CN110210174A - 一种基于多层lstm的动车组轴箱轴承温度预测方法 - Google Patents
一种基于多层lstm的动车组轴箱轴承温度预测方法 Download PDFInfo
- Publication number
- CN110210174A CN110210174A CN201910540256.4A CN201910540256A CN110210174A CN 110210174 A CN110210174 A CN 110210174A CN 201910540256 A CN201910540256 A CN 201910540256A CN 110210174 A CN110210174 A CN 110210174A
- Authority
- CN
- China
- Prior art keywords
- data
- bearing temperature
- axle box
- value
- box bearing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000010606 normalization Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims description 37
- 230000004913 activation Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 11
- 210000004027 cell Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 241000271559 Dromaiidae Species 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Aviation & Aerospace Engineering (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Automation & Control Theory (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及动车组轴箱技术领域,具体涉及一种基于多层LSTM的动车组轴箱轴承温度预测方法,包括:采集轴箱轴承温度、环境温度、列车速度的信息数据,然后将采集到的信息数据分别进行分组;然后将分组好的数据分别依次进行去重,去异常值,归一化处理,然后将归一化后的各组数据作为输入数据输入LSTM模型中,得到轴承温度的LSTM输出预测值,再将轴承温度进行反归一化处理,得到预测轴承温度值。本发明每次计算模型的输入相应地往后滑移一分钟,通过不断滑移、不断更新轴箱轴承未来温度的走势,能有效预测未来一段时间的轴箱轴承温度,给应急处理预留一定的时间,减少对乘客行程的影响。
Description
技术领域
本发明涉及动车组轴箱技术领域,具体涉及一种基于多层LSTM的动车组轴箱轴承温度预测方法。
背景技术
动车、全称动力车辆,是指轨道交通系统中装有动力装置的车辆,包括机车和动力车厢两大类。动车装配有驱动车轮,而与之相对应的无驱动装置的车辆就是拖车。列车要能在轨道上正常运行,就必须有动车为整列火车提供足够牵引力,但可以不挂没有动力的拖车。动车是安装有车轮驱动机器设备的铁路车辆,而不是动车组。不仅高速列车中有动车,所有火车类型的交通工具、包括常速动车组、普速列车、地铁列车、轻轨列车、单轨列车和磁悬浮列车等都有动车。
截止2018年底,中国共有动车组3256标准组,共计26048辆,而每辆车有8个轴箱轴承;轴箱轴承承受载荷大,运行工况恶劣多变,每年都会有大量的轴箱轴承损坏导致列车降速运行而晚点,甚至临时停车。轴箱轴承是保证高速动车组安全、高效运行的核心零部件之一,因此对高速动车组的轴箱轴承状态监测具有非常实际的研究价值。现有的技术是通过车载动车组轴温报警系统进行报警,报警系统通过双通道的温度传感器采集温度数据,来实现冗余采集,当检测温度达到车载逻辑设定的绝对阈值或差值阈值后,车载轴温报警系统报警。
但是,现有技术只是考虑了温度这一个单变量,没有考虑速度,环境温度等因素,而这些因素对轴箱轴承温度有极大影响。另外,现有技术一旦出现热轴预警就要限速运行(250Km/h),一旦出现热轴报警,列车将限速(40Km/h)。报警后,到前方站后还要停车检查,因此一旦出现这俩类报警,必然导致列车晚点,甚至长时间临时停车,必然对乘客行程安排造成影响。
