CN107563508A - 一种大数据故障预测方法 - Google Patents
一种大数据故障预测方法 Download PDFInfo
- Publication number
- CN107563508A CN107563508A CN201710570854.7A CN201710570854A CN107563508A CN 107563508 A CN107563508 A CN 107563508A CN 201710570854 A CN201710570854 A CN 201710570854A CN 107563508 A CN107563508 A CN 107563508A
- Authority
- CN
- China
- Prior art keywords
- mrow
- value
- particle
- neural network
- mfrac
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种大数据故障预测方法，利用BP神经网络作为粒子群迭代算法的适应度函数，设定预测值与实际值的差为300，然后进行迭代，最后得出BP网络的权值和阈值的全局最优解作为BP神经网络的参数，然后进行下一次的预测。本发明针对地铁屏蔽门系统目前的状况，提出了基于PSO与BP神经网络相结合的大数据故障预测方法。把屏蔽门的历史数据作为输入变量引入预测模型，实现对屏蔽门门锁机构的故障时间预测。解决了以往发生故障才能报警的安全隐患问题，应用故障特征库信息对可能发生的故障进行预防，提高屏蔽门系统的安全性。同时该方法的成功对地铁车站的进出口闸机、手扶电梯、升降电梯等重要系统装置均有良好的应用前景。
Description
技术领域
本发明涉及大数据预测技术领域，具体涉及一种大数据故障预测方法。
背景技术
大数据预测是基于大数据和预测模型去预测未来某件事情的概率。让分析从“面向已经发生的过去”转向“面向即将发生的未来”是大数据与传统数据分析的最大不同。大数据预测的逻辑基础是，每一种非常规的变化事前一定有征兆，每一件事情都有迹可循，如果找到了征兆与变化之间的规律，就可以进行预测。大数据预测无法确定某件事情必然会发生，它更多是给出一个概率。随着信息革命的深入，大数据时代的预测更加容易，人类的生活正在被大数据预测深刻改变。
BP神经网络由于自学习和自适应能力强而广泛使用在大数据预测领域，但是随着应用范围的逐步扩大，BP神经网络也暴露出了越来越多的缺点和不足。最常见的问题是局部最小化。从数学角度看，由于神经网络对权值与阈值非常敏感，因此以随机数方式初始化的权重和阈值往往会导致每次训练得到不同的结果。
发明内容
有鉴于此，为了解决现有技术中的上述问题，本发明提出一种基于PSO与BP神经网络相结合的大数据故障预测方法。
本发明通过以下技术手段解决上述问题：
一种大数据故障预测方法，包括如下步骤：
S1：构造样本：利用数据集中前44个训练数据构造训练矩阵；
Ttrain＝[T1 T2 … T40]
S2：对原始数据进行归一化处理，转换为[0,1]之间的值：
S3：根据公式(4-2)确定隐含层节点数N，创建神经网络模型；
N＝M-1 (4-2)
M是输入层节点数；
S4：设定PSO算法参数：
学习因子C1＝C2＝1.8；惯性权重ω＝0.7；
S5：Wij为BP神经网络权值，θj为BP神经网络偏置值，以W和θ作为粒子，初始化粒子位置X与速度V，种群规模为M＝40，粒子位置初始值为[-1,1]之间的随机值，速度的初始值0；
S6：神经网络的隐藏层与输出层每个节点的输入公式(4-3)与输出公式(4-4)：
Ij＝∑iWijXi+θj (4-3)
其中Ij为j节点的输入值，Xi为输入层对应i节点的输入值，Oj为j节点的输出值；
S7：适应度函数如下：
Erro＝|Y-y| (4-5)
上式为PSO算法的适应度函数，Y为真实值；y为预测值，即输出层的输出值；
S8：粒子群算法的进化方程为
V(t+1)＝ωV(t)+C1R1(Pbest-X(t))+C2R2(Gbest-X(t)) (4-6)
V(t)为前一次的进化速度，初始值为一个随机数，ω为惯性权重，这里取值为0.7，C1、C2为学习因子，这里取值1.8，R1、R2为[0,1]之间的随机数，Pbest为粒子的个体最优值，Gbest为粒子的全局最优值，x(t)为粒子位置，这里指权重W与偏置值θ的值；
S9：粒子位置更新：
X(t+1)＝X(t)+V(t+1) (4-7)
S10：设定迭代的误差精度，返回步骤S8，不断更新粒子的位置，直到达到误差精度；
Erro≤200 (4-8)
S11：把粒子X全局最优值作为BP网络参数，预测下一次发生故障的时间；把得到的预测值进行反变换：
与现有技术相比，本发明的有益效果如下：
本发明针对地铁屏蔽门系统目前的状况，提出了基于PSO与BP神经网络相结合的大数据故障预测方法。把屏蔽门的历史数据作为输入变量引入预测模型，实现对屏蔽门门锁机构的故障时间预测。解决了以往发生故障才能报警的安全隐患问题，应用故障特征库信息对可能发生的故障进行预防，提高屏蔽门系统的安全性。同时该方法的成功对地铁车站的进出口闸机、手扶电梯、升降电梯等重要系统装置均有良好的应用前景，为设备的预警方法提供了一条新的思路方向。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明BP神经网络的结构图；
