CN112100801B - 一种基于数学建模的铁路信号继电器参数可变权重融合方法 - Google Patents
一种基于数学建模的铁路信号继电器参数可变权重融合方法 Download PDFInfo
- Publication number
- CN112100801B CN112100801B CN202010617461.9A CN202010617461A CN112100801B CN 112100801 B CN112100801 B CN 112100801B CN 202010617461 A CN202010617461 A CN 202010617461A CN 112100801 B CN112100801 B CN 112100801B
- Authority
- CN
- China
- Prior art keywords
- relay
- performance
- parameter
- model
- vector
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于数学建模的铁路信号继电器参数可变权重融合方法,所述基于数学建模的铁路信号继电器参数可变权重融合方法包括以下步骤:整理特定型号的铁路信号继电器在恒定温度下6种相关参数数据,每组性能参数数据构成该参数的性能参数向量,6组相关参数构成继电器性能状态变化矩阵,通过去量纲处理得到无量纲的继电器性能状态变化矩阵;建立继电器每个性能参数的信息量评估模型;确定继电器性能参数可变权重模型;确定继电器融合参数模型。本发明根据各性能参数向量所含继电器性能状态信息量确定各参数得分权重,并以变化趋势为根据引入惩罚因子获得可变权重模型,能够有效融合继电器参数,且具有较高适应性。
Description
技术领域
本发明涉及可靠性技术领域,是一种基于数学建模的铁路信号继电器参数可变权重融合方法。
背景技术
铁路信号继电器是交通运输的重要电子设备,保证继电器的可靠性对于铁路交通正常运行至关重要。由于铁路信号继电器具有高可靠、长寿命的特点,研究继电器的性能情况就非常重要。国内外很多学者通过恒定温度应力寿命试验研究铁路信号继电器的性能变化。通过恒定温度应力寿命试验可以获得各种类型的继电器性能参数,但每一类型性能参数只能反映继电器一方面的性能状况,这给基于性能参数数据的铁路信号继电器性能研究和分析带来了很大的困难。
目前有一些针对单个性能参数进行研究分析,还有综合两种参数进行建模的分析方法,图1显示了已有的研究继电器性能的方法。
图2是小波变换提取法。小波变换提取法对小波信号进行局部解析。通过小波函数对原始序列进行分解与重构,分解算法为aj+1=Haj,dj+1=Gdj(j=1,2,…,L),重构算法为Aj=H*Aj+1+G*Dj+1(j=L-1,L-2,…,1,0)。小波变化通过分解重构获得序列的趋势项。
图3是双变量模型。双变量模型通过分析两种性能参数序列,将其中超程时间参数作为主变量,引入吸合时间参数构成双变量模型,p阶模型表达式为zj=Ajβj+εj,式中zj=(zj,p+1,zj,p+2,…,zj,N)j=1,2…,n;分量计算阶数后确定继电器的双变量分析模型。
类似的这些方法仅对一到两个性能参数数据进行简单处理,一种参数的变化趋势只能反映继电器一方面性能状态而不涉及其他类型参数的变化状况,没有考虑继电器性能发生变化时对不同类型性能参数的影响。
因此,如何得到能够综合反映铁路信号继电器性能状态的模型成为本领域技术人员亟待解决的问题之一。
发明内容
鉴于以上所述现有技术的缺陷,本发明的目标在于提供一种基于数学建模的铁路信号继电器参数可变权重融合方法,用于解决现有技术中模型过于简单的问题。
恒定温度应力试验测量记录的参数有继电器的动合接点压力Fh、动断接点压力Fd、绝对间隙Dj等3个机械参数,吸合电压Ux、释放电压Us、动合接点电阻Rh等3个电参数。这些性能参数能够从不同方面反映继电器性能状况。
在分析继电器性能状态的变化过程时,除了要考虑各性能参数的变化特征,还要考虑不同参数对继电器性能状态的反映程度,即不同参数所含继电器状态信息量。这些信息量很难通过原理或经验进行量化,每个参数反映继电器性能状态的能力就无法确定。
为解决以上问题并实现获得继电器性能状态目标,本发明提供一种基于数学建模的铁路信号继电器参数可变权重融合方法,所述基于数学建模的铁路信号继电器参数可变权重融合方法包括以下步骤:
整理恒定温度应力寿命试验所得n组原始继电器性能参数序列,每组参数序列看作1维性能参数向量,则n组参数序列即可看作n维性能参数向量,进而构成原始继电器性能状态变化矩阵,通过去量纲处理得到无量纲的继电器性能状态变化矩阵Xm×n,式中n为性能参数种类总数,m为各参数数据测量记录的次数。
建立继电器每个性能参数的信息量评估模型:根据无量纲的继电器性能状态变化矩阵Xm×n,结合概率论知识求解每个性能参数向量的各分量占该向量的比重矩阵Qm×n,确定元素信息含量矩阵Hm×n,获得性能参数信息量向量E和信息冗余度向量D,进而确定性能参数的信息量评估模型
确定继电器性能参数可变权重模型:各性能参数得分系数由冗余度向量D各分量决定,全体性能参数总体得分系数即为冗余度向量D各分量之和,从而获得各性能参数的得分权重模型Ω0。对性能参数得分权重引入惩罚因子c,得到可变权重模型Ω。