为此,本发明提供一种考虑列车速度、环境温度等关键因素,能实现预测未来一段时间的轴箱轴承温度趋势,给应急处理预留一定的时间,基于多层LSTM的高速动车组轴箱轴承温度预测方法。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于多层LSTM的动车组轴箱轴承温度预测方法,通过将传感器采集的轴箱轴承温度、速度、环境温度的实时数据进行预处理后,输入到LSTM模型中,每次计算模型的输入相应地往后滑移一分钟,通过不断滑移不断更新轴箱轴承未来温度的走势,如果轴箱轴承温度正常,那么未来预测的温度也是正常走势,如果轴箱轴承温度异常,那么预测出来的未来温度数据也是异常的,如未来预测温度超过轴箱轴承报警阈值,即可实现提前预警。
本发明的目的是通过以下技术方案来实现的:
一种基于多层LSTM的动车组轴箱轴承温度预测方法,包括以下步骤:
S1.采集轴箱轴承温度、环境温度、列车速度的信息数据,然后将采集到的信息数据分别进行分组;
S2.将分组好的数据分别进行去重,且一分钟对应一个数据;
S3.采用4分位数法分别对每组数据进行去异常值;
S4.分别对每组数据进行归一化处理;
S5.将归一化后的各组数据作为输入数据输入LSTM模型中,得到轴承温度的LSTM输出预测值z;
S6.将轴承温度进行反归一化处理,得到预测轴承温度值Z,Z=z*150。
在步骤S4和S5中,归一化后,x′=x/某种类型的定值,所述某种类型包括轴承温度、列车速度、环境温度;
其中,轴承温度的定值是150,列车速度的定值是380,环境温度的定值是50,x是某种类型数据某一时刻的实际值,x′是某种类型数据归一化后的值。
上述动车组轴箱轴承温度预测方法,所述4分位数法是把数据按照从小到大排序,其中75%为上四分位,用FU表示;25%为下四分位,用FL表示;
四分位间距:dF=FU-FL;
上截断点为:FU+1.5dF;
下截断点为:FL-1.5dF;
所述异常值是指小于上截断点,或者大于下截断点的数据。
上述动车组轴箱轴承温度预测方法,在步骤S5中,所述LSTM模型包括:遗忘门、输入门、输出门和记忆单元,门结构是一个sigmoid激活函数和一个乘法操作,sigmoid函数的输出是0到1,其中0代表完全不接受数据,1代表完全接受数据;记忆单元中存储了历史信息。
上述动车组轴箱轴承温度预测方法,对于所述遗忘门,前一时刻的输出与这一时刻的输入,合并得到所述遗忘门的激活函数输入,遗忘门直接与记忆单元相乘,遗忘门的功能是决定记忆单元中哪些信息需要保留以及哪些信息需要遗忘,所述遗忘门的计算公式为:
ft=σ(Wf*[ht-1,xt]+bf)
其中,ft代表遗忘门,*是乘法符号,[a,b]是将b矩阵按列拼接在a矩阵之后,W是遗忘门的权值矩阵,b是遗忘门的偏差,W和b的参数值通过训练确定,ht-1表示t-1时刻的输出,xt是t时刻模型的输出,σ是sigmoid激活函数。
公式中,W和b后面的f是代表forget gate。即Wf就是代表遗忘门的权值矩阵,bf就是代表遗忘门的偏差。
上述动车组轴箱轴承温度预测方法,对于输入门,所述输入门是确定往记忆单元中增加的内容;输入门由两部分组成,一部分依旧使用sigmoid激活函数,另一部分使用tanh激活函数,其输出是-1到1,输入门的作用是调节网络;sigmoid激活函数的输出与tanh激活函数的输出相乘,其功能是通过sigmoid函数的输出来决定保留tanh函数输出中的哪些重要信息;输入门的计算公式如下:
it=σ(Wi*[ht-1,xt]+bi)
c`t=tanh(Wc*[ht-1,xt]+bc)
ct=ft*ct-1+it*c`t
其中,it代表输入门,ct-1是上一时刻的记忆单元内容,c`t是中间状态的记忆单元内容(此处的c`t有一撇,以区别于后面的ct),ct是此时刻的记忆单元中内容。
式中,i是代表input gate,c是代表cell,cell就是基于单元。t代表时刻或时间。
上述动车组轴箱轴承温度预测方法,对于输出门,所述输出门是确定此刻模型的输出内容,此刻的输出是由此刻的输入、上一时刻输出以及记忆单元中的内容决定,所述输出门的计算公式如下:
ot=σ(Wo[ht-1,xt]+bo)
ht=ot*tanh(ct)。
其中,Ot代表输出门,O是代表output gate,h是代表模型输出。
上述动车组轴箱轴承温度预测方法,在步骤S1中,按照30min的时间间隔对采集到的信息数据分别进行分组。
进一步地,在步骤S2中,去重过程中,一分钟有多个相同的值则去重,一分钟有多个不同值则取不同值的均值,去重处理后,若30min内数据有缺失,则采用均值插值的方式进行插值,所述均值插值具体为采取该缺失数据前后一分钟对应数据的均值来进行插值。
上述动车组轴箱轴承温度预测方法,在步骤S3中,在去异常值的过程中,采用均值插值的方式对异常点进行插值。
本发明的有益效果是:本发明提出的基于多层LSTM的动车组轴箱轴承温度预测方法,通过将传感器采集的轴箱轴承温度、速度、环境温度的实时数据进行预处理后,输入到LSTM模型中,每次计算模型的输入,相应地往后滑移一分钟,通过不断滑移、不断更新轴箱轴承未来温度的走势,如果轴箱轴承温度正常,那么未来预测的温度也是正常走势,如果轴箱轴承温度异常,那么预测出来的未来温度数据也是异常的,即能有效预测未来一段时间的轴箱轴承温度,给应急处理预留一定的时间,减少对乘客行程的影响。
