CN112115643A - 一种智慧列车整车服役寿命非侵入预测方法 - Google Patents

一种智慧列车整车服役寿命非侵入预测方法 Download PDF

Info

Publication number
CN112115643A
CN112115643A CN202010967935.2A CN202010967935A CN112115643A CN 112115643 A CN112115643 A CN 112115643A CN 202010967935 A CN202010967935 A CN 202010967935A CN 112115643 A CN112115643 A CN 112115643A
Authority
CN
China
Prior art keywords
service life
train
model
key device
data
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
CN202010967935.2A
Other languages
English (en)
Other versions
CN112115643B (zh
Inventor
刘辉
尹诗
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202010967935.2A priority Critical patent/CN112115643B/zh
Publication of CN112115643A publication Critical patent/CN112115643A/zh
Application granted granted Critical
Publication of CN112115643B publication Critical patent/CN112115643B/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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种智慧列车整车服役寿命非侵入预测方法，包括采集列车关键设备信号得到各关键设备的采样数据和总测点的采样数据并进行数据处理；构建各个关键设备的非侵入负荷分解模型；再次处理列车各关键设备的历史服役寿命参数与关键设备特征参数；构建得到列车各个关键设备的服役寿命预测模型和列车各个关键设备的服役寿命集成预测模型；构建得到列车整车的服役寿命预测模型；采用实时采集待预测的目标列车的实时信号并采用构建的模型对待预测的目标列车的关键设备寿命和整车寿命进行预测。本发明方法实现了列车整车服役寿命的非侵入预测，而且可靠性高，实用性好、成本低廉且可行性较好。

