CN115062731A - 一种基于集成学习的地铁列车牵引能耗异常监测方法 - Google Patents

一种基于集成学习的地铁列车牵引能耗异常监测方法 Download PDF

Info

Publication number
CN115062731A
CN115062731A CN202210982185.5A CN202210982185A CN115062731A CN 115062731 A CN115062731 A CN 115062731A CN 202210982185 A CN202210982185 A CN 202210982185A CN 115062731 A CN115062731 A CN 115062731A
Authority
CN
China
Prior art keywords
energy consumption
real
traction energy
time
matrix
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.)
Granted
Application number
CN202210982185.5A
Other languages
English (en)
Other versions
CN115062731B (zh
Inventor
林珊
农兴中
孙元广
彭磊
王芳玲
邓捷
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.)
Guangzhou Metro Design and Research Institute Co Ltd
Original Assignee
Guangzhou Metro Design and Research Institute 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 Guangzhou Metro Design and Research Institute Co Ltd filed Critical Guangzhou Metro Design and Research Institute Co Ltd
Priority to CN202210982185.5A priority Critical patent/CN115062731B/zh
Publication of CN115062731A publication Critical patent/CN115062731A/zh
Application granted granted Critical
Publication of CN115062731B publication Critical patent/CN115062731B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明涉及列车牵引能耗异常监测技术领域，公开了一种基于集成学习的地铁列车牵引能耗异常监测方法，所述方法包括以下步骤：对地铁列车运行的历史运行数据进行预处理；使用获得的数据建立地铁牵引能耗异常监测的集成学习模型；对采集设备采集到的实时数据进行预处理；以经过预处理后的实时数据作为异常监测模型的输入，实时监测地铁列车牵引能耗；通过设置集成学习模型有效识别地铁列车牵引能耗的异常值，为地铁安全运行、检修体重可靠的依据，具有重要的实际工程意义。

