CN113688171B - 一种基于图卷积神经网络的列车制动故障检测方法及系统 - Google Patents

一种基于图卷积神经网络的列车制动故障检测方法及系统 Download PDF

Info

Publication number
CN113688171B
CN113688171B CN202110974801.8A CN202110974801A CN113688171B CN 113688171 B CN113688171 B CN 113688171B CN 202110974801 A CN202110974801 A CN 202110974801A CN 113688171 B CN113688171 B CN 113688171B
Authority
CN
China
Prior art keywords
fault
train
matrix
adjacency matrix
data
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.)
Expired - Fee Related
Application number
CN202110974801.8A
Other languages
English (en)
Other versions
CN113688171A (zh
Inventor
段大高
崔岩松
韩忠明
李胜男
陈科良
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 University of Posts and Telecommunications
Beijing Technology and Business University
Original Assignee
Beijing University of Posts and Telecommunications
Beijing Technology and Business 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 Beijing University of Posts and Telecommunications, Beijing Technology and Business University filed Critical Beijing University of Posts and Telecommunications
Priority to CN202110974801.8A priority Critical patent/CN113688171B/zh
Publication of CN113688171A publication Critical patent/CN113688171A/zh
Application granted granted Critical
Publication of CN113688171B publication Critical patent/CN113688171B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biomedical Technology (AREA)
  • Human Resources & Organizations (AREA)
  • Fuzzy Systems (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明涉及一种基于图卷积神经网络的列车制动故障检测方法及系统，方法包括：获取列车制动故障数据以及各监测器之间的连接关系，根据所述列车制动故障数据和所述连接关系构建列车制动故障样本集；根据所述各监测器之间的连接关系构建标准邻接矩阵；根据所述列车制动故障数据构建自适应邻接矩阵；根据所述标准邻接矩阵和所述自适应邻接矩阵构建列车制动故障检测模型；利用所述列车制动故障样本集对所述列车制动故障检测模型进行训练，得到训练好的列车制动故障检测模型；利用训练好的列车制动故障检测模型进行列车制动故障检测。本发明能有效检测出列车运行过程中所发生的制动故障及其故障类型，从而保证了列车运行的安全性和可靠性。