附图说明
图1为本发明LSTM模型的结构示意图;
图2为本发明LSTM模型的双层结构图;
图3为本发明试验例中实际温度与预测温度对比图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
LSTM(Long Short-Term Memory)是长短期记忆神经网络,是一种时间循环神经网络,适合于处理和预测时间序列中,间隔和延迟相对较长的重要事件;目前,LSTM已经在科技领域有了多种应用。LSTM是一种特殊的RNN(RNN是循环神经网络),主要在于它在算法中加入了一个判断信息有用与否的“处理器”,这个处理器作用的结构被称为cell;一个cell当中被放置了三扇门,分别叫做输入门、遗忘门和输出门;一个信息进入LSTM的网络当中,可以根据规则来判断是否有用;只有符合算法认证的信息才会留下,不符的信息则通过遗忘门被遗忘。
实施例
一种基于多层LSTM的动车组轴箱轴承温度预测方法,包括以下步骤:
S1.采集轴箱轴承温度、环境温度、列车速度的信息数据,然后将采集到的信息数据分别进行分组;
S2.将分组好的数据分别进行去重,且一分钟对应一个数据;
S3.采用4分位数法分别对每组数据进行去异常值;
由于系统误差,人为误差或者固有数据的变异使得他们与总体的行为特征、结构或相关性等不一样,这部分数据称为异常值。
4分位数法是把数据按照从小到大排序,其中75%为上四分位用FU表示,25%为下四分位用FL表示;
四分位间距:dF=FU-FL;
上截断点为:FU+1.5dF;
下截断点为:FL-1.5dF;
上面的参数1.5不是绝对的,在本实施方式中是根据经验而取得的经验值,把异常值定义为小于上截断点,或者大于下截断点的数据称为异常值;当然,去异常值的方法,除了4分位数法之外,还可以采用3σ探测方法、散点图或基于分布的异常值检测法;
S4.分别对每组数据进行归一化处理,归一化后x′=x/某种类型的定值,其中,轴承温度的定值是150,列车速度的定值是380,环境温度的定值是50,x是某种类型数据某一时刻的实际值,x′是某种类型数据归一化后的值;
上述的某种类型包括轴承温度、列车速度、环境温度;某种类型数据包括轴承温度数据、列车速度数据、环境温度数据。
归一化是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,成为纯量,归一化的具体作用是归纳统一样本的统计分布性,把需要处理的数据经过处理后(通过某种算法)限制在需要的一定范围内。归一化在0-1之间是统计的概率分布,归一化在某个区间上是统计的坐标分布。如果是区间上的值,则可以用区间上的相对位置来归一化,即选中一个相位参考点,用相对位置和整个区间的比值或是整个区间的给定值作比值,得到一个归一化的数据,比如类似于一个概率值0<=p<=1。
S5.将归一化后的各组数据作为输入数据输入LSTM模型中,得到轴承温度的LSTM输出预测值z;
本发明中的LSTM模型的结构图如图1所示,包括三个门(遗忘门、输入门、输出门)和一个记忆单元,门结构是一个sigmoid(对应图中符号“σ”)激活函数和一个乘法操作,sigmoid函数的输出是0到1,因此乘法操作后的输出依然是0到1,其中0表示完全不接受数据,1表示完全接受数据;记忆单元中存储了历史信息,由于时间序列有前因后果的关系,因此通过大量训练可以很好地预测未来数据走向;三个门以及记忆单元的计算公式具体为:
遗忘门:前一时刻的输出与这一时刻的输入合并得到遗忘门激活函数的输入。遗忘门直接与记忆单元相乘,因此它的功能就是决定记忆单元中哪些信息需要保留以及哪些信息需要遗忘;其计算公式如下:
ft=σ(Wf*[ht-1,xt]+bf)
其中,ft代表遗忘门,*是乘法符号,[a,b]是将b矩阵按列拼接在a矩阵之后,W是遗忘门的权值矩阵,b是遗忘门的偏差,这两个参数是通过训练确定,ht-1表示t-1时刻的输出,xt是t时刻模型的输出,σ是sigmoid激活函数,W和b后面的f是代表forget gate。即Wf就是代表遗忘门的权值矩阵,bf就是代表遗忘门的偏差。下面公式中符号类同则依次类推。
输入门:输入门是确定往记忆单元中增加的内容;输入门由两部分组成,一部分依旧使用sigmoid激活函数,另一部分使用tanh激活函数,其输出是-1到1,它的作用是调节网络;sigmoid激活函数的输出与tanh激活函数的输出相乘,其功能是通过sigmoid函数的输出来决定保留tanh函数输出中的哪些重要信息;此部分的计算公式如下:
it=σ(Wi*[ht-1,xt]+bi)
c`t=tanh(Wc*[ht-1,xt]+bc)
ct=ft*ct-1+it*c`t
其中,it代表输入门,ct-1是上一时刻的记忆单元内容,c`t是中间状态的记忆单元内容(此处的c`t有一撇,以区别于后面的ct),ct是此时刻的记忆单元中内容。i是代表inputgate,c是代表cell,cell就是基于单元。t代表时刻或时间。