Description

一种基于集成学习的地铁列车牵引能耗异常监测方法
技术领域
本发明涉及列车牵引能耗异常监测技术领域，尤其涉及一种基于集成学习的地铁列车牵引能耗异常监测方法。
背景技术
地铁列车在运行过程中，其牵引能耗是否正常与地铁列车的安全经济运行直接相关。有效的牵引能耗监测方法成为辅助地铁列车安全运行的有效工具，并为地铁检修工作人员提供依据，有利于资源优化利用。
地铁列车牵引能耗影响因素多，列车运行过程中新的运行数据不断产生。而常见的机器学习方法，如SVM、XGBoost和MLP则能够有效挖掘牵引能耗与影响因素间的内在关系。对于地铁列车牵引能耗的实时异常监测是一个继续解决的技术问题。
发明内容
为解决上述背景技术中提到的不足，本发明提供一种基于集成学习的地铁列车牵引能耗异常监测方法，具体技术方案如下：
一种基于集成学习的地铁列车牵引能耗异常监测方法，所述方法包括以下步骤：
S1：对地铁列车运行的历史运行数据进行预处理；
S2：使用步骤S1获得的数据建立地铁牵引能耗异常监测的集成学习模型；
S3：对采集设备采集到的实时数据进行预处理；
S4：以经过预处理后的实时数据作为异常监测模型的输入，实时监测地铁列车牵引能耗。
优选的，步骤S1中，所述历史运行数据包括速度、载客量、曲线半径、坡度、受电弓电压、受电弓电流、牵引能耗、辅助设备能耗、车外温度、车外湿度、轨道类型和牵引能耗是否异常，对历史运行数据进行预处理的具体步骤如下：
S11：将历史运行数据按不同类型进行顺序编号，编号为
Figure 682996DEST_PATH_IMAGE001
；
S22：将获取的历史运行数据进行标准化处理；
S23：将获取到的轨道类型和牵引能耗是否异常进行编码处理；
S24：将处理后的特征和编码构成矩阵X。
进一步的，步骤S22所述的标准化处理采用min-max标准化，计算公示如下：
Figure 592396DEST_PATH_IMAGE002
式中，
Figure 852476DEST_PATH_IMAGE003
表示第i个特征标准化后的序列，
Figure 275499DEST_PATH_IMAGE004
表示第i个特征的原始序列，
Figure 570214DEST_PATH_IMAGE005
、
Figure 545123DEST_PATH_IMAGE006
表示第i个特征的序列的最大值和最小值；保存每一个特征序列的最大值和最小值。
进一步的，步骤S23所述的编码处理，具体包括以下步骤：
S231：将轨道类型分为地上线路和地下线路，将地下线路编为0，地上线路编为1，并按顺序记为序列
Figure 72925DEST_PATH_IMAGE007
；
S232：将牵引能耗异常编为0，牵引能耗正常编为1，并按顺序记为序列B。
进一步的，步骤S2所述的集成学习模型构建，具体包括以下步骤：
S21：创建一个SVM分类模型；
S22：创建一个XGBoost分类模型；
S23：创建一个MLP分类模型；
S24：以矩阵X为输入，分别训练模型SVM分类模型和XGBoost分类模型；
S25：以矩阵X为输入，获取模型SVM分类模型和XGBoost分类模型的输出，分别记为
Figure 283327DEST_PATH_IMAGE008
和
Figure 917701DEST_PATH_IMAGE009
；
S26：将
Figure 922567DEST_PATH_IMAGE008
和
Figure 2911DEST_PATH_IMAGE009
与矩阵F拼接，构成新的矩阵D：
Figure 33315DEST_PATH_IMAGE010
S27：以矩阵D和序列B为输入，训练模型MLP分类模型。
进一步的，在步骤S21中所述SVM模型构建，具体包括以下步骤：
S321：设置SVM模型的超参数：惩罚系数C、核函数系数gamma、最大迭代次数max_iter；
S322：选择核函数为RBF，核函数RBF的具体形式如下：
Figure 302623DEST_PATH_IMAGE011
式中，
Figure 727657DEST_PATH_IMAGE012
即为RBF核函数，
Figure 856150DEST_PATH_IMAGE013
为核函数系数其值等于gamma，
Figure 142775DEST_PATH_IMAGE014
为矩阵X，
Figure 814058DEST_PATH_IMAGE015
为序列B。
进一步的，在步骤S22中所述XGBoost模型构建，具体包括以下步骤：
S221：选择gbtree树模型做为基分类器；
S222：设置迭代次数n_estimatores、树的深度max_depth、学习率learning_rate。
进一步的，在步骤S22中所述MLP模型构建，具体包括以下步骤：
S231：设置隐含层网络层数，设置每层神经元数量；
S232：选择adam优化器，选择激活函数为ReLu，ReLu函数形式如下：
Figure 160726DEST_PATH_IMAGE016
式中，
Figure 776515DEST_PATH_IMAGE017
即为ReLu函数，k为MLP网络层间的特征序列。
进一步的，所述实时数据包括实时速度、实时载客量、实时曲线半径、实时坡度、受电弓实时电压、受电弓实时电流、实时牵引能耗、实时辅助设备耗能、实时车外温度、实时车外湿度，对实时数据预处理具体包括以下步骤：
