CN111915181A - 一种信号设备使用寿命状态预测方法 - Google Patents

一种信号设备使用寿命状态预测方法 Download PDF

Info

Publication number
CN111915181A
CN111915181A CN202010747300.1A CN202010747300A CN111915181A CN 111915181 A CN111915181 A CN 111915181A CN 202010747300 A CN202010747300 A CN 202010747300A CN 111915181 A CN111915181 A CN 111915181A
Authority
CN
China
Prior art keywords
influence factor
signal equipment
historical
target signal
service 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.)
Pending
Application number
CN202010747300.1A
Other languages
English (en)
Inventor
虞翊
楚彭子
阿力玛斯·伊力夏提
董丹阳
袁建军
陈义军
张仿琪
赵华华
林辉
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202010747300.1A priority Critical patent/CN111915181A/zh
Publication of CN111915181A publication Critical patent/CN111915181A/zh
Pending legal-status Critical Current

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
    • G06Q10/06—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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种信号设备使用寿命状态预测方法，包括：获取目标信号设备影响因素指标数据和不同历史案例的历史影响因素指标数据；将历史影响因素指标数据和目标信号设备影响因素指标数据归一化；基于归一化历史影响因素指标数据和归一化目标信号设备影响因素指标数据，计算得到不同指标的关联系数；基于不同指标的关联系数和不同指标的权重，计算得到不同历史案例的使用寿命状态匹配系数；选取最大的使用寿命状态匹配系数所对应的历史案例进行目标信号设备的使用寿命状态预测。与现有技术相比，较为科学与快速地得到目标信号设备使用寿命状态情况，有助于信号设备维保工作的开展。

