CN111988192A - 一种基于机器学习的列车通信网络故障诊断方法 - Google Patents

一种基于机器学习的列车通信网络故障诊断方法 Download PDF

Info

Publication number
CN111988192A
CN111988192A CN201910435246.4A CN201910435246A CN111988192A CN 111988192 A CN111988192 A CN 111988192A CN 201910435246 A CN201910435246 A CN 201910435246A CN 111988192 A CN111988192 A CN 111988192A
Authority
CN
China
Prior art keywords
network
data
fault diagnosis
train communication
communication network
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
CN201910435246.4A
Other languages
English (en)
Inventor
王立德
申萍
聂晓波
李召召
杜晓敏
宋辉
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.)
Beijing Jiaotong University
China Railway Corp
Original Assignee
Beijing Jiaotong University
China Railway Corp
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 Beijing Jiaotong University, China Railway Corp filed Critical Beijing Jiaotong University
Priority to CN201910435246.4A priority Critical patent/CN111988192A/zh
Publication of CN111988192A publication Critical patent/CN111988192A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
    • H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/16—Threshold monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及一种基于机器学习的列车通信网络故障诊断方法，建立包括主网络，网络信号采集装置，网络状态分析装置组成的列车通信网络实时状态感知与故障诊断系统模型。网络信号采集装置提取运行网络中的网络状态数据，并进行网络状态数据特征提取，为提高样本数据质量，采用基于距离的检测方法剔除数据离群点，并进行数据归一化处理，构成网络状态数据特征向量集。将机器学习引入列车通信网络实时状态感知与故障诊断中，构建列车通信网络诊断模型，有效的实现列车通信网络的故障诊断。

