013101941101A
Other languages
English (en)
Other versions
CN103279827B (zh
Inventor
贾志凯
张惟皎
李樊
王辉
王忠凯
李金波
管江旗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Computing Technology of CAS
Institute of Computing Technologies of CARS
Beijing Jingwei Information Technology Co Ltd
Original Assignee
Institute of Computing Technologies of CARS
Beijing Jingwei Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Computing Technologies of CARS, Beijing Jingwei Information Technology Co Ltd filed Critical Institute of Computing Technologies of CARS
Priority to CN201310194110.1A priority Critical patent/CN103279827B/zh
Publication of CN103279827A publication Critical patent/CN103279827A/zh
Application granted granted Critical
Publication of CN103279827B publication Critical patent/CN103279827B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Train Traffic Observation, Control, And Security (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于反馈型神经网络的动车组高级修计划编制方法，包括：建立全路动车组开行特征规则表，并存入数据库；通过数据挖掘对所述数据库中的开行信息进行分类聚合，得到每列动车组的日均走行里程拟合值；生成计划时间段内的全路动车组检修密度分布图，并计算每个神经元节点的检修适宜度；使用检修能力及运输高峰期条件约束验证，在所述检修密度分布图中标识冲突点位；调整所述冲突点位及所述检修能力，使得在所述每个神经元节点的检修适宜度限度条件下，其检修密度的加权值最低；输出全路动车组高级修计划编制结果；本发明解决了多目标求解条件下的全路动车组高级修计划编制，实现未来任意时间段内的动车组高级修计划的精确推算。