最终得到继电器融合参数模型为:
Z=diag(Y)
将继电器性能状态变化矩阵输入到继电器融合参数模型得到继电器性能变化趋势。
所述去量纲得到无量纲的继电器性能状态变化矩阵Xm×n包括:设所测得原始继电器性能状态变化矩阵为其中n为6组性能参数向量,m为性能参数向量长度。利用各性能参数的失效临界值对原始性能参数向量进行处理,设具有失效上限的性能参数的下标集合为A,则具有失效下限的性能参数下标集合为B,则得到无量纲的继电器性能状态变化矩阵
所述建立继电器每个性能参数的信息量评估模型包括:计算每个性能参数向量的各分量占该向量的比重矩阵其中xij为无量纲的继电器性能状态变化矩阵的一个元素,也是性能参数向量的一个分量,Xj为矩阵一列元素之和,即对应性能参数向量之和;确定元素信息含量矩阵元素hij为各元素的信息含量值,通过hij=aijqij计算得出,其中qij为比重矩阵Q的元素;性能参数信息量向量E=[e1 e2 … en],分量ej为各性能参数向量的信息量值,引入系数计算进而确定信息冗余度向量D=1-E,D=[d1 d2 … dn];确定性能参数的信息量评估模型
所述确定继电器性能参数可变权重模型包括:计算全体性能参数得分系数|D|=d1+d2+…dn;各性能参数的得分权重模型为模型中各列向量ωj0为各性能参数的得分权重分量,通过公式求出;以得分权重模型为基础计算继电器性能参数可变权重模型,对出现下降趋势的性能参数对应得分权重分量引入惩罚因子相应得分权重调整为ωij=ωij0-ci,同一行其余性能参数向量的得分权重调整为ωij=ωij0+ci。
确定继电器融合参数模型为:
Z=diag(Y)
如上所述,本发明的基于数学建模的铁路信号继电器参数可变权重融合方法,具有以下收益效果:
1)本发明通过计算各参数向量的信息量值来定量分析各性能参数变化的平稳程度,进而确定各性能参数向量所含继电器性能状态信息量,据此获得全体性能参数的总体得分系数和各参数的得分权重。
2)本发明以变化趋势为根据,通过引入惩罚因子对得分权重模型进行调整获得可变权重模型,提高权重模型的适应性。
附图说明
图1为现有的研究继电器性能方法的结构示意图。
图2为小波变换提取继电器性能状态的模型结构。
图3为双变量的继电器性能状态模型。
图4为本发明基于数学建模的铁路信号继电器参数可变权重融合方法的流程图。
图5为本发明用于融合继电器各参数的无量纲性能参数变化曲线。
图6为本发明基于可变权重确定的继电器融合参数变化曲线。
具体实施方式
下面结合附图和具体实例对本发明进行详细说明。本专利的温度不限定,性能参数的种类不限定,继电器操作次数,即性能参数向量的长度也不限定。
如图4所示,以40℃作为恒定温度寿命试验的环境应力对继电器进行操作试验,一种基于数学建模的铁路信号继电器参数可变权重融合方法,包括以下步骤:
整理恒定40℃下铁路信号继电器样本的6组性能参数数据,选取动合接点压力、动断接点压力、绝对间隙、吸合电压、释放电压、动合接点电阻6组参数进行分析。在分析继电器性能时,这些性能参数能够从不同层面反映继电器性能状况。通过去量纲得到无量纲的继电器性能状态变化矩阵Xm×n。设具有失效上限的性能参数的下标集合为A,则具有失效下限的性能参数下标集合为B,则得到无量纲的继电器性能状态变化矩阵
得到无量纲的继电器性能状态变化矩阵Xm×n如下表1所示:
表1 继电器性能状态变化矩阵表
动合接点压力 | 动断接点压力 | 绝对间隙 | 吸合电压 | 释放电压 | 接触电阻 |
1.00 | 1.00 | 0.69 | 0.00 | 1.00 | 0.02 |
0.80 | 0.80 | 0.42 | 0.43 | 0.86 | 0.23 |
1.00 | 0.88 | 1.00 | 0.32 | 0.84 | 0.05 |
0.60 | 0.60 | 0.08 | 0.31 | 0.93 | 0.00 |
0.40 | 0.60 | 0.00 | 0.44 | 0.89 | 0.20 |
0.36 | 0.40 | 0.28 | 0.80 | 0.82 | 0.26 |
0.20 | 0.20 | 0.14 | 0.74 | 0.61 | 0.25 |
0.24 | 0.20 | 0.11 | 0.76 | 0.59 | 0.59 |
0.20 | 0.28 | 0.11 | 0.72 | 0.43 | 0.51 |
0.00 | 0.00 | 0.17 | 0.44 | 0.00 | 0.81 |
0.08 | 0.00 | 0.11 | 1.00 | 0.05 | 1.00 |
建立继电器每个性能参数的信息量评估模型:计算各性能参数向量的各分量占该向量的比重矩阵确定元素信息含量矩阵元素hij为各元素的信息含量值,通过hij=aijqij计算得出,其中qij为比重矩阵Q的元素。获得元素信息含量矩阵如表2所示。
表2 元素信息含量矩阵表
0.32 | 0.32 | 0.33 | 0.00 | 0.28 | 0.03 |
0.30 | 0.29 | 0.27 | 0.19 | 0.26 | 0.16 |
0.32 | 0.31 | 0.36 | 0.16 | 0.25 | 0.05 |