Description

一种基于机器学习的列车通信网络故障诊断方法
技术领域
本发明涉及列车车载网络系统健康管理领域，尤其涉及基于机器学习的列车通信网络故障诊断方法。
背景技术
列车通信网络承载着控制、状态检测与故障诊断等诸多信息的传输任务，作为高速列车的神经中枢，其自身的健康关乎整个列车的运行可靠性与安全性。现行总线式列车通信网络采用线路冗余与设备冗余并存的方式，针对已发生的网络故障采用设备切换、事后告警、降级运行的形式进行可靠性保障，故障处理过程中势必造成网络状态的波动甚至失效。下一代基于工业以太网的列车通信网络一般认为应采用并行冗余协议的方式，可以保证冗余切换及网络重构时间为零，但仍无法改变故障事后报警的现状。列车通信网络的维护管理仍局限于冗余切换、事后告警、不坏不修，缺乏完善的网络监视和管理功能，使得网络系统故障响应滞后，带来巨大的安全隐患。如现阶段CRH3型和CRH5型和谐号动车组列车网络设备故障率高，运行过程中的微小、间歇、复合故障难以定位和自愈，出现问题往往以完全拆换网络设备的方式解决，既造成了资源的浪费又不能定位和解决故障问题，为之后的列车运行留下了安全隐患。随着大数据技术的发展与故障诊断理论的革新，网络诊断从对故障和异常事件的被动反应向网络状态的实时感知与故障在线诊断方向发展。
支持向量机(SVM)是一种机器学习方法，是一种在分类与回归分析中分析数据的监督式学习模型与相关的学习算法，最原始的支持向量机是由弗拉基米尔·万普尼克和亚历克塞·泽范兰杰斯于1963年发明，当前流行的支持向量机由Cortes和Vapnik于1995年首先提出，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度，Accuracy)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以期获得最好的推广能力(或称泛化能力)。其基本方法是给定一组训练实例，每个训练实例被标记为属于两个类别中的一个或另一个，SVM训练算法创建一个将新的实例分配给两个类别之一的模型，使其成为非概率二元线性分类器。当数据未被标记时，需要用非监督式学习，它会尝试找出数据到簇的自然聚类，并将新数据映射到这些已形成的簇。
故障诊断始于设备故障诊断，其全名是状态监测与故障诊断。它包含两方面内容：一是对设备的运行状态进行监测；二是在发现异常情况后对设备的故障进行分析、诊断。设备故障诊断是随设备管理和设备维修发展起来的。美国以后勤学(Logistics)为指导；日本吸收二者特点，提出了全员生产维修(TPM)的观点。故障诊断理论和方法分类可归纳为2类：1)基于非模型的故障诊断理论和方法，如信号空间特征、模态和信息处理方法的诊断理论与方法；基于知识推理、人工智能、专家系统的诊断方法；基于模式识别和神经网络的诊断方法。2)基于系统数学模型和现代控制理论、方法的故障诊断理论和方法，也包括相互间的结合和集成。
利用列车通信网络故障诊断方法能够实时感知列车MVB网络状态，及时掌握列车MVB通信网络的实时运行状况，有效提高网络维护维修效率，及时做出维护策略，缩短维修时间降低维护保障费用。列车通信网络实时状态感知与故障诊断方法能够确定网络状态特征量，实时监测和收集网络运行状态数据，并基于状态数据对MVB网络进行故障诊断与故障识别。
发明内容
本发明的目的在于提供一种基于机器学习的列车通信网络故障诊断方法，在线网络数据采集装置采集列车网络通信状态数据，经数据预处理后，诊断中心通过机器学习算法中改进的支持向量机算法判断当前网络状态，实现网络故障诊断。
本发明的目的通过以下技术方案实现：
一种基于机器学习的列车通信网络故障诊断方法：包括以下步骤：
步骤1：建立列车通信网络实时状态感知与故障诊断系统模型；
步骤2：建立网络状态数据特征向量α，α＝(a0,a1,a2,a3,a4,a5)，提取不同网络状态下的大量的网络状态数据特征向量，构成特征向量集；