Description

基于反馈型神经网络的动车组高级修计划编制方法
技术领域
本发明涉及轨道交通领域，特别涉及一种基于反馈型神经网络的动车组高级修计划编制方法。
背景技术
由于铁路高速动车组运行安全、便捷舒适，越来越多的成为旅客长距离出行的首选，在春节、暑假、黄金周中，铁路运输要求配属动车组尽可能多的上线运营，此时就要求处于高级修状态的动车组尽量少，以缓解铁路客流急剧增长的需要。
动车组高级修间隔里程较长（60～120万公里），到期后如不及时检修将对动车组运行安全造成较大影响，但是，动车组高级修占用修时长（一般为几周），且具备动车组高级修检修资质的单位少，检修能力有限，所以需要在全路范围内统筹安排，提前编制动车组高级修计划。铁路运输企业为了在运输高峰期具备最大开行能力，往往提前或延后进行动车组高级修，但是，提前检修会造成动车组设备能力及检修能力的巨大浪费，增加了运用成本，延后检修却增加了动车组运行的安全风险，不利于运输生产，而且检修单位往往面临运输高峰期前无车可修，运输高峰期后检修能力不足的尴尬局面，进一步增大了动车组设备能力的浪费，所以编制均衡合理的动车组高级修计划，对于充分利用动车组设备能力、均衡检修能力、节约检修成本、提高动车组运行安全具有重要意义。
目前铁路动车组高级修计划编制主要使用人工汇总Excel表格的方式，各铁路局根据经验值预测本局下年度高级修发生量，铁道部汇总各局上报数据后，设置检修阀值，结合检修单位的检修能力，综合调整后生成下年度动车组高级修计划。长周期计划推算影响因素多、计算量巨大，所以人工编制的年度计划主要作为衡量检修工作量的依据，具体检修工作安排还需要编制月度动车组高级修计划，由于高级修的检修周期长达几周，所以往往编制月度计划时检修不均衡的情况已经发生。
综上所述，现有的铁路动车组高级修计划编制主要利用动车组日均走行里程经验值，使用简单线性外推法，计算出计划检修时间，然后根据检修能力及运输要求作出提前或延后调整，由于计算量巨大，所以手工计划编排的精度及均衡性较差。
基于此，现有技术确实有待于改善。
发明内容
针对现有技术的不足，本发明提供一种基于反馈型神经网络的动车组高级修计划编制方法，以解决多目标求解条件下的全路动车组高级修计划编制，实现未来任意时间段内的动车组高级修计划的精确推算。
为实现以上目的，本发明通过以下技术方案予以实现：
本发明提供一种基于反馈型神经网络的动车组高级修计划编制方法，包括以下步骤：
S1、建立全路动车组开行特征规则表，并存入数据库；
S2、通过数据挖掘对所述数据库中的开行信息进行分类聚合，得到每列动车组的日均走行里程拟合值；
S3、预设计划时间段，生成所述计划时间段内的全路动车组检修密度分布图，并计算每个神经元节点的检修适宜度；
S4、使用检修能力及运输高峰期条件约束验证，在所述检修密度分布图中标识冲突点位；
S5、调整所述冲突点位及所述检修能力，使得在所述每个神经元节点的检修适宜度限度条件下，其检修密度的加权值最低；
S6、输出全路动车组高级修计划编制结果。
优选的，所述步骤S1进一步包括：
S11、建立全路运行交路及里程数字表；
S12、根据全路动车组配属以及图定动车组分配记录，生成全路动车组开行特征规则表；
S13、将所述全路动车组开行特征规则表存入数据库中。
优选的，所述步骤S2进一步包括：通过数据挖掘对所述数据库中开行特征规则表的开行历史数据及检修历史数据进行分类聚合。
优选的，所述步骤S3进一步包括：预设计划时间段，根据所述每列动车组的日均走行里程拟合值及动车组检修规程，生成所述计划时间段内的全路动车组检修密度分布图，并计算每个神经元节点的检修适宜度。
优选的，所述步骤S5进一步包括：
S51、调整所述冲突点位，并判断其对应的所述检修能力是否支持所述每个神经元节点的检修适宜度达到最高，若是，则输出全路动车组高级修计划编制结果；若不是，则执行步骤S52；
S52、判断所述检修能力是否达到最大值，若是，则丢弃所述检修适宜度最低的神经元节点；若不是，则执行步骤S53；
S53、增加所述检修能力，使所述每个神经元节点的检修适宜度达到最高。
本发明提供一种基于反馈型神经网络的动车组高级修计划编制方法，通过使用计算机及数据挖掘技术替代手工编制模式，提高了动车组日均走行里程拟合精度，大大提高了多目标条件下的求解能力，可精确推算未来任意时间段内的全路动车组高级修计划结果；建立了基于反馈型神经网络的检修适宜度模型，可有效评价检修计划编制的优化程度；根据动态调整输入参数，在满足运输需要及检修规程的前提件下，最大限度地利用设备能力，节约检修成本。
附图说明
图1为本发明一实施例的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，本发明提供一种基于反馈型神经网络的动车组高级修计划编制方法，包括以下步骤：
S1、建立全路动车组开行特征规则表，并存入数据库；
S2、通过数据挖掘对所述数据库中的开行信息进行分类聚合，得到每列动车组的日均走行里程拟合值；
S3、预设计划时间段，生成所述计划时间段内的全路动车组检修密度分布图，并计算每个神经元节点的检修适宜度；
S4、使用检修能力及运输高峰期条件约束验证，在所述检修密度分布图中标识冲突点位；
S5、调整所述冲突点位及所述检修能力，使得在所述每个神经元节点的检修适宜度限度条件下，其检修密度的加权值最低；
S6、输出全路动车组高级修计划编制结果。
优选的，所述步骤S1进一步包括：
S11、建立全路运行交路及里程数字表；
S12、根据全路动车组配属以及图定动车组分配记录，生成全路动车组开行特征规则表；
S13、将所述全路动车组开行特征规则表存入数据库中。
优选的，所述步骤S2进一步包括：通过数据挖掘对所述数据库中开行特征规则表的开行历史数据及检修历史数据进行分类聚合。
优选的，所述步骤S3进一步包括：预设计划时间段，根据所述每列动车组的日均走行里程拟合值及动车组检修规程，生成所述计划时间段内的全路动车组检修密度分布图，并计算每个神经元节点的检修适宜度。
优选的，所述步骤S5进一步包括：
S51、调整所述冲突点位，并判断其对应的所述检修能力是否支持所述每个神经元节点的检修适宜度达到最高，若是，则输出全路动车组高级修计划编制结果；若不是，则执行步骤S52；
S52、判断所述检修能力是否达到最大值，若是，则丢弃所述检修适宜度最低的神经元节点；若不是，则执行步骤S53；
S53、增加所述检修能力，使所述每个神经元节点的检修适宜度达到最高。
本发明提供一种基于反馈型神经网络的动车组高级修计划编制方法，通过使用计算机及数据挖掘技术替代手工编制模式，提高了动车组日均走行里程拟合精度，大大提高了多目标条件下的求解能力，可精确推算未来任意时间段内的全路动车组高级修计划结果；建立了基于反馈型神经网络的检修适宜度模型，可有效评价检修计划编制的优化程度；根据动态调整输入参数，在满足运输需要及检修规程的前提件下，最大限度地利用设备能力，节约检修成本。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (5)

