CN113971467A - 一种基于bp神经网络的车辆信号设备智能运维方法 - Google Patents

一种基于bp神经网络的车辆信号设备智能运维方法 Download PDF

Info

Publication number
CN113971467A
CN113971467A CN202111280437.1A CN202111280437A CN113971467A CN 113971467 A CN113971467 A CN 113971467A CN 202111280437 A CN202111280437 A CN 202111280437A CN 113971467 A CN113971467 A CN 113971467A
Authority
CN
China
Prior art keywords
neural network
vehicle signal
intelligent operation
maintenance
train
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
CN202111280437.1A
Other languages
English (en)
Inventor
吴正中
郝耕华
汪永刚
刘宝东
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 Urban Construction Intelligent Control Technology Co ltd
Original Assignee
Beijing Urban Construction Intelligent Control Technology 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 Beijing Urban Construction Intelligent Control Technology Co ltd filed Critical Beijing Urban Construction Intelligent Control Technology Co ltd
Priority to CN202111280437.1A priority Critical patent/CN113971467A/zh
Publication of CN113971467A publication Critical patent/CN113971467A/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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明涉及一种车辆信号设备智能运维方法，属于轨道交通技术领域，具体是涉及一种基于BP神经网络的车辆信号设备智能运维方法。该方法能够对列车设备状态进行实时监测，动态发现偏差项以告知维护工程师及时处理，极大的节约了人工成本和减少了设备更换成本。

