CN111860971B - 道岔转辙机剩余寿命预测方法及装置 - Google Patents

道岔转辙机剩余寿命预测方法及装置 Download PDF

Info

Publication number
CN111860971B
CN111860971B CN202010608601.6A CN202010608601A CN111860971B CN 111860971 B CN111860971 B CN 111860971B CN 202010608601 A CN202010608601 A CN 202010608601A CN 111860971 B CN111860971 B CN 111860971B
Authority
CN
China
Prior art keywords
particle
switch machine
hidden layer
layer
residual life
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
CN202010608601.6A
Other languages
English (en)
Other versions
CN111860971A (zh
Inventor
付哲
李振
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.)
Traffic Control Technology TCT Co Ltd
Original Assignee
Traffic Control Technology TCT Co Ltd
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 Traffic Control Technology TCT Co Ltd filed Critical Traffic Control Technology TCT Co Ltd
Priority to CN202010608601.6A priority Critical patent/CN111860971B/zh
Publication of CN111860971A publication Critical patent/CN111860971A/zh
Application granted granted Critical
Publication of CN111860971B publication Critical patent/CN111860971B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明实施例提供了一种道岔转辙机剩余寿命预测方法及装置，利用道岔转辙机剩余寿命预测模型实现对道岔转辙机的剩余寿命的预测，可以为后续对道岔转辙机的健康状态检测提供检测时机的判断标准。而且，由于道岔转辙机剩余寿命预测模型在构建时，其输入层和隐藏层之间的权值系数、隐藏层和输出层之间的权值系数、隐藏层的阈值参数以及输出层的阈值参数基于惯性权重由余弦函数确定的自适应全局粒子群算法进行初始化得到，可以使得道岔转辙机剩余寿命预测模型的预测准确度更高。

Description

道岔转辙机剩余寿命预测方法及装置
技术领域
本发明涉及轨道交通技术领域，更具体地，涉及道岔转辙机剩余寿命预测方法及装置。
背景技术
道岔转辙机运营维护一直是地铁协同运维的重要一环，转辙机能否及时、可靠地响应系统命令并实现道岔转换，关系到行车安全和乘客的生命财产安全。
国内的道岔转辙机运营维护方法一般分为三大类：基于解析模型的诊断方法、基于知识的诊断方法和基于规章制度的权限管理。这三种方法均属于“计划修”和“故障修”的范畴。其中，“计划修”是指在道岔转辙机使用一定时间后，无论转辙机状态如何、是否出现故障都进行一次检修或更换。“故障修”是指依据故障现象，建立模型库或知识库来扩充对故障的敏感度。目前，应用最多的方法是人工设置阈值，并通过监测转辙机工况数据是否超过阈值来判断转辙机的健康状态。在部分采用了人工智能技术的“故障修”产品内，是通过机器学习或深度学习的分类算法，基于工况数据与已知的故障标签相匹配，从而得出当前转辙机的健康状态。
对于“计划修”，运维人员需要提前预判设备故障时间，在设备未达到使用极限之前更换设备，造成资金和设备的严重浪费。并且，当道岔转辙机处于正常和故障之间的某个临界状态时，运维人员很难根据经验来判断设备是否需要维修。对于“故障修”，由于对故障机理的研究不够透彻，导致阈值的设置不合理，导致运维能力低下。同时，基于人工智能的分类算法是在故障发生后才进行的故障识别，因此，维修的及时性不能得到保证。
发明内容
为克服上述问题或者至少部分地解决上述问题，本发明实施例提供了一种道岔转辙机剩余寿命预测方法及装置。
第一方面，本发明实施例提供了一种道岔转辙机剩余寿命预测方法，包括：
获取道岔转辙机的电流曲线数据；
将所述电流曲线数据输入至道岔转辙机剩余寿命预测模型，得到由所述道岔转辙机剩余寿命预测模型输出的所述道岔转辙机的剩余寿命；
其中，所述道岔转辙机剩余寿命预测模型基于神经网络构建，且所述神经网络中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数、所述隐藏层的阈值参数以及所述输出层的阈值参数基于自适应全局粒子群算法进行初始化得到，所述自适应全局粒子群算法中的惯性权重基于余弦函数确定；
所述道岔转辙机剩余寿命预测模型基于带有剩余寿命标签的道岔转辙机的电流曲线数据训练样本训练得到。