0.26 | 0.26 | 0.10 | 0.15 | 0.27 | 0.00 |
0.21 | 0.26 | 0.00 | 0.19 | 0.26 | 0.15 |
0.19 | 0.20 | 0.22 | 0.27 | 0.25 | 0.18 |
0.13 | 0.13 | 0.14 | 0.26 | 0.21 | 0.18 |
0.15 | 0.13 | 0.12 | 0.26 | 0.21 | 0.29 |
0.13 | 0.16 | 0.12 | 0.26 | 0.17 | 0.26 |
0.00 | 0.00 | 0.16 | 0.19 | 0.00 | 0.33 |
0.07 | 0.00 | 0.12 | 0.30 | 0.03 | 0.35 |
表3 性能参数信息量评估模型
动合接点压力 | 动断接点压力 | 绝对间隙 | 吸合电压 | 释放电压 | 接触电阻 |
0.13 | 0.14 | 0.19 | 0.07 | 0.08 | 0.17 |
0.87 | 0.86 | 0.81 | 0.93 | 0.92 | 0.83 |
确定继电器性能参数得分权重模型:计算全体性能参数得分系数|D|=d1+d2+…dn,则各性能参数向量的得分权重模型为向量Ω0中各分量ωj0通过公式求出;对出现下降趋势的性能参数对应得分权重分量引入惩罚因子c,则相应得分权重调整为ωij=ωij0-ci,同一行其余性能参数的得分权重调整为ωij=ωij0+ci。其中各参数的惩罚因子能够根据计算确定。
确定继电器融合参数模型为:
Z=diag(Y)
根据继电器融合参数模型可以得到继电器综合性能状态变化曲线。
以上结果表明:本发明可以有效融合继电器性能参数。
以上所述仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (1)
1.一种基于数学建模的铁路信号继电器参数可变权重融合方法,其特征在于,所述基于数学建模的铁路信号继电器参数可变权重融合方法包括以下步骤:
S1:整理特定型号的铁路信号继电器在恒定温度下6种相关参数数据,每组性能参数数据构成该参数的性能参数向量,6组相关参数构成继电器性能状态变化矩阵,通过去量纲处理得到无量纲的继电器性能状态变化矩阵;
S2:建立继电器每个性能参数的信息量评估模型
所述建立继电器性能参数信息量评估模型的步骤包括:
进而确定信息冗余度向量D=1-E,D=[d1 d2 … dn];
S3:确定继电器性能参数可变权重模型
所述确定继电器性能参数可变权重模型的步骤包括:
计算全体性能参数总体得分系数|D|=d1+d2+…dn;
相应得分权重调整为ωij=ωij0-ci,同一行其余性能参数的得分权重调整为ωij=ωij0+ci;
S4:确定继电器融合参数模型
Z=diag(Y)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010617461.9A CN112100801B (zh) | 2020-07-01 | 2020-07-01 | 一种基于数学建模的铁路信号继电器参数可变权重融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010617461.9A CN112100801B (zh) | 2020-07-01 | 2020-07-01 | 一种基于数学建模的铁路信号继电器参数可变权重融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112100801A CN112100801A (zh) | 2020-12-18 |
CN112100801B true CN112100801B (zh) | 2022-04-01 |
Family
ID=73750246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010617461.9A Active CN112100801B (zh) | 2020-07-01 | 2020-07-01 | 一种基于数学建模的铁路信号继电器参数可变权重融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100801B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1888929A (zh) * | 2006-07-21 | 2007-01-03 | 李春鹤 | 铁路信号继电器接点齐度的检测装置及方法 |
CN106446317A (zh) * | 2016-06-01 | 2017-02-22 | 河北工业大学 | 一种基于数学模型的密封式继电器贮存寿命预测方法 |
CN107766628A (zh) * | 2017-09-29 | 2018-03-06 | 北京航空航天大学 | 一种基于寿命信息融合的动态退化可靠性评估方法 |
CN109307840A (zh) * | 2018-12-10 | 2019-02-05 | 中国铁道科学研究院集团有限公司标准计量研究所 | 一种一体化铁路信号继电器寿命试验装置及方法 |
