基于数学模型的铁路信号继电器性能状态预测方法.pdf

《基于数学模型的铁路信号继电器性能状态预测方法.pdf》由会员分享，可在线阅读，更多相关《基于数学模型的铁路信号继电器性能状态预测方法.pdf（10页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010670335.X (22)申请日 2020.07.13 (71)申请人 沈阳铁路信号有限责任公司 地址 110025 辽宁省沈阳市铁西区北三中 路16号 (72)发明人 赵正元李文华尹世桢潘如政 夏艳华李庆诗郑娜翟丽春 王林林罗文天孟冬冬刘思汉 赵金燕吴延男郭国庆李源 (74)专利代理机构 沈阳优普达知识产权代理事 务所(特殊普通合伙) 21234 代理人 李晓光 (51)Int.Cl. G06F 30/20(2020.01) G06F 111/10(2020.01)。

2、 (54)发明名称 一种基于数学模型的铁路信号继电器性能 状态预测方法 (57)摘要 本发明公开一种基于数学模型的铁路信号 继电器性能状态预测方法， 步骤为： 参考铁路信 号继电器在恒定温度下的相关实验数据建立预 测单元模型并进行优化处理； 重复利用预测单元 模型进行迭代运算， 得到单元链模型； 整理铁路 信号继电器在恒定温度下相关参数数据构成的 单一时间序列； 建立滑动窗口预测模型， 将单一 时间序列代入单元链模型， 将最后输出值与实测 值作比较计算误差， 确定最大容许误差； 进行逻 辑判断， 更新输入数据集， 抛弃最远数据， 继续预 测、 重复更新、 调整和预测过程直至满足输出总 量要求。。

3、 本发明通过建立单元模型， 确定单元参 数， 将单元模型首尾相连获得单元链模型实现对 性能参数序列的常规预测， 实时修正预测结果， 提高了预测精度。 权利要求书2页 说明书5页 附图2页 CN 111832171 A 2020.10.27 CN 111832171 A 1.一种基于数学模型的铁路信号继电器性能状态预测方法， 其特征在于包括以下步 骤： S1)参考铁路信号继电器在恒定温度下的相关实验数据建立预测单元模型并进行优化 处理， 得到一个优化后的预测单元模型； S2)重复利用优化后的预测单元模型进行迭代运算， 将每次迭代运算的结果进行优化 处理， 得到单元链模型； S3)整理铁路信号继电。

4、器在恒定温度下相关参数数据构成的单一时间序列； S4)建立滑动窗口预测模型， 将单一时间序列形成的数据作为输入数据集代入单元链 模型， 将最后输出值与实测值作比较计算误差， 确定最大容许误差； S5)进行逻辑判断， 随后更新输入数据集， 抛弃最远数据， 继续预测、 重复更新、 调整和 预测过程直至满足输出总量要求， 预测过程中输入数据集滑动更新， 保持总量不变。 2.根据权利要求1所述的基于数学模型的铁路信号继电器性能状态预测方法， 其特征 在于， 所述步骤S1)中建立预测单元模型并进行优化处理包括： S101)初始化单元的权重、 i、 c、 o和对应截距d、 di、 dc、 do； S102。

5、)结合预测单元模型当前输入数据xt与上一次输出数据yt-1计算抛弃率ft ( ht-1， xt+d)， 其中和do分别为权重和截距， 为非线性化函数， h为转移系数， t为单元级 数， xt为输入数据； S103)获得预测单元模型当前的削弱系数it (iht-1， xt+di)， 预测单元模型当前状 态特征中间量为Ct tanh(cyt-1， xt+dc)， 其中c为权重， yt-1为上一级输出， dc为截距； S104)通过单元模型对输入数据进行抛弃与保留处理， 根据预测单元模型上一次的状 态特征Ct-1获得预测单元模型当前特征Ct， 计算公式为： CtftCt-1+itCt ； ft为抛弃。

6、率， it为 特征系数， Ct 为预测单元模型当前状态特征中间量； S105)输出门的削弱系数ot (oht-1， xt+do)， 最终得到预测单元模型的输出yt ottanh(Ct)； do为截距， o为权重。 3.根据权利要求1所述的基于数学模型的铁路信号继电器性能状态预测方法， 其特征 在于所述步骤S2)中得到单元链模型的步骤为： 重复利用预测单元模型进行计算得到一组数据， 将任一次预测单元模型输出数据yt作 为下一次预测单元模型输入数据xt+1， 同时重新计算下一次预测单元模型的抛弃率， 这样多 次通过预测单元模型计算得到的数据首尾相连， 得到单元链模型。 4.根据权利要求1所述的基于。

