亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于LSTM的軌道電路補償電容故障數(shù)量預(yù)測

        2021-02-03 08:46:00康玄燁趙林海孟景輝高利民
        鐵道學(xué)報 2021年1期
        關(guān)鍵詞:螢火蟲電容數(shù)量

        康玄燁,趙林海,孟景輝,高利民

        (1. 北京交通大學(xué) 電子信息工程學(xué)院,北京 100044; 2. 中國鐵道科學(xué)研究院集團有限公司 基礎(chǔ)設(shè)施檢測研究所,北京 100081; 3. 中國鐵道科學(xué)研究院集團有限公司 鐵路基礎(chǔ)設(shè)施檢測中心,北京 100081)

        無絕緣軌道電路在我國高速鐵路列車運行控制系統(tǒng)中占有非常重要的地位,其主要被用來檢測列車占用和實現(xiàn)地-車間通信,以保障行車安全[1]。補償電容作為無絕緣軌道電路的組成部分,主要用來改善信號在軌道線路中的傳輸性能[1]。由于補償電容安裝在室外,受外部環(huán)境和列車運行的影響較大,故障率相對較高[2],因此需要相應(yīng)的運維部門提前準備好足量的備品以備更換。某電務(wù)段2017年1—12月所管轄范圍內(nèi)補償電容的故障情況見圖1。

        圖1 某電務(wù)段2017年1—12月補償電容的故障情況

        由圖1可知,每月的補償電容故障數(shù)并不相同,存在較大的波動。而由現(xiàn)場調(diào)研得知,補償電容預(yù)備品數(shù)目是固定的,這往往會導(dǎo)致兩種情況:一種是備品不夠造成維修不及時;另一種是備品過多造成資源浪費,占用存貯空間。若能夠準確預(yù)測近期內(nèi)所轄范圍內(nèi)補償電容的故障數(shù)量,則可更有效地準備備品,節(jié)約維修成本,合理安排維修計劃。

        近年來,隨著我國鐵路網(wǎng)的進一步發(fā)展,鐵路基礎(chǔ)設(shè)備不斷增多,越來越多的研究者開始關(guān)注鐵路設(shè)備的故障預(yù)測[3-5]。然而,國內(nèi)外還沒有補償電容故障數(shù)量預(yù)測研究的相關(guān)報導(dǎo)。與此相關(guān)的只有文獻[6],其基于相空間重構(gòu)Kalman濾波求解單個補償電容的剩余壽命,實現(xiàn)的是對單個補償電容容值下降的故障預(yù)測。

        本文基于鐵路現(xiàn)場補償電容的故障記錄,構(gòu)建補償電容故障數(shù)量的時間序列,利用長短時記憶(Long Short-Term Memory,LSTM)設(shè)計故障數(shù)量預(yù)測模型,針對LSTM初始化超參數(shù)對預(yù)測模型性能有較大影響的問題,利用螢火蟲算法對超參數(shù)進行優(yōu)化,從而挖掘補償電容故障數(shù)量隨時間的變化規(guī)律,并實現(xiàn)對補償電容故障數(shù)量的預(yù)測。實驗表明,本文方法能較準確地預(yù)測補償電容故障數(shù)量,誤差相對較低,從而可以幫助鐵路維護部門提前協(xié)調(diào)設(shè)備、資金和維修人員等資源,為補償電容的運維提供良好指導(dǎo)。

        1 整體思路

        通常,鐵路現(xiàn)場補償電容故障歷史記錄中含有故障日期、故障位置和故障發(fā)生區(qū)段所屬車站等信息。根據(jù)這些記錄可構(gòu)建補償電容的故障數(shù)量時間序列,以挖掘該序列隨時間的變化規(guī)律,從而實現(xiàn)對補償電容故障數(shù)量的預(yù)測??紤]到現(xiàn)場是按一定的時間間隔和維修計劃對補償電容進行批量維護[7],故本文以“15天”為單位,即令時間間隔T=15,所構(gòu)建補償電容故障數(shù)量時間序列X為

        (1)

