CN108107864B - 一种计算机联锁系统服役寿命预测评估方法 - Google Patents

一种计算机联锁系统服役寿命预测评估方法 Download PDF

Info

Publication number
CN108107864B
CN108107864B CN201611040568.1A CN201611040568A CN108107864B CN 108107864 B CN108107864 B CN 108107864B CN 201611040568 A CN201611040568 A CN 201611040568A CN 108107864 B CN108107864 B CN 108107864B
Authority
CN
China
Prior art keywords
layer
interlocking
neuron
machine
neural network
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.)
Expired - Fee Related
Application number
CN201611040568.1A
Other languages
English (en)
Other versions
CN108107864A (zh
Inventor
周荣
陈建译
王海峰
王韵琛
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.)
Guangzhou Railway Group Corp
China State Railway Group Co Ltd
Original Assignee
Guangzhou Railway Group Corp
China Railway Corp
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 Guangzhou Railway Group Corp, China Railway Corp filed Critical Guangzhou Railway Group Corp
Priority to CN201611040568.1A priority Critical patent/CN108107864B/zh
Publication of CN108107864A publication Critical patent/CN108107864A/zh
Application granted granted Critical
Publication of CN108107864B publication Critical patent/CN108107864B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Hardware Redundancy (AREA)

Abstract

本发明属于轨道交通控制运营维护技术领域，提供了一种基于神经网络的铁路信号计算机联锁系统服役寿命预测评估方法。本发明：首先针对双机热备型和二乘二取二型两种制式的计算机联锁系统，分别设计出寿命预测神经网络结构模型；其次通过控制寿命预测神经网络的神经元传递函数和输出函数，以及中心神经元宽度的优化来提高预测的精度；最后基于运营设备故障数据进行寿命预测神经网络的输入矢量格式约束，预测评估联锁系统的服役寿命。通过实例验证，结果表明：与其它方法相比更符合联锁系统运行的实际情况，预测精度高，可以有效支撑系统的运营安全和提高联锁设备投资回报率。