CN110687445A (zh) * | 2019-11-22 | 2020-01-14 | 佳讯飞鸿(北京)智能科技研究院有限公司 | 一种铁路信号电路继电器状态监测系统和方法 |
-
2020
- 2020-07-01 CN CN202010617461.9A patent/CN112100801B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1888929A (zh) * | 2006-07-21 | 2007-01-03 | 李春鹤 | 铁路信号继电器接点齐度的检测装置及方法 |
CN106446317A (zh) * | 2016-06-01 | 2017-02-22 | 河北工业大学 | 一种基于数学模型的密封式继电器贮存寿命预测方法 |
CN107766628A (zh) * | 2017-09-29 | 2018-03-06 | 北京航空航天大学 | 一种基于寿命信息融合的动态退化可靠性评估方法 |
CN109307840A (zh) * | 2018-12-10 | 2019-02-05 | 中国铁道科学研究院集团有限公司标准计量研究所 | 一种一体化铁路信号继电器寿命试验装置及方法 |
CN110687445A (zh) * | 2019-11-22 | 2020-01-14 | 佳讯飞鸿(北京)智能科技研究院有限公司 | 一种铁路信号电路继电器状态监测系统和方法 |
Non-Patent Citations (2)
Title |
---|
铁路用继电器参数测试技术的研究;关欣;《电器与能效管理技术》;20161130;论文全文 * |
铁路继电器温度加速寿命试验方案设计与分析;李文华;《铁道科学与工程学报》;20180430;第15卷(第4期);论文全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112100801A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ni et al. | Deep learning for data anomaly detection and data compression of a long‐span suspension bridge | |
CN107766628B (zh) | 一种基于寿命信息融合的动态退化可靠性评估方法 | |
CN111666982B (zh) | 一种基于深度神经网络的机电设备故障诊断方法 | |
CN102184292B (zh) | 服从指数分布的电子产品可靠性预计模型修正方法 | |
CN107784178B (zh) | 一种基于多故障机理耦合的机械结构可靠性分析方法 | |
CN106909756A (zh) | 一种滚动轴承剩余寿命预测方法 | |
CN112199823A (zh) | 一种橡胶材料应力松弛及损伤效应的数值预测方法 | |
Pal et al. | The beta transmuted Weibull distribution | |
CN104020401A (zh) | 基于云模型理论的变压器绝缘热老化状态的评估方法 | |
CN111861272A (zh) | 一种基于多源数据的复杂机电系统异常状态检测方法 | |
CN102945222B (zh) | 一种基于灰色理论的乏信息测量数据粗大误差判别方法 | |
CN108492026B (zh) | 一种基于集成正交成分最优化回归分析的软测量方法 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN112100801B (zh) | 一种基于数学建模的铁路信号继电器参数可变权重融合方法 | |
Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
CN113589159A (zh) | 一种用于铁路信号继电器多维度特征参数相关性分析方法 | |
CN111814403B (zh) | 一种配电主设备分布式状态传感器可靠性评估方法 | |
CN108920428B (zh) | 一种基于联合模糊扩张原理的模糊距离判别方法 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
CN115408755B (zh) | 一种考虑时变效应的组合梁桥动力疲劳可靠性评估方法 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN114398770A (zh) | 一种用于液体颗粒计数传感器的寿命预测方法 | |
CN113190728A (zh) | 一种基于聚类优化的油浸式变压器故障诊断方法 | |
CN113779884B (zh) | 一种回收芯片使用寿命的检测方法 | |
Yan et al. | A Novel Parameter-Related Wiener Process Model With Its Estimation of Remaining Useful Life in Degradation Analysis |
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 |