        式中:x(i)為補償電容第i個時間間隔內(nèi)的故障數(shù)量;xD(t)為補償電容第t天的故障數(shù)量。

        由于時間序列前后數(shù)據(jù)之間具有較強的依賴關(guān)系,而LSTM具備前饋神經(jīng)網(wǎng)絡(luò)不存在的橫向連接,上一時刻隱含層的輸出作為當前時刻隱含層輸入的一部分,這種連接方式使其能夠有效處理數(shù)據(jù)前后的依賴關(guān)系,并揭示數(shù)據(jù)間的長期依賴性[8],故本文基于LSTM構(gòu)建預(yù)測模型,并利用螢火蟲算法優(yōu)化模型的超參數(shù),從而實現(xiàn)對補償電容故障數(shù)量的預(yù)測?;贚STM的補償電容故障數(shù)量預(yù)測算法框圖見圖2,主要包括LSTM預(yù)測模型構(gòu)建和模型優(yōu)化兩部分。

        圖2 基于LSTM的補償電容故障數(shù)量預(yù)測算法框圖

        由圖2可知,LSTM預(yù)測模型構(gòu)建部分主要包括:輸入層、隱含層、輸出層和網(wǎng)絡(luò)訓(xùn)練4個環(huán)節(jié)。輸入層根據(jù)初始化超參數(shù)將數(shù)量序列轉(zhuǎn)換為與LSTM相適應(yīng)的輸入;隱含層是由LSTM構(gòu)成的神經(jīng)網(wǎng)絡(luò);輸出層根據(jù)LSTM的輸出計算補償電容故障數(shù)量的預(yù)測值;網(wǎng)絡(luò)訓(xùn)練根據(jù)預(yù)測值與實際值之間的損失更新隱含層和輸出層的參數(shù)。模型優(yōu)化部分利用螢火蟲算法搜索預(yù)測模型最優(yōu)的超參數(shù),從而確定最優(yōu)的預(yù)測模型,得到相應(yīng)的補償電容故障數(shù)量預(yù)測結(jié)果。

        2 LSTM預(yù)測模型構(gòu)建

        2.1 預(yù)測模型框架

        基于LSTM的預(yù)測模型框架見圖3,其中:輸入層對補償電容故障數(shù)量序列進行預(yù)處理,并構(gòu)建數(shù)據(jù)集;隱含層是LSTM的循環(huán)運算過程;在輸出層中,加權(quán)平均層是對每一時刻LSTM的輸出進行加權(quán)求和,Dropout用于提高網(wǎng)絡(luò)泛化能力和健壯性[9],預(yù)測層計算預(yù)測結(jié)果;網(wǎng)絡(luò)訓(xùn)練部分根據(jù)實際值與預(yù)測值之間的誤差,利用AdaDelta算法[10]更新網(wǎng)絡(luò)參數(shù)。

        圖3 基于LSTM的預(yù)測模型框架

        2.2 輸入層

        設(shè)LSTM循環(huán)次數(shù)為L,序列分割窗口長度為m,由式(2)將數(shù)量序列X={x(i)|i=1,2,…,n}轉(zhuǎn)換為LSTM的輸入特征矩陣Xp及其對應(yīng)的預(yù)測目標yp。

        (2)

        從而構(gòu)建補償電容故障數(shù)量的數(shù)據(jù)集{XB,Y}為

        (3)

        得到數(shù)據(jù)集{XB,Y}后,將其劃分為訓(xùn)練集{Xtr,Ytr}、驗證集{Xva,Yva}和測試集{Xte,Yte},為預(yù)測模型的訓(xùn)練和驗證提供數(shù)據(jù)支持。

        2.3 隱含層

        LSTM的結(jié)構(gòu)見圖4,主要包括:信息激活、細胞單元、輸入門、輸出門和遺忘門等5部分。

        圖4 LSTM的結(jié)構(gòu)

        圖4中:hp-1和xp分別為p-1時刻和p時刻LSTM的輸出和外部輸入;在輸入門、輸出門和遺忘門中,hp-1和xp分別與各門對應(yīng)權(quán)值矩陣Ui、Uo、Uf和Wi、Wo、Wf相乘,再與對應(yīng)的偏置向量bi、bo、bf相加后,經(jīng)激活函數(shù)σ(·)得到各門p時刻輸出結(jié)果ip,op,fp;信息激活過程中,hp-1和xp分別與對應(yīng)權(quán)值矩陣Uz和Wz相乘,再與對應(yīng)的偏置向量bz相加后,經(jīng)激活函數(shù)tanh(·)得到p時刻輸出結(jié)果zp;p-1時刻細胞單元cp-1與遺忘門的輸出fp點乘,再與ip和zp點乘的結(jié)果相加,得到p時刻細胞單元cp;cp經(jīng)激活函數(shù)tanh(·)后,再與輸出門的輸出op點乘得到p時刻LSTM的輸出hp。上述過程可描述為

