[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

说明书

本发明公开了一种基于神经网络学习的列车车载设备故障预测方法，包括如下步骤：收集神经网络学习样本、建立神经网络，通过对样本学习,得到预测模型、利用预测模型对车载设备进行故障预测。本发明还提供了基于神经网络学习的列车车载设备故障预测装置，以实现所述方法。本发明具有预测精度高、历史数据需求量小、周期性数据对预测结果影响小等优点。

技术领域

本发明涉及一种设备故障预测方法及装置，特别涉及一种基于神经网络学习的列车车载设备故障预测方法及装置，属于车载设备安全技术领域。

背景技术

我国地域辽阔，人员众多，铁路运输作为国家的重要基础设施、大众化的交通工具，在中国综合交通运输体系中处于骨干地位。

随着高速铁路的发展，列车运行速度越来越快，对列车安全性的要求也越来越高，如何确保车载设备的正常、稳定运行，是目前面临的一个重大问题。

现有的列车故障监控，多通过高频次的点检检查实现，但点检检查只能发现已产生故障的设备，减小故障的影响，无法做到有效的预防故障的发生。

此外，现有技术中还有通过回归分析法对设备进行预测，但回归分析法往往需要大量的历史数据，且其预测都是建立在设备性能随时间变化的基础上，不考虑列车实际运行环境，当历史数据存在周期性变化或突变时，其预测准确性急速降低。

因此，亟需研究一种能够有效预测车载设备故障的方法及装置。

发明内容

为了克服上述问题，本发明人进行了锐意研究，开发了一种列车车载设备故障监控方法及设备，该方法包括：

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。

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。

在步骤13中，所述一定数量为10～40个。

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。

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。

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：