CN106600047A

CN106600047A - 基于bp神经网络的动车组客室空调故障识别与预警方法

Info

Publication number: CN106600047A
Application number: CN201611127578.9A
Authority: CN
Inventors: 周斌; 姜陈; 廖小东; 金永祥; 谢名源
Original assignee: SHANGHAI RAILWAY BUREAU
Current assignee: China State Railway Group Co Ltd; China Railway Shanghai Group Co Ltd
Priority date: 2016-12-09
Filing date: 2016-12-09
Publication date: 2017-04-26

Abstract

本发明涉及高铁动车组设备设施故障智能诊断及状态维修技术领域，尤其是一种基于BP神经网络的动车组客室空调故障识别与预警方法，其特征在于：所述方法至少包括以下步骤：建立BP神经网络客室温度预测模型以预测动车组客室的室温；分析所述动车组客室的预测室温与其实际室温之间的差异，根据所述差异识别和预警所述动车组客室空调的故障。本发明的优点是：方法科学合理、适用，大大提高动车组客室空调故障识别与预警的实时性和准确性，对维护动车组稳定有序运行具有重要的意义。

Description

基于BP神经网络的动车组客室空调故障识别与预警方法

技术领域

本发明涉及高铁动车组设备设施故障智能诊断及状态维修技术领域，尤其是一种基于BP神经网络的动车组客室空调故障识别与预警方法。

背景技术

随着全路各条高速铁路客运专线的相继开通，全路动车组配属数呈直线上升，与此同时，动车组故障率也呈增长趋势。在动车组各类故障中空调系统故障为影响旅客乘坐舒适体验的重要故障之一。在天气炎热的夏季一旦空调系统不能正常运行，将严重影响旅客的乘车环境，甚至可能导致动车组无法继续运行，极大地影响正常的运输组织秩序。所以对动车组空调系统故障进行识别和预警具有非常重要的意义，及时发现动车组空调系统故障甚至预测故障的发生，将空调系统故障带来的影响减小到最低，对保证动车组安全有序的运行具有重要的意义。

目前动车组客室空调系统故障主要靠人工定时测量客室温度高低、旅客反应和库内检修时测量空调系统压力进行识别。

其中动车组在运行时人工对客室温度进行测量存在测量误差，不能准确反应空调系统的制冷效果，且测量间隔时间较长，不能实时反映客室车厢内温度的高低；当旅客反应客室车厢内温度过高感到不舒适时，空调故障已发生较长时间且故障达到较严重的状态；库内测量空调系统压力时，由于库内存放工况和动车组在交路上的运行工况相比具有很大的差别，空调系统压力不能准确的反应实际制冷状况。

通过对目前识别空调故障的各种方法分析，除均正常的存在一定误差外，更重要的是不能够对空调故障进行实时识别和提前预警。

发明内容

本发明的目的是根据上述现有技术的不足，提供了一种基于BP神经网络的动车组客室空调故障识别与预警方法，通过建立BP神经网络模型分析动车组客室的历史数据，从而对动车组客室的实时温度进行预测和比对分析，实现动车组客室空调故障的识别和预警，为动车组稳定有序的运行提供重要的保障。

本发明目的实现由以下技术方案完成：

一种基于BP神经网络的动车组客室空调故障识别与预警方法，其特征在于：所述方法至少包括以下步骤：建立BP神经网络客室温度预测模型以预测动车组客室的室温；分析所述动车组客室的预测室温与其实际室温之间的差异，根据所述差异识别和预警所述动车组客室空调的故障。