Description

一种智慧列车整车服役寿命非侵入预测方法
技术领域
本发明属于轨道交通领域，具体涉及一种智慧列车整车服役寿命非侵入预测方法。
背景技术
随着经济技术的发展和人们生活水平的提高，轨道交通已经广泛应用于人们的生产和生活当中，给人们的生产和生活带来了无尽的便利。
随着我国轨道交通技术的不断发展，列车的安全可靠运行受到广泛关注。列车的整车服役寿命有一定的期限，超龄服役的列车容易引发各种安全事故，带来人身伤害与财产损失，因此对列车整车服役寿命的预测具有重要意义。
目前针对列车寿命预测的专利主要涉及以下两个方面：
1.针对列车的单个设备进行寿命预测：如公开号CN105973597A的专利，利用布置在列车轴箱上的多个传感器采集实时载荷数据，并考虑固定时间内的轴承损伤，预测得到轴承的寿命。
2.基于多传感器的列车整车服役寿命预测：如公开号为CN110376003A的专利，基于布置在列车各个部件内部的传感器网络时刻监测所有相关部件的工作性能参数，并利用智能模型实现了对列车整车服役寿命的预测。
以上方法能够实现对列车单个设备或整车服役寿命的预测，但是均采用侵入式的方法，需要在列车各个部件内部布置传感器网络完成列车工作性能参数的实时监测，布置成本高，无法实现较好的经济性与可行性。
发明内容
本发明的目的在于提供一种可靠性高，实用性好、成本低廉且可行性较好的智慧列车整车服役寿命非侵入预测方法。
本发明提供的这种智慧列车整车服役寿命非侵入预测方法，包括如下步骤：
S1.采用侵入式方式对列车的关键设备进行信号采集，得到各关键设备的采样数据和总测点的采样数据；
S2.对步骤S1获取的采样数据进行预处理，从而得到关键设备特征参数和总测点特征参数；
S3.构建总测点与各个关键设备之间的特征关系原始模型，并采用步骤S2得到的关键设备特征参数对特征关系原始模型进行训练，从而得到各个关键设备的非侵入负荷分解模型；
S4.对列车各个关键设备的历史服役寿命参数与步骤S2得到的关键设备特征参数再次进行处理；
S5.构建各个关键设备的服役寿命预测原始模型和各个关键设备的服役寿命集成预测原始模型，并采用步骤S4得到的数据对构建的两个模型进行训练，从而得到列车各个关键设备的服役寿命预测模型和列车各个关键设备的服役寿命集成预测模型；
S6.构建列车整车的服役寿命预测原始模型，采用步骤S5得到的列车各个关键设备的服役寿命预测模型的预测结果对服役寿命预测原始模型进行训练，从而得到列车整车的服役寿命预测模型；
S7.采用非侵入方式实时采集待预测的目标列车的实时信号，进行数据处理后，再通过步骤S5构建的列车各个关键设备的服役寿命预测模型和列车各个关键设备的服役寿命集成预测模型，以及步骤S7构建的列车整车的服役寿命预测模型，对待预测的目标列车的关键设备寿命和整车寿命进行预测。
步骤S1所述的采用侵入式方式对列车的关键设备进行信号采集，得到各关键设备的采样数据和总测点的采样数据，具体为采用如下步骤得到各关键设备的采样数据和总测点的采样数据：
A.将列车分为机械部分和电气部分，并针对每个部分选定相应的关键设备；同时选定列车整体的总测点；
B.选取带有不同剩余服役寿命的列车；
C.针对步骤B选取的各个列车，获取步骤A中各个关键设备处的振动加速度信号和负荷有功功率信号，同时获取总测点处的振动加速度信号和负荷有功功率信号；
D.对步骤C得到的信号数据进行数据处理，从而得到最终的各关键设备的采样数据和总测点的采样数据。
步骤D所述的对步骤C得到的信号数据进行数据处理，从而得到最终的各关键设备的采样数据和总测点的采样数据，具体为采用如下步骤进行数据处理：
D-1.若存在数据异常，则删除相应的异常数据，
D-2.针对缺失的数据和删除后的数据，采用插值法进行数据填充；
D-3.将填充后的数据，根据对应的列车型号、设备型号和时间作为标签，建立原始数据库D＝[d,l,p,P,a,A]；其中d为列车型号，l为列车的整车剩余服役寿命，p为电气设备的负荷有功功率信号且p＝[pe,pl,pt,p(t)]，pe为电气设备的型号，pl为电气设备的剩余服役寿命，pt为电气设备的时间标签，p(t)为电气设备的负荷有功功率信号值，P为总测点的负荷有功功率信号且P＝[Pl,Pt,P(t)]，Pl为列车电气部分的剩余服役寿命，Pt为总测点处的时间标签，P(t)为总测点处的负荷有功功率信号值，a为机械设备的负荷有功功率信号且a＝[ae,al,at,a(t)]，ae为机械设备的型号，al为机械设备的剩余服役寿命，at为机械设备的时间标签，a(t)为机械设备的振动加速度信号的信号值，A为总测点的振动加速度信号的信号值且A＝[Al,At,A(t)]，Al为列车机械部分的剩余服役寿命，At为总测点处的时间标签，A(t)为总测点处的振动加速度信号的信号值。
步骤S2所述的对步骤S1获取的采样数据进行预处理，从而得到关键设备特征参数和总测点特征参数，具体为采用如下步骤得到关键设备特征参数：
a.采用傅里叶变换，将步骤S1获取的所有的原始采样数据变换为高低频信号，并采用低通滤波器进行去噪，从而得到总测点有效特征参数和各个关键设备有效特征参数；
b.对步骤a得到的有效特征参数进行归一化处理，从而保证归一化处理后的数据符合标准正态分布；
c.采用滑动窗的方式将步骤b处理后的数据信息，以统一的格式进行存储，从而得到最终的关键设备特征参数p'＝[pe,pl,pt,p'(t)]和a'＝[ae,al,at,a'(t)]，以及总测点特征参数P'＝[Pl,Pt,P'(t)]和A'＝[Al,At,A'(t)]；其中p'(t)为处理后的电气设备的负荷有功功率信号值，a'(t)为处理后的机械设备的振动加速度信号的信号值，P'(t)为处理后的总测点处的负荷有功功率信号值，A'(t)为处理后的总测点处的振动加速度信号的信号值。
步骤a所述的采用傅里叶变换，具体为采用如下算式进行傅里叶变换：
Figure BDA0002683026500000041
式中X(ω)为变换后的高低频信号；x(t)为变换前的原始采样数据。
步骤b所述的进行归一化处理，具体为采用如下算式进行归一化处理：
Figure BDA0002683026500000051
式中x'为归一化处理后的数据信息；
Figure BDA0002683026500000052
为归一化处理前的数据信息；μ为处理前的数据序列的数据平均值；k为处理前的数据序列的数据总数。
步骤c所述的滑动窗，具体为滑动窗的宽度为100个周期基频信号的长度，滑动窗的步长为100个周期基频信号的长度。
步骤S3所述的构建总测点与各个关键设备之间的特征关系原始模型，并采用步骤S2得到的关键设备特征参数对特征关系原始模型进行训练，从而得到各个关键设备的非侵入负荷分解模型，具体为采用如下步骤得到各个关键设备的非侵入负荷分解模型：
(1)将卷积层内置到门控循环单元神经网络中，从而构建得到非侵入负荷分解模型；
(2)将步骤S2处理后的数据分为训练集和验证集，逐一训练各个关键设备的非侵入负荷分解初步模型；
(3)用验证集对步骤(2)得到的非侵入负荷分解初步模型进行验证，选取误差函数最优秀的模型，作为最终的各个关键设备的非侵入负荷分解模型。
步骤(1)所述的将卷积层内置到门控循环单元神经网络中，从而构建得到非侵入负荷分解模型，具体为将卷积层内置到门控循环单元神经网络中，得到的神经网络包括输入层、一个卷积层、一个隐藏层和一个输出层；隐藏层包括一个门控循环单元和一个全连接层；采用ReLU函数和linear作为激活函数；采用交叉熵函数作为损失函数；采用NAG算法作为参数优化算法进行后续的模型训练，同时设定学习率η＝0.01，衰减率γ＝0.9。
步骤(2)所述的将步骤S2处理后的数据分为训练集和验证集，逐一训练各个关键设备的非侵入负荷分解初步模型，具体为采用如下步骤逐一训练各个关键设备的非侵入负荷分解初步模型：
(2)-1.将步骤S2处理后的数据中，80％的数据作为训练集，20％的数据作为验证集；
(2)-2.若关键设备为电气设备时，以训练集中的电气设备的总测点序列P'(t)＝[P'(1),P'(2),...,P'(k)]作为模型输入，以训练集中的各个电气设备的设备序列p'(t)＝[p'(1),p'(2),...,p'(k)]作为模型输出，训练模型；
(2)-3.若关键设备为机械设备时，以训练集中的机械设备的总测点序列A'(t)＝[A'(1),A'(2),...,A'(k)]作为模型输入，以训练集中的各个机械设备的设备序列a'(t)＝[a'(1),a'(2),...,a'(k)]作为模型输出，训练模型。
