[发明专利]基于神经网络学习的列车车载设备故障预测方法及装置

权利要求书

1.一种基于神经网络学习的列车车载设备故障预测方法，包括：

S1、收集神经网络学习样本；

S2、建立神经网络，通过对样本学习,得到预测模型；

S3、利用预测模型对车载设备进行故障预测。

2.根据权利要求1所述的基于神经网络学习的列车车载设备故障预测方法，其特征在于，

在步骤S1中，包含以下子步骤：

S11、针对不同的车载设备，确定能够代表设备性能和/或经常出问题的特征；

S12、将上述特征通过定量的数据表示，得到性能参数，并确定设备故障性能参数值；

S13、收集设备故障时及设备故障前一定数量的性能参数，生成学习样本。

3.根据权利要求2所述的基于神经网络学习的列车车载设备故障预测方法，其特征在于，

在步骤13中，所述一定数量为10～40个。

4.根据权利要求1所述的基于神经网络学习的列车车载设备故障预测方法，其特征在于，

步骤S2包括以下子步骤：

S21、确定BP神经网络模型中不同层节点数量；

S22、建立BP神经网络模型；

S23、样本初始化，供神经网络学习，得到模型参数。

5.根据权利要求4所述的基于神经网络学习的列车车载设备故障预测方法，其特征在于，

在步骤S21中，所述BP神经网络模型中具有1个隐含层，输入层节点个数n为5～9个，隐含层节点m个数满足1.1n≤m≤1.5n的正整数，输出层节点为1个。

6.根据权利要求4所述的基于神经网络学习的列车车载设备故障预测方法，其特征在于，

输入层到隐含层的传递采用S型函数：

不同输入层节点对不同隐含层的输出值为：k_ij＝ω_ijS_i

其中，i表示不同的输入层节点，j表示不同的隐含层节点，ω_ij表示输出层到隐含层的权重，S_i表示出入层节点的输入，隐含层的输出L_j为：

其中，a_ij是输入层到隐含层的偏置，

隐含层到输出层的传递采用线性函数，输出层的输出O为：

其中，ε_j是隐含层到输出层的权重，b_j是隐含层到输出层的偏置。

7.根据权利要求4所述的基于神经网络学习的列车车载设备故障预测方法，其特征在于，

在步骤23中，所述初始化，为将样本分成(t-n)组，每组数据包含连续的(n+1)个性能参数，其中每组前n个性能参数作为入层节点的输入S_i，后一个作为期望输出Y，其中t为学习样本中的性能参数数量，n为输入层节点个数。

8.根据权利要求4所述的基于神经网络学习的列车车载设备故障预测方法，其特征在于，

在步骤23中，对输出层到隐含层的权重ω_ij、输入层到隐含层的偏置a_ij、隐含层到输出层的权重ε_j，隐含层到输出层的偏置b_j不断更新，

所述不断地更新，通过如下算式进行：

其中，ω′_ij为更新后的输出层到隐含层的权重，ε′_j为更新后的隐含层到输出层的权重，a′_ij为更新后的输入层到隐含层的偏置，b′_j为更新后的隐含层到输出层的偏置，δ为学习速率，e＝Y-O。

9.根据权利要求1所述的基于神经网络学习的列车车载设备故障预测方法，其特征在于，

在步骤S3中，包括以下子步骤：

S31、记录设备的性能参数；

S32、将性能参数代入预测模型进行预测。

10.一种基于神经网络学习的列车车载设备故障预测装置，包括参数设置模块、数据采集模块、模型模块、监控模块和展示模块。