[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

说明书

本发明公开了一种基于长短时记忆循环神经网络的城轨设备故障预测方法，通过对设备的故障进行分类、分析故障机理、分析故障特征的影响因素，并选取可量化的因素作为模型的输入，再对输入数据进行预处理，最后建立VPSO‑LSTM的设备故障预测模型并对故障的预测性能进行检验分析，从而得到一种城轨设备故障预测的方法，能预测出设备在一段时间后发生故障的可能性，同时也能分析影响因素对设备无故障运行时间的影响，为科学的维修管理提供依据，大大提高了设备的可靠性，同时也降低了设备的管理成本。

所属领域

本发明涉及城市轨道交通设备维修管理技术领域，具体涉及基于长短时记忆循环神经网络的城轨设备故障预测方法。

背景技术

积极发展城市公共交通已成为缓解道路交通拥堵的主要手段之一，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，已成为世界各大城市缓解交通拥堵的重要手段。截至2017年末，中国内地共34个城市开通轨道交通，共计线路165条，运营线路长度达到5032.7公里，拥有2条及以上运营线路的城市已增至26个，轨道交通网络化运营逐步实现。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。

在城市交通设备领域中，有些系统设备是直接服务于乘客的，其状态的好坏直接影响着城市轨道交通的服务水平，例如自动售检票系统(Automatic Fare Collection,AFC)等。单从1个车站、1台设备来看，设备的可靠性较高，故障率很低，但对于已建成的线路，或者形成网络的城市轨道交通系统来说，小概率的故障事件在形成工程规模后就比较突出了，并且故障种类繁多。目前现行的轨道交通设备检修策略主要是故障维修和定期维修。故障维修可以使设备的有效寿命达到最大化，但维修不及时，会导致更大的损失；同时，定期维修的关键在于维修周期，周期过长将导致维修不足，影响运行安全，过短将产生过量维修，增加维修成本。因而现有大众的AFC维修管理系统已经无法满足AFC运营管理的实际需求。

考虑到现有维修策略存在的缺点，状态修将会成为今后轨道设备维修策略的发展方向。状态修就是基于状态的维修(CBM，Condition based maintenance，简称状态修)，是一种预测性的检修模式，其利用相关的传感器采集反映设备状态的信息，然后借助智能预测模型来预测、管理设备的故障状态，再借助设备的维修指导手册，对设备模块的维修策略进行划分，制定合适的定期维修周期，或者根据设备的状态预测设备的剩余使用寿命，在设备失效前采取措施。因此，故障预测是状态修的关键技术，在状态修会日益大众化的现在，如何能轻松掌握设备故障的预测，设计一种城轨设备故障的预测方法，就变的尤为重要了。

发明内容

本发明正是针对现有技术中无法准确预测设备潜在故障的问题，提供了一种基于长短时记忆循环神经网络的城轨设备故障预测方法，通过对设备的故障进行分类、分析故障机理、分析故障特征的影响因素，并选取可量化的因素作为模型的输入，再对输入数据进行预处理，最后建立VPSO-LSTM的设备故障预测模型并对故障的预测性能进行检验分析，从而得到一种城轨设备故障预测的方法，能预测出设备在一段时间后发生故障的可能性，同时也能分析影响因素对设备无故障运行时间的影响，为科学的维修管理提供依据，大大提高了设备的可靠性，同时也降低了设备的管理成本。

为了实现上述目的，本发明采用的技术方案是：基于长短时记忆循环神经网络的城轨设备故障预测方法，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；