CN111027727B - 一种轨道系统跨域运维关键要素辨识方法 - Google Patents
一种轨道系统跨域运维关键要素辨识方法 Download PDFInfo
- Publication number
- CN111027727B CN111027727B CN201911379311.2A CN201911379311A CN111027727B CN 111027727 B CN111027727 B CN 111027727B CN 201911379311 A CN201911379311 A CN 201911379311A CN 111027727 B CN111027727 B CN 111027727B
- Authority
- CN
- China
- Prior art keywords
- domain
- maintenance
- ele
- cross
- elements
- 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
Links
Images
Classifications
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种轨道系统跨域运维关键要素辨识方法,包括对轨道系统进行全生命周期构成要素的分解;对各个要素在安全域、性能域和环境域进行量化计算;建立数据集;建立安全域分析模型、性能域分析模型和环境域分析模型并获得跨域运维强相关要素;根据跨域运维强相关要素建立全生命周期运维分析模型并得到强相关要素运维关键度;根据强相关要素运维关键度建立运维关键要素辨识模型并得到最终的跨域运维关键要素。本发明能够进行轨道系统的跨域运维关键要素分析确认,而且可靠性高,实用性好。
Description
技术领域
本发明属于轨道交通领域,具体涉及一种轨道系统跨域运维关键要素辨识方法。
背景技术
随着经济技术的发展,轨道系统已经广泛应用于人们的生产和生活,给人们的生产和生活带来了无尽的便利。同时,轨道系统运可以有效改善高峰时间段城市拥堵的状况,但是轨道系统运维阶段时间长,安全性要求高且影响要素复杂,极大地制约了轨道系统的发展。
提升轨道系统的运维技术水平,就必须对轨道系统进行大量的、全方位的深入研究。但是,轨道系统的影响要素极多,而且各个要素对象之间存在着复杂的交互影响关系。各个影响要素之间的交互,使得轨道系统的研究变得极为复杂,而且目前也尚未有较好的处理方法。
发明内容
本发明的目的在于提供一种可靠性高、实用性好且能够进行跨域运维关键要素分析确认的一种轨道系统跨域运维关键要素辨识方法。
本发明提供的这种轨道系统跨域运维关键要素辨识方法,包括如下步骤:
S1.对轨道系统进行全生命周期构成要素的分解;
S2.对步骤S1得到的各个要素在安全域、性能域和环境域进行量化计算;
S3.建立数据集;
S4.建立安全域分析模型、性能域分析模型和环境域分析模型,从而获得跨域运维强相关要素;
S5.根据步骤S4得到的跨域运维强相关要素,建立全生命周期运维分析模型,从而得到强相关要素运维关键度;
S6.根据步骤S5得到的强相关要素运维关键度,建立运维关键要素辨识模型,从而得到最终的跨域运维关键要素。
步骤S1所述的对轨道系统进行全生命周期构成要素的分解,具体为采用如下步骤进行分解:
A.根据轨道系统的构成,将轨道系统分解为如下宏观要素:轨道交通车辆、轨道交通车站、轨道交通线路与轨道、轨道交通供电系统、轨道交通通信系统、轨道交通信号系统和轨道交通剩余部分,并用elei表示,i=1,2,...,7并依次对应轨道交通车辆、轨道交通车站、轨道交通线路与轨道、轨道交通供电系统、轨道交通通信系统、轨道交通信号系统和轨道交通剩余部分;
C.将步骤B得到的每一个基本要素,按照轨道系统的发展进程,形成四个阶段要素:设计阶段、建设阶段、建造阶段和运营维护阶段,并用elei,j,k表示,其中i=1,2,...,7,k=1,2,3,4并依次对应设计阶段、建设阶段、建造阶段和运营维护阶段。
步骤S2所述的对步骤S1得到的各个要素在安全域、性能域和环境域进行量化计算,具体为采用采用如下步骤进行计算:
其中 为基本要素elei,j的安全域的平均关联得分且 为基本要素elei,j的性能域的平均关联得分且 为基本要素elei,j的环境域的平均关联得分且 为第p个轨道系统工作人员对基本要素elei,j安全域的关联程度评分;为第p个轨道系统工作人员对基本要素elei,j性能域的关联程度评分;为第p个轨道系统工作人员对基本要素elei,j环境域的关联程度评分;num3为参与评分的轨道系统工作人员的总数;
其中 为阶段要素elei,j,k的安全域的平均关联得分且 为阶段要素elei,j,k的性能域的平均关联得分且 为阶段要素elei,j,k的环境域的平均关联得分且 为第p个轨道系统工作人员对阶段要素elei,j,k安全域的关联程度评分;为第p个轨道系统工作人员对阶段要素elei,j,k性能域的关联程度评分;为第p个轨道系统工作人员对阶段要素elei,j,k环境域的关联程度评分;
c.采用如下算式量化计算安全域Ca、性能域Cx和环境域Ch:
所述的轨道系统工作人员具体包括设计人员、决策人员、建设人员和运营人员;所述的关联程度包括强、较强、中等、较弱和弱,并依次对应于关联程度评分5、4、3、2和1。
步骤S3所述的建立数据集,具体为采用如下步骤建立数据集:
(2)将计算得到的elei,j,k、elei,j、Ca、Cx和Ch作为一个数据样本;并依次选择若干条不同的轨道系统线路,构成若干个样本,从而得到数据集。
步骤S4所述的建立安全域分析模型、性能域分析模型和环境域分析模型,从而获得跨域运维强相关要素,具体为采用步骤建立模型并获得跨域运维强相关要素:
1)将每条轨道系统线路的所有基本要素elei,j作为BP神经网络的输入,将安全域Ca作为BP神经网络的输出,对BP神经网络进行训练,从而得到基于BP神经网络的安全域分析模型;
2)将每条轨道系统线路的所有基本要素elei,j作为BP神经网络的输入,将性能域Cx作为BP神经网络的输出,对BP神经网络进行训练,从而得到基于BP神经网络的性能域分析模型;
3)将每条轨道系统线路的所有基本要素elei,j作为BP神经网络的输入,将环境域Ch作为BP神经网络的输出,对BP神经网络进行训练,从而得到基于BP神经网络的环境域分析模型;
将第m条轨道系统线路的每个基本要素elei,j按照设定的第一调节参数ε1进行降低,同时保持剩余基本要素不变,输入到步骤1)得到的基于BP神经网络的安全域分析模型并得到模型输出C'a,m,并得到每个基本要素elei,j的第m个安全域相关子系数Ca,m为第m条轨道系统线路的安全域量化值;
将第m条轨道系统线路的每个基本要素elei,j按照设定的第二调节参数ε2进行降低,同时保持剩余基本要素不变,输入到步骤2)得到的基于BP神经网络的性能域分析模型并得到模型输出C'x,m,并得到每个基本要素elei,j的第m个性能域相关子系数Cx,m为第m条轨道系统线路的性能域量化值;
将第m条轨道系统线路的每个基本要素elei,j按照设定的第三调节参数ε3进行降低,同时保持剩余基本要素不变,输入到步骤3)得到的基于BP神经网络的环境域分析模型并得到模型输出C'h,m,并得到每个基本要素elei,j的第m个环境域相关子系数Ch,m为第m条轨道系统线路的环境域量化值;
7)选择安全域相关系数最高的若干个安全域相关系数所对应的基本要素、性能域相关系数最高的若干个性能域相关系数所对应的基本要素和环境域相关系数最高的若干个环境域相关系数所对应的基本要素,作为跨域运维强相关要素并记为str-elen;其中n=1,2,...,num4,num4为跨域运维强相关要素的总数量,str-elen的量化值为对应的基本要素elei,j的量化值。
步骤S5所述的根据步骤S4得到的跨域运维强相关要素,建立全生命周期运维分析模型,从而得到强相关要素运维关键度,具体为采用如下步骤建立模型并得到强相关要素运维关键度:
(一)将数据集中各轨道系统线路的跨域运维强相关要素str-elen作为极限学习机的输入,将对应线路的安全域Ca、性能域Cx和环境域Ch之和作为极限学习机的输出,对极限学习机进行训练,从而得到基于极限学习机的全生命周期运维分析模型;
(二)针对数据集中的每一条轨道系统线路,采用如下方式计算得到每个跨域运维强相关要素str-elen的子关键度Keyn,m,从而计算得到每个跨域运维强相关要素str-elen的运维关键度其中n=1,2,...,num4,m=1,2,...,num2:
将第m条轨道系统线路的各跨域运维强相关要素str-elen按照设定的第四调节参数ε4进行降低,同时保持剩余的跨域运维强相关要素保持不变,输入到步骤(一)得到的基于极限学习机的全生命周期运维分析模型并得到模型输出为L',从而计算每个跨域运维强相关要素str-elen的第m个子关键度
步骤S6所述的根据步骤S5得到的强相关要素运维关键度,建立运维关键要素辨识模型,从而得到最终的跨域运维关键要素,具体为采用如下步骤建立模型并得到最终的跨域运维关键要素:
一)将跨域运维强相关要素str-elen的安全域相关系数、性能域相关系数、环境域相关系数作为Elman神经网络的输入,将跨域运维强相关要素str-elen的运维关键度作为Elman神经网络的输出,对Elman神经网络进行训练,从而得到基于Elman神经网络的运维关键要素辨识模型;
二)依次将每个非跨域运维强相关要素的基本要素的安全域相关系数、性能域相关系数、环境域相关系数作为步骤一)得到的基于Elman神经网络的运维关键要素辨识模型的输入,输出对应的基本要素elei,j的运维关键度Keyi,j;
三)选择运维关键度超过关键要素设定值的基本要素作为最终的跨域运维关键要素。
所述的关键要素设定值设定为所有基本要素运维关键度的平均值的P%;P为正实数。
本发明提供的这种轨道系统跨域运维关键要素辨识方法,将轨道系统进行3层分解,建立宏观要素层、基本要素层和阶段要素层,通过人工神经网络模拟基本要素同安全域、性能域和环境域的关联关系,分析得到跨域运维强相关要素,利用智能模型,根据强相关要素建立安全域、性能域和环境域相关系数同运维关键度之间的映射模型,计算所有基本要素的运维关键度,最终确定跨域运维关键要素;本发明方法耦合安全域、性能域和环境域的影响,辨识跨域运维强相关要素,利用智能模型,建立跨域运维强相关要素同整个轨道系统之间的关联模型,分析跨域运维强相关要素波动带来的影响,获得跨域运维强相关要素的运维关键度;本发明方法利用跨域运维强相关要素,基于人工神经网络模型,建立安全域相关系数、性能域相关系数、环境域相关系数同运维关键度之间的关联映射模型,模型根据跨域运维强相关要素建立,映射结构合理,鲁棒性强;根据上述模型,依次获得所有基本要素的运维关键度,根据运维关键度排序,获得运维关键要素;本发明方法能够获得轨道系统全生命周期跨域运维关键要素,为实现轨道系统全生命周期视角下的控制和优化提供了理论基础和研究方向,而且本发明方法的可靠性高且实用性好。
附图说明
图1为本发明方法的方法流程示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图:本发明提供的这种轨道系统跨域运维关键要素辨识方法,包括如下步骤:
S1.对轨道系统进行全生命周期构成要素的分解;具体为采用如下步骤进行分解:
A.根据轨道系统的构成,将轨道系统分解为如下宏观要素:轨道交通车辆、轨道交通车站、轨道交通线路与轨道、轨道交通供电系统、轨道交通通信系统、轨道交通信号系统和轨道交通剩余部分,并用elei表示,i=1,2,...,7并依次对应轨道交通车辆、轨道交通车站、轨道交通线路与轨道、轨道交通供电系统、轨道交通通信系统、轨道交通信号系统和轨道交通剩余部分;
C.将步骤B得到的每一个基本要素,按照轨道系统的发展进程,形成四个阶段要素:设计阶段、建设阶段、建造阶段和运营维护阶段,并用elei,j,k表示,其中i=1,2,...,7,k=1,2,3,4并依次对应设计阶段、建设阶段、建造阶段和运营维护阶段;
S2.对步骤S1得到的各个要素在安全域、性能域和环境域进行量化计算;具体为采用采用如下步骤进行计算:
其中 为基本要素elei,j的安全域的平均关联得分且 为基本要素elei,j的性能域的平均关联得分且 为基本要素elei,j的环境域的平均关联得分且 为第p个轨道系统工作人员对基本要素elei,j安全域的关联程度评分;为第p个轨道系统工作人员对基本要素elei,j性能域的关联程度评分;为第p个轨道系统工作人员对基本要素elei,j环境域的关联程度评分;num3为参与评分的轨道系统工作人员的总数(比如设定为100人);
其中 为阶段要素elei,j,k的安全域的平均关联得分且 为阶段要素elei,j,k的性能域的平均关联得分且 为阶段要素elei,j,k的环境域的平均关联得分且 为第p个轨道系统工作人员对阶段要素elei,j,k安全域的关联程度评分;为第p个轨道系统工作人员对阶段要素elei,j,k性能域的关联程度评分;为第p个轨道系统工作人员对阶段要素elei,j,k环境域的关联程度评分;