步骤(3)所述的用验证集对步骤(2)得到的非侵入负荷分解初步模型进行验证，选取误差函数最优秀的模型，作为最终的各个关键设备的非侵入负荷分解模型，具体为用验证集对步骤(2)得到的非侵入负荷分解初步模型进行验证，以均方根误差作为误差函数，选取均方根误差值最小的模型作为各个关键设备的非侵入负荷分解模型。
步骤S4所述的对列车各个关键设备的历史服役寿命参数与步骤S2得到的关键设备特征参数再次进行处理，具体为采用如下步骤进行处理：
1)采用经验小波变换算法，将步骤S1得到的数据信息pl和al，以及步骤S2得到的数据信息p'(t)和a'(t)，分解为固定数量的高低频的子序列；
2)利用样本熵评估步骤1)得到的子序列的平稳性；
3)根据步骤2)得到的子序列的平稳性，采用ICEEMDAN算法对不平稳子序列进行进一步分解；
4)利用主成分分析法进行降维，从而得到最终的处理数据pl'＝[pl1',pl2',...,plc']、p”(t)＝[p1”(t),p2”(t),...pc”(t)]、al'＝[al1',al2',...,alc']和a”(t)＝[a1”(t),a2”(t),...,ac”(t)]。
步骤2)所述的利用样本熵评估步骤1)得到的子序列的平稳性，具体为利用m表示子序列的维数，利用r表示子序列的相似度，利用N表示子序列的长度，从而得到子序列的样本熵为SampEN(m,r,N)，并评定：按照样本熵的值从高到低排名前20％的子序列为不平稳子序列。
步骤4)所述的利用主成分分析法进行降维，从而得到最终的处理数据，具体为采用主成分分析作为降维算法，得到累积贡献率最接近于1的前若干个特征值所对应的子序列作为最终的处理数据，从而得到最终的处理数据pl'＝[pl1',pl2',...,plc']、p”(t)＝[p1”(t),p2”(t),...pc”(t)]、al'＝[al1',al2',...,alc']和a”(t)＝[a1”(t),a2”(t),...,ac”(t)]。
步骤S5所述的构建各个关键设备的服役寿命预测原始模型和各个关键设备的服役寿命集成预测原始模型，并采用步骤S4得到的数据对构建的两个模型进行训练，从而得到列车各个关键设备的服役寿命预测模型和列车各个关键设备的服役寿命集成预测模型，具体为采用如下步骤得到列车各个关键设备的服役寿命预测模型：
Ⅰ.以蜻蜓算法优化的回声状态网络模型作为原始模型，构建针对各个关键设备的服役寿命预测原始模型；并采用步骤S4得到的处理后的数据，对构建的各个关键设备的服役寿命预测原始模型进行训练，从而得到列车各个关键设备的服役寿命预测模型；
Ⅱ.以蜻蜓算法优化的回声状态网络模型作为原始模型，构建各个关键设备的服役寿命集成预测原始模型；并采用步骤S4得到的处理后的数据，对构建的各个关键设备的服役寿命集成预测原始模型进行训练，从而得到列车各个关键设备的服役寿命集成预测模型。
步骤Ⅰ所述的以蜻蜓算法优化的回声状态网络模型作为原始模型，构建针对各个关键设备的服役寿命预测原始模型；并采用步骤S4得到的处理后的数据，对构建的各个关键设备的服役寿命预测原始模型进行训练，从而得到列车各个关键设备的服役寿命预测模型，具体为采用如下步骤得到列车各个关键设备的服役寿命预测模型：
Ⅰ-1.当目标关键设备为电气设备时，以步骤S4得到的处理后的子序列p”(t)＝[p1”(t),p2”(t),...pc”(t)]作为模型输入，以各个对应关键设备的剩余服役寿命子序列pl'＝[pl1',pl2',...,plc']作为输出；当目标关键设备为机械设备时，以步骤S4得到的处理后的子序列a”(t)＝[a1”(t),a2”(t),...,ac”(t)]作为模型输入，以各个对应关键设备的剩余服役寿命子序列al'＝[al1',al2',...,alc']作为输出；
Ⅰ-2.初始化回声网络状态参数：随机生成储备池，使得谱半径小于R1，随机生成输入连接与输出反馈权重，并且训练过程中不再发生改变，采用tanh函数作为激活函数；
Ⅰ-3.生成初始化种群：设定蜻蜓种群数量的取值范围为[N1,N2]，最大迭代次数的取值范围为[N3,N4]；回声状态网络待优化的参数通过每个种群个体的位置表示；N1～N4均为自然数；
Ⅰ-4.确定优化目标函数：将用于训练回声状态网络模型的输入数据分成两部分，其中N5％作为训练集，N6％作为验证当前参数性能的验证集；选择均方误差作为优化目标函数；N5和N6均为正实数，且N5+N6＝100；
Ⅰ-5.输出回声状态网络最优参数：利用确定的优化目标函数对回声状态网络的输出连接权重进行优化，在最大迭代次数内找到使得均方误差输出值最小的参数值，作为回声状态网络的最优参数，得到列车各个关键设备的服役寿命预测模型。
步骤Ⅱ所述的以蜻蜓算法优化的回声状态网络模型作为原始模型，构建各个关键设备的服役寿命集成预测原始模型；并采用步骤S4得到的处理后的数据，对构建的各个关键设备的服役寿命集成预测原始模型进行训练，从而得到列车各个关键设备的服役寿命集成预测模型，具体为采用如下步骤得到列车各个关键设备的服役寿命集成预测模型：
Ⅱ-1.当目标关键设备为电气设备时，以步骤S4得到的处理后的子序列pl'＝[pl1',pl2',...,plc']作为模型输入，以原始数据库中z个列车的各个对应关键设备的剩余服役寿命序列pl＝[pl1,pl2,...,plz]作为输出；当目标关键设备为机械设备时，以步骤S4得到的处理后的子序列al'＝[al1',al2',...,alc']作为模型输入，以z个列车的各个对应关键设备的剩余服役寿命序列al＝[al1,al2,...,alz]作为输出；
Ⅱ-2.初始化回声网络状态参数：随机生成储备池，使得谱半径小于R2，随机生成输入连接与输出反馈权重，并且训练过程中不再发生改变，采用tanh函数作为激活函数；
Ⅱ-3.生成初始化种群：设定蜻蜓种群数量的取值范围为[N7,N8]，最大迭代次数的取值范围为[N9,N10]；回声状态网络待优化的参数通过每个种群个体的位置表示；N7～N10均为自然数；
Ⅱ-4.确定优化目标函数：将用于训练回声状态网络模型的输入数据分成两部分，其中N11％作为训练集，N12％作为验证当前参数性能的验证集；选择均方误差作为优化目标函数；N11和N12均为正实数，且N11+N12＝100；
Ⅱ-5.输出回声状态网络最优参数：利用确定的优化目标函数对回声状态网络的输出连接权重进行优化，在最大迭代次数内找到使得均方误差输出值最小的参数值，作为回声状态网络的最优参数，得到列车各个关键设备的服役寿命集成预测模型。
步骤S6所述的构建列车整车的服役寿命预测原始模型，采用步骤S5得到的列车各个关键设备的服役寿命预测模型的预测结果对服役寿命预测原始模型进行训练，从而得到列车整车的服役寿命预测模型，具体为采用如下步骤得到列车整车的服役寿命预测模型：
ⅰ.以步骤S5得到的列车各个关键设备的服役寿命预测模型的预测结果作为模型输入，以列车整车服役寿命序列作为模型输出；
ⅱ.采用步骤ⅰ的数据，对多目标蚁群优化模型进行训练，从而得到最终的列车整车的服役寿命预测模型。
步骤ⅱ所述的采用步骤ⅰ的数据，对多目标蚁群优化模型进行训练，从而得到最终的列车整车的服役寿命预测模型，具体为采用如下步骤得到最终的列车整车的服役寿命预测模型：
ⅱ-1.参数初始化：采用多目标蚁群优化，初始化蚁群数量为M1，最大迭代次数为M2，随机初始化信息素相关参数；M1和M2均为正整数；
ⅱ-2.确定优化变量：设定列车电气设备与机械设备数目分别为m和n，f表示利用参数c1,c2,...,cm+n和各个设备剩余服役寿命拟合得到的列车整车服役寿命，优化变量为参数c1,c2,...,cm+n，pli＝[pli(1),pli(2),...,pli(m)]为步骤S5得到的第i个列车的m个关键电气设备的剩余服役寿命预测结果，ali＝[ali(1),ali(2),...,ali(n)]为步骤S5得到的第i个列车的n个关键机械设备的剩余服役寿命预测结果，且i＝1,2,...,z，则第i个列车的整车服役寿命拟合结果为fi＝c1pli(1)+c2pli(2)+...cmpli(m)+cm+1ali(1)+cm+2ali(2)+...+cm+ nali(n)；
ⅱ-3.确定优化目标函数：
Figure BDA0002683026500000111
Figure BDA0002683026500000112