输出门:输出门是确定此刻模型的输出内容,此刻的输出是由此刻的输入、上一时刻输出以及记忆单元中的内容决定,其计算公式如下:
ot=σ(Wo[ht-1,xt]+bo)
ht=ot*tanh(ct)。
其中,Ot代表输出门,O是代表output gate,h是代表模型输出。
S6.将轴承温度进行反归一化处理,得到预测轴承温度值Z,Z=z*150。
具体地,在步骤S1中,按照30min的时间间隔对采集到的信息数据分别进行分组。
具体地,在步骤S2中,去重过程中,一分钟内有多个相同的值则去重,一分钟内有多个不同值则取不同值的平均值。
具体地,在步骤S2中,去重处理后,若30min内数据有缺失,则采用均值插值的方式进行插值。
具体地,所述均值插值具体为采取该缺失数据前后一分钟对应数据的均值来进行插值。
具体地,在步骤S3中,在去异常值的过程中,采用均值插值的方式对异常点进行插值。
试验例
本试验采用30分钟的轴箱轴承温度、列车速度、环境温度预测未来10分钟的轴箱轴承温度,将采集到的信息数据分别进行分组,然后将分组好的数据分别去重(数据一分钟一个,如果一分钟有多个相同值则去重,多个不同值则取不同值的均值),如果30分钟内数据某种类型数据有缺失(数据一分钟一个),则采用均值插值(前后时刻的均值)的方式插值,去重结果如表1所示,
表1信息数据分组去重信息表
序号 | 轴承温度(℃) | 列车速度(km/h) | 环境温度(℃) | 时刻 |
1 | 28 | 52.42 | 25 | 21:58 |
2 | 28 | 54.89 | 25 | 21:58 |
3 | 28 | 79.09 | 25 | 21:59 |
4 | 29 | 192 | 24 | 22:01 |
5 | 30 | 192.08 | 24 | 22:02 |
6 | 30 | 191.29 | 24 | 22:03 |
… | … | … | … | |
30 | 35 | 193 | 25 | 22:27 |
采用4分位数法对每组数据中每种类型的数据进行去异常值,并用均值插值法(前后时刻的均值)对异常点插值,去异常值处理后的结果如表2所示,
表2信息数据异常值处理后的信息表
序号 | 轴承温度(℃) | 列车速度(km/h) | 环境温度(℃) | 时刻 |
1 | 28 | 53.66 | 25 | 21:58 |
2 | 28 | 79.09 | 25 | 21:59 |
3 | 28 | 135.55 | 24 | 22:00 |
4 | 29 | 192 | 24 | 22:01 |
5 | 30 | 192.08 | 24 | 22:02 |
6 | 30 | 191.29 | 24 | 22:03 |
… | … | … | … | |
30 | 35 | 193 | 25 | 22:27 |
分别对每组数据进行归一化处理,归一化后x′=x/某种类型的定值,其中,轴承温度的定值是150,列车速度的定值是380,环境温度的定值是50,x是某种类型数据某一时刻的实际值,x′是某种类型数据归一化后的值;将归一化后的各组数据作为输入数据输入LSTM模型中,得到轴承温度的LSTM输出预测值z;
本试验中的LSTM模型包括三个门(遗忘门、输入门、输出门)和一个记忆单元,门结构是一个sigmoid(对应图中符号“σ”)激活函数和一个乘法操作,sigmoid函数的输出是0到1,因此乘法操作后的输出依然是0到1,其中0表示完全不接受数据,1表示完全接受数据;记忆单元中存储了历史信息,由于时间序列有前因后果的关系,因此通过大量训练可以很好地预测未来数据走向;三个门以及记忆单元的计算公式具体为:
遗忘门:前一时刻的输出与这一时刻的输入合并得到遗忘门激活函数的输入。遗忘门直接与记忆单元相乘,因此它的功能就是决定记忆单元中哪些信息需要保留以及哪些信息需要遗忘;其计算公式如下:
ft=σ(Wf*[ht-1,xt]+bf)
其中,*是乘法符号,[a,b]是将b矩阵按列拼接在a矩阵之后,W是遗忘门的权值矩阵,b是遗忘门的偏差,这两个参数是通过训练确定,ht-1表示t-1时刻的输出,xt是t时刻模型的输出,σ是sigmoid激活函数,下面公式中符号类同则依次类推。
输入门:输入门是确定往记忆单元中增加的内容;输入门由两部分组成,一部分依旧使用sigmoid函数激活,另一部分使用tanh激活函数,其输出是-1到1,它的作用是调节网络;sigmoid激活函数的输出与tanh激活函数的输出相乘,其功能是通过sigmoid函数的输出来决定保留tanh函数输出中保留哪些重要信息;此部分的计算公式如下:
it=σ(Wi*[ht-1,xt]+bi)
c`t=tanh(Wc*[ht-1,xt]+bc)
ct=ft*ct-1+it*c`t
其中,ct-1是上一时刻的记忆单元内容,c`t是中间状态的记忆单元内容,ct是此时刻的记忆单元中内容。