Description

一种基于图卷积神经网络的列车制动故障检测方法及系统
技术领域
本发明涉及列车制动故障检测领域，特别是涉及一种基于图卷积神经网络的列车制动故障检测方法及系统。
背景技术
随着中国高速铁路技术的不断发展，我国铁路网不断完善，铁路运输量越来越高，铁路运输已经成为了中国经济社会发展中不可缺少的重要交通运输形式之一。铁路运输安全是实现铁路整体运行的基本保证，是提高铁路运输生产效率的前提，对保障人民的生命财产安全、维护社会的长治久安都有着至关重要的影响。故障检测是判断系统、设备是否存在故障，明确故障类型的一种检查、测试过程，是保障系统、设备安全运行的关键技术之一。列车制动技术是制止列车运动，使其减速或停止运动的一套设备或系统，对列车的安全行进有着举足轻重的作用。对列车的制动故障进行检测，能及时发现列车制动系统中存在的问题，以便对其进行维修处理。
列车制动系统由供风系统、制动机、制动管等多种制动装置组成，且对于制动系统的关键装置设有传感器，实时获取与制动相关的重要监测数据。现有的列车制动故障检测方法大多关注单个监测器的数值，忽视了监测数据之间的影响；且没有考虑到监测数据在一定时间范围内的变化趋势，对监测数据考虑不全面，使得现有的列车制动故障检测方法检测精度低。
发明内容
本发明的目的是提供一种基于图卷积神经网络的列车制动故障检测方法及系统，以解决现有的列车制动故障检测方法检测精度低的问题。
为实现上述目的，本发明提供了如下方案：
一种基于图卷积神经网络的列车制动故障检测方法，包括：
获取列车制动故障数据以及各监测器之间的连接关系，根据所述列车制动故障数据和所述连接关系构建列车制动故障样本集；所述列车制动故障数据包括第一风压数据、第二风压数据、第一压力数据和第二压力数据；
根据所述各监测器之间的连接关系构建标准邻接矩阵；根据所述列车制动故障数据构建自适应邻接矩阵；
根据所述标准邻接矩阵和所述自适应邻接矩阵构建列车制动故障检测模型；
利用所述列车制动故障样本集对所述列车制动故障检测模型进行训练，得到训练好的列车制动故障检测模型；
利用训练好的列车制动故障检测模型进行列车制动故障检测。
可选的，所述根据所述各监测器之间的连接关系构建标准邻接矩阵；根据所述列车制动故障数据构建自适应邻接矩阵，具体包括：
根据公式
Figure BDA0003226912900000021
构建所述标准邻接矩阵；其中，A为标准邻接矩阵，Vi表示第i个监测器，Vj表示第j个监测器，(Vi，Vj)＝1表示Vi和Vj之间连通，(Vi，Vj)＝0表示vi和vj之间不连通；
定时采集各个监测器的列车制动故障数据，得到列车制动故障数据的时间序列数据，获取所述时间序列数据的时间特征并合并，得到时间特征矩阵；
根据公式
Figure BDA0003226912900000022
构建所述自适应邻接矩阵；其中，ASA为自适应邻接矩阵；M1为源节点，M1＝tanh(Eθ1)；M2为目标节点，M2＝tanh(Eθ2)；M2 T为转置后的目标节点；θ1为用于确定M1的向量，θ2为用于确定M2的向量；ReLU为ReLU激活函数；SoftMax为SoftMax激活函数；E为所述时间特征矩阵；tanh为tanh激活函数。
可选的，所述根据所述标准邻接矩阵和所述自适应邻接矩阵构建列车制动故障检测模型，具体包括：
根据所述标准邻接矩阵获取列车制动故障数据的第一结构特征，根据所述第一结构特征确定列车制动故障数据的第一时间特征；
根据所述自适应邻接矩阵获取列车制动故障数据的第二结构特征，根据所述第二结构特征确定列车制动故障数据的第二时间特征；
根据所述第一时间特征，确定地理相近故障特征；
根据所述第二时间特征，确定功能相似故障特征；
利用公式H＝c⊙XSA+(1-c)⊙XST将所述地理相近故障特征与所述功能相似故障特征进行融合,得到融合后的故障特征；其中，H为所述融合后的故障特征；XSA为功能相似故障特征；XST为地理相近故障特征；c表示门，c＝δ(XSAWSA+XSTWST+bc)；WSA为用于控制XSA的比重；WST为用于控制XST的比重；bc为偏差；δ(·)表示sigmoid激活函数；⊙表示哈达玛积；
利用公式F＝f(WoutH+B)，获取检测结果；其中，F为检测结果；Wout表示第三权重矩阵；B表示偏置；f()表示ReLU激活函数。
可选的，所述根据所述标准邻接矩阵获取列车制动故障数据的第一结构特征，根据所述第一结构特征确定列车制动故障数据的第一时间特征，具体包括：
利用公式
Figure BDA0003226912900000031
根据所述标准邻接矩阵获取列车制动故障数据的第一结构特征；其中，Z1为第一结构特征；M表示输入的特征向量；A是标准邻接矩阵；
Figure BDA0003226912900000032
为经过对称归一化变化的标准邻接矩阵，
Figure BDA0003226912900000033
Figure BDA0003226912900000034
Figure BDA0003226912900000035
为对角线元素全为1的标准邻接矩阵，I是单位矩阵，
Figure BDA0003226912900000036
为
Figure BDA0003226912900000037
的度矩阵；W1表示第一权重矩阵；
利用公式C*CZ1＝P1⊙ξ(Q1)获取第一时间特征；其中，C表示一维卷积神经网络层的卷积核；Z1为第一结构特征；P1表示经过一维卷积神经网络层后的第一输出矩阵；Q1表示经过一维卷积神经网络层后的第二输出矩阵；ξ(Q)表示门控线性单元中的门控单元。
可选的，所述根据所述自适应邻接矩阵获取列车制动故障数据的第二结构特征，根据所述第二结构特征确定列车制动故障数据的第二时间特征,具体包括：
利用公式
Figure BDA0003226912900000038
根据所述自适应邻接矩阵获取列车制动故障数据的第二结构特征；其中，Z2为第二结构特征；M表示输入的特征向量；ASA是自适应邻接矩阵；
Figure BDA0003226912900000039
为经过对称归一化变化的自适应邻接矩阵，
Figure BDA00032269129000000310
Figure BDA00032269129000000311
为对角线元素全为1的自适应邻接矩阵，I是单位矩阵，
Figure BDA00032269129000000312