式中li为步骤S1获取的z个列车中第i个列车的整车服役寿命真实数据；fi为第i个列车的整车服役寿命拟合结果；
Figure BDA0002683026500000113
为z个列车整车服役寿命真实数据的平均值；
Figure BDA0002683026500000114
为z个列车整车服役寿命拟合结果的平均值；
ⅱ-4.执行多目标优化：让所有蚂蚁遍历所有路径，计算优化目标函数值并记录最优情况对应的非支配解；
ⅱ-5.不断更新搜索路径并记录最优路径，当达到最大迭代次数时停止搜索，输出非支配解集；
ⅱ-6.利用验证集评估非支配解集的性能，以模型输出值的平均绝对百分比误差
Figure BDA0002683026500000115
作为评价指标，得到E值最小的非支配解作为最优参数输出，得到最终的列车整车的服役寿命预测模型。
步骤S7所述的采用非侵入方式实时采集待预测的目标列车的实时信号，进行数据处理后，再通过步骤S5构建的列车各个关键设备的服役寿命预测模型和列车各个关键设备的服役寿命集成预测模型，以及步骤S7构建的列车整车的服役寿命预测模型，对待预测的目标列车的关键设备寿命和整车寿命进行预测，具体为在正常运行的待预测的目标列车上，采用非侵入方式实时采集待预测的目标列车的总测点上的振动加速度数据信息和负荷有功功率信息，以步骤S2所述的方式进行数据处理，然后利用步骤S3得到的模型进行分解，再利用步骤S4所述的方式进行数据再处理，最后以步骤S5得到的模型进行各个设备的服役寿命预测，并以步骤S6得到的模型进行整车的服役寿命预测。
本发明提供的这种智慧列车整车服役寿命非侵入预测方法，利用侵入式方式获取基础数据并建立预测模型，然后针对目标列车利用非侵入式负荷分解技术监测列车工作性能参数，并采用预测模型对采集的列车工作性能参数进行模型预测，从而实现了列车整车服役寿命的非侵入预测；而且，本发明方法的可靠性高，实用性好、成本低廉且可行性较好。
附图说明
图1为本发明方法的方法流程示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图：本发明提供的这种智慧列车整车服役寿命非侵入预测方法，包括如下步骤：
S1.采用侵入式方式对列车的关键设备进行信号采集，得到各关键设备的采样数据和总测点的采样数据；具体为采用如下步骤得到各关键设备的采样数据和总测点的采样数据：
A.将列车分为机械部分和电气部分，并针对每个部分选定相应的关键设备；同时选定列车整体的总测点；
B.选取带有不同剩余服役寿命的列车；
C.针对步骤B选取的各个列车，获取步骤A中各个关键设备处的振动加速度信号a(t)和负荷有功功率信号p(t)，同时获取总测点处的振动加速度信号A(t)和负荷有功功率信号P(t)；
D.对步骤C得到的信号数据进行数据处理，从而得到最终的各关键设备的采样数据和总测点的采样数据；具体为采用如下步骤进行数据处理：
D-1.若存在数据异常，则删除相应的异常数据，
D-2.针对缺失的数据和删除后的数据，采用插值法进行数据填充；
D-3.将填充后的数据，根据对应的列车型号、设备型号和时间作为标签，建立原始数据库D＝[d,l,p,P,a,A]；其中d为列车型号，l为列车的整车剩余服役寿命，p为电气设备的负荷有功功率信号且p＝[pe,pl,pt,p(t)]，pe为电气设备的型号，pl为电气设备的剩余服役寿命，pt为电气设备的时间标签，p(t)为电气设备的负荷有功功率信号值，P为总测点的负荷有功功率信号且P＝[Pl,Pt,P(t)]，Pl为列车电气部分的剩余服役寿命，Pt为总测点处的时间标签，P(t)为总测点处的负荷有功功率信号值，a为机械设备的负荷有功功率信号且a＝[ae,al,at,a(t)]，ae为机械设备的型号，al为机械设备的剩余服役寿命，at为机械设备的时间标签，a(t)为机械设备的振动加速度信号的信号值，A为总测点的振动加速度信号的信号值且A＝[Al,At,A(t)]，Al为列车机械部分的剩余服役寿命，At为总测点处的时间标签，A(t)为总测点处的振动加速度信号的信号值；
S2.对步骤S1获取的采样数据进行预处理，从而得到关键设备特征参数和总测点特征参数；具体为采用如下步骤得到关键设备特征参数：
a.采用傅里叶变换，将步骤S1获取的所有的原始采样数据变换为高低频信号，并采用低通滤波器进行去噪，从而得到总测点有效特征参数和各个关键设备有效特征参数；具体为采用如下算式进行傅里叶变换：
Figure BDA0002683026500000141
式中X(ω)为变换后的高低频信号；x(t)为变换前的原始采样数据；
b.对步骤a得到的有效特征参数进行归一化处理，从而保证归一化处理后的数据符合标准正态分布；具体为采用如下算式进行归一化处理：
Figure BDA0002683026500000142
式中x'为归一化处理后的数据信息；
Figure BDA0002683026500000143
为归一化处理前的数据信息；μ为处理前的数据序列的数据平均值；k为处理前的数据序列的数据总数；
c.采用滑动窗的方式将步骤b处理后的数据信息，以统一的格式进行存储，从而得到最终的关键设备特征参数p'＝[pe,pl,pt,p'(t)]和a'＝[ae,al,at,a'(t)]，以及总测点特征参数P'＝[Pl,Pt,P'(t)]和A'＝[Al,At,A'(t)]；其中p'(t)为处理后的电气设备的负荷有功功率信号值，a'(t)为处理后的机械设备的振动加速度信号的信号值，P'(t)为处理后的总测点处的负荷有功功率信号值，A'(t)为处理后的总测点处的振动加速度信号的信号值；
在具体实施时，滑动窗的宽度为100个周期基频信号的长度，滑动窗的步长为100个周期基频信号的长度；
S3.构建总测点与各个关键设备之间的特征关系原始模型，并采用步骤S2得到的关键设备特征参数对特征关系原始模型进行训练，从而得到各个关键设备的非侵入负荷分解模型；具体为采用如下步骤得到各个关键设备的非侵入负荷分解模型：
(1)将卷积层内置到门控循环单元神经网络中，从而构建得到非侵入负荷分解模型；具体为将卷积层内置到门控循环单元神经网络中，得到的神经网络包括输入层、一个卷积层、一个隐藏层和一个输出层；隐藏层包括一个门控循环单元和一个全连接层；采用ReLU函数和linear作为激活函数；采用交叉熵函数作为损失函数；采用NAG算法作为参数优化算法进行后续的模型训练，同时设定学习率η＝0.01，衰减率γ＝0.9；
(2)将步骤S2处理后的数据分为训练集和验证集，逐一训练各个关键设备的非侵入负荷分解初步模型；具体为采用如下步骤逐一训练各个关键设备的非侵入负荷分解初步模型：
(2)-1.将步骤S2处理后的数据中，80％的数据作为训练集，20％的数据作为验证集；
(2)-2.若关键设备为电气设备时，以训练集中的电气设备的总测点序列P'(t)＝[P'(1),P'(2),...,P'(k)]作为模型输入，以训练集中的各个电气设备的设备序列p'(t)＝[p'(1),p'(2),...,p'(k)]作为模型输出，训练模型；
(2)-3.若关键设备为机械设备时，以训练集中的机械设备的总测点序列A'(t)＝[A'(1),A'(2),...,A'(k)]作为模型输入，以训练集中的各个机械设备的设备序列a'(t)＝[a'(1),a'(2),...,a'(k)]作为模型输出，训练模型；
(3)用验证集对步骤(2)得到的非侵入负荷分解初步模型进行验证，选取误差函数最优秀的模型，作为最终的各个关键设备的非侵入负荷分解模型；具体为用验证集对步骤(2)得到的非侵入负荷分解初步模型进行验证，以均方根误差作为误差函数，选取均方根误差值最小的模型作为各个关键设备的非侵入负荷分解模型；
S4.对列车各个关键设备的历史服役寿命参数与步骤S2得到的关键设备特征参数再次进行处理；具体为采用如下步骤进行处理：
1)采用经验小波变换算法，将步骤S1得到的数据信息pl和al，以及步骤S2得到的数据信息p'(t)和a'(t)，分解为固定数量的高低频的子序列；
2)利用样本熵评估步骤1)得到的子序列的平稳性；具体为利用m表示子序列的维数，利用r表示子序列的相似度，利用N表示子序列的长度，从而得到子序列的样本熵为SampEN(m,r,N)，并评定：按照样本熵的值从高到低排名前20％的子序列为不平稳子序列；
3)根据步骤2)得到的子序列的平稳性，采用ICEEMDAN算法对不平稳子序列进行进一步分解；
