一种基于深度学习的轨道交通设备故障预测方法技术

本发明专利技术公开了一种基于深度学习的轨道交通设备故障预测方法，属于轨道交通领域，本方法首先对设备监测数据进行探索性数据分析(EDA)，完善数据缺失值和异常值，修正数据；并基于随机森林对设备数据进行特征选择和简化；再将设备数据转化成由样本，时间步，特征组成的三维数据，构建LSTM(长短期记忆神经网络算法)预测模型，进行设备故障分析与预测；本发明专利技术能够为设备维护提供数据支持,实现实际意义上的设备预测性维护,降低维护成本,减少停机时间,避免设备故障造成的损失和材料。间,避免设备故障造成的损失和材料。间,避免设备故障造成的损失和材料。

【技术实现步骤摘要】
一种基于深度学习的轨道交通设备故障预测方法


[0001]本专利技术涉及轨道交通领域，尤其涉及轨道交通维修管理中的设备故障监测方法。

技术介绍

[0002]城市城市轨道交通设备系统众多，覆盖全线路、全车站等多个区域，设备之间存在着各种依赖关系，构成了相互关联的复杂系统，共同维系着轨道交通的运营。城市轨道交通作为城市公共交通系统中的重要组成部分，具有大运量、准时、快速、节能等优势，随着乘客对轨道交通的认可，越来越多的乘客选择轨道交通出行，大客流已成为轨道交通的常见现象，轨道交通的高强度运行，增加了设备的使用频率，因而设备单元发生失效或故障的频率也日益增高。
[0003]设备维修对于保证城市轨道交通系统的正常工作和安全运行具有重要意义。目前轨道系统中最常用的设备检查策略主要是故障维修和定期检修。若设备突发故障，且故障响应延迟，造成维修不及时，最严重的可能是影响整条线路的正常运营。如何根据监测设备运行状态和故障数据，分析潜在的故障隐患和预警，及时排查和预防，降低维修成本，实现设备无停机运行，是安全运营保障系统面临的主要问题。
专利技术内本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的轨道交通设备故障预测方法，其特征在于：包括以下步骤：S1：对设备故障案例库、设备历史库数据进行预处理，构建设备数据库；S2：基于EDA数据分析库的pandas profiling工具对设备数据库中的设备数据进行数据预览分析，了解数据的总体概况；S3：根据S2的数据分析情况，对数据中的异常值或缺失值做删除或填充处理；S4：采用series_to_supervised()函数以平移的方式将设备状态平移一个时间单位，给数据添加标签；S5：采用随机森林进行特征选择，计算各个特征的重要性，从所有特征中选择出重要性靠前的特征，获得最优特征集；S6：根据最优特征集，将数据进行精简，构建训练样本、时间步和特征的三维数据；S7：创建LSTM模型，将三维数据分为训练集和测试集，训练集和测试集分别作为输入和输出变量，进行时间序列预测训练，获得时间序列模型；S8：利用验证数据进行模型验证，并预测设备故障。2.根据权利要求1所述的一种基于深度学习的轨道交通设备故障预测方法，其特征在于：所述S1中的数据包括设备寿命、设备使用时间、设备温度、设备状态和探测时间；所述构建的设备数据库具体表达为：3.根据权利要求1所述的一种基于深度学习的轨道交通设备故障预测方法，其特征在于：所述S5具体为：S5.1：从数据中提取n个样本作为一个训练集，形成一个决策树；S5.2：将S5.1中提取的样本放回后，再提取n个样本作为一个训练集，形成一个决策树，其中n≥10；S5.3：不断重复S5.2，建立t个决策树并以此组成随机森林，其中10≤t≤200；S5.4：用训练得到的随机森林进行特征选择；S5.5：利用基尼指数作为评价指标对数据特征的重要性进行排序，获得最优特征集。4.根据权利要求3所述的一种基于深度学习的轨道交通设备故障预测方法，其特征在于：所述S6具体为：假设设备有m个特征X1，X2，
…
X
m
，公式如(A)所示：其中，GI表示基尼系数，GI
a
表示节点a的基尼知识，K表示样本类别个数，P
ak
表...

【专利技术属性】
技术研发人员：刘琴，葛淼，俞铭，褚红健，王声柱，
申请(专利权)人：南京国电南自轨道交通工程有限公司，
类型：发明
国别省市：