为
Figure BDA00032269129000000313
的度矩阵；W2表示第二权重矩阵；
利用公式C*CZ2＝P2⊙ξ(Q2)获取第二时间特征，其中，C表示一维卷积神经网络层的卷积核；Z2表示第二结构特征；P2表示经过一维卷积神经网络层后的第三输出矩阵；Q2表示经过一维卷积神经网络层后的第四输出矩阵；ξ(Q)表示门控线性单元中的门控单元。
可选的，所述利用所述列车制动故障样本集对所述列车制动故障检测模型进行训练，得到训练好的列车制动故障检测模型，具体包括：
利用所述列车制动故障样本集，采用随机梯度下降法进行迭代训练和反向传播学习，并使用交叉熵损失作为训练的损失函数，确定模型参数；所述模型参数包括用于确定源节点的向量、用于确定目标节点的向量、控制功能相似故障特征的比重、控制地理相近故障特征的比重、偏差、偏置、第一权重矩阵、第二权重矩阵以及第三权重矩阵；
利用所述模型参数固化所述列车制动故障检测模型，得到训练好的列车制动故障检测模型。
一种基于图卷积神经网络的列车制动故障检测系统，包括：
数据获取模块，用于获取列车制动故障数据以及各监测器之间的连接关系，根据所述列车制动故障数据和所述连接关系构建列车制动故障样本集；所述列车制动故障数据包括第一风压数据、第二风压数据、第一压力数据和第二压力数据；
标准邻接矩阵构建模块，用于根据所述各监测器之间的连接关系构建标准邻接矩阵；
自适应邻接矩阵构建模块，用于根据所述列车制动故障数据构建自适应邻接矩阵；
列车制动故障检测模型构建模块，用于根据所述标准邻接矩阵和所述自适应邻接矩阵构建列车制动故障检测模型；
训练模块，用于利用所述列车制动故障样本集对所述列车制动故障检测模型进行训练，得到训练好的列车制动故障检测模型；
检测模块，用于利用训练好的列车制动故障检测模型进行列车制动故障检测。
可选的，所述列车制动故障检测模型构建模块，具体包括：
第一图卷积子模块，用于根据所述标准邻接矩阵获取列车制动故障数据的第一结构特征；
第一时间卷积子模块，用于根据所述第一结构特征确定列车制动故障数据的第一时间特征；
第二图卷积子模块，用于根据所述自适应邻接矩阵获取列车制动故障数据的第二结构特征；
第二时间卷积子模块，用于根据所述第二结构特征确定列车制动故障数据的第二时间特征；
地理相近故障特征子模块，用于根据所述第一时间特征，确定地理相近故障特征；
功能相似故障特征子模块，用于根据所述第二时间特征，确定功能相似故障特征；
自适应融合子模块，用于利用公式H＝c⊙XSA+(1-c)⊙XST将所述地理相近故障特征与所述功能相似故障特征进行融合，得到融合后的故障特征；其中，H为所述融合后的故障特征；XSA为功能相似故障特征；XST为地理相近故障特征；c表示门，c＝δ(XSAWSA+XSTWST+bc)；WSA为用于控制XSA的比重；WST为用于控制XST的比重；bc为偏差；δ(·)表示sigmoid激活函数；⊙表示哈达玛积；
输出子模块，用于利用公式F＝f(WoutH+B)，获取检测结果；其中，F为检测结果；Wout表示第三权重矩阵；B表示偏置；f()表示ReLU激活函数。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明通过将制动设备监测器之间的关系以及列车制动故障数据之间的关系表示为网络的形式，使用图卷积模块来分别捕获这两种网络中的结构特征，然后使用时间卷积模块来提取列车制动故障数据随时间变化的时间特征，得到两种不同的制动故障特征，并使用自适应融合子模块来对两种不同的制动故障特征进行融合，考虑了制动设备监测器之间的关系以及列车制动故障数据之间的关系，从而能有效检测出列车运行过程中所发生的制动故障及其故障类型，提高了对列车制动故障检测的精度，从而保证了列车运行的安全性和可靠性。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于图卷积神经网络的列车制动故障检测方法的流程图；
图2为本发明提供的一种基于图卷积神经网络的列车制动故障检测系统的结构图；
图3为本发明提供的列车制动故障检测模型构建模块的结构图；
图4为本发明各个监测器之间的网络结构示意图。
具体实施方式
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，所描述的实施例仅仅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。
本发明的目的是提供一种基于图卷积神经网络的列车制动故障检测方法及系统，以解决现有的列车制动故障检测方法检测精度低的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明一种基于图卷积神经网络的列车制动故障检测方法的流程图，如图1所示，基于图卷积神经网络的列车制动故障检测方法包括：
步骤101：获取列车制动故障数据以及各监测器之间的连接关系，根据所述列车制动故障数据和所述连接关系构建列车制动故障样本集。所述列车制动故障数据包括第一风压数据、第二风压数据、第一压力数据和第二压力数据。
对所述列车制动故障数据进行预处理。首先进行数据清理，根据数据特性对所述列车制动故障数据中的缺失值进行填充处理；接着对填充后的列车制动故障数据进行归一化处理，将填充后的列车制动故障数据映射到0～1范围内。然后进行数据变换，设没有发生故障时，数据标签为0；发生故障时，数据标签根据故障类型标号，假设有3种故障类型，则数据标签为1、2、3。
列车制动故障检测的目的是判断一定时间范围内列车制动是否出现故障及其发生的故障类型，因此可以将列车制动故障数据划分为固定时间长度的片段，假设列车制动故障数据片段的时间跨度范围为Δt，可以采用滑动窗口G＝Δt来生成列车制动故障样本集，每个样本的形状为N×G，其中N为节点数。每个样本均与一个样本标签相对应，若这段时间内没有发生故障，则样本标签为0；若这段时间内发生了故障，则按这段时间内发生最多的故障类型作为样本标签，若故障类型发生次数相同，则随机选择其中一种故障类型作为样本标签。
步骤102：根据所述各监测器之间的连接关系构建标准邻接矩阵；根据所述列车制动故障数据构建自适应邻接矩阵。