1.一种基于反馈型神经网络的动车组高级修计划编制方法，其特征在于，包括以下步骤：
S1、建立全路动车组开行特征规则表，并存入数据库；
S2、通过数据挖掘对所述数据库中的开行信息进行分类聚合，得到每列动车组的日均走行里程拟合值；
S3、预设计划时间段，生成所述计划时间段内的全路动车组检修密度分布图，并计算每个神经元节点的检修适宜度；
S4、使用检修能力及运输高峰期条件约束验证，在所述检修密度分布图中标识冲突点位；
S5、调整所述冲突点位及所述检修能力，使得在所述每个神经元节点的检修适宜度限度条件下，其检修密度的加权值最低；
S6、输出全路动车组高级修计划编制结果。
2.如权利要求1所述的方法，其特征在于，所述步骤S1进一步包括：
S11、建立全路运行交路及里程数字表；
S12、根据全路动车组配属以及图定动车组分配记录，生成全路动车组开行特征规则表；
S13、将所述全路动车组开行特征规则表存入数据库中。
3.如权利要求2所述的方法，其特征在于，所述步骤S2进一步包括：通过数据挖掘对所述数据库中开行特征规则表的开行历史数据及检修历史数据进行分类聚合。
4.如权利要求3所述的方法，其特征在于，所述步骤S3进一步包括：
预设计划时间段，根据所述每列动车组的日均走行里程拟合值及动车组检修规程，生成所述计划时间段内的全路动车组检修密度分布图，并计算每个神经元节点的检修适宜度。
5.如权利要求4所述的方法，其特征在于，所述步骤S5进一步包括：
S51、调整所述冲突点位，并判断其对应的所述检修能力是否支持所述每个神经元节点的检修适宜度达到最高，若是，则输出全路动车组高级修计划编制结果；若不是，则执行步骤S52；
S52、判断所述检修能力是否达到最大值，若是，则丢弃所述检修适宜度最低的神经元节点；若不是，则执行步骤S53；
S53、增加所述检修能力，使所述每个神经元节点的检修适宜度达到最高。
CN201310194110.1A 2013-05-23 2013-05-23 基于反馈型神经网络的动车组高级修计划编制方法 Active CN103279827B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310194110.1A CN103279827B (zh) 2013-05-23 2013-05-23 基于反馈型神经网络的动车组高级修计划编制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310194110.1A CN103279827B (zh) 2013-05-23 2013-05-23 基于反馈型神经网络的动车组高级修计划编制方法

Publications (2)

Publication Number Publication Date
CN103279827A true CN103279827A (zh) 2013-09-04
CN103279827B CN103279827B (zh) 2016-06-29

Family

ID=49062338

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310194110.1A Active CN103279827B (zh) 2013-05-23 2013-05-23 基于反馈型神经网络的动车组高级修计划编制方法

Country Status (1)

