CN111222244B - 一种预测列车车载设备性能和故障部件的方法及装置 - Google Patents
一种预测列车车载设备性能和故障部件的方法及装置 Download PDFInfo
- Publication number
- CN111222244B CN111222244B CN202010011464.8A CN202010011464A CN111222244B CN 111222244 B CN111222244 B CN 111222244B CN 202010011464 A CN202010011464 A CN 202010011464A CN 111222244 B CN111222244 B CN 111222244B
- Authority
- CN
- China
- Prior art keywords
- layer
- performance
- fault
- output
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 55
- 230000006870 function Effects 0.000 claims description 7
- 230000004807 localization Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 description 13
- 238000003062 neural network model Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000003137 locomotive effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测列车车载设备性能和故障部件的方法,包括通过建立性能预测神经网络和建立故障定位预测神经网络,对设备性能和可能出现问题的具体部件进行预测。本发明还提供了一种预测列车车载设备性能和故障部件的装置,以实现所述方法。本发明具有预测精度高、历史数据需求量小、周期性数据对预测结果影响小等优点,可实现对设备具体故障部件的预测。
Description
技术领域
本发明涉及一种预测设备性能和故障部件方法及装置,特别涉及一种预测列车车载设备性能和故障部件的方法及装置,属于车载设备安全技术领域。
背景技术
我国地域辽阔,人员众多,铁路运输作为国家的重要基础设施、大众化的交通工具,在中国综合交通运输体系中处于骨干地位。
随着高速铁路的发展,列车运行速度越来越快,对列车安全性的要求也越来越高,如何确保车载设备的正常、稳定运行,是目前面临的一个重大问题。
现有的技术中对列车故障监控,多通过高频次的点检检查实现,但点检检查只能发现已产生故障的设备,减小故障的影响,无法做到有效的预防故障的发生。
此外,现有技术中还有通过回归分析法对设备故障率进行预测,但回归分析法往往需要大量的历史数据,当历史数据存在周期性变化或突变时,其预测准确性急速降低。
此外,现有的设备故障预测只能预测出某个设备出现异常,不能对设备内部何种部件出现异常做出进一步预测与分析,导致即便预测到异常也难以排查。
因此,亟需研究一种能够有效预测车载设备故障和预测故障部件的方法及装置。
发明内容
为了克服上述问题,本发明人进行了锐意研究,开发了一种列车车载设备故障监控方法及设备,该方法包括:
S1、收集性能预测神经网络学习样本;
S2、建立性能预测神经网络,通过对性能预测样本学习,得到性能预测模型;
S3、利用性能预测模型对车载设备进行性能预测;
S4、出现故障后,收集故障时和故障前的性能参数,以及故障具体部件位置,生成故障定位样本;
S5、建立故障定位预测神经网络,通过对故障定位样本学习,得到故障定位预测模型;
S6、利用故障定位预测模型对预测到性能出现故障的设备进行故障定位预测,确定最可能出现问题的具体部件。
在步骤S4中,所述生成故障定位样本,是指收集列车同一设备故障时及故障前的性能参数作为故障定位预测神经网络学习样本的输入Rv,故障的具体部件为样本的输出FAT[u],所述FAT[u]为一维数组。
在FAT[u]中u表示数组的大小,与设备具有的部件数量相同,数组中每个元素对应一个部件,部件损坏表示为1,未损坏表示为0。
步骤S5包括以下子步骤:
S51、建立故障定位预测BP神经网络;
S52、将故障定位样本代入,供故障定位预测神经网络学习,得到故障定位预测模型。
