[发明专利]一种地铁信号系统各设备故障预测方法

说明书

本发明公开了一种地铁信号系统各设备故障预测方法，属于地铁信号系统各设备故障预测技术领域。该方法由BP神经网络算法预测，包括如下两大步骤：(一).根据不同设备运行参数的特征，确定针对各设备的BP神经网络算法构架，所确定的各BP神经网络算法构架用于预测其相对应设备运行是否处于状态，包括确定各BP神经网络算法中的参数和确定各BP神经网络算法中的各神经元节点的权值：a.确定各BP神经网络算法中的参数；b.确定各BP神经网络算法中的各神经元节点的权值；(二).对地铁信号系统各设备进行故障预测。它可以有效预防并减少地铁信号设备的故障。

技术领域

本发明涉及地铁信号系统各设备故障预测技术领域。

背景技术

城市地铁信号系统各设备是保证列车运行安全，实现行车指挥及列车运行现代化、提高运输效率的关键系统设备，其设施健康与否直接影响到轨道交通系统的安全与稳定运行，影响轨道交通运营服务质量。

地铁信号设备维护一般包括日常养护和集中检修两种方式，而目前国内各城市的信号系统只有在设备出现异常或故障时才会由维护人员进行故障处理，由于人员投入成本巨大，设施分散，故障多样化等问题使得检修人员缺少事前准备，不能在短时间内将故障解决，进而阻碍甚至中断城市地铁信号设备运营服务。

发明内容

本发明要解决的技术问题是提供一种地铁信号系统各设备故障预测方法，它可以有效预防并减少地铁信号设备的故障。

为解决上述技术问题，本发明所采取的技术方案是：

一种地铁信号系统各设备故障预测方法，该方法由BP神经网络算法预测，包括如下两大步骤：

(一).根据不同设备运行参数的特征，确定针对各设备的BP神经网络算法构架，所确定的各BP神经网络算法构架用于预测其相对应设备运行是否处于状态，包括确定各BP神经网络算法中的参数和确定各BP神经网络算法中的各神经元节点的权值：

a.确定各BP神经网络算法中的参数，参数包括输入层神经元节点个数m和隐含层神经元节点个数h，其确定逻辑关系为：输入层神经元节点个数m＝各设备的运行参数；隐含层神经元节点个数由下述经验公式确定：

式中：h：隐含层神经元节点个数；n：输出层神经元节点个数；m：输入层神经元节点个数；a：常数，取值为1～10；

b.确定各BP神经网络算法中的各神经元节点的权值，确定权值的方法基于Hadoop平台的支持，由地铁信号控制系统平台采集各设备中的历史参数储存到Hadoop平台中，将各设备中的历史参数以同一个时间节点获取的参数为一数据组进行数据分割，将各设备的各数据组进行归类：将各设备正常运行的各数据组归为正常数据组集合，将各设备故障状态运行的各数据组归类为故障数据组集合；

c.设定Hadoop平台运算参数，对步骤a中确定的各神经元节点的权值赋予标记符，用于区分各权值属于哪个节点；设定正常数据组集合中各组数据运算结果为逻辑“1”，设定故障数据组集合中各组数据运算结果为逻辑“0”，并设定运算最大误差；

d.由Hadoop平台根据步骤c设定的运算参数中的运算最小误差确定迭代次数，采用学习规则进行反向训练，从而在各神经元节点权值的标记符下运算出各设备正常数据组集合和各设备故障数据组集合中各组数据所对应的各神经元节点的权值的集合，并运算得出各神经元节点的权值平均值，该权值平均值为各神经元节点的权值；

(二).对地铁信号系统各设备进行故障预测：