Description

一种基于BP神经网络的车辆信号设备智能运维方法
技术领域
本发明涉及一种车辆信号设备智能运维方法，属于轨道交通技术领域，具体是涉及一种基于BP神经网络的车辆信号设备智能运维方法。
背景技术
随着客流量及地铁线路的增长，现有地铁车辆信号检修为周期修理，一般视客流量和运营安排，在一年度内列车检修工程师分时段集中检修和维护。由于目前列车车辆检测节点很多，需要人工对其一个一个按照标准检验，但是人工检验只会对不符合技术标准的检测节点进行调整和更换，却不能发现深度的隐藏信息，不能进行智能维护，因此每次检查是全覆盖，耗费人工和时间。
新研制的列车信号设备智能运维方案，根据列车以往一定周期内的运行数据，进行数据处理和划分，对人工设定的检查项进行列车运行过程中的动态检查，在每次运行结束后输出列车状态分析，智能的检测不符合项和偏差项，供维护人员参考，以此达到重点检修和实时保养的效果，有助于提高设备的可靠性，并且节约人工时间成本和由保养减少的设备更换成本。
如图1所示，现有车辆检修流程随着客流量及地铁线路的增长，现有地铁车辆信号检修为周期修理，一般视客流量和运营安排，在一年度内列车检修工程师分时段集中检修和维护。由于目前列车车辆检测节点很多，需要人工对其一个一个按照标准检验，但是人工检验只会对不符合技术标准的检测节点进行调整和更换，却不能发现深度的隐藏信息，不能进行智能维护，因此每次检查是全覆盖，耗费人工和时间。
新研制的列车信号设备智能运维方案，根据列车以往一定周期内的运行数据，进行数据处理和划分，对人工设定的检查项进行列车运行过程中的动态检查，在每次运行结束后输出列车状态分析，智能的检测不符合项和偏差项，供维护人员参考，以此达到重点检修和实时保养的效果，有助于提高设备的可靠性，并且节约人工时间成本和由保养减少的设备更换成本。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
本发明主要的目的是解决现有技术中所存在的检测和维护不及时的问题，提供了一种基于BP神经网络的车辆信号设备智能运维方法，该方法能够对列车设备状态进行实时监测，动态发现偏差项以告知维护工程师及时处理，极大的节约了人工成本和减少了设备更换成本。
为解决上述问题，本发明的方案是：
一种基于BP神经网络的车辆信号设备智能运维方法，包括：
样本采集步骤，从现有的车辆维护数据里提取一定时间段的列车运行状态历史数据作为样本数据；
网络建模步骤，基于样本数据训练BP神经网络参数以建立用于车辆信号设备检测的BP神经网络模型；
检测预测步骤，实时监测列车设备状态，并基于BP神经网络模型预测设备运行状态偏差。
优选的，上述的一种基于BP神经网络的车辆信号设备智能运维方法，所述网络建模步骤中，采用sigmoid函数激励。
优选的，上述的一种基于BP神经网络的车辆信号设备智能运维方法，采用随机赋值的方式对输入层至中间层间的连接权值以及中间层不同节点阈值进行赋值。
优选的，上述的一种基于BP神经网络的车辆信号设备智能运维方法，如果所有学习输出值与输入值在3％内，则表示已经结束学习。
因此，本发明的优点是：本发明解决了列车车辆信号设备的智能运维，使用本发明后列车设备状态实时监测，动态发现偏差项，告知维护工程师及时处理，大大节约人工成本和由于保养得当导致的设备更换成本减少。
附图说明
并入本文并形成说明书的一部分的附图例示了本发明的实施例，并且附图与说明书一起进一步用于解释本发明的原理以及使得所属领域技术人员能够制作和使用本公开。
图1例示了目前车辆检修流程图；
图2例示了本发明实施例中的图2BP算法流程图；
图3例示了本发明实施例中的车辆信号智能维护说明流程图；
图4例示了本发明实施例中的BP神经网络示意图。
将参照附图描述本发明的实施例。
具体实施方式
实施例
本实施例的列车输入状态从现有的车辆维护数据里提取，数据包括:供电电压1，安全数字量输入2，安全数字量输出3，通用数字量输入4、通用数字量输出5、模拟量输入6、模拟量输出7、RS422通信状态8、RS485通信状态9、MVB通信状态10、以太网通信状态11、列车行驶里程12、列车制动率13、轮径值14、列车速度15、列车方向16、列车负载17、列车加速度18、列车驾驶模式19、列车驾驶等级20。
输出数据包括安全数字量输入供电电压1，安全数字量输入2，安全数字量输出3，通用数字量输入4、通用数字量输出5、模拟量输入6、模拟量输出7、RS422通信状态8、RS485通信状态9、MVB通信状态10、以太网通信状态11
首先介绍本实施例的样本取值过程。本实施例取两个样本，分别为样本一和样本二。样本一用于确定BP神经网络的参数，样本二用于利用确定后的参数计算预测的值。
样本一：以200ms的周期数据为一个样本，取前7天不含今天的当次列车周期得到样本共计3024000个样本，A1、A2、…A3024000每份样本A包括:供电电压1，安全数字量输入2，安全数字量输出3，通用数字量输入4、通用数字量输出5、模拟量输入6、模拟量输出7、RS422通信状态8、RS485通信状态9、MVB通信状态10、以太网通信状态11、列车行驶里程12、列车制动率13、轮径值14、列车速度15、列车方向16、列车负载17、列车加速度18、列车驾驶模式19、列车驾驶等级20。
样本二：本列车以200ms的周期数据为一个样本，取一个小时的样本共计18000个样本。
二、神经网络修正系数确定
由于地铁信号车辆设备单元数少，我们采用p＝mq\(n+q)该公式计算BP神经网络的中间层节点数。n表示输入层节点数为20，q表示输出层节点数为11，p表示中间层节点数，m表示样本容量为20。计算得出中间层节点为13。本神经网络采用sigmoid函数激励。
首先，初始化，并向初始值赋值{wij}权值，{rt}与θj阈值，采用随机方式确定，取值区间在0～1内。{wij}表示输入层至中间层间的连接权值，i＝1,2,…n，其中n表示输入层节点数量，j＝1,2,…,p，P表示中间层节点数量，{vji}表示输出层与中间层之间的连接权值。(θj)表示中间层不同节点阈值，j的取值为t＝1,2,…p，{rt}为输出层中不同节点阈值，t的取值为t＝1,2,…,q。
其次：随机选择未学习的样本，本实施例选择样本一。假设以下表示输入模式向量：Ak＝(a1,a2,…,an)，k＝1,2…,m，相应的期望输出向量值：Yk＝(y1,y2,…,yq)
第三，对中间层的输入与输出值计算
Figure BDA0003330887180000051
对Sj使用sigmoid函数激励bj为Sj激励后的函数
bj＝f(Sj)
第四，对输出层内的输入与输出值计算出中间参数Lt
Figure BDA0003330887180000061
对Lt使用sigmoid函数激励
Ct＝f(Lt)
第五，对输出层内的校正误差计算g为恒等函数
Figure BDA0003330887180000062
式中，K是第k个样本，
Figure BDA0003330887180000063
第K个样本期望的输出相量值，
Figure BDA0003330887180000068
是第k个样本的sigmoid函数激励。
第六，对中间层内的校正误差计算
Figure BDA0003330887180000064
式中，
Figure BDA0003330887180000065
是当前节点j的第k个样本校正误差，k是第k个样本，j是当前的节点。{vji}表示输出层与中间层之间的连接权值，i只是取值范围，现在的取值范围是t；{vji}表示当前节点j的输出层与中间层之间的连接权值；
第七，对输出层内的权值修正a为修正系数，为e-1
Figure BDA0003330887180000066
对于中间层中的阈值修正
Figure BDA0003330887180000067
第八，对中间层内的权值修正β为修正系数，为e-1
Figure BDA0003330887180000072
对中间层阈值修正
Figure BDA0003330887180000073
第九，对于本次是否结束所有样本学习进行判断，如果有样本陷入死循环，则返回到第二步，如果学习结束即可进入下一步。
第十，对误差判断，如果所有学习输出值与输入值在3％内，则表示已经结束学习，记录{wij}，{vji}，(θj)，(rt)，i＝1,2,…n，j的取值为t＝1,2,…p，t的取值为t＝1,2,…,q，反之要增加一次学习并向第二步返回。
接下来使用修正系数后的车辆信号设备状态预测
取样本二的样本进行状态预测
Figure BDA0003330887180000071
对Qt进行样本预测判断，如果该样本处于维护区域，则维护人员对其进行维护处理。
注意到，说明书中对“一个实施例”、“实施例”、“示例实施例”、“一些实施例”等的引用指示所描述的实施例可以包括特定特征、结构或特性，但是每个实施例可以不必包括所述特定特征、结构或特性。而且，这样的短语不必指代同一实施例。此外，当结合实施例描述特定特征、结构或特性时，无论是否明确描述，结合其他实施例来实现这样的特征、结构或特性将在所属领域的技术人员的知识范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。