在步骤S51中,故障定位预测BP神经网络的输入层到隐含层的传递采用logsig函数,
隐含层个数h为:h=n(u+1)+1。
在步骤S51中,不同输入层节点对不同隐含层的输出值为:
Qvw=ψvwRv
其中,v表示不同故障定位预测BP神经网络的输入层节点,w表示不同的隐含层节点,ψvw表示输出层到隐含层的权重,Rv表示出入层节点的输入,进一步地,v=1,2,…,n;w=1,2,…,h;则不同隐含层的输出Gw为:
其中,cvw是输入层到隐含层的偏置,
不同输出层的输出Zp为:
输出层整体的输出为EXP[u]=[Z1,Z2,…,Zu],
其中,p表示不同的输出层,p=1,2,…,u;θw是隐含层到输出层的权重,dwp是隐含层到输出层的偏置。
在步骤S52中,以Rv为故障定位预测神经网络的输入,以FAT[u]为期望输出EXP[u],供故障定位预测神经网络进行学习。
在步骤S52中,对输出层到隐含层的权重ψvw、输入层到隐含层的偏置cvw、隐含层到输出层的权重θw,隐含层到输出层的偏置dwp不断更新,
优选地,所述不断地更新,通过如下算式进行:
其中,ψ′vw为更新后的输出层到隐含层的权重,θ′w为更新后的隐含层到输出层的权重,c′vw为更新后的输入层到隐含层的偏置,d′w为更新后的隐含层到输出层的偏置,τ为学习速率,ep=FAT(p)-Zp。
步骤S6包括以下子步骤:
S61、检查步骤S3中是否产生故障警报;
S62、将性能参数代入故障定位预测模型进行预测。
另一方面,本发明还提供了一种基于神经网络学习的列车车载设备故障预测装置,包括参数设置模块、数据采集模块、模型模块、监控模块和展示模块。
本发明提供的预测列车车载设备性能和故障部件的方法及装置能够取得以下有益效果:
1.预测精度高,预测准确度70%以上,提高了列车的安全性;
2.对历史数据需求量小,周期性数据对预测结果影响小;
3.实现对影响设备性能的具体部件的预测,方便使用者进行故障排查。
附图说明
图1示出根据本发明提供的一种优选实施方式的基于神经网络学习的列车车载设备故障预测方法流程图;
图2示出根据本发明提供的一种优选实施方式性能预测神经网络结构示意图;
图3示出根据本发明提供的一种优选实施方式故障定位预测神经网络结构示意图。
具体实施方式
下面通过附图和优选实施方式对本发明进一步详细说明。通过这些说明,本发明的特点和优点将变得更为清楚明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
一方面,发明人提供了一种预测列车车载设备性能和故障部件的方法方法,如图1所示,该方法包括:
S1、收集性能预测神经网络学习样本;
S2、建立性能预测神经网络,通过对性能预测样本学习,得到性能预测模型;
S3、利用性能预测模型对车载设备进行性能预测;
S4、出现故障后,收集故障时和故障前的性能参数,以及故障具体部件位置,生成故障定位样本;
S5、建立故障定位预测神经网络,通过对故障定位样本学习,得到故障定位预测模型;
S6、利用故障定位预测模型对预测到性能出现故障的设备进行故障定位预测,确定最可能出现问题的具体部件。
由于列车车载设备的性能可表现为一系列随时间变化的数据,可采用时序法对列车车载设备的性能进行统计分析,进而预测车载设备的故障率,现有的方法中多采用回归分析法、分解分析法进行预测,但这些方法多对历史数据数量要求较多,且此类方法对数据周期性变化处理能力差,若历史数据中存在周期性数据变化,此类方法往往预测准确性较底,其局限性较大。而神经网络学习,需要历史数据较少,且对周期性变化数据适应能力强,更加适合性能的预测,从而预测设备是否会出现故障。
在建立性能预测神经网络前,需要收集性能预测神经网络学习的样本,根据本发明,所述样本包括多个(组)能够代表车载设备性能的性能参数,进一步地,所述样本中具有设备故障时以及设备故障前的性能参数。
优选地,按照以下方法确定性能参数:
S11、针对不同的车载设备,确定能够代表设备性能和/或经常出问题的特征,例如机车安全计算机空调的温度保持效果、测速测距模块的测量准确度等。
S12、将上述特征通过定量的数据表示,得到性能参数,并确定设备故障性能参数值。
例如,机车安全计算机空调性能,能够用安全计算机柜温度值表示,则空调性能参数为温度差值,又例如,测速测距模块的性能参数为速度传感器和雷达传感器测速偏差值等。
在本发明中,所述性能参数可以是一个数值,例如温度值,也可以是一组数值,例如载干比和信噪比共同反映通讯模块的性能。