4)利用主成分分析法进行降维，从而得到最终的处理数据pl'＝[pl1',pl2',...,plc']、p”(t)＝[p1”(t),p2”(t),...pc”(t)]、al'＝[al1',al2',...,alc']和a”(t)＝[a1”(t),a2”(t),...,ac”(t)]；具体为采用主成分分析作为降维算法，得到累积贡献率最接近于1的前若干个特征值所对应的子序列作为最终的处理数据，从而得到最终的处理数据pl'＝[pl1',pl2',...,plc']、p”(t)＝[p1”(t),p2”(t),...pc”(t)]、al'＝[al1',al2',...,alc']和a”(t)＝[a1”(t),a2”(t),...,ac”(t)]；
S5.构建各个关键设备的服役寿命预测原始模型和各个关键设备的服役寿命集成预测原始模型，并采用步骤S4得到的数据对构建的两个模型进行训练，从而得到列车各个关键设备的服役寿命预测模型和列车各个关键设备的服役寿命集成预测模型；具体为采用如下步骤得到列车各个关键设备的服役寿命预测模型：
Ⅰ.以蜻蜓算法优化的回声状态网络模型作为原始模型，构建针对各个关键设备的服役寿命预测原始模型；并采用步骤S4得到的处理后的数据，对构建的各个关键设备的服役寿命预测原始模型进行训练，从而得到列车各个关键设备的服役寿命预测模型；具体为采用如下步骤得到列车各个关键设备的服役寿命预测模型：
Ⅰ-1.当目标关键设备为电气设备时，以步骤S4得到的处理后的子序列p”(t)＝[p1”(t),p2”(t),...pc”(t)]作为模型输入，以各个对应关键设备的剩余服役寿命子序列pl'＝[pl1',pl2',...,plc']作为输出；当目标关键设备为机械设备时，以步骤S4得到的处理后的子序列a”(t)＝[a1”(t),a2”(t),...,ac”(t)]作为模型输入，以各个对应关键设备的剩余服役寿命子序列al'＝[al1',al2',...,alc']作为输出；
Ⅰ-2.初始化回声网络状态参数：随机生成储备池，使得谱半径小于R1(优选为1)，随机生成输入连接与输出反馈权重，并且训练过程中不再发生改变，采用tanh函数作为激活函数；
Ⅰ-3.生成初始化种群：设定蜻蜓种群数量的取值范围为[N1,N2](优选为[20,100])，最大迭代次数的取值范围为[N3,N4](优选为[100,200])；回声状态网络待优化的参数通过每个种群个体的位置表示；N1～N4均为自然数；
Ⅰ-4.确定优化目标函数：将用于训练回声状态网络模型的输入数据分成两部分，其中N5％(优选为80％)作为训练集，N6％作为验证当前参数性能的验证集(优选为20％)；选择均方误差作为优化目标函数；N5和N6均为正实数，且N5+N6＝100；
Ⅰ-5.输出回声状态网络最优参数：利用确定的优化目标函数对回声状态网络的输出连接权重进行优化，在最大迭代次数内找到使得均方误差输出值最小的参数值，作为回声状态网络的最优参数，得到列车各个关键设备的服役寿命预测模型；
Ⅱ.以蜻蜓算法优化的回声状态网络模型作为原始模型，构建各个关键设备的服役寿命集成预测原始模型；并采用步骤S4得到的处理后的数据，对构建的各个关键设备的服役寿命集成预测原始模型进行训练，从而得到列车各个关键设备的服役寿命集成预测模型；具体为采用如下步骤得到列车各个关键设备的服役寿命集成预测模型：
Ⅱ-1.当目标关键设备为电气设备时，以步骤S4得到的处理后的子序列pl'＝[pl1',pl2',...,plc']作为模型输入，以原始数据库中z个列车的各个对应关键设备的剩余服役寿命序列pl＝[pl1,pl2,...,plz]作为输出；当目标关键设备为机械设备时，以步骤S4得到的处理后的子序列al'＝[al1',al2',...,alc']作为模型输入，以z个列车的各个对应关键设备的剩余服役寿命序列al＝[al1,al2,...,alz]作为输出；
Ⅱ-2.初始化回声网络状态参数：随机生成储备池，使得谱半径小于R2(优选为1)，随机生成输入连接与输出反馈权重，并且训练过程中不再发生改变，采用tanh函数作为激活函数；
Ⅱ-3.生成初始化种群：设定蜻蜓种群数量的取值范围为[N7,N8](优选为[20,100])，最大迭代次数的取值范围为[N9,N10](优选为[100,200])；回声状态网络待优化的参数通过每个种群个体的位置表示；N7～N10均为自然数；
Ⅱ-4.确定优化目标函数：将用于训练回声状态网络模型的输入数据分成两部分，其中N11％作为训练集(优选为80％)，N12％作为验证当前参数性能的验证集(优选为20％)；选择均方误差作为优化目标函数；N11和N12均为正实数，且N11+N12＝100；
Ⅱ-5.输出回声状态网络最优参数：利用确定的优化目标函数对回声状态网络的输出连接权重进行优化，在最大迭代次数内找到使得均方误差输出值最小的参数值，作为回声状态网络的最优参数，得到列车各个关键设备的服役寿命集成预测模型；
S6.构建列车整车的服役寿命预测原始模型，采用步骤S5得到的列车各个关键设备的服役寿命预测模型的预测结果对服役寿命预测原始模型进行训练，从而得到列车整车的服役寿命预测模型；具体为采用如下步骤得到列车整车的服役寿命预测模型：
ⅰ.以步骤S5得到的列车各个关键设备的服役寿命预测模型的预测结果作为模型输入，以列车整车服役寿命序列作为模型输出；
ⅱ.采用步骤ⅰ的数据，对多目标蚁群优化模型进行训练，从而得到最终的列车整车的服役寿命预测模型；将步骤ⅰ的数据，80％作为测试集，20％作为训练集，采用如下步骤得到最终的列车整车的服役寿命预测模型：
ⅱ-1.参数初始化：采用多目标蚁群优化，初始化蚁群数量为M1(优选为100)，最大迭代次数为M2(优选为200)，随机初始化信息素相关参数；M1和M2均为正整数；
ⅱ-2.确定优化变量：设定列车电气设备与机械设备数目分别为m和n，f表示利用参数c1,c2,...,cm+n和各个设备剩余服役寿命拟合得到的列车整车服役寿命，优化变量为参数c1,c2,...,cm+n，pli＝[pli(1),pli(2),...,pli(m)]为步骤S5得到的第i个列车的m个关键电气设备的剩余服役寿命预测结果，ali＝[ali(1),ali(2),...,ali(n)]为步骤S5得到的第i个列车的n个关键机械设备的剩余服役寿命预测结果，且i＝1,2,...,z，则第i个列车的整车服役寿命拟合结果fi＝c1pli(1)+c2pli(2)+...cmpli(m)+cm+1ali(1)+cm+2ali(2)+...+cm+nali(n)；
ⅱ-3.确定优化目标函数：
Figure BDA0002683026500000201
Figure BDA0002683026500000202
式中li为步骤S1获取的z个列车中第i个列车的整车服役寿命真实数据；fi为第i个列车的整车服役寿命拟合结果；
Figure BDA0002683026500000203
为z个列车整车服役寿命真实数据的平均值；
Figure BDA0002683026500000204
为z个列车整车服役寿命拟合结果的平均值；
ⅱ-4.执行多目标优化：让所有蚂蚁遍历所有路径，计算优化目标函数值并记录最优情况对应的非支配解；
ⅱ-5.不断更新搜索路径并记录最优路径，当达到最大迭代次数时停止搜索，输出非支配解集；
ⅱ-6.利用验证集评估非支配解集的性能，以模型输出值的平均绝对百分比误差
Figure BDA0002683026500000205
作为评价指标，得到E值最小的非支配解作为最优参数输出，得到最终的列车整车的服役寿命预测模型；
S7.采用非侵入方式实时采集待预测的目标列车的实时信号，进行数据处理后，再通过步骤S5构建的列车各个关键设备的服役寿命预测模型和列车各个关键设备的服役寿命集成预测模型，以及步骤S7构建的列车整车的服役寿命预测模型，对待预测的目标列车的关键设备寿命和整车寿命进行预测；具体为在正常运行的待预测的目标列车上，采用非侵入方式实时采集待预测的目标列车的总测点上的振动加速度数据信息和负荷有功功率信息，以步骤S2所述的方式进行数据处理，然后利用步骤S3得到的模型进行分解，再利用步骤S4所述的方式进行数据再处理，再以步骤S5得到的模型进行各个设备的服役寿命预测，并分析各个设备的服役寿命预测结果，对于即将达到寿命期限的设备，如果可以维修或者更换，记录并上报其设备型号信息，等待相关技术人员进行设备维修或更换工作，并实时更新对应设备服役寿命数据，最后以步骤S6得到的模型进行整车的服役寿命预测。