图4为各个监测器之间的网络结构示意图，在实际应用中，网络是表示物体与物体之间关系的一种重要形式，它可以对一组对象及其关系进行建模，拥有着强大的表达能力。将监测器之间的关系构建为网络的形式，并使用标准邻接矩阵来表达，例如，如图4所示，根据监测器所监测设备之间的距离构建网络结构，根据监测器所监测设备之间的连接关系构建网络结构等。
标准邻接矩阵仅包含监测器间的物理关系，忽视了列车制动故障数据之间的依赖关系，因此，构建自适应邻接矩阵来表示列车制动故障数据之间的关系。
步骤103：根据所述标准邻接矩阵和所述自适应邻接矩阵构建列车制动故障检测模型。
步骤104：利用所述列车制动故障样本集对所述列车制动故障检测模型进行训练，得到训练好的列车制动故障检测模型。
步骤105：利用训练好的列车制动故障检测模型进行列车制动故障检测。
在一个具体实施方式中，所述步骤102，具体包括：
根据公式
Figure BDA0003226912900000081
构建所述标准邻接矩阵。其中，A为标准邻接矩阵，Vi表示第i个监测器，Vj表示第j个监测器，(Vi，Vj)＝1表示Vi和Vj之间连通，(Vi，Vj)＝0表示Vi和Vj之间不连通。
定时采集各个监测器的列车制动故障数据，得到列车制动故障数据的时间序列数据，获取所述时间序列数据的时间特征并合并，得到时间特征矩阵。
根据公式
Figure BDA0003226912900000082
构建所述自适应邻接矩阵。其中，ASA为自适应邻接矩阵；M1为源节点，M1＝tanh(Eθ1)；M2为目标节点，M2＝tanh(Eθ2)；M2 T为转置后的目标节点；θ1为用于确定M1的向量，θ2为用于确定M2的向量；ReLU为ReLU激活函数；SoftMax为SoftMax激活函数；E为所述时间特征矩阵；tanh为tanh激活函数。
自适应邻接矩阵ASA的构建方法为：首先，由于列车制动设备监测器每隔几秒采集一次数据，即所获取的列车制动故障数据为时间序列数据
Figure BDA0003226912900000083
Figure BDA0003226912900000084
其中，N表示节点个数，T表示监测数据的时间点个数，
Figure BDA0003226912900000085
表示监测器vi上的时间序列，
Figure BDA0003226912900000086
表示监测器vi在t时刻的列车制动故障数据，t为对应的时间戳。时间序列数据具有趋势性、周期性等时间特征，因此可以按照监测数据的时间特征将其划分为以一个周期为单位的片段，并对这些片段进行重新组合，得到处理后的列车制动故障数据
Figure BDA0003226912900000087
Figure BDA0003226912900000088
其中，L表示一个周期内的时间点个数，即新划分的时间点个数，S表示周期的个数(不满一周期的数据用0补充)。将处理后的列车制动故障数据X'表示为一个周期内的时间点下的数据集合的形式，即
Figure BDA0003226912900000089
其中，tm表示一个周期内的时间点，
Figure BDA00032269129000000810
表示时间点tm下的监测数据，
Figure BDA00032269129000000811
表示监测器vi在时间点tm下的监测数据，上述过程可以理解为将监测数据原有的时间长度缩短为一个周期，得到包含周期信息的监测数据。然后，将
Figure BDA00032269129000000812
按其取值范围划分为若干个区间Z[Xm，Xn]，计算监测数据落在每个区间的概率
Figure BDA00032269129000000813
并得到
Figure BDA00032269129000000814
的概率分布
Figure BDA00032269129000000815
接着，根据监测器vi在各个时间点tm下的概率分布
Figure BDA00032269129000000816
随机选取各个时间点的时空数据区间
Figure BDA00032269129000000817
并将各区间的中位数作为该区间的特征，由此构成监测器vi的时间特征Evi。将所有监测器的时间特征
Figure BDA0003226912900000091
合并，得到监测数据的时间特征矩阵E，最后基于时间特征矩阵E构造自适应邻接矩阵ASA，其构建公式如下：
M1＝tanh(Eθ1)
M2＝tanh(Eθ2)
Figure BDA0003226912900000092
其中，θ1为用于确定M1的向量，θ2为用于确定M2的向量，M1和M2可以分别理解为源节点和目标节点，将M1和M2相乘即可得到源节点和目标节点间的关联性权重，然后使用ReLu激活函数消除关联性较弱的连接关系，使用SoftMax激活函数进行归一化处理。
以三个监测器所采集到的数据为例，即X＝{X1，X2，X3}，其中，每个监测器所采集到的时间点个数为5，即T＝5，设三个监测器所采集到的时间序列数据分别为：
Figure BDA0003226912900000093
Figure BDA0003226912900000094
Figure BDA0003226912900000095
监测数据以3个时间点为一个周期，即L＝3，则得到处理后的新监测数据
Figure BDA0003226912900000096
Figure BDA0003226912900000097
周期个数为2，即S＝2，其中，
Figure BDA0003226912900000098
Figure BDA0003226912900000099
Figure BDA00032269129000000910
Figure BDA00032269129000000911
由于所有
Figure BDA00032269129000000912
的取值范围均为(0～10)，因此可以将其统一划分为2个区间Z[0，5]和Z(5，10]，需要注意的是，在
Figure BDA00032269129000000913
取值范围不同的情况下，需要按其各自的取值范围进行划分，即划分的区间是不同的。然后计算概率
Figure BDA00032269129000000914
并得到
Figure BDA00032269129000000915
的概率分布
Figure BDA00032269129000000916
以
Figure BDA00032269129000000917