当设备性能参数会出现较大的变化,则表示设备运行稳定度下降,针对不同的设备,人为设定性能参数的上下限,当性能参数达到设定的上下限时,即认为设备出现故障,此预定的上下限即为故障性能参数值。
在确定性能参数后,固定时间间隔对性能参数进行记录,直至出现设备故障。在一个优选的实施方式中,所述固定时间间隔为1小时~1天,优选为12小时。
S13、收集设备故障时及设备故障前一定数量的性能参数,生成性能预测学习样本。
取设备故障时及故障前一定数量的性能参数,并按记录先后顺序排列,即为性能预测学习样本,在本发明中,性能预测学习样本中的性能参数数量用t表示,学习样本中的性能参数可记录为T1、T2、……、Tt。
所述一定数量,优选为10~40个,对于故障分析来说,由于越靠近故障时刻的性能参数中包含的信息越有效,当性能参数的数量过多时,早期记录值会包含过多的无效信息,使得计算过于繁杂缓慢,而当性能参数数量较少时,样本整体有效信息不足,导致预测准确性下降。
在一个优选的实施方式中,所述性能预测学习样本可以有多个,由不同的列车提供,以降低偶发事件对预测带来的影响。
在步骤S2中,所述建立性能预测神经网络,优选地,为建立性能预测BP神经网络。
所述BP神经网络,是一种按误差逆传播算法训练的多层前馈网络,BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。性能预测BP神经网络模型拓扑结构包括输入层、隐含层和输出层。
在一个优选的实施方式中,步骤S2包括以下子步骤:
S21、确定性能预测BP神经网络模型中不同层节点数量。
在本发明中所述性能预测BP神经网络模型的输入层节点个数n优选为5~9个,输入层节点数越多,其预测越精确,但运算量呈几何倍增长,发明人经过多次试验,确定了既具有较高预测准确率,又兼顾运算速度的节点个数。
在本发明中,优选采用1个隐含层的性能预测BP神经网络,如图2所示,由于设备的性能参数遵循线性变化,1个隐含层既能够达到较为精确的预测效果,又节约了计算量,降低了计算装置的配置。发明人经过多次试验,优选地,隐含层节点m个数为满足1.1n≤m≤1.5n的正整数,既使得模型的系统误差较小,又使得模型在学习过程中不会出现过拟合现象。
根据本发明,所述性能预测BP神经网络模型的输出层节点为1个。
S22、建立性能预测BP神经网络模型。
在本发明中,性能预测BP神经网络的输入层到隐含层的传递采用S型函数,优选为:
不同输入层节点对不同隐含层的输出值为:
kij=ωijSi
其中,i表示不同的输入层节点,j表示不同的隐含层节点,ωij表示输出层到隐含层的权重,Si表示出入层节点的输入,则隐含层的输出Lj为:
其中,aij是输入层到隐含层的偏置,
隐含层到输出层的传递采用线性函数,输出层的输出O优选为:
其中,εj是隐含层到输出层的权重,bj是隐含层到输出层的偏置。
S23、性能预测样本初始化,供性能预测神经网络学习,得到模型参数。
根据本发明,将性能预测样本初始化,以生成性能预测神经网络输出层节点的输入Si,
所述初始化,为将性能预测样本分成(t-n)组,每组数据包含连续的(n+1)个性能参数,第1组为T1、T2、……、Tn、Tn+1,第2组为T2、T3、……、Tn+1、Tn+2,以此类推,第(t-n)组为Tt-n、Tt-n+1、……、Tt-1、Tt。
其中每组前n个性能参数作为入层节点的输入Si,后一个作为期望输出Y,将各组数据代入步骤S22的性能预测神经网络模型中,供性能预测神经网络学习,
在学习过程中,对输出层到隐含层的权重ωij、输入层到隐含层的偏置aij、隐含层到输出层的权重εj,隐含层到输出层的偏置bj不断更新,
进一步地,所述不断地更新,通过如下算式进行:
其中,ω′ij为更新后的输出层到隐含层的权重,ε′j为更新后的隐含层到输出层的权重,a′ij为更新后的输入层到隐含层的偏置,b′j为更新后的隐含层到输出层的偏置,δ为学习速率,e=Y-O。
经过不断学习,即可得到性能预测模型的模型参数,确定最终的预测模型。
在步骤S3中,所述利用性能预测模型对车载设备进行故障预测,包括以下子步骤:
S31、记录设备的性能参数,
在列车运行过程中,对设备的性能参数进行持续记录,
在一个优选的实施方式中,按照步骤S12中的固定时间间隔对性能参数进行记录。
S32、将性能参数代入性能预测模型进行预测。
将最后记录的n个性能参数代入性能预测模型,由性能预测模型输出预测值,将预测值与故障性能参数值进行比对,若预测值超出了故障性能参数值,则进行警报。
随着列车的运行时间的增长,会出现大量的故障数据,以及发生故障时、故障前的性能参数,利用这些性能参数,通过神经网络法,即可预测故障设备的具体部件。