c.采用如下算式量化计算安全域Ca、性能域Cx和环境域Ch:
所述的轨道系统工作人员具体包括设计人员、决策人员、建设人员和运营人员;所述的关联程度包括强、较强、中等、较弱和弱,并依次对应于关联程度评分5、4、3、2和1;
S3.建立数据集;具体为采用如下步骤建立数据集:
(2)将计算得到的elei,j,k、elei,j、Ca、Cx和Ch作为一个数据样本;并依次选择若干条不同的轨道系统线路,构成若干个样本,从而得到数据集;
S4.建立安全域分析模型、性能域分析模型和环境域分析模型,从而获得跨域运维强相关要素;具体为采用步骤建立模型并获得跨域运维强相关要素:
1)将每条轨道系统线路的所有基本要素elei,j作为BP神经网络的输入,将安全域Ca作为BP神经网络的输出,对BP神经网络进行训练,从而得到基于BP神经网络的安全域分析模型;
2)将每条轨道系统线路的所有基本要素elei,j作为BP神经网络的输入,将性能域Cx作为BP神经网络的输出,对BP神经网络进行训练,从而得到基于BP神经网络的性能域分析模型;
3)将每条轨道系统线路的所有基本要素elei,j作为BP神经网络的输入,将环境域Ch作为BP神经网络的输出,对BP神经网络进行训练,从而得到基于BP神经网络的环境域分析模型;
4)针对数据集中的每一条轨道系统线路,采用如下步骤计算得到每个基本要素elei,j的第m个安全域相关子系数并依次计算每个基本要素elei,j的安全域相关系数num2为轨道系统线路的总条数(比如200条):
将第m条轨道系统线路的每个基本要素elei,j按照设定的第一调节参数ε1进行降低(比如ε1=10%,则降低10%),同时保持剩余基本要素不变,输入到步骤1)得到的基于BP神经网络的安全域分析模型并得到模型输出C'a,m,并得到每个基本要素elei,j的第m个安全域相关子系数Ca,m为第m条轨道系统线路的安全域量化值;
将第m条轨道系统线路的每个基本要素elei,j按照设定的第二调节参数ε2进行降低(比如ε2=10%,则降低10%),同时保持剩余基本要素不变,输入到步骤2)得到的基于BP神经网络的性能域分析模型并得到模型输出C'x,m,并得到每个基本要素elei,j的第m个性能域相关子系数Cx,m为第m条轨道系统线路的性能域量化值;
将第m条轨道系统线路的每个基本要素elei,j按照设定的第三调节参数ε3进行降低(比如ε3=10%,则降低10%),同时保持剩余基本要素不变,输入到步骤3)得到的基于BP神经网络的环境域分析模型并得到模型输出C'h,m,并得到每个基本要素elei,j的第m个环境域相关子系数Ch,m为第m条轨道系统线路的环境域量化值;
7)选择安全域相关系数最高的若干个(比如40个)安全域相关系数所对应的基本要素、性能域相关系数最高的若干个性能域相关系数所对应的基本要素和环境域相关系数最高的若干个环境域相关系数所对应的基本要素,作为跨域运维强相关要素并记为str-elen;其中n=1,2,...,num4,num4为跨域运维强相关要素的总数量,str-elen的量化值为对应的基本要素elei,j的量化值;
同时,可能存在基本要素在安全域相关系数、性能域相关系数和环境域相关系数最高的各若干个基本要素中重复出现的情况;
S5.根据步骤S4得到的跨域运维强相关要素,建立全生命周期运维分析模型,从而得到强相关要素运维关键度;具体为采用如下步骤建立模型并得到强相关要素运维关键度:
(一)将数据集中各轨道系统线路的跨域运维强相关要素str-elen作为极限学习机的输入,将对应线路的安全域Ca、性能域Cx和环境域Ch之和作为极限学习机的输出,对极限学习机进行训练,从而得到基于极限学习机的全生命周期运维分析模型;
(二)针对数据集中的每一条轨道系统线路,采用如下方式计算得到每个跨域运维强相关要素str-elen的子关键度Keyn,m,从而计算得到每个跨域运维强相关要素str-elen的运维关键度其中n=1,2,...,num4,m=1,2,...,num2:
将第m条轨道系统线路的各跨域运维强相关要素str-elen按照设定的第四调节参数ε4进行降低(比如ε4=10%,则降低10%),同时保持剩余的跨域运维强相关要素保持不变,输入到步骤(一)得到的基于极限学习机的全生命周期运维分析模型并得到模型输出为L',从而计算每个跨域运维强相关要素str-elen的第m个子关键度
