[发明专利]基于长短时记忆循环神经网络的城轨设备故障预测方法

权利要求书

1.基于长短时记忆循环神经网络的城轨设备故障预测方法，其特征在于，包括如下步骤：

S1，设备故障分类：将设备根据其组成模块及实际故障情况分类；

S2，故障机理分析：针对步骤S1的故障分类分别进行故障机理分析，了解设备故障的原因；

S3，故障特征影响因素分析：对设备故障造成影响的特征因素进行分析，并选取可量化的因素作为模型输入；

S4，数据预处理：对数据进行预处理；

S5，构建基于速度自适应的粒子群算法的长短时记忆循环神经网络的设备故障预测模型，所述步骤进一步包括：

S51，选择长短时记忆循环神经网络作为故障预测模型，设置模型的网络参数；

S52，采用速度自适应的粒子群算法确定长短时记忆循环神经网络的参数，得到最终的故障预测模型；

S6，模型预测与分析评估：根据构建的模型进行设备故障预测，对模型的预测性能进行分析评价。

2.根据权利要求1所述的基于长短时记忆循环神经网络的城轨设备故障预测方法，其特征在于：所述步骤S51中，长短时记忆循环神经网络模型对传统循环神经网络的隐藏层进行了改进更新，将其替换为长短时记忆循环神经网络单元，加入了门结构。

3.根据权利要求2所述的基于长短时记忆循环神经网络的城轨设备故障预测方法，其特征在于：所述长短时记忆循环神经网络单元更新分为以下步骤：

1)计算输入门的值。

2)计算遗忘门的值。

3)计算记忆单元的值。

4)计算输出门的值。

5)计算LSTM单元的值。

6)计算输出层的值。

7)计算输出节点的输出值。

4.根据权利要求2所述的基于长短时记忆循环神经网络的城轨设备故障预测方法，其特征在于：所述步骤S52粒子群算法中粒子更新公式如下：

v_id(t+1)＝v_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t))

V_t＝(K-(t/T_max)P)V_max

当v_id＞V_t，则v_id＝V_t；

当v_id＜-V_t，则v_id＝-V_t；

x_id(t+1)＝x_id(t)+v_id(t+1)

式中，K-(t/T_max)^P为尺度系数；t、T_max分别是当代进化代数和最大进化代数；p、K是控制尺度系统大小的正常数。

5.根据上述任一权利要求所述的基于长短时记忆循环神经网络的城轨设备故障预测方法，其特征在于，所述步骤S6中分析评估采用交叉验证法，至少选取相关系数、精度及召回率为性能评估指标。