a0～a5分别是网络状态数据的稳态幅值、超调、压摆率、上升斜率、下降斜率以及链路利用率；
步骤3：对步骤2构成的特征向量集基于距离的检测方法剔除数据离群点，并进行数据归一化；
步骤4：建立基于支持向量机算法(SVM)的网络故障诊断模型；
步骤5：网络信号采集装置MVB协议分析仪采集当前MVB网络中的状态数据，按步骤2的方法提取网络状态数据的波形的稳态幅值a0、超调a1、压摆率a2、上升斜率a3、下降斜率a4以及链路利用率a5构成当前网络状态数据特征向量α＝(a0,a1,a2,a3,a4,a5)；
步骤6：将步骤5得到的网络状态数据特征向量输入步骤4建立的网络故障诊断模型中，通过诊断模型的分析，判断当前网络状态。
在上述方案的基础上，所述列车通信网络实时状态感知与故障诊断系统模型，包括主网络，网络信号采集装置，网络状态分析装置；所述网络信号采集装置用于提取运行网络中的网络状态数据，并进行网络状态数据特征提取，所述网络状态分析装置用于通过分析网络状态数据特征，得出网络状态。
在上述方案的基础上，步骤2所述的建立网络状态数据特征向量α，α＝(a0,a1,a2,a3,a4,a5)的各特征分量的计算方法如下：
a1＝(amax-a0)/100％
其中，amax是网络状态数据最大幅值，a0为稳态幅值；
Figure BDA0002070326200000051
其中，Pn(x)是网络状态数据波形上升或下降阶段n点多项式拟合函数，xi为第i个数据点；
Figure BDA0002070326200000052
其中，(t1,V1)是网络状态数据波形上升段幅值小于0的一点，(t2,V2)是上升段幅值大于0的一点；
Figure BDA0002070326200000053
其中，(t3,V3)是网络状态数据波形下降段幅值大于0的一点，(t4,V4)是下降段幅值小于0的一点；
a5＝(T0-T1)/T0×100％
其中，T0是网络链路运行时间，T1是网络链路被占用时间。
在上述方案的基础上，所述a0取大于0部分的波形稳定区域值。
在上述方案的基础上，步骤3具体包括如下步骤：
步骤3.1：采用基于距离的检测方法剔除数据离群点；
对数据集D，设定一个距离阈值r定义合理的邻域，对每个对象O，考察O的r邻域内其他对象的个数，如果D中大多数对象都远离O，则O被视为离群点；
Figure BDA0002070326200000054
其中，r为距离阈值，π为分数阈值，对象O为一个DB(r,π)离群点，dist(O,O')为距离度量。
步骤3.2：为了数据处理方便，对特征向量集进行数据归一化处理，对原始数据进行Z-score标准化，将数据映射到0～1范围内；
Figure BDA0002070326200000061
其中，μ为所有样本数据的均值，σ为所有样本数据的标准差。
在上述方案的基础上，步骤4所述的建立基于支持向量机算法(SVM)的网络故障诊断模型的具体步骤如下：
步骤4.1：对数据归一化后的n个样本数据集(x1,y1),(x2,y2),K,(xn,yn)，存在满足以下条件的最优分类超平面：
Figure BDA0002070326200000062
其中，ω是超平面的法向量，ωT表示ω的转置，β是偏置量；
则有以下决策函数：
f(xi)＝sgn(ωTxi+β)
支持向量机的分类模型的求解通过优化函数φmin(ω,ei)得出：
Figure BDA0002070326200000063
其中，C是惩罚因子，ei是误差变量；
优化函数φmin(ω,ei)需满足以下约束：
Figure BDA0002070326200000064
则可构造如下的Lagrange方程：
Figure BDA0002070326200000071
其中，αi是Lagrange乘子，
Figure BDA0002070326200000072
为关于xi的非线性映射，故有如下最优化条件：
Figure BDA0002070326200000073