S6.根据步骤S5得到的强相关要素运维关键度,建立运维关键要素辨识模型,从而得到最终的跨域运维关键要素;具体为采用如下步骤建立模型并得到最终的跨域运维关键要素:
一)将跨域运维强相关要素str-elen的安全域相关系数、性能域相关系数、环境域相关系数作为Elman神经网络的输入,将跨域运维强相关要素str-elen的运维关键度作为Elman神经网络的输出,对Elman神经网络进行训练,从而得到基于Elman神经网络的运维关键要素辨识模型;
二)依次将每个非跨域运维强相关要素的基本要素的安全域相关系数、性能域相关系数、环境域相关系数作为步骤一)得到的基于Elman神经网络的运维关键要素辨识模型的输入,输出对应的基本要素elei,j的运维关键度Keyi,j;
三)选择运维关键度超过关键要素设定值(比如所有基本要素运维关键度的平均值的P%;P为正实数,比如70)的基本要素作为最终的跨域运维关键要素。
本发明最终得到跨域运维关键要素,可以通过跨域运维关键要素的维修状态,结合先验知识,对易损元件进行故障预测,实现轨道系统运维安全预警。在保证故障预测模型预测精度的同时,极大程度上减少了预测模型的冗杂性,提高了轨道系统的运维安全性。
实施例:将一条既有轨道线路,比如广州地铁2号线进行全生命周期构成分解,首先分解为轨道交通车辆、轨道交通供电系统、轨道交通信号系统等7个宏观要素。对7个宏观要素分别进行进一步的分解,获得基本要素,比如轨道交通车辆的基本要素包括但不限于车钩、底架、车轮等。对各基本要素进一步分解为阶段要素。收集并获得各阶段要素的月平均维修次数作为阶段要素的量化值,并通过S2的方法对广州地铁2号线的安全域、性能域和环境域进行量化。通过S6建立的运维关键要素辨识模型并设定运维关键要素设定值,得到广州地铁2号线跨域运维关键要素。
Claims (3)
1.一种轨道系统跨域运维关键要素辨识方法,包括如下步骤:
S1.对轨道系统进行全生命周期构成要素的分解;具体为采用如下步骤进行分解:
A.根据轨道系统的构成,将轨道系统分解为如下宏观要素:轨道交通车辆、轨道交通车站、轨道交通线路与轨道、轨道交通供电系统、轨道交通通信系统、轨道交通信号系统和轨道交通剩余部分,并用elei表示,i=1,2,...,7并依次对应轨道交通车辆、轨道交通车站、轨道交通线路与轨道、轨道交通供电系统、轨道交通通信系统、轨道交通信号系统和轨道交通剩余部分;
C.将步骤B得到的每一个基本要素,按照轨道系统的发展进程,形成四个阶段要素:设计阶段、建设阶段、建造阶段和运营维护阶段,并用elei,j,k表示,其中i=1,2,...,7,k=1,2,3,4并依次对应设计阶段、建设阶段、建造阶段和运营维护阶段;
S2.对步骤S1得到的各个要素在安全域、性能域和环境域进行量化计算;具体为采用如下步骤进行计算:
其中 为基本要素elei,j的安全域的平均关联得分且 为基本要素elei,j的性能域的平均关联得分且 为基本要素elei,j的环境域的平均关联得分且 为第p个轨道系统工作人员对基本要素elei,j安全域的关联程度评分;为第p个轨道系统工作人员对基本要素elei,j性能域的关联程度评分;为第p个轨道系统工作人员对基本要素elei,j环境域的关联程度评分;num3为参与评分的轨道系统工作人员的总数;
其中 为阶段要素elei,j,k的安全域的平均关联得分且 为阶段要素elei,j,k的性能域的平均关联得分且 为阶段要素elei,j,k的环境域的平均关联得分且 为第p个轨道系统工作人员对阶段要素elei,j,k安全域的关联程度评分;为第p个轨道系统工作人员对阶段要素elei,j,k性能域的关联程度评分;为第p个轨道系统工作人员对阶段要素elei,j,k环境域的关联程度评分;
c.采用如下算式量化计算安全域Ca、性能域Cx和环境域Ch:
S3.建立数据集;具体为采用如下步骤建立数据集:
(2)将计算得到的elei,j,k、elei,j、Ca、Cx和Ch作为一个数据样本;并依次选择若干条不同的轨道系统线路,构成若干个样本,从而得到数据集;
S4.建立安全域分析模型、性能域分析模型和环境域分析模型,从而获得跨域运维强相关要素;具体为采用如下步骤建立模型并获得跨域运维强相关要素:
1)将每条轨道系统线路的所有基本要素elei,j作为BP神经网络的输入,将安全域Ca作为BP神经网络的输出,对BP神经网络进行训练,从而得到基于BP神经网络的安全域分析模型;
2)将每条轨道系统线路的所有基本要素elei,j作为BP神经网络的输入,将性能域Cx作为BP神经网络的输出,对BP神经网络进行训练,从而得到基于BP神经网络的性能域分析模型;
3)将每条轨道系统线路的所有基本要素elei,j作为BP神经网络的输入,将环境域Ch作为BP神经网络的输出,对BP神经网络进行训练,从而得到基于BP神经网络的环境域分析模型;
将第m条轨道系统线路的每个基本要素elei,j按照设定的第一调节参数ε1进行降低,同时保持剩余基本要素不变,输入到步骤1)得到的基于BP神经网络的安全域分析模型并得到模型输出C'a,m,并得到每个基本要素elei,j的第m个安全域相关子系数Ca,m为第m条轨道系统线路的安全域量化值;
将第m条轨道系统线路的每个基本要素elei,j按照设定的第二调节参数ε2进行降低,同时保持剩余基本要素不变,输入到步骤2)得到的基于BP神经网络的性能域分析模型并得到模型输出C'x,m,并得到每个基本要素elei,j的第m个性能域相关子系数Cx,m为第m条轨道系统线路的性能域量化值;
将第m条轨道系统线路的每个基本要素elei,j按照设定的第三调节参数ε3进行降低,同时保持剩余基本要素不变,输入到步骤3)得到的基于BP神经网络的环境域分析模型并得到模型输出C'h,m,并得到每个基本要素elei,j的第m个环境域相关子系数Ch,m为第m条轨道系统线路的环境域量化值;
7)选择安全域相关系数最高的若干个安全域相关系数所对应的基本要素、性能域相关系数最高的若干个性能域相关系数所对应的基本要素和环境域相关系数最高的若干个环境域相关系数所对应的基本要素,作为跨域运维强相关要素并记为str-elen;其中n=1,2,...,num4,num4为跨域运维强相关要素的总数量,str-elen的量化值为对应的基本要素elei,j的量化值;
S5.根据步骤S4得到的跨域运维强相关要素,建立全生命周期运维分析模型,从而得到强相关要素运维关键度;具体为采用如下步骤建立模型并得到强相关要素运维关键度:
(一)将数据集中各轨道系统线路的跨域运维强相关要素str-elen作为极限学习机的输入,将对应线路的安全域Ca、性能域Cx和环境域Ch之和作为极限学习机的输出,对极限学习机进行训练,从而得到基于极限学习机的全生命周期运维分析模型;
(二)针对数据集中的每一条轨道系统线路,采用如下方式计算得到每个跨域运维强相关要素str-elen的子关键度Keyn,m,从而计算得到每个跨域运维强相关要素str-elen的运维关键度其中n=1,2,...,num4,m=1,2,...,num2:
将第m条轨道系统线路的各跨域运维强相关要素str-elen按照设定的第四调节参数ε4进行降低,同时保持剩余的跨域运维强相关要素保持不变,输入到步骤(一)得到的基于极限学习机的全生命周期运维分析模型并得到模型输出为L',从而计算每个跨域运维强相关要素str-elen的第m个子关键度
S6.根据步骤S5得到的强相关要素运维关键度,建立运维关键要素辨识模型,从而得到最终的跨域运维关键要素;具体为采用如下步骤建立模型并得到最终的跨域运维关键要素:
一)将跨域运维强相关要素str-elen的安全域相关系数、性能域相关系数、环境域相关系数作为Elman神经网络的输入,将跨域运维强相关要素str-elen的运维关键度作为Elman神经网络的输出,对Elman神经网络进行训练,从而得到基于Elman神经网络的运维关键要素辨识模型;
二)依次将每个非跨域运维强相关要素的基本要素的安全域相关系数、性能域相关系数、环境域相关系数作为步骤一)得到的基于Elman神经网络的运维关键要素辨识模型的输入,输出对应的基本要素elei,j的运维关键度Keyi,j;
三)选择运维关键度超过关键要素设定值的基本要素作为最终的跨域运维关键要素。
2.根据权利要求1所述的轨道系统跨域运维关键要素辨识方法,其特征在于所述的轨道系统工作人员具体包括设计人员、决策人员、建设人员和运营人员;所述的关联程度包括强、较强、中等、较弱和弱,并依次对应于关联程度评分5、4、3、2和1。