S31：将实时数据按不同类型进行顺序编号1-10；
S32：将获取的运行数据进行标准化处理；
S33：将获取到的轨道类型进行编码处理，将轨道类型分为地上线路和地下线路，将地下线路编为0，地上线路编为1，并按顺序记为序列
Figure 378748DEST_PATH_IMAGE018
；
S34：将处理后的特征和编码构成矩阵
Figure 357068DEST_PATH_IMAGE019
：
Figure 484424DEST_PATH_IMAGE020
进一步的，在步骤S4中所述牵引能耗异常实时监测，具体包括以下步骤：
S41：将矩阵
Figure 430253DEST_PATH_IMAGE019
输入至SVM分类模型和XGBoost分类模型，获得其输出，分别记为
Figure 58680DEST_PATH_IMAGE021
和
Figure 907818DEST_PATH_IMAGE022
；
S42：将
Figure 861868DEST_PATH_IMAGE021
和
Figure 186670DEST_PATH_IMAGE022
与实时数据预处理后的构成的矩阵
Figure 870986DEST_PATH_IMAGE019
拼接成新的矩阵
Figure 355057DEST_PATH_IMAGE023
；
S43：将矩阵
Figure 230740DEST_PATH_IMAGE023
输入至模型MLP分类模型，完成地铁列车牵引能耗的异常监测。
本发明的有益效果：
1、本发明提出的一种基于集成学习的地铁列车牵引能耗异常监测方法能够应用于地铁列车牵引能耗的在线监测；
2、本发明提出的一种基于集成学习的地铁列车牵引能耗异常监测方法能够有效识别地铁列车牵引能耗的异常值，为地铁安全运行、检修体重可靠的依据，具有重要的实际工程意义。
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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图；
图1是本发明整体流程示意图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，一种基于集成学习的地铁列车牵引能耗实时监测方法，包括以下步骤：
S1：获取某地铁线路一年的历史运行数据，分辨率为1s，包括速度、载客量、曲线半径、坡度、受电弓电压、受电弓电流、牵引能耗、辅助设备能耗、车外温度、车外湿度、轨道类型和牵引能耗是否异常；
S2：对地铁列车运行的历史运行数据进行预处理；
S3：采用经过预处理后的历史数据建立地铁牵引能耗异常监测的集成学习模型；
S4：通过地铁列车随车搭载的信息采集设备，采集列车运行时的实时速度、实时载客量、实时曲线半径、实时坡度、受电弓实时电压、受电弓实时电流、实时牵引能耗、实时辅助设备耗能、实时车外温度、实时车外湿度、轨道类型，采样间隔为1s；
S5：对采集设备采集到的实时数据进行预处理；
S6：以经过预处理后的实时数据作为异常监测模型的输入，实现地铁列车牵引能耗的实时监测；
S7：重复执行步骤S4、S5、S6。
在所述步骤S2中，历史运行数据进行预处理具体包括以下步骤：
S21：将列车速度、载客量、曲线半径、坡度、受电弓电压、受电弓电流、车外温度、车外湿度、辅助设备能耗、牵引能耗，按顺序编为
Figure 901893DEST_PATH_IMAGE024
；
S22：将获取到的列车速度、载客量、曲线半径、坡度、受电弓电压、受电弓电流、牵引能耗、辅助设备能耗、车外温度、车外湿度进行标准化处理；
S23：将获取到的轨道类型和牵引能耗是否异常进行编码处理；
S24：将处理后的特征和编码构成矩阵X；
在所述步骤S22中，标准化处理具体包括以下步骤:
S221：采用min-max标准化，计算公示如下：
Figure 278647DEST_PATH_IMAGE025
式中，
Figure 132072DEST_PATH_IMAGE026
表示第i个特征标准化后的序列，
Figure 427924DEST_PATH_IMAGE027
表示第i个特征的原始序列
Figure 992897DEST_PATH_IMAGE028
、
Figure 48709DEST_PATH_IMAGE029
表示第i个特征的序列的最大值和最小值。
S222：保存每一个特征序列的最大值和最小值；
在所述步骤S23中，编码处理具体包括以下步骤：
S231：将轨道类型分为地上线路和地下线路，将地下线路编为0，地上线路编为1，并按顺序记为序列
Figure 117159DEST_PATH_IMAGE030
；
S232：将牵引能耗异常编为0，牵引能耗正常编为1，并按顺序记为序列B；
在所述步骤S24中，矩阵X的构成如下：
S241：将经过标准化处理后的各特征和编码，按如下公示构成矩阵X：
Figure 849492DEST_PATH_IMAGE031
在所述步骤S3中，Stacking集成模型构建具体包括以下步骤：
S31：创建一个SVM分类模型，记为model_10；
S32：创建一个XGBoost分类模型，记为model_11；