为例，
Figure BDA00032269129000000918
的取值为(4，7)，因此其概率分布为：
Figure BDA00032269129000000919
分布在[0，5]之间的概率为0.5；分布在(5，10]之间的概率也为0.5。接着根据概率分布
Figure BDA00032269129000000920
随机选择一个区间，假设选择的区间为[0，5]，则将其中位数2.5作为
Figure BDA00032269129000000921
的时间特征。按此过程将所有
Figure BDA00032269129000000922
的时间特征合并，得到完整的时间特征矩阵E，并使用公式自动学习到自适应邻接矩阵ASA。
在一个具体实施方式中，所述步骤103，具体包括：
根据所述标准邻接矩阵获取列车制动故障数据的第一结构特征，根据所述第一结构特征确定列车制动故障数据的第一时间特征。
根据所述自适应邻接矩阵获取列车制动故障数据的第二结构特征，根据所述第二结构特征确定列车制动故障数据的第二时间特征。
根据所述第一时间特征，确定地理相近故障特征。
根据所述第二时间特征，确定功能相似故障特征。
利用公式H＝c⊙XSA+(1-c)⊙XST将所述地理相近故障特征与所述功能相似故障特征进行融合，得到融合后的故障特征。其中，H为所述融合后的故障特征；XSA为功能相似故障特征；XST为地理相近故障特征；c表示门，c＝δ(XSAWSA+XSTWST+bc)；WSA为用于控制XSA的比重；WST为用于控制XST的比重；bc为偏差；δ(·)表示sigmoid激活函数；⊙表示哈达玛积。
利用公式F＝f(WoutH+B)，获取检测结果；其中，F为检测结果；Wout表示第三权重矩阵；B表示偏置；f()表示ReLU激活函数。
在一个具体实施方式中，所述根据所述标准邻接矩阵获取列车制动故障数据的第一结构特征，根据所述第一结构特征确定列车制动故障数据的第一时间特征，具体包括：
利用公式
Figure BDA0003226912900000101
根据所述标准邻接矩阵获取列车制动故障数据的第一结构特征；其中，Z1为第一结构特征；M表示输入的特征向量；A是标准邻接矩阵；
Figure BDA0003226912900000102
为经过对称归一化变化的标准邻接矩阵，
Figure BDA0003226912900000103
Figure BDA0003226912900000104
Figure BDA0003226912900000105
为对角线元素全为1的标准邻接矩阵，I是单位矩阵，
Figure BDA0003226912900000106
为
Figure BDA0003226912900000107
的度矩阵，W1表示第一权重矩阵。
利用公式C*CZ1＝P1⊙ξ(Q1)获取第一时间特征；其中，C表示一维卷积神经网络层的卷积核；Z1为第一结构特征；P1表示经过一维卷积神经网络层后的第一输出矩阵；Q1表示经过一维卷积神经网络层后的第二输出矩阵；ξ(Q)表示门控线性单元中的门控单元。
在一个具体实施方式中，所述根据所述自适应邻接矩阵获取列车制动故障数据的第二结构特征，根据所述第二结构特征确定列车制动故障数据的第二时间特征,具体包括：
利用公式
Figure BDA0003226912900000108
根据所述自适应邻接矩阵获取列车制动故障数据的第二结构特征。其中，Z2为第二结构特征；M表示输入的特征向量；ASA是自适应邻接矩阵；
Figure BDA0003226912900000109
为经过对称归一化变化的自适应邻接矩阵，
Figure BDA0003226912900000111
Figure BDA0003226912900000112
为对角线元素全为1的自适应邻接矩阵，I是单位矩阵，
Figure BDA0003226912900000113
为
Figure BDA0003226912900000114
的度矩阵，W2表示第二权重矩阵。
利用公式C*CZ2＝P2⊙ξ(Q2)获取第二时间特征。其中，C表示一维卷积神经网络层的卷积核；Z2表示第二结构特征；P2表示经过一维卷积神经网络层后的第三输出矩阵；Q2表示经过一维卷积神经网络层后的第四输出矩阵；ξ(Q)表示门控线性单元中的门控单元，用来对输入P的时间信息进行筛选，从而保留其中与时间密切相关的信息。
在一个具体实施方式中，所述步骤104，具体包括：
利用所述列车制动故障样本集，采用随机梯度下降法进行迭代训练和反向传播学习，并使用交叉熵损失作为训练的损失函数，确定模型参数。其中，迭代次数为500次或者直至参数收敛，损失函数的值降到最小时，结束训练。
利用所述模型参数固化所述列车制动故障检测模型，得到训练好的列车制动故障检测模型。
本发明涉及的一种基于图卷积神经网络的列车制动故障检测方法，通过将制动设备监测器之间以及列车制动故障数据之间的关系表示为网络的形式，使用图卷积模块来分别捕获这两种网络中的结构信息，得到两种不同的列车制动故障数据之间的影响；然后使用时间卷积模块来提取列车制动故障数据随时间变化的时间特征，得到两种不同的制动故障特征；接着使用自适应融合子模块来对这两种不同的特征进行融合，并使用输出层得到最终检测到的列车制动故障类型。该方法用网络来表示监测器之间以及列车制动故障数据之间的关系，并考虑到了列车制动故障数据中的时间特征，能有效检测出列车运行过程中所发生的制动故障及其故障类型，提高列车运行的安全性和可靠性。
图2为本发明提供的一种基于图卷积神经网络的列车制动故障检测系统的结构图，如图2所示，基于图卷积神经网络的列车制动故障检测系统包括：
数据获取模块201，用于获取列车制动故障数据以及各监测器之间的连接关系，根据所述列车制动故障数据和所述连接关系构建列车制动故障样本集。所述列车制动故障数据包括第一风压数据、第二风压数据、第一压力数据和第二压力数据。
标准邻接矩阵构建模块202，用于根据所述各监测器之间的连接关系构建标准邻接矩阵。
自适应邻接矩阵构建模块203，用于根据所述列车制动故障数据构建自适应邻接矩阵。
列车制动故障检测模型构建模块204，用于根据所述标准邻接矩阵和所述自适应邻接矩阵构建列车制动故障检测模型。
训练模块205，用于利用所述列车制动故障样本集对所述列车制动故障检测模型进行训练，得到训练好的列车制动故障检测模型。