7、数学模型的铁路信号继电器性能状态预测方法， 其特征 在于步骤S4)中建立滑动窗口预测模型的步骤为： S401)根据单元链模型的输入总量t和输出总量n， 确定单元链模型的最大容许误差E； S402)将输入数据集Xx1， x2， ， xt代入单元链模型进行计算； S403)将最后一次单元链模型的输出与实测值yt + 1作比较计算确定误差 S404)进行逻辑判别， 若则抛弃输入数据集最远数据Y0并引入最新实测数据 yt-1来调整输入数据集继续下一步预测； 反之若则调整模型参数中的权重和截距， 直到输出值满足要求； 权利要求书 1/2 页 2 CN 111832171 A 2 S405)更新输入数据集。

8、， 即引入最新实测数据， 抛弃最远数据， 继续预测； S406)重复更新、 调整和预测过程直至满足输出总量要求， 预测过程中输入数据集滑动 更新， 保持总量不变。 权利要求书 2/2 页 3 CN 111832171 A 3 一种基于数学模型的铁路信号继电器性能状态预测方法 技术领域 0001 本发明涉及一种继电器性能状态预测技术， 具体为一种基于数学模型的铁路信号 继电器性能状态预测方法。 背景技术 0002 铁路信号继电器的正常操作对于保证铁路运输安全可靠运行具有重要意义， 因此 对继电器的性能状态进行预测判断就显得格外重要。 通过恒定温度应力寿命试验可以同时 测量记录各种随操作次数增加而。

9、逐渐发生变化的性能参数数据， 国内外很多学者通过分析 继电器性能参数数据来研究铁路信号继电器的性能状态或操作寿命。 由于铁路信号继电器 通常具有较长寿命， 很难获得发生失效的数据， 这给基于性能参数数据的铁路信号继电器 性能状态分析带来了很大的困难。 0003 目前有一些通过利用数学理论来对继电器性能参数进行预测分析和可靠性评估 的传统方法， 图1显示了已有的研究继电器性能退化的技术。 0004 图2是曲线拟合模型。 曲线拟合通过对特定性能参数序列进行拟合， 首先判断拟合 方式如多项式拟合、 幂函数拟合、 对数函数拟合， 通过求拟合误差最小值来确定拟合系数， 得到拟合曲线， 对拟合曲线进行外延。

10、得到预测结果。 0005 图3是神经网络模型。 首先确定网络结构， 通过调整输入节点数、 隐层数、 隐含层节 点数、 节点函数和输出节点数对样本数据进行学习训练， 不断改变节点函数的权值和阈值， 使网络输出不断接近期望输出， 从而得到的最优网络模型。 模型确定后， 即可结合需要预测 的同类数据与训练好的网络模型对非样本数据进行预测。 0006 类似方法对参数序列的预测过程只是简单把数据代入模型得到最终结果， 预测结 果往往只取决于方法本身， 不能得到较高的预测精度。 0007 因此， 如何提高性能参数序列的预测精度成为本领域技术人员亟待解决的问题之 一。 发明内容 0008 针对现有技术中对继。

11、电器性能状态预测不能得到较高的预测精度等不足， 本发明 要解决的问题是提供一种可对预测结果进行实时修正、 提高预测精度的基于数学模型的铁 路信号继电器性能状态预测方法。 0009 为解决上述技术问题， 本发明采用的技术方案是： 0010 本发明提供一种基于数学模型的铁路信号继电器性能状态预测方法， 包括以下步 骤： 0011 S1)参考铁路信号继电器在恒定温度下的相关实验数据建立预测单元模型并进行 优化处理， 得到一个优化后的预测单元模型； 0012 S2)重复利用优化后的预测单元模型进行迭代运算， 将每次迭代运算的结果进行 优化处理， 得到单元链模型； 说明书 1/5 页 4 CN 1118。

12、32171 A 4 0013 S3)整理铁路信号继电器在恒定温度下相关参数数据构成的单一时间序列； 0014 S4)建立滑动窗口预测模型， 将单一时间序列形成的数据作为输入数据集代入单 元链模型， 将最后输出值与实测值作比较计算误差， 确定最大容许误差； 0015 S5)进行逻辑判断， 随后更新输入数据集， 抛弃最远数据， 继续预测、 重复更新、 调 整和预测过程直至满足输出总量要求， 预测过程中输入数据集滑动更新， 保持总量不变。 0016 所述步骤S1)中建立预测单元模型并进行优化处理包括： 0017 S101)初始化单元的权重、 i、 c、 o和对应截距d、 di、 dc、 do； 00。

