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 PDF

Info

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
elements
track system
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
CN201911379311.2A
Other languages
English (en)
Other versions
CN111027727A (zh
Inventor
刘辉
陈浩林
李燕飞
李周欣
施惠鹏
于程名
尹诗
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN201911379311.2A priority Critical patent/CN111027727B/zh
Publication of CN111027727A publication Critical patent/CN111027727A/zh
Application granted granted Critical
Publication of CN111027727B publication Critical patent/CN111027727B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Train Traffic Observation, Control, And Security (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

一种轨道系统跨域运维关键要素辨识方法
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；
B.将步骤A得到的每一个宏观要素，按照所包含的组成部分的性质，再次分解为若干个基本要素，并用elei,j表示，其中i＝1,2,...,7，
Figure BDA0002341860970000021
为第i个宏观要素所包含的基本要素的数量；
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，
Figure BDA0002341860970000022
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：
a.采用如下算式计算基本要素的安全域关联度
Figure BDA0002341860970000023
性能域关联度
Figure BDA0002341860970000024
和环境域关联度
Figure BDA0002341860970000031
Figure BDA0002341860970000032
Figure BDA0002341860970000033
Figure BDA0002341860970000034
其中
Figure BDA0002341860970000035
Figure BDA0002341860970000036
为基本要素elei,j的安全域的平均关联得分且
Figure BDA0002341860970000037
Figure BDA0002341860970000038
为基本要素elei,j的性能域的平均关联得分且
Figure BDA0002341860970000039
Figure BDA00023418609700000310
为基本要素elei,j的环境域的平均关联得分且
Figure BDA00023418609700000311
Figure BDA00023418609700000312
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；
Figure BDA00023418609700000313
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；
Figure BDA00023418609700000314
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；
b.采用如下算式计算阶段要素的安全域关联度
Figure BDA00023418609700000315
性能域关联度
Figure BDA00023418609700000316
和环境域关联度
Figure BDA00023418609700000317
Figure BDA00023418609700000318
Figure BDA0002341860970000041
Figure BDA0002341860970000042
其中
Figure BDA0002341860970000043
Figure BDA0002341860970000044
为阶段要素elei,j,k的安全域的平均关联得分且
Figure BDA0002341860970000045
Figure BDA0002341860970000046
为阶段要素elei,j,k的性能域的平均关联得分且
Figure BDA0002341860970000047
Figure BDA0002341860970000048
为阶段要素elei,j,k的环境域的平均关联得分且
Figure BDA0002341860970000049
Figure BDA00023418609700000410
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；
Figure BDA00023418609700000411
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；
Figure BDA00023418609700000412
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：
Figure BDA00023418609700000413
Figure BDA00023418609700000414
Figure BDA00023418609700000415
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：
(1)将轨道系统各阶段要素elei,j,k在其对应的第k个阶段内的月平均维修次数作为elei,j,k的量化值，同时将
Figure BDA0002341860970000051
作为基本要素elei,j的量化值；
(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；
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
Figure BDA0002341860970000052
并依次计算每个基本要素elei,j的安全域相关系数
Figure BDA0002341860970000061
num2为轨道系统线路的总条数：
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
Figure BDA0002341860970000062
Ca,m为第m条轨道系统线路的安全域量化值；
5)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个性能域相关子系数
Figure BDA0002341860970000063
并依次计算每个基本要素elei,j的性能域相关系数
Figure BDA0002341860970000064
num2为轨道系统线路的总条数：
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
Figure BDA0002341860970000065
Cx,m为第m条轨道系统线路的性能域量化值；
6)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个环境域相关子系数
Figure BDA0002341860970000066
并依次计算每个基本要素elei,j的环境域相关系数
Figure BDA0002341860970000071
num2为轨道系统线路的总条数：
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
Figure BDA0002341860970000072
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
Figure BDA0002341860970000081
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
Figure BDA0002341860970000082
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；
