CN107862763B - 列车安全预警评估模型训练方法、模块及监测评估系统 - Google Patents

列车安全预警评估模型训练方法、模块及监测评估系统 Download PDF

Info

Publication number
CN107862763B
CN107862763B CN201711076021.1A CN201711076021A CN107862763B CN 107862763 B CN107862763 B CN 107862763B CN 201711076021 A CN201711076021 A CN 201711076021A CN 107862763 B CN107862763 B CN 107862763B
Authority
CN
China
Prior art keywords
train
early warning
model
safety early
evaluation
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.)
Active
Application number
CN201711076021.1A
Other languages
English (en)
Other versions
CN107862763A (zh
Inventor
龙志强
侯圣杰
戴春辉
窦峰山
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201711076021.1A priority Critical patent/CN107862763B/zh
Publication of CN107862763A publication Critical patent/CN107862763A/zh
Application granted granted Critical
Publication of CN107862763B publication Critical patent/CN107862763B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/006—Indicating maintenance
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station

Abstract

本发明公开了一种列车安全预警评估模型训练方法、模块及监测评估系统。该方法包括：是否已建立列车安全预警评估模型，若无则构建参数待定的模型，若已建立模型则进入步骤S120；通过列车车载设备相关信息及列车沿线环境信息，判断其对应的列车安全预警级别，得到状态‑级别样本对，并将样本对，一部分作为训练数据，一部分作为测试数据；使用训练数据计算列车模型待定参数，构建测试用模型；用测试数据对测试用模型进行测试，若测试结果满意则得到模型，若测试结果不满意则继续训练。该方法通过长期的参数训练优化更新，模型的评估精度不断提高，实现模型参数自动确定与优化，胜任列车综合评估与安全预警的任务，以保障列车安全运行。

