[发明专利]一种地铁信号系统各设备故障预测方法

摘要

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。

主权项

1.一种地铁信号系统各设备故障预测方法，其特征在于：所述方法由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，所述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：所述输入层神经元节点个数m＝各设备的运行参数；所述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”，并设定运算最小误差；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：a.由地铁信号控制系统平台实时采集各设备中的运行数据，并将所采集的每一数据组依次输入BP神经网络软件，根据第(一)大步骤中步骤a所确定的各设备在BP神经网络运算中的参数及第(一)大步骤中步骤d所确定的各设备在BP神经网络运算中的各神经元节点的权值对所采集的各设备的每一数据组进行运算，如果运算结果为逻辑“1”，则确定该设备处于正常运行状态，如果运算结果为逻辑“0”，则确定该设备处于故障运行状态。