一种预测列车车载设备性能和故障部件的方法及装置制造方法及图纸

本发明专利技术公开了一种预测列车车载设备性能和故障部件的方法，包括通过建立性能预测神经网络和建立故障定位预测神经网络，对设备性能和可能出现问题的具体部件进行预测。本发明专利技术还提供了一种预测列车车载设备性能和故障部件的装置，以实现所述方法。本发明专利技术具有预测精度高、历史数据需求量小、周期性数据对预测结果影响小等优点，可实现对设备具体故障部件的预测。

A method and device for predicting the performance and fault components of train borne equipment

【技术实现步骤摘要】
一种预测列车车载设备性能和故障部件的方法及装置
本专利技术涉及一种预测设备性能和故障部件方法及装置，特别涉及一种预测列车车载设备性能和故障部件的方法及装置，属于车载设备安全

技术介绍
我国地域辽阔，人员众多，铁路运输作为国家的重要基础设施、大众化的交通工具，在中国综合交通运输体系中处于骨干地位。随着高速铁路的发展，列车运行速度越来越快，对列车安全性的要求也越来越高，如何确保车载设备的正常、稳定运行，是目前面临的一个重大问题。现有的技术中对列车故障监控，多通过高频次的点检检查实现，但点检检查只能发现已产生故障的设备，减小故障的影响，无法做到有效的预防故障的发生。此外，现有技术中还有通过回归分析法对设备故障率进行预测，但回归分析法往往需要大量的历史数据，当历史数据存在周期性变化或突变时，其预测准确性急速降低。此外，现有的设备故障预测只能预测出某个设备出现异常，不能对设备内部何种部件出现异常做出进一步预测与分析，导致即便预测到异常也难以排查。因此，亟需研究一种能够有效预测车载设备故障和预测故障部件的方法及装置。
技术实现思路
为了克服上述问题，本专利技术人进行了锐意研究，开发了一种列车车载设备故障监控方法及设备，该方法包括：S1、收集性能预测神经网络学习样本；S2、建立性能预测神经网络，通过对性能预测样本学习,得到性能预测模型；S3、利用性能预测模型对车载设备进行性能预测；S4、出现故障后，收集故障时和故障前的性能参数，以及故障具体部件位置，生成故障定位样本；S5、建立故障定位预测神经网络，通过对故障定位样本学习,得到故障定位预测模型；S6、利用故障定位预测模型对预测到性能出现故障的设备进行故障定位预测，确定最可能出现问题的具体部件。在步骤S4中，所述生成故障定位样本，是指收集列车同一设备故障时及故障前的性能参数作为故障定位预测神经网络学习样本的输入Rv，故障的具体部件为样本的输出FAT[u]，所述FAT[u]为一维数组。在FAT[u]中u表示数组的大小，与设备具有的部件数量相同，数组中每个元素对应一个部件，部件损坏表示为1，未损坏表示为0。步骤S5包括以下子步骤：S51、建立故障定位预测BP神经网络；S52、将故障定位样本代入，供故障定位预测神经网络学习，得到故障定位预测模型。在步骤S51中，故障定位预测BP神经网络的输入层到隐含层的传递采用logsig函数，隐含层个数h为：h＝n(u+1)+1。在步骤S51中，不同输入层节点对不同隐含层的输出值为：Qvw＝ψvwRv其中，v表示不同故障定位预测BP神经网络的输入层节点，w表示不同的隐含层节点，ψvw表示输出层到隐含层的权重，Rv表示出入层节点的输入，进一步地，v＝1,2，…，n；w＝1,2,…,h；则不同隐含层的输出Gw为：其中，cvw是输入层到隐含层的偏置，不同输出层的输出Zp为：输出层整体的输出为EXP[u]＝[Z1,Z2,…，Zu]，其中，p表示不同的输出层，p＝1,2,…,u；θw是隐含层到输出层的权重，dwp是隐含层到输出层的偏置。在步骤S52中，以Rv为故障定位预测神经网络的输入，以FAT[u]为期望输出EXP[u]，供故障定位预测神经网络进行学习。在步骤S52中，对输出层到隐含层的权重ψvw、输入层到隐含层的偏置cvw、隐含层到输出层的权重θw，隐含层到输出层的偏置dwp不断更新，优选地，所述不断地更新，通过如下算式进行：其中，ψ′vw为更新后的输出层到隐含层的权重，θ′w为更新后的隐含层到输出层的权重，c′vw为更新后的输入层到隐含层的偏置，d′w为更新后的隐含层到输出层的偏置，τ为学习速率，ep＝FAT(p)-Zp。步骤S6包括以下子步骤：S61、检查步骤S3中是否产生故障警报；S62、将性能参数代入故障定位预测模型进行预测。另一方面，本专利技术还提供了一种基于神经网络学习的列车车载设备故障预测装置，包括参数设置模块、数据采集模块、模型模块、监控模块和展示模块。本专利技术提供的预测列车车载设备性能和故障部件的方法及装置能够取得以下有益效果：1.预测精度高，预测准确度70％以上，提高了列车的安全性；2.对历史数据需求量小，周期性数据对预测结果影响小；3.实现对影响设备性能的具体部件的预测，方便使用者进行故障排查。附图说明图1示出根据本专利技术提供的一种优选实施方式的基于神经网络学习的列车车载设备故障预测方法流程图；图2示出根据本专利技术提供的一种优选实施方式性能预测神经网络结构示意图；图3示出根据本专利技术提供的一种优选实施方式故障定位预测神经网络结构示意图。具体实施方式下面通过附图和优选实施方式对本专利技术进一步详细说明。通过这些说明，本专利技术的特点和优点将变得更为清楚明确。在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。一方面，专利技术人提供了一种预测列车车载设备性能和故障部件的方法方法，如图1所示，该方法包括：S1、收集性能预测神经网络学习样本；S2、建立性能预测神经网络，通过对性能预测样本学习,得到性能预测模型；S3、利用性能预测模型对车载设备进行性能预测；S4、出现故障后，收集故障时和故障前的性能参数，以及故障具体部件位置，生成故障定位样本；S5、建立故障定位预测神经网络，通过对故障定位样本学习,得到故障定位预测模型；S6、利用故障定位预测模型对预测到性能出现故障的设备进行故障定位预测，确定最可能出现问题的具体部件。由于列车车载设备的性能可表现为一系列随时间变化的数据，可采用时序法对列车车载设备的性能进行统计分析，进而预测车载设备的故障率，现有的方法中多采用回归分析法、分解分析法进行预测，但这些方法多对历史数据数量要求较多，且此类方法对数据周期性变化处理能力差，若历史数据中存在周期性数据变化，此类方法往往预测准确性较底，其局限性较大。而神经网络学习，需要历史数据较少，且对周期性变化数据适应能力强，更加适合性能的预测，从而预测设备是否会出现故障。在建立性能预测神经网络前，需要收集性能预测神经网络学习的样本，根据本专利技术，所述样本包括多个(组)能够代表车载设备性能的性能参数，进一步地，所述样本中具有设备故障时以及设备故障前的性能参数。优选地，按照以下方法确定性能参数：S11、针对不同的车载设备，确定能够代表设备性能和/或经常出问题的特征，例如机车安全计算机空调的温度保持效果、测速测距模块的测量准确度等。S12、将上述特征通过定量的数据表示，得到性能参数，并确定设本文档来自技高网...

