本发明涉及hadoop平台、神经网络与地铁信号设备,在hadoop平台基础上结合bp神经网络对地铁信号设备数据进行处理,并预测故障数据。
背景技术:
城市地铁信号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。采用基于数据的地铁信号系统设备的预测方法,预防并减少地铁信号设备的故障,是当前轨道交通系统中的一项极其重要的研究课题。
技术实现要素:
本发明一种基于hadoop平台的bp神经网络的地铁信号系统故障预测方法,包括以下步骤:
步骤1、对存储于微机监控系统中的轨道电路数据进行提取并储存到hadoop平台中;
步骤2、由hadoop从每个文件中提取出相应的设备状态数据,整合并按日期存储在hdfs中;
步骤3、对损坏数据进行识别和修复,采用的方法为根据时间节点在数据库中寻找与其相似的节点来进行填补;
步骤4、进行神经网络训练,根据轨道电路反馈数据的特征选取三层神经网络,根据不同的设备确定输入节点个数,根据经验公式
步骤5、选取最大迭代次数为1000次,最小误差为0.001,并采用widrow-hoff学习规则进行反向训练;
步骤6、利用hadoop平台将原始数据和神经网络算法切割为一些小的数据按键值对的方式传送给5个节点,在同一时刻进行bp神经网络训练,并规定每次迭代次数为100次;
步骤7、将各个节点通过迭代所产生的节点阀值和均值作为输入,并求平均值再重新分配给各个节点,以加快训练速度。
步骤8、在完成训练后,提取当前状态设备信息,将待预测数据和集中在主节点中的神经节点阀值和权值传输给一个新的节点,最终节点产生的结果与真实数据相比较并验证其准确率。
本发明的有益效果为:本发明在分析信号设备维护信息的基础上,结合hadoop平台并行运算和分布式储存与传统bp神经网络算法,达到了在提高预测精度的同时减少了算法计算的时间并降低成本的目的。使神经网络故障预测具有了工程实践的意义,为地铁信号系统的健康管理提供可靠保障。
附图说明
图1为本发明故障预测方法的流程图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
如图1所示,根据本发明的较优实施例,基于hadoop平台的bp神经网络的地铁信号系统故障预测方法,其实现包括以下步骤:
步骤1、通过接口连接hadoop平台将存储于微机监控系统中的轨道电路数据取出,并存放在其专有数据库中;
步骤2、由hadoop提取出每个文件中相应的设备状态数据如使用时间、温度、供电电压、发送电压、发送频率、接收电压和干扰电压数据,整合并以时间为参考在hdfs中分组存储;
步骤3、由于在正式使用中可能会出现各种复杂的工况,可能会产生数据的丢失和错误,对这些数据进行识别和修复,采用的方法为根据时间节点在数据库中寻找与其相似的节点来进行填补。由于此算法的目的是故障预测,因此在此环节将数据传输过程中的空白和变化剧烈的数据定义为损坏数据,并用历史数据进行替换;
步骤4、进行神经网络训练,根据轨道电路反馈数据的特征选取三层神经网络,根据不同的设备确定输入节点个数,根据经验公式
步骤5、在同一时刻进行bp神经网络训练,需利用hadoop平台将原始数据和神经网络算法切割为一些小的数据按键值对的方式传送给5个节点,并规定迭代次数。
步骤6、节点参数取平均值重新学习,将各个节点通过迭代所产生的节点阀值和均值作为输入,求出平均值再重新分配给各个节点,这一方法有助于加快训练速度。
步骤7、训练完成后,用未参加训练的历史数据进行仿真预测,将待预测数据和集中在主节点中的神经节点阀值和权值传输给一个新的节点,最终节点产生的结果与提取出的设备真实数据相比较,将判断为发生故障时实际也发生故障的情况称为“预测成功”,并与总测试次数相比,得出预测准确率。