Description

一种计算机联锁系统服役寿命预测评估方法
技术领域
本发明属于轨道交通控制运营维护技术领域，涉及控制设备的寿命预测评估，特别是涉及一种铁路信号计算机联锁系统的服役寿命预测评估。
背景技术
计算机联锁系统是铁路信号核心技术装备，在铁路运输生产中发挥着关键作用，其主要功能是为列车(或调车车列)在车站的运行和作业进行进路控制，保证列车(或车列)的运行安全。目前，我国铁路应用的计算机联锁主要包括双机热备和二乘二取二两种制式。现阶段，我国计算机联锁系统的寿命周期管理不够规范，缺乏科学合理的依据。2009年由原铁道部发行的《铁路信号维护规则》中规定一般信号设备大修周期为15年，在实际运营中，双机热备型设备大修周期一般按10年执行，二乘二取二系统15年。从管理的角度，这个期限的规定沿用了传统继电联锁设备的管理办法，对于基于电子设备的计算机联锁系统来讲则依据不够充分，实际上，计算机联锁系统的可靠性比传统的继电联锁有了很大的提高，计算机联锁系统设备的使用寿命应该也应优于传统车站联锁设备。系统服役周期短于合理寿命，将会造成投资的浪费，长于合理寿命则会影响系统的安全性。
当前，针对电子设备的寿命预测评估方法研究较多，主要可分为基于概率统计的方法和基于信息技术的方法两大类。基于概率统计的方法，由于系统存在一些不确定因素，导致寿命预测结果偏差较大；现阶段基于信息技术的寿命预测方法缺乏对控制系统结构的关注，多见于航空航天领域的技术系统。铁路信号计算机联锁系统具有独特的硬件冗余结构，与常规的工业控制系统有较大差异。本发明利用现场计算机联锁设备的故障数据，提出一种基于神经网络的系统服役寿命预测评估方法，与现有的寿命评估技术相比，能够更为精确地对计算机联锁系统的服役寿命进行预测评估，包括两种联锁系统寿命预测神经网络结构、寿命预测神经网络的神经元传递函数、中心神经元宽度的计算方法，以及故障数据格式约束五项内容。该方法可以对铁路信号计算机联锁系统的服役寿命进行科学地预测评估，有效提高系统的投资回报率，提升铁路联锁装备的运维管理水平。
发明内容
本发明主要解决铁路计算机联锁系统的服役寿命高精度预测评估问题，能够为铁路联锁装备的管理和运营维护提供一种科学的依据，以提高系统的运营安全和设备投资回报率。本发明适用于我国铁路广泛应用的双机热备型和二乘二取二型两种制式的计算机联锁系统。
为解决上述问题，本发明提出的一个技术方案是：
一种计算机联锁系统服役寿命预测评估方法，该方法包括的步骤是：
步骤(1)，对二乘二取二型和双机热备型两种计算机联锁系统，建立相应的寿命预测评估神经网络结构模型；
步骤(2)，确定寿命预测评估神经网络的传递函数和输出函数；
步骤(3)，对寿命预测评估神经网络中心神经元宽度进行优化；
步骤(4)，对寿命预测神经网络的输入矢量格式进行约束，根据系统类型选择相应的神经网络计算系统服役寿命。
所述的方法的步骤(1)包括两项内容，首先，建立二乘二取二型计算机联锁系统的寿命预测评估神经网络结构模型。所述的二乘二取二计算机联锁系统由操作表示机(2-1)、联锁机(2-2)、驱采机(2-3)、采集单元(2-4)、驱动单元(2-5)、维修机及其它(2-6)组成。两系的操作表示机(2-1)相连，并与维修机及其它(2-6)相连，同时与两系联锁机(2-2)交叉互连；联锁机(2-2)向上与操作表示机(2-1)相连，向下与两系驱采机(2-3)交叉互连；采集单元(2-4)、驱动单元(2-5)向上与各自系驱采机相连，向下连接接口配线。基于二乘二取二计算机联锁系统的容错原理，对应的寿命预测评估神经网络结构模型包含六层，从左至右依次是输入层、模式层、求和层、故障预测层、部件寿命层和系统寿命层。输入矢量分为六组，自上向下依次是操作表示层、I系联锁机、I系执表层、II系联锁机、II系执表层、维修机及其它层。输入矢量按组一一对应接入输入层，六层网络模型从左至右依次全连接。同时，在部件寿命层，I系执表层对应神经元和II系执表层对应神经元的输出同时接入I系联锁机对应的神经元，并且II系执表层对应神经元和I系执表层对应神经元的输出也同时接接入II系联锁机对应的神经元。