B.将步骤A得到的每一个宏观要素，按照所包含的组成部分的性质，再次分解为若干个基本要素，并用elei,j表示，其中i＝1,2,...,7，
Figure BDA0002341860970000107
为第i个宏观要素所包含的基本要素的数量；
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，
Figure BDA0002341860970000101
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：
a.采用如下算式计算基本要素的安全域关联度
Figure BDA0002341860970000102
性能域关联度
Figure BDA0002341860970000103
和环境域关联度
Figure BDA0002341860970000104
Figure BDA0002341860970000105
Figure BDA0002341860970000106
Figure BDA0002341860970000111
其中
Figure BDA0002341860970000112
Figure BDA0002341860970000113
为基本要素elei,j的安全域的平均关联得分且
Figure BDA0002341860970000114
Figure BDA0002341860970000115
为基本要素elei,j的性能域的平均关联得分且
Figure BDA0002341860970000116
Figure BDA0002341860970000117
为基本要素elei,j的环境域的平均关联得分且
Figure BDA0002341860970000118
Figure BDA0002341860970000119
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；
Figure BDA00023418609700001110
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；
Figure BDA00023418609700001111
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)；
b.采用如下算式计算阶段要素的安全域关联度
Figure BDA00023418609700001112
性能域关联度
Figure BDA00023418609700001113
和环境域关联度
Figure BDA00023418609700001114
Figure BDA00023418609700001115
Figure BDA00023418609700001116
Figure BDA00023418609700001117
其中
Figure BDA00023418609700001118
Figure BDA00023418609700001119
为阶段要素elei,j,k的安全域的平均关联得分且
Figure BDA0002341860970000121
Figure BDA0002341860970000122
为阶段要素elei,j,k的性能域的平均关联得分且
Figure BDA0002341860970000123
Figure BDA0002341860970000124
为阶段要素elei,j,k的环境域的平均关联得分且
Figure BDA0002341860970000125
Figure BDA0002341860970000126
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；
Figure BDA0002341860970000127
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；
Figure BDA0002341860970000128
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：
Figure BDA0002341860970000129
Figure BDA00023418609700001210
Figure BDA00023418609700001211
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：
(1)将轨道系统各阶段要素elei,j,k在其对应的第k个阶段内的月平均维修次数作为elei,j,k的量化值，同时将
Figure BDA00023418609700001212
作为基本要素elei,j的量化值；
(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
Figure BDA0002341860970000131
并依次计算每个基本要素elei,j的安全域相关系数
Figure BDA0002341860970000132
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
Figure BDA0002341860970000141
Ca,m为第m条轨道系统线路的安全域量化值；
5)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个性能域相关子系数
Figure BDA0002341860970000142
并依次计算每个基本要素elei,j的性能域相关系数
Figure BDA0002341860970000143
num2为轨道系统线路的总条数：
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
Figure BDA0002341860970000144
Cx,m为第m条轨道系统线路的性能域量化值；
6)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个环境域相关子系数
Figure BDA0002341860970000145
并依次计算每个基本要素elei,j的环境域相关系数
Figure BDA0002341860970000146
num2为轨道系统线路的总条数：
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
Figure BDA0002341860970000151
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
Figure BDA0002341860970000152
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
Figure BDA0002341860970000161
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；
B.将步骤A得到的每一个宏观要素，按照所包含的组成部分的性质，再次分解为若干个基本要素，并用elei,j表示，其中i＝1,2,...,7，
Figure FDA0004202858520000011
Figure FDA0004202858520000012
为第i个宏观要素所包含的基本要素的数量；
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，
Figure FDA0004202858520000013
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：
a.采用如下算式计算基本要素的安全域关联度
Figure FDA0004202858520000014
性能域关联度
Figure FDA0004202858520000015
和环境域关联度
Figure FDA0004202858520000016
Figure FDA0004202858520000017
Figure FDA0004202858520000021
Figure FDA0004202858520000022
其中
Figure FDA0004202858520000023
Figure FDA0004202858520000024
为基本要素elei,j的安全域的平均关联得分且
Figure FDA0004202858520000025
Figure FDA0004202858520000026
为基本要素elei,j的性能域的平均关联得分且
Figure FDA0004202858520000027
Figure FDA0004202858520000028
为基本要素elei,j的环境域的平均关联得分且
Figure FDA0004202858520000029
Figure FDA00042028585200000210
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；
Figure FDA00042028585200000211