检测模块206，用于利用训练好的列车制动故障检测模型进行列车制动故障检测。
构建图卷积模块捕获结构特征，图卷积模块包括第一图卷积子模块和第二图卷积子模块，第一图卷积子模块和第二图卷积子模块均由多个图卷积神经网络层GCN叠堆而成。
构建时间卷积模块捕获时间特征，时间卷积模块包括第一时间卷积子模块和第二时间卷积子模块，第一时间卷积子模块和第二时间卷积子模块均由多个门控时间卷积单元叠堆而成，而门控时间卷积单元则由一维卷积神经网络层CNN和门控线性单元GLU组合而成，其中，一维CNN用来捕获数据中的时间信息，门控线性单元GLU用来选择哪些时间信息会被保留。
构建自适应融合子模块对得到的两种不同的故障特征进行自适应融合，自适应融合子模块使用门控融合单元来实现合并功能。
构建输出子模块从而得到最终的检测结果。输出子模块由多个全连接层叠堆而成。
在本实施例中，设模型图卷积模块中图卷积层的个数为3，输出维度分别为8、16、32；设时间卷积模块中门控时间卷积单元的个数为2，输出维度分别为32、64；设自适应融合子模块的输出维度为64；设输出层中全连接层的个数为2，输出维度均为64。
图3为本发明提供的列车制动故障检测模型构建模块的结构图，如图3所示，在一个具体实施方式中，所述列车制动故障检测模型构建模块204，具体包括：
第一图卷积子模块301，用于根据所述标准邻接矩阵获取列车制动故障数据的第一结构特征。
第一时间卷积子模块302，用于根据所述第一结构特征确定列车制动故障数据的第一时间特征。
第二图卷积子模块303，用于根据所述自适应邻接矩阵获取列车制动故障数据的第二结构特征。
第二时间卷积子模块304，用于根据所述第二结构特征确定列车制动故障数据的第二时间特征。
地理相近故障特征子模块305，用于根据所述第一时间特征，确定地理相近故障特征。
功能相似故障特征子模块306，用于根据所述第二时间特征，确定功能相似故障特征。
自适应融合子模块307，用于利用公式H＝c⊙XSA+(1-c)⊙XST将所述地理相近故障特征与所述功能相似故障特征进行融合，得到融合后的故障特征。其中，H为所述融合后的故障特征；XSA为功能相似故障特征；XST为地理相近故障特征；c表示门，c＝δ(XSAWSA+XSTWST+bc)；WSA为用于控制XSA的比重；WST为用于控制XST的比重；bc为偏差；δ(·)表示sigmoid激活函数；⊙表示哈达玛积。
输出子模块308，用于利用公式F＝f(WoutH+B)，获取检测结果。其中，F为检测结果；Wout表示第三权重矩阵；B表示偏置；f()表示ReLU激活函数。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种基于图卷积神经网络的列车制动故障检测方法，其特征在于，包括：
获取列车制动故障数据以及各监测器之间的连接关系，根据所述列车制动故障数据和所述连接关系构建列车制动故障样本集；所述列车制动故障数据包括第一风压数据、第二风压数据、第一压力数据和第二压力数据；
根据所述各监测器之间的连接关系构建标准邻接矩阵；根据所述列车制动故障数据构建自适应邻接矩阵；
所述根据所述各监测器之间的连接关系构建标准邻接矩阵；根据所述列车制动故障数据构建自适应邻接矩阵，具体包括：
根据公式
Figure FDA0003523221530000011
构建所述标准邻接矩阵；其中，A为标准邻接矩阵，Vi表示第i个监测器，Vj表示第j个监测器，(Vi，Vj)＝1表示Vi和Vj之间连通，(Vi，Vj)＝0表示Vi和Vj之间不连通；
定时采集各个监测器的列车制动故障数据，得到列车制动故障数据的时间序列数据，获取所述时间序列数据的时间特征并合并，得到时间特征矩阵；
根据公式
Figure FDA0003523221530000012
构建所述自适应邻接矩阵；其中，ASA为自适应邻接矩阵；M1为源节点，M1＝tanh(Eθ1)；M2为目标节点，M2＝tanh(Eθ2)；M2 T为转置后的目标节点；θ1为用于确定M1的向量，θ2为用于确定M2的向量；ReLU为ReLU激活函数；SoftMax为SoftMax激活函数；E为所述时间特征矩阵；tanh为tanh激活函数；
根据所述标准邻接矩阵和所述自适应邻接矩阵构建列车制动故障检测模型；
所述根据所述标准邻接矩阵和所述自适应邻接矩阵构建列车制动故障检测模型，具体包括：
根据所述标准邻接矩阵获取列车制动故障数据的第一结构特征，根据所述第一结构特征确定列车制动故障数据的第一时间特征；
根据所述自适应邻接矩阵获取列车制动故障数据的第二结构特征，根据所述第二结构特征确定列车制动故障数据的第二时间特征；
根据所述第一时间特征，确定地理相近故障特征；
根据所述第二时间特征，确定功能相似故障特征；
利用公式H＝c⊙XSA+(1-c)⊙XST将所述地理相近故障特征与所述功能相似故障特征进行融合，得到融合后的故障特征；其中，H为所述融合后的故障特征；XSA为功能相似故障特征；XST为地理相近故障特征；c表示门，c＝δ(XsAWsA+XsTWsT+bc)；WSA为用于控制XSA的比重；WST为用于控制XST的比重；bc为偏差；δ(·)表示sigmoid激活函数；⊙表示哈达玛积；
利用公式F＝f(WoutH+B)，获取检测结果；其中，F为检测结果；Wout表示第三权重矩阵；B表示偏置；f()表示ReLU激活函数；
利用所述列车制动故障样本集对所述列车制动故障检测模型进行训练，得到训练好的列车制动故障检测模型；
利用训练好的列车制动故障检测模型进行列车制动故障检测。
2.根据权利要求1所述的一种基于图卷积神经网络的列车制动故障检测方法，其特征在于，所述根据所述标准邻接矩阵获取列车制动故障数据的第一结构特征，根据所述第一结构特征确定列车制动故障数据的第一时间特征，具体包括：
利用公式
Figure FDA0003523221530000021
根据所述标准邻接矩阵获取列车制动故障数据的第一结构特征；其中，Z1为第一结构特征；M表示输入的特征向量；A是标准邻接矩阵；
Figure FDA0003523221530000022
为经过对称归一化变化的标准邻接矩阵，
Figure FDA0003523221530000023
Figure FDA0003523221530000024
为对角线元素全为1的标准邻接矩阵，I是单位矩阵，