其次，建立双机热备型计算机联锁系统的寿命预测评估神经网络结构模型。所述的双机热备计算机联锁系统由操作表示机(4-1)、联锁机(4-2)、采集单元(4-3)、驱动单元(4-4)和维修机及其它(4-5)组成。两系的操作表示机(4-1)相连，并于维修机及其它(4-5)相连，同时与两系联锁机(4-2)交叉互连；联锁机(4-2)向上与操作表示机(4-1)相连，向下与各自系的采集单元(4-3)、驱动单元(4-4)相连，向下连接接口配线。
基于双机热备计算机联锁系统的容错原理，对应的寿命预测评估神经网络结构模型包含输入层、模式层、求和层、故障预测层、部件寿命层和系统寿命层，共六层。基于双机热备计算机联锁系统的容错原理，对应的寿命预测评估神经网络结构模型包含六层，从左至右依次是输入层、模式层、求和层、故障预测层、部件寿命层和系统寿命层。输入矢量分为六组，自上向下依次是操作表示层、I系联锁机、I系执表层、II系联锁机、II系执表层、维修机及其它层。输入矢量按组一一对应接入输入层，六层网络模型从左至右依次全连接。同时，在部件寿命层，I系执表层与I系联锁机共用对应的神经元，II系执表层与II系联锁机共用对应的神经元，在这一层I系与II系之间没有交叉。
所述方法的步骤(2)在建立好神经网络结构模型之后，确定寿命预测评估神经网络的传递函数和输出函数。模式层的神经元传递函数为，
Figure BSA0000136487180000031
求和层的神经元传递函数为，
Figure BSA0000136487180000032
其中，X为网络输入变量，即X＝[x1，x2，...，xn]T；Xi为第i个神经元对应的学习样本，σ为中心神经元的宽度，可以表示传递函数函数的影响范围。
由前面两个公式可得出，神经网络寿命输出函数为
Figure BSA0000136487180000033
所述方法的步骤(3)对寿命预测评估神经网络中心神经元宽度进行优化。具体中心神经元宽度的计算方法是，将传统神经网络的神经元传递函数中的σ扩展为矢量矩阵[σ1，σ2，...，σn]，其元素分别代表了一个中心神经元的宽度，n为隐含层神经元的数目。用粒子群优化算法对于中心神经元的宽度矢量矩阵[σ1，σ2，...，σn]进行参数寻优，适应度函数为训练样本或验证样本的均方误差，通过迭代得到均方根误差最小时对应的宽度。均方误差定义为：
Figure BSA0000136487180000034
其中，NT为样本的数目，t为样本的实际输出，y(Xi)为宽度Xi为时模型的输出。通过迭代寻找使均方根误差最小的宽度，也就是优化目标。将神经网络中的隐含层神经元宽度视为优化单位，分别进行参数寻优之后再加入到神经网络中。
所述方法的步骤(4)对寿命预测神经网络的输入矢量格式进行约束，根据系统类型选择相应的神经网络计算系统服役寿命。对采集的具体计算机联锁系统设备的故障数据按照联锁系统的类型分别处理，如果是二乘二取二系统，按照步骤(1)所述二乘二取二计算机联锁系统寿命预测评估神经网络结构所规定的单元项顺序准备，且必须一一对应；如果是双机热备系统，按照步骤(1)所述的双机热备计算机联锁系统寿命预测评估神经网络结构所规定的单元项顺序准备，且必须一一对应。
本发明的效果：
1.基于二乘二取二和双机热备计算机联锁系统的冗余结构和容错原理，有针对性地构建系统寿命预测评估神经网络，使得评估不单纯考虑元器件，更符合系统运行的实际情况；
2.用矢量矩阵[σ1，σ2，...，σn]表示寿命预测评估网络的中心神经元的宽度，从而是神经元可以分开寻优和训练，进一步精化神经网络的传递函数，可以有效提高网络预测的准确性；