Description

列车安全预警评估模型训练方法、模块及监测评估系统
技术领域
本发明涉及到列车领域，尤其涉及一种列车安全预警评估模型训练方法和模块，本发明还涉及一种列车监测评估系统。
背景技术
随着我国轨道交通技术的发展，轨道交通的安全性、可靠性受到越来越多的重视。传统的列车监测与故障诊断技术在监测对象和监测数据上较为局限，仅通过运行指标是否超过设定的阈值来判断故障。并且，由于列车运行安全关系到旅客人身安全，致使列车在运行中监测到故障数据时需要降速运行或临时停车检修，极大影响行车效率。此外，传统的列车系统故障诊断针对的是已经发生的故障，进行诊断前系统已处于故障运行状态。尽管通过故障检测与诊断技术能够查找出故障发生的原因和位置，进行维护和维修能使系统恢复工作，但故障已经造成了巨大的人力、物力损失，严重影响列车运行效率。同时，由于缺乏对系统运行状态的准确，所以判断，仅依靠传统的故障维修和定期检修，无法对维修做出合适的指导建议。
考虑对列车安全预警进行评估的特点，必须建立一套能从总体上反映评估对象本质的评估模型，并能够将列车底层设备运行状态情况综合成一个能够从总体上衡量列车安全预警情况的综合指标。对列车系统安全预警进行综合评估，既要考虑到设备部件或某功能子系统发生故障时对列车系统的影响，也要考虑到某些设备部件或某功能子系统的磨损、疲劳、老化、失调等“亚健康”状态。目前在传统的列车故障诊断系统的基础上，将安全预警理论引入列车系统，建立列车安全预警综合评估模型。然而列车安全预警综合评估模型在列车应用中遇到了研究对象系统庞大、模型参数难以确定和模型后续优化困难等问题。因此，如何能够实现列车在途安全预警评估模型参数自动确定与优化，提高评估准确性的问题成为本领域技术人员亟需解决的问题。
发明内容
本发明要解决的技术问题是，克服现有技术存在的上述缺陷，提供一种列车安全预警评估模型训练方法、模块及监测评估系统，能够实现列车安全预警评估模型参数自动确定与优化，提高评估准确性，以解决列车的综合评估与安全预警问题，以保障列车安全运行。
本发明解决其技术问题采用的技术方案是，一种列车安全预警评估模型训练方法，所述方法包括以下步骤：
S110：是否已建立列车安全预警评估模型，若无则构建参数待定的列车安全预警评估模型，若已建立模型则进入步骤S120；
S120：通过列车车载设备相关信息及列车沿线环境信息，判断其对应的列车安全预警级别，得到状态-级别样本对，并将状态-级别样本对，一部分作为训练数据，一部分作为测试数据；
S130：使用训练数据计算列车安全预警评估模型待定参数，构建测试用列车安全预警评估模型；
S140：使用测试数据对测试用列车安全预警评估模型进行测试，若测试结果满意则得到列车安全预警评估模型，若测试结果不满意则返回步骤S130。
优选的，所述步骤S130包括以下步骤：
S131：将列车安全预警评估模型的参数进行编码，并定义适应度函数；
S132：将编码数据带入适应度函数计算适应度；
S133：判断是否达到终止条件，若达到终止条件，则将最优个体解码用以优化列车安全预警评估模型参数，构建测试用列车安全预警评估模型，进入步骤S140，若未达到终止条件则通过遗传操作将编码数据重新构造后返回步骤S132。
本发明还提供了一种列车安全预警评估模型训练模块，包括模型构建模块、模型评估模块、模型更新模块和模型测试模块，其中：
模型构建模块，用于判断是否已建立列车安全预警评估模型，若无则构建参数待定的列车安全预警评估模型，若已建立模型则直接进入模型评估模块；
模型评估模块，与模型构建模块连接，用于通过列车车载设备相关信息及列车沿线环境信息，判断其对应的列车安全预警级别，并得到状态-级别样本对，并将状态-级别样本对，一部分作为训练数据，一部分作为测试数据；
模型更新模块，与模型评估模块连接，使用训练数据计算列车安全预警评估模型待定参数，构建测试用列车安全预警评估模型；
模型测试模块，与模型更新模块连接，用于使用测试数据对测试用列车安全预警评估模型进行测试，若测试结果满意则得到列车安全预警评估模型，若测试结果不满意则返回模型更新模块。
优选的，所述模型更新模块包括初始化模块、适应度计算模块和参数优化模块，其中：
初始化模块，用于将列车安全预警评估模型的参数进行编码，并定义适应度函数；
适应度计算模块，与初始化模块相连，将编码数据带入适应度函数计算适应度；
参数优化模块，分别与适应度计算模块和模型测试模块连接，用于判断是否达到终止条件，若达到终止条件，则将最优个体解码用以优化列车安全预警评估模型参数，构建测试用列车安全预警评估模型，进入模型测试模块，若未达到终止条件则通过遗传操作将编码数据重新构造后返回适应度计算模块。
本发明提供的一种列车安全预警评估模型训练方法、模块通过长期的参数训练优化—模型循环更新，列车安全预警评估模型经过优化的评估精度就能够随着列车运行数据的不断丰富而得到稳步地提高，使得评估精度得到不断的提高，实现列车安全预警评估模型参数自动确定与优化，最终能够胜任列车系统综合评估与安全预警的任务，以保障列车安全运行。
在提供上述列车安全预警评估模型训练模块的基础上，本发明还提供了一种列车监测评估系统，包括车载系统和地面系统，其中：
车载系统，用于收集列车车载设备相关信息，发送到地面系统；
地面系统，包括上述列车安全预警评估模型训练模块，所述地面系统用于接收列车车载设备相关信息，采集列车沿线环境信息，列车车载设备相关信息及列车沿线环境信息经过列车安全预警评估模型训练模块对列车安全预警评估模型的参数进行确定和优化，确定列车安全预警评估模型，并运用确定的列车安全预警评估模型对列车车载设备相关信息及列车沿线环境信息进行评估得到安全预警级别。
优选的，所述车载系统包括信号采集模块、显示模块和第一通信模块，其中：
信号采集模块，收集列车车载设备相关信息，并将相关信息发送给显示模块和通信模块；
显示模块，用于显示接收到的列车车载设备相关信息；
第一通信模块，用于与地面系统通信，将列车车载设备相关信息发送给地面系统。
优选的，所述地面系统还包括第二通信系统和环境信息检测系统，其中：
第二通信模块，用于与车载系统通信，接收列车车载设备相关信息，并发送给列车安全预警评估模型训练模块；
环境信息检测系统，用于采集列车沿线环境信息，并将列车沿线环境信息发送给列车安全预警评估模型训练模块；
信息处理模块，用于运用确定的列车安全预警评估模型对列车车载设备相关信息及列车沿线环境信息进行评估得到安全预警级别。
优选的，所述显示模块为位于头车驾驶室内的显示屏。
优选的，所述第一通信模块通过车载无线通信装置或乘客信息系统经由互联网或移动网络，与地面系统通信。
优选的，所述第二通信模块通过车地无线通信系统与车载系统通信。
本发明提供的一种列车监测评估系统，车载系统通过采集和获取列车车载设备相关信息，发送到地面系统。所述地面系统用于接收列车车载设备相关信息，采集列车沿线环境信息，列车车载设备相关信息及列车沿线环境信息经过列车安全预警评估模型训练模块对列车安全预警评估模型的参数进行确定和优化，并确定列车安全预警评估模型。列车监测评估系统实现了对系统未来可靠性的预测能力，借助这种能力在设备运行趋势的基础上提早实现故障的预测预警，并能实时识别和管理系统和设备的工作状态，对系统和设备的维修策略和供应保障进行规划与优化。通过对列车运行监测评估管理，能有效提高列车运行数据管理的安全性、可靠性，降低故障发生的概率与风险，减少日常与维护的费用。
附图说明
图1为本发明提供的一种列车安全预警评估模型训练方法的总体流程图；
图2为本发明提供的一种采用三层模糊综合评估方法的模型的原理框图；
图3为本发明提供的一种构建测试用列车安全预警评估模型的流程图；
图4为本发明提供的一种列车安全预警评估模型训练模块结构框图；
图5为本发明提供的一种列车监测评估系统的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案，下面结合附图对本发明作进一步的详细说明。
参见图1和图2，图1为本发明提供的一种列车安全预警评估模型训练方法的总体流程图，图2为本发明提供的一种采用三层模糊综合评估方法的模型的原理框图。
本发明提供一种列车安全预警评估模型训练方法，包括以下步骤：
S110：是否已建立列车安全预警评估模型，若无则构建参数待定的列车安全预警评估模型，若已建立模型则进入S120。