整理上式可得如下的线性方程：
Figure BDA0002070326200000074
其中，矩阵
Figure BDA0002070326200000075
K(xi,xj)是支持向量机的核函数，j＝1,2,K,n；yT＝[y1,y2,K,yn]；I是单位矩阵；I＝[1,K,1]T；α＝[α1,K,αn]T；
则基于支持向量机的分类模型为：
Figure BDA0002070326200000076
核函数K(x,xi)采用径向基核函数，其形式为：
K(x,xi)＝exp(-g||x-xi||2),g>0
其中，g为核函数参数；
步骤4.2：采用网格搜索法进行参数寻优，所述参数为：惩罚因子C和核函数参数g，步骤包括：
a)确定m个惩罚因子C和n个径向基核函数参数g，构建(C,g)的m×n阶矩阵；
b)初始化分类准确率、惩罚因子、径向基核函数参数acc＝0％；i＝1，从第一组(C,g)开始计算；
c)求取拉格朗日系数和支持向量机确定分类函数；
d)测试样本分类器，如果分类准确率acc'>acc，则更新C，g以及acc；
e)如果i≥m×n，则结束寻优，否则令i＝i+1，返回步骤c，计算第i组。
本发明将支持向量机算法引入列车通信网络实时状态感知与故障诊断中，通过结合列车网络数据的特点，建立网络状态数据特征向量，构建列车通信网络诊断模型，能够有效的实现列车通信网络的故障诊断。
附图说明
本发明有如下附图：
图1是本发明的列车通信网络实时状态感知与故障诊断系统模型；
图2是本发明的列车通信网络故障诊断方法的流程图。
图3是列车通信网络中的一组通信数据波形。
具体实施方式
以下结合附图1～3对本发明作进一步详细说明。
本发明的列车通信网络故障诊断方法的流程图如图2所示；
(一)建立如图1所示的列车通信网络故障诊断系统模型，系统采用多功能车辆总线(MVB)，总线上有6个MVB节点，图中的MVB协议分析仪为网络信号采集装置，模型训练和故障诊断由网络状态分析装置完成。
(二)网络状态数据采集装置MVB协议分析仪采集MVB网络中的状态数据，提取数据特征量构建特征向量集。
MVB协议分析仪从MVB网络中采集的一组数据波形，如图3所示，
1)取大于0部分的波形稳定区域值作为稳态幅值a0；
2)波形的最大值为最大幅值amax，计算波形的超调
a1＝(amax-a0)/100％
3)对图中波形上升或下降阶段做n点多项式拟合函数Pn(x)，(xi,yi)(i＝0,1,K,n)为数据点，计算压摆率
Figure BDA0002070326200000091
其中，Pn(x)的计算步骤为
a)计算Sr和br，
Figure BDA0002070326200000092
其中r＝0,1,L,2n；，
Figure BDA0002070326200000093
其中r＝0,1,K,n。
b)写出正规方程组
Figure BDA0002070326200000101
c)求解上述的正规方程组，即解出a0,a1,K,an；
d)将上述参数代入多项式中，则有拟合多项式
Figure BDA0002070326200000102
4)(t1,V1)是波形上升段幅值小于0的一点，(t2,V2)是上升段幅值大于0的一点，计算此段波形上升斜率
Figure BDA0002070326200000103
5)(t3,V3)是波形下降段幅值大于0的一点，(t4,V4)是下降段幅值小于0的一点，计算此段波形下降斜率
Figure BDA0002070326200000104
6)T0是MVB网络链路运行总时间，T1是网络链路被占用时间，计算网络链路利用率
a5＝(T0-T1)/T0×100％
7)波形的稳态幅值a0、超调a1、压摆率a2、上升斜率a3、下降斜率a4以及链路利用率a5构成网络状态数据特征向量α，即α＝(a0,a1,a2,a3,a4,a5)。
8)提取不同网络状态下大量的网络状态数据特征向量，构成特征向量集。