3.本发明将计算机联锁系统设备视为一个有机整体，为铁路联锁装备的管理和运营维护提供一种寿命评估方法，适用于我国铁路广泛应用的双机热备型和二乘二取二型两种制式的计算机联锁系统，可以提高系统的运营安全和设备投资回报率。
附图说明
图1是本发明的总体流程示意图；
图2是本发明中二乘二取二计算机联锁系统冗余结构示意图；
图3是本发明中二乘二取二计算机联锁系统寿命预测评估神经网络结构；
图4是本发明中双机热备计算机联锁系统冗余结构示意图；
图5是本发明中双机热备计算机联锁系统寿命预测评估神经网络结构。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
该方法的总体流程如图1所示，包括四个步骤：
步骤1，针对广泛应用的二乘二取二和双机热备两种计算机联锁系统，建立寿命预测评估神经网络结构模型。首先，建立二乘二取二型计算机联锁系统的寿命预测评估神经网络结构模型。典型的二乘二取二计算机联锁系统结构如图2所示。基于二乘二取二计算机联锁系统的容错原理，对应的寿命预测评估神经网络结构模型包含六层，从左至右依次是输入层、模式层、求和层、故障预测层、部件寿命层和系统寿命层，共六层。输入矢量分为六组，自上向下依次是操作表示层、I系联锁机、I系执表层、II系联锁机、II系执表层、维修机及其它层。输入矢量按组一一对应接入输入层，六层网络模型从左至右依次全连接。同时，在部件寿命层，I系执表层对应神经元和II系执表层对应神经元的输出同时接入I系联锁机对应的神经元，并且II系执表层对应神经元和I系执表层对应神经元的输出也同时接接入II系联锁机对应的神经元。
实际计算机联锁设备的具体硬件表现形式和单元数量受厂家及所控制的铁路车站规模限制，会有所不同。但本发明的寿命预测评估网络结构模型，其输入量排列顺序是固定的，即按照操作表示层、联锁机I系、驱采机I系、采集单元I系、驱动单元I系、联锁机II系、驱采机II系、采集单元II系、驱动单元II系、维修机及其它设备的顺序组织。
例如，假设预测评估联锁系统的设备组成如下表中第1列和第3列所示，表中的第2列和第4列就是二乘二取二型计算机联锁系统的寿命预测评估神经网络输入和输出矢量，如图3所示神经网络。
Figure BSA0000136487180000051
其次，建立双机热备型计算机联锁系统的寿命预测评估神经网络结构模型。典型的双机热备计算机联锁系统硬件结构如图4所示。基于双机热备计算机联锁系统的容错原理，对应的寿命预测评估神经网络结构模型包含输入层、模式层、求和层、故障预测层、部件寿命层和系统寿命层，共六层。基于双机热备计算机联锁系统的容错原理，对应的寿命预测评估神经网络结构模型包含六层，从左至右依次是输入层、模式层、求和层、故障预测层、部件寿命层和系统寿命层，共六层。输入矢量分为六组，自上向下依次是操作表示层、I系联锁机、I系执表层、II系联锁机、II系执表层、维修机及其它层。输入矢量按组一一对应接入输入层，六层网络模型从左至右依次全连接。同时，在部件寿命层，I系执表层与I系联锁机共用对应的神经元，II系执表层与II系联锁机共用对应的神经元，在这一层I系与II系之间没有交叉。
例如，假设预测评估联锁系统的设备组成如下表中第1列和第3列所示，表中的第2列和第4列就是双机热备型计算机联锁系统的寿命预测评估神经网络输入和输出矢量，如图5所示神经网络。
Figure BSA0000136487180000061
Figure BSA0000136487180000071
步骤2，在建立好神经网络结构模型之后，确定寿命预测评估神经网络的传递函数和输出函数。模式层的神经元传递函数为，
Figure BSA0000136487180000072
求和层的神经元传递函数为，
Figure BSA0000136487180000073