S33：创建一个MLP分类模型，记为model_2；
S34：以矩阵X为输入，分别训练模型model_10和模型model_11；
S35：以矩阵X为输入，获取模型model_10和模型model_11的输出，分别记为
Figure 901762DEST_PATH_IMAGE032
和
Figure 280307DEST_PATH_IMAGE033
；
S36：将
Figure 327898DEST_PATH_IMAGE034
和
Figure 106498DEST_PATH_IMAGE035
与矩阵F拼接，构成新的矩阵D：
Figure 521430DEST_PATH_IMAGE036
S37：以矩阵D和序列B为输入，训练模型model_2；
在所述步骤S31中，SVM的model_10模型创建具体包括以下步骤：
S311：设置SVM模型的超参数：惩罚系数C=1.0，核函数系数gamma=0.1，最大迭代次数max_iter=-1即不限制次数；
S312：选择核函数为RBF，核函数RBF的具体形式如下：
Figure 43678DEST_PATH_IMAGE037
式中，
Figure 211354DEST_PATH_IMAGE038
即为RBF核函数，
Figure 160856DEST_PATH_IMAGE039
为核函数系数其值等于gamma，
Figure 561619DEST_PATH_IMAGE040
，
Figure 621979DEST_PATH_IMAGE041
为输入样本，即
Figure 378582DEST_PATH_IMAGE042
为矩阵X，
Figure 639930DEST_PATH_IMAGE043
为序列B。
在所述步骤S32中，XGBoost的model_11模型创建具体包括以下步骤：
S321：选择gbtree树模型做为基分类器；
S322：设置迭代次数n_estimatores=500，树的深度max_depth=8，学习率learning_rate=0.25，
在所述步骤S33中，MLP的model_2模型创建具体包括以下步骤：
S331：设置隐含层网络层数为3层，每层神经元数量依次为32，16，8；
S332：选择adam优化器，选择激活函数为ReLu，ReLu函数如下：
Figure 747564DEST_PATH_IMAGE044
式中，
Figure 611614DEST_PATH_IMAGE045
即为ReLu函数，k为MLP网络层间的特征序列。
在所述步骤S34中，模型model_10和模型model_11训练具体包括以下步骤：
S341：以矩阵X中的矩阵F为特征，B为标签进行训练；
在所述步骤S37中，模型model_2训练具体包括以下步骤：
S371:以矩阵D为特征，B为标签进行训练；
在所述步骤S5中，实时数据预处理具体包括以下步骤：
S51：将获取到的实时列车速度、实时载客量、实时曲线半径、实时坡度、实时受电弓电压、实时受电弓电流、实时车外温度、实时车外湿度、实时辅助设备能耗、实时牵引能耗，按顺序编为
Figure 271659DEST_PATH_IMAGE046
；
S52：根据步骤S222中所保存的最大值和最小值，按照下式进行标准化处理：
Figure 297384DEST_PATH_IMAGE047
S53：将轨道类型分为地上线路和地下线路，将地下线路编为0，地上线路编为1，并按顺序记为序列
Figure 157893DEST_PATH_IMAGE048
；
S54：将处理后的特征和编码构成矩阵
Figure 435421DEST_PATH_IMAGE049
：
Figure 573142DEST_PATH_IMAGE050
在所述步骤S6中，牵引能耗异常实时监测具体包括以下步骤：
S61：将矩阵
Figure 159981DEST_PATH_IMAGE049
输入至模型model_10和模型model_11，获得其输出，分别记为
Figure 117573DEST_PATH_IMAGE051
和
Figure 697327DEST_PATH_IMAGE052
；
S62：将
Figure 689554DEST_PATH_IMAGE053
和
Figure 712874DEST_PATH_IMAGE052
与矩阵
Figure 33128DEST_PATH_IMAGE049
拼接成新的矩阵
Figure 777093DEST_PATH_IMAGE054
；
S63：将矩阵
Figure 14039DEST_PATH_IMAGE055
输入至模型model_2，完成地铁列车牵引能耗的异常监测。
基于集成学习的地铁列车牵引能耗异常监测方法所对应的系统包括：
历史运行数据预处理模块：用于对地铁列车运行的历史运行数据进行预处理；
学习模型构建模块：用于使用历史运行数据预处理模块获得的数据建立地铁牵引能耗异常监测的集成学习模型；
实时数据进行预处理模块：用于对采集设备采集到的实时数据进行预处理；
实时监测模块：用于以经过预处理后的实时数据作为异常监测模型的输入，实时监测地铁列车牵引能耗。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (10)