判断是否已建立列车安全预警评估模型，若无则首次初步构建参数待定的列车安全预警评估模型，该评估模型的列车车载设备相关信息如列车底层设备的组成结构、功能和状态等级等为模型输入，相应安全预警级别为模型输出。
若已经建立列车安全预警评估模型则进入步骤S120。
S120：通过列车车载设备相关信息及列车沿线环境信息，判断其对应的列车安全预警级别，得到状态-级别样本对，并将状态-级别样本对，一部分作为训练数据，一部分作为测试数据；
获取列车车载设备相关信息的同时，还要获取列车沿线环境信息，如温度、湿度、风力等，将获取的列车车载设备相关信息及列车沿线环境信息，，列车安全预警评估模型要综合考虑这两方面的信息才能进行正确全面的综合评价，为地面运行指挥决策提供依据，为运行维护提供支持。环境信息会影响到列车的相关状态信息。比如某个车载设备的温度信息必然受环境温度的影响，单独考虑设备的温度是没有意义的。
首次构建安全预警评估模型后，通过专家经验判断列车车载设备相关信息和列车沿线环境信息得到相对应的列车安全预警级别，并整理成状态-级别样本对，状态-级别样本一部分作为训练数据，一部分作为测试数据，用来确定列车安全预警评估模型的待定参数。
后续对安全预警评估模型再次进行训练时，将列车车载设备相关信息和列车沿线环境信息通过上一次更新的安全预警评估模型进行评估得到列车安全预警级别，并结合专家分析、修正，整理得到状态-级别样本对。状态-级别样本一部分作为训练数据，一部分作为测试数据，用来对列车安全预警评估模型的参数进行训练更新，使列车安全预警评估模型的评估精度得到不断提高。
S130：使用训练数据计算列车安全预警评估模型待定参数，构建测试用列车安全预警评估模型；
将得到的状态-级别样本对，一部分作为列车安全预警评估模型待定参数训练数据，一部分作为训练所得列车安全预警评估模型的测试数据。使用训练数据计算列车安全预警评估模型待定参数，训练结束后，将优化的参数输入列车安全预警评估模型，构建测试用列车安全预警评估模型。
S140：使用测试数据对测试用列车安全预警评估模型进行测试，若测试结果满意则得到列车安全预警评估模型，若测试结果不满意则返回步骤S130。
使用测试数据对测试用列车安全预警评估模型进行测试，以评价训练的效果。若测试结果满意则得到列车安全预警评估模型，若测试结果不满意，则返回步骤S130再次进行模型训练，直至得到满意结果为止，再得到列车安全预警评估模型。这样经过训练并通过性能测试后，实现安全预警评估模型参数的优化。
此外，虽然一般进化算法的种群初始化采取随机方式，但可以加入人为粗略制定的个体，以加速算法的收敛。当出现误判需要对参数进行修正时，可以将之前进化得到的参数个体加入初始种群。
通过长期的参数训练优化—模型循环更新，列车安全预警评估模型经过优化的评估精度就能够随着列车运行数据的不断丰富而得到稳步地提高，实现列车安全预警评估模型参数自动确定与优化，最终能够胜任列车系统综合评估与安全预警的任务，以保障列车安全运行。
优选的，采用模糊综合评估方法构建参数待定的列车安全预警评估模型，需确定列车安全预警评估模型参数为权值和隶属度。根据列车车载设备相关信息作为列车安全预警评估模型的因素集，列车状态级别作为评估备择集划分列车安全预警级别
模糊综合评估方法是应用模糊关系合成的原理，从多个因素对评估事物隶属度等级状况进行综合评估的一种方法，它通过建立在模糊集合概念上的数学规则，能够对难以精确的概念采用模糊隶属度函数进行表达和处理。该方法是一种综合模糊理论和隶属原则的方法，它采用了模糊数学中的隶属度概念表示状态征兆和征兆论域的模糊关系，并引入了一种重要程度系数即权重来解决多种状态的综合评估问题。这样通过模糊运算降低了对信息精确度要求，通过多级评估就能解决非线性映射问题。由于列车上的设备部件较多，而各设备状态又可根据工作情况划分若干级别，因此影响列车运行状态的因素很多，若采用单层评估模型，将淹没重要设备因素对整车系统造成的影响，可能导致错误的评估结果，故列车安全预警评估模型选用多层次综合评估模型。
以采用三层模糊综合评估方法为例，说明如何采用模糊综合评估方法构建权值和隶属度参数待定的磁浮列车多层安全预警评估模型，如图2所示。
设
Figure 286870DEST_PATH_IMAGE001
表示第一层即最高层评估因素集，对应的权重集为
Figure 679806DEST_PATH_IMAGE002
，模糊约束关系即隶属度为
Figure 517312DEST_PATH_IMAGE003
；
Figure 83422DEST_PATH_IMAGE004
表示第二层即中间层评估因素集，因素集
Figure 555730DEST_PATH_IMAGE005
对应的权重集
Figure 119566DEST_PATH_IMAGE006
用表示，模糊约束关系即隶属度用
Figure 444368DEST_PATH_IMAGE007
表示；
Figure 486274DEST_PATH_IMAGE008
表示第三层即最底层评估因素集，因素集
Figure 642448DEST_PATH_IMAGE009
对应的权重集用
Figure 878651DEST_PATH_IMAGE010
表示，模糊约束关系即隶属度
Figure 425170DEST_PATH_IMAGE011
用表示。
具体的评估步骤如下：
首先进行第三层综合评估，列车车载设备相关信息如列车底层设备或部件的状态级别矩阵为
Figure 536345DEST_PATH_IMAGE012
，由此可以求得第三层评估因素集
Figure 547027DEST_PATH_IMAGE009
故障评估结果
Figure 452666DEST_PATH_IMAGE013
。并确定下一层模糊关系矩阵
Figure 985016DEST_PATH_IMAGE007
为：
Figure 431041DEST_PATH_IMAGE014
(1)
其次，进行第二层综合评估，对因素集
Figure 499491DEST_PATH_IMAGE005
进行评估得
Figure 576032DEST_PATH_IMAGE015
，以及确定下一层模糊关系矩阵
Figure 97143DEST_PATH_IMAGE016
为：
Figure 803585DEST_PATH_IMAGE017
(2)
Figure 788858DEST_PATH_IMAGE018
(3)
最后，进行第一层综合评估，对因素集
Figure 36300DEST_PATH_IMAGE019
进行评估得评估结果
Figure 44707DEST_PATH_IMAGE020
，采用最大隶属度法确定列车安全预警级别：
Figure 98114DEST_PATH_IMAGE021
(4)
磁浮列车的因素集的划分：根据磁浮列车车载设备相关信息划分因素集。第一层因素集：
Figure 875577DEST_PATH_IMAGE022
，
Figure 792455DEST_PATH_IMAGE005
表示含义如下，其中
Figure 22579DEST_PATH_IMAGE023
。
Figure 817360DEST_PATH_IMAGE024
：供电系统状态，
Figure 511646DEST_PATH_IMAGE025
：悬浮系统状态，
Figure 100891DEST_PATH_IMAGE026
：牵引系统状态，
Figure 146207DEST_PATH_IMAGE027
：制动系统状态，
Figure 980564DEST_PATH_IMAGE028
：测速系统状态，
Figure 467040DEST_PATH_IMAGE029
：列控系统状态，
Figure 492765DEST_PATH_IMAGE030
：车厢电器状态，
Figure 697482DEST_PATH_IMAGE031
：轨道系统状态。第二层因素集，
Figure 630803DEST_PATH_IMAGE032
各元素表示位于第j车厢的
Figure 735900DEST_PATH_IMAGE005
各系统的状态。第三层因素集
Figure 932526DEST_PATH_IMAGE033
各元素表示位于第j车厢的
Figure 421276DEST_PATH_IMAGE005
各系统下第k个底层设备的状态。