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；
Figure FDA00042028585200000212
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；
b.采用如下算式计算阶段要素的安全域关联度
Figure FDA00042028585200000213
性能域关联度
Figure FDA00042028585200000214
和环境域关联度
Figure FDA00042028585200000215
Figure FDA00042028585200000216
Figure FDA00042028585200000217
Figure FDA00042028585200000218
其中
Figure FDA0004202858520000031
Figure FDA0004202858520000032
为阶段要素elei,j,k的安全域的平均关联得分且
Figure FDA0004202858520000033
Figure FDA0004202858520000034
为阶段要素elei,j,k的性能域的平均关联得分且
Figure FDA0004202858520000035
Figure FDA0004202858520000036
为阶段要素elei,j,k的环境域的平均关联得分且
Figure FDA0004202858520000037
Figure FDA0004202858520000038
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；
Figure FDA0004202858520000039
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；
Figure FDA00042028585200000310
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：
Figure FDA00042028585200000311
Figure FDA00042028585200000312
Figure FDA00042028585200000313
S3.建立数据集；具体为采用如下步骤建立数据集：
(1)将轨道系统各阶段要素elei,j,k在其对应的第k个阶段内的月平均维修次数作为elei,j,k的量化值，同时将
Figure FDA00042028585200000314
作为基本要素elei,j的量化值；
(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；
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
Figure FDA0004202858520000041
并依次计算每个基本要素elei,j的安全域相关系数
Figure FDA0004202858520000042
num2为轨道系统线路的总条数：
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
Figure FDA0004202858520000043
Ca,m为第m条轨道系统线路的安全域量化值；
5)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个性能域相关子系数
Figure FDA0004202858520000051
并依次计算每个基本要素elei,j的性能域相关系数
Figure FDA0004202858520000052
num2为轨道系统线路的总条数：
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
Figure FDA0004202858520000053
Cx,m为第m条轨道系统线路的性能域量化值；
6)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个环境域相关子系数
Figure FDA0004202858520000054
并依次计算每个基本要素elei,j的环境域相关系数
Figure FDA0004202858520000055
num2为轨道系统线路的总条数：
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
Figure FDA0004202858520000056
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
Figure FDA0004202858520000061
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
Figure FDA0004202858520000062
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。
CN201911379311.2A 2019-12-27 2019-12-27 一种轨道系统跨域运维关键要素辨识方法 Active CN111027727B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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
WO2018160186A1 (en) * 2017-03-03 2018-09-07 New York Air Brake, LLC Rail car predictive maintenance system
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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
US11959900B2 (en) Health early warning system for passengers on a train in an outdoor air polluted environment and method thereof
CN111613054B (zh) 一种协同考虑时空相关性及贡献差异的多步交通速度预测方法
WO2015158198A1 (zh) 一种基于神经网络自学习的故障识别方法及系统
CN109131452A (zh) 一种基于长短时记忆网络的列车状态在线预测方法
CN112650204B (zh) 一种智慧轨道无人驾驶车辆故障基因识别方法及系统
CN111144281B (zh) 基于机器学习的城市轨道交通od客流估计方法
CN103714382A (zh) 一种城轨列车安全检测传感网可靠性多指标综合评估方法
CN112734094B (zh) 一种智慧城市智轨车辆故障基因预测方法及系统
CN111815075B (zh) 一种重大公共卫生事件下交通出行需求的预测方法
CN110286668A (zh) 一种基于大数据的轨交信号系统vim板卡故障预测方法
CN114862035B (zh) 一种基于迁移学习的组合式海湾水温预测方法
CN111027727B (zh) 一种轨道系统跨域运维关键要素辨识方法
CN111141879A (zh) 一种深度学习的空气质量监测方法以及装置、设备
CN111126867B (zh) 一种轨道系统多域关联的服役敏感度分析方法
CN113408786B (zh) 一种交通特征预测方法及系统
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
CN117273201A (zh) 一种基于Deepwalk-LSTM编码的车辆未来轨迹预测方法
CN109657938B (zh) 一种轨道交通系统成本影响要素辨识与分析方法
CN109447498B (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
CN114401135A (zh) 基于LSTM-Attention用户和实体行为分析技术的内部威胁检测方法
Xiao et al. Special factor adjustment model using fuzzy-neural network in traffic prediction
Zhang et al. Safety prediction of rail transit system based on deep learning
Peng et al. Fault prediction method for on-board equipment of CTCS based on Seq2Seq model using LSTM
CN117521882B (zh) 基于集成学习模型预测城市轨道交通事故后果的方法

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