13、18 S102)结合预测单元模型当前输入数据xt与上一次输出数据yt-1计算抛弃率ft (ht-1， xt+d)， 其中和d分别为权重和截距， 为非线性化函数， h为转移系数， t为单 元级数， xt为输入数据； 0019 S103)获得预测单元模型当前的削弱系数it (iht-1， xt+di)， 预测单元模型 当前状态特征中间量为Ct tanh(cyt-1， xt+dc)， 其中c为权重， yt-1为上一级输出， dc 为截距； 0020 S104)通过单元模型对输入数据进行抛弃与保留处理， 根据预测单元模型上一次 的状态特征Ct-1获得预测单元模型当前特征Ct， 计算公式为： CtftC。

14、t-1+itCt ； ft为抛弃率， it为特征系数， Ct 为预测单元模型当前状态特征中间量； 0021 S105)输出门的削弱系数ot (oht-1， xt+do)， 最终得到预测单元模型的输出yt ot tanh(Ct)； do为截距， o为权重。 0022 所述步骤S2)中得到单元链模型的步骤为： 0023 重复利用预测单元模型进行计算得到一组数据， 将任一次预测单元模型输出数据 yt作为下一次预测单元模型输入数据xt+1， 同时重新计算下一次预测单元模型的抛弃率， 这 样多次通过预测单元模型计算得到的数据首尾相连， 得到单元链模型。 0024 步骤S4)中建立滑动窗口预测模型的步骤为。

15、： 0025 S401)根据单元链模型的输入总量t和输出总量n， 确定单元链模型的最大容许误 差E； 0026 S402)将输入数据集Xx1， x2， ， xt代入单元链模型进行计算； 0027S403)将最后一次单元链模型的输出与实测值yt+1作比较计算确定误差 0028S404)进行逻辑判别， 若则抛弃输入数据集最远数据Y0并引入最新实测 数据yt+1来调整输入数据集继续下一步预测； 0029反之若则调整模型参数中的权重和截距， 直到输出值满足要求； 0030 S405)更新输入数据集， 即引入最新实测数据， 抛弃最远数据， 继续预测； 0031 S406)重复更新、 调整和预测过程直至满。

16、足输出总量要求， 预测过程中输入数据集 滑动更新， 保持总量不变。 0032 本发明具有以下有益效果及优点： 0033 1.本发明通过建立单元模型， 确定单元参数， 将单元模型首尾相连获得单元链模 型实现对性能参数序列的常规预测。 0034 2.本发明通过建立滑动窗预测模型， 随时更新输入数据集和单元模型， 对预测结 说明书 2/5 页 5 CN 111832171 A 5 果进行实时修正， 提高了预测精度。 附图说明 0035 图1为现有预测铁路信号继电器性能状态的结构示意图； 0036 图2为曲线拟合的模型结构； 0037 图3为神经网络的预测模型； 0038 图4为本发明基于数学模型的铁。

17、路信号继电器性能状态预测方法的流程图； 0039 图5为本发明滑动窗模型的流程图。 具体实施方式 0040 下面结合说明书附图对本发明作进一步阐述。 0041 如图4所示， 本发明提供一种基于数学模型的铁路信号继电器性能状态预测方法， 包括以下步骤： 0042 S1)参考铁路信号继电器在恒定温度下的相关实验数据建立预测单元模型并进行 优化处理， 得到一个优化后的预测单元模型； 0043 S2)重复利用优化后的预测单元模型进行迭代运算， 将每次迭代运算的结果进行 优化处理， 得到单元链模型； 0044 S3)整理铁路信号继电器在恒定温度下相关参数数据构成的单一时间序列； 0045 S4)建立滑动。

18、窗口预测模型， 将单一时间序列形成的数据作为输入数据集代入单 元链模型， 将最后输出值与实测值作比较计算误差， 确定最大容许误差； 0046 S5)进行逻辑判断， 随后更新输入数据集， 抛弃最远数据， 继续预测、 重复更新、 调 整和预测过程直至满足输出总量要求， 预测过程中输入数据集滑动更新， 保持总量不变。 0047 步骤S1)中建立预测单元模型并进行优化处理包括： 0048 S101)初始化单元的权重、 i、 c、 o和对应截距d、 di、 dc、 do； 0049 S102)结合预测单元模型当前输入数据xt与上一次输出数据yt-1计算抛弃率ft (ht-1， xt+d)， 其中和d分别。