优选地，所述神经网络中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数、所述隐藏层的阈值参数以及所述输出层的阈值参数基于自适应全局粒子群算法进行初始化得到，具体包括：
计算粒子群中每个粒子处于当前位置且当前速度的当前适应度值；
对于所述粒子群中的每个粒子，基于所述粒子的当前适应度值，更新所述粒子的个体最佳位置以及所述粒子群的全局最佳位置，并基于更新的结果，采用位置更新公式以及速度更新公式分别对所述粒子的位置和速度进行更新；
迭代上述步骤，直至满足迭代结束条件，并基于所述速度更新公式中的惯性权重确定所述神经网络中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数以及所述隐藏层的阈值参数；基于所述速度更新公式中的全局最佳位置的系数，确定所述输出层的阈值参数。
优选地，所述基于所述粒子的当前适应度值，更新所述粒子的个体最佳位置以及所述粒子群的全局最佳位置，具体包括：
若判断获知所述粒子的当前适应度值小于等于所述粒子在个体最佳位置上的适应度值，则将所述粒子的当前位置更新为所述粒子的个体最佳位置；
若判断获知所述粒子在个体最佳位置上的适应度值小于等于所述粒子在所述粒子群的全局最佳位置上的适应度值，则将所述粒子群的全局最佳位置更新为所述粒子的个体最佳位置。
优选地，所述道岔转辙机剩余寿命预测模型基于如下方法进行训练：
将所述电流曲线数据训练样本输入至初始模型中；
基于反向传播算法，对所述初始模型中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数、所述隐藏层的阈值参数以及所述输出层的阈值参数进行更新，直至所述初始模型的准确度达到预设阈值，得到所述道岔转辙机剩余寿命预测模型；
其中，所述初始模型是初始化所述神经网络中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数、所述隐藏层的阈值参数以及所述输出层的阈值参数后的神经网络。
优选地，所述初始模型的准确度基于所述初始模型输出的所述电流曲线数据训练样本对应的道岔转辙机的剩余寿命，以及所述电流曲线数据训练样本带有的所述剩余寿命标签确定。
优选地，还包括：
若判断获知所述道岔转辙机的剩余寿命小于单次维修作业时长，则确定所述道岔转辙机需要维修。
优选地，还包括：
若判断获知所述道岔转辙机的剩余寿命大于等于所述单次维修作业时长，则多次确定所述道岔转辙机的剩余寿命，并判断多次确定的结果的波动值是否大于等于预设波动值；
若多次确定的结果的波动值大于等于所述预设波动值，则基于所述电流曲线数据训练样本重新训练得到道岔转辙机剩余寿命预测模型，并基于重新训练得到的道岔转辙机剩余寿命预测模型，对所述道岔转辙机的剩余寿命进行预测。
第二方面，本发明实施例提供了一种道岔转辙机剩余寿命预测装置，包括：数据获取模块和剩余寿命预测模块。其中，
数据获取模块用于获取道岔转辙机的电流曲线数据；
剩余寿命预测模块用于将所述电流曲线数据输入至道岔转辙机剩余寿命预测模型，得到由所述道岔转辙机剩余寿命预测模型输出的所述道岔转辙机的剩余寿命；
其中，所述道岔转辙机剩余寿命预测模型基于神经网络构建，且所述神经网络中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数、所述隐藏层的阈值参数以及所述输出层的阈值参数基于自适应全局粒子群算法进行初始化得到，所述自适应全局粒子群算法中的惯性权重基于余弦函数确定；
所述道岔转辙机剩余寿命预测模型基于带有剩余寿命标签的道岔转辙机的电流曲线数据训练样本训练得到。
第三方面，本发明实施例提供了一种电子设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的道岔转辙机剩余寿命预测方法的步骤。
第四方面，本发明实施例提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述的道岔转辙机剩余寿命预测方法的步骤。
本发明实施例提供的一种道岔转辙机剩余寿命预测方法及装置，利用道岔转辙机剩余寿命预测模型实现对道岔转辙机的剩余寿命的预测，可以为后续对道岔转辙机的健康状态检测提供检测时机的判断标准。而且，由于道岔转辙机剩余寿命预测模型在构建时，其输入层和隐藏层之间的权值系数、隐藏层和输出层之间的权值系数、隐藏层的阈值参数以及输出层的阈值参数基于惯性权重由余弦函数确定的自适应全局粒子群算法进行初始化得到，可以使得道岔转辙机剩余寿命预测模型的预测准确度更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种道岔转辙机剩余寿命预测方法的流程示意图；
图2为本发明实施例提供的一种道岔转辙机剩余寿命预测方法中参数初始化过程示意图；
图3为本发明实施例提供的道岔转辙机剩余寿命拟合结果示意图；
图4为本发明实施例提供的一种道岔转辙机动态维修计划的执行过程示意图；
图5为本发明实施例提供的一种道岔转辙机剩余寿命预测装置的结构示意图；
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种道岔转辙机剩余寿命预测方法，包括：
S11，获取道岔转辙机的电流曲线数据；
S12，将所述电流曲线数据输入至道岔转辙机剩余寿命预测模型，得到由所述道岔转辙机剩余寿命预测模型输出的所述道岔转辙机的剩余寿命；
其中，所述道岔转辙机剩余寿命预测模型基于神经网络构建，且所述神经网络中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数、所述隐藏层的阈值参数以及所述输出层的阈值参数基于自适应全局粒子群算法进行初始化得到，所述自适应全局粒子群算法中的惯性权重基于余弦函数确定；