所述BP神经网络客室温度预测模型以所述动车组客室的历史外界环境温度为网格训练输入量，以所述动车组客室的历史室温为网格训练期望输出量。

所述历史外界环境温度指的是，所述动车组客室所处的动车组的所有外界环境温度，所述动车组客室的室温指的是，所述动车组上每个客室与外界环境温度对应的室内温度。

所述BP神经网络客室温度预测模型以实时外界环境温度为预测输入量结合其网格训练得到的每个所述动车组客室的室温与外界环境温度的权值来预测所述动车组对应客室的室温。

BP神经网络客室温度预测模型可根据历史样本寻找到客室车厢温度随外界环境温度变化而变化的规律，并根据实时室温预测对应的客室内温度。

所述分析所述动车组客室的预测室温与其实际室温之间的差异指的是，计算每列动车组的每节车厢实际室温与预测室温之间的差值，根据上述差值计算所述动车组上所有所述动车组客室的室温综合差值，根据所述室温综合差值识别和预警所述动车组客室空调的故障。

结合所述室温综合差值、所述室温综合差值的持续时间以及所述动车组客室的实际室温识别和预警所述动车组客室的空调的故障；识别和预警的条件还包括，所述室温综合差值所对应的所述动车组客室的实际室温绝对值大于等于设定数值，所述室温综合差值所对应的所述动车组具有一定速度值。

本发明的优点是：方法科学合理、适用，大大提高动车组客室空调故障识别与预警的实时性和准确性，对维护动车组稳定有序运行具有重要的意义。

附图说明

图1为本发明的原理示意图；

图2为本发明中BP神经网络客室温度预测流程图；

图3为本发明中实时识别和预警的判断流程图。

具体实施方式

以下结合附图通过实施例对本发明特征及其它相关特征作进一步详细说明，以便于同行业技术人员的理解：

实施例：本实施例中基于BP神经网络的动车组客室空调故障识别与预警方法用于判断动车组客室空调是否存在故障和是否将要发生故障以及故障的程度，从而为动车组稳定有序的运行提供重要的保障。

如图1所示，识别与预警方法包括以下步骤：

1）以动车组型号为CRH380B（L）为例，收集上一年所有CRH380B(L)型动车组客室空调相关远程数据，包括：车组号、时间、速度、外界环境温度和客室温度，其中车组号指的是动车组的制造序列号代码、时间指的是动车组的运行时间、速度指的是动车组的行驶速度，外界环境温度指的是动车组在运行时的外界环境温度，客室温度指的是动车组每节车厢内的温度。

2）将上一年所有CRH380B(L)型动车组客室空调相关远程数据作为历史样本数据，对历史样本数据进行处理，分别剔除速度小于100KM/h、客室温度绝对值大于等于29摄氏度和存在数据不全的所对应的所有样本数据。用上一年的数据作为历史样本数据，主要是为了延续客室空调的制冷效果，随着客室空调使用年限的增加，空调的制冷效果将降低，使用上一年的数据作为样本能够最接近地反应空调现行的制冷效果。

其中，剔除速度小于100KM/h的样本数据是为了剔除动车组停车时的样本数据，因为此时动车组客室侧门可能处于开启状态，外界高温直接进入客室使得客室温度过高而误认为空调制冷故障，同时，由于高温空气进入客室当动车组侧门关闭开始运行后，短时间内客室温度无法降至正常范围，选择小于等于100KM/h为了给客室温降至正常留有时间。而剔除客室温度绝对值大于29摄氏度的样本数据同样是为了剔除异常的数据，以使剔除后的样本数据均是动车组客室空调正常运行时的数据。若在历史样本数据中存在少量异常数据，BP神经网络具有自清理功能。

3）对处理后的历史样本数据按时间进行分类，5-6月份客室远程数据为样本1，7-8月份客室远程数据为样本2，9-10月份客室远程数据为样本3。按不同的时间为样本数据进行分类是为了提高在对动车组客室的室温进行预测时的准确性。