Claims (10)

1.一种智慧列车整车服役寿命非侵入预测方法，包括如下步骤：
S1.采用侵入式方式对列车的关键设备进行信号采集，得到各关键设备的采样数据和总测点的采样数据；
S2.对步骤S1获取的采样数据进行预处理，从而得到关键设备特征参数和总测点特征参数；
S3.构建总测点与各个关键设备之间的特征关系原始模型，并采用步骤S2得到的关键设备特征参数对特征关系原始模型进行训练，从而得到各个关键设备的非侵入负荷分解模型；
S4.对列车各个关键设备的历史服役寿命参数与步骤S2得到的关键设备特征参数再次进行处理；
S5.构建各个关键设备的服役寿命预测原始模型和各个关键设备的服役寿命集成预测原始模型，并采用步骤S4得到的数据对构建的两个模型进行训练，从而得到列车各个关键设备的服役寿命预测模型和列车各个关键设备的服役寿命集成预测模型；
S6.构建列车整车的服役寿命预测原始模型，采用步骤S5得到的列车各个关键设备的服役寿命预测模型的预测结果对服役寿命预测原始模型进行训练，从而得到列车整车的服役寿命预测模型；
S7.采用非侵入方式实时采集待预测的目标列车的实时信号，进行数据处理后，再通过步骤S5构建的列车各个关键设备的服役寿命预测模型和列车各个关键设备的服役寿命集成预测模型，以及步骤S7构建的列车整车的服役寿命预测模型，对待预测的目标列车的关键设备寿命和整车寿命进行预测。
2.根据权利要求1所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤S1所述的采用侵入式方式对列车的关键设备进行信号采集，得到各关键设备的采样数据和总测点的采样数据，具体为采用如下步骤得到各关键设备的采样数据和总测点的采样数据：
A.将列车分为机械部分和电气部分，并针对每个部分选定相应的关键设备；同时选定列车整体的总测点；
B.选取带有不同剩余服役寿命的列车；
C.针对步骤B选取的各个列车，获取步骤A中各个关键设备处的振动加速度信号和负荷有功功率信号，同时获取总测点处的振动加速度信号和负荷有功功率信号；
D.对步骤C得到的信号数据进行数据处理，从而得到最终的各关键设备的采样数据和总测点的采样数据。
3.根据权利要求2所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤S2所述的对步骤S1获取的采样数据进行预处理，从而得到关键设备特征参数和总测点特征参数，具体为采用如下步骤得到关键设备特征参数：
a.采用傅里叶变换，将步骤S1获取的所有的原始采样数据变换为高低频信号，并采用低通滤波器进行去噪，从而得到总测点有效特征参数和各个关键设备有效特征参数；
b.对步骤a得到的有效特征参数进行归一化处理，从而保证归一化处理后的数据符合标准正态分布；
c.采用滑动窗的方式将步骤b处理后的数据信息，以统一的格式进行存储，从而得到最终的关键设备特征参数p'＝[pe,pl,pt,p'(t)]和a'＝[ae,al,at,a'(t)]，以及总测点特征参数P'＝[Pl,Pt,P'(t)]和A'＝[Al,At,A'(t)]；其中p'(t)为处理后的电气设备的负荷有功功率信号值，a'(t)为处理后的机械设备的振动加速度信号的信号值，P'(t)为处理后的总测点处的负荷有功功率信号值，A'(t)为处理后的总测点处的振动加速度信号的信号值。
4.根据权利要求3所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤S3所述的构建总测点与各个关键设备之间的特征关系原始模型，并采用步骤S2得到的关键设备特征参数对特征关系原始模型进行训练，从而得到各个关键设备的非侵入负荷分解模型，具体为采用如下步骤得到各个关键设备的非侵入负荷分解模型：
(1)将卷积层内置到门控循环单元神经网络中，从而构建得到非侵入负荷分解模型；
(2)将步骤S2处理后的数据分为训练集和验证集，逐一训练各个关键设备的非侵入负荷分解初步模型；
(3)用验证集对步骤(2)得到的非侵入负荷分解初步模型进行验证，选取误差函数最优秀的模型，作为最终的各个关键设备的非侵入负荷分解模型。
5.根据权利要求4所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤(1)所述的将卷积层内置到门控循环单元神经网络中，从而构建得到非侵入负荷分解模型，具体为将卷积层内置到门控循环单元神经网络中，得到的神经网络包括输入层、一个卷积层、一个隐藏层和一个输出层；隐藏层包括一个门控循环单元和一个全连接层；采用ReLU函数和linear作为激活函数；采用交叉熵函数作为损失函数；采用NAG算法作为参数优化算法进行后续的模型训练，同时设定学习率η＝0.01，衰减率γ＝0.9。
6.根据权利要求5所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤S4所述的对列车各个关键设备的历史服役寿命参数与步骤S2得到的关键设备特征参数再次进行处理，具体为采用如下步骤进行处理：
1)采用经验小波变换算法，将步骤S1得到的数据信息pl和al，以及步骤S2得到的数据信息p'(t)和a'(t)，分解为固定数量的高低频的子序列；
2)利用样本熵评估步骤1)得到的子序列的平稳性；
3)根据步骤2)得到的子序列的平稳性，采用ICEEMDAN算法对不平稳子序列进行进一步分解；
4)利用主成分分析法进行降维，从而得到最终的处理数据pl'＝[pl1',pl2',...,plc']、p”(t)＝[p1”(t),p2”(t),...pc”(t)]、al'＝[al1',al2',...,alc']和a”(t)＝[a1”(t),a2”(t),...,ac”(t)]。
7.根据权利要求6所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤S5所述的构建各个关键设备的服役寿命预测原始模型和各个关键设备的服役寿命集成预测原始模型，并采用步骤S4得到的数据对构建的两个模型进行训练，从而得到列车各个关键设备的服役寿命预测模型和列车各个关键设备的服役寿命集成预测模型，具体为采用如下步骤得到列车各个关键设备的服役寿命预测模型：
Ⅰ.以蜻蜓算法优化的回声状态网络模型作为原始模型，构建针对各个关键设备的服役寿命预测原始模型；并采用步骤S4得到的处理后的数据，对构建的各个关键设备的服役寿命预测原始模型进行训练，从而得到列车各个关键设备的服役寿命预测模型；
Ⅱ.以蜻蜓算法优化的回声状态网络模型作为原始模型，构建各个关键设备的服役寿命集成预测原始模型；并采用步骤S4得到的处理后的数据，对构建的各个关键设备的服役寿命集成预测原始模型进行训练，从而得到列车各个关键设备的服役寿命集成预测模型。
8.根据权利要求7所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤Ⅰ所述的以蜻蜓算法优化的回声状态网络模型作为原始模型，构建针对各个关键设备的服役寿命预测原始模型；并采用步骤S4得到的处理后的数据，对构建的各个关键设备的服役寿命预测原始模型进行训练，从而得到列车各个关键设备的服役寿命预测模型，具体为采用如下步骤得到列车各个关键设备的服役寿命预测模型：