所述道岔转辙机剩余寿命预测模型基于带有剩余寿命标签的道岔转辙机的电流曲线数据训练样本训练得到。
具体地，本发明实施例中提供的道岔转辙机剩余寿命预测方法，首先执行步骤S11。可以先为每个道岔转辙机设置转辙机ID，然后为道岔转辙机对应的每条电流曲线设置电流曲线ID，进而收集每条电流曲线的对应的类型、采集的时间、道岔转辙机的动作方向以及具体的电流曲线数值等数据信息，整理得到表1。
表1数据信息
当道岔转辙机为直流驱动类型，表1中电流曲线数值对应于每个转辙机ID仅有一条记录；当道岔转辙机为交流驱动类型，表1中电流曲线数值对应于每个转辙机ID有三条记录，分别为A、B、C三相的电流曲线数值。
表1中电流曲线数值具体可以如下所示：
0.0，0.0，0.0，0.0，0.205，0.547，3.546，2.132，1.933，1.831，1.895，1.915，1.913，1.907，1.899，1.899，1.903，1.908，1.911，1.912，1.913，1.914，1.908，1.909，1.909，1.892，1.895，1.89，1.892，1.893，1.889，1.89，1.888，1.887，1.892，1.89，1.887，1.892，1.889，1.886，1.888，1.886，1.882，1.884，1.872，1.868，1.863，1.857，1.864，1.863，1.852，1.857，1.849，1.844，1.847，1.846，1.84，1.843，1.839，1.84，1.84，1.838，1.841，1.84，1.837，1.839，1.839，1.837，1.84，1.839，1.837，1.841，1.783，1.509，0.0，0.0，0.0。
此外，若转辙机为交流驱动类型，则将A、B、C三个相位的电流曲线按顺序拼接合并为一条电流曲线。
然后，执行步骤S12。其中，道岔转辙机剩余寿命预测模型的作用是基于电流曲线数据，对道岔转辙机的剩余寿命进行预测，得到道岔转辙机的剩余寿命。道岔转辙机剩余寿命预测模型是基于神经网络构建的，神经网络具体可以是全连接神经网络，可以包括输入层、隐藏层和输出层。神经网络中输入层和隐藏层之间的权值系数、隐藏层和输出层之间的权值系数、隐藏层的阈值参数以及输出层的阈值参数基于自适应全局粒子群算法进行初始化得到。其中，采用的自适应全局粒子群算法是在原始自适应粒子群算法的基础上，将原始自适应粒子群算法中的惯性权重通过余弦函数确定，如此可以弥补原始自适应粒子群算法容易陷入局部最优、搜索精度低和全局搜索性能不佳等缺点。
在执行步骤S12之前，还可以采用带有剩余寿命标签的道岔转辙机的电流曲线数据训练样本对神经网络进行训练，得到道岔转辙机剩余寿命模型。
本发明实施例中提供的道岔转辙机剩余寿命预测方法，利用道岔转辙机剩余寿命预测模型实现对道岔转辙机的剩余寿命的预测，可以为后续对道岔转辙机的健康状态检测提供检测时机的判断标准。而且，由于道岔转辙机剩余寿命预测模型在构建时，其输入层和隐藏层之间的权值系数、隐藏层和输出层之间的权值系数、隐藏层的阈值参数以及输出层的阈值参数基于惯性权重由余弦函数确定的自适应全局粒子群算法进行初始化得到，可以使得道岔转辙机剩余寿命预测模型的预测准确度更高。
如图2所示，在上述实施例的基础上，本发明实施例中提供的道岔转辙机剩余寿命预测方法，所述神经网络中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数、所述隐藏层的阈值参数以及所述输出层的阈值参数基于自适应全局粒子群算法进行初始化得到，具体包括：
S21，计算粒子群中每个粒子处于当前位置且当前速度的当前适应度值；
S22，对于所述粒子群中的每个粒子，基于所述粒子的当前适应度值，更新所述粒子的个体最佳位置以及所述粒子群的全局最佳位置，并基于更新的结果，采用位置更新公式以及速度更新公式分别对所述粒子的位置和速度进行更新；
S23，迭代上述步骤，直至满足迭代结束条件，并基于所述速度更新公式中的惯性权重确定所述神经网络中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数以及所述隐藏层的阈值参数；基于所述速度更新公式中的全局最佳位置的系数，确定所述输出层的阈值参数。
具体地，在执行步骤S21之前，可以设置相关参数和种群粒子数，具体包括：速度更新公式中的惯性权重ω取值范围是[0.4,0.9]，即惯性权重ω的最大值为ωmax＝0.9，最小值为ωmin＝0.4；种群粒子数I＝40；学习因子c1＝2,c2＝2；最大迭代次数K＝100；搜索空间维度D＝m×n，m是输入层和隐含层之间的权值系数，n是隐含层和输出层之间的权值系数。
初始化粒子群中每个粒子的速度为0，在可行域内初始化种群位置Pop(k＝0)＝{xij}，i＝1,2,…,I，j＝1,2,…,D。
执行步骤S21时，当前适应度值的计算可以通过求解适应度函数实现，适应度函数可以是Griewank函数、Rastrigin函数、Schaffer函数、Ackley函数以及Rosenbrock函数等。本发明实施例中可以采用如下公式示出的适应度函数计算粒子的当前适应度值。
其中，F为粒子的当前适应度值，实质是实际输出与期望输出的误差的范数，m,n,j为索引，M为道岔转辙机剩余寿命预测模型的训练样本的规模，N为输出神经元数，J为种群集合，ymn为道岔转辙机剩余寿命预测模型的实际输出，tmn为道岔转辙机剩余寿命预测模型的期望输出，道岔转辙机剩余寿命预测模型中种群个体为神经网络权值和阈值合成的解。