输出门:输出门是确定此刻模型的输出内容,此刻的输出是由此刻的输入、上一时刻输出以及记忆单元中内容决定的,其计算公式如下:
ot=σ(Wo[ht-1,xt]+bo)
ht=ot*tanh(ct)。
将轴承温度进行反归一化处理,得到预测轴承温度值Z,Z=z*150。
在试验过程中,由于车载采样的原始数据并不理想,会出现采样值异常,重复采样,或者采样丢失的情况,因此必须先要对原始数据进行去重、去异常值、插值等预处理,然后再将其归一化,分别得到轴箱轴承温度、环境温度、列车速度时间序列。
优选地,本试验例中采用双层LSTM结构,具体为图2所示。
优选地,本试验例中的参数选择如表3所示,
表3基于多层LSTM的动车组轴箱轴承温度预测试验参数表
训练样本数量 | 8000条 |
批尺寸 | 10 |
epoch | 200次 |
dropout | 0.1 |
步长 | 30 |
损失函数 | rmse |
优化器 | adam |
表3中,epoch是指训练集的数据需要给模型输入的次数,此处也就是训练集数据需要反复输入200次到模型去训练模型;dropout是指让某个神经元不被激活的概率,此处0.1就是指是指每个神经元有0.1的概率停止激活,防止过拟合;步长是指每次输入的序列长度,比如输入“轴承温度预测”,这个输入的步长就是6。
本试验采用前一段时间的数据预测未来一段时间的轴箱轴承温度趋势,模型一分钟计算一次,模型的输入是传感器采集的轴箱轴承温度、速度、环境温度的实时数据,每次计算模型的输入相应地往后滑移一分钟,通过不断滑移不断更新轴箱轴承未来温度的走势,如果轴箱轴承温度正常,那么未来预测的温度也是正常走势,如果轴箱轴承温度异常,那么预测出来的未来温度数据也是异常的,如未来预测温度超过轴箱轴承报警阈值,即可实现提前预警。
本试验的预测结果如图3所示,本试验采用30分钟的轴箱轴承温度、列车速度、环境温度预测未来10分钟的轴箱轴承温度;30分钟的模型输入数据的时间窗口按照1分钟的间隔不断向后滑移来作为模型输入,来不断更新未来10分钟的轴箱轴承温度。从图3可以看出,实际的轴箱轴承温度与预测的轴箱轴承温度相差不大,计算实际的轴承温度与预测轴承温度的RMSE是0.796℃,因此本方法的实际预测效果较好;如果报警阈值是110℃,那么模型在到达110℃阈值前十分钟就可以提前报警。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种基于多层LSTM的动车组轴箱轴承温度预测方法,其特征在于,包括以下步骤:
S1.采集轴箱轴承温度、环境温度、列车速度的信息数据,然后将采集到的信息数据分别进行分组;
S2.将分组好的数据分别进行去重,且一分钟对应一个数据;
S3.采用4分位数法分别对每组数据进行去异常值;
S4.分别对每组数据进行归一化处理;
S5.将归一化后的各组数据作为输入数据输入LSTM模型中,得到轴承温度的LSTM输出预测值z;
S6.将轴承温度进行反归一化处理,得到预测轴承温度值Z,Z=z*150。
2.根据权利要求1所述的一种基于多层LSTM的动车组轴箱轴承温度预测方法,其特征在于,在步骤S4和S5中,归一化后,x′=x/某种类型的定值,所述某种类型包括轴承温度、列车速度、环境温度;
其中,轴承温度的定值是150,列车速度的定值是380,环境温度的定值是50,x是某种类型数据某一时刻的实际值,x′是某种类型数据归一化后的值。
3.根据权利要求1所述的一种基于多层LSTM的动车组轴箱轴承温度预测方法,其特征在于,所述4分位数法是把数据按照从小到大排序,其中75%为上四分位,用FU表示;25%为下四分位,用FL表示;
四分位间距:dF=FU-FL;
上截断点为:FU+1.5dF;
下截断点为:FL-1.5dF;
所述异常值是指小于上截断点,或者大于下截断点的数据。
4.根据权利要求1所述的一种基于多层LSTM的动车组轴箱轴承温度预测方法,其特征在于,在步骤S5中,所述LSTM模型包括:遗忘门、输入门、输出门和记忆单元,门结构是一个sigmoid激活函数和一个乘法操作,sigmoid函数的输出是0到1,其中0代表完全不接受数据,1代表完全接受数据;记忆单元中存储了历史信息。
5.根据权利要求4所述的一种基于多层LSTM的动车组轴箱轴承温度预测方法,其特征在于,前一时刻的输出与这一时刻的输入,合并得到所述遗忘门的激活函数输入,遗忘门直接与记忆单元相乘,遗忘门的功能是决定记忆单元中哪些信息需要保留以及哪些信息需要遗忘,所述遗忘门的计算公式为:
ft=σ(Wf*[ht-1,xt]+bf)
其中,*是乘法符号,[a,b]是将b矩阵按列拼接在a矩阵之后,W是遗忘门的权值矩阵,b是遗忘门的偏差,W和b的参数值通过训练确定,ht-1表示t-1时刻的输出,xt是t时刻模型的输出,σ是sigmoid激活函数。