(三)为训练故障诊断模型提供高质量的样本数据，对已构成的特征向量集进行数据预处理。
1)对同一种网络状态下采集的数据集采用基于距离的检测方法剔除数据离群点：
对数据集D，设定一个距离阈值r定义合理的邻域，对每个对象O，考察O的r邻域内其他对象的个数，如果D中大多数对象都远离O，则O被视为离群点。
Figure BDA0002070326200000111
其中，r为距离阈值，π为分数阈值，对象O为一个DB(r,π)离群点，dist(O,O')为距离度量。
2)为了数据处理方便，对特征向量集进行数据归一化处理，对原始数据进行Z-score标准化，将数据映射到0～1范围内
Figure BDA0002070326200000112
其中，μ为所有样本数据的均值，σ为所有样本数据的标准差。
(四)采用支持向量机算法建立网络故障诊断模型
1)对数据归一化后的数据集(x1,y1),(x1,y1),K,(xn,yn)，存在满足一下条件的最优分类超平面；
Figure BDA0002070326200000113
其中，ω是超平面的法向量，ωT表示ω的转置，β是偏置量，则有以下决策函数：
f(xi)＝sgn(ωTxi+β)
考虑数据集非线性可分情况，在约束条件中引入松弛变量，在目标函数中加入惩罚函数，SVM分类模型的求解通过优化函数φmin(ω,ei)来得出：
Figure BDA0002070326200000121
其中，C为惩罚因子，起控制对错分样本惩罚的程度作用，实现错分样本的比例与算法复杂度之间的折中，C过大，会引起过学习，影响分类器的泛化能力，ei是误差变量。优化函数φmin(ω,ei)需满足以下约束：
Figure BDA0002070326200000126
则可构造如下的Lagrange方程：
Figure BDA0002070326200000122
其中，αi是Lagrange乘子，
Figure BDA0002070326200000123
为关于xi的非线性映射，故有如下最优化条件：
Figure BDA0002070326200000124
整理上式可得如下的线性方程：
Figure BDA0002070326200000125
其中，矩阵
Figure BDA0002070326200000131
K(xi,xj)是支持向量机的核函数，j＝1,2,K,n；yT＝[y1,K,yn]；I是单位矩阵；I＝[1,K,1]T；α＝[α1,K,αn]T。
则基于支持向量机的分类模型为：
Figure BDA0002070326200000132
核函数K(x,xi)采用径向基核函数，其形式为：
K(x,xi)＝exp(-g||x-xi||2),g>0
其中，参数g是核函数中的重要参数，影响SVM分类算法的复杂程度。
2)采用网格搜索法进行参数寻优，寻找影响SVM分类器性能的关键参数：惩罚因子C和核函数参数g，其步骤为：
a)确定m个惩罚因子C和n个径向基核函数参数g，构建(C,g)的m×n阶矩阵；
b)初始化分类准确率、惩罚因子、径向基核函数参数acc＝0％；i＝1，从第一组(C,g)开始计算；
c)求取拉格朗日系数和支持向量机确定分类函数；
d)测试样本分类器，如果分类准确率acc'>acc，则更新C，g以及acc；
e)如果i≥m×n，则结束寻优，否则令i＝i+1，返回步骤c，计算第i组。
(五)网络状态数据采集装置MVB协议分析仪采集当前MVB网络中的状态数据，按步骤(一)的方法提取网络状态数据的波形的稳态幅值a0、超调a1、压摆率a2、上升斜率a3、下降斜率a4以及链路利用率a5构成当前网络状态数据特征向量α＝(a0,a1,a2,a3,a4,a5)。
(六)将步骤(五)得到的网络状态数据特征向量输入步骤(四)建立的网络故障诊断模型中，通过诊断模型的分析，判断当前网络状态。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (7)