初次构建磁浮列车安全预警评估模型时，模型的参数隶属度
Figure 361550DEST_PATH_IMAGE003
、
Figure 822618DEST_PATH_IMAGE007
、
Figure 986884DEST_PATH_IMAGE011
和权值
Figure 661798DEST_PATH_IMAGE034
、
Figure 140183DEST_PATH_IMAGE006
、
Figure 455758DEST_PATH_IMAGE010
待定。
对列车系统状态等级规定如下：
设备A级状态——未发生故障，但是运行状态数据偏离正常值；
设备B级状态——存在某些故障，或发生过某些故障，但主要功能正常；
设备C级状态——影响主要功能的故障发生，性能降低，但仍可以工作；
设备D级状态——破坏主要功能的严重故障发生，其全部功能几乎丧失，不能继续工作。
磁浮列车的评价集的划分：根据国际电工委员会所制定的故障严重程度与等级关系表，参考磁浮列车故障综合评估的做法，本发明把磁浮列车预警状态等级增加为以下4个等级：
列车一级预警——没有故障发生，但若干运行状态数据出现异常，可以继续运行，要求在结束本日运行后，由相关人员进行检测，判断是否需要维修。
列车二级预警——不影响运行的轻微故障已发生，可以继续运行，要求在结束本日运行后，到维修基地检修。
列车三级预警——功能性故障已发生，必须按照本系统的提示，降功率1/4或切除1/4功率后降速运行，到终点站后进行检修。
列车四级预警——严重故障已发生，必须按本系统提示降功率1/2或切除1/2功率降速运行，磁浮列车到下一站，全部旅客下车，进入维修基地检修。
以下对步骤S130的具体内容进行详细描述。
参见图3，图3为本发明提供的一种构建测试用列车安全预警评估模型的流程图。
S131：将列车安全预警评估模型的参数进行编码，并定义适应度函数；
将列车安全预警评估模型的参数进行编码，并根据系统实际状况定义适应度函数将可行解从其解空间转换到遗传算法所能处理的搜索空间的转换操作或方法称为编码。编码的主要任务是建立解空间与种群个体空间的一一对应关系。一般而言，对编码主要有完备性、健全性和非冗余性三方面要求。完备性是指解空间中的所有点都能表示为种群个体空间中的点；健全性是指种群个体空间中的所有点都能表示为解空间中的点；非冗余性是指解空间到种群个体空间的一一对应。
概括而言，遗传算法的编码方法可以分为以下三类：二进制编码、实数编码和符号编码。由于参数的范围在[0~1]之间，所以采用实数编码方式；同时，编码时需要充分利用已知信息，比如同层权重值、隶属度相加为1，以及考虑一些并行设备的同等重要性等，尽量减少不必要的变量个数，以便提高计算效率。
优选的，将采用模糊综合评估方法构建的列车安全预警评估模型中的权值和隶属度参数级联在一起，编成遗传空间中的染色体。
S132：将编码数据带入适应度函数计算适应度。
将编码数据带入适应度函数进行计算计算由权值和隶属度编码而成的各染色体的适应度，适应度越高的个体有更多的机会繁殖后代，使优良特性得以遗传。
适应度是判断学习个体与实际结果之间的吻合程度的标准，适应度越大，表示个体对实际环境越适应。根据适应度函数对群体中的每个个体计算其适应度，为群体进化的选择提供依据。设计适应度函数的主要方法是把问题的目标函数转换成合适的适应度函数。因此适应度函数的选取至关重要，直接影响到目标函数的收敛速度以及能否找到最优解。
对种群内的个体的适应能力评估首先需要对适应度函数进行定义。生物学中的进化问题考察主要存在两种适应度函数：一种情况是适应度函数始终保持不变，比如对确定函数的优化或对一组指定的测试集进行测试；另一种情况下适应度函数是可变的，比如使用特殊环境进行区分或测试集也是伴随进化的。在实际使用过程中，适应度函数的定义没有严格要求，可以使用一般的最小均方误差的倒数作为适应度标准，也可以根据最小风险标准进行定义。
优选的，以最小风险为标准建立适应度函数。磁浮列车属于运营性系统，安全性至关重要。所以以最小风险为例，设编码形式为
Figure 994187DEST_PATH_IMAGE035
，
Figure 457529DEST_PATH_IMAGE036
的值表示为
Figure 238141DEST_PATH_IMAGE037
，则随机生成的评价个体为
Figure 673802DEST_PATH_IMAGE038
，评价函数为综合评估模型
Figure 117553DEST_PATH_IMAGE039
，其中x为模糊参数，也即待优化的系数，
Figure 271453DEST_PATH_IMAGE040
为训练集（测试集）样本故障输入，
Figure 153959DEST_PATH_IMAGE041
为训练集（测试集）样本故障级别输出，
Figure 945591DEST_PATH_IMAGE042
表示风险系数，则适应度函数可以表示为
Figure 560243DEST_PATH_IMAGE043
，为避免除数为0，定义
Figure 998177DEST_PATH_IMAGE044
，适应度函数重写成
Figure 622057DEST_PATH_IMAGE045
。
S133：判断是否达到终止条件，若达到终止条件，则将最优个体解码用以优化列车安全预警评估模型参数，构建测试用列车安全预警评估模型，进入步骤S140，若未达到终止条件则通过遗传操作将编码数据重新构造后返回步骤S132。
终止条件可以为最优个体的适应度达到给定的阈值；或最优个体的适应度和群体适应度不再上升；或迭代次数达到预设的代数。
优选的，终止条件设置为，在到达预设的迭代次数前，如果连续n代子代种群的最优个体的适应度都小于等于其父代最优个体的适应度，则终止运算，或达到预设的迭代次数。
判断是否达到终止条件，若达到终止条件，则将最优个体解码用以优化列车安全预警评估模型参数，构建测试用列车安全预警评估模型，进入步骤S140，若未达到终止条件则通过遗传操作将编码数据重新构造，如将染色体生成子代染色体后返回步骤S132中再次计算适应度。
在进一步的方案中，遗传操作包括选择、交叉和变异。
选择：遗传算法使用选择运算来实现对群体中的个体进行优胜劣汰操作，适应度高的个体被遗传到下一代的概率大，适应度低的个体被遗传到下一代的概率小。选择操作包括轮盘赌选择、标准几何选择、锦标赛选择等。
交叉：将群体内的各个个体随机搭配成对，相互配对的染色体依据交叉概率按某种方式相互交换部分基因。交叉运算是遗传算法中产生新个体的主要方法。交叉操作包括算术交叉、启发式交叉、简单交叉、中间重组等。对于实数编码的遗传算法，交叉操作多采用传统的中间重组的方法。
变异：依据变异概率将个体中的某些基因值用其他基因值来替换，从而生成一个新的个体。变异运算是遗传算法中产生新个体的辅助方法。变异操作包括边界变异、多点非均匀变异、非均匀变异、均匀变异等。
上述算法基于数据驱动和逼近建模的思想，能够结合给定模型利用实际观测数据进行逼近建模，并且在建模过程中采用进化算法实现模型参数的自动优化。在可以接受的时间内寻找近似最优解，并且针对大规模参数优化问题具有良好的全局收敛性和噪声条件下的鲁棒性。该算法有效实现列车安全预警评估模型参数自动确定与优化，以解决列车的综合评估与安全预警问题。
参见图2和图4，图2为本发明提供的一种采用三层模糊综合评估方法的模型的原理框图，图4为本发明提供的一种列车安全预警评估模型训练模块结构框图。
本发明还提供了一种列车安全预警评估模型训练模块，包括模型构建模块913、模型评估模块923、模型更新模块933和模型测试模块934，其中：
模型构建模块913，用于判断是否已建立列车安全预警评估模型，若无则构建参数待定的列车安全预警评估模型，若已建立模型则直接进入模型评估模块；；
模型评估模块923，与模型构建模块913连接，用于通过列车车载设备相关信息及列车沿线环境信息，判断其对应的列车安全预警级别，并得到状态-级别样本对，并将状态-级别样本对，一部分作为训练数据，一部分作为测试数据；
模型更新模块933，与模型评估模块923连接，使用训练数据计算列车安全预警评估模型待定参数，构建测试用列车安全预警评估模型；
模型测试模块943，与模型更新模块933连接，用于使用测试数据对测试用列车安全预警评估模型进行测试，若测试结果满意则得到列车安全预警评估模型，若测试结果不满意则返回模型更新模块933。
