[发明专利]基于长短期记忆网络的转辙机健康度短期预测方法

说明书

本发明公开了一种基于长短期记忆网络的转辙机健康度短期预测方法，在转辙机设备真实健康度时间序列数据上，取转辙机设备历史健康度的一部分前期数据作为训练集，训练时将历史健康度序列划分为历史窗口和未来窗口，并将它们组合起来作为网络输入，检测时根据历史窗口对健康度的未来窗口做出预测；将训练好的LSTM网络用于转辙机设备健康度短时预测，在一定程度上能够准确的预测转辙机设备的短期健康度，给运维人员的工作提供科学指导。

技术领域

本发明涉及铁道设备健康度预测技术领域，尤其涉及一种基于长短期记忆网络的转辙机健康度短期预测方法。

背景技术

传统的设备健康预测算法大致可分为三类，分别是基于模型的设备健康预测算法、基于知识的设备健康预测算法和基于大数据的设备健康预测算法等。

其中，基于模型的设备健康预测算法分为：基于系统输出模型的健康预测(或状态空间模型)和基于设备失效物理模型的健康预测这两种，上述两种两预测算法主要面向电子设备。

基于知识的设备健康预测算法主要依赖模糊算法以及专家系统，此类预测算法基于专家经验和专业知识，较适合定性推理。

基于大数据的设备健康预测算法主要是将监测系统采集的数据作为基础，通过相关算法，挖掘出数据之间内在的联系并进行预测，这类故障预测技术在工程应用上较为普遍，一般来说，基于大数据的算法对数据内在联系的分析能力和算法基于的数据的质量决定了预测结果的好坏。这种算法的优化需要较强的数学知识和应用场景专业知识作为基础进行长时间的积累和实验，并且即使这样也很难达到较好的效果。

发明内容

本发明的目的是提供一种基于长短期记忆网络的转辙机健康度短期预测方法，以已有的转辙机设备真实健康度时间序列数据作为LSTM网络(长短期记忆网络)预测的基础，准确的实现对转辙机健康度短期预测。

本发明的目的是通过以下技术方案实现的：

一种基于长短期记忆网络的转辙机健康度短期预测方法，包括：

利用已有的转辙机设备健康度值，按照时间先后顺序获得每台转辙机设备对应的历史健康度时间序列数据；

将每台转辙机设备对应的历史健康度时间序列数据进行预处理，按照设定的比例参数Train_size，将预处理结果按照时间先后顺序划分为训练集与测试集，对于训练集通过滑动窗口机制，构造出若干组由历史窗口和未来窗口组合形成的训练样本，相邻训练样本之间的具有重叠数据；

基于设置的批尺寸参数Batch_size，对预先构建的长短期记忆网络进行训练，训练过程中，以历史窗口作为预测特征，以未来窗口作为预测目标，通过反向传递更新长短期记忆网络的参数，直至长短期记忆网络收敛，从而获得训练好的长短期记忆网络；

将测试集输入至训练好的长短期记忆网络，从而对相应转辙机设备未来的健康度进行预测。

由上述本发明提供的技术方案可以看出，在转辙机设备真实健康度时间序列数据上，取转辙机设备历史健康度的一部分前期数据作为训练集，训练时将历史健康度时间序列数据划分为历史窗口和未来窗口，并将它们组合起来作为网络输入，检测时根据历史窗口对健康度的未来窗口做出预测；将训练好的LSTM网络用于转辙机设备健康度短时预测，在一定程度上能够准确的预测转辙机设备的短期健康度，给运维人员的工作提供科学指导。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种基于长短期记忆网络的转辙机健康度短期预测方法的流程图；