1.一种基于集成学习的地铁列车牵引能耗异常监测方法，其特征在于，所述方法包括以下步骤：
S1：对地铁列车运行的历史运行数据进行预处理；
S2：使用步骤S1获得的数据建立地铁牵引能耗异常监测的集成学习模型；
S3：对采集设备采集到的实时数据进行预处理；
S4：以经过预处理后的实时数据作为异常监测模型的输入，实时监测地铁列车牵引能耗。
2.根据权利要求1所述的一种基于集成学习的地铁列车牵引能耗异常监测方法，其特征在于，步骤S1中，所述历史运行数据包括列车速度、载客量、曲线半径、坡度、受电弓电压、受电弓电流、牵引能耗、辅助设备能耗、车外温度、车外湿度、轨道类型和牵引能耗是否异常，对历史运行数据进行预处理的具体步骤如下：
S11：将历史运行数据按不同类型进行顺序编号，编号为
Figure 709176DEST_PATH_IMAGE001
；
S22：将获取的历史运行数据进行标准化处理；
S23：将获取到的轨道类型和牵引能耗是否异常进行编码处理；
S24：将处理后的特征和编码构成矩阵X。
3.根据权利要求2所述的一种基于集成学习的地铁列车牵引能耗异常监测方法，其特征在于，步骤S22所述的标准化处理采用min-max标准化，计算公示如下：
Figure 765993DEST_PATH_IMAGE002
式中，
Figure 48070DEST_PATH_IMAGE003
表示第i个特征标准化后的序列，
Figure 890255DEST_PATH_IMAGE004
表示第i个特征的原始序列，
Figure 724219DEST_PATH_IMAGE005
表示第i个特征的序列的最大值和最小值；保存每一个特征序列的最大值和最小值。
4.根据权利要求3所述的一种基于集成学习的地铁列车牵引能耗异常监测方法，其特征在于，步骤S23所述的编码处理，具体包括以下步骤：
S231：将轨道类型分为地上线路和地下线路，将地下线路编为0，地上线路编为1，并按顺序记为序列
Figure 143699DEST_PATH_IMAGE006
；
S232：将牵引能耗异常编为0，牵引能耗正常编为1，并按顺序记为序列B。
5.根据权利要求4所述的一种基于集成学习的地铁列车牵引能耗异常监测方法，其特征在于，步骤S2所述的集成学习模型构建，具体包括以下步骤：
S21：创建一个SVM分类模型；
S22：创建一个XGBoost分类模型；
S23：创建一个MLP分类模型；
S24：以矩阵X为输入，分别训练模型SVM分类模型和XGBoost分类模型；
S25：以矩阵X为输入，获取模型SVM分类模型和XGBoost分类模型的输出，分别记为
Figure 603368DEST_PATH_IMAGE007
和
Figure 283748DEST_PATH_IMAGE008
；
S26：将
Figure 695138DEST_PATH_IMAGE007
和
Figure 211701DEST_PATH_IMAGE008
与矩阵F拼接，构成新的矩阵D：
Figure 694635DEST_PATH_IMAGE009
S27：以矩阵D和序列B为输入，训练模型MLP分类模型。
6.根据权利要求5所述的一种基于集成学习的地铁列车牵引能耗异常监测方法，其特征在于，在步骤S21中所述SVM分类模型构建，具体包括以下步骤：
S211：设置SVM模型的超参数：惩罚系数C、核函数系数gamma、最大迭代次数max_iter；
S212：选择核函数为RBF，核函数RBF的具体形式如下：
Figure 7018DEST_PATH_IMAGE010
式中，
Figure 323730DEST_PATH_IMAGE011
即为RBF核函数，
Figure 842436DEST_PATH_IMAGE012
为核函数系数其值等于gamma，