具体地,在步骤S4中,所述生成故障定位样本,是指收集列车同一设备故障时及故障前的性能参数作为故障定位预测神经网络学习样本的输入Rv,故障的具体部件为样本的输出FAT[u],
进一步地,故障的具体部件用一维数组FAT[u]表示,u表示数组的大小,与设备具有的部件数量相同,数组中每个元素对应一个部件,部件损坏表示为1,未损坏表示为0,例如在机车安全计算机空调设备中,具有电路控制板、变压器、冷凝器、蒸发器和压缩机5个部件,则数组大小为5,其中变压器故障,其余部件正常,则表示为FAT[5]=[0,1,0,0,0],所述学习样本的输入Rv的数量优选为n,包括故障时的性能参数及n-1个故障前的性能参数。
进一步地,针对同一种设备,在数组FAT[u]中,不同部件之间的排列顺序固定,使得通过数组能够识别故障部件位置,即能够通过解析数组,以达到识别故障部件,精确定位的效果。
在一个优选的实施方式中,所述故障定位样本具有多个,分别收集自不同的列车,以提高预测准确性。
在步骤S5中,所述建立故障定位预测神经网络,为BP神经网络,包括以下子步骤:
S51、建立故障定位预测BP神经网络。
在本发明中,如图3所示,故障定位预测BP神经网络的输入层到隐含层的传递采用logsig函数,该函数不仅具有光滑、可微、非线性和饱和等特性,而且其导函数也很容易用本身来表达,简化了计算,
经过发明人反复调试对比,确定隐含层个数h经验公式为:
h=n(u+1)+1
不同输入层节点对不同隐含层的输出值为:
Qvw=ψvwRv
其中,v表示不同故障定位预测BP神经网络的输入层节点,w表示不同的隐含层节点,ψvw表示输出层到隐含层的权重,Rv表示出入层节点的输入,进一步地,v=1,2,…,n;w=1,2,…,h;则不同隐含层的输出Gw为:
其中,cvw是输入层到隐含层的偏置,
隐含层到输出层的传递采用S型函数,优选仍采用logsig函数,不同输出层的输出Zp优选为:
则输出层整体的输出为EXP[]=[Z1,Z2,…,Zu]
其中,p表示不同的输出层,p=1,2,…,u;θw是隐含层到输出层的权重,dwp是隐含层到输出层的偏置。
S52、将故障定位样本代入,供故障定位预测神经网络学习,得到故障定位预测模型。
以Rv为故障定位预测神经网络的输入,以FAT[u]为期望输出EXP[u],代入步骤S51中的故障定位预测神经网络中,供故障定位预测神经网络进行学习,
在学习中,对输出层到隐含层的权重ψvw、输入层到隐含层的偏置cvw、隐含层到输出层的权重θw,隐含层到输出层的偏置dwp不断更新,
优选地,所述不断地更新,通过如下算式进行:
其中,ψ′vw为更新后的输出层到隐含层的权重,θ′w为更新后的隐含层到输出层的权重,c′vw为更新后的输入层到隐含层的偏置,d′w为更新后的隐含层到输出层的偏置,τ为学习速率,ep=FAT(p)-Zp。
经过不断学习,即可得到故障定位模型的模型参数,确定最终的故障定位预测模型。
在步骤S6中,所述利用故障定位预测模型确定最可能出现问题的部件,包括以下子步骤:
S61、检查步骤S3中是否产生故障警报;
若无警报,则传递设备正常的信息,若出现警报,则进行步骤S62。
S62、将性能参数代入故障定位预测模型进行预测。
将最后记录的n个性能参数代入故障定位预测模型,由故障定位预测模型输出预测值,
进一步地,在本发明中,故障定位预测模型输出的预测值为一维数组,将数组按步骤S4中的设备部件排列顺序解析,数组中元素值为1对应的设备部件即为最可能出现问题的部件。
另一方面,本发明还提供了一种基于神经网络学习的列车车载设备故障预测装置,包括参数设置模块、数据采集模块、模型模块、监控模块和展示模块。
所述参数设置模块,用于设置装置的参数,包括性能参数数据类型、故障性能参数值、性能参数记录间隔时间、性能预测模型输入层节点个数、性能预测模型隐含层节点个数、故障定位样本、故障定位预测模型输入层节点个数、故障定位预测模型隐含层节点个数、连接端口等。
所述数据采集模块,用于收集不同设备的性能参数,所述数据可以是人工输入,也可以是通过网络从车载相关设备上直接获取,优选通过网络从车载相关设备上直接获取,在数据采集模块上设置有通讯模块,与车载安全计算机以及各设备相连,从而定时读取所需的性能参数。
进一步地,所述数据采集模块包括样本输入子模块和监控采集子模块,
所述样本输入子模块,用于输入神经网络学习样本,通过其将收集好的学习样本输入至装置,以传递给模型建立模块。