Country Link
CN (1) CN103279827B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714396A (zh) * 2013-12-25 2014-04-09 中国铁道科学研究院电子计算技术研究所 动车组运用和检修方案的快速智能优化方法及系统
CN107886173A (zh) * 2017-10-26 2018-04-06 杨晓艳 一种飞机定检计划编制方法和装置
CN109272158A (zh) * 2018-09-14 2019-01-25 安徽云轨信息科技有限公司 一种城市轨道车辆架大修系统及方法
CN110414739A (zh) * 2019-08-01 2019-11-05 广州运达智能科技有限公司 一种城轨列车检修周期优化方法和装置
CN111476382A (zh) * 2020-04-08 2020-07-31 中车青岛四方机车车辆股份有限公司 动车组检修的处理方法及装置
CN111815182A (zh) * 2020-07-10 2020-10-23 积成电子股份有限公司 一种基于深度学习的电网停电检修计划编排方法
CN112613621A (zh) * 2020-12-03 2021-04-06 北京交通大学 一种面向高速列车高级修计划调整方法、系统及介质
CN113837403A (zh) * 2021-08-27 2021-12-24 深圳市飞思捷跃科技有限公司 一种自学习物联网维保计划生成系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202495087U (zh) * 2012-01-06 2012-10-17 上海杰之能信息科技有限公司 动车周运用及检修计划自动排程信息处理装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202495087U (zh) * 2012-01-06 2012-10-17 上海杰之能信息科技有限公司 动车周运用及检修计划自动排程信息处理装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
强成: "《基于人工神经网络的铁路机车检修周期确定方法研究》", 《理论研究》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714396A (zh) * 2013-12-25 2014-04-09 中国铁道科学研究院电子计算技术研究所 动车组运用和检修方案的快速智能优化方法及系统
CN107886173A (zh) * 2017-10-26 2018-04-06 杨晓艳 一种飞机定检计划编制方法和装置
CN109272158A (zh) * 2018-09-14 2019-01-25 安徽云轨信息科技有限公司 一种城市轨道车辆架大修系统及方法
CN110414739A (zh) * 2019-08-01 2019-11-05 广州运达智能科技有限公司 一种城轨列车检修周期优化方法和装置
CN110414739B (zh) * 2019-08-01 2021-02-19 广州运达智能科技有限公司 一种城轨列车检修周期优化方法和装置
CN111476382A (zh) * 2020-04-08 2020-07-31 中车青岛四方机车车辆股份有限公司 动车组检修的处理方法及装置
CN111815182A (zh) * 2020-07-10 2020-10-23 积成电子股份有限公司 一种基于深度学习的电网停电检修计划编排方法
CN112613621A (zh) * 2020-12-03 2021-04-06 北京交通大学 一种面向高速列车高级修计划调整方法、系统及介质
CN113837403A (zh) * 2021-08-27 2021-12-24 深圳市飞思捷跃科技有限公司 一种自学习物联网维保计划生成系统

Also Published As

Publication number Publication date
CN103279827B (zh) 2016-06-29

Similar Documents

Publication Publication Date Title
CN103279827A (zh) 基于反馈型神经网络的动车组高级修计划编制方法
US20210344225A1 (en) Energy storage modeling and control
CN106485417A (zh) 基于动态自适应任务调度策略的光伏电站移动运维方法
CN102867228B (zh) 一种等进度滚动编制月度发电计划的实现方法
CN107704950A (zh) 一种基于出行需求与系统节能的城轨列车运行图优化方法
CN105322566A (zh) 考虑预测误差时序分布的含风电机组组合模型建立方法
CN103390904A (zh) 可再生能源并网发电分析方法
CN105205547A (zh) 一种基于多种不确定因素相似度匹配的母线负荷预测算法
CN103336998A (zh) 一种风电场功率波动平抑目标值的优化计算方法
He et al. Frequency regulation from electrified railway
CN105262148B (zh) 计及风电出力特性的规划年电力平衡方法
CN103117008A (zh) 一种基于管制员工作负荷的扇区瞬时容量评估方法
CN109948929A (zh) 一种配电网协同管理模型的构建方法及系统
CN202795451U (zh) 一种基于主题库的资产全寿命周期管理流程管控应用系统
CN105894161A (zh) 一种“三公”模式下横向滚动纵向调平的中长期发电计划编制方法
Ping et al. The reaserch of users-transformer relationship verification method based on data-driven
Cheremisin et al. Intelligent automated system for the monitoring of railway areas with a low transport process energy efficiency
CN107871288B (zh) 一种温室气体减排量的测算方法及系统
Tao et al. Retracted: Research on Power System Active Power Scheduling Strategy Adapted to Large-Scale Wind Power Grid-Connected
CN104377719A (zh) 基于时空双尺度的电动汽车有序充换电分层分区调度方法
Han et al. Research on performance evaluation method of public transit routes based on BCC model
Chen et al. Research on Project Resource Allocation and Lean Procurement Strategy Based on System Dynamics’
Huang et al. Optimal production planning under cap-and-trade with fixed setup costs
Giuntoli et al. Electric bus depot simulation platform for evaluating energy management strategies under uncertainties
Zhao et al. The real-time dispatch methods for urban rail transportation

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant