CN112446157A - 一种交通设备剩余寿命预测方法及装置 - Google Patents
一种交通设备剩余寿命预测方法及装置 Download PDFInfo
- Publication number
- CN112446157A CN112446157A CN202011464619.XA CN202011464619A CN112446157A CN 112446157 A CN112446157 A CN 112446157A CN 202011464619 A CN202011464619 A CN 202011464619A CN 112446157 A CN112446157 A CN 112446157A
- Authority
- CN
- China
- Prior art keywords
- optimal
- parameters
- neural network
- relay
- network model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000002068 genetic effect Effects 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 210000002569 neuron Anatomy 0.000 claims abstract description 15
- 208000003098 Ganglion Cysts Diseases 0.000 claims abstract description 9
- 208000005400 Synovial Cyst Diseases 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 42
- 210000000349 chromosome Anatomy 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 230000002354 daily effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种交通设备剩余寿命预测方法及装置,预测方法包括:根据待测设备的继电器特点,选取继电器的寿命影响因素作为输入层的输入参数;将继电器的运行参数作为输出层的输出参数;根据输入层和输出层的神经元节点数,计算得到隐藏层神经节点数;根据输入层、输出层和隐藏层建立BP神经网络模型;采用遗传算法对BP神经网络模型的参数进行迭代优化,得到最优初始权值和最优阈值;获取原始样本数据,将原始样本数据、最优初始权值和最优阈值输入到BP神经网络模型进行训练,得到最优输出参数,根据最优输出参数计算得到待测设备的剩余寿命预测结果。本发明能够有效提高交通设备剩余寿命的预测结果的可靠性。
Description
技术领域
本发明涉及交通设备技术领域,尤其是涉及一种交通设备剩余寿命预测方法及装置。
背景技术
随着国民经济和城镇化进程的快速发展,我国城市轨道交通线路总里程逐年增长,城市轨道交通客运总量逐年增长,建设有全世界规模最庞大的运营线路。面对越来越复杂的网线,越来越频繁的发车频次,越来越大的客流量,如何科学运营维护、保障基础设施稳定可靠,从而使轨道交通能够长期安全运营是现阶段轨道交通发展所必须面临和解决的问题。因此,研究设备的故障规律对设备状态趋势与剩余寿命进行预测,确保设备正常工作运转,对轨道交通行业的安全运营有重要意义。轨道交通车站中的电梯/扶梯***、自动售检票***、供电***、屏蔽门***、综合监控***等是对乘客人身安全和运营收益保障的关键设备***。轨道交通站台屏蔽门作为现代化地铁工程的必备设施,是安装于地铁、轻轨等轨道交通车站站台边缘,将轨道与站台候车区隔离,可多级控制开启与关闭滑动门的连续屏障,主要用于保护乘客的安全,起到防止乘客意外坠落站台危险的作用。屏蔽门不但是保障地铁乘客生命安全的重要设备,而且还是地铁行车安全的一个重要安全因素。因此,在提高地铁服务质量的同时,也要加深对屏蔽门***的研究,减少出现因屏蔽门故障引起的影响行车的不安全因素。
目前现有的交通设备剩余寿命预测方法基于BP神经网络模型实现交通设备的剩余寿命预测,但是现有的交通设备剩余寿命预测方法未对BP神经网络模型的参数进行优化,导致容易产生局部收敛,造成设备剩余寿命的预测结果不可靠。
发明内容
本发明提供一种交通设备剩余寿命预测方法及装置,以解决现有的交通设备剩余寿命预测方法未对BP神经网络的参数优化,导致容易产生局部收敛,造成设备剩余寿命的预测结果不可靠的技术问题。
本发明的第一实施例提供了一种交通设备剩余寿命预测方法,包括:
根据待测设备的继电器特点,选取所述继电器的寿命影响因素作为输入层的输入参数;将继电器的运行参数作为输出层的输出参数;根据所述输入层和所述输出层的神经元节点数,计算得到隐藏层神经节点数;
根据所述输入层、输出层和所述隐藏层建立BP神经网络模型;
采用遗传算法对所述BP神经网络模型的参数进行迭代优化,得到最优初始权值和最优阈值;
获取原始样本数据,将所述原始样本数据、所述最优初始权值和所述最优阈值输入到所述BP神经网络模型进行训练,得到最优输出参数,根据所述最优输出参数计算得到所述待测设备的剩余寿命预测结果。
进一步的,所述寿命影响因素包括但不限于线圈电阻、吸合电压、释放电压、吸合时间、释放时间和触点电阻。
进一步的,所述将所述原始样本数据、所述最优初始权值和所述最优阈值输入到所述BP神经网络模型之前,还包括:
对所述原始样本数据进行归一化处理,得到在预设区间范围的实数样本数据。
进一步的,所述采用遗传算法对所述BP神经网络模型的参数进行迭代优化,得到最优初始权值和最优阈值,具体为:
构建适应度函数,对样本集合中的每个样本个体的适应度进行迭代计算,得到每个样本个体的自适应度函数值,在所有所述自适应度函数值中选取预设范围区间的自适应度值函数值;
根据所述自适应度函数值进行遗传训练,将满足预设要求的个体作为最优初始权值和最优阈值。
本发明的第二实施例提供了一种交通设备剩余寿命预测装置,包括:
计算模块,用于根据待测设备的继电器特点,选取所述继电器的寿命影响因素作为输入层的输入参数;将继电器的运行参数作为输出层的输出参数;根据所述输入层和所述输出层的神经元节点数,计算得到隐藏层神经节点数;
模型建立模块,用于根据所述输入层、输出层和所述隐藏层建立BP神经网络模型;
遗传优化模块,用于采用遗传算法对所述BP神经网络模型的参数进行迭代优化,得到最优初始权值和最优阈值;
训练模块,用于获取原始样本数据,将所述原始样本数据、所述最优初始权值和所述最优阈值输入到所述BP神经网络模型进行训练,得到最优输出参数,根据所述最优输出参数计算得到所述待测设备的剩余寿命预测结果
进一步的,所述寿命影响因素包括但不限于线圈电阻、吸合电压、释放电压、吸合时间、释放时间和触点电阻。
进一步的,还包括归一化模块,用于在将所述原始样本数据、所述最优初始权值和所述最优阈值输入到所述BP神经网络模型之前,对所述原始样本数据进行归一化处理,得到在预设区间范围的实数样本数据。
进一步的,所述遗传优化模块,具体用于:
构建适应度函数,对样本集合中的每个样本个体的适应度进行迭代计算,得到每个样本个体的自适应度函数值,在所有所述自适应度函数值中选取预设范围区间的自适应度值函数值;
根据所述自适应度函数值进行遗传训练,将满足预设要求的个体作为最优初始权值和最优阈值。
本发明实施例采用遗传算法对所述BP神经网络模型的参数进行迭代优化,得到最优初始权值和最优阈值,在BP神经网络模型进行训练时能够有效收敛于最优解,从而能够有效提高设备剩余寿命的预测结果的可靠性。
附图说明
图1是本发明实施例提供的一种交通设备剩余寿命预测方法的流程示意图;
图2是本发明实施例提供的一种交通设备剩余寿命预测方法的另一流程示意图;
图3是本发明实施例提供的一种交通设备剩余寿命预测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
请参阅图1-2,本发明的第一实施例提供了一种交通设备剩余寿命预测方法,如图1所示,包括:
S1、根据待测设备的继电器特点,选取继电器的寿命影响因素作为输入层的输入参数;将继电器的运行参数作为输出层的输出参数;根据输入层和输出层的神经元节点数,计算得到隐藏层神经节点数;
在本发明实施例中,根据继电器特点,输入层神经元选取线圈电阻、吸合电压、释放电压、吸合时间、释放时间和触点电阻等影响较大的6种影响因素,将这6种影响因素作为BP神经网络模型输入层的输入参数;将继电器运行参数作为输出层的输出参数,其值为1;在一种具体的实施方式中,根据输入层和输出层的神经元节点数,计算得到隐藏层神经节点数,具体为:
Y=√(m+n)+a;
其中,m为输入层节点数,n为输出层节点数,a为[1,10]之间的常数,确定隐含层的神经元节点数Y为12。
S2、根据输入层、输出层和隐藏层建立BP神经网络模型;
S3、采用遗传算法对BP神经网络模型的参数进行迭代优化,得到最优初始权值和最优阈值;
S4、获取原始样本数据,将原始样本数据、最优初始权值和最优阈值输入到BP神经网络模型进行训练,得到最优输出参数,根据最优输出参数计算得到待测设备的剩余寿命预测结果。
在本发明实施中,待测设备为交通设备中的屏蔽门。屏蔽门***由门体、门机、电源及控制四大部分组成。门机***主要包括驱动装置、传动装置和锁紧装置。控制***信号***进行信息交换,对屏蔽门的开/关进行控制,保证屏蔽门的开门/关门与列车车门同步,并在关门过程中探测是否有障碍物。屏蔽门站台单元控制器(PEDC)是屏蔽门***与综合监控、信号***连接的重要板件。屏蔽门站台单元控制器(PEDC)是继电器逻辑和单片机的组合,作为负责接收和发送屏蔽门动作指令的开关装置,其一旦发生故障将会直接导致屏蔽门无法正常工作。
在一种具体的实施方式中,屏蔽门***中的继电器的运行参数包括但不限于继电器的已吸合次数。本发明实施通过BP模型训练得到的最优输出参数为继电器的已吸合次数,将继电器最大可吸合次数与继电器的已吸合次数的差值作为继电器的剩余吸合次数。基于上述继电器的剩余吸合次数,以日为单位计算继电器的剩余寿命,具体地,根据历史数据统计屏蔽门***中继电器每日吸合次数,根据继电器的剩余吸合次数可以计算得到以日为单位的继电器的剩余寿命,从而得到屏蔽门的剩余寿命,进而根据屏蔽门的剩余寿命提前进行预警,指导工作人员及时对屏蔽门进行运维,能够有效地提高屏蔽门***运行的安全性和可靠性。在一个具体的实施例中,获取某地区地铁在某一时间段的运行数据,可以得到继电器大概每天吸合次数。
本发明实施例采用遗传算法对BP神经网络模型的参数进行迭代优化,得到最优初始权值和最优阈值,在BP神经网络模型进行训练时能够有效收敛于最优解,从而能够有效提高设备剩余寿命的预测结果的可靠性。
作为本发明实施例的一种具体实施方式,寿命影响因素包括但不限于线圈电阻、吸合电压、释放电压、吸合时间、释放时间和触点电阻。
在本发明实施例中,继电器作为屏蔽门站台单元控制器的主要部件,是一种具有隔离功能的开关元件,常用参数包括:线圈电阻、吸合电压、释放电压。线圈电阻直接决定线圈匝数,而电流和匝数影响吸力;吸合电压是指继电器能够吸合时候的最小电压;释放电压是指产生释放动作时候的最大电压。PEDC内部的继电器根据用途可以分为开门、开门允许、关门、安全回路和互锁解除等。作为关键部件,继电器故障是PEDC的主要故障,如果开门和开门允许的继电器发生故障,将会导致整个上行或者下行的滑动门无法打开。同理,如果关门继电器发生故障,将会导致整个上行或者下行的滑动门无法关闭。本发明实施例以多种寿命影响因素作为输入参数,能够有效提高继电器剩余寿命预测结果,从而有效提高屏蔽门设备的剩余寿命预测结果。
作为本发明实施例的一种具体实施方式,将原始样本数据、最优初始权值和最优阈值输入到BP神经网络模型之前,还包括:
对原始样本数据进行归一化处理,得到在预设区间范围的实数样本数据。
在本发明实施例中,通过对原始样本数据进行归一化处理,将处于不同量纲的数据进行标准化,得到处于同一数据级的实数样本数据,有利于BP神经网络模型的输出值的准确性。
作为本发明实施例的一种具体实施方式,采用遗传算法对BP神经网络模型的参数进行迭代优化,得到最优初始权值和最优阈值,具体为:
构建适应度函数,对样本集合中的每个样本个体的适应度进行迭代计算,得到每个样本个体的自适应度函数值,在所有自适应度函数值中选取预设范围区间的自适应度值函数值;
根据自适应度函数值进行遗传训练,将满足预设要求的个体作为最优初始权值和最优阈值。
在本发明实施例中,通过适应度函数对每个样本个体的适应度进行迭代计算,得到每个样本个体的自适应度函数值,选取适应度函数值在预设范围区间的个体参加遗传训练,经过遗传训练后的个体集合形成下一代新的种群。
在一种具体的实施方式中,选择实数编码,根据建立的BP神经网络模型为6-12-1,确定权值为6*12+12*1=84个,阈值为13个,即染色体的长度为97个。具体地,适应度函数为:
其中,n是训练样本总数;di为第i个样本期望输出;vi为第i个样本网络输出。
遗传训练包括变异和交叉,变异:影响新染色体产生的数量。其值越高产生新染色体的数量越多,取值过小则产生新染色体的能力较弱,取值0.001。交叉:产生新染色体。其值过大易破坏原始种群中的优良个体,取值过小易导致染色体更新速度较慢,取值为0.5。
在得到最优初始权值和最优阈值后,最优初始权值和最优阈值输入到BP神经网络模型进行训练,得到最优输出参数,具体为:
利用BP神经网络模型根据最优阈值和最优初始权值进行训练预测,不断迭代更新权值和阈值,知道得到最终的结果,将结果作为待测设备的剩余寿命预测结果。
具体地,在训练中,表示在神经网络中神经元与神经元之间的传递公式传递函数为:
其中,n为层序号,i为节点序号,x为输入输出,w为权重,b为偏置值,f为激活函数。为了让神经网络可以接近任意函数,引入非线性激活函数,选取sigmoid函数作为其激活函数。
在本发明实施例中,用来控制学习过程的速度,即权值阈值在每一次循环训练所产生的变化量为学习率:其数值过大,容易导致收敛速度加快,达不到收敛状态。因此,在本发明实施例中尽量选择较小值。
请参阅图2,为本发明实施例提供的一种交通设备剩余寿命预测方法的另一流程示意图。
实施本发明实施例,具有以下有益效果:
本发明实施例选取影响设备寿命的关键部件即继电器作为预测设备剩余寿命的突破点,基于遗传算法优化BP神经网络,得到最优初始权值和最优阈值,建立屏继电器的影响因素与剩余寿命之间的复杂映射,并构建屏蔽门剩余寿命预测模型,通过不断训练和优化,能够有效提高交通设备剩余寿命预测的精度与准确度,从而有效提高交通设备剩余寿命预测的可靠性。
请参阅图3,本发明的第二实施例提供了一种交通设备剩余寿命预测装置,包括:
计算模块10,用于根据待测设备的继电器特点,选取继电器的寿命影响因素作为输入层的输入参数;将继电器的运行参数作为输出层的输出参数;根据输入层和输出层的神经元节点数,计算得到隐藏层神经节点数;
在本发明实施例中,根据继电器特点,输入层神经元选取线圈电阻、吸合电压、释放电压、吸合时间、释放时间和触点电阻等影响较大的6种影响因素,将这6种影响因素作为BP神经网络模型输入层的输入参数;将继电器的运行参数作为输出层的输出参数,其值为1;在一种具体的实施方式中,根据输入层和输出层的神经元节点数,计算得到隐藏层神经节点数,具体为:
Y=√(m+n)+a;
其中,m为输入层节点数,n为输出层节点数,a为[1,10]之间的常数,确定隐含层的神经元节点数Y为12。
模型建立模块20,用于根据输入层、输出层和隐藏层建立BP神经网络模型;
遗传优化模块30,用于采用遗传算法对BP神经网络模型的参数进行迭代优化,得到最优初始权值和最优阈值;
训练模块40,用于获取原始样本数据,将原始样本数据、最优初始权值和最优阈值输入到BP神经网络模型进行训练,得到最优输出参数,根据最优输出参数计算得到待测设备的剩余寿命预测结果。
在本发明实施中,待测设备为交通设备中的屏蔽门。屏蔽门***由门体、门机、电源及控制四大部分组成。门机***主要包括驱动装置、传动装置和锁紧装置。控制***信号***进行信息交换,对屏蔽门的开/关进行控制,保证屏蔽门的开门/关门与列车车门同步,并在关门过程中探测是否有障碍物。屏蔽门站台单元控制器(PEDC)是屏蔽门***与综合监控、信号***连接的重要板件。屏蔽门站台单元控制器(PEDC)是继电器逻辑和单片机的组合,作为负责接收和发送屏蔽门动作指令的开关装置,其一旦发生故障将会直接导致屏蔽门无法正常工作。
在一种具体的实施方式中,屏蔽门***中的继电器的运行参数包括但不限于继电器的已吸合次数。本发明实施通过BP模型训练得到的最优输出参数为继电器的已吸合次数,将继电器最大可吸合次数与继电器的已吸合次数的差值作为继电器的剩余吸合次数。基于上述继电器的剩余吸合次数,以日为单位计算继电器的剩余寿命,具体地,根据历史数据统计屏蔽门***中继电器每日吸合次数,根据继电器的剩余吸合次数可以计算得到以日为单位的继电器的剩余寿命,从而得到屏蔽门的剩余寿命,进而根据屏蔽门的剩余寿命提前进行预警,指导工作人员及时对屏蔽门进行运维,能够有效地提高屏蔽门***运行的安全性和可靠性。在一个具体的实施例中,获取某地区地铁在某一时间段的运行数据,可以得到继电器大概每天吸合次数。
本发明实施例采用遗传算法对BP神经网络模型的参数进行迭代优化,得到最优初始权值和最优阈值,在BP神经网络模型进行训练时能够有效收敛于最优解,从而能够有效提高设备剩余寿命的预测结果的可靠性。
作为本发明实施例的一种具体实施方式,寿命影响因素包括但不限于线圈电阻、吸合电压、释放电压、吸合时间、释放时间和触点电阻。
在本发明实施例中,继电器作为屏蔽门站台单元控制器的主要部件,是一种具有隔离功能的开关元件,常用参数包括:线圈电阻、吸合电压、释放电压。线圈电阻直接决定线圈匝数,而电流和匝数影响吸力;吸合电压是指继电器能够吸合时候的最小电压;释放电压是指产生释放动作时候的最大电压。PEDC内部的继电器根据用途可以分为开门、开门允许、关门、安全回路和互锁解除等。作为关键部件,继电器故障是PEDC的主要故障,如果开门和开门允许的继电器发生故障,将会导致整个上行或者下行的滑动门无法打开。同理,如果关门继电器发生故障,将会导致整个上行或者下行的滑动门无法关闭。本发明实施例以多种寿命影响因素作为输入参数,能够有效提高继电器剩余寿命预测结果,从而有效提高屏蔽门设备的剩余寿命预测结果。
作为本发明实施例的一种具体实施方式,还包括归一化模块,用于在将原始样本数据、最优初始权值和最优阈值输入到BP神经网络模型之前,对原始样本数据进行归一化处理,得到在预设区间范围的实数样本数据。
在本发明实施例中,通过对原始样本数据进行归一化处理,将处于不同量纲的数据进行标准化,得到处于同一数据级的实数样本数据,有利于BP神经网络模型的输出值的准确性。
作为本发明实施例的一种具体实施方式,遗传优化模块30,具体用于:
构建适应度函数,对样本集合中的每个样本个体的适应度进行迭代计算,得到每个样本个体的自适应度函数值,在所有自适应度函数值中选取预设范围区间的自适应度值函数值;
根据自适应度函数值进行遗传训练,将满足预设要求的个体作为最优初始权值和最优阈值
在本发明实施例中,通过适应度函数对每个样本个体的适应度进行迭代计算,得到每个样本个体的自适应度函数值,选取适应度函数值在预设范围区间的个体参加遗传训练,经过遗传训练后的个体集合形成下一代新的种群。
在一种具体的实施方式中,选择实数编码,根据建立的BP神经网络模型为6-12-1,确定权值为6*12+12*1=84个,阈值为13个,即染色体的长度为97个。具体地,适应度函数为:
其中,n是训练样本总数;di为第i个样本期望输出;vi为第i个样本网络输出。
遗传训练包括变异和交叉,变异:影响新染色体产生的数量。其值越高产生新染色体的数量越多,取值过小则产生新染色体的能力较弱,取值0.001。交叉:产生新染色体。其值过大易破坏原始种群中的优良个体,取值过小易导致染色体更新速度较慢,取值为0.5。
在得到最优初始权值和最优阈值后,最优初始权值和最优阈值输入到BP神经网络模型进行训练,得到最优输出参数,具体为:
利用BP神经网络模型根据最优阈值和最优初始权值进行训练预测,不断迭代更新权值和阈值,知道得到最终的结果,将结果作为待测设备的剩余寿命预测结果。
具体地,在训练中,表示在神经网络中神经元与神经元之间的传递公式传递函数为:
其中,n为层序号,i为节点序号,x为输入输出,w为权重,b为偏置值,f为激活函数。为了让神经网络可以接近任意函数,引入非线性激活函数,选取sigmoid函数作为其激活函数。
本发明实施例中,用来控制学习过程的速度,即权值阈值在每一次循环训练所产生的变化量为学习率:其数值过大,容易导致收敛速度加快,达不到收敛状态。因此,在本发明实施例中尽量选择较小值。
实施本发明实施例,具有以下有益效果:
本发明实施例选取影响设备寿命的关键部件即继电器作为预测设备剩余寿命的突破点,基于遗传算法优化BP神经网络,得到最优初始权值和最优阈值,建立屏继电器的影响因素与剩余寿命之间的复杂映射,并构建屏蔽门剩余寿命预测模型,通过不断训练和优化,能够有效提高交通设备剩余寿命预测的精度与准确度,从而有效提高交通设备剩余寿命预测的可靠性。
以上是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种交通设备剩余寿命预测方法,其特征在于,包括:
根据待测设备的继电器特点,选取所述继电器的寿命影响因素作为输入层的输入参数;将继电器的运行参数作为输出层的输出参数;根据所述输入层和所述输出层的神经元节点数,计算得到隐藏层神经节点数;
根据所述输入层、输出层和所述隐藏层建立BP神经网络模型;
采用遗传算法对所述BP神经网络模型的参数进行迭代优化,得到最优初始权值和最优阈值;
获取原始样本数据,将所述原始样本数据、所述最优初始权值和所述最优阈值输入到所述BP神经网络模型进行训练,得到最优输出参数,根据所述最优输出参数计算得到所述待测设备的剩余寿命预测结果。
2.如权利要求1所述的交通设备剩余寿命预测方法,其特征在于,所述寿命影响因素包括但不限于线圈电阻、吸合电压、释放电压、吸合时间、释放时间和触点电阻。
3.如权利要求1所述的交通设备剩余寿命预测方法,其特征在于,所述将所述原始样本数据、所述最优初始权值和所述最优阈值输入到所述BP神经网络模型之前,还包括:
对所述原始样本数据进行归一化处理,得到在预设区间范围的实数样本数据。
4.如权利要求1所述的交通设备剩余寿命预测方法,其特征在于,所述采用遗传算法对所述BP神经网络模型的参数进行迭代优化,得到最优初始权值和最优阈值,具体为:
构建适应度函数,对样本集合中的每个样本个体的适应度进行迭代计算,得到每个样本个体的自适应度函数值,在所有所述自适应度函数值中选取预设范围区间的自适应度值函数值;
根据所述自适应度函数值进行遗传训练,将满足预设要求的个体作为最优初始权值和最优阈值。
5.一种交通设备剩余寿命预测装置,其特征在于,包括:
计算模块,用于根据待测设备的继电器特点,选取所述继电器的寿命影响因素作为输入层的输入参数;将继电器的运行参数作为输出层的输出参数;根据所述输入层和所述输出层的神经元节点数,计算得到隐藏层神经节点数;
模型建立模块,用于根据所述输入层、输出层和所述隐藏层建立BP神经网络模型;
遗传优化模块,用于采用遗传算法对所述BP神经网络模型的参数进行迭代优化,得到最优初始权值和最优阈值;
训练模块,用于获取原始样本数据,将所述原始样本数据、所述最优初始权值和所述最优阈值输入到所述BP神经网络模型进行训练,得到最优输出参数,根据所述最优输出参数计算得到所述待测设备的剩余寿命预测结果。
6.如权利要求5所述的交通设备剩余寿命预测装置,其特征在于,所述寿命影响因素包括但不限于线圈电阻、吸合电压、释放电压、吸合时间、释放时间和触点电阻。
7.如权利要求5所述的交通设备剩余寿命预测装置,其特征在于,还包括归一化模块,用于在将所述原始样本数据、所述最优初始权值和所述最优阈值输入到所述BP神经网络模型之前,对所述原始样本数据进行归一化处理,得到在预设区间范围的实数样本数据。
8.如权利要求5所述的交通设备剩余寿命预测装置,其特征在于,所述遗传优化模块,具体用于:
构建适应度函数,对样本集合中的每个样本个体的适应度进行迭代计算,得到每个样本个体的自适应度函数值,在所有所述自适应度函数值中选取预设范围区间的自适应度值函数值;