所述监控采集子模块,用于在列车运行过程,收集设备的性能参数,其能够根据参数设置模块中性能参数记录间隔时间参数从车载设备上收集性能参数,并存储,以供监控模块调用。
所述模型模块,用于建立并存储神经网络模型,所述模型包括性能预测模型和故障定位预测模型。
进一步地,所述模型建立模块具有样本初始化子模块和模型参数运算子模块。
所述样本初始化子模块根据参数设置模块中的输入层节点个数按照步骤S23中的样本初始化方法将样本分组,
在所述模型参数运算子模块中,存储有步骤S22中和步骤S51中的神经网络传递公式,能够根据上述步骤S23和步骤S52中的方法对样本进行学习,得到模型参数,并将模型参数传递到监控模块。
根据本发明,所述监控模块能够调用监控采集子模块中的数据和接收模型参数运算子模块传递的模型参数,从而确定预测模型,并执行步骤S32和步骤S6,将预测值传递至展示模块。
所述展示模块,其能够接收监控模块传递的信息并进行展示,并将预测值与故障性能参数值进行比对,若预测值超出了故障性能参数值,则进行警报,并显示最可能故障部件,提醒使用者重点检查。
优选地,所述展示模块还具有交互功能,使得使用者可以查看不同设备的监控结果。
实施例
实施例1
对车载安全计算机机柜冷却系统进行监控。
最能够体现车载安全计算机机柜冷却系统性能的特征是温度保持效果,则其性能参数为机柜内温度差值,故障性能参数值为20、25。
每12小时记录一次机柜内温度,当出现设备异常后,取设备故障时及故障前19个性能参数,制作成学习样本,如表1所示。
表1
T1 | T2 | T3 | T4 | T5 | T6 | T7 |
23 | 24 | 21 | 23 | 22 | 23 | 22 |
T8 | T9 | T10 | T11 | T12 | T13 | T14 |
21 | 22 | 22 | 23 | 23 | 22 | 23 |
T15 | T16 | T17 | T18 | T19 | T20 | |
24 | 23 | 22 | 23 | 24 | 25 |
设定输入层节点个数n=5,隐含层节点m=6,将样本初始化,如表2所示:
表2
使用神经网络对上表数据进行学习,得到神经网络模型。
记录列车运行过程中的性能参数,最新的n个性能参数如表3所示,
表3
序号 | 时间 | 性能参数 |
1 | 8-1 0:00 | 22 |
2 | 8-1 12:00 | 23 |
3 | 8-2 0:00 | 21 |
4 | 8-2 12:00 | 22 |
5 | 8-3 0:00 | 22 |
将性能参数代入神经网络模型,得到预测值为22,未超出故障性能参数值,预测结果表示设备运行正常。
实施例2
在一次故障预测中,出现机车安全计算机空调设备故障警报,故障定位预测模型输出的预测值为EXP[5]=[0,0,0,0,1],其中,各元素依次代表电路控制板、变压器、冷凝器、蒸发器和压缩机,则输出显示为压缩机可能为故障设备,经管人工检查,发现压缩机绕组阻值异常,及时维修。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”、“前”、“后”等指示的方位或位置关系为基于本发明工作状态下的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”、“第四”仅用于描述目的,而不能理解为指示或暗示相对重要性。
以上结合优选实施方式和范例性实例对本发明进行了详细说明。不过需要声明的是,这些具体实施方式仅是对本发明的阐述性解释,并不对本发明的保护范围构成任何限制。在不超出本发明精神和保护范围的情况下,可以对本发明技术内容及其实施方式进行各种改进、等价替换或修饰,这些均落入本发明的保护范围内。本发明的保护范围以所附权利要求为准。
Claims (6)
1.一种预测列车车载设备性能和故障部件的方法,其特征在于,包括:
S1、收集性能预测神经网络学习样本;
S2、建立性能预测神经网络,通过对性能预测样本学习,得到性能预测模型;
S3、利用性能预测模型对车载设备进行性能预测;
S4、出现故障后,收集故障时和故障前的性能参数,以及故障具体部件位置,生成故障定位样本;
S5、建立故障定位预测神经网络,通过对故障定位样本学习,得到故障定位预测模型;
S6、利用故障定位预测模型对预测到性能出现故障的设备进行故障定位预测,确定最可能出现问题的具体部件;
在步骤S4中,所述生成故障定位样本,是指收集列车同一设备故障时及故障前的性能参数作为故障定位预测神经网络学习样本的输入Rv,故障的具体部件为样本的输出FAT[u],所述FAT[u]为一维数组;