具体而言，由于时间的不同，动车组在运行时的外界工况一般不同，而针对不同的工况，动车组客室空调的制冷效果不同，7-8月份中动车组客室空调的运行工况（外界环境高温高压）一般比9-10月份中动车组客室空调的运行工况差，若动车组在9-10月份的运行过程中出现如同7-8月份中高温天气时，即动车组9-10月份运行的某一外界环境温度与7-8月份运行时的某一外界环境问题相同时，动车组7-8月份时的动车组客室室温略高于9-10月份时的动车组客室室温，但这一差异并不是因为动车组客室空调发生故障所造成的。因此，按不同的时间为样本数据进行分类可以显著提高对动车组客室的室温进行预测时的准确性。本实施例中包括样本1-3，在实际使用中可以细化每个样本的时间，例如按月份为样本参数进行分类。

4）建立BP神经网络客室温度预测模型，以处理过的样本参数中每列车的所有外界环境温度为输入，以每节车厢与外界环境温度对应的室温作为期望输出。

5）利用每一组车上一年的样本数据，以今年对应车组号每节车厢的实时外界环境温度作为预测输入预测实时客室温度。预测客室温度的时间需与样本参数产生的时间相对应，如预测今年5-6月份的动车组客室，需用上一年样本1中5-6月份客室远程数据作为样本。

在室温预测时需要按每一个车厢分别进行预测，即今年预测某车厢客室的室温，必须要用上一年该车厢客室的历史数据作为网格训练的输入输出，然后得到该车厢客室室温与外界环境温度（历史数据）的权值，结合得到的权值与该车厢客室实时的外界环境温度预测其实时室温。分车厢进行预测主要是因为每个车厢的客室空调制冷效果不同，所以在相同的外界环境温度下，不同的车厢室温有差异，即每个车厢的权值不同。

6）确定BP神经网络客室温度预测模型的网格训练和计算参数：采用具有一个隐含层的三层 BP神经网络前馈网络，具有3个隐含节点的隐含层、一个输入层和一个输出层，训练次数为5000次，网络误差精度为0.001。在BP神经网络客室温度预测模型中采用Levenberg-Marquardt算法。显示训练结果的间隔步数为25，学习率为0.025，动量因子为0.9，其余参数默认。

7）编写BP神经网络网格训练和计算的Matlab程序，预测实时动车组客室温度，预测流程如图2所示；

clear all;clc；

k=xlsread('F:\matlab\样本数据Excel文件名.xlsm','sheet1')；

m=k(:,4)；

x=transpose(m)；

[i,j]=size(k)；

t=0；

for h=5:1:j；

t=t+1；

n(:,t)=k(:,h)；

y(t,:)=transpose(n(:,t))；

net_t=newff(minmax(x),minmax(y(t,:)),[3,1],{'tansig','purelin'},'trainlm')

net_t.trainParam.show = 25；

net_t.trainParam.lr = 0.025;

net_t.trainParam.mc = 0.9;

net_t.trainParam.epochs = 5000;

net_t.trainParam.goal = 0.001;

inputWeights=net_t.IW{1,1}；

inputbias=net_t.b{1}；

layerWeights=net_t.LW{2,1}；

layerbias=net_t.b{2}；

[net_t,tr]=train(net_t,x,y(t,:))；

o(t,:)=sim(net_t,x)；

yy=xlsread('F:\matlab\样本数据Excel文件名.xlsm','sheet2')；

q=yy(:,4)；

w=transpose(q)；

z(t,:)=sim(net_t,w)；

end

p=transpose(z)；

xlswrite('F:\matlab\样本数据Excel文件名.xlsm',p, 'sheet2','J2')

BP神经网络客室温度预测模型的预测结果以excel的工作表形式输出，便于技术人员调查、监控。BP神经网络能够在不建立明确数学方程式的情况下，寻找输入与输出两者之间线性或非线性等复杂的关系。可以体现在：如外界环境温度在不断的变化时，车厢客室处于一个相对密封的空间，因此客室室温不会在短时间内发生忽高忽低的变化。当BP神经网络进行预测时一样会识别客室室温随外界环境温度平稳的变化规律而对车厢客室的室温进行预测。