Ⅰ-1.当目标关键设备为电气设备时，以步骤S4得到的处理后的子序列p”(t)＝[p1”(t),p2”(t),...pc”(t)]作为模型输入，以各个对应关键设备的剩余服役寿命子序列pl'＝[pl1',pl2',...,plc']作为输出；当目标关键设备为机械设备时，以步骤S4得到的处理后的子序列a”(t)＝[a1”(t),a2”(t),...,ac”(t)]作为模型输入，以各个对应关键设备的剩余服役寿命子序列al'＝[al1',al2',...,alc']作为输出；
Ⅰ-2.初始化回声网络状态参数：随机生成储备池，使得谱半径小于R1，随机生成输入连接与输出反馈权重，并且训练过程中不再发生改变，采用tanh函数作为激活函数；
Ⅰ-3.生成初始化种群：设定蜻蜓种群数量的取值范围为[N1,N2]，最大迭代次数的取值范围为[N3,N4]；回声状态网络待优化的参数通过每个种群个体的位置表示；N1～N4均为自然数；
Ⅰ-4.确定优化目标函数：将用于训练回声状态网络模型的输入数据分成两部分，其中N5％作为训练集，N6％作为验证当前参数性能的验证集；选择均方误差作为优化目标函数；N5和N6均为正实数，且N5+N6＝100；
Ⅰ-5.输出回声状态网络最优参数：利用确定的优化目标函数对回声状态网络的输出连接权重进行优化，在最大迭代次数内找到使得均方误差输出值最小的参数值，作为回声状态网络的最优参数，得到列车各个关键设备的服役寿命预测模型；
步骤Ⅱ所述的以蜻蜓算法优化的回声状态网络模型作为原始模型，构建各个关键设备的服役寿命集成预测原始模型；并采用步骤S4得到的处理后的数据，对构建的各个关键设备的服役寿命集成预测原始模型进行训练，从而得到列车各个关键设备的服役寿命集成预测模型，具体为采用如下步骤得到列车各个关键设备的服役寿命集成预测模型：
Ⅱ-1.当目标关键设备为电气设备时，以步骤S4得到的处理后的子序列pl'＝[pl1',pl2',...,plc']作为模型输入，以原始数据库中z个列车的各个对应关键设备的剩余服役寿命序列pl＝[pl1,pl2,...,plz]作为输出；当目标关键设备为机械设备时，以步骤S4得到的处理后的子序列al'＝[al1',al2',...,alc']作为模型输入，以z个列车的各个对应关键设备的剩余服役寿命序列al＝[al1,al2,...,alz]作为输出；
Ⅱ-2.初始化回声网络状态参数：随机生成储备池，使得谱半径小于R2，随机生成输入连接与输出反馈权重，并且训练过程中不再发生改变，采用tanh函数作为激活函数；
Ⅱ-3.生成初始化种群：设定蜻蜓种群数量的取值范围为[N7,N8]，最大迭代次数的取值范围为[N9,N10]；回声状态网络待优化的参数通过每个种群个体的位置表示；N7～N10均为自然数；
Ⅱ-4.确定优化目标函数：将用于训练回声状态网络模型的输入数据分成两部分，其中N11％作为训练集，N12％作为验证当前参数性能的验证集；选择均方误差作为优化目标函数；N11和N12均为正实数，且N11+N12＝100；
Ⅱ-5.输出回声状态网络最优参数：利用确定的优化目标函数对回声状态网络的输出连接权重进行优化，在最大迭代次数内找到使得均方误差输出值最小的参数值，作为回声状态网络的最优参数，得到列车各个关键设备的服役寿命集成预测模型。
9.根据权利要求8所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤S6所述的构建列车整车的服役寿命预测原始模型，采用步骤S5得到的列车各个关键设备的服役寿命预测模型的预测结果对服役寿命预测原始模型进行训练，从而得到列车整车的服役寿命预测模型，具体为采用如下步骤得到列车整车的服役寿命预测模型：
ⅰ.以步骤S5得到的列车各个关键设备的服役寿命预测模型的预测结果作为模型输入，以列车整车服役寿命序列作为模型输出；
ⅱ.采用步骤ⅰ的数据，对多目标蚁群优化模型进行训练，从而得到最终的列车整车的服役寿命预测模型。
10.根据权利要求9所述的一种智慧列车整车服役寿命非侵入预测方法，其特征在于步骤ⅱ所述的采用步骤ⅰ的数据，对多目标蚁群优化模型进行训练，从而得到最终的列车整车的服役寿命预测模型，具体为采用如下步骤得到最终的列车整车的服役寿命预测模型：
ⅱ-1.参数初始化：采用多目标蚁群优化，初始化蚁群数量为M1，最大迭代次数为M2，随机初始化信息素相关参数；M1和M2均为正整数；
ⅱ-2.确定优化变量：设定列车电气设备与机械设备数目分别为m和n，f表示利用参数c1,c2,...,cm+n和各个设备剩余服役寿命拟合得到的列车整车服役寿命，优化变量为参数c1,c2,...,cm+n，pli＝[pli(1),pli(2),...,pli(m)]为步骤S5得到的第i个列车的m个关键电气设备的剩余服役寿命预测结果，ali＝[ali(1),ali(2),...,ali(n)]为步骤S5得到的第i个列车的n个关键机械设备的剩余服役寿命预测结果，且i＝1,2,...,z，则第i个列车的整车服役寿命拟合结果为fi＝c1pli(1)+c2pli(2)+...cmpli(m)+cm+1ali(1)+cm+2ali(2)+...+cm+nali(n)；
ⅱ-3.确定优化目标函数：
Figure FDA0002683026490000081
Figure FDA0002683026490000082
式中li为步骤S1获取的z个列车中第i个列车的整车服役寿命真实数据；fi为第i个列车的整车服役寿命拟合结果；
Figure FDA0002683026490000083
为z个列车整车服役寿命真实数据的平均值；
Figure FDA0002683026490000084
为z个列车整车服役寿命拟合结果的平均值；
ⅱ-4.执行多目标优化：让所有蚂蚁遍历所有路径，计算优化目标函数值并记录最优情况对应的非支配解；
ⅱ-5.不断更新搜索路径并记录最优路径，当达到最大迭代次数时停止搜索，输出非支配解集；
ⅱ-6.利用验证集评估非支配解集的性能，以模型输出值的平均绝对百分比误差
Figure FDA0002683026490000085
作为评价指标，得到E值最小的非支配解作为最优参数输出，得到最终的列车整车的服役寿命预测模型。
CN202010967935.2A 2020-09-15 2020-09-15 一种智慧列车整车服役寿命非侵入预测方法 Active CN112115643B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010967935.2A CN112115643B (zh) 2020-09-15 2020-09-15 一种智慧列车整车服役寿命非侵入预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010967935.2A CN112115643B (zh) 2020-09-15 2020-09-15 一种智慧列车整车服役寿命非侵入预测方法