其中，X为网络输入变量，即X＝[x1，x2，...，xn]T；Xi为第i个神经元对应的学习样本，σ为中心神经元的宽度，可以表示传递函数函数的影响范围。
由公式(1)和(2)得出，神经网络寿命输出函数为
Figure BSA0000136487180000074
步骤3，对寿命预测评估神经网络中心神经元宽度进行优化。具体中心神经元宽度的计算方法是，将传统神经网络的神经元传递函数中的σ扩展为矢量矩阵[σ1，σ2，...，σn]，其元素分别代表了一个中心神经元的宽度，n为隐含层神经元的数目。用粒子群优化算法对于中心神经元的宽度矢量矩阵[σ1，σ2，...，σn]进行参数寻优，适应度函数为训练样本或验证样本的均方误差，通过迭代得到均方根误差最小时对应的宽度。均方误差定义为：
Figure BSA0000136487180000075
其中，NT为样本的数目，t为样本的实际输出，y(Xi)为宽度Xi为时模型的输出。通过迭代寻找使均方根误差最小的宽度，也就是优化目标。将神经网络中的隐含层神经元宽度视为优化单位，分别进行参数寻优之后再加入到神经网络中。
步骤4，对寿命预测神经网络的输入矢量格式进行约束，根据系统类型选择相应的神经网络计算系统服役寿命。对采集的具体计算机联锁系统设备的故障数据按照联锁系统的类型分别处理，如果是二乘二取二系统，按照步骤2所述二乘二取二计算机联锁系统寿命预测评估神经网络结构所规定的单元项顺序准备，且必须一一对应；如果是双机热备系统，按照步骤2所述的双机热备计算机联锁系统寿命预测评估神经网络结构所规定的单元项顺序准备，且必须一一对应。
具体实例：
以从我国某铁路局现场获得的一个二乘二取二计算机联锁系统的故障数据，对其进行寿命预测评估。收集到从2012年到2016年系统的故障数据如下：
Figure BSA0000136487180000081
Figure BSA0000136487180000091
将表中的数据按照本发明的数据约束格式，进行归类整理，得到寿命预测评估神经网络的输入向量[x1，x2，…x23]，进行计算，网络计算得出的联锁系统部件寿命如下：
故障数据预测指标 2017年 2018年 2019年 2020年 2021年 2022年 2023年 2024年
y<sub>1</sub> 0.17 1.67 3.83 2.18 3.57 1.89 1.89 3.6
y<sub>2</sub> 0.44 0.11 0.78 0.27 0.30 0.37 0.37 0.37
y<sub>3</sub> 0.33 0.33 0.33 0.33 0.23 0.20 0.60 0.27
y<sub>4</sub> 0.36 0.028 0.60 0.24 0.27 0.37 0.50 0.34
y<sub>5</sub> 0.40 0.67 0.07 0.26 0.14 0.22 0.47 0.21
y<sub>6</sub> 0.29 1.00 2.29 0.14 1.00 1.32 2.23 0.64
利用公式
Figure BSA0000136487180000092
求出该计算机联锁系统的平均故障间隔时间指标，
2017年 2018年 2019年 2020年 2021年 2022年 2023年 2024年
MTBF 4.46×10<sup>5</sup>h 1.9×10<sup>5</sup>h 1.84×10<sup>5</sup>h 1.74×10<sup>5</sup>h 1.6×10<sup>5</sup>h 1.42×10<sup>5</sup>h 8.2×10<sup>4</sup>h 1.39×10<sup>4</sup>h
由系统的平均剩余寿命，即系统的平均故障间隔时间MTBF，当该值不满足我国现行的铁路行业标准TB/T3027-2015中规定的MTBF＜105h要求时，即可认定系统服役寿命终止。本例中，预测结果在2023年该系统服役寿命终止。