图2是本发明大数据故障预测方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明以地铁车站其中一道滑动门的门锁机构作为试验点，利用地铁运营提供的门锁机构的无故障开关次数进行预测，预测下一次发生故障的开关次数，从而得知下一次发生故障的时间。
通过训练一个BP神经网络如图1，利用前4个值预测第5个值，也就是用编号为1-4的值预测编号为5的值，编号为2-5的值预测编号为6的值，如此循环下去，总共47个数据，前44个作为训练数据，后3个作为测试数据。
PSO-BP神经网络预警算法步骤：
S1：构造样本：利用数据集中前44个训练数据构造训练矩阵。
Ttrain＝[T1 T2 … T40]
实验数据有47个，利用前44个作为训练数据，后3个作为测试数据。对于44个训练数据，每5个作为一组，前4个作为输入放到Ptrain数组里面，第5个作为输出放到Ttrain数组里面。
S2：对原始数据进行归一化处理，转换为[0,1]之间的值：
把待处理数据转换为[0.1]范围内，有助于提高算法的效率。
S3：根据公式(4-2)确定隐含层节点数N，创建神经网络模型，如图1，Wij为权值，θj为偏置值
N＝M-1 (4-2)
M是输入层节点数。
S4：设定PSO算法参数：
学习因子C1＝C2＝1.8；惯性权重ω＝0.7；
S5：以W和θ作为粒子，初始化粒子位置X与速度V，种群规模为M＝40。粒子位置初始值为[-1,1]之间的随机值，速度的初始值0。
S6：神经网络的隐藏层与输出层每个节点的输入公式(4-3)与输出公式(4-4)：
Ij＝∑iWikXi+θj (4-3)
其中Ij为j节点的输入值，Xi为输入层对应i节点的输入值，Oj为j节点的输出值。
S7：适应度函数如下：
Erro＝|Y-y| (4-5)
上式为PSO算法的适应度函数，Y为真实值；y为预测值，即输出层的输出值。
S8：粒子群算法的进化方程为
V(t+1)＝ωV(t)+C1R1(Pb＝st-X(t))+C2R2(Gbest-X(t)) (4-6)
V(t)为前一次的进化速度，初始值为一个随机数，ω为惯性权重，这里取值为0.7，C1、C2为学习因子，这里取值1.8，R1、R2为[0,1]之间的随机数，Pbest为粒子的个体最优值，Gbest为粒子的全局最优值，x(t)为粒子位置，这里指权重W与偏置值θ的值。
S9：粒子位置更新：
X(t+1)＝X(t)+V(t+1) (4-7)
S10：设定迭代的误差精度，返回步骤S8，不断更新粒子的位置，直到达到误差精度。
Erro≤200 (4-8)
S11：把粒子X全局最优值作为BP网络参数，预测下一次发生故障的时间；把得到的预测值进行反变换：
图2为预测算法的流程图。本发明利用BP神经网络作为粒子群迭代算法的适应度函数，设定预测值与实际值的差为200，然后进行迭代，最后得出BP网络的权值和阈值的全局最优解作为BP神经网络的参数，然后进行下一次的预测。
本发明针对地铁屏蔽门系统目前的状况，提出了基于PSO与BP神经网络相结合的大数据故障预测方法。把屏蔽门的历史数据作为输入变量引入预测模型，实现对屏蔽门门锁机构的故障时间预测。解决了以往发生故障才能报警的安全隐患问题，应用故障特征库信息对可能发生的故障进行预防，提高屏蔽门系统的安全性。同时该方法的成功对地铁车站的进出口闸机、手扶电梯、升降电梯等重要系统装置均有良好的应用前景，为设备的预警方法提供了一条新的思路方向。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (1)
1.一种大数据故障预测方法，其特征在于，包括如下步骤：
S1：构造样本：利用数据集中前44个训练数据构造训练矩阵；
Ttrain＝[T1 T2 … T40]
S2：对原始数据进行归一化处理，转换为[0,1]之间的值：
<mrow>
<mi>y</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>0.8</mn>
<mo>-</mo>
<mn>0.2</mn>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>+</mo>
<mn>0.2</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
S3：根据公式(4-2)确定隐含层节点数N，创建神经网络模型；
N＝M-1 (4-2)
M是输入层节点数；
S4：设定PSO算法参数：
学习因子C1＝C2＝1.8；惯性权重ω＝0.7；
S5：Wij为BP神经网络权值，θj为BP神经网络偏置值，以W和θ作为粒子，初始化粒子位置X与速度V，种群规模为M＝40，粒子位置初始值为[-1,1]之间的随机值，速度的初始值0；
S6：神经网络的隐藏层与输出层每个节点的输入公式(4-3)与输出公式(4-4)：
Ij＝∑iWijXi+θj (4-3)
<mrow>
<msub>
<mi>O</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>-</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中Ij为j节点的输入值，Xi为输入层对应i节点的输入值，Oj为j节点的输出值；