Claims (4)

1.一种基于BP神经网络的车辆信号设备智能运维方法，其特征在于，包括：
样本采集步骤，从现有的车辆维护数据里提取一定时间段的列车运行状态历史数据作为样本数据；
网络建模步骤，基于样本数据训练BP神经网络参数以建立用于车辆信号设备检测的BP神经网络模型；
检测预测步骤，实时监测列车设备状态，并基于BP神经网络模型预测设备运行状态偏差。
2.根据权利要求1所述的一种基于BP神经网络的车辆信号设备智能运维方法，其特征在于，所述网络建模步骤中，采用sigmoid函数激励。
3.根据权利要求2所述的一种基于BP神经网络的车辆信号设备智能运维方法，其特征在于，采用随机赋值的方式对输入层至中间层间的连接权值以及中间层不同节点阈值进行赋值。
4.根据权利要求2所述的一种基于BP神经网络的车辆信号设备智能运维方法，其特征在于，如果所有学习输出值与输入值在3％内，则表示已经结束学习。
CN202111280437.1A 2021-11-01 2021-11-01 一种基于bp神经网络的车辆信号设备智能运维方法 Pending CN113971467A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111280437.1A CN113971467A (zh) 2021-11-01 2021-11-01 一种基于bp神经网络的车辆信号设备智能运维方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111280437.1A CN113971467A (zh) 2021-11-01 2021-11-01 一种基于bp神经网络的车辆信号设备智能运维方法

Publications (1)

Publication Number Publication Date
CN113971467A true CN113971467A (zh) 2022-01-25

Family

ID=79589204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111280437.1A Pending CN113971467A (zh) 2021-11-01 2021-11-01 一种基于bp神经网络的车辆信号设备智能运维方法

Country Status (1)