【技术保护点】
1.一种预测列车车载设备性能和故障部件的方法，包括：/nS1、收集性能预测神经网络学习样本；/nS2、建立性能预测神经网络，通过对性能预测样本学习,得到性能预测模型；/nS3、利用性能预测模型对车载设备进行性能预测；/nS4、出现故障后，收集故障时和故障前的性能参数，以及故障具体部件位置，生成故障定位样本；/nS5、建立故障定位预测神经网络，通过对故障定位样本学习,得到故障定位预测模型；/nS6、利用故障定位预测模型对预测到性能出现故障的设备进行故障定位预测，确定最可能出现问题的具体部件。/n

【技术特征摘要】
1.一种预测列车车载设备性能和故障部件的方法，包括：
S1、收集性能预测神经网络学习样本；
S2、建立性能预测神经网络，通过对性能预测样本学习,得到性能预测模型；
S3、利用性能预测模型对车载设备进行性能预测；
S4、出现故障后，收集故障时和故障前的性能参数，以及故障具体部件位置，生成故障定位样本；
S5、建立故障定位预测神经网络，通过对故障定位样本学习,得到故障定位预测模型；
S6、利用故障定位预测模型对预测到性能出现故障的设备进行故障定位预测，确定最可能出现问题的具体部件。


2.根据权利要求1所述的预测列车车载设备性能和故障部件的方法，其特征在于，
在步骤S4中，所述生成故障定位样本，是指收集列车同一设备故障时及故障前的性能参数作为故障定位预测神经网络学习样本的输入Rv，故障的具体部件为样本的输出FAT[u]，所述FAT[u]为一维数组。


3.根据权利要求2所述的预测列车车载设备性能和故障部件的方法，其特征在于，
在FAT[u]中u表示数组的大小，与设备具有的部件数量相同，数组中每个元素对应一个部件，部件损坏表示为1，未损坏表示为0。


4.根据权利要求1所述的预测列车车载设备性能和故障部件的方法，其特征在于，
步骤S5包括以下子步骤：
S51、建立故障定位预测BP神经网络；
S52、将故障定位样本代入，供故障定位预测神经网络学习，得到故障定位预测模型。


5.根据权利要求4所述的预测列车车载设备性能和故障部件的方法，其特征在于，
在步骤S51中，故障定位预测BP神经网络的输入层到隐含层的传递采用logsig函数，
隐含层个数h为：h＝n(u+1)+1。


6.根据权利要求4所述的预测列车车载设备性能和故障部件的方法，其特征在于，
在步骤S51中，不同输入层节点对不同隐含...

【专利技术属性】
技术研发人员：贾利民，高一凡，夏志成，
申请(专利权)人：北京锦鸿希电信息技术股份有限公司，
类型：发明
国别省市：北京;11