[發明專利]基于神經網絡學習的列車車載設備故障預測方法及裝置

在審

• 申請號: 202010010762.5
• 申請日: 2020-01-06
• 公開（公告）號: CN111242357A
• 公開（公告）日: 2020-06-05
• 發明（設計）人: 賈利民;高一凡;夏志成
• 申請（專利權）人: 北京錦鴻希電信息技術股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 北京康思博達知識產權代理事務所(普通合伙) 11426
• 代理人: 范國鋒;劉冬梅

1.一種基于神經網絡學習的列車車載設備故障預測方法，包括：

S1、收集神經網絡學習樣本；

S2、建立神經網絡，通過對樣本學習,得到預測模型；

S3、利用預測模型對車載設備進行故障預測。

2.根據權利要求1所述的基于神經網絡學習的列車車載設備故障預測方法，其特征在于，

在步驟S1中，包含以下子步驟：

S11、針對不同的車載設備，確定能夠代表設備性能和/或經常出問題的特征；

S12、將上述特征通過定量的數據表示，得到性能參數，并確定設備故障性能參數值；

S13、收集設備故障時及設備故障前一定數量的性能參數，生成學習樣本。

3.根據權利要求2所述的基于神經網絡學習的列車車載設備故障預測方法，其特征在于，

在步驟13中，所述一定數量為10～40個。

4.根據權利要求1所述的基于神經網絡學習的列車車載設備故障預測方法，其特征在于，

步驟S2包括以下子步驟：

S21、確定BP神經網絡模型中不同層節點數量；

S22、建立BP神經網絡模型；

S23、樣本初始化，供神經網絡學習，得到模型參數。

5.根據權利要求4所述的基于神經網絡學習的列車車載設備故障預測方法，其特征在于，

在步驟S21中，所述BP神經網絡模型中具有1個隱含層，輸入層節點個數n為5～9個，隱含層節點m個數滿足1.1n≤m≤1.5n的正整數，輸出層節點為1個。

6.根據權利要求4所述的基于神經網絡學習的列車車載設備故障預測方法，其特征在于，

輸入層到隱含層的傳遞采用S型函數：

不同輸入層節點對不同隱含層的輸出值為：k_ij＝ω_ijS_i

其中，i表示不同的輸入層節點，j表示不同的隱含層節點，ω_ij表示輸出層到隱含層的權重，S_i表示出入層節點的輸入，隱含層的輸出L_j為：

其中，a_ij是輸入層到隱含層的偏置，

隱含層到輸出層的傳遞采用線性函數，輸出層的輸出O為：

其中，ε_j是隱含層到輸出層的權重，b_j是隱含層到輸出層的偏置。

7.根據權利要求4所述的基于神經網絡學習的列車車載設備故障預測方法，其特征在于，

在步驟23中，所述初始化，為將樣本分成(t-n)組，每組數據包含連續的(n+1)個性能參數，其中每組前n個性能參數作為入層節點的輸入S_i，后一個作為期望輸出Y，其中t為學習樣本中的性能參數數量，n為輸入層節點個數。

8.根據權利要求4所述的基于神經網絡學習的列車車載設備故障預測方法，其特征在于，

在步驟23中，對輸出層到隱含層的權重ω_ij、輸入層到隱含層的偏置a_ij、隱含層到輸出層的權重ε_j，隱含層到輸出層的偏置b_j不斷更新，

所述不斷地更新，通過如下算式進行：

其中，ω′_ij為更新后的輸出層到隱含層的權重，ε′_j為更新后的隱含層到輸出層的權重，a′_ij為更新后的輸入層到隱含層的偏置，b′_j為更新后的隱含層到輸出層的偏置，δ為學習速率，e＝Y-O。

9.根據權利要求1所述的基于神經網絡學習的列車車載設備故障預測方法，其特征在于，

在步驟S3中，包括以下子步驟：

S31、記錄設備的性能參數；

S32、將性能參數代入預測模型進行預測。

10.一種基于神經網絡學習的列車車載設備故障預測裝置，包括參數設置模塊、數據采集模塊、模型模塊、監控模塊和展示模塊。