一种ATP车载设备故障率预测方法技术

本发明专利技术公开了一种ATP车载设备故障率预测方法，包括：获取ATP车载设备运行故障历史数据；将获取到的ATP车载设备运行故障历史数据相空间重构至高维空间数据；基于重构后的高维空间数据并结合Lyapunov指数法判断ATP车载设备运行故障历史数据是否具有混沌特性；若是，则建立混沌预测模型，采用支持向量机SVM拟合预测数据与ATP车载设备运行故障历史数据之间的函数关系，从而预测ATP设备故障率的动态变化趋势。本发明专利技术公开的方法，可以短时预测ATP车载设备的故障率趋势，为合理优化配置ATP备品备件提供科学参考。

【技术实现步骤摘要】

本专利技术涉及高速铁路列车运行控制
，尤其涉及一种ATP车载设备故障率 预测方法。
技术介绍
ATP车载设备是保证列车安全高效运行的重要技术装备。目前全路在用的ATP类 型有300T，300S，300H，200H，200C和C3D等，各设备类型由于前期设计、生产工艺、测试环境 等差异，随着走行公里、运用环境的不同，设备质量不尽相同，表现出的故障情况也不尽相 同。 然而，目前针对ATP车载设备的维修规范相对单一，仅根据设备本身结构的不同， 简单地区分6种设备类型的维修项目和维修范围，未考虑设备运用的地域、路局、自然环境 等因素。此外，对于ATP车载设备备品备件的储备，仅根据所管辖内动车组的数量全路做了 统一的规定，储备哪些配件、储备多少基本上都是依据经验，而且，在相对一段时间内恒定 不变，不会随着ATP设备故障情况动态调整。如此造成的结果是，部分ATP备品备件储备量 不足而影响设备维修，同时，部分ATP备品备件储备过量又造成资源不均衡。
技术实现思路
本专利技术的目的是提供一种ATP车载设备故障率预测方法，可以短时预测ATP车载 设备的故障率趋势，为合理优化配置ATP备品备件提供科学参考。 本专利技术的目的是通过以下技术方案实现的： -种ATP车载设备故障率预测方法，包括： 获取ATP车载设备运行故障历史数据； 将获取到的ATP车载设备运行故障历史数据相空间重构至高维空间数据； 基于重构后的高维空间数据并结合Lyapunov指数法判断ATP车载设备运行故障 历史数据是否具有混沌特性； 若是，则建立混沌预测模型，采用支持向量机SVM拟合预测数据与ATP车载设备运 行故障历史数据之间的函数关系，从而预测ATP设备故障率的动态变化趋势。 所述将获取到的ATP车载设备运行故障历史数据相空间重构至高维空间数据包 括： 获取到的ATP车载设备运行故障历史数据是长度为n的一维时间序列X，表示为：X={xj|i=1, 2, ???,n}； 假设当前ATP车载设备类型为ATP-X，则定义： 式中，a」表示第^天全路ATP-X设备发生的故障件数；\表示第』天全路ATP-X设 备的走行公里数； 选取ATP-X设备某一段时间内的一维时间序列X，对时间序列X采用延迟嵌入的方 式进行重构，得到重构后的高维空间数据Y: 式中，t为延迟时间，m为嵌入维数，每一列表示一个相点，记M=n-(m-l)t。 前述延迟时间t与嵌入维数m通过C-C算法来确定，其步骤如下： 将时间序列X= {Xi |i= 1，2,…，n}划分为t个不相交的子序列，长度为1 = ，其中，□为取整符号； {x(l),x(t+l),x(2t+l), . . . } {x (2)，x (t+2)，x (2t+2)，? ? ? }; …{x(t),x(t+t),x(2t+t), . . . } 定义每个子序列的统计量S(m, n, r,t)为：式中，Q表示第1个子序列的关联积分，定义： 式中，r为邻域半径，M为相点数目， 相点\与最接近的相点X」司的欧式距离用无穷范数表示当n- 00时，记做：S(m，r，t)~t反映了时间序列的自相关性；用AS(m，t)度量S(m，r，t)~t 对所有邻域半径r的最大偏差，定义：AS(m,t) =std{S(m,r,t)}； 式中，std{*}表示S(m，r,t)的均方差； 当2<m<5，，n> 500时，数据分布能够通过有限序列近似表示；取 m= 2, 3,4,5,〇为时间序列均方差，b= 1，2, 3 ;设： 其中，g(〇表示所有子序列统计量的均值，A§(f)表示S(m, r,t)~t对所有邻域 半径r最大偏差的均值，S_ (t)表示对时间序列平均轨道周期的估计；在C-C算法中，如）的第一个零点为最优延迟时间t，SeOT(t)的全局最小点为嵌 入宽度Tw;根据嵌入宽度T w= (rn-1) T，求取最终的嵌入维数m。 