Figure FDA0003523221530000025
为
Figure FDA0003523221530000026
的度矩阵，W1表示第一权重矩阵；
利用公式C*CZ1＝P1⊙ξ(Q1)获取第一时间特征；其中，C表示一维卷积神经网络层的卷积核；Z1为第一结构特征；P1表示经过一维卷积神经网络层后的第一输出矩阵；Q1表示经过一维卷积神经网络层后的第二输出矩阵；ξ(Q)表示门控线性单元中的门控单元。
3.根据权利要求1所述的一种基于图卷积神经网络的列车制动故障检测方法，其特征在于，所述根据所述自适应邻接矩阵获取列车制动故障数据的第二结构特征，根据所述第二结构特征确定列车制动故障数据的第二时间特征，具体包括：
利用公式
Figure FDA0003523221530000031
根据所述自适应邻接矩阵获取列车制动故障数据的第二结构特征；其中，Z2为第二结构特征；M表示输入的特征向量；ASA是自适应邻接矩阵；
Figure FDA0003523221530000032
为经过对称归一化变化的自适应邻接矩阵，
Figure FDA0003523221530000033
为对角线元素全为1的自适应邻接矩阵，I是单位矩阵，
Figure FDA0003523221530000034
为
Figure FDA0003523221530000035
的度矩阵，W2表示第二权重矩阵；
利用公式C*CZ2＝P2⊙ξ(Q2)获取第二时间特征，其中，C表示一维卷积神经网络层的卷积核；Z2表示第二结构特征；P2表示经过一维卷积神经网络层后的第三输出矩阵；Q2表示经过一维卷积神经网络层后的第四输出矩阵；ξ(Q)表示门控线性单元中的门控单元。
4.根据权利要求1所述的一种基于图卷积神经网络的列车制动故障检测方法，其特征在于，所述利用所述列车制动故障样本集对所述列车制动故障检测模型进行训练，得到训练好的列车制动故障检测模型，具体包括：
利用所述列车制动故障样本集，采用随机梯度下降法进行迭代训练和反向传播学习，并使用交叉熵损失作为训练的损失函数，确定模型参数；所述模型参数包括用于确定源节点的向量、用于确定目标节点的向量、控制功能相似故障特征的比重、控制地理相近故障特征的比重、偏差、偏置、第一权重矩阵、第二权重矩阵以及第三权重矩阵；
利用所述模型参数固化所述列车制动故障检测模型，得到训练好的列车制动故障检测模型。
5.一种基于图卷积神经网络的列车制动故障检测系统，其特征在于，包括：
数据获取模块，用于获取列车制动故障数据以及各监测器之间的连接关系，根据所述列车制动故障数据和所述连接关系构建列车制动故障样本集；所述列车制动故障数据包括第一风压数据、第二风压数据、第一压力数据和第二压力数据；
标准邻接矩阵构建模块，用于根据所述各监测器之间的连接关系构建标准邻接矩阵；
标准邻接矩阵构建模块，具体包括：
根据公式
Figure FDA0003523221530000041
构建所述标准邻接矩阵；其中，A为标准邻接矩阵，Vi表示第i个监测器，Vj表示第j个监测器，(Vi，Vj)＝1表示Vi和Vj之间连通，(Vi，Vj)＝0表示Vi和Vj之间不连通；
定时采集各个监测器的列车制动故障数据，得到列车制动故障数据的时间序列数据，获取所述时间序列数据的时间特征并合并，得到时间特征矩阵；
自适应邻接矩阵构建模块，用于根据所述列车制动故障数据构建自适应邻接矩阵；
自适应邻接矩阵构建模块，具体包括：
根据公式
Figure FDA0003523221530000042
构建所述自适应邻接矩阵；其中，ASA为自适应邻接矩阵；M1为源节点，M1＝tanh(Eθ1)；M2为目标节点，M2＝tanh(Eθ2)；M2 T为转置后的目标节点；θ1为用于确定M1的向量，θ2为用于确定M2的向量；ReLU为ReLU激活函数；SoftMax为SoftMax激活函数；E为所述时间特征矩阵；tanh为tanh激活函数；
列车制动故障检测模型构建模块，用于根据所述标准邻接矩阵和所述自适应邻接矩阵构建列车制动故障检测模型；
所述列车制动故障检测模型构建模块，具体包括：
第一图卷积子模块，用于根据所述标准邻接矩阵获取列车制动故障数据的第一结构特征；
第一时间卷积子模块，用于根据所述第一结构特征确定列车制动故障数据的第一时间特征；
第二图卷积子模块，用于根据所述自适应邻接矩阵获取列车制动故障数据的第二结构特征；
第二时间卷积子模块，用于根据所述第二结构特征确定列车制动故障数据的第二时间特征；
地理相近故障特征子模块，用于根据所述第一时间特征，确定地理相近故障特征；
功能相似故障特征子模块，用于根据所述第二时间特征，确定功能相似故障特征；
自适应融合子模块，用于利用公式H＝c⊙XSA+(1-c)⊙XST将所述地理相近故障特征与所述功能相似故障特征进行融合，得到融合后的故障特征；其中，H为所述融合后的故障特征；XSA为功能相似故障特征；XST为地理相近故障特征；c表示门，c＝δ(XSAWSA+XSTWST+bc)；WSA为用于控制XSA的比重；WST为用于控制XST的比重；bc为偏差；δ(·)表示sigmoid激活函数；⊙表示哈达玛积；
输出子模块，用于利用公式F＝f(WoutH+B)，获取检测结果；其中，F为检测结果；Wout表示第三权重矩阵；B表示偏置；f()表示ReLU激活函数；
训练模块，用于利用所述列车制动故障样本集对所述列车制动故障检测模型进行训练，得到训练好的列车制动故障检测模型；
检测模块，用于利用训练好的列车制动故障检测模型进行列车制动故障检测。
CN202110974801.8A 2021-08-24 2021-08-24 一种基于图卷积神经网络的列车制动故障检测方法及系统 Expired - Fee Related CN113688171B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110974801.8A CN113688171B (zh) 2021-08-24 2021-08-24 一种基于图卷积神经网络的列车制动故障检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110974801.8A CN113688171B (zh) 2021-08-24 2021-08-24 一种基于图卷积神经网络的列车制动故障检测方法及系统

