一种动车组关键系统及部件的健康评估方法与流程

1.本发明涉及高速动车组关键系统及部件健康管理领域，尤其涉及利用健康评估模型对关键系统或部件的健康评估方法。


背景技术：

2.我国随着高速铁路运营里程大幅度增加，动车组保有量也逐年增多，新老车型交替贯穿了生产制造、运用维修、高级修和车辆报废的全寿命周期，目前国内动车组检修形式主要采用事后维修和固定修程指导维修方式，经常会造成过度修、欠修的情况发生。研究动车组关键系统及部件的健康评估方法，可以在车辆全寿命周期过程中提高服役部件的可靠性，提高车辆安全性，同时优化修程修制，降低全寿命周期运维成本。
3.目前动车组关键系统或部件的健康管理主要集中在状态评价和故障针对方面，主要体现设备的当前状态，这种事后维修和计划维修的方式经常存在欠修、过度修的情况，导致固定的修程修制对状态良好的部件提前更换，造成经济性损失，事后维修方式会对系统或部件的服役可靠性造成影响，降低运营安全性。


技术实现要素：

4.本发明是提供一种动车组关键系统及部件的健康评估方法，目的是采用科学的健康评估方法支撑关键系统或部件的健康管理，降低全寿命周期的运维成本；将传统的固定修程修制优化为动态的状态性维修，提前处置，提高动车组安全可靠性。
5.为达到上述目的，本发明采用如下技术方案：一种动车组健康评估方法，具体包括如下步骤：
6.步骤一：确定健康评估的关键系统及部件，构建关键系统及部件模型；
7.步骤二：根据动车组系统中的历史数据，选取数据样本优化步骤一中构建的模型，确定模型的参数。
8.步骤三：采用bp神经网络的建模方法搭建bp网络模型；
9.步骤四：根据步骤二中的模型参数，确定bp网络模型输入层、隐含层和输出层定参；
10.步骤五：依照bp网络误差反向传播算法的流程进行训练，当运算结果满足期望值后，建立关键系统及部件的健康评估模型，反之，重新确定输入层、隐含层和输出层定参。
11.步骤六：将读取的车载数据、地面数据和第三方接口数据参数输入健康评估模型，不同关键系统和部件输入不同的参数，通过关键系统和部件的健康评估bp神经网络的学习，经过运算得到的网络总目标函数与预先确定的健康度做对比，评估关键系统及部件的健康程度。步骤六中健康评估bp神经网络的学习具体包括：
12.(1)使用较小的随机非零值作为网络的初始权重；
13.(2)计算l对样本的网络输出。
14.设第p组样本输入及输出：
[0015][0016][0017]
则隐含层节点j的总输入及输出：
[0018][0019][0020]
输出层节点k的总输入及输出：
[0021][0022][0023]
式中，为输入层与隐含层之间的连接权值与阈值；为隐含层与输出层之间的连接权值与阈值。
[0024]
(3)计算网络的目标函数j
[0025]
第p个训练样本作为输入时，t次权值调整后bp神经网络目标函数为：
[0026][0027]
式中，指的是实际输出值；指的是期望输出值。
[0028]
网络总目标函数：
[0029][0030]
作为对网络误差精度的评价值。
[0031]
(4)判别。
[0032]
若总目标函数值满足算法结束。
[0033]
j(t)≤ε式中，健康度ε是预先确定的。
[0034]
本发明的有益效果：
[0035]
1.采用科学的健康评估方法支撑关键系统或部件的健康管理，降低全寿命周期的运维成本；
[0036]
2.将传统的固定修程修制优化为动态的状态性维修，提前处置，提高动车组安全可靠性。
附图说明
[0037]
图1为本发明的流程图；
[0038]
图2为神经元模型示意图；
[0039]
图3为三层bp神经网络结构示意图；
[0040]
图4为本发明bp神经网络学习过程图。
具体实施方式
[0041]
参照图1，利用设备的衰退规律、监测参数、历史故障，构建健康评估模型，对设备的健康程度进行评估，健康评估方法流程，具体步骤包括：
[0042]
步骤一：确定健康评估的关键系统及部件，构建关键系统及部件模型；
[0043]
步骤二：根据动车组系统中的历史数据，选取数据样本优化步骤一中构建的模型，确定模型的参数。
[0044]
步骤三：采用bp神经网络的建模方法搭建bp网络模型；