所述基于重构后的高维空间数据并结合Lyapunov指数法判断ATP车载设备运行 故障历史数据是否具有混沌特性包括： 从重构后的高维空间数据中找出相点Xj的最近邻点I丨?，记 式中，j = 1，2,…M，P表示时间序列X的平均周期； 计算相点\经过i A t演化时间后的距离： 根据Lyapunov指数A的定义有： dj(h) = dj(0) ? eMhAt)两边取对数得：lndj (h) ~ lndj (0) + 人（h A t); 最大Lyapunov指数为上式直线的斜率，通过最小二乘法逼近得到： 其中，q为非零dj (h)的个数，y (h)表示对每个h，所有j的lndj (h)的平均值； 根据直线的斜率是否大于0判断时间序列X是否具有混沌特性。 所述建立混沌预测模型，采用支持向量机方法拟合预测数据与ATP车载设备运行 故障历史数据之间的函数关系，从而预测ATP设备故障率的动态变化趋势包括： 重构后的高维空间数据中，相点Xi表示为 Xj= {x(i), x(i+t ),???,x(i+(m-l)t)}；相点\与预测的下一个序列点x(i+l+(m-l)t)之间存在如下函数关系： x(i+l+(m-l)t) = f；若确定f (x)，则有： x(n+l) = x(M+l+(m-l)t) = f；利用e -SVR支持向量回归模型拟合最优的f (x)，其训练目标为： y-f (x) | ^ e ； 式中，e表示不敏感度； 利用e-SVR支持向量回归模型拟合最优的f(x)需要确定不敏感度e、惩罚系数 c和核函数参数g;其中，惩罚系数c表示对超出不敏感度e的样本数据的惩罚程度，核函 数参数g反映了 SVM的学习能力，高斯RBF核函数表示为： K (xi; Xj) = exp (_g | | x「Xj | |2); 设定不敏感度e为一固定值，通过交叉验证的方法，将惩罚系数c和核函数参数 g在一定的指数范围网格内进行查找，寻找当前最佳的惩罚系数c和核函数参数g ; 确定当前最佳的惩罚系数C和核函数参数g，并训练e-SVR支持向量回归模型， 将Xi-XM作为e-SVR支持向量回归模型的输入，由e-SVR支持向量回归模型输出相应的 x(l+(m-l)t)~x(M+(m-l)t)，并以此预测ATP设备故障率的动态变化趋势。 由上述本专利技术提供的技术方案可以看出，采用混沌理论，从ATP车载设备历史故 障数据的角度，深入挖掘分析故障数据的特点，建立ATP设备故障率混沌预测模型，短时预 测ATP车载设备的故障率趋势；根据预测结果可以有针对性地提前采购备品备件，以便全 路ATP车载设备备品备件的合理储备和科学调配。【附图说明】 为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用 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专利技术的一些实施例，对于本 领域的普通技术人员来讲，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 附图。[00当前第1页1 2 3 本文档来自技高网...

【技术保护点】
一种ATP车载设备故障率预测方法，其特征在于，包括：获取ATP车载设备运行故障历史数据；将获取到的ATP车载设备运行故障历史数据相空间重构至高维空间数据；基于重构后的高维空间数据并结合Lyapunov指数法判断ATP车载设备运行故障历史数据是否具有混沌特性；若是，则建立混沌预测模型，采用支持向量机SVM拟合预测数据与ATP车载设备运行故障历史数据之间的函数关系，从而预测ATP设备故障率的动态变化趋势。

【技术特征摘要】

【专利技术属性】
技术研发人员：康仁伟，程剑锋，赵显琼，
申请(专利权)人：中国铁道科学研究院通信信号研究所，中国铁路总公司，中国铁道科学研究院，
类型：发明
国别省市：北京;11