模型构建模块913用于判断是否已建立列车安全预警评估模型，若无则首次初步构建参数待定的列车安全预警评估模型，该评估模型的列车车载设备相关信息如列车底层设备的组成结构、功能和状态等级等为模型输入，相应安全预警级别为模型输出。若已经建立列车安全预警评估模型则直接进入模型评估模块923中。
模型评估模块923用于获取列车车载设备相关信息的同时，还要获取列车沿线环境信息，如温度、湿度、风力等，将获取的列车车载设备相关信息及列车沿线环境信息，列车安全预警评估模型要综合考虑这两方面的信息才能进行正确全面的综合评价，为地面运行指挥决策提供依据，为运行维护提供支持。环境信息会影响到列车的相关状态信息。比如某个车载设备的温度信息必然受环境温度的影响，单独考虑设备的温度是没有意义的。首次构建安全预警评估模型后，通过专家经验判断列车车载设备相关信息和列车沿线环境信息得到相对应的列车安全预警级别，并整理成状态-级别样本对，状态-级别样本一部分作为训练数据，一部分作为测试数据，用来确定列车安全预警评估模型的待定参数。后续对安全预警评估模型再次进行训练时，将列车车载设备相关信息和列车沿线环境信息通过上一次更新的安全预警评估模型进行评估得到列车安全预警级别，并结合专家分析、修正，整理得到状态-级别样本对。状态-级别样本一部分作为训练数据，一部分作为测试数据，用来对列车安全预警评估模型的参数进行训练更新，使列车安全预警评估模型的评估精度得到不断提高。
模型更新模块933用于将得到状态-级别样本对，一部分作为计算列车安全预警评估模型待定参数训练数据，一部分作为测试计算列车安全预警评估模型的测试数据，使用训练数据构建测试用列车安全预警评估模型；，训练结束后，将参数输入列车安全预警评估模型，构建测试用列车安全预警评估模型。
模型测试模块943使用测试数据对测试用列车安全预警评估模型进行测试，以评价训练的效果。若测试结果满意则得到列车安全预警评估模型，若测试结果不满意，则返回模型更新模块933再次进行模型训练，直至得到满意结果为止，再得到列车安全预警评估模型。这样经过训练并通过性能测试后，实现安全预警评估模型参数的优化。
此外，虽然一般进化算法的种群初始化采取随机方式，但可以加入人为粗略制定的个体，以加速算法的收敛。当出现误判需要对参数进行修正时，可以将之前进化得到的参数个体加入初始种群。
通过长期的参数训练优化—模型循环更新，列车安全预警评估模型经过优化的评估精度就能够随着列车运行数据的不断丰富而得到稳步地提高，实现列车安全预警评估模型参数自动确定与优化，最终能够胜任列车系统综合评估与安全预警的任务，以保障列车安全运行。
优选的，采用模糊综合评估方法构建参数待定的列车安全预警评估模型，需确定列车安全预警评估模型参数为权值和隶属度。根据列车车载设备相关信息作为列车安全预警评估模型的因素集，列车状态级别作为评估备择集划分列车安全预警级别。
模糊综合评估方法是应用模糊关系合成的原理，从多个因素对评估事物隶属度等级状况进行综合评估的一种方法，它通过建立在模糊集合概念上的数学规则，能够对难以精确的概念采用模糊隶属度函数进行表达和处理。该方法是一种综合模糊理论和隶属原则的方法，它采用了模糊数学中的隶属度概念表示状态征兆和征兆论域的模糊关系，并引入了一种重要程度系数即权重来解决多种状态的综合评估问题。这样通过模糊运算降低了对信息精确度要求，通过多级评估就能解决非线性映射问题。由于列车上的设备部件较多，而各设备状态又可根据工作情况划分若干级别，因此影响列车运行状态的因素很多，若采用单层评估模型，将淹没重要设备因素对整车系统造成的影响，可能导致错误的评估结果，故列车安全预警评估模型选用多层次综合评估模型。
以采用三层模糊综合评估方法为例，说明如何采用模糊综合评估方法构建权值和隶属度参数待定的磁浮列车多层安全预警评估模型，如图2所示。
设
Figure 766730DEST_PATH_IMAGE001
表示第一层即最高层评估因素集，对应的权重集为
Figure 880180DEST_PATH_IMAGE002
，模糊约束关系即隶属度为
Figure 241629DEST_PATH_IMAGE003
；
Figure 403620DEST_PATH_IMAGE004
表示第二层即中间层评估因素集，因素集
Figure 730696DEST_PATH_IMAGE005
对应的权重集
Figure 952730DEST_PATH_IMAGE006
用表示，模糊约束关系即隶属度用
Figure 99677DEST_PATH_IMAGE007
表示；
Figure 65359DEST_PATH_IMAGE008
表示第三层即最底层评估因素集，因素集
Figure 680231DEST_PATH_IMAGE009
对应的权重集用
Figure 135483DEST_PATH_IMAGE010
表示，模糊约束关系即隶属度
Figure 972989DEST_PATH_IMAGE011
用表示。
具体的评估步骤如下：
首先进行第三层综合评估，列车车载设备相关信息如列车底层设备或部件的状态级别矩阵为
Figure 476782DEST_PATH_IMAGE012
，由此可以求得第三层评估因素集
Figure 512871DEST_PATH_IMAGE009
故障评估结果
Figure 76708DEST_PATH_IMAGE013
。并确定下一层模糊关系矩阵
Figure 634466DEST_PATH_IMAGE007
为：
Figure 4267DEST_PATH_IMAGE014
(1)
其次，进行第二层综合评估，对因素集
Figure 98125DEST_PATH_IMAGE005
进行评估得
Figure 895180DEST_PATH_IMAGE015
，以及确定下一层模糊关系矩阵
Figure 441699DEST_PATH_IMAGE016
为：
Figure 287295DEST_PATH_IMAGE017
(2)
Figure 297977DEST_PATH_IMAGE018
(3)
最后，进行第一层综合评估，对因素集
Figure 705081DEST_PATH_IMAGE019
进行评估得评估结果
Figure 738896DEST_PATH_IMAGE020
，采用最大隶属度法确定列车安全预警级别：
Figure 450500DEST_PATH_IMAGE021
(4)
磁浮列车的因素集的划分：根据磁浮列车车载设备相关信息划分因素集。第一层因素集：
Figure 518950DEST_PATH_IMAGE022
，
Figure 595490DEST_PATH_IMAGE005
表示含义如下，其中
Figure 913339DEST_PATH_IMAGE023
。
Figure 864852DEST_PATH_IMAGE024
：供电系统状态，
Figure 787809DEST_PATH_IMAGE025
：悬浮系统状态，
Figure 97568DEST_PATH_IMAGE026
：牵引系统状态，
Figure 840396DEST_PATH_IMAGE027
：制动系统状态，
Figure 831486DEST_PATH_IMAGE028
：测速系统状态，
Figure 671266DEST_PATH_IMAGE029
：列控系统状态，
Figure 585214DEST_PATH_IMAGE030
：车厢电器状态，
Figure 80917DEST_PATH_IMAGE031
：轨道系统状态。第二层因素集，
Figure 672436DEST_PATH_IMAGE032
各元素表示位于第j车厢的
Figure 569985DEST_PATH_IMAGE005
各系统的状态。第三层因素集
Figure 159229DEST_PATH_IMAGE033
各元素表示位于第j车厢的
Figure 938966DEST_PATH_IMAGE005
各系统下第k个底层设备的状态。
初次构建磁浮列车安全预警评估模型时，模型的参数隶属度
Figure 770394DEST_PATH_IMAGE003
、
Figure 522449DEST_PATH_IMAGE007
、
Figure 344911DEST_PATH_IMAGE011
和权值