[0045]
步骤四：根据步骤二中的模型参数，确定bp网络模型输入层、隐含层和输出层定参；
[0046]
步骤五：依照bp网络误差反向传播算法的流程进行训练，当运算结果满足期望值后，建立关键系统及部件的健康评估模型，反之，重新确定输入层、隐含层和输出层定参。
[0047]
步骤六：将读取的车载数据、地面数据和第三方接口数据参数输入健康评估模型，不同关键系统和部件输入不同的参数，通过关键系统和部件的健康评估bp神经网络的学习算法，经过运算得到的网络总目标函数与预先确定的健康度做对比，评估关键系统及部件的健康程度。
[0048]
参照图2，本发明采用bp(back propagation)神经网络的建模方法进行关键系统或部件的健康评估功能，其核心是神经元模型，图2中，每两个节点之间的连接是对应该连接信号的一个加权值，称作权重wi，网络的输出yi则由网络连接方式、权重值wi和激励函数确定。相互之间存在关系式(1)：
[0049][0050]
式中，xi指的是输入信号；wi指的是神经元之间连接权值；θ指的是神经元的激活阈值；f(x)指的是激励函数。
[0051]
激励函数f(x)一般为s型函数，定义为：
[0052][0053]
参照图3，描述了三层bp神经网络，由输入层、多层隐含层、输出层组成。每一层都由若干个神经元组成，该网络依照网络误差反向传播算法的流程进行训练。
[0054]
bp神经网络左右各层之间各个神经元实现全连接，即左层的每一个神经元与右层的每个神经元都有连接，而上下各神经元之间无连接，各层神经元的数目可依据实际问题的分析决定。
[0055]
若已知输入层神经元数目为m，输出层神经元个数为n，隐含层神经元数目h通过经
验公式可以计算，如下所示。
[0056]
h＝2m 1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0057][0058]
0.02m＜h＜4m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0059]
h＝log2n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0060]
参照图4，根据三层bp神经网络结构，正向传播与反向传播过程为bp神经网络学习算法的主要内容，正向传播时，输入信号从输入层层层传递至输出层，若输出层输出值与期望值之间的误差满足算法设定的数值，算法结束；反之，开始反向传播。其中为输入层参数，为隐含层参数，为输入层与隐含层之间的连接权值与阈值，为隐含层与输出层之间的连接权值与阈值；指的是实际输出；指的是期望输出。
[0061]
关键系统和部件的健康评估bp神经网络的学习算法过程描述如下所示：
[0062]
(1)使用较小的随机非零值作为网络的初始权重；
[0063]
(2)计算l对样本的网络输出。
[0064]
设第p组样本输入及输出：
[0065][0066][0067]
则隐含层节点j的总输入及输出：
[0068][0069][0070]
输出层节点k的总输入及输出：
[0071][0072][0073]
式中，为输入层与隐含层之间的连接权值与阈值；为隐含层与输出层之间的连接权值与阈值。
[0074]
(3)计算网络的目标函数j
[0075]
第p个训练样本作为输入时，t次权值调整后bp神经网络目标函数为：
[0076][0077]
式中，指的是实际输出；指的是期望输出。
[0078]
网络总目标函数：
[0079][0080]
作为对网络误差精度的评价值。
[0081]
(4)判别。
[0082]
若总目标函数值满足式(14)，算法结束。
[0083]
j(t)≤ε
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0084]
式中，健康度ε是预先确定的，评价如下：
[0085][0086]
不同关键系统和部件输入不同的参数，经过模型运算得出评分范围，对照不同的健康程度，再由运用单位根据实际情况进行相应的处置，最终实现系统和部件处于最优的健康程度进行服役，提高了运营的可靠性和安全性。