执行步骤S22时，对于所述粒子群中的每个粒子，基于所述粒子的当前适应度值，更新所述粒子的个体最佳位置以及所述粒子群的全局最佳位置。其中，第i个粒子的个体最佳位置可以表示为分别表示第i个粒子在第1维度、第2维度，…，第D维度的个体最佳位置。粒子群的全局最佳位置可以表示为gbest＝[gbest1,gbest2,…,gbestD]，gbest1,gbest2,…,gbestD分别表示粒子群在第1维度、第2维度，…，第D维度的全局最佳位置。
具体采用的更新方式可以是：
首先，判断粒子的当前适应度是否小于等于粒子在个体最佳位置上的适应度值。对于第i个粒子，第i个粒子的当前适应度为fi，即判断fi是否小于等于第i个粒子在个体最佳位置pbesti上的适应度值，如果判断获知fi小于等于第i个粒子在个体最佳位置pbesti上的适应度值，则将第i个粒子的当前位置更新为个体最佳位置pbesti，即此时第i个粒子的个体最佳位置pbesti是当前位置。
然后，判断粒子在个体最佳位置上的适应度值是否小于等于粒子在粒子群的全局最佳位置上的适应度值。对于第i个粒子，即判断第i个粒子在个体最佳位置pbesti上的适应度值是否小于等于第i个粒子在粒子群的全局最佳位置gbest上的适应度值，如果判断获知第i个粒子在个体最佳位置pbesti上的适应度值小于等于第i个粒子在粒子群的全局最佳位置gbest上的适应度值，则将粒子群的全局最佳位置gbest更新为个体最佳位置pbesti，即此时粒子群的全局最佳位置gbest是第i个粒子的个体最佳位置pbesti。
更新完成后，根据更新的结果，采用位置更新公式以及速度更新公式分别对所述粒子的位置和速度进行更新。其中，速度更新公式为公式(2)，位置更新公式为公式(3)。
其中，为更新后的第i个粒子在d个维度上的速度，/>为更新前的第i个粒子在d个维度上的速度，t为时刻，r1为个体影响因子，r2为社会影响因子，r1和r2均为0-1之间的均匀随机数，ω＝cos(π×α)为惯性权重，α为0-1之间的均匀随机数，/>k为当前迭代次数，/>为更新前的第i个粒子在d个维度上的位置，为更新后的第i个粒子在d个维度上的位置，λ＝0.5，ρ为0-1之间的均匀随机数。
将惯性权重ω改进为余弦函数，不仅可以增强搜索过程中的种群多样性，还可以增强自适应全局粒子群算法的全局最优能力；添加随机影响因子δ和β，可以使惯性权重多样化。速度更新公式中的影响因子δ随着迭代次数的增加而减小。相反，影响因子β随着迭代次数的增加而增加。添加两个影响因子使得粒子在迭代初期速度更新倾向于根据其个体的最佳位置更新速度，在迭代后期，粒子更喜欢根据其全局最优值更新速度。通过引入影响因子，改变了粒子更新速度，扩展算法的搜索空间。可以有效地提高算法的收敛速度，避免陷入局部最优；为了提高PSO的全局搜索性能，在位置更新公式中添加全局最优位置。
迭代执行步骤S21和S22的过程，直至满足迭代结束条件。迭代结束条件具体可以是当前迭代次数达到最大迭代次数。此时，根据速度更新公式中的惯性权重ω确定神经网络中输入层和隐藏层之间的权值系数wij、隐藏层和输出层之间的权值系数wjk以及隐藏层的阈值参数aj；基于速度更新公式中的全局最佳位置gbestd的系数，确定输出层的阈值参数βk。
满足迭代结束条件后，即可确定道岔转辙机剩余寿命预测模型的初始权值系数以及阈值，即神经网络的中输入层和隐藏层之间的权值系数wij、隐藏层和输出层之间的权值系数wjk、隐藏层的阈值参数aj以及输出层的阈值参数βk。
在上述实施例的基础上，所述道岔转辙机剩余寿命预测模型基于如下方法进行训练：
将所述电流曲线数据训练样本输入至初始模型中；
基于反向传播算法，对所述初始模型中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数、所述隐藏层的阈值参数以及所述输出层的阈值参数进行更新，直至所述初始模型的准确度达到预设阈值，得到所述道岔转辙机剩余寿命预测模型；
其中，所述初始模型是初始化所述神经网络中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数、所述隐藏层的阈值参数以及所述输出层的阈值参数后的神经网络。
具体地，由输入层通过如下公式(4)计算隐藏层Hj，由隐藏层Hj通过公式(5)计算输出层Ok。
至此，即确定了初始模型。
在仿真实验过程中，从3500条数据中随机选择2500条数据作为训练样本，其余1015条数据作为测试样本，分别使用基于经典全连接神经网络算法和自适应全局粒子群算法的全连接神经网络建立道岔转辙机剩余寿命预测模型。其中，数据源的大小可以变动。
本发明实施例中，初始模型的准确度基于所述初始模型输出的所述电流曲线数据训练样本对应的道岔转辙机的剩余寿命，以及所述电流曲线数据训练样本带有的所述剩余寿命标签确定。即目标函数如公式(6)所示。
全连接神经网络的训练步骤如下：输入训练样本，包括样本特征矩阵和期望输出；相邻两层之间的权值系数分别是wij和wjk，隐藏层的阈值参数为α，输出层的阈值参数为β。输入层的神经元个数n，输出层的节点数为m。
神经网络的输出残差＝期望输出-实际输出。
采用反向传播算法对神经网络进行训练，更新神经网络相邻两层之间的权重系数以及每层的阈值参数，最后判断全局误差是否趋近于极小值来判断训练是否结束。
道岔转辙机剩余寿命拟合结果如图3所示，横坐标为迭代次数，纵坐标为道岔转辙机剩余寿命，期望输出用实线表示，基于经典全连接神经网络算法的全连接神经网络(Classic BP)构建的道岔转辙机剩余寿命预测模型得到的实际输出用长虚线表示，其准确度为76.1％。而本发明实施例中中基于自适应全局粒子群算法的全连接神经网络算法(AGPSO BP)构建的道岔转辙机剩余寿命预测模型得到的实际输出用短虚线表示，其拟合准确度为91.2％，更接近于期望输出。本发明实施例中的自适应全局粒子群算法，由于改进了神经网络中相邻两层之间的权值系数以及隐藏层和输出层的阈值参数的初始值，因此比经典全连接神经网络算法训练得到的道岔转辙机剩余寿命预测模型的预测结果更接近真实值。