Figure 549628DEST_PATH_IMAGE034
、
Figure 686211DEST_PATH_IMAGE006
、
Figure 355090DEST_PATH_IMAGE010
待定。
对列车系统状态等级规定如下：
设备A级状态——未发生故障，但是运行状态数据偏离正常值；
设备B级状态——存在某些故障，或发生过某些故障，但主要功能正常；
设备C级状态——影响主要功能的故障发生，性能降低，但仍可以工作；
设备D级状态——破坏主要功能的严重故障发生，其全部功能几乎丧失，不能继续工作。
磁浮列车的评价集的划分：根据国际电工委员会所制定的故障严重程度与等级关系表，参考磁浮列车故障综合评估的做法，本发明把磁浮列车预警状态等级增加为以下4个等级：
列车一级预警——没有故障发生，但若干运行状态数据出现异常，可以继续运行，要求在结束本日运行后，由相关人员进行检测，判断是否需要维修。
列车二级预警——不影响运行的轻微故障已发生，可以继续运行，要求在结束本日运行后，到维修基地检修。
列车三级预警——功能性故障已发生，必须按照本系统的提示，降功率1/4或切除1/4功率后降速运行，到终点站后进行检修。
列车四级预警——严重故障已发生，必须按本系统提示降功率1/2或切除1/2功率降速运行，磁浮列车到下一站，全部旅客下车，进入维修基地检修。
以下将对模型更新模块进行进一步的说明。
模型更新模块包括初始化模块9331、适应度计算模块9332和参数优化模块9333，其中：
初始化模块9331，用于将列车安全预警评估模型的参数进行编码，并定义适应度函数；
适应度计算模块9332，与初始化模块9331相连，用于将编码数据带入适应度函数计算适应度；
参数优化模块9333，分别与适应度计算模块9332和模型测试模块943连接，用于判断是否达到终止条件，若达到终止条件，则将最优个体解码用以优化列车安全预警评估模型参数，构建测试用列车安全预警评估模型，进入模型测试模块943，若未达到终止条件则通过遗传操作将编码数据重新构造后返回适应度计算模块9332。
初始化模块9331将列车安全预警评估模型的参数进行编码，并定义适应度函数；。
优选的，将采用模糊综合评估方法构建的列车安全预警评估模型中的权值和隶属度参数级联在一起，编成遗传空间中的染色体。
适应度计算模块9332将编码数据带入适应度函数，计算由权值和隶属度编码而成的各染色体的适应度，适应度越高的个体有更多的机会繁殖后代，使优良特性得以遗传，从而得到最优个体。
优选的，以最小风险为标准建立适应度函数。磁浮列车属于运营性系统，安全性至关重要。所以以最小风险为例，设编码形式为
Figure 787602DEST_PATH_IMAGE035
，
Figure 479614DEST_PATH_IMAGE036
的值表示为
Figure 482205DEST_PATH_IMAGE037
，则随机生成的评价个体为
Figure 943273DEST_PATH_IMAGE038
，评价函数为综合评估模型
Figure 45222DEST_PATH_IMAGE039
，其中x为模糊参数，也即待优化的系数，
Figure 286847DEST_PATH_IMAGE040
为训练集（测试集）样本故障输入，
Figure 263768DEST_PATH_IMAGE041
为训练集（测试集）样本故障级别输出，
Figure 579343DEST_PATH_IMAGE042
表示风险系数，则适应度函数可以表示为
Figure 180089DEST_PATH_IMAGE043
，为避免除数为0，定义
Figure 581114DEST_PATH_IMAGE044
，适应度函数重写成
Figure 863191DEST_PATH_IMAGE045
。
参数优化模块9333，用以判断是否达到终止条件，若达到终止条件，则将最优个体解码用以优化列车安全预警评估模型参数，构建测试用列车安全预警评估模型，进入步骤模型测试模块943，若未达到终止条件则通过遗传操作将编码数据重新构造后返回适应度计算9333模块。
终止条件可以为最优个体的适应度达到给定的阈值；或最优个体的适应度和群体适应度不再上升；或迭代次数达到预设的代数。
优选的，终止条件设置为，在到达预设的迭代次数前，如果连续n代子代种群的最优个体的适应度都小于等于其父代最优个体的适应度，则终止运算，或达到预设的迭代次数。
判断是否达到终止条件，若达到终止条件，则将最优个体解码用以优化列车安全预警评估模型参数，构建测试用列车安全预警评估模型，进入模型测试模块，若未达到终止条件则通过遗传操作将编码数据重新构造，如将染色体生成子代染色体后返回适应度计算模块中再次计算适应度。
在进一步的方案中，遗传操作包括选择、交叉和变异。
上述算法，基于数据驱动和逼近建模的思想，能够结合给定模型利用实际观测数据进行逼近建模，并且在建模过程中采用进化算法实现模型参数的自动优化。在可以接受的时间内寻找近似最优解，并且针对大规模参数优化问题具有良好的全局收敛性和噪声条件下的鲁棒性。该算法有效实现列车安全预警评估模型参数自动确定与优化，以解决列车的综合评估与安全预警问题。
参见图5，图5为本发明提供的一种列车监测评估系统的结构框图。
在提供上述列车安全预警评估模型训练模块的基础上，本发明还提供了一种列车监测评估系统，包括车载系统800和地面系统900，其中：
车载系统800，用于收集列车车载设备相关信息，发送到地面系统；
地面系统900，包括上述列车安全预警评估模型训练模块903，所述地面系统900用于接收列车车载设备相关信息，采集列车沿线环境信息，列车车载设备相关信息及列车沿线环境信息经过列车安全预警评估模型训练模块对列车安全预警评估模型的参数进行确定和优化，确定列车安全预警评估模型，并运用确定的列车安全预警评估模型对列车车载设备相关信息及列车沿线环境信息进行评估得到安全预警级别。
车载系统800通过采集和获取列车车载设备相关信息，发送到地面系统900。所述车载800系统用于接收列车车载设备相关信息，采集列车沿线环境信息，列车车载设备相关信息及列车沿线环境信息经过列车安全预警评估模型训练模块对列车安全预警评估模型的参数进行确定和优化，并确定列车安全预警评估模型，并运用确定的列车安全预警评估模型对列车车载设备相关信息及列车沿线环境信息进行评估得到安全预警级别。列车监测评估系统实现了对系统未来可靠性的预测能力，借助这种能力在设备运行趋势的基础上提早实现故障的预测预警，并能实时识别和管理系统和设备的工作状态，对系统和设备的维修策略和供应保障进行规划与优化。通过对列车运行监测评估管理，能有效提高列车运行数据管理的安全性、可靠性，降低故障发生的概率与风险，减少日常与维护的费用。
在进一步的方案中，所述车载系统包括信号采集模块801、显示模块802和第一通信模块803，其中：信号采集模块801，收集列车车载设备相关信息，如车载辅助供电、牵引、制动、测速定位、线路、车厢电器等子系统的状态与故障信息，并将状态与故障信息发送给显示模块和通信模块；显示模块802，用于显示接收到的列车车载设备相关信息；第一通信模块803，用于与地面系统通信，将列车车载设备相关信息发送给地面系统。
优选的，所述显示模块802为位于头车驾驶室内的显示屏。
优选的，所述第一通信模块803通过车载无线通信装置或乘客信息系统经由互联网或移动网络，与地面系统900通信。
在更进一步的方案中，所述地面系统900还包括第二通信系统901、环境信息检测系统902和信息处理模块904，其中：第二通信模块901，用于与车载系统800通信，接收列车车载设备相关信息，并发送给列车安全预警评估模型训练模块；环境信息检测系统902，用于采集列车沿线环境信息，如温度、湿度、风力等，并将列车沿线环境信息发送给列车安全预警评估模型训练模块903。将列车车载设备相关信息和列车沿线环境信息经过列车安全预警评估模型训练模块903的处理，得到列车安全预警级别。信息处理模块904，用于运用确定的列车安全预警评估模型对列车车载设备相关信息及列车沿线环境信息进行评估得到安全预警级别。
优选的，所述第二通信模块901通过车地无线通信系统与车载系统800通信。
以上对本发明所提供的一种列车安全预警评估模型训练方法、模块及监测评估系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (8)