Claims (5)

1.一种计算机联锁系统服役寿命预测评估方法，其特征在于，该方法的关键步骤包括：
步骤(1)，对二乘二取二型和双机热备型两种计算机联锁系统，建立相应的寿命预测评估神经网络结构模型；
步骤(2)，确定寿命预测评估神经网络结构模型的传递函数和输出函数；
步骤(3)，对寿命预测评估神经网络结构模型中心神经元宽度进行优化；
步骤(4)，对寿命预测神经网络结构模型的输入矢量格式进行约束，根据系统类型选择相应的神经网络结构模型计算系统服役寿命。
2.按照权利要求1所述的计算机联锁系统服役寿命预测评估方法，其特征在于，所述步骤(1)中的二乘二取二型计算机联锁系统由操作表示机(2-1)、联锁机(2-2)、驱采机(2-3)、采集单元(2_4)、驱动单元(2-5)、维修机及其它(2-6)组成；两系的操作表示机(2-1)相连，并与维修机及其它(2-6)相连，同时与两系联锁机(2-2)交叉互连；联锁机(2-2)向上与操作表示机(2-1)相连，向下与两系驱采机(2-3)交叉互连；采集单元(2_4)、驱动单元(2-5)向上与各自系驱采机相连，向下连接接口配线；基于二乘二取二型计算机联锁系统的容错原理，对应的寿命预测评估神经网络结构模型包含输入层、模式层、求和层、故障预测层、部件寿命层和系统寿命层，共六层；输入矢量分为六组，自上向下依次是操作表示层、I系联锁机、I系执表层、II系联锁机、II系执表层、维修机及其它层，其中输入矢量按组一一对应接入输入层，六层网络模型从左至右依次全连接；同时，在部件寿命层，I系执表层对应神经元和II系执表层对应神经元的输出同时接入I系联锁机对应的神经元，并且II系执表层对应神经元和I系执表层对应神经元的输出也同时接接入II系联锁机对应的神经元。
3.按照权利要求1所述的计算机联锁系统服役寿命预测评估方法，其特征在于，所述步骤(1)中的双机热备型计算机联锁系统由操作表示机(4-1)、联锁机(4-2)、采集单元(4-3)、驱动单元(4_4)和维修机及其它(4-5)组成；两系的操作表示机(4-1)相连，并与维修机及其它(4-5)相连，同时与两系联锁机(4-2)交叉互连；联锁机(4-2)向上与操作表示机(4-1)相连，联锁机(4-2)向下与各自系的采集单元(4-3)、驱动单元(4_4)相连，采集单元(4-3)、驱动单元(4-4)向下连接接口配线和通道防雷；基于双机热备型计算机联锁系统的容错原理，对应的寿命预测评估神经网络结构模型包含六层，从左至右依次是输入层、模式层、求和层、故障预测层、部件寿命层和系统寿命层；输入矢量分为六组，自上向下依次是操作表示层、I系联锁机、I系执表层、II系联锁机、II系执表层、维修机及其它层，输入矢量按组一一对应接入输入层，六层网络模型从左至右依次全连接；同时，在部件寿命层，I系执表层与I系联锁机共用对应的神经元，II系执表层与II系联锁机共用对应的神经元，在这一层I系与II系之间没有交叉。
4.按照权利要求1所述的计算机联锁系统服役寿命预测评估方法，其特征在于，所述步骤(2)的寿命预测评估神经网络结构模型的神经元传递函数和输出函数，模式层的神经元传递函数为，
Figure FSB0000189096920000021
求和层的神经元传递函数为，
Figure FSB0000189096920000022
其中，X为网络输入变量，即X＝[x1，x2，...，xn]T；Xi为第i个神经元对应的学习样本，σ为中心神经元的宽度，可以表示传递函数的影响范围；由前面两个公式可得出，神经网络寿命输出函数为
Figure FSB0000189096920000023
。
5.按照权利要求1所述的计算机联锁系统服役寿命预测评估方法，其特征在于，所述步骤(3)的中心神经元宽度的计算方法，将传统神经网络的神经元传递函数中的σ扩展为矢量矩阵[σ1，σ2，...，σn]，其元素分别代表了一个中心神经元的宽度，n为隐含层神经元的数目；用粒子群优化算法对于中心神经元的宽度矢量矩阵[σ1，σ2，...，σn]进行参数寻优，适应度函数为训练样本或验证样本的均方误差，通过迭代得到均方根误差最小时对应的宽度，这里均方误差定义为：
Figure FSB0000189096920000024
其中，NT为样本的数目；t为样本的实际输出；Xi为第i个神经元对应的学习样本；y(Xi)为第i个神经元对应的学习样本Xi的模型输出，通过迭代寻找使均方根误差最小的宽度，也就是优化目标，将神经网络中的隐含层神经元宽度视为优化单位，分别进行参数寻优之后再加入到神经网络中。
CN201611040568.1A 2016-11-24 2016-11-24 一种计算机联锁系统服役寿命预测评估方法 Expired - Fee Related CN108107864B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611040568.1A CN108107864B (zh) 2016-11-24 2016-11-24 一种计算机联锁系统服役寿命预测评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611040568.1A CN108107864B (zh) 2016-11-24 2016-11-24 一种计算机联锁系统服役寿命预测评估方法