1.一种基于机器学习的列车通信网络故障诊断方法，其特征在于，包括如下步骤：
步骤1：建立列车通信网络实时状态感知与故障诊断系统模型；
步骤2：建立网络状态数据特征向量α，α＝(a0,a1,a2,a3,a4,a5)，提取不同网络状态下的网络状态数据特征向量，构成特征向量集；
a0～a5分别是网络状态数据的稳态幅值、超调、压摆率、上升斜率、下降斜率以及链路利用率；
步骤3：对步骤2构成的特征向量集基于距离的检测方法剔除数据离群点，并进行数据归一化；
步骤4：建立基于支持向量机算法的网络故障诊断模型；
步骤5：网络信号采集装置MVB协议分析仪采集当前MVB网络中的状态数据，按步骤2的方法提取网络状态数据的波形的稳态幅值a0、超调a1、压摆率a2、上升斜率a3、下降斜率a4以及链路利用率a5构成当前网络状态数据特征向量α＝(a0,a1,a2,a3,a4,a5)；
步骤6：将步骤5得到的网络状态数据特征向量输入步骤4建立的网络故障诊断模型中，通过诊断模型的分析，判断当前网络状态。
2.如权利要求1所述的基于机器学习的列车通信网络故障诊断方法，其特征在于，所述列车通信网络实时状态感知与故障诊断系统模型，包括主网络，网络信号采集装置，网络状态分析装置；所述网络信号采集装置用于提取运行网络中的网络状态数据，并进行网络状态数据特征提取，所述网络状态分析装置用于通过分析网络状态数据特征，得出网络状态。
3.如权利要求1所述的基于机器学习的列车通信网络故障诊断方法，其特征在于，步骤2所述的建立网络状态数据特征向量α，α＝(a0,a1,a2,a3,a4,a5)的各特征分量的计算方法如下：
a1＝(amax-a0)/100％
其中，amax是网络状态数据最大幅值，a0为稳态幅值；
Figure FDA0002070326190000021
其中，Pn(x)是网络状态数据波形上升或下降阶段n点多项式拟合函数，xi为第i个数据点；
Figure FDA0002070326190000022
其中，(t1,V1)是网络状态数据波形上升段幅值小于0的一点，(t2,V2)是上升段幅值大于0的一点；
Figure FDA0002070326190000023
其中，(t3,V3)是网络状态数据波形下降段幅值大于0的一点，(t4,V4)是下降段幅值小于0的一点；
a5＝(T0-T1)/T0×100％
其中，T0是网络链路运行时间，T1是网络链路被占用时间。
4.如权利要求3所述的基于机器学习的列车通信网络故障诊断方法，其特征在于，所述a0取大于0部分的波形稳定区域值。
5.如权利要求1所述的基于机器学习的列车通信网络故障诊断方法，其特征在于，步骤3包括如下步骤：
步骤3.1：采用基于距离的检测方法剔除数据离群点；
对数据集D，设定一个距离阈值r定义合理的邻域，对每个对象O，考察O的r邻域内其他对象的个数，如果D中大多数对象都远离O，则O被视为离群点；
Figure FDA0002070326190000031
其中，r为距离阈值，π为分数阈值，对象O为一个DB(r,π)离群点，dist(O,O')为距离度量；
步骤3.2：为了数据处理方便，对特征向量集进行数据归一化处理，对原始数据进行Z-score标准化，将数据映射到0～1范围内；
Figure FDA0002070326190000032
其中，μ为所有样本数据的均值，σ为所有样本数据的标准差。
6.如权利要求1所述的基于机器学习的列车通信网络故障诊断方法，其特征在于，步骤4所述的建立基于支持向量机算法的网络故障诊断模型的步骤如下：
步骤4.1：对数据归一化后的n个样本数据集(x1,y1),(x2,y2),K,(xn,yn)，存在满足以下条件的最优分类超平面：
Figure FDA0002070326190000033
其中，ω是超平面的法向量，ωT表示ω的转置，β是偏置量；
则有以下决策函数：
f(xi)＝sgn(ωTxi+β)
支持向量机的分类模型的求解通过优化函数φmin(ω,ei)得出：
Figure FDA0002070326190000041
其中，C是惩罚因子，ei是误差变量；
优化函数φmin(ω,ei)需满足以下约束：
Figure FDA0002070326190000042
构造如下的Lagrange方程：
Figure FDA0002070326190000043
其中，αi是Lagrange乘子，
Figure FDA0002070326190000044
为关于xi的非线性映射，故有如下最优化条件：
Figure FDA0002070326190000045
整理上式得如下的线性方程：
Figure FDA0002070326190000046
其中，矩阵
Figure FDA0002070326190000051
K(xi,xj)是支持向量机的核函数，j＝1,2,K,n；yT＝[y1,y2,K,yn]；I是单位矩阵；I＝[1,K,1]T；α＝[α1,K,αn]T；
则基于支持向量机的分类模型为：
Figure FDA0002070326190000052
核函数K(x,xi)采用径向基核函数，其形式为：
K(x,xi)＝exp(-g||x-xi||2),g>0
其中，g为核函数参数；
步骤4.2：采用网格搜索法进行参数寻优，所述参数为：惩罚因子C和核函数参数g。
7.如权利要求6所述的基于机器学习的列车通信网络故障诊断方法，其特征在于，步骤4.2所述的采用网格搜索法进行参数寻优，包括如下步骤：
a)确定m个惩罚因子C和n个径向基核函数参数g，构建(C,g)的m×n阶矩阵；
b)初始化分类准确率、惩罚因子、径向基核函数参数acc＝0％；i＝1，从第一组(C,g)开始计算；
c)求取拉格朗日系数和支持向量机确定分类函数；
d)测试样本分类器，如果分类准确率acc'>acc，则更新C，g以及acc；
e)如果i≥m×n，则结束寻优，否则令i＝i+1，返回步骤c，计算第i组。
CN201910435246.4A 2019-05-23 2019-05-23 一种基于机器学习的列车通信网络故障诊断方法 Pending CN111988192A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910435246.4A CN111988192A (zh) 2019-05-23 2019-05-23 一种基于机器学习的列车通信网络故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910435246.4A CN111988192A (zh) 2019-05-23 2019-05-23 一种基于机器学习的列车通信网络故障诊断方法