1.一种列车安全预警评估模型训练方法，其特征在于，所述方法包括以下步骤：
S110：是否已建立列车安全预警评估模型，若无则构建参数待定的列车安全预警评估模型，若已建立模型则进入步骤S120；所述构建参数待定的列车安全预警评估模型采用模糊综合评估方法构建，所述列车安全预警评估模型待定参数为权值和隶属度；根据列车车载设备相关信息作为列车安全预警评估模型的因素集，列车状态级别作为评估备择集划分列车安全预警级别；
S120：通过列车车载设备相关信息及列车沿线环境信息，判断其对应的列车安全预警级别，得到状态-级别样本对，并将状态-级别样本对，一部分作为训练数据，一部分作为测试数据；
S130：使用训练数据计算列车安全预警评估模型待定参数，构建测试用列车安全预警评估模型，其中列车安全预警评估模型选用多层次综合评估模型，通过三层模糊综合评估方法构建权值和隶属度参数待定的列车多层安全预警评估模型，设U＝{u1,u2,..uN}表示第一层即最高层评估因素集，对应的权重集为
Figure FDA0002784709240000011
模糊约束关系即隶属度为
Figure FDA0002784709240000012
Figure FDA0002784709240000013
表示第二层即中间层评估因素集，因素集Ui对应的权重集用
Figure FDA0002784709240000014
表示，模糊约束关系即隶属度用
Figure FDA0002784709240000015
表示；Uij＝{uij1,uij2,...uijl}表示第三层即最底层评估因素集，因素集Uij对应的权重集用
Figure FDA0002784709240000016
表示，模糊约束关系即隶属度用
Figure FDA0002784709240000017
表示，具体评估步骤如下：
首先进行第三层综合评估，列车车载设备相关信息的状态级别矩阵为S(Uij)＝(S1,S2,...Sl)，由此可以求得第三层评估因素集Uij故障评估结果
Figure FDA0002784709240000018
并确定下一层模糊关系矩阵
Figure FDA0002784709240000019
为：
Figure FDA00027847092400000110
其次，进行第二层综合评估，对因素集Ui进行评估得
Figure FDA00027847092400000111
以及确定下一层模糊关系矩阵
Figure FDA00027847092400000112
为：
Figure FDA00027847092400000113
Figure FDA0002784709240000021
最后，进行第一层综合评估，对因素集U进行评估得评估结果
Figure FDA0002784709240000022
采用最大隶属度法确定列车安全预警级级别：
Figure FDA0002784709240000023
列车的因素集的划分：根据列车车载设备相关信息划分因素集，第一层因素集：U＝{U1,U2,...,U8}，其中1≤i≤8，U1:供电系统状态，U2:悬浮系统状态，U3:牵引系统状态，U4:制动系统状态，U5:测速系统状态，U6:列控系统状态，U7:车厢电器状态，U8:轨道系统状态；第二层因素集，Ui＝{ui1,ui2,...,uij}各元素表示位于第j车厢的Ui各系统的状态；第三层因素集uij＝{uij1,uij2,...,uijk}各元素表示位于第j车厢的Ui各系统下第k个底层设备的状态；
初次构建列车安全预警评估模型时，模型的参数隶属度
Figure FDA0002784709240000024
和权值
Figure FDA0002784709240000025
Figure FDA0002784709240000026
待定；
所述步骤S130包括以下步骤：
S131：将列车安全预警评估模型的参数进行编码，并以最小风险为标准建立适应度函数；
S132：将编码数据带入适应度函数计算适应度，并设定终止条件，其终止条件为：最优个体的适应度达到给定的阈值；或最优个体的适应度和群体适应度不再上升；或迭代次数达到预设的代数；
S133：判断是否达到终止条件，若达到终止条件，则将最优个体解码用以优化列车安全预警评估模型参数，构建测试用列车安全预警评估模型，进入步骤S140，若未达到终止条件则通过遗传操作将编码数据重新构造后返回步骤S132；
S140：使用测试数据对测试用列车安全预警评估模型进行测试，若测试结果满意则得到列车安全预警评估模型，若测试结果不满意则返回步骤S130。
2.一种列车安全预警评估模型训练模块，其特征在于，包括模型构建模块、模型评估模块、模型更新模块和模型测试模块，其中：
模型构建模块，用于判断是否已建立列车安全预警评估模型，若无则构建参数待定的列车安全预警评估模型，若已建立模型则直接进入模型评估模块；所述构建参数待定的列车安全预警评估模型采用模糊综合评估方法构建，所述列车安全预警评估模型待定参数为权值和隶属度；根据列车车载设备相关信息作为列车安全预警评估模型的因素集，列车状态级别作为评估备择集划分列车安全预警级别，其中列车安全预警评估模型选用多层次综合评估模型，通过三层模糊综合评估方法构建权值和隶属度参数待定的列车多层安全预警评估模型，设U＝{u1,u2,..uN}表示第一层即最高层评估因素集，对应的权重集为
Figure FDA0002784709240000031
模糊约束关系即隶属度为
Figure FDA0002784709240000032
Figure FDA0002784709240000033
表示第二层即中间层评估因素集，因素集Ui对应的权重集用
Figure FDA0002784709240000034
表示，模糊约束关系即隶属度用
Figure FDA0002784709240000035
表示；Uij＝{uij1,uij2,...uijl}表示第三层即最底层评估因素集，因素集Uij对应的权重集用
Figure FDA0002784709240000036
表示，模糊约束关系即隶属度用
Figure FDA0002784709240000037
表示，具体评估步骤如下：
首先进行第三层综合评估，列车车载设备相关信息的状态级别矩阵为S(Uij)＝(S1,S2,...Sl)，由此可以求得第三层评估因素集Uij故障评估结果
Figure FDA0002784709240000038
并确定下一层模糊关系矩阵
Figure FDA0002784709240000039
为：
Figure FDA00027847092400000310
其次，进行第二层综合评估，对因素集Ui进行评估得
Figure FDA00027847092400000311
以及确定下一层模糊关系矩阵
Figure FDA00027847092400000312
为：
Figure FDA00027847092400000313
Figure FDA00027847092400000314
最后，进行第一层综合评估，对因素集U进行评估得评估结果
Figure FDA00027847092400000315
采用最大隶属度法确定列车安全预警级级别；
Figure FDA00027847092400000316
列车的因素集的划分：根据列车车载设备相关信息划分因素集，第一层因素集：U＝{U1,U2,...,U8}，其中1≤i≤8，U1:供电系统状态，U2:悬浮系统状态，U3:牵引系统状态，U4:制动系统状态，U5:测速系统状态，U6:列控系统状态，U7:车厢电器状态，U8:轨道系统状态；第二层因素集，Ui＝{ui1,ui2,...,uij}各元素表示位于第j车厢的Ui各系统的状态；第三层因素集uij＝{uij1,uij2,...,uijk}各元素表示位于第j车厢的Ui各系统下第k个底层设备的状态；
初次构建列车安全预警评估模型时，模型的参数隶属度
Figure FDA0002784709240000041
和权值
Figure FDA0002784709240000042
Figure FDA0002784709240000043
待定；
模型评估模块，与模型构建模块连接，用于通过列车车载设备相关信息及列车沿线环境信息，判断其对应的列车安全预警级别，并得到状态-级别样本对，并将状态-级别样本对，一部分作为训练数据，一部分作为测试数据；
模型更新模块，与模型评估模块连接，使用训练数据计算列车安全预警评估模型待定参数，构建测试用列车安全预警评估模型；
所述模型更新模块包括初始化模块、适应度计算模块和参数优化模块，其中：
初始化模块，用于将列车安全预警评估模型的参数进行编码，并定义适应度函数；
适应度计算模块，与初始化模块相连，将编码数据带入适应度函数计算适应度；
参数优化模块，分别与适应度计算模块和模型测试模块连接，用于判断是否达到终止条件，若达到终止条件，则将最优个体解码用以优化列车安全预警评估模型参数，构建测试用列车安全预警评估模型，进入模型测试模块，若未达到终止条件则通过遗传操作将编码数据重新构造后返回适应度计算模块；
模型测试模块，与模型更新模块连接，用于使用测试数据对测试用列车安全预警评估模型进行测试，若测试结果满意则得到列车安全预警评估模型，若测试结果不满意则返回模型更新模块。
3.一种列车监测评估系统，其特征在于，包括车载系统和地面系统，其中：
车载系统，用于收集列车车载设备相关信息，发送到地面系统；
地面系统，包括权利要求2中所述的列车安全预警评估模型训练模块，所述地面系统用于接收列车车载设备相关信息，采集列车沿线环境信息，列车车载设备相关信息及列车沿线环境信息经过列车安全预警评估模型训练模块对列车安全预警评估模型的参数进行确定和优化，确定列车安全预警评估模型，并运用确定的列车安全预警评估模型对列车车载设备相关信息及列车沿线环境信息进行评估得到安全预警级别。
4.根据权利要求3所述的列车监测评估系统，其特征在于，所述车载系统包括信号采集模块、显示模块和第一通信模块，其中：
信号采集模块，收集列车车载设备相关信息，并将相关信息发送给显示模块和通信模块；
显示模块，用于显示接收到的列车车载设备相关信息；
第一通信模块，用于与地面系统通信，将列车车载设备相关信息发送给地面系统。
5.根据权利要求4所述的列车监测评估系统，其特征在于，所述地面系统还包括第二通信系统和环境信息检测系统，其中：
第二通信模块，用于与车载系统通信，接收列车车载设备相关信息，并发送给列车安全预警评估模型；
环境信息检测系统，用于采集列车沿线环境信息，并将列车沿线环境信息发送给列车安全预警评估模型；
信息处理模块，用于运用确定的列车安全预警评估模型对列车车载设备相关信息及列车沿线环境信息进行评估得到安全预警级别。
6.根据权利要求5所述的列车监测评估系统，其特征在于，所述显示模块为位于头车驾驶室内的显示屏。
7.根据权利要求6所述的列车监测评估系统，其特征在于，所述第一通信模块通过车载无线通信装置或乘客信息系统经由互联网或移动网络，与地面系统通信。
8.根据权利要求7所述的列车监测评估系统，其特征在于，所述第二通信模块通过车地无线通信系统与车载系统通信。
CN201711076021.1A 2017-11-06 2017-11-06 列车安全预警评估模型训练方法、模块及监测评估系统 Active CN107862763B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711076021.1A CN107862763B (zh) 2017-11-06 2017-11-06 列车安全预警评估模型训练方法、模块及监测评估系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711076021.1A CN107862763B (zh) 2017-11-06 2017-11-06 列车安全预警评估模型训练方法、模块及监测评估系统