6.根据权利要求5所述的一种基于多层LSTM的动车组轴箱轴承温度预测方法,其特征在于,所述输入门是确定往记忆单元中增加的内容;输入门由两部分组成,一部分依旧使用sigmoid激活函数,另一部分使用tanh激活函数,其输出是-1到1,输入门的作用是调节网络;sigmoid激活函数的输出与tanh激活函数的输出相乘,其功能是通过sigmoid函数的输出来决定保留tanh函数输出中的哪些重要信息;输入门的计算公式如下:
it=σ(Wi*[ht-1,xt]+bi)
c`t=tanh(Wc*[ht-1,xt]+bc)
ct=ft*ct-1+it*c`t
其中,ct-1是上一时刻的记忆单元内容,c`t是中间状态的记忆单元内容,ct是此时刻的记忆单元中内容。
7.根据权利要求6所述的一种基于多层LSTM的动车组轴箱轴承温度预测方法,其特征在于,所述输出门是确定此刻模型的输出内容,此刻的输出是由此刻的输入、上一时刻输出以及记忆单元中的内容决定,所述输出门的计算公式如下:
ot=σ(Wo[ht-1,xt]+bo)
ht=ot*tanh(ct)。
8.根据权利要求1所述的一种基于多层LSTM的动车组轴箱轴承温度预测方法,其特征在于,在步骤S1中,按照30min的时间间隔对采集到的信息数据分别进行分组。
9.根据权利要求1或8所述的一种基于多层LSTM的动车组轴箱轴承温度预测方法,其特征在于,在步骤S2中,去重过程中,一分钟有多个相同的值则去重,一分钟有多个不同值则取不同值的均值,去重处理后,若30min内数据有缺失,则采用均值插值的方式进行插值,所述均值插值具体为采取该缺失数据前后一分钟对应数据的均值来进行插值。
10.根据权利要求1所述的一种基于多层LSTM的动车组轴箱轴承温度预测方法,其特征在于,在步骤S3中,在去异常值的过程中,采用均值插值的方式对异常点进行插值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910540256.4A CN110210174A (zh) | 2019-06-21 | 2019-06-21 | 一种基于多层lstm的动车组轴箱轴承温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910540256.4A CN110210174A (zh) | 2019-06-21 | 2019-06-21 | 一种基于多层lstm的动车组轴箱轴承温度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110210174A true CN110210174A (zh) | 2019-09-06 |
Family
ID=67793880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910540256.4A Pending CN110210174A (zh) | 2019-06-21 | 2019-06-21 | 一种基于多层lstm的动车组轴箱轴承温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210174A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658818A (zh) * | 2019-09-29 | 2020-01-07 | 浙江大学 | 面向新型供电列车的多目标优化智能运行控制预测方法 |
CN110705700A (zh) * | 2019-10-21 | 2020-01-17 | 重庆科技学院 | 一种土壤温度传感器的漂移预测方法 |
CN111351664A (zh) * | 2020-02-13 | 2020-06-30 | 成都运达科技股份有限公司 | 一种基于lstm模型的轴承温度预测和报警诊断方法 |
CN111829693A (zh) * | 2020-07-30 | 2020-10-27 | 成都运达科技股份有限公司 | 基于时间与空间维度的lstm模型的轴承温度检测方法及系统 |
CN112132267A (zh) * | 2020-09-24 | 2020-12-25 | 杭州市余杭区工大智能制造技术与装备研究院 | 一种基于lstm神经网络的体温快速预测方法 |
CN112287602A (zh) * | 2020-10-28 | 2021-01-29 | 北京国信会视科技有限公司 | 一种基于机器学习和孤立森林的动车轴温故障预警方法 |
CN112572522A (zh) * | 2020-11-10 | 2021-03-30 | 中车青岛四方机车车辆股份有限公司 | 车辆轴承的轴温故障的预警方法及装置 |
CN112765257A (zh) * | 2020-12-31 | 2021-05-07 | 浙江大学 | 一种基于时序序列预测温度的环境采集系统设计的方法 |