具体而言，当外界环境温度为一定时，如35摄氏度，此时客室室温对应的值并不唯一，而是在一个范围内变化，如在正常情况下大概在24-27摄氏度的范围内变化，当客室室温超过这个范围一定值时（主要是指上限，体现为差值和综合差值），可认为动车组客室空调系统发生异常。

8）计算每列动车组的每节车厢客室实时室温与通过BP神经网络客室温度预测模型所预测的该节车厢客室的预测室温的差值记为T_温差i，T_温差i=（T_实时i-T_预测i），其中T_实时i指的是第i个车厢在当前外界环境温度对应下的实际室温，T_预测i指的是第i个车厢在历史样本中处于相同外界环境温度对应下时的预测室温，且符合在该外界环境温度下对应的客室室温的温度变化范围；i为列车的车厢号，短编列车i=1,2,…,8，长编列车i=1,2,…,16；T_预测i和T_实时i中的i相同，代表同一列动车组上的同一个车厢，T_预测i和T_实时i中的外界环境温度相同，且处于同一个以时间分类的样本中。例如，一动车组A在7月15日运行，此时的外界环境温度为X摄氏度，BP神经网络客室温度预测模型根据该动车组A在上一年7-8月的样本输出动车组客室的预测室温，而输入量为当前实际的外界环境温度，即X摄氏度。

9）利用公式T_综合i=T_温差i-（ΣT_温差i-T_温差i）/(n-1)计算室温综合差值，式中T_综合i为一列动车组上第i个车厢的综合差值，n为该列动车组的车厢数，短编列车n=8，长编列车n=16，即利用公式计算整列动车组各客室在相同时刻的实际室温与预测室温之间的差异，以分析动车组客室空调的运行情况，避免误判空调故障。

10）结合步骤9）中所得到的综合差值、室温综合差值的持续时间以及动车组客室的实际室温来识别和预警动车组客室的空调的故障，分析综合差值的表现是否满足以下现象：

a）1次连续30分钟超出1.5摄氏度；

b）2次或2次以上连续30分钟超出1.5摄氏度；

c）1次连续30分钟超出2摄氏度；

d）2次及以上连续30分钟超出2摄氏度；

e）客室温度连续30分钟以上大于等28.5摄氏度；

以综合差值以每6分钟进行一次取值为例，此时综合差值中存在5个连续超过1.5摄氏度的值得表现为1次持续30分钟超出1.5摄氏度的现象，满足现象a）；两组或两组以上的5个连续超过1.5摄氏度的值表现为2次或2次以上持续30分钟超出1.5摄氏度的现象，满足现象b），现象c）、d）以此类推不再赘述。而对于现象e）而言，指的是在对动车组客室室温进行监测的WTDS远程数据中存在连续的5个值，且5个连续值都大于28.5摄氏度。

在实际使用中可以根据实际需要调整综合差值持续时间的阈值（例如将现象a）中的30分钟调整为45分钟）、综合差值的阈值（例如将现象的a）中的1.5摄氏度调整为1摄氏度）、动车组客室的实际室温阈值（例如将现象e）中的28.5摄氏度调整为28摄氏度）。同样地，也可根据实际需要调整综合差值的取值间隔、WTDS的取值间隔，以提高识别与预警的精度。

11）当综合差值满足步骤10）中a）-d）的4条现象之一时，进一步判断是否满足以下两个条件：

1、综合差值对应的实时客室温度绝对值大于等于27摄氏度；

2、综合差值对应的动车组速度不为0（避免动车组侧门开启外界环境温度直接进入车厢影响室温误判断空调故障）。

这两个条件都是为了避免误判断，而由于步骤10）中的现象e）与条件1重复，即客室温度连续30分钟以上大于等28.5摄氏度已经满足于条件1所要求的27摄氏度，因此当综合差值满足步骤10）中的现象e）时，仅需要判断其是否满足上述条件2，即综合差值对应的动车组的速度不为0。

