CN111242357A - 基于神经网络学习的列车车载设备故障预测方法及装置 - Google Patents
基于神经网络学习的列车车载设备故障预测方法及装置 Download PDFInfo
- Publication number
- CN111242357A CN111242357A CN202010010762.5A CN202010010762A CN111242357A CN 111242357 A CN111242357 A CN 111242357A CN 202010010762 A CN202010010762 A CN 202010010762A CN 111242357 A CN111242357 A CN 111242357A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- output
- hidden
- learning
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000003137 locomotive effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 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
- 238000011160 research Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/045—Combinations of networks
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于神经网络学习的列车车载设备故障预测方法,包括如下步骤:收集神经网络学习样本、建立神经网络,通过对样本学习,得到预测模型、利用预测模型对车载设备进行故障预测。本发明还提供了基于神经网络学习的列车车载设备故障预测装置,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。
Description
技术领域
本发明涉及一种设备故障预测方法及装置,特别涉及一种基于神经网络学习的列车车载设备故障预测方法及装置,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进行预测,但回归分析法往往需要大量的历史数据,且其预测都是建立在设备性能随时间变化的基础上,不考虑列车实际运行环境,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。
因此,亟需研究一种能够有效预测车载设备故障的方法及装置。
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、收集神经网络学习样本;
S2、建立神经网络,通过对样本学习,得到预测模型;
S3、利用预测模型对车载设备进行故障预测。
在步骤S1中,包含以下子步骤:
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;
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;
S13、收集设备故障时及设备故障前一定数量的性能参数,生成学习样本。
在步骤13中,所述一定数量为10~40个。
步骤S2包括以下子步骤:
S21、确定BP神经网络模型中不同层节点数量;
S22、建立BP神经网络模型;
S23、样本初始化,供神经网络学习,得到模型参数。
在步骤S21中,所述BP神经网络模型中具有1个隐含层,输入层节点个数n为5~9个,隐含层节点m个数满足1.1n≤m≤1.5n的正整数,输出层节点为1个。
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,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。
在步骤23中,所述初始化,为将样本分成(t-n)组,每组数据包含连续的(n+1)个性能参数,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,其中t为学习样本中的性能参数数量,n为输入层节点个数。
在步骤23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,
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。
在步骤S3中,包括以下子步骤:
S31、记录设备的性能参数;
S32、将性能参数代入预测模型进行预测。
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。
本发明提供的基于神经网络学习的列车车载设备故障预测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。
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的神经网络示意图。
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,发明人提供了一种基于神经网络学习的列车车载设备故障预测方法,如图1所示,该方法包括:
S1、收集神经网络学习样本;
S2、建立神经网络,通过对样本学习,得到预测模型;
S3、利用预测模型对车载设备进行故障预测。
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,更加适合故障的预测。
在建立神经网络前,需要收集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,即为学习样本,在本发明中,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,所述建立神经网络,优选地,为建立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。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BP神经网络模型中不同层节点数量。
在本发明中所述输入层节点个数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,所述输出层节点为1个。
S22、建立BP神经网络模型。
在本发明中,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、样本初始化,供神经网络学习,得到模型参数。
根据本发明,将样本初始化,生成输出层节点的输入Si,
所述初始化,为将样本分成(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的神经网络模型中,供神经网络学习,
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,即可得到的模型参数,确定最终的预测模型。
在步骤S3中,所述利用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、将性能参数代入预测模型进行预测。
将最后记录的n个性能参数代入预测模型,由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。
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、输入层节点个数、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。
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中的神经网络传递公式,能够根据上述步骤S23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,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,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
T<sub>1</sub> | T<sub>2</sub> | T<sub>3</sub> | T<sub>4</sub> | T<sub>5</sub> | T<sub>6</sub> | T<sub>7</sub> |
23 | 24 | 21 | 23 | 22 | 23 | 22 |
T<sub>8</sub> | T<sub>9</sub> | T<sub>10</sub> | T<sub>11</sub> | T<sub>12</sub> | T<sub>13</sub> | T<sub>14</sub> |
21 | 22 | 22 | 23 | 23 | 22 | 23 |
T<sub>15</sub> | T<sub>16</sub> | T<sub>17</sub> | T<sub>18</sub> | T<sub>19</sub> | T<sub>20</sub> | |
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
组别 | S<sub>1</sub> | S<sub>2</sub> | S<sub>3</sub> | S<sub>4</sub> | S<sub>5</sub> | Y |
1 | 23 | 24 | 21 | 23 | 22 | 23 |
2 | 24 | 21 | 23 | 22 | 23 | 22 |
3 | 21 | 23 | 22 | 23 | 22 | 21 |
4 | 23 | 22 | 23 | 22 | 21 | 22 |
5 | 22 | 23 | 22 | 21 | 22 | 22 |
6 | 23 | 22 | 21 | 22 | 22 | 23 |
7 | 22 | 21 | 22 | 22 | 23 | 23 |
…… | …… | …… | …… | …… | …… | …… |
14 | 23 | 24 | 23 | 22 | 23 | 24 |
15 | 24 | 23 | 22 | 23 | 24 | 25 |
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。
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 (10)
1.一种基于神经网络学习的列车车载设备故障预测方法,包括:
S1、收集神经网络学习样本;
S2、建立神经网络,通过对样本学习,得到预测模型;
S3、利用预测模型对车载设备进行故障预测。
2.根据权利要求1所述的基于神经网络学习的列车车载设备故障预测方法,其特征在于,
在步骤S1中,包含以下子步骤:
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;
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;
S13、收集设备故障时及设备故障前一定数量的性能参数,生成学习样本。
3.根据权利要求2所述的基于神经网络学习的列车车载设备故障预测方法,其特征在于,
在步骤13中,所述一定数量为10~40个。
4.根据权利要求1所述的基于神经网络学习的列车车载设备故障预测方法,其特征在于,
步骤S2包括以下子步骤:
S21、确定BP神经网络模型中不同层节点数量;
S22、建立BP神经网络模型;
S23、样本初始化,供神经网络学习,得到模型参数。
5.根据权利要求4所述的基于神经网络学习的列车车载设备故障预测方法,其特征在于,
在步骤S21中,所述BP神经网络模型中具有1个隐含层,输入层节点个数n为5~9个,隐含层节点m个数满足1.1n≤m≤1.5n的正整数,输出层节点为1个。
7.根据权利要求4所述的基于神经网络学习的列车车载设备故障预测方法,其特征在于,
在步骤23中,所述初始化,为将样本分成(t-n)组,每组数据包含连续的(n+1)个性能参数,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,其中t为学习样本中的性能参数数量,n为输入层节点个数。
9.根据权利要求1所述的基于神经网络学习的列车车载设备故障预测方法,其特征在于,
在步骤S3中,包括以下子步骤:
S31、记录设备的性能参数;
S32、将性能参数代入预测模型进行预测。
10.一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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010010762.5A CN111242357B (zh) | 2020-01-06 | 2020-01-06 | 基于神经网络学习的列车车载设备故障预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010010762.5A CN111242357B (zh) | 2020-01-06 | 2020-01-06 | 基于神经网络学习的列车车载设备故障预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242357A true CN111242357A (zh) | 2020-06-05 |
CN111242357B CN111242357B (zh) | 2024-02-02 |
Family
ID=70876023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010010762.5A Active CN111242357B (zh) | 2020-01-06 | 2020-01-06 | 基于神经网络学习的列车车载设备故障预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242357B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115643A (zh) * | 2020-09-15 | 2020-12-22 | 中南大学 | 一种智慧列车整车服役寿命非侵入预测方法 |
CN112257176A (zh) * | 2020-10-19 | 2021-01-22 | 北京交通大学 | 一种城轨列车系统的故障传播的分析方法 |
CN112506718A (zh) * | 2021-02-05 | 2021-03-16 | 浙江地芯引力科技有限公司 | 一种故障冗余机制的安全芯片处理器及处理方法 |
CN112863007A (zh) * | 2021-03-01 | 2021-05-28 | 中车株洲电力机车有限公司 | 牵引变流器故障预警模型及建模方法、预警方法及系统 |
CN116304663A (zh) * | 2022-12-05 | 2023-06-23 | 北京交通大学 | 基于非平衡样本增强的列控车载设备健康状态管理装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447568B (zh) * | 2015-11-09 | 2018-03-27 | 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 |
CN106125714B (zh) * | 2016-06-20 | 2019-01-25 | 南京工业大学 | 结合bp神经网络与二参数威布尔分布的故障率预测方法 |
CN109034276A (zh) * | 2018-09-04 | 2018-12-18 | 温州大学 | 基于bp神经网络的阀体故障诊断方法 |
-
2020
- 2020-01-06 CN CN202010010762.5A patent/CN111242357B/zh active Active
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115643A (zh) * | 2020-09-15 | 2020-12-22 | 中南大学 | 一种智慧列车整车服役寿命非侵入预测方法 |
CN112115643B (zh) * | 2020-09-15 | 2022-06-10 | 中南大学 | 一种智慧列车整车服役寿命非侵入预测方法 |
CN112257176A (zh) * | 2020-10-19 | 2021-01-22 | 北京交通大学 | 一种城轨列车系统的故障传播的分析方法 |
CN112257176B (zh) * | 2020-10-19 | 2023-11-07 | 北京交通大学 | 一种城轨列车系统的故障传播的分析方法 |
CN112506718A (zh) * | 2021-02-05 | 2021-03-16 | 浙江地芯引力科技有限公司 | 一种故障冗余机制的安全芯片处理器及处理方法 |
CN112863007A (zh) * | 2021-03-01 | 2021-05-28 | 中车株洲电力机车有限公司 | 牵引变流器故障预警模型及建模方法、预警方法及系统 |
CN116304663A (zh) * | 2022-12-05 | 2023-06-23 | 北京交通大学 | 基于非平衡样本增强的列控车载设备健康状态管理装置 |
CN116304663B (zh) * | 2022-12-05 | 2023-10-24 | 北京交通大学 | 基于非平衡样本增强的列控车载设备健康状态管理装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111242357B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242357A (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 | |
CN111950627B (zh) | 一种多源信息融合方法及其应用 | |
CN105046402B (zh) | 一种应用于智能变电站二次设备的状态评估方法 | |
CN107480440A (zh) | 一种基于两阶段随机退化建模的剩余寿命预测方法 | |
CN104835103A (zh) | 基于神经网络和模糊综合评价的移动网络健康评价方法 | |
CN110555551B (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
JP7408843B2 (ja) | 電池の容量測定装置及び方法、並びに該装置を含む電池制御システム | |
CN112765257B (zh) | 一种基于时序序列预测温度的环境采集系统设计的方法 | |
CN107248003A (zh) | 基于带滑动窗口贝叶斯网络的自适应软测量预测方法 | |
CN110309609B (zh) | 一种基于粗糙集和wnn的建筑室内空气品质评价方法 | |
CN110824914B (zh) | 一种基于pca-lstm网络的废水处理智能监控方法 | |
CN105956798A (zh) | 一种基于稀疏随机森林的配网设备运行状态评估方法 | |
CN115114128A (zh) | 一种卫星健康状态评估系统及评估方法 | |
CN113536665B (zh) | 基于特征工程和lstm的路表温度短临预测方法及系统 | |
CN111898673A (zh) | 一种基于emd与lstm的溶解氧含量预测方法 | |
CN116342288A (zh) | 面向储能集群调频交易的物联网信任度分析方法及系统 | |
CN117436707B (zh) | 基于人工智能的消防安全管理方法及系统 | |
CN112149976B (zh) | 一种基于人工智能的电网精准投资项目决策方法 | |
CN111598328A (zh) | 一种计及疫情事件的电力负荷预测方法 | |
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 | |
CN115375181A (zh) | 一种实验室环境质量智能分析方法和系统 | |
EP1847856A1 (en) | Method and system for forecasting an ambient variable | |
CN115056829A (zh) | 多车型连续学习的列车运动状态估计方法 | |
CN114722721A (zh) | 基于深度编解码卷积网络的电力变压器健康状态评估方法 | |
CN115206444A (zh) | 基于fcm-anfis模型的最佳投药量预测方法 |
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 |