基于自适应调节高速列车牵引电机安全状态在线预测方法

本发明涉及高速列车状态预测领域，具体涉及一种基于自适应调节高速列车牵引电机安全状态在线预测方法。

背景技术：

1、目前对于牵引电机运行状态的监测主要依靠安装于定子铁芯和两端轴承的温度传感器发送的实时数据，当牵引电机的测点温度超过设置的规定阈值，列车将会发出预警信息，并由列车运营人员做出相关措施以此防止列车发生事故。然而仅通过判断当前温度是否超过固定阈值的监测方法是一种相对落后的手段，一方面与牵引电机温度相关的传感器数据并未得到有效利用；另一方面当温度超过阈值再进行有关操作时，电机内部早已发生故障。因此对牵引电机温度进行准确预测，能有效避免电机发生重大故障，对保障列车安全运行具有重要意义。

2、传统的温度预测模型一般通过完整的历史数据集借助地面端的计算力进行离线训练，然后部署在列车车载端的计算平台中应用。然而列车车载端上的传感器数据以流的形式顺序到达，而流式数据大都为非平稳数据，即数据的概率分布随时间发生变化而产生概念漂移现象。离线训练得到的固定结构和参数的模型并不适应这种概率分布不断变化的数据。为了解决数据的概念漂流问题，一个理想的选择就是采用在线学习方式进行模型的训练，即直接在列车车载端部署模型，然后对顺序到达的数据流不断学习、更新模型参数并进行模型的预测任务。

3、现有的在线学习方法是使用在线梯度下降算法对每个单独的数据样本进行深度神经网络的反向传播训练。然而这种方法在训练前需要设定好模型的结构，并且对于在线场景无法提供测试集进行验证，如果初始模型深度设置不合理将会导致模型预测精度降低或者难以收敛。如何结合在线学习和深度学习的优势，动态的调整模型的参数及结构，应用于高速列车牵引电机温度的在线预测是亟待解决的问题。

技术实现思路

1、针对上述问题，本发明使用一种在线深度学习模型odl用于牵引电机安全状态的实时预测，odl能够动态的调整模型的结构和参数以适应概率分布不断变化的流式数据。odl模型融合了深度学习和在线学习的优势，采用深度神经网络(dnn)作为它的基本结构，并通过对冲策略实现模型参数的在线学习。结果表明，odl模型在可以有效的应用于列车端进行温度的实时预测，有利于及早发现电机的异常状态。

2、一种基于自适应调节高速列车牵引电机安全状态在线预测方法，其特征在于，包括以下步骤：

3、步骤1：根据收集的高速列车历史传感器监测数据，利用皮尔逊系数筛选与牵引电机定子温度变化最相关的传感器信号数据，对传感器信号数据进行预处理；

4、步骤2：采用深度神经网络dnn作为基本结构构建在线深度学习模型odl，设定dnn的隐层数即模型最大深度l及隐层单元个数，将各隐层和预测器相连，然后通过步骤1进行预处理后的数据训练模型，生成在线阶段odl模型的初始参数；

5、步骤3：实时获取与牵引电机温度变化相关的传感器信号数据zt，并对zt进行在线归一化；st∈rm×1代表t时刻m维信号值，代表长度为ts+tp时段m维信号，ts表示序列时间窗的长度，tp表示模型预测的时间步长；

6、步骤4：归一化后的zt经过滑动窗口获取作为模型的输入，其中m维的传感器信号时间序列用于模型的在线训练，将归一化后的xt输入odl模型进行预测生成预测值并与t时刻温度的真实值yt比较，根据损失函数计算模型在当前时刻的损失；

7、步骤5：根据对冲策略对具有不同深度的预测器去扩展反向传播算法在线更新odl模型的参数，根据预测器输出和实际值的缩放点积更新各隐层预测器的权重，通过权重值自适应调整模型深度；

8、步骤6：将样本集合输入到odl模型中，产生对应的预测集合

9、优选地，步骤1中对传感器信号数据进行预处理包括数据缺失值填补、数据时间点对齐、数据归一化。

10、优选地，步骤1中利用皮尔逊系数筛选与牵引电机定子温度变化最相关的传感器信号数据，具体为引入皮尔逊相关系数作为评价标准，量化评价收集的高速列车历史传感器数据与电机定子温度特征之间的相关程度，将系数绝对值落在取值区间[0.7,1]视为与牵引电机定子温度变化最相关的传感器信号数据。

11、优选地，odl的模型结构中的dnn将各隐层和预测器相连，每个预测器和隐层输出数据的大小一致，对l个预测器的预测数值进行加权组合得到最终模型的预测结果。

12、优选地，每个预测器的权重用αl表示，0≤αl≤1，通过调整预测器输出权重的数值即可调整模型的深度。

13、优选地，步骤3对zt进行在线归一化包括，在线场景中每当一批数据到达时则进行一次数据标准化，数据标准化采用最大最小归一化方法，获取zt每一维序列的最大最小值maxi和mini，归一化公式如下：

14、

15、优选地，步骤4中的损失函数为：

16、

17、公式第一项代表模型的mse损失，后两项为l1正则化项，λw，λθ为正则化系数，||w||1，||θ||1指权重向量中各元素的绝对值之和。

18、优选地，步骤5中在线更新odl模型的参数包括隐层与隐层之间参数wl和隐层与预测器之间参数θl；θl和wl的更新均采用在线梯度下降算法完成，θl只依赖于单个预测器产生的损失进行梯度下降，wl考虑多个预测器产生的损失，更新公式分别如下：

19、

20、

21、预测器在下一时刻的权重根据预测器输出和实际值的缩放点积进行更新，公式如下：

22、

23、fl为第l个隐层对应的预测器输出。

24、优选地，步骤6中预测值计算如下：

25、

26、αl为第l个隐层对应的预测器的权重。

技术特征：

1.一种基于自适应调节高速列车牵引电机安全状态在线预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于自适应调节高速列车牵引电机安全状态在线预测方法，其特征在于，所述步骤1中对传感器信号数据进行预处理包括数据缺失值填补、数据时间点对齐、数据归一化。

3.根据权利要求1所述的一种基于自适应调节高速列车牵引电机安全状态在线预测方法，其特征在于，所述步骤1中利用皮尔逊系数筛选与牵引电机定子温度变化最相关的传感器信号数据，具体为引入皮尔逊相关系数作为评价标准，量化评价收集的高速列车历史传感器数据与电机定子温度特征之间的相关程度，将系数绝对值落在取值区间[0.7,1]视为与牵引电机定子温度变化最相关的传感器信号数据。

4.根据权利要求1所述的一种基于自适应调节高速列车牵引电机安全状态在线预测方法，其特征在于，所述odl的模型结构中的dnn将各隐层和预测器相连，每个预测器和隐层输出数据的大小一致，对l个预测器的预测数值进行加权组合得到最终模型的预测结果。

5.根据权利要求4所述的一种基于自适应调节高速列车牵引电机安全状态在线预测方法，其特征在于，每个预测器的权重用αl表示，0≤αl≤1，通过调整预测器输出权重的数值即可调整模型的深度。

6.根据权利要求1所述的一种基于自适应调节高速列车牵引电机安全状态在线预测方法，其特征在于，所述步骤3对zt进行在线归一化包括，在线场景中每当一批数据到达时则进行