        (4)

        式中:⊙為點乘運算;σ(·)為sigmoid函數(shù);tanh(·)為雙曲正切函數(shù)。

        2.4 輸出層

        輸出層包括:加權(quán)平均層、Dropout和預(yù)測層3部分??紤]到時間序列前后依賴關(guān)系的強弱,為了更充分地描述各時刻LSTM輸出對預(yù)測結(jié)果的影響,對各時刻LSTM的輸出進行加權(quán)求和,即

        (5)

        (6)

        再經(jīng)過預(yù)測層得到預(yù)測結(jié)果為

        (7)

        式中:I為服從P=0.5,0-1分布的隨機向量;Wy為預(yù)測層的權(quán)重矩陣;by為預(yù)測層的偏置向量。

        2.5 網(wǎng)絡(luò)訓(xùn)練

        (8)

        (9)

        由AdaDelta算法得到參數(shù)θt的更新公式為

        (10)

        根據(jù)式(8)~式(10)更新預(yù)測模型中隱含層和輸出層的參數(shù),滿足停止條件后,終止模型的訓(xùn)練過程,得到完成訓(xùn)練后的預(yù)測模型。

        3 模型優(yōu)化

        預(yù)測模型需要設(shè)置的初始化超參數(shù)包括:LSTM循環(huán)次數(shù)L、窗口長度m和神經(jīng)元個數(shù)r。將訓(xùn)練完成的模型記作:LSTM(L,m,r)。由于不同的超參數(shù)組合(L,m,r)對模型能夠達到的預(yù)測精度有較大的影響,為了使模型預(yù)測結(jié)果達到最優(yōu),故利用基于權(quán)重的螢火蟲算法[11]搜索超參數(shù)的最優(yōu)組合。

        3.1 算法流程

        在螢火蟲群優(yōu)化算法中,螢火蟲不分性別,每只螢火蟲被視為解空間的一個解,螢火蟲種群作為初始解隨機地分布在搜索空間中,它將會被其他比它更亮的螢火蟲吸引;螢火蟲的吸引力與亮度成正比,對于任何兩只螢火蟲,其中一只會向著比它更亮的另一只移動,亮度隨著距離的增加而減少;如果沒有找到一個比給定的螢火蟲更亮,它會隨機移動,最終螢火蟲聚集到亮度高的螢火蟲周圍。螢火蟲算法優(yōu)化預(yù)測模型超參數(shù)的流程見圖5,主要包括:螢火蟲初始化、模型構(gòu)建、目標函數(shù)計算、螢火蟲位置更新和最優(yōu)模型確定等5個環(huán)節(jié)。

        圖5 螢火蟲算法優(yōu)化預(yù)測模型超參數(shù)的流程

        3.2 螢火蟲初始化

        將LSTM循環(huán)次數(shù)L、窗口長度m和神經(jīng)元個數(shù)r的組合(L,m,r)定義為螢火蟲的三維搜索空間,設(shè)各超參數(shù)的取值范圍為

        (11)

        式中:Z+為正整數(shù)集;Lmin,mmin,rmin為取值下限;Lmax,mmax,rmax為取值上限。

        設(shè)螢火蟲數(shù)量為M,第i只螢火蟲的空間位置為Ai=(Li,mi,ri);光強吸收系數(shù)為γ,最大吸引度為β0,步長因子為α;最大、最小權(quán)重為wmax,wmin,最大更新代數(shù)為Smax。

        將螢火蟲隨機分布于三維空間,并設(shè)第i只螢火蟲與第j只螢火蟲之間的距離dij為歐式距離,即

        3.3 模型構(gòu)建

        根據(jù)第2節(jié)預(yù)測模型構(gòu)建,每一只螢火蟲都可構(gòu)建出與其所處空間位置相對應(yīng)的預(yù)測模型,通過網(wǎng)絡(luò)訓(xùn)練過程,將第i只螢火蟲對應(yīng)訓(xùn)練完成的預(yù)測模型記作:LSTM(Li,mi,ri)。

        3.4 目標函數(shù)計算

        由于預(yù)測模型訓(xùn)練過程中是以均方誤差作為損失函數(shù),若螢火蟲算法依然以均方誤差作為目標函數(shù),可能導(dǎo)致預(yù)測結(jié)果偏向均方誤差小的方向,不利于模型預(yù)測性能。在保證模型泛化能力的同時,為使得預(yù)測結(jié)果在平均絕對誤差與均方誤差之間達到相對最優(yōu),故以驗證集{Xva,Yva}的平均絕對誤差最小作為螢火蟲算法的目標函數(shù)。

        3.5 螢火蟲位置更新

        螢火蟲向著熒光亮度比自身高的螢火蟲所在方向移動,它們之間的吸引度決定了螢火蟲的移動步長。螢火蟲i,j之間的吸引度為

        β=β0×e-γdij2

        (14)

        由式(14)可進一步得到螢火蟲的位置更新公式為

        (15)

        式中:R為[0,1]上服從均勻分布的隨機數(shù);S為螢火蟲當前更新代數(shù)。

        3.6 最優(yōu)模型確定

        在滿足螢火蟲算法停止條件后,計算每一只螢火蟲自身的熒光亮度。設(shè)(Lz,mz,rz)滿足I(Lz,mz,rz)=max[I(L,m,r)],此時預(yù)測模型LSTM(Lz,mz,rz)的平均絕對誤差取最小值,即為最優(yōu)預(yù)測模型。

        4 實例驗證

        為驗證本文所提出方法的準確性和有效性,基于某鐵路局電務(wù)段2014年8月至 2019年5月約58個月的補償電容故障記錄,其中記錄了補償電容故障時間和數(shù)量等信息,按式(1)構(gòu)建序列長度為112的故障數(shù)量時間序列,并用前100個故障數(shù)據(jù)訓(xùn)練預(yù)測模型,再用后12個故障數(shù)據(jù)檢驗所構(gòu)建模型的預(yù)測效果。

        4.1 模型構(gòu)建功能驗證

        由式(1)構(gòu)建補償電容故障數(shù)量時間序列X={x(i)|i=1,2,…,n},見圖6。

        圖6 補償電容故障數(shù)量時間序列

        設(shè)LSTM循環(huán)次數(shù)L∈[2,12],窗口長度m∈[5,30],神經(jīng)元個數(shù)r∈[5,60]。設(shè)尋優(yōu)算法中螢火蟲數(shù)量M=20,步長因子α=0.2,光強吸收系數(shù)γ=1.0,最大吸引度β0=1.0,最大權(quán)重wmax=1.1,最小權(quán)重wmin=0.2,最大更新代數(shù)Smax=15。設(shè)測試集{Xte,Yte}樣本量為12,將除測試集外的剩余樣本按0.8和0.2的比例分為訓(xùn)練集和驗證集,按第3節(jié)基于螢火蟲算法的預(yù)測模型超參數(shù)優(yōu)化對超參數(shù)進行尋優(yōu),得到最優(yōu)預(yù)測模型為LSTM(Lz,mz,rz)=LSTM(6,11,51)。

        網(wǎng)絡(luò)訓(xùn)練過程中,模型LSTM(6,11,51)在訓(xùn)練集、驗證集和測試集的損失見圖7。

        圖7 訓(xùn)練過程中模型LSTM(6,11,51)在各數(shù)據(jù)集上的損失

        由圖7可知,在AdaDelta算法迭代至110次時,預(yù)測模型在驗證集的損失達到最小,此時預(yù)測模型網(wǎng)絡(luò)參數(shù)相對最優(yōu)。

        4.2 模型預(yù)測性能驗證

        為量化預(yù)測模型對故障數(shù)量序列的擬合效果,本文引入均方根誤差RMSE和平均絕對誤差MAE作為模型預(yù)測精度的評價指標,誤差越小擬合效果越好。

        (16)

        (17)

        由式(16)和(17)求得預(yù)測模型的訓(xùn)練集RMSE=0.825,MAE=0.625,測試集RMSE=1.224,MAE=0.833,說明預(yù)測模型較準確地挖掘了補償電容故障數(shù)量隨時間的變化規(guī)律,整體誤差相對較小。此外,訓(xùn)練集與測試集的各評價指標之間相差不大,說明預(yù)測模型具有良好的泛化能力,并能夠達到較好的預(yù)測效果。