当得到道岔转辙机的剩余寿命后，即可用于指导对道岔转辙机的维修计划的动态调整，即在上述实施例的基础上，若判断获知道岔转辙机的剩余寿命小于单次维修作业时长，则确定道岔转辙机需要维修。
具体地，单次维修作业时长是指完整维修一次道岔转辙机所需要的时长。在确定道岔转辙机需要维修后，可以向维修人员发生维修指令，指示维修人员对该道岔转辙机进行维修。
在上述实施例的基础上，还包括：
若判断获知所述道岔转辙机的剩余寿命大于等于所述单次维修作业时长，则多次确定所述道岔转辙机的剩余寿命，并判断多次确定的结果的波动值是否大于等于预设波动值；
若多次确定的结果的波动值大于等于所述预设波动值，则基于所述电流曲线数据训练样本重新训练得到道岔转辙机剩余寿命预测模型，并基于重新训练得到的道岔转辙机剩余寿命预测模型，对所述道岔转辙机的剩余寿命进行预测。
具体地，本发明实施例中，可以在道岔转辙机的剩余寿命大于等于单次维修作业时长的条件下，通过多次确定道岔转辙机的剩余寿命，并判断多次确定的结果的波动值是否大于等于预设波动值，对道岔转辙机剩余寿命预测模型进行重新训练，以保证道岔转辙机剩余寿命预测模型对道岔转辙机剩余寿命的预测结果准确性和稳定性。
如图4所示，为本发明实施例中道岔转辙机动态维修计划的执行过程示意图。
1)获取道岔转辙机的电流曲线数据；
2)将电流曲线数据输入至道岔转辙机剩余寿命预测模型，得到由所述道岔转辙机剩余寿命预测模型输出的所述道岔转辙机的剩余寿命；
3)判断道岔转辙机的剩余寿命大于等于单次维修作业时长，若是执行4)，若否执行6)；
4)持续检测，多次确定道岔转辙机的剩余寿命，并判断检测结果的波动值是否大于等于预设波动值，若是执行5)，若否返回执行1)；
5)重新训练得到道岔转辙机剩余寿命预测模型；
6)发送维修指令。
综上所述，本发明实施例中提供的道岔转辙机剩余寿命预测方法，利用道岔转辙机的电流曲线数据，开展基于随机优化算法和人工智能算法结合的道岔转辙机寿命预测工作，通过寿命值的变化趋势，合理、动态地规划道岔转辙机的维修计划，降低维护成本；改进原始粒子群算法，提出一种自适应全局粒子群算法以弥补原始算法容易陷入局部最优、搜索精度低和全局搜索性能不佳等缺点；通过自适应粒子群算法优化神经网络连接权值和阈值等参数，将质量较高的参数作为神经网络的初始权值和阈值，在此基础上进行全连接神经网络的训练。通过训练得到的道岔转辙机剩余寿命预测模型实现了道岔转辙机剩余寿命的预测，进而实现道岔转辙机的动态维修计划，提升了运维效率，降低运维成本。
如图5所示，在上述实施例的基础上，本发明实施例中提供了一种道岔转辙机剩余寿命预测装置，包括：数据获取模块51和剩余寿命预测模块52。其中，
数据获取模块51用于获取道岔转辙机的电流曲线数据；
剩余寿命预测模块52用于将所述电流曲线数据输入至道岔转辙机剩余寿命预测模型，得到由所述道岔转辙机剩余寿命预测模型输出的所述道岔转辙机的剩余寿命；
其中，所述道岔转辙机剩余寿命预测模型基于神经网络构建，且所述神经网络中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数、所述隐藏层的阈值参数以及所述输出层的阈值参数基于自适应全局粒子群算法进行初始化得到，所述自适应全局粒子群算法中的惯性权重基于余弦函数确定；
所述道岔转辙机剩余寿命预测模型基于带有剩余寿命标签的道岔转辙机的电流曲线数据训练样本训练得到。
具体地，本发明实施例中提供的道岔转辙机剩余寿命预测装置中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致的，具体参见上述实施例，本发明实施例中对此不再赘述。
图6所示，在上述实施例的基础上，本发明实施例中提供了一种电子设备，包括：处理器(processor)601、存储器(memory)602、通信接口(Communications Interface)603和通信总线604；其中，
所述处理器601、存储器602、通信接口603通过通信总线604完成相互间的通信。所述存储器602存储有可被所述处理器601执行的程序指令，处理器601用于调用存储器602中的程序指令，以执行上述各方法实施例所提供的道岔转辙机剩余寿命预测方法。
需要说明的是，本实施例中的电子设备在具体实现时可以为服务器，也可以为PC机，还可以为其他设备，只要其结构中包括如图6所示的处理器601、通信接口603、存储器602和通信总线604，其中处理器601、通信接口603和存储器602通过通信总线604完成相互间的通信，且处理器601可以调用存储器602中的逻辑指令以执行上述方法即可。本实施例不对电子设备的具体实现形式进行限定。
存储器602中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的道岔转辙机剩余寿命预测方法。
在上述实施例的基础上，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的道岔转辙机剩余寿命预测方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种道岔转辙机剩余寿命预测方法，其特征在于，包括：
获取道岔转辙机的电流曲线数据；