Country Link
CN (1) CN113971467A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116820014A (zh) * 2023-08-24 2023-09-29 山西交通科学研究院集团有限公司 一种交通机电设备智能化监控预警方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170091615A1 (en) * 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies
CN109376846A (zh) * 2018-08-21 2019-02-22 南京理工大学 基于Hadoop平台的BP神经网络的地铁信号系统故障预测方法
CN109543814A (zh) * 2018-08-31 2019-03-29 南京理工大学 一种地铁信号系统各设备故障预测方法
CN112232404A (zh) * 2020-10-13 2021-01-15 中国铁路上海局集团有限公司南京供电段 一种基于铁路供电设备历史异常和运维信息的可靠性计算方法及系统
CN113139335A (zh) * 2021-04-09 2021-07-20 郑州宥新算法智能科技有限公司 一种基于bp神经网络的轨道电路故障智能诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170091615A1 (en) * 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies
CN109376846A (zh) * 2018-08-21 2019-02-22 南京理工大学 基于Hadoop平台的BP神经网络的地铁信号系统故障预测方法
CN109543814A (zh) * 2018-08-31 2019-03-29 南京理工大学 一种地铁信号系统各设备故障预测方法
CN112232404A (zh) * 2020-10-13 2021-01-15 中国铁路上海局集团有限公司南京供电段 一种基于铁路供电设备历史异常和运维信息的可靠性计算方法及系统
CN113139335A (zh) * 2021-04-09 2021-07-20 郑州宥新算法智能科技有限公司 一种基于bp神经网络的轨道电路故障智能诊断方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
平海: "《冷链物流综合解决方案设计》", 31 January 2019, 北京理工大学出版社 *
张俊甲 等: "基于改进BP神经网络的列车脱轨系数预测方法", 《国防交通工程与技术》 *
景琎: ""基于BP神经网络的集中监测系统故障诊断"", 《甘肃科学学报》 *
苏航: ""基于BP神经网络的地铁信号设备故障预测"", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑(月刊)》 *
韩志艳 等: "《语音信号鲁棒特征提取及可视化技术研究》", 29 February 2012, 东北大学出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116820014A (zh) * 2023-08-24 2023-09-29 山西交通科学研究院集团有限公司 一种交通机电设备智能化监控预警方法及系统
CN116820014B (zh) * 2023-08-24 2023-11-14 山西交通科学研究院集团有限公司 一种交通机电设备智能化监控预警方法及系统

Similar Documents

Publication Publication Date Title
CN110610260B (zh) 行车能耗预测系统、方法、存储介质和设备
CN110667434A (zh) 一种自适应工况的纯电动汽车行驶里程估计方法及系统
CN109508751B (zh) 高速铁路列车晚点时间预测的深度神经网络模型建模方法
CN111114519B (zh) 一种铁路车辆制动故障预测方法及健康管理系统
CN102324128A (zh) 基于ic卡记录的公交站间od客流预测方法及装置
CN112734097B (zh) 无人驾驶列车能耗预测方法、系统及存储介质
CN108647813B (zh) 一种基于弹复力调整的高速列车动态间隔节能优化方法
CN102044149A (zh) 一种基于时变客流的城市公交运营协调方法与装置
CN105512447A (zh) 一种基于Holt-Winters模型的公交客量预测方法
CN104318347A (zh) 一种基于多传感器信息融合的输电线路覆冰状态评估方法
CN114202316A (zh) 基于深度强化学习的城市轨道交通列车时刻表优化方法
CN110990950B (zh) 基于混合运行模式的多目标列车节能优化方法
CN108398934A (zh) 一种用于轨道交通的设备故障监控的系统
CN108831181A (zh) 一种用于公交车辆行程时间预测的模型建立方法及系统
CN113971467A (zh) 一种基于bp神经网络的车辆信号设备智能运维方法
CN115375234A (zh) 基于gnss的运输车辆运行轨迹规划方法
CN108263400B (zh) 高铁列车运行速度控制方法、装置、存储介质及高铁列车
CN116976857A (zh) 一种基于深度学习的铁路电力设备预测性维护方法及系统
CN114047765B (zh) 一种面向虚拟编组的多列车自适应巡航控制方法和系统
CN113147768B (zh) 基于多算法融合预测的汽车路面状态在线估计系统及方法
CN107272407A (zh) 一种ato系统行程方案的评价方法及系统
CN115222160B (zh) 一种基于实测大数据的轨道交通牵引负荷预测方法
CN110646706B (zh) 储能有轨电车超级电容充电装置差动保护故障检测方法、装置及系统
CN105572493A (zh) 一种车载-地面辅助逆变器远程故障诊断系统
CN113935581A (zh) 基于滚动时域事件影响分析的货物列车调度方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220125

RJ01 Rejection of invention patent application after publication