根据所述自适应度函数值进行遗传训练,将满足预设要求的个体作为最优初始权值和最优阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011464619.XA CN112446157A (zh) | 2020-12-14 | 2020-12-14 | 一种交通设备剩余寿命预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011464619.XA CN112446157A (zh) | 2020-12-14 | 2020-12-14 | 一种交通设备剩余寿命预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112446157A true CN112446157A (zh) | 2021-03-05 |
Family
ID=74739618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011464619.XA Pending CN112446157A (zh) | 2020-12-14 | 2020-12-14 | 一种交通设备剩余寿命预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446157A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221415A (zh) * | 2021-05-13 | 2021-08-06 | 广东省科学院智能制造研究所 | 一种基于abaqus的桁架梁结构优化方法及装置 |
CN113933698A (zh) * | 2021-10-15 | 2022-01-14 | 中车大同电力机车有限公司 | 继电器寿命预测方法及装置 |
CN117872120A (zh) * | 2024-01-16 | 2024-04-12 | 珠海市明辉达科技有限公司 | 一种继电器寿命测试方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046710A (zh) * | 2019-04-11 | 2019-07-23 | 山东师范大学 | 一种神经网络的非线性函数极值优化方法及*** |
CN110262233A (zh) * | 2019-05-31 | 2019-09-20 | 江苏大学 | 一种基于遗传算法和bp神经网络的磁控镀膜仪工艺参数的优化方法 |
CN111523253A (zh) * | 2020-06-16 | 2020-08-11 | 河北工业大学 | 一种基于载荷融合数据确定铁路继电器吸合时间阈值的方法 |
CN111597754A (zh) * | 2020-04-16 | 2020-08-28 | 广东省智能制造研究所 | 一种屏蔽门的故障预测方法、装置、终端设备及存储介质 |
-
2020
- 2020-12-14 CN CN202011464619.XA patent/CN112446157A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046710A (zh) * | 2019-04-11 | 2019-07-23 | 山东师范大学 | 一种神经网络的非线性函数极值优化方法及*** |
CN110262233A (zh) * | 2019-05-31 | 2019-09-20 | 江苏大学 | 一种基于遗传算法和bp神经网络的磁控镀膜仪工艺参数的优化方法 |
CN111597754A (zh) * | 2020-04-16 | 2020-08-28 | 广东省智能制造研究所 | 一种屏蔽门的故障预测方法、装置、终端设备及存储介质 |
CN111523253A (zh) * | 2020-06-16 | 2020-08-11 | 河北工业大学 | 一种基于载荷融合数据确定铁路继电器吸合时间阈值的方法 |
Non-Patent Citations (1)
Title |
---|