Publications (2)

Publication Number Publication Date
CN107862763A CN107862763A (zh) 2018-03-30
CN107862763B true CN107862763B (zh) 2020-12-29

Family

ID=61700909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711076021.1A Active CN107862763B (zh) 2017-11-06 2017-11-06 列车安全预警评估模型训练方法、模块及监测评估系统

Country Status (1)

Country Link
CN (1) CN107862763B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108881283B (zh) * 2018-07-13 2021-08-20 杭州安恒信息技术股份有限公司 评估网络攻击的模型训练方法、装置及储存介质
CN109410496B (zh) * 2018-10-25 2022-04-01 北京交通大学 入侵预警方法、装置及电子设备
CN109625025B (zh) * 2018-12-13 2021-02-09 北京交大思诺科技股份有限公司 Btm设备预警系统
CN110428066B (zh) * 2019-07-25 2023-04-07 中南大学 一种智能列车电气装置在线状态评估与运维系统及其方法
CN112214934B (zh) * 2020-12-08 2021-03-02 中国人民解放军国防科技大学 一种基于多传感器的悬浮系统寿命预测方法及相关装置
CN113792373B (zh) * 2021-11-17 2022-02-22 中化学建设投资集团北京科贸有限公司 一种基于机器视觉的人员行为监控应急处置方法
CN116090802B (zh) * 2023-04-12 2023-06-27 成都盛锴科技有限公司 一种面向车底部件识别的列检任务智能分配及调度系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9537954B2 (en) * 2014-05-19 2017-01-03 EpiSys Science, Inc. Method and apparatus for biologically inspired autonomous infrastructure monitoring
CN104392071B (zh) * 2014-12-12 2017-09-29 北京交通大学 一种基于复杂网络的高速列车系统安全评估方法
CN104833534A (zh) * 2015-04-21 2015-08-12 广州市地下铁道总公司 一种基于多源信息融合的列车走行系故障诊断装置及方法
CN106202635B (zh) * 2016-06-28 2019-04-26 西安理工大学 一种基于多元回归模型的高速列车动态轴温预测方法
CN106441888A (zh) * 2016-09-07 2017-02-22 广西大学 一种高速列车滚动轴承故障诊断方法
CN106482967B (zh) * 2016-10-09 2019-10-29 湖南工业大学 一种代价敏感支持向量机机车车轮检测系统及方法
CN107085763A (zh) * 2017-03-31 2017-08-22 无锡开放大学 一种电动汽车用驱动电机系统性能评价方法

Also Published As

Publication number Publication date
CN107862763A (zh) 2018-03-30

Similar Documents

Publication Publication Date Title
CN107862763B (zh) 列车安全预警评估模型训练方法、模块及监测评估系统
CN102496069B (zh) 基于模糊层次分析法的电缆多状态安全运行评估方法
WO2015158198A1 (zh) 一种基于神经网络自学习的故障识别方法及系统
CN103793854B (zh) 多重组合优化的架空输电线路运行风险信息化评估方法
CN109459671A (zh) 一种基于遗传算法的改进神经网络的开关柜状态监测方法
WO2016029590A1 (zh) 一种城轨列车转向架的故障预测与视情维修方法
CN106483947A (zh) 基于大数据的配电网运行状态评估和预警方法
CN109685340A (zh) 一种配电设备健康状态评估方法及系统
CN103810328A (zh) 一种基于混合模型的变压器维修决策方法
CN110009208B (zh) 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置
CN114723285B (zh) 一种电网设备安全性评估预测方法
CN116150897A (zh) 一种基于数字孪生的机床主轴性能测评方法及系统
CN103606062A (zh) 一种继电保护状态评估及辅助决策检修的方法
CN116579768B (zh) 一种发电厂在线仪表运维管理方法及系统
CN110910026B (zh) 一种跨省输电线路线损智能管理与决策方法及系统
Dong Combining unsupervised and supervised learning for asset class failure prediction in power systems
CN110443481B (zh) 基于混合k-近邻算法的配电自动化终端状态评价系统及方法
CN114021758A (zh) 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置
CN114997566A (zh) 考虑节点连通度损失的电网阻塞风险评估方法及系统
CN117252051A (zh) 一种基于数字孪生的电缆隧道监测预警方法及系统
CN115864644A (zh) 一种继电保护装置状态评价方法、系统、设备及介质
CN112329335B (zh) 一种变压器油中溶解气体含量的长期预测方法
CN114417732A (zh) 强台风下配电网多元源荷灾损自适应辨识方法及系统
CN112001073A (zh) 一种牵引供电系统的可靠性分析研究方法
CN108107864B (zh) 一种计算机联锁系统服役寿命预测评估方法

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
GR01 Patent grant
GR01 Patent grant