Description

一种信号设备使用寿命状态预测方法
技术领域
本发明涉及设施设备的性能预测领域，尤其是涉及一种信号设备使用寿命状态预测方法。
背景技术
信号设备故障是导致城市轨道交通列车延误的主要问题之一，信号设备状态管理对于列车的运行安全与运营安全十分重要。使用寿命是指设备从投入使用开始至设备退出使用为止。信号设备的使用寿命评估是涉及技术、经济、管理、社会影响和专家经验等多种方面的综合工程。
根据GB50157规定，信号系统的寿命周期为15-20年。当前，城市轨道交通信号系统的大修、更新改造规程的科学性低，地铁信号设备使用寿命评估方法以及系统的研究相对少，对信号设备健康状态的研究相对较多。中国发明专利CN103632414A“一种地铁列车信号系统在线监测与预警的装置”旨在通过数据的实时采集与在线分析的方式来诊断车载信号设备的故障。中国发明专利CN109472449A“基于群决策的城市轨道交通信号设备健康状态评价方法”提出结合多个专家成员的评价数据，来获取信号设备的评价结果。
近年来，信号设备使用寿命状态的分析受到关注，2017年发表在《铁路通信信号》上的文献“高铁信号关键设备使用寿命评估方法”与2020年发表在《城市轨道交通研究》上的文献“基于模糊层次分析法的轨道交通信号设备寿命评价模型”均探讨了信号设备使用寿命状态，并提出了结合模糊综合评判和层次分析法的状态评估方法。已有使用寿命状态的评估方法已经得到运用，也积累了一定的数据。在该背景下，如何充分利用大量的以往评估数据，以更简便地得到当前评估对象的状态及其维护策略值得商榷。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种信号设备使用寿命状态预测方法。
本发明的目的可以通过以下技术方案来实现：
一种信号设备使用寿命状态预测方法，该方法包括以下步骤：
步骤S1：获取目标信号设备影响因素指标数据和不同历史案例的历史影响因素指标数据；
步骤S2：将历史影响因素指标数据和目标信号设备影响因素指标数据归一化；
步骤S3：基于归一化历史影响因素指标数据和归一化目标信号设备影响因素指标数据，计算得到不同指标的关联系数；
步骤S4：基于不同指标的关联系数和不同指标的权重，计算得到不同历史案例的使用寿命状态匹配系数；
步骤S5：选取最大的使用寿命状态匹配系数所对应的历史案例进行目标信号设备的使用寿命状态预测。
将历史影响因素指标数据和目标信号设备影响因素指标数据归一化的计算公式为：
Figure BDA0002608797500000021
其中，m为历史案例的个数，n为影响因素指标的个数，得到ob'ij后，当i取1,2,3,…m时，ob'ij为归一化历史影响因素指标数据；当i取0时，ob'ij为归一化目标信号设备影响因素指标数据，即ob'0j。
所述关联系数rij的计算公式为：
Figure BDA0002608797500000022
其中，σ为不同历史案例的状态量化值的标准差，状态包括“优”、“良”、“中”和“差”，所述状态量化值包括1、2、3和4。
所述使用寿命状态匹配系数的计算公式为：
Figure BDA0002608797500000023
其中，wj为j影响因素指标的权重，ρ0i为i历史案例的使用寿命状态匹配系数。
所述的权重可由专家根据影响因素指标的重要性赋权，也可基于层次分析法或熵权法等成熟方法计算得到。
得到不同指标的关联系数后，基于不同指标的关联系数和不同指标的权重进行维护策略预测的过程包括：
将目标信号设备影响因素指标划分为类别A和类别B；
基于不同指标的关联系数和不同指标的权重，计算得到不同历史案例的类别A匹配系数和类别B匹配系数；
选取类别A匹配系数和类别B匹配系数中最大值所对应的历史案例进行目标信号设备的维护策略预测。
将归一化目标信号设备影响因素指标数据小于0.5的目标信号设备影响因素指标划分为类别A，其余划分为类别B。
所述类别A匹配系数的计算公式为：
Figure BDA0002608797500000031
类别B匹配系数的计算公式为：
Figure BDA0002608797500000032
其中，wj为j影响因素指标的权重，
Figure BDA0002608797500000033
为i历史案例的类别A匹配系数，
Figure BDA0002608797500000034
为i历史案例的类别B匹配系数，m为历史案例的个数，rij为关联系数。
与现有技术相比，本发明具有以下优点：
(1)通过目标信号设备影响因素指标数据和不同历史案例的历史影响因素指标数据，能够通过对象匹配的方式较为科学与快速地得到目标信号设备使用寿命状态情况，充分利用了以往评估数据，有助于信号设备维保工作的开展，改善了信号设备维护管理现状，促进轨道交通信号设备管理的智能化、科学化以及专业化。
(2)得到不同指标的关联系数后，还可预测相应的维护策略，有助于信号设备维保工作的开展，能够简单地用于工程实践。
附图说明
图1为本发明的使用寿命状态预测和维护策略预测流程图；
图2为本发明的使用寿命状态预测和维护策略预测逻辑示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
本实施例提供一种信号设备使用寿命状态预测方法，包括以下步骤：
获取目标信号设备(目标对象)影响因素指标数据和不同历史案例的历史影响因素指标数据；
将历史影响因素指标数据和目标信号设备影响因素指标数据归一化；
基于归一化历史影响因素指标数据和归一化目标信号设备影响因素指标数据，计算得到不同指标的关联系数；
基于不同指标的关联系数和不同指标的权重，计算得到不同历史案例的使用寿命状态匹配系数；
选取最大的使用寿命状态匹配系数所对应的历史案例进行目标信号设备的使用寿命状态预测。
得到不同指标的关联系数后，基于不同指标的关联系数和不同指标的权重还可进行维护策略预测，包括：
将目标信号设备影响因素指标划分为类别A和类别B；
基于不同指标的关联系数和不同指标的权重，计算得到不同历史案例的类别A匹配系数和类别B匹配系数；
选取类别A匹配系数和类别B匹配系数中最大值所对应的历史案例进行目标信号设备的维护策略预测。
历史案例的状态si包括“优”、“良”、“中”与“差”，其量化值包括1、2、3与4，最终用历史案例的状态si进行信号设备使用寿命状态预测，用历史案例的不同指标的维护策略hij进行维护策略预测。
具体而言，信号设备使用寿命状态预测方法具体步骤：
1、数据的归一化。按照公式(1)将目标信号设备影响因素指标数据和不同历史案例的历史影响因素指标数据归一化至区间[0,1]；得到归一化数据后，当i取1,2,3,…m时，ob'ij为归一化历史影响因素指标数据；当i取0时，ob'ij为归一化目标信号设备影响因素指标数据，即ob'0j。
Figure BDA0002608797500000051
其中，m为历史案例的个数，n为影响因素指标的个数。
2、计算关联系数。结合各个历史案例的状态量化值的标准差σ以及归一化数值，计算不同指标的关联系数，如式(2)所示。
Figure BDA0002608797500000052
3、求取使用寿命状态匹配系数。使用寿命状态匹配系数的计算公式为：
Figure BDA0002608797500000053
其中，wj为j影响因素指标的权重，ρ0i为i历史案例的使用寿命状态匹配系数。
4、预测目标信号设备的使用寿命状态。选取最大的使用寿命状态匹配系数所对应的历史案例进行目标信号设备的使用寿命状态预测。
5、输出结果，并结束。输出目标信号设备所处的使用寿命状态，停止分析。
类似地，维护策略预测过程如下：
1、指标数据的归一化。按照公式(1)将目标信号设备影响因素指标数据和不同历史案例的历史影响因素指标数据归一化至区间[0,1]。
2、计算关联系数。计算方法同公式(2)。
3、划分影响因素指标的类别。根据目标信号设备归一化影响因素指标数据的大小，将小于0.5的因素划分为类别A，将其它目标信号设备影响因素指标划分为类别B。
4、求取维修策略匹配系数(类别A匹配系数和类别B匹配系数)。类别A匹配系数的计算公式为：
Figure BDA0002608797500000054
类别B匹配系数的计算公式为：
Figure BDA0002608797500000055
其中，wj为j影响因素指标的权重，
Figure BDA0002608797500000056
为i历史案例的类别A匹配系数，
Figure BDA0002608797500000057
为i历史案例的类别B匹配系数，m为历史案例的个数，rij为关联系数。
5、预测目标信号设备维护策略。选取类别A匹配系数和类别B匹配系数中最大值所对应的历史案例进行目标信号设备的维护策略预测。
6、输出结果，并结束。输出目标信号设备的维护策略，停止分析。
本实施例针对信号设备的替换、更新与换代等维护工作中尚缺少一定的科学依据的问题，依托以往评估与管理数据，以方便实用为设计目标，阐述了信号设备使用寿命状态预测和维护策略预测的过程，信号设备使用寿命状态预测和维护策略预测方法的提出改善了信号设备维护管理现状，促进轨道交通信号设备管理的智能化、科学化以及专业化。