CN113419419A (zh) * | 2021-06-24 | 2021-09-21 | 上海电机学院 | 一种新能源汽车的热管理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045983A (zh) * | 2015-07-06 | 2015-11-11 | 西安理工大学 | 一种基于轴温数据的高速列车车轴老化分析方法 |
CN106202635A (zh) * | 2016-06-28 | 2016-12-07 | 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 |
CN106372450A (zh) * | 2016-11-09 | 2017-02-01 | 西安理工大学 | 基于逐步回归分析的高速列车车轴温度预测方法 |
CN108932581A (zh) * | 2018-06-06 | 2018-12-04 | 深圳大学 | 多物理域信息融合的自主感知方法及系统 |
CN109141878A (zh) * | 2017-06-26 | 2019-01-04 | 通用汽车环球科技运作有限责任公司 | 用于预测车辆中的车轮轴承的故障的系统及方法 |
-
2019
- 2019-06-21 CN CN201910540256.4A patent/CN110210174A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045983A (zh) * | 2015-07-06 | 2015-11-11 | 西安理工大学 | 一种基于轴温数据的高速列车车轴老化分析方法 |
CN106202635A (zh) * | 2016-06-28 | 2016-12-07 | 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 |
CN106372450A (zh) * | 2016-11-09 | 2017-02-01 | 西安理工大学 | 基于逐步回归分析的高速列车车轴温度预测方法 |
CN109141878A (zh) * | 2017-06-26 | 2019-01-04 | 通用汽车环球科技运作有限责任公司 | 用于预测车辆中的车轮轴承的故障的系统及方法 |
CN108932581A (zh) * | 2018-06-06 | 2018-12-04 | 深圳大学 | 多物理域信息融合的自主感知方法及系统 |
Non-Patent Citations (3)
Title |
---|
张洋 等: "基于LSTM神经网络的短期高压负荷电流预测方法", 《计算机科学》 * |
王竹欣: "基于数据的高速列车轴温动态阈值估计及故障诊断", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
赵春阳 等: "基于动车车组轴温预报预警模型研究", 《中国设备工程》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658818A (zh) * | 2019-09-29 | 2020-01-07 | 浙江大学 | 面向新型供电列车的多目标优化智能运行控制预测方法 |
CN110658818B (zh) * | 2019-09-29 | 2020-08-21 | 浙江大学 | 面向新型供电列车的多目标优化智能运行控制预测方法 |
CN110705700A (zh) * | 2019-10-21 | 2020-01-17 | 重庆科技学院 | 一种土壤温度传感器的漂移预测方法 |
CN111351664A (zh) * | 2020-02-13 | 2020-06-30 | 成都运达科技股份有限公司 | 一种基于lstm模型的轴承温度预测和报警诊断方法 |
CN111829693A (zh) * | 2020-07-30 | 2020-10-27 | 成都运达科技股份有限公司 | 基于时间与空间维度的lstm模型的轴承温度检测方法及系统 |
CN112132267A (zh) * | 2020-09-24 | 2020-12-25 | 杭州市余杭区工大智能制造技术与装备研究院 | 一种基于lstm神经网络的体温快速预测方法 |
CN112287602A (zh) * | 2020-10-28 | 2021-01-29 | 北京国信会视科技有限公司 | 一种基于机器学习和孤立森林的动车轴温故障预警方法 |
CN112572522A (zh) * | 2020-11-10 | 2021-03-30 | 中车青岛四方机车车辆股份有限公司 | 车辆轴承的轴温故障的预警方法及装置 |
CN112765257A (zh) * | 2020-12-31 | 2021-05-07 | 浙江大学 | 一种基于时序序列预测温度的环境采集系统设计的方法 |
CN112765257B (zh) * | 2020-12-31 | 2022-07-12 | 浙江大学 | 一种基于时序序列预测温度的环境采集系统设计的方法 |