Publications (2)

Publication Number Publication Date
CN108107864A CN108107864A (zh) 2018-06-01
CN108107864B true CN108107864B (zh) 2021-02-05

Family

ID=62204785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611040568.1A Expired - Fee Related CN108107864B (zh) 2016-11-24 2016-11-24 一种计算机联锁系统服役寿命预测评估方法

Country Status (1)

Country Link
CN (1) CN108107864B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108945002A (zh) * 2018-07-12 2018-12-07 江苏慧学堂系统工程有限公司 一种计算机联锁控制系统及方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS60148279A (ja) * 1983-12-28 1985-08-05 インタ−ナショナル　ビジネス　マシ−ンズ　コ−ポレ−ション 画像処理システム
US6621841B1 (en) * 2002-04-23 2003-09-16 The United States Of America As Represented By The Secretary Of The Air Force Phonon-pumped semiconductor lasers
JP5276287B2 (ja) * 2007-08-03 2013-08-28 九州電技開発株式会社 架空送電線の腐食、余寿命測定方法およびその装置
US7737793B1 (en) * 2007-09-27 2010-06-15 Marvell International Ltd. Calibrating control loops
US8510234B2 (en) * 2010-01-05 2013-08-13 American Gnc Corporation Embedded health monitoring system based upon Optimized Neuro Genetic Fast Estimator (ONGFE)
CN101941447B (zh) * 2010-08-26 2012-07-11 北京交大资产经营有限公司 Cbtc系统地面设备的列车安全定位方法
CN101963937B (zh) * 2010-09-29 2016-08-10 南京航空航天大学 飞控计算机系统剩余寿命预测方法
US8781982B1 (en) * 2011-09-23 2014-07-15 Lockheed Martin Corporation System and method for estimating remaining useful life
CN102402727A (zh) * 2011-11-10 2012-04-04 中联重科股份有限公司 工程机械的部件剩余寿命预测系统及方法
CN102749584B (zh) * 2012-07-17 2014-07-30 哈尔滨工业大学 基于Kalman滤波的ESN的涡轮发动机的剩余寿命预测方法
JP6250298B2 (ja) * 2013-04-15 2017-12-20 新電元工業株式会社 二次電池寿命予測システムおよび二次電池特性評価装置
CN103729687A (zh) * 2013-12-18 2014-04-16 国网山西省电力公司晋中供电公司 基于小波变换和神经网络的电价预测方法
CN104778370A (zh) * 2015-04-20 2015-07-15 北京交通大学 基于蒙特卡洛仿真求解动态故障树模型的风险分析方法
CN105137242B (zh) * 2015-09-09 2018-04-13 南京航空航天大学 单相光伏逆变器在线状态监测与剩余寿命预测方法
CN105676842B (zh) * 2016-03-14 2019-06-18 中国铁路总公司 一种高铁列控车载设备故障诊断方法
CN105938575A (zh) * 2016-04-13 2016-09-14 山东毅康科技股份有限公司 基于多变量灰色神经网络的工业设备剩余寿命预测系统
CN105976049A (zh) * 2016-04-28 2016-09-28 武汉宝钢华中贸易有限公司 基于混沌神经网络的库存预测模型及其构造方法

Also Published As

Publication number Publication date
CN108107864A (zh) 2018-06-01

Similar Documents

Publication Publication Date Title
CN106779151B (zh) 一种高速铁路沿线风速多点多层耦合预测方法
CN105930277B (zh) 一种基于缺陷报告分析的缺陷源代码定位方法
CN107169628B (zh) 一种基于大数据互信息属性约简的配电网可靠性评估方法
CN113723010B (zh) 一种基于lstm温度-位移相关模型的桥梁损伤预警方法
CN103745273B (zh) 一种半导体制造过程的多性能预测方法
CN107886168A (zh) 一种使用多层感知器神经网络进行电梯故障识别的方法
CN103065042B (zh) 基于情景的多目标综合决策评价方法
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
CN104850916A (zh) 一种改进型灰色马尔可夫模型的电力设备故障预测方法
CN108053052B (zh) 一种油罐车油气泄漏速度智能监测系统
CN102522709B (zh) 变压器状态检修的决策方法及系统
CN108153982B (zh) 基于堆叠自编码深度学习网络的航空发动机修后性能预测方法
CN114035468B (zh) 基于XGBoost算法的风机检修流程预测性监控方法与系统
CN112464488A (zh) 地铁牵引供电系统可靠性评估方法、装置、设备和介质
CN110515931A (zh) 一种基于随机森林算法的电容型设备缺陷预测方法
CN114662793B (zh) 基于可解释分层模型的业务流程剩余时间预测方法与系统
CN108266219A (zh) 基于风量特征的矿井通风系统阻变型单故障源诊断方法
CN104503420A (zh) 一种基于新型fde-elm和时延efsm的非线性过程工业故障预测方法
CN112241606A (zh) 基于cps决策模块的船舶智能设备运维的协同决策方法
CN111723516B (zh) 一种基于自适应深度神经网络替代模型的海水入侵模拟-优化方法
CN106021671B (zh) 结合相关性关系和灰色聚类技术的电路健康分级评估方法
CN114004008A (zh) 一种基于神经网络和遗传算法的飞机装配线资源配置优化方法
CN104899101B (zh) 基于多目标差异演化算法的软件测试资源动态分配方法
CN108107864B (zh) 一种计算机联锁系统服役寿命预测评估方法
CN116432359A (zh) 基于元迁移学习的变拓扑网络潮流计算方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210205

Termination date: 20211124