Claims (8)

1.一种信号设备使用寿命状态预测方法，其特征在于，该方法包括以下步骤：
步骤S1：获取目标信号设备影响因素指标数据和不同历史案例的历史影响因素指标数据；
步骤S2：将历史影响因素指标数据和目标信号设备影响因素指标数据归一化；
步骤S3：基于归一化历史影响因素指标数据和归一化目标信号设备影响因素指标数据，计算得到不同指标的关联系数；
步骤S4：基于不同指标的关联系数和不同指标的权重，计算得到不同历史案例的使用寿命状态匹配系数；
步骤S5：选取最大的使用寿命状态匹配系数所对应的历史案例进行目标信号设备的使用寿命状态预测。
2.根据权利要求1所述的一种信号设备使用寿命状态预测方法，其特征在于，将历史影响因素指标数据和目标信号设备影响因素指标数据归一化的计算公式为：
Figure FDA0002608797490000011
其中，m为历史案例的个数，n为影响因素指标的个数，得到ob'ij后，当i取1,2,3,…m时，ob'ij为归一化历史影响因素指标数据；当i取0时，ob'ij为归一化目标信号设备影响因素指标数据，即ob'0j。
3.根据权利要求2所述的一种信号设备使用寿命状态预测方法，其特征在于，所述关联系数rij的计算公式为：
Figure FDA0002608797490000012
其中，σ为不同历史案例的状态量化值的标准差，状态包括“优”、“良”、“中”和“差”，所述状态量化值包括1、2、3和4。
4.根据权利要求3所述的一种信号设备使用寿命状态预测方法，其特征在于，所述使用寿命状态匹配系数的计算公式为：
Figure FDA0002608797490000013
其中，wj为j影响因素指标的权重，ρ0i为i历史案例的使用寿命状态匹配系数。
5.根据权利要求4所述的一种信号设备使用寿命状态预测方法，其特征在于，所述的权重由专家根据影响因素指标的重要性赋权，或者基于层次分析法或熵权法计算得到。
6.根据权利要求1所述的一种信号设备使用寿命状态预测方法，其特征在于，得到不同指标的关联系数后，基于不同指标的关联系数和不同指标的权重进行维护策略预测的过程包括：
将目标信号设备影响因素指标划分为类别A和类别B；
基于不同指标的关联系数和不同指标的权重，计算得到不同历史案例的类别A匹配系数和类别B匹配系数；
选取类别A匹配系数和类别B匹配系数中最大值所对应的历史案例进行目标信号设备的维护策略预测。
7.根据权利要求6所述的一种信号设备使用寿命状态预测方法，其特征在于，将归一化目标信号设备影响因素指标数据小于0.5的目标信号设备影响因素指标划分为类别A，其余划分为类别B。
8.根据权利要求6所述的一种信号设备使用寿命状态预测方法，其特征在于，所述类别A匹配系数的计算公式为：
Figure FDA0002608797490000021
类别B匹配系数的计算公式为：
Figure FDA0002608797490000022
其中，wj为j影响因素指标的权重，
Figure FDA0002608797490000023
为i历史案例的类别A匹配系数，
Figure FDA0002608797490000024
为i历史案例的类别B匹配系数，m为历史案例的个数，rij为关联系数。
CN202010747300.1A 2020-07-29 2020-07-29 一种信号设备使用寿命状态预测方法 Pending CN111915181A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010747300.1A CN111915181A (zh) 2020-07-29 2020-07-29 一种信号设备使用寿命状态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010747300.1A CN111915181A (zh) 2020-07-29 2020-07-29 一种信号设备使用寿命状态预测方法