CN113419419A (zh) * | 2021-06-24 | 2021-09-21 | 上海电机学院 | 一种新能源汽车的热管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210174A (zh) | 一种基于多层lstm的动车组轴箱轴承温度预测方法 | |
CN107958269B (zh) | 一种基于隐马尔可夫模型的行车危险度预测方法 | |
CN102177049A (zh) | 用于车辆故障诊断的基准值的生成 | |
Wolf et al. | Pre-ignition detection using deep neural networks: A step towards data-driven automotive diagnostics | |
CN101593424A (zh) | 一种短时交通流智能组合预测方法 | |
James et al. | Longitudinal vehicle dynamics: A comparison of physical and data-driven models under large-scale real-world driving conditions | |
CN102063641A (zh) | 高速铁路沿线风速预测方法 | |
CN113762473B (zh) | 一种基于多时空图的复杂场景行车风险预测方法 | |
CN111159642B (zh) | 一种基于粒子滤波的在线轨迹预测方法 | |
CN109947898B (zh) | 基于智能化的装备故障测试方法 | |
Balan et al. | An improved deep learning-based technique for driver detection and driver assistance in electric vehicles with better performance | |
DE102016007563A1 (de) | Verfahren zur Trajektorienplanung | |
CN112198799B (zh) | 一种基于深度学习的高速列车停车控制方法及系统 | |
CN113205698A (zh) | 一种基于igwo-lstm的短时交通流预测的导航提醒方法 | |
Koch et al. | Machine learning for predicting the damaged parts of a low speed vehicle crash | |
CN112985830A (zh) | 一种abs结果自动判定算法 | |
Virojboonkiate et al. | Driver identification using histogram and neural network from acceleration data | |
CN113658423A (zh) | 基于循环门控单元的车辆轨迹异常检测方法 | |
Zhou et al. | An intelligent iot sensing system for rail vehicle running states based on tinyml | |
Liu et al. | Braking sensor and actuator fault diagnosis with combined model-based and data-driven pressure estimation methods | |
Wang et al. | Changing lane probability estimating model based on neural network | |
Xu et al. | An ultra-short-term wind speed prediction model using LSTM and CNN | |
Hwang et al. | Comparative study on the prediction of city bus speed between LSTM and GRU | |
Cheng et al. | Nonlinear observer of sideslip angle using a particle filter estimation methodology | |
Guo et al. | Forwarding collision assessment with the localization information using the machine learning method |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190906 |