[发明专利]一种大数据故障预测方法

摘要

本发明公开了一种大数据故障预测方法，利用BP神经网络作为粒子群迭代算法的适应度函数，设定预测值与实际值的差为300，然后进行迭代，最后得出BP网络的权值和阈值的全局最优解作为BP神经网络的参数，然后进行下一次的预测。本发明针对地铁屏蔽门系统目前的状况，提出了基于PSO与BP神经网络相结合的大数据故障预测方法。把屏蔽门的历史数据作为输入变量引入预测模型，实现对屏蔽门门锁机构的故障时间预测。解决了以往发生故障才能报警的安全隐患问题，应用故障特征库信息对可能发生的故障进行预防，提高屏蔽门系统的安全性。同时该方法的成功对地铁车站的进出口闸机、手扶电梯、升降电梯等重要系统装置均有良好的应用前景。

主权项

一种大数据故障预测方法，其特征在于，包括如下步骤：S1：构造样本：利用数据集中前44个训练数据构造训练矩阵；Ttrain＝[T1 T2 … T40]S2：对原始数据进行归一化处理，转换为[0,1]之间的值：y=(0.8-0.2)×x-min(x)max(x)-min(x)+0.2---(4-1)]]>S3：根据公式(4‑2)确定隐含层节点数N，创建神经网络模型；N＝M‑1    (4‑2)M是输入层节点数；S4：设定PSO算法参数：学习因子C1＝C2＝1.8；惯性权重ω＝0.7；S5：Wij为BP神经网络权值，θj为BP神经网络偏置值，以W和θ作为粒子，初始化粒子位置X与速度V，种群规模为M＝40，粒子位置初始值为[‑1,1]之间的随机值，速度的初始值0；S6：神经网络的隐藏层与输出层每个节点的输入公式(4‑3)与输出公式(4‑4)：Ij＝∑iWijXi+θj    (4‑3)Oj=11+e-Ij---(4-4)]]>其中Ij为j节点的输入值，Xi为输入层对应i节点的输入值，Oj为j节点的输出值；S7：适应度函数如下：Erro＝|Y‑y|    (4‑5)上式为PSO算法的适应度函数，Y为真实值；y为预测值，即输出层的输出值；S8：粒子群算法的进化方程为V(t+1)＝ωV(t)+C1R1(Pbest‑X(t))+C2R2(Gbest‑X(t))  (4‑6)V(t)为前一次的进化速度，初始值为一个随机数，ω为惯性权重，这里取值为0.7，C1、C2为学习因子，这里取值1.8，R1、R2为[0,1]之间的随机数，Pbest为粒子的个体最优值，Gbest为粒子的全局最优值，x(t)为粒子位置，这里指权重W与偏置值θ的值；S9：粒子位置更新：X(t+1)＝X(t)+V(t+1)    (4‑7)S10：设定迭代的误差精度，返回步骤S8，不断更新粒子的位置，直到达到误差精度；Erro≤200    (4‑8)S11：把粒子X全局最优值作为BP网络参数，预测下一次发生故障的时间；把得到的预测值进行反变换：x=(y-0.2)×max(x)-min(x)0.8-0.2+min(x)---(4-9)]]>