在FAT[u]中u表示数组的大小,与设备具有的部件数量相同,数组中每个元素对应一个部件,部件损坏表示为1,未损坏表示为0;
步骤S6包括以下子步骤:
S61、检查步骤S3中是否产生故障警报;
S62、将性能参数代入故障定位预测模型进行预测。
2.根据权利要求1所述的预测列车车载设备性能和故障部件的方法,其特征在于,
步骤S5包括以下子步骤:
S51、建立故障定位预测BP神经网络;
S52、将故障定位样本代入,供故障定位预测神经网络学习,得到故障定位预测模型。
3.根据权利要求2所述的预测列车车载设备性能和故障部件的方法,其特征在于,
在步骤S51中,故障定位预测BP神经网络的输入层到隐含层的传递采用logsig函数,
隐含层个数h为:h=n(u+1)+1。
4.根据权利要求3所述的预测列车车载设备性能和故障部件的方法,其特征在于,
在步骤S51中,不同输入层节点对不同隐含层的输出值为:
Qvw=ψvwRv
其中,v表示不同故障定位预测BP神经网络的输入层节点,w表示不同的隐含层节点,ψvw表示输出层到隐含层的权重,Rv表示出入层节点的输入,进一步地,v=1,2,…,n;w=1,2,…,h;则不同隐含层的输出Gw为:
其中,cvw是输入层到隐含层的偏置,
不同输出层的输出Zp为:
输出层整体的输出为EXP[u]=[Z1,Z2,…,Zu],
其中,p表示不同的输出层,p=1,2,…,u;θw是隐含层到输出层的权重,dwp是隐含层到输出层的偏置。
5.根据权利要求3所述的预测列车车载设备性能和故障部件的方法,其特征在于,
在步骤S52中,以Rv为故障定位预测神经网络的输入,以FAT[u]为期望输出EXP[u],供故障定位预测神经网络进行学习。
6.根据权利要求3所述的预测列车车载设备性能和故障部件的方法,其特征在于,
在步骤S52中,对输出层到隐含层的权重ψvw、输入层到隐含层的偏置cvw、隐含层到输出层的权重θw,隐含层到输出层的偏置dwp不断更新,
所述不断地更新,通过如下算式进行:
其中,ψ′vw为更新后的输出层到隐含层的权重,θ′w为更新后的隐含层到输出层的权重,c′vw为更新后的输入层到隐含层的偏置,d′w为更新后的隐含层到输出层的偏置,τ为学习速率,ep=FAT(p)-Zp。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010011464.8A CN111222244B (zh) | 2020-01-06 | 2020-01-06 | 一种预测列车车载设备性能和故障部件的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010011464.8A CN111222244B (zh) | 2020-01-06 | 2020-01-06 | 一种预测列车车载设备性能和故障部件的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222244A CN111222244A (zh) | 2020-06-02 |
CN111222244B true CN111222244B (zh) | 2024-02-02 |
Family
ID=70828076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010011464.8A Active CN111222244B (zh) | 2020-01-06 | 2020-01-06 | 一种预测列车车载设备性能和故障部件的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222244B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447568A (zh) * | 2015-11-09 | 2016-03-30 | 广州供电局有限公司 | 基于bp神经网络的电力通信网故障分析方法 |
CN107563508A (zh) * | 2017-07-13 | 2018-01-09 | 广东省智能制造研究所 | 一种大数据故障预测方法 |
CN108536123A (zh) * | 2018-03-26 | 2018-09-14 | 北京交通大学 | 长短时记忆网络结合神经网络的列控车载设备的故障诊断方法 |
-
2020