12）根据每个车厢的实时综合差值是否产生10）中现象之一且同时满足11）中的两个条件进行对故障进行识别和预警，如附图3所示：

当满足10）中的现象a）且满足11）中的条件1和2时，预警等级定为三级预警；

当满足10）中的现象b）且满足11）中的条件1和2时，预警等级定为二级预警；

当满足10）中的现象c）且满足11）中的条件1和2时，预警等级定为一级预警；

当满足10）中的现象d）且满足11）中的条件1和2时，故障等级定为二级故障；

当满足10）中的现象e）且满足11）中的条件2时，故障等级定为一级故障。

13）根据故障等级对动车组客室空调故障采取相应的措施：

当发生一、二、三级预警时，应急台立即通知随车机械师，重点对客室空调配电柜空开以及空调的相关设置参数等进行检查是否有异常，并对客室温度进行跟踪。

当发生一、二级故障时，应急台立即通知随车机械师采取相应措施，如打开客室内端门，对客室空调系统进行重新复位或进行手动强制制冷；评估故障是否可控并组织换乘预案，对客室温度进行持续跟踪。

本实施例的基于BP神经网络的动车组客室空调故障识别与预警方法对动车组实际运行过程中已发生的故障和将要发生的故障进行验证，结果表明，该方法可以有效对客室空调系统的故障进行识别和预警，保障动车组稳定有序的运行。

虽然以上实施例已经参照附图对本发明目的的构思和实施例做了详细说明，但本领域普通技术人员可以认识到，在没有脱离权利要求限定范围的前提条件下，仍然可以对本发明作出各种改进和变换，如：BP神经网络模型的各参数、历史样本数据的分类、数据量等，故在此不一一赘述。

Claims

1.一种基于BP神经网络的动车组客室空调故障识别与预警方法，其特征在于：所述方法至少包括以下步骤：建立BP神经网络客室温度预测模型以预测动车组客室的室温；分析所述动车组客室的预测室温与其实际室温之间的差异，根据所述差异识别和预警所述动车组客室空调的故障。

2.根据权利要求1所述的一种基于BP神经网络的动车组客室空调故障识别与预警方法，其特征在于：所述BP神经网络客室温度预测模型以所述动车组客室的历史外界环境温度为网格训练输入量，以所述动车组客室的历史室温为网格训练期望输出量。

3.根据权利要求2所述的一种基于BP神经网络的动车组客室空调故障识别与预警方法，其特征在于：所述历史外界环境温度指的是，所述动车组客室所处的动车组的所有外界环境温度，所述动车组客室的室温指的是，所述动车组上每个客室与外界环境温度对应的室内温度。

4.根据权利要求2所述的一种基于BP神经网络的动车组客室空调故障识别与预警方法，其特征在于：所述BP神经网络客室温度预测模型以实时外界环境温度为预测输入量结合其网格训练得到的每个所述动车组客室的室温与外界环境温度的权值来预测所述动车组对应客室的室温。

5.根据权利要求1所述的一种基于BP神经网络的动车组客室空调故障识别与预警方法，其特征在于：所述分析所述动车组客室的预测室温与其实际室温之间的差异指的是，计算每列动车组的每节车厢实际室温与预测室温之间的差值，根据上述差值计算所述动车组上所有所述动车组客室的室温综合差值，根据所述室温综合差值识别和预警所述动车组客室空调的故障。

6.根据权利要求5所述的一种基于BP神经网络的动车组客室空调故障识别与预警方法，其特征在于：结合所述室温综合差值、所述室温综合差值的持续时间以及所述动车组客室的实际室温识别和预警所述动车组客室的空调的故障；识别和预警的条件还包括，所述室温综合差值所对应的所述动车组客室的实际室温绝对值大于等于设定数值，所述室温综合差值所对应的所述动车组具有一定速度值。