        設(shè)訓(xùn)練集均方誤差為RMSEtr,為更好地描述補償電容故障數(shù)量,假定模型預(yù)測誤差服從均值為0,方差為RMSEtr的正態(tài)分布,給出故障數(shù)量的取值范圍為

        (18)

        從而得到預(yù)測模型LSTM(6,11,51)在訓(xùn)練集的擬合結(jié)果(見圖8)和在測試集的預(yù)測結(jié)果(見圖9)。

        圖8 訓(xùn)練集擬合結(jié)果

        圖9 測試集預(yù)測結(jié)果

        由圖8可知,預(yù)測模型擬合曲線與實際曲線大體吻合,且實際值基本處于取值范圍內(nèi),表明LSTM能較好地跟蹤補償電容故障數(shù)量隨時間的變化規(guī)律。由圖9可知,LSTM模型較好地預(yù)測了補償電容的故障數(shù)量,實際值均處于取值范圍內(nèi),預(yù)測值與實際值之間的最大絕對誤差為3,取得了良好的預(yù)測效果。

        5 結(jié)束語

        基于鐵路現(xiàn)場的補償電容故障記錄,本文提出了一種預(yù)測補償電容故障數(shù)量的方法。該方法首先根據(jù)補償電容故障記錄構(gòu)建補償電容故障數(shù)量隨時間變化的序列;再基于LSTM構(gòu)建了故障數(shù)量預(yù)測模型,針對LSTM初始化超參數(shù)對預(yù)測模型性能有較大影響的問題,利用螢火蟲算法對超參數(shù)進行優(yōu)化,從而挖掘補償電容故障數(shù)量隨時間的變化規(guī)律,并實現(xiàn)對補償電容未來一段時間內(nèi)故障數(shù)量的預(yù)測。實驗部分,某路局電務(wù)段的實際數(shù)據(jù)被用來檢驗本文方法各步驟的功能,實驗中對后12個數(shù)據(jù)點進行了預(yù)測,預(yù)測結(jié)果的均方根誤差和平均絕對誤差分別為1.224和0.833??梢姡褂帽疚姆椒梢杂行У仡A(yù)測補償電容故障數(shù)量,從而幫助鐵路部門提前協(xié)調(diào)設(shè)備、資金和維修人員等資源,為補償電容運維提供良好的指導(dǎo),給補償電容故障預(yù)測的研究提供了新思路。

        猜你喜歡
        螢火蟲電容數(shù)量
        統(tǒng)一數(shù)量再比較
        螢火蟲
        螢火蟲
        頭發(fā)的數(shù)量
        抱抱就不哭了
        PWM Buck變換器電容引起的混沌及其控制
        一種降壓/升壓式開關(guān)電容AC-AC變換器設(shè)計
        夏天的螢火蟲
        我國博物館數(shù)量達4510家
        投射式多點觸控電容觸摸屏
        河南科技(2014年12期)2014-02-27 14:10:32
        国产亚洲精品综合在线网址| 欧美丰满熟妇xxxx性| 少妇寂寞难耐被黑人中出| 一本大道久久精品 东京热 | 国产伦一区二区三区久久| 亚洲午夜狼人综合影院| 少妇久久久久久被弄到高潮| 亚洲性综合网| 中文字幕亚洲精品高清| 狂猛欧美激情性xxxx大豆行情| 国产青草视频在线观看| 日批视频免费在线观看| 在线视频精品少白免费观看| 人妻丝袜中文无码av影音先锋专区| 久久九九久精品国产| 亚洲综合网站精品一区二区| 久久精品国产在热亚洲不卡| 乱中年女人伦| 亚洲精品无码久久毛片| 秀人网嫩模李梓熙大尺度| 国内自拍色第一页第二页| 97高清国语自产拍| 无码人妻专区免费视频| 日本av一区二区三区四区| 中文字幕亚洲欧美在线不卡| 天天躁日日躁狠狠躁av中文| 久久AⅤ无码精品色午麻豆| 国产成人大片在线播放| 亚洲精品无amm毛片| 久久精品无码一区二区2020| 中文字幕日韩精品中文字幕| 国产免费又爽又色又粗视频| 亚洲另类自拍丝袜第五页| 喷潮出白浆视频在线观看| 午夜一区二区三区观看| 国产无人区码一码二码三mba| 欧洲一区在线观看| 亚洲国产av一区二区不卡| 国产激情久久久久久熟女老人av| 久久免费网国产AⅤ| 亚洲一区二区三区国产精品|