Publications (1)

Publication Number Publication Date
CN111915181A true CN111915181A (zh) 2020-11-10

Family

ID=73287969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010747300.1A Pending CN111915181A (zh) 2020-07-29 2020-07-29 一种信号设备使用寿命状态预测方法

Country Status (1)

Country Link
CN (1) CN111915181A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015133115A (ja) * 2014-01-13 2015-07-23 シモンズ プレシジョン プロダクツ， インク．Ｓｉｍｍｏｎｄｓ Ｐｒｅｃｉｓｉｏｎ Ｐｒｏｄｕｃｔｓ，Ｉｎｃ． 残存耐用寿命決定方法
CN108171341A (zh) * 2017-12-19 2018-06-15 深圳交控科技有限公司 信号设备的状态分析方法与装置
CN108959778A (zh) * 2018-07-06 2018-12-07 南京航空航天大学 一种基于退化模式一致性的航空发动机剩余寿命预测方法
CN110186513A (zh) * 2019-06-18 2019-08-30 重庆大学 一种海缆用交联聚乙烯绝缘材料老化的表征方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015133115A (ja) * 2014-01-13 2015-07-23 シモンズ プレシジョン プロダクツ， インク．Ｓｉｍｍｏｎｄｓ Ｐｒｅｃｉｓｉｏｎ Ｐｒｏｄｕｃｔｓ，Ｉｎｃ． 残存耐用寿命決定方法
CN108171341A (zh) * 2017-12-19 2018-06-15 深圳交控科技有限公司 信号设备的状态分析方法与装置
CN108959778A (zh) * 2018-07-06 2018-12-07 南京航空航天大学 一种基于退化模式一致性的航空发动机剩余寿命预测方法
CN110186513A (zh) * 2019-06-18 2019-08-30 重庆大学 一种海缆用交联聚乙烯绝缘材料老化的表征方法

Similar Documents

Publication Publication Date Title
CN108320043B (zh) 一种基于电力大数据的配电网设备状态诊断预测方法
WO2020244288A1 (zh) 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置
CN110161343B (zh) 一种智能列车外部受电装置的非侵入式实时动态监测方法
CN102663264B (zh) 桥梁结构健康监测静态参数的半监督协同评估方法
CN105035902B (zh) 一种电梯安全状况评估方法
CN110654948B (zh) 一种无维保情况下的电梯安全剩余使用寿命确定方法
CN105045256A (zh) 基于数据对比分析的轨道交通实时故障诊断方法和系统
CN107153914A (zh) 一种汽车运行风险的评价系统及方法
CN102663252B (zh) 地下道路复合式路面使用性能评估方法
CN107145675A (zh) 基于bp神经网络算法的电力变压器故障诊断装置及方法
CN110654949B (zh) 一种维保情况下的电梯安全剩余使用寿命确定方法
CN111652395A (zh) 一种高速铁路接触网设备健康评估方法
CN108415885A (zh) 基于近邻回归的实时公交客流预测方法
CN104991549A (zh) 基于fta与多层次模糊神经子网络的轨道电路红光带故障诊断方法
CN109740772A (zh) 基于大数据的铁路列车检测维修分析方法
CN113988326A (zh) 一种地铁设备维修优化方法及系统
CN111666978B (zh) 一种it系统运维大数据的智能故障预警系统
CN114091549A (zh) 一种基于深度残差网络的设备故障诊断方法
Cao et al. Vibration-based fault diagnosis for railway point machines using multi-domain features, ensemble feature selection and SVM
CN113030633B (zh) 基于ga-bp神经网络的配电网故障大数据分析方法和系统
CN111915181A (zh) 一种信号设备使用寿命状态预测方法
CN112232553A (zh) 一种基于贝叶斯网络的高铁列车晚点影响因素诊断方法
CN114167837B (zh) 一种铁路信号系统的智能故障诊断方法及系统
CN106372450A (zh) 基于逐步回归分析的高速列车车轴温度预测方法
CN107271024A (zh) 一种有载分接开关诊断方法及装置

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201110