- 2020-01-06 CN CN202010011464.8A patent/CN111222244B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447568A (zh) * | 2015-11-09 | 2016-03-30 | 广州供电局有限公司 | 基于bp神经网络的电力通信网故障分析方法 |
CN107563508A (zh) * | 2017-07-13 | 2018-01-09 | 广东省智能制造研究所 | 一种大数据故障预测方法 |
CN108536123A (zh) * | 2018-03-26 | 2018-09-14 | 北京交通大学 | 长短时记忆网络结合神经网络的列控车载设备的故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于 BP 神经网络的车载设备故障诊断与预测研究;吴渊;硕士电子期刊;第 1-86 页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111222244A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242357B (zh) | 基于神经网络学习的列车车载设备故障预测方法及装置 | |
Zhang et al. | An age-and state-dependent nonlinear prognostic model for degrading systems | |
US9122273B2 (en) | Failure cause diagnosis system and method | |
CN114239734B (zh) | 一种分布式车载健康管理系统 | |
CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
CN116070802A (zh) | 一种基于数据孪生的智能监控运维方法和系统 | |
CN111898673A (zh) | 一种基于emd与lstm的溶解氧含量预测方法 | |
CN113485305B (zh) | 一种飞机外勤故障诊断系统与方法 | |
CN111222244B (zh) | 一种预测列车车载设备性能和故障部件的方法及装置 | |
CN112906251B (zh) | 一种配电网可靠性影响要素的分析方法及系统 | |
Sheppard et al. | Bayesian diagnosis and prognosis using instrument uncertainty | |
CN113189513A (zh) | 一种基于纹波的冗余电源均流状态识别方法 | |
CN109625025B (zh) | Btm设备预警系统 | |
CN110766248A (zh) | 基于shel和区间直觉模糊评价的车间人因可靠性评估方法 | |
CN107491838B (zh) | 城市轨道交通短时客流容错预测系统及方法 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN112816122B (zh) | 基于深度学习和压电主动传感的螺栓松紧程度监测方法 | |
CN115056829A (zh) | 多车型连续学习的列车运动状态估计方法 | |
CN110082617B (zh) | 基于物联网技术的输变电设备状态监测分析方法 | |
CN114598627A (zh) | 一种基于知识图谱的异常网络信息检测方法 | |
Mammadova et al. | Detecting shifts in Conway–Maxwell–Poisson profile with deviance residual-based CUSUM and EWMA charts under multicollinearity | |
CN116773238B (zh) | 一种基于工业数据的故障监测方法及系统 | |
CN114841000B (zh) | 一种基于模态共有特征分离的软测量建模方法 | |
CN115712840A (zh) | 一种电子信息系统多故障诊断方法及系统 | |
CN117873477B (zh) | 一种用于飞行模拟器的仪表数据交互控制管理系统 |
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 |