S7：适应度函数如下：
Erro＝|Y-y| (4-5)
上式为PSO算法的适应度函数，Y为真实值；y为预测值，即输出层的输出值；
S8：粒子群算法的进化方程为
V(t+1)＝ωV(t)+C1R1(Pbest-X(t))+C2R2(Gbest-X(t)) (4-6)
V(t)为前一次的进化速度，初始值为一个随机数，ω为惯性权重，这里取值为0.7，C1、C2为学习因子，这里取值1.8，R1、R2为[0,1]之间的随机数，Pbest为粒子的个体最优值，Gbest为粒子的全局最优值，x(t)为粒子位置，这里指权重W与偏置值θ的值；
S9：粒子位置更新：
X(t+1)＝X(t)+V(t+1) (4-7)
S10：设定迭代的误差精度，返回步骤S8，不断更新粒子的位置，直到达到误差精度；
Erro≤200 (4-8)
S11：把粒子X全局最优值作为BP网络参数，预测下一次发生故障的时间；把得到的预测值进行反变换：
<mrow>
<mi>x</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<mn>0.2</mn>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mfrac>
<mrow>
<mi>max</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>0.8</mn>
<mo>-</mo>
<mn>0.2</mn>
</mrow>
</mfrac>
<mo>+</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>-</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710570854.7A CN107563508A (zh) | 2017-07-13 | 2017-07-13 | 一种大数据故障预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710570854.7A CN107563508A (zh) | 2017-07-13 | 2017-07-13 | 一种大数据故障预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107563508A true CN107563508A (zh) | 2018-01-09 |
Family
ID=60972662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710570854.7A Pending CN107563508A (zh) | 2017-07-13 | 2017-07-13 | 一种大数据故障预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107563508A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334059A (zh) * | 2018-02-26 | 2018-07-27 | 上海理工大学 | 基于粒子群算法优化bp神经网络模型故障诊断方法 |
| CN111222244A (zh) * | 2020-01-06 | 2020-06-02 | 北京锦鸿希电信息技术股份有限公司 | 一种预测列车车载设备性能和故障部件的方法及装置 |
| CN113139606A (zh) * | 2021-04-27 | 2021-07-20 | 上海联创设计集团股份有限公司 | 基于人工智能算法的暖通风机故障检测方法及系统 |
| CN115650006A (zh) * | 2022-10-24 | 2023-01-31 | 昆山广联发通信服务有限公司 | 一种基于大数据的电梯安全监测预警方法及系统 |
-
2017
- 2017-07-13 CN CN201710570854.7A patent/CN107563508A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334059A (zh) * | 2018-02-26 | 2018-07-27 | 上海理工大学 | 基于粒子群算法优化bp神经网络模型故障诊断方法 |
| CN108334059B (zh) * | 2018-02-26 | 2021-01-22 | 上海理工大学 | 基于粒子群算法优化bp神经网络模型故障诊断方法 |
| CN111222244A (zh) * | 2020-01-06 | 2020-06-02 | 北京锦鸿希电信息技术股份有限公司 | 一种预测列车车载设备性能和故障部件的方法及装置 |
| CN111222244B (zh) * | 2020-01-06 | 2024-02-02 | 北京锦鸿希电信息技术股份有限公司 | 一种预测列车车载设备性能和故障部件的方法及装置 |