3.根据权利要求1所述的轨道系统跨域运维关键要素辨识方法,其特征在于所述的关键要素设定值设定为所有基本要素运维关键度的平均值的P%;P为正实数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911379311.2A CN111027727B (zh) | 2019-12-27 | 2019-12-27 | 一种轨道系统跨域运维关键要素辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911379311.2A CN111027727B (zh) | 2019-12-27 | 2019-12-27 | 一种轨道系统跨域运维关键要素辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111027727A CN111027727A (zh) | 2020-04-17 |
CN111027727B true CN111027727B (zh) | 2023-06-09 |
Family
ID=70196582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911379311.2A Active CN111027727B (zh) | 2019-12-27 | 2019-12-27 | 一种轨道系统跨域运维关键要素辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027727B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103973451A (zh) * | 2014-05-05 | 2014-08-06 | 西南交通大学 | 一种用于分布式网络系统的跨信任域认证方法 |
CN106250613A (zh) * | 2016-07-28 | 2016-12-21 | 南京理工大学 | 一种车轮服役状态安全域估计及故障诊断方法 |
CN108664673A (zh) * | 2017-03-30 | 2018-10-16 | 中国铁道科学研究院 | 一种轮轨力载荷辨识特征数据模型建立方法及装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732286A (zh) * | 2013-12-19 | 2015-06-24 | 广州市地下铁道总公司 | 一种城市轨道交通车站安全态势感知方法 |
CN103914735B (zh) * | 2014-04-17 | 2017-03-29 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN104239694B (zh) * | 2014-08-28 | 2016-11-23 | 北京交通大学 | 一种城轨列车转向架的故障预测与视情维修方法 |
CN106779408A (zh) * | 2016-12-13 | 2017-05-31 | 深圳先进技术研究院 | 公交系统服务质量的评估方法和装置 |
CN110392895A (zh) * | 2017-03-03 | 2019-10-29 | 纽约气闸有限公司 | 轨道车辆预测维修系统 |
KR102403494B1 (ko) * | 2017-04-27 | 2022-05-27 | 에스케이텔레콤 주식회사 | 생성적 대립 네트워크에 기반한 도메인 간 관계를 학습하는 방법 |
US11443178B2 (en) * | 2017-12-15 | 2022-09-13 | Interntional Business Machines Corporation | Deep neural network hardening framework |
CN109447499B (zh) * | 2018-11-08 | 2022-03-22 | 中南大学 | 一种轨道交通系统成本关键要素多域交互影响分析方法 |
CN109657938B (zh) * | 2018-11-30 | 2023-06-23 | 中南大学 | 一种轨道交通系统成本影响要素辨识与分析方法 |
CN110210676A (zh) * | 2019-06-06 | 2019-09-06 | 国网湖南省电力有限公司 | 输电线路山火长期形势预测方法及系统 |