周辉等: "基于遗传算法优化BP神经网络的电缆接头导线温度预测", 《电气应用》, 31 December 2013 (2013-12-31), pages 581 - 585 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221415A (zh) * | 2021-05-13 | 2021-08-06 | 广东省科学院智能制造研究所 | 一种基于abaqus的桁架梁结构优化方法及装置 |
CN113933698A (zh) * | 2021-10-15 | 2022-01-14 | 中车大同电力机车有限公司 | 继电器寿命预测方法及装置 |
CN117872120A (zh) * | 2024-01-16 | 2024-04-12 | 珠海市明辉达科技有限公司 | 一种继电器寿命测试方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112446157A (zh) | 一种交通设备剩余寿命预测方法及装置 | |
CN110428109B (zh) | 地铁屏蔽门故障间隔时间预测模型建立及预测方法 | |
CN113723659B (zh) | 一种城市轨道交通全场景客流预测方法及*** | |
CN107016507A (zh) | 基于数据挖掘技术的电网故障追踪方法 | |
CN107346466A (zh) | 一种电力调度***的控制方法及装置 | |
CN107679576A (zh) | 车辆的故障监测方法及装置 | |
CN107219837A (zh) | 一种用于地铁屏蔽门故障监控与预警智能*** | |
CN105467971B (zh) | 一种电力二次设备监测***及方法 | |
CN105425768A (zh) | 一种电力二次设备监测装置及方法 | |
CN109711635A (zh) | 一种基于车站能力保持的设备维修策略优化方法 | |
Ning et al. | ACP-based control and management of urban rail transportation systems | |
CN104751374A (zh) | 一种计量自动化***无线通信故障预测方法 | |
CN111060815A (zh) | 基于GA-Bi-RNN的高压断路器故障诊断方法 | |
CN110097196A (zh) | 一种智能化运维管理方法及*** | |
CN111860971B (zh) | 道岔转辙机剩余寿命预测方法及装置 | |
CN104991549A (zh) | 基于fta与多层次模糊神经子网络的轨道电路红光带故障诊断方法 | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
CN106651198A (zh) | 一种电网事故辅助处理方法及其*** | |
CN113807678A (zh) | 站台安全门能效管理方法、装置、计算机设备和存储介质 | |
CN115222160B (zh) | 一种基于实测大数据的轨道交通牵引负荷预测方法 | |
CN111209979A (zh) | 监控车辆电压的方法、装置及电子设备 | |
Ding et al. | Key technologies and applications of intelligent dispatching command for high-speed railway in China | |
Yin et al. | Balise arrangement optimization for train station parking via expert knowledge and genetic algorithm | |
Zhou et al. | Crowd evacuation with multi-modal cooperative guidance in subway stations: computational experiments and optimization | |
CN105416347A (zh) | 车内拥挤情况预知装置 |
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 |