将所述电流曲线数据输入至道岔转辙机剩余寿命预测模型，得到由所述道岔转辙机剩余寿命预测模型输出的所述道岔转辙机的剩余寿命；
其中，所述道岔转辙机剩余寿命预测模型基于神经网络构建，且所述神经网络中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数、所述隐藏层的阈值参数以及所述输出层的阈值参数基于自适应全局粒子群算法进行初始化得到，所述自适应全局粒子群算法中的惯性权重基于余弦函数确定；
所述道岔转辙机剩余寿命预测模型基于带有剩余寿命标签的道岔转辙机的电流曲线数据训练样本训练得到；
还包括：
若判断获知所述道岔转辙机的剩余寿命大于等于单次维修作业时长，则多次确定所述道岔转辙机的剩余寿命，并判断多次确定的结果的波动值是否大于等于预设波动值；
若多次确定的结果的波动值大于等于所述预设波动值，则基于所述电流曲线数据训练样本重新训练得到道岔转辙机剩余寿命预测模型，并基于重新训练得到的道岔转辙机剩余寿命预测模型，对所述道岔转辙机的剩余寿命进行预测；
所述神经网络中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数、所述隐藏层的阈值参数以及所述输出层的阈值参数基于自适应全局粒子群算法进行初始化得到，具体包括：
计算粒子群中每个粒子处于当前位置且当前速度的当前适应度值；
对于所述粒子群中的每个粒子，基于所述粒子的当前适应度值，更新所述粒子的个体最佳位置以及所述粒子群的全局最佳位置，并基于更新的结果，采用位置更新公式以及速度更新公式分别对所述粒子的位置和速度进行更新；
迭代上述步骤，直至满足迭代结束条件，并基于所述速度更新公式中的惯性权重确定所述神经网络中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数以及所述隐藏层的阈值参数；基于所述速度更新公式中的全局最佳位置的系数，确定所述输出层的阈值参数；
所述基于所述粒子的当前适应度值，更新所述粒子的个体最佳位置以及所述粒子群的全局最佳位置，具体包括：
若判断获知所述粒子的当前适应度值小于等于所述粒子在个体最佳位置上的适应度值，则将所述粒子的当前位置更新为所述粒子的个体最佳位置；
若判断获知所述粒子在个体最佳位置上的适应度值小于等于所述粒子在所述粒子群的全局最佳位置上的适应度值，则将所述粒子群的全局最佳位置更新为所述粒子的个体最佳位置；
所述道岔转辙机剩余寿命预测模型基于如下方法进行训练：
将所述电流曲线数据训练样本输入至初始模型中；
基于反向传播算法，对所述初始模型中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数、所述隐藏层的阈值参数以及所述输出层的阈值参数进行更新，直至所述初始模型的准确度达到预设阈值，得到所述道岔转辙机剩余寿命预测模型；
其中，所述初始模型是初始化所述神经网络中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数、所述隐藏层的阈值参数以及所述输出层的阈值参数后的神经网络；
所述速度更新公式为：
所述位置更新公式为：
其中，Vi d(t+1)为更新后的第i个粒子在d个维度上的速度，Vi d(t)为更新前的第i个粒子在d个维度上的速度，t为时刻，r1为个体影响因子，r2为社会影响因子，r1和r2均为0-1之间的均匀随机数，ω＝cos(π×α)为惯性权重，α为0-1之间的均匀随机数，k为当前迭代次数，/> 为更新前的第i个粒子在d个维度上的位置，为更新后的第i个粒子在d个维度上的位置，λ＝0.5，ρ为0-1之间的均匀随机数，c1和c2均为学习因子。
2.根据权利要求1所述的道岔转辙机剩余寿命预测方法，其特征在于，所述初始模型的准确度基于所述初始模型输出的所述电流曲线数据训练样本对应的道岔转辙机的剩余寿命，以及所述电流曲线数据训练样本带有的所述剩余寿命标签确定。
3.根据权利要求1-2中任一项所述的道岔转辙机剩余寿命预测方法，其特征在于，还包括：
若判断获知所述道岔转辙机的剩余寿命小于单次维修作业时长，则确定所述道岔转辙机需要维修。
4.一种道岔转辙机剩余寿命预测装置，其特征在于，包括：
数据获取模块，用于获取道岔转辙机的电流曲线数据；
剩余寿命预测模块，用于将所述电流曲线数据输入至道岔转辙机剩余寿命预测模型，得到由所述道岔转辙机剩余寿命预测模型输出的所述道岔转辙机的剩余寿命；
其中，所述道岔转辙机剩余寿命预测模型基于神经网络构建，且所述神经网络中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数、所述隐藏层的阈值参数以及所述输出层的阈值参数基于自适应全局粒子群算法进行初始化得到，所述自适应全局粒子群算法中的惯性权重基于余弦函数确定；
所述道岔转辙机剩余寿命预测模型基于带有剩余寿命标签的道岔转辙机的电流曲线数据训练样本训练得到；
所述剩余寿命预测模块还用于：
若判断获知所述道岔转辙机的剩余寿命大于等于单次维修作业时长，则多次确定所述道岔转辙机的剩余寿命，并判断多次确定的结果的波动值是否大于等于预设波动值；
若多次确定的结果的波动值大于等于所述预设波动值，则基于所述电流曲线数据训练样本重新训练得到道岔转辙机剩余寿命预测模型，并基于重新训练得到的道岔转辙机剩余寿命预测模型，对所述道岔转辙机的剩余寿命进行预测；
所述神经网络中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数、所述隐藏层的阈值参数以及所述输出层的阈值参数基于自适应全局粒子群算法进行初始化得到，具体包括：
计算粒子群中每个粒子处于当前位置且当前速度的当前适应度值；