CN110490321A (zh) * | 2019-08-02 | 2019-11-22 | 浙江中铁科工程咨询有限公司 | 轨道交通工程安全监理预警方法及监控系统 |
-
2019
- 2019-12-27 CN CN201911379311.2A patent/CN111027727B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103973451A (zh) * | 2014-05-05 | 2014-08-06 | 西南交通大学 | 一种用于分布式网络系统的跨信任域认证方法 |
CN106250613A (zh) * | 2016-07-28 | 2016-12-21 | 南京理工大学 | 一种车轮服役状态安全域估计及故障诊断方法 |
CN108664673A (zh) * | 2017-03-30 | 2018-10-16 | 中国铁道科学研究院 | 一种轮轨力载荷辨识特征数据模型建立方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111027727A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
CN107992968B (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
CN104134097B (zh) | 一种基于gann-bim模型的严寒地区办公建筑形态节能设计方法 | |
CN102707256B (zh) | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 | |
CN114580706A (zh) | 基于gru-lstm神经网络的电力金融业务风控方法及系统 | |
CN106482938B (zh) | 基于ga-bp网络的液压制动系统多源融合故障预示方法 | |
CN109522876B (zh) | 基于bp神经网络的地铁站楼扶梯选择预测方法及系统 | |
CN105678332A (zh) | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 | |
CN106469560A (zh) | 一种基于无监督域适应的语音情感识别方法 | |
CN105373830A (zh) | 误差反向传播神经网络的预测方法、系统及服务器 | |
CN111144281A (zh) | 基于机器学习的城市轨道交通od客流估计方法 | |
CN110309609B (zh) | 一种基于粗糙集和wnn的建筑室内空气品质评价方法 | |
CN108334902A (zh) | 一种基于深度学习的轨道列车设备间烟雾防火监测方法 | |
CN112990531B (zh) | 一种基于特征增强ConvLSTM的雾霾预测方法 | |
CN117763687A (zh) | 一种基于bim模型的建筑损伤预测系统及方法 | |
CN116070083A (zh) | 一种基于卷积神经网络的钢丝绳故障智能识别算法 | |
CN111638396B (zh) | 一种基于Boost的土壤杂散电流电位监测方法 | |
CN111027727B (zh) | 一种轨道系统跨域运维关键要素辨识方法 | |
CN111126867B (zh) | 一种轨道系统多域关联的服役敏感度分析方法 | |
CN109447499B (zh) | 一种轨道交通系统成本关键要素多域交互影响分析方法 | |
CN109657938B (zh) | 一种轨道交通系统成本影响要素辨识与分析方法 | |
CN109447498A (zh) | 一种轨道交通系统成本关联多域影响要素大数据驱动分析方法 | |
CN113965467B (zh) | 一种基于神经网络的电力通信系统可靠性评估方法及系统 | |
CN116680525A (zh) | 一种基于mae的交通路网数据修复方法 | |
CN102394017B (zh) | 一种基于知识的焊接缺陷预测方法 |
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 |