Publications (1)

Publication Number Publication Date
CN111988192A true CN111988192A (zh) 2020-11-24

Family

ID=73437454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910435246.4A Pending CN111988192A (zh) 2019-05-23 2019-05-23 一种基于机器学习的列车通信网络故障诊断方法

Country Status (1)

Country Link
CN (1) CN111988192A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114354534A (zh) * 2021-12-30 2022-04-15 中国航空油料有限责任公司 利用二元线性分类器建立航空煤油性质预测模型的方法
CN116128311A (zh) * 2023-04-13 2023-05-16 深圳市明源云科技有限公司 工地交通安全风险预警方法、装置、设备及可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102063109A (zh) * 2010-11-29 2011-05-18 株洲南车时代电气股份有限公司 一种基于神经网络的地铁列车故障诊断装置及其方法
CN104615121A (zh) * 2014-12-04 2015-05-13 深圳市永达电子股份有限公司 一种列车故障诊断方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102063109A (zh) * 2010-11-29 2011-05-18 株洲南车时代电气股份有限公司 一种基于神经网络的地铁列车故障诊断装置及其方法
CN104615121A (zh) * 2014-12-04 2015-05-13 深圳市永达电子股份有限公司 一种列车故障诊断方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114354534A (zh) * 2021-12-30 2022-04-15 中国航空油料有限责任公司 利用二元线性分类器建立航空煤油性质预测模型的方法
CN116128311A (zh) * 2023-04-13 2023-05-16 深圳市明源云科技有限公司 工地交通安全风险预警方法、装置、设备及可读存储介质
CN116128311B (zh) * 2023-04-13 2023-08-04 深圳市明源云科技有限公司 工地交通安全风险预警方法、装置、设备及可读存储介质

Similar Documents

Publication Publication Date Title
JP7240691B1 (ja) データドライブの能動配電網異常状態検知方法及びシステム
CN103914735B (zh) 一种基于神经网络自学习的故障识别方法及系统
CN113156917B (zh) 基于人工智能的电网设备故障诊断方法及系统
US8868985B2 (en) Supervised fault learning using rule-generated samples for machine condition monitoring
CN109766992B (zh) 基于深度学习的工控异常检测及攻击分类方法
CN114298175A (zh) 基于边缘计算的电力设备状态监测与故障预警方法及系统
CN117375237B (zh) 基于数字孪生技术变电站运维方法及系统
Yuan et al. A multiscale feature learning scheme based on deep learning for industrial process monitoring and fault diagnosis
CN113225346A (zh) 一种基于机器学习的网络运维态势评估方法
CN111949429A (zh) 基于密度聚类算法的服务器故障监测方法及系统
CN116340796B (zh) 时序数据分析方法、装置、设备及存储介质
CN110597235A (zh) 一种通用智能故障诊断方法
Atamuradov et al. Feature selection and fault‐severity classification–based machine health assessment methodology for point machine sliding‐chair degradation
CN115096627A (zh) 一种液压成形智能装备制造过程故障诊断与运维方法及系统
CN110413703A (zh) 基于人工智能的监控指标数据的分类方法及相关设备
CN111988192A (zh) 一种基于机器学习的列车通信网络故障诊断方法
CN117421994A (zh) 一种边缘应用健康度的监测方法和监测系统
CN115358259A (zh) 一种基于自学习的无监督跨工况轴承故障诊断方法
CN112560997A (zh) 故障识别模型训练方法、故障识别方法及相关装置
CN115758083A (zh) 一种基于时域和时频域融合的电机轴承故障诊断方法
WO2019178930A1 (zh) 一种机械设备故障诊断方法
CN115481726A (zh) 一种工业机器人整机健康评估方法及系统
CN117633688A (zh) 一种基于岭回归-k均值聚类-LOF-LSTM融合算法的大规模电力数据异常检测方法
Wang et al. An efficient anomaly detection for high-speed train braking system using broad learning system
CN117831743A (zh) 基于物联网技术的居家养老健康监测管理系统及方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201124

WD01 Invention patent application deemed withdrawn after publication