19、为权重和截距， 为非线性化函数， h为转移系数， t为单 元级数， xt为输入数据； 0050 S103)获得预测单元模型当前的削弱系数it (iht-1， xt+di)， 预测单元模型 当前状态特征中间量为Ct tanh(cyt-1， xt+dc)， 其中c为权重， yt-1为上一级输出， dc 为截距； 0051 S104)通过单元模型对输入数据进行抛弃与保留处理， 根据预测单元模型上一次 的状态特征Ct-1获得预测单元模型当前特征Ct， 计算公式为： CtftCt-1+itCt ； ft为抛弃率， it为特征系数， Ct 为预测单元模型当前状态特征中间量； 0052 S105)输出门的削。

20、弱系数ot (oht-1， xt+do)， 最终得到预测单元模型的输出yt ot tanh(Ct)； do为截距， o为权重。 0053 步骤S2)中得到单元链模型的步骤为： 0054 重复利用预测单元模型进行计算得到一组数据， 将任一次预测单元模型输出数据 yt作为下一次预测单元模型输入数据xt+1， 同时重新计算下一次预测单元模型的抛弃率， 这 样多次通过预测单元模型计算得到的数据首尾相连， 得到单元链模型。 说明书 3/5 页 6 CN 111832171 A 6 0055 步骤S4)中建立滑动窗口预测模型的步骤如图5所示， 具体为： 0056 S401)根据单元链模型的输入总量t和输出。

21、总量n， 确定单元链模型的最大容许误 差E； 0057 S402)将输入数据集Xx1， x2， ， xt代入单元链模型进行计算； 0058S403)将最后一次单元链模型的输出与实测值yt+1作比较计算确定误差 0059S404)进行逻辑判别， 若则抛弃输入数据集最远数据Y0并引入最新实测 数据yt+1来调整输入数据集继续下一步预测； 0060反之若则调整模型参数中的权重和截距， 直到输出值满足要求； 0061 S405)更新输入数据集， 即引入最新实测数据， 抛弃最远数据， 继续预测； 0062 S406)重复更新、 调整和预测过程直至满足输出总量要求， 预测过程中输入数据集 滑动更新， 保持。

22、总量不变。 0063 本发明方法通过恒定温度应力试验对所用继电器进行操作试验， 试验过程中测量 记录继电器各性能参数， 包括时间参数、 电参数和机械参数等。 性能参数的变化可以反映继 电器退化情况， 通过对性能参数进行预测即可获得继电器寿命， 用于解决现有技术中预测 精度不高的问题。 使用本发明方法环境温度不限定， 性能参数的种类不限定， 继电器操作次 数， 即单一时间序列长度也不限定。 0064 本实施例以40作为恒定温度寿命试验的环境应力对继电器进行操作试验， 一种 基于数学模型的铁路信号继电器性能状态预测方法， 包括以下步骤： 0065 整理恒定40下铁路信号继电器(如JWXC-1700。

23、型继电器)样本的性能参数数据， 选取超程时间参数进行分析； 0066 建立预测单元模型： 初始化预测单元模型各权重、 截距参数， 构建预测单元模型结 构； 0067 多次通过预测单元模型计算得到的数据首尾相连， 得到单元链模型； 0068 确定滑动窗预测模型， 滑动窗预测步骤简述如下： 0069 确定输入总量t和输出总量n； 0070 确定最大容许误差E； 0071 将输入数据集Xx1， x2， ， xt代入单元链模型并计算； 0072将最后单元的输出与实测值yt+1作比较计算确定误差 0073逻辑判别： 若则直接滑动更新输入数据集， 反之则调整模型参数直到输 出值满足要求， 随后滑动更新输入。

24、数据集； 0074 重复逻辑判别步骤， 直至预测过程结束。 0075 表1滑动窗模型预测得到的时间序列结果 0076 0077 以上结果表明： 本发明可以有效预测铁路信号继电器性能状态。 通过与曲线拟合 说明书 4/5 页 7 CN 111832171 A 7 模型、 神经网络模型以及利用数学理论来对继电器性能参数的预测分析等传统方法比较， 其预测的方法通过计算机预测更为科学快捷， 也更加准确可靠。 0078 以上所述仅为本发明的实施方式， 并非因此限制本发明的专利范围， 凡是利用本 发明说明书及附图内容所作的等效结构或等效流程变换， 或直接或间接运用在其他相关的 技术领域， 均同理包括在本发明的专利保护范围内。 说明书 5/5 页 8 CN 111832171 A 8 图1 图2 图3 图4 说明书附图 1/2 页 9 CN 111832171 A 9 图5 说明书附图 2/2 页 10 CN 111832171 A 10 。