Publications (2)

Publication Number Publication Date
CN113688171A CN113688171A (zh) 2021-11-23
CN113688171B true CN113688171B (zh) 2022-05-10

Family

ID=78581904

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110974801.8A Expired - Fee Related CN113688171B (zh) 2021-08-24 2021-08-24 一种基于图卷积神经网络的列车制动故障检测方法及系统

Country Status (1)

Country Link
CN (1) CN113688171B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117268808B (zh) * 2023-11-16 2024-02-09 青岛海瑞克轨道交通设备有限公司 一种列车车门故障检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4093162A (en) * 1976-02-20 1978-06-06 Hitachi, Ltd. Train operation control apparatus
CN112660094A (zh) * 2019-10-15 2021-04-16 北京昊鹏智能技术有限公司 列车制动系统的状态检测方法及装置
CN113705494A (zh) * 2021-09-01 2021-11-26 武汉铁路职业技术学院 一种货物列车制动性能动态检测方法、系统及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111078913A (zh) * 2019-12-16 2020-04-28 天津运泰科技有限公司 基于多视图卷积神经网络的三维模型检索方法
CN113128555B (zh) * 2021-03-09 2022-05-31 西南交通大学 一种用于列车闸片部件异常检测的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4093162A (en) * 1976-02-20 1978-06-06 Hitachi, Ltd. Train operation control apparatus
CN112660094A (zh) * 2019-10-15 2021-04-16 北京昊鹏智能技术有限公司 列车制动系统的状态检测方法及装置
CN113705494A (zh) * 2021-09-01 2021-11-26 武汉铁路职业技术学院 一种货物列车制动性能动态检测方法、系统及装置

Also Published As

Publication number Publication date
CN113688171A (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN104598629B (zh) 基于流式图模型的社交网络突发事件检测方法
CN110134566A (zh) 一种基于标签技术的云环境下信息系统性能监测方法
CN109635928A (zh) 一种基于深度学习模型融合的电压暂降原因识别方法
CN105740975B (zh) 一种基于数据关联关系的设备缺陷评估与预测方法
Dedovic et al. Forecasting PM10 concentrations using neural networks and system for improving air quality
Zhang et al. Curb-gan: Conditional urban traffic estimation through spatio-temporal generative adversarial networks
CN109255505A (zh) 一种多模型融合神经网络的短期负荷预测方法
Hu et al. Fast image recognition of transmission tower based on big data
CN109523021B (zh) 一种基于长短时记忆网络的动态网络结构预测方法
CN112085163A (zh) 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法
CN109785629A (zh) 一种短时交通流量预测方法
CN106101252A (zh) 基于大数据和可信计算的信息安全风险防护系统
CN104133143B (zh) 一种基于Hadoop云计算平台的电网线路故障诊断系统及方法
CN109782124A (zh) 一种基于梯度下降算法的主配用一体化故障定位方法及系统
CN113688171B (zh) 一种基于图卷积神经网络的列车制动故障检测方法及系统
CN113408202B (zh) 面向变电站核心工控业务的流量基线模型构造方法
Rizvi et al. Data-driven short-term voltage stability assessment using convolutional neural networks considering data anomalies and localization
CN111191832A (zh) 一种台风灾害配电网杆塔故障预测方法及系统
CN115733730A (zh) 一种基于图神经网络的电网故障检测方法及装置
Wang et al. Wireless IoT monitoring system in Hong Kong–Zhuhai–Macao bridge and edge computing for anomaly detection
Su et al. KPI anomaly detection method for Data Center AIOps based on GRU-GAN
CN116893293A (zh) 基于空间注意力校正神经网络的暂态电压稳定评估方法
CN106655181A (zh) 电网节点的优先级设置方法和系统
CN112183824B (zh) 一种线上线下关联的城市客流量预测方法
Fangming et al. Simulation of traffic incident detection based on VISSIM and neural network

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220510