| CN113139606A (zh) * | 2021-04-27 | 2021-07-20 | 上海联创设计集团股份有限公司 | 基于人工智能算法的暖通风机故障检测方法及系统 |
| CN115650006A (zh) * | 2022-10-24 | 2023-01-31 | 昆山广联发通信服务有限公司 | 一种基于大数据的电梯安全监测预警方法及系统 |
| CN115650006B (zh) * | 2022-10-24 | 2023-12-12 | 昆山广联发通信服务有限公司 | 一种基于大数据的电梯安全监测预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Big data and artificial intelligence based early risk warning system of fire hazard for smart cities | |
| CN107909206B (zh) | 一种基于深层结构循环神经网络的pm2.5预测方法 | |
| CN107786369B (zh) | 基于irt层次分析和lstm的电力通信网络安全态势感知和预测方法 | |
| CN107563508A (zh) | 一种大数据故障预测方法 | |
| CN108647834B (zh) | 一种基于卷积神经网络结构的交通流预测方法 | |
| Chang et al. | A nonlinear spatio-temporal lumping of radar rainfall for modeling multi-step-ahead inflow forecasts by data-driven techniques | |
| Levy | Multiple criteria decision making and decision support systems for flood risk management | |
| CN111292525B (zh) | 基于神经网络的交通流预测方法 | |
| CN108596470A (zh) | 一种基于TensorFlow框架的电力设备缺陷文本处理方法 | |
| CN105404902A (zh) | 基于脉冲神经网络的图像特征描述和记忆方法 | |
| CN110414742A (zh) | 一种多水位站联动的内河水位智能预测方法 | |
| CN113516304B (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
| Huang et al. | Research on urban modern architectural art based on artificial intelligence and GIS image recognition system | |
| CN108492561A (zh) | 一种基于矩阵分解的路网交通状态时空特征分析方法 | |
| CN115907001A (zh) | 基于知识蒸馏的联邦图学习方法及自动驾驶方法 | |
| CN115438582A (zh) | 一种联合多要素和图注意力的pm2.5浓度预测方法 | |
| CN116451567A (zh) | 一种瓦斯负压抽采管道泄漏评估及智能处置方法 | |
| Jin et al. | Prediction of COVID-19 data using improved ARIMA-LSTM hybrid forecast models | |
| CN111141879A (zh) | 一种深度学习的空气质量监测方法以及装置、设备 | |
| CN114881295A (zh) | 一种基于注意力机制的gcn-lstm船舶交通流预测方法 | |
| Bargegol et al. | Presentation of regression analysis, GP and GMDH models to predict the pedestrian density in various urban facilities | |
| Hu et al. | Performance of ensemble‐learning models for predicting eutrophication in Zhuyi Bay, Three Gorges Reservoir | |
| CN117275238A (zh) | 一种动态图结构注意力机制短时交通流预测方法 | |
| Li | Research on bank credit risk assessment based on BP neural network | |
| Ni et al. | Application of artificial neural network to the rapid feedback of potential ecological risk in flood diversion zone |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180109 |
|
| RJ01 | Rejection of invention patent application after publication |