Figure 145372DEST_PATH_IMAGE013
为矩阵X，
Figure 675711DEST_PATH_IMAGE014
为序列B。
7.根据权利要求5所述的一种基于集成学习的地铁列车牵引能耗异常监测方法，其特征在于，在步骤S22中所述XGBoost分类模型构建，具体包括以下步骤：
S221：选择gbtree树模型做为基分类器；
S222：设置迭代次数n_estimatores、树的深度max_depth、学习率learning_rate。
8.根据权利要求5所述的一种基于集成学习的地铁列车牵引能耗异常监测方法，其特征在于，在步骤S23中所述MLP分类模型构建，具体包括以下步骤：
S231：设置隐含层网络层数，设置每层神经元数量；
S232：选择adam优化器，选择激活函数为ReLu，ReLu函数形式如下：
Figure 287958DEST_PATH_IMAGE015
式中，
Figure 169326DEST_PATH_IMAGE016
即为ReLu函数，k为MLP网络层间的特征序列。
9.根据权利要求5所述的一种基于集成学习的地铁列车牵引能耗异常监测方法，其特征在于，步骤S3中，所述实时数据包括实时速度、实时载客量、实时曲线半径、实时坡度、受电弓实时电压、受电弓实时电流、实时牵引能耗、实时辅助设备耗能、实时车外温度、实时车外湿度，对实时数据预处理具体包括以下步骤：
S31：将实时数据按不同类型进行顺序编号1-10；
S32：将获取的运行数据进行标准化处理；
S33：将获取到的轨道类型进行编码处理，将轨道类型分为地上线路和地下线路，将地下线路编为0，地上线路编为1，并按顺序记为序列
Figure 774489DEST_PATH_IMAGE017
；
S34：将处理后的特征和编码构成矩阵
Figure 283967DEST_PATH_IMAGE018
：
Figure 552269DEST_PATH_IMAGE019
。
10.根据权利要求9所述的一种基于集成学习的地铁列车牵引能耗异常监测方法，其特征在于，在步骤S4中所述牵引能耗异常实时监测，具体包括以下步骤：
S41：将矩阵
Figure 920933DEST_PATH_IMAGE018
输入至SVM分类模型和XGBoost分类模型，获得其输出，分别记为
Figure 814940DEST_PATH_IMAGE020
和
Figure 431122DEST_PATH_IMAGE021
；
S42：将
Figure 260538DEST_PATH_IMAGE022
和
Figure 975553DEST_PATH_IMAGE023
与实时数据预处理后的构成的矩阵
Figure 689563DEST_PATH_IMAGE018
拼接成新的矩阵
Figure 642475DEST_PATH_IMAGE024
；
S43：将矩阵
Figure 642792DEST_PATH_IMAGE025
输入至模型MLP分类模型，完成地铁列车牵引能耗的异常监测。
CN202210982185.5A 2022-08-16 2022-08-16 一种基于集成学习的地铁列车牵引能耗异常监测方法 Active CN115062731B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210982185.5A CN115062731B (zh) 2022-08-16 2022-08-16 一种基于集成学习的地铁列车牵引能耗异常监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210982185.5A CN115062731B (zh) 2022-08-16 2022-08-16 一种基于集成学习的地铁列车牵引能耗异常监测方法