Publications (2)

Publication Number Publication Date
CN112115643A true CN112115643A (zh) 2020-12-22
CN112115643B CN112115643B (zh) 2022-06-10

Family

ID=73802731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010967935.2A Active CN112115643B (zh) 2020-09-15 2020-09-15 一种智慧列车整车服役寿命非侵入预测方法

Country Status (1)

Country Link
CN (1) CN112115643B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800855A (zh) * 2021-01-04 2021-05-14 中南大学 一种列车转向架非侵入式实时故障监测方法
CN112816052A (zh) * 2021-01-04 2021-05-18 中南大学 列车车室振动监测方法、振动信号特征库建立及应用方法
CN113285448A (zh) * 2021-05-25 2021-08-20 国网四川省电力公司电力科学研究院 一种电气化铁路非侵入式牵引负荷分解方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8781982B1 (en) * 2011-09-23 2014-07-15 Lockheed Martin Corporation System and method for estimating remaining useful life
CN105973597A (zh) * 2016-05-27 2016-09-28 北京交通大学 列车轴箱轴承寿命的试验预测方法
CN109145319A (zh) * 2017-06-16 2019-01-04 哈尔滨理工大学 基于深度神经网络的关键设备切削刀具剩余寿命预测方法
CN110161343A (zh) * 2019-06-12 2019-08-23 中南大学 一种智能列车外部受电装置的非侵入式实时动态监测方法
CN110361180A (zh) * 2019-07-25 2019-10-22 中南大学 智能列车受电弓服役性能动态监测与评估方法及其***
CN110376003A (zh) * 2019-07-25 2019-10-25 中南大学 基于bim的智能列车整车服役寿命预测方法及其***
CN110428066A (zh) * 2019-07-25 2019-11-08 中南大学 一种智能列车电气装置在线状态评估与运维平台及其方法
CN110555230A (zh) * 2019-07-12 2019-12-10 北京交通大学 基于集成gmdh框架的旋转机械剩余寿命预测方法
CN110803192A (zh) * 2018-08-06 2020-02-18 中车永济电机有限公司 一种列车车载phm设备及高速轨道列车
CN110807257A (zh) * 2019-11-04 2020-02-18 中国人民解放军国防科技大学 航空发动机剩余寿命预测方法
CN111191400A (zh) * 2019-12-31 2020-05-22 上海钧正网络科技有限公司 基于用户报障数据的车辆零部件寿命预测方法及***
CN111242357A (zh) * 2020-01-06 2020-06-05 北京锦鸿希电信息技术股份有限公司 基于神经网络学习的列车车载设备故障预测方法及装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8781982B1 (en) * 2011-09-23 2014-07-15 Lockheed Martin Corporation System and method for estimating remaining useful life
CN105973597A (zh) * 2016-05-27 2016-09-28 北京交通大学 列车轴箱轴承寿命的试验预测方法
CN109145319A (zh) * 2017-06-16 2019-01-04 哈尔滨理工大学 基于深度神经网络的关键设备切削刀具剩余寿命预测方法
CN110803192A (zh) * 2018-08-06 2020-02-18 中车永济电机有限公司 一种列车车载phm设备及高速轨道列车
CN110161343A (zh) * 2019-06-12 2019-08-23 中南大学 一种智能列车外部受电装置的非侵入式实时动态监测方法
CN110555230A (zh) * 2019-07-12 2019-12-10 北京交通大学 基于集成gmdh框架的旋转机械剩余寿命预测方法
CN110361180A (zh) * 2019-07-25 2019-10-22 中南大学 智能列车受电弓服役性能动态监测与评估方法及其***
CN110376003A (zh) * 2019-07-25 2019-10-25 中南大学 基于bim的智能列车整车服役寿命预测方法及其***
CN110428066A (zh) * 2019-07-25 2019-11-08 中南大学 一种智能列车电气装置在线状态评估与运维平台及其方法
CN110807257A (zh) * 2019-11-04 2020-02-18 中国人民解放军国防科技大学 航空发动机剩余寿命预测方法
CN111191400A (zh) * 2019-12-31 2020-05-22 上海钧正网络科技有限公司 基于用户报障数据的车辆零部件寿命预测方法及***
CN111242357A (zh) * 2020-01-06 2020-06-05 北京锦鸿希电信息技术股份有限公司 基于神经网络学习的列车车载设备故障预测方法及装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
REN ZHIREN等: "Non-intrusive Load Identification Method Based on Integrated Intelligence Strategy", 《2019 25TH INTERNATIONAL CONFERENCE ON AUTOMATION AND COMPUTING 》 *
Y LU等: "Fatigue life reliability evaluation in a high-speed train bogie frame using accelerated life and numerical test", 《RELIABILITY ENGINEERING & SYSTEM SAFETY》 *
YAGUO LEI等: "A Model-Based Method for Remaining Useful Life Prediction of Machinery", 《IEEE TRANSACTIONS ON RELIABILITY 》 *
刘可安等: "城轨车辆关键部件状态修技术与***解决方案", 《机车电传动》 *
曹勇等: "基于大数据和云计算的车辆智能运维模式", 《城市轨道交通研究》 *
赵珂等: "动车组转向架轴箱剩余寿命预测方法研究", 《软件》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800855A (zh) * 2021-01-04 2021-05-14 中南大学 一种列车转向架非侵入式实时故障监测方法
CN112816052A (zh) * 2021-01-04 2021-05-18 中南大学 列车车室振动监测方法、振动信号特征库建立及应用方法
CN112800855B (zh) * 2021-01-04 2022-07-12 中南大学 一种列车转向架非侵入式实时故障监测方法
CN113285448A (zh) * 2021-05-25 2021-08-20 国网四川省电力公司电力科学研究院 一种电气化铁路非侵入式牵引负荷分解方法

Also Published As

Publication number Publication date
CN112115643B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN112115643B (zh) 一种智慧列车整车服役寿命非侵入预测方法
CN112395959B (zh) 基于音频特征的电力变压器故障预测与诊断方法及***
CN109948117A (zh) 一种对抗网络自编码器的卫星异常检测方法
CN111442827B (zh) 一种变压器绕组振动的光纤无源在线监测***
CN110610035A (zh) 一种基于gru神经网络的滚动轴承剩余寿命预测方法
Xia et al. Multiscale similarity ensemble framework for remaining useful life prediction
Cacciola et al. Aspects about air pollution prediction on urban environment
CN108168924B (zh) 一种基于vmd和mfss模型的往复压缩机寿命预测方法
KR100795227B1 (ko) 센서 어레이 신호 패턴 분석 방법 및 장치
Zhao et al. A novel cap-LSTM model for remaining useful life prediction
Bie et al. An integrated approach based on improved CEEMDAN and LSTM deep learning neural network for fault diagnosis of reciprocating pump
CN117074961A (zh) 一种变分自编码器动力电池异常检测方法、***、装置及存储介质
Chen et al. Real-time bearing remaining useful life estimation based on the frozen convolutional and activated memory neural network
Hu et al. A hybrid model for predicting the degradation trend of hydropower units based on deep learning
CN115983477A (zh) 基于K-means聚类与卷积神经网络模型的负荷预测方法
CN113138005A (zh) 基于特征提取和神经网络的车辆随机载荷模式识别***
CN115375026A (zh) 一种多故障模式下的航空发动机寿命预测方法
CN116415723A (zh) 一种面向铁路防灾***的风速预测方法及装置
Zhang et al. Remaining useful life prediction for rolling bearings with a novel entropy-based health indicator and improved particle filter algorithm
CN114595721A (zh) 一种基于路况识别的车辆零部件应变载荷预测方法
CN113673774A (zh) 基于自编码器和时序卷积网络的航空发动机余寿预测方法
Melendez et al. Self-supervised Multi-stage Estimation of Remaining Useful Life for Electric Drive Units
CN116070669B (zh) 一种基于改进深度置信网络的车间能耗预测方法与管理***
CN114580472B (zh) 工业互联网中因果与注意力并重的大型设备故障预测方法
Yang et al. Transient fault diagnosis of track circuit based on MFCC-DTW

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