对于所述粒子群中的每个粒子，基于所述粒子的当前适应度值，更新所述粒子的个体最佳位置以及所述粒子群的全局最佳位置，并基于更新的结果，采用位置更新公式以及速度更新公式分别对所述粒子的位置和速度进行更新；
迭代上述步骤，直至满足迭代结束条件，并基于所述速度更新公式中的惯性权重确定所述神经网络中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数以及所述隐藏层的阈值参数；基于所述速度更新公式中的全局最佳位置的系数，确定所述输出层的阈值参数；
所述基于所述粒子的当前适应度值，更新所述粒子的个体最佳位置以及所述粒子群的全局最佳位置，具体包括：
若判断获知所述粒子的当前适应度值小于等于所述粒子在个体最佳位置上的适应度值，则将所述粒子的当前位置更新为所述粒子的个体最佳位置；
若判断获知所述粒子在个体最佳位置上的适应度值小于等于所述粒子在所述粒子群的全局最佳位置上的适应度值，则将所述粒子群的全局最佳位置更新为所述粒子的个体最佳位置；
所述道岔转辙机剩余寿命预测模型基于如下方法进行训练：
将所述电流曲线数据训练样本输入至初始模型中；
基于反向传播算法，对所述初始模型中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数、所述隐藏层的阈值参数以及所述输出层的阈值参数进行更新，直至所述初始模型的准确度达到预设阈值，得到所述道岔转辙机剩余寿命预测模型；
其中，所述初始模型是初始化所述神经网络中输入层和隐藏层之间的权值系数、所述隐藏层和输出层之间的权值系数、所述隐藏层的阈值参数以及所述输出层的阈值参数后的神经网络；
所述速度更新公式为：
所述位置更新公式为：
其中，Vi d(t+1)为更新后的第i个粒子在d个维度上的速度，Vi d(t)为更新前的第i个粒子在d个维度上的速度，t为时刻，r1为个体影响因子，r2为社会影响因子，r1和r2均为0-1之间的均匀随机数，ω＝cos(π×α)为惯性权重，α为0-1之间的均匀随机数，k为当前迭代次数，/> 为更新前的第i个粒子在d个维度上的位置，为更新后的第i个粒子在d个维度上的位置，λ＝0.5，ρ为0-1之间的均匀随机数，c1和c2均为学习因子。
5.一种电子设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-3中任一项所述的道岔转辙机剩余寿命预测方法的步骤。
6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-3中任一项所述的道岔转辙机剩余寿命预测方法的步骤。
CN202010608601.6A 2020-06-29 2020-06-29 道岔转辙机剩余寿命预测方法及装置 Active CN111860971B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010608601.6A CN111860971B (zh) 2020-06-29 2020-06-29 道岔转辙机剩余寿命预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010608601.6A CN111860971B (zh) 2020-06-29 2020-06-29 道岔转辙机剩余寿命预测方法及装置

Publications (2)

Publication Number Publication Date
CN111860971A CN111860971A (zh) 2020-10-30
CN111860971B true CN111860971B (zh) 2024-04-26

Family

ID=72989912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010608601.6A Active CN111860971B (zh) 2020-06-29 2020-06-29 道岔转辙机剩余寿命预测方法及装置

Country Status (1)

Country Link
CN (1) CN111860971B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113581253B (zh) * 2021-07-26 2023-10-03 中国铁路兰州局集团有限公司 电空道岔转辙机的状态确定方法和装置
CN113627496A (zh) * 2021-07-27 2021-11-09 交控科技股份有限公司 道岔转辙机故障预测方法、装置、电子设备和可读存储介质
CN117741512B (zh) * 2024-02-20 2024-06-07 山东铁路投资控股集团有限公司 一种基于神经网络的转辙机状态检测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5444820A (en) * 1993-12-09 1995-08-22 Long Island Lighting Company Adaptive system and method for predicting response times in a service environment
JP2012018912A (ja) * 2010-06-09 2012-01-26 Nissan Motor Co Ltd 充電制御装置及び方法
CN106709567A (zh) * 2016-12-14 2017-05-24 河北省科学院应用数学研究所 基于深度学习模型的道岔故障诊断方法
CN107215357A (zh) * 2017-05-25 2017-09-29 同济大学 一种道岔故障预测方法
CN109271705A (zh) * 2018-09-14 2019-01-25 湘潭大学 一种基于深度学习的机器预测性维护方法
CN109501834A (zh) * 2018-11-28 2019-03-22 交控科技股份有限公司 一种道岔转辙机故障预测方法及装置
US10288428B1 (en) * 2018-02-12 2019-05-14 AOSense, Inc. Velocity selective thermal atomic beam inertial sensor
CN110794308A (zh) * 2019-11-07 2020-02-14 交控科技股份有限公司 列车电池容量预测方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5444820A (en) * 1993-12-09 1995-08-22 Long Island Lighting Company Adaptive system and method for predicting response times in a service environment
JP2012018912A (ja) * 2010-06-09 2012-01-26 Nissan Motor Co Ltd 充電制御装置及び方法
CN106709567A (zh) * 2016-12-14 2017-05-24 河北省科学院应用数学研究所 基于深度学习模型的道岔故障诊断方法
CN107215357A (zh) * 2017-05-25 2017-09-29 同济大学 一种道岔故障预测方法
US10288428B1 (en) * 2018-02-12 2019-05-14 AOSense, Inc. Velocity selective thermal atomic beam inertial sensor
CN109271705A (zh) * 2018-09-14 2019-01-25 湘潭大学 一种基于深度学习的机器预测性维护方法
CN109501834A (zh) * 2018-11-28 2019-03-22 交控科技股份有限公司 一种道岔转辙机故障预测方法及装置
CN110794308A (zh) * 2019-11-07 2020-02-14 交控科技股份有限公司 列车电池容量预测方法及装置

Also Published As

Publication number Publication date
CN111860971A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111860971B (zh) 道岔转辙机剩余寿命预测方法及装置
CN109102005B (zh) 基于浅层模型知识迁移的小样本深度学习方法
CN108596212B (zh) 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法
CN110929918B (zh) 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN103914735B (zh) 一种基于神经网络自学习的故障识别方法及系统
CN109829236A (zh) 一种基于XGBoost特征提取的压缩机故障诊断方法
CN111237988B (zh) 地铁车载空调机组控制方法及系统
CN111539515A (zh) 一种基于故障预测的复杂装备维修决策方法
CN110794308B (zh) 列车电池容量预测方法及装置
CN109740859A (zh) 基于主成分分析法和支持向量机的变压器状态评估方法及系统
CN110909802A (zh) 一种基于改进的pso优化pnn平滑因子的故障分类方法
CN111610466A (zh) 一种变压器状态预测方法、装置和存储介质
CN116205265A (zh) 一种基于深层神经网络的电网故障诊断方法及装置
CN111400964B (zh) 一种故障发生时间预测方法及装置
CN113469013A (zh) 一种基于迁移学习和时间序列的电机故障预测方法及系统
CN110163332B (zh) 一种变压器故障诊断方法
CN115859826A (zh) 一种基于集成学习的盾构设备故障融合预测方法
CN115292820A (zh) 一种城轨列车轴承剩余使用寿命的预测方法
CN116822806A (zh) 电网的调度方法、电子设备及可读存储介质
CN113837443A (zh) 基于深度BiLSTM的变电站线路负载预测方法
CN113807005A (zh) 基于改进fpa-dbn的轴承剩余寿命预测方法
Wang et al. Application of artificial neural network supported by bp and particle swarm optimization algorithm for evaluating the criticality class of spare parts
CN117407762A (zh) 一种基于ga-bp神经网络的电网故障分类方法及系统
CN116402361A (zh) 配电自动化运行趋势预测方法及系统、终端、存储介质
CN118094192A (zh) 一种水轮机组水导轴瓦温差预测方法、装置及存储介质

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