Publications (2)

Publication Number Publication Date
CN115062731A true CN115062731A (zh) 2022-09-16
CN115062731B CN115062731B (zh) 2022-11-15

Family

ID=83208312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210982185.5A Active CN115062731B (zh) 2022-08-16 2022-08-16 一种基于集成学习的地铁列车牵引能耗异常监测方法

Country Status (1)

Country Link
CN (1) CN115062731B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109506963A (zh) * 2018-11-29 2019-03-22 中南大学 一种智能列车牵引故障大数据异常检测辨识方法
CN112381181A (zh) * 2020-12-11 2021-02-19 桂林电子科技大学 一种建筑能耗异常的动态检测方法
CN113193649A (zh) * 2021-04-16 2021-07-30 中铁第四勘察设计院集团有限公司 一种地铁牵引能耗智能检测控制方法、系统及电子设备
CN113326960A (zh) * 2020-02-28 2021-08-31 南京理工大学 基于粒子群算法优化lstm的地铁牵引能耗预测方法
CN113516078A (zh) * 2021-07-14 2021-10-19 广东毓秀科技有限公司 一种基于列车的牵引系统健康度评估的研究方法
CN114138870A (zh) * 2021-12-06 2022-03-04 成都交大光芒科技股份有限公司 基于动态电流采集的供电臂列车负荷特征获取方法
CN114202316A (zh) * 2021-12-17 2022-03-18 南京理工大学 基于深度强化学习的城市轨道交通列车时刻表优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109506963A (zh) * 2018-11-29 2019-03-22 中南大学 一种智能列车牵引故障大数据异常检测辨识方法
CN113326960A (zh) * 2020-02-28 2021-08-31 南京理工大学 基于粒子群算法优化lstm的地铁牵引能耗预测方法
CN112381181A (zh) * 2020-12-11 2021-02-19 桂林电子科技大学 一种建筑能耗异常的动态检测方法
CN113193649A (zh) * 2021-04-16 2021-07-30 中铁第四勘察设计院集团有限公司 一种地铁牵引能耗智能检测控制方法、系统及电子设备
CN113516078A (zh) * 2021-07-14 2021-10-19 广东毓秀科技有限公司 一种基于列车的牵引系统健康度评估的研究方法
CN114138870A (zh) * 2021-12-06 2022-03-04 成都交大光芒科技股份有限公司 基于动态电流采集的供电臂列车负荷特征获取方法
CN114202316A (zh) * 2021-12-17 2022-03-18 南京理工大学 基于深度强化学习的城市轨道交通列车时刻表优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李熙 等: "针对时间序列的城轨牵引能耗异常分析", 《北京交通大学学报》 *
荀径 等: "基于数据挖掘的城轨系统电能消耗模式分析", 《北京交通大学学报》 *
赵娇: "基于机器学习的城轨列车牵引能耗异常值分析方法", 《中国优秀硕士学位论文全文数据库》 *

Also Published As

Publication number Publication date
CN115062731B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
CN111914873B (zh) 一种两阶段云服务器无监督异常预测方法
US20230094389A1 (en) Quantum computing based deep learning for detection, diagnosis and other applications
CN102765643B (zh) 基于数据驱动的电梯故障诊断与预警方法
Liu et al. Multidimensional feature fusion and ensemble learning-based fault diagnosis for the braking system of heavy-haul train
CN113128561A (zh) 一种机床轴承故障诊断方法
CN111505424A (zh) 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法
CN114723285B (zh) 一种电网设备安全性评估预测方法
CN110737976B (zh) 一种基于多维度信息融合的机械设备健康评估方法
Wang et al. A light weight multisensory fusion model for induction motor fault diagnosis
CN113419519B (zh) 基于宽度学习的机电产品系统或设备实时故障诊断方法
US20230073361A1 (en) System and method for analysing railway related data
CN108665093A (zh) 基于深度学习的高速公路交通事故严重度预测方法
CN115496384A (zh) 工业设备的监控管理方法、装置和计算机设备
Xu et al. Fault diagnosis method of wheelset based on EEMD-MPE and support vector machine optimized by quantum-behaved particle swarm algorithm
Das et al. Deep recurrent architecture with attention for remaining useful life estimation
CN114418177A (zh) 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法
CN115062731B (zh) 一种基于集成学习的地铁列车牵引能耗异常监测方法
CN108827671A (zh) 一种机械设备故障诊断方法
CN111325233A (zh) 一种变压器故障检测方法及装置
Zhang et al. Multi-sensor graph transfer network for health assessment of high-speed rail suspension systems
CN113593605A (zh) 一种基于深度神经网络的工业音频故障监测系统和方法
CN116821730B (zh) 风机故障检测方法、控制装置及存储介质
CN117077631A (zh) 一种基于知识图谱的工程应急预案生成方法
CN113255969A (zh) 一种电力故障应急决策方法
CN117272232A (zh) 数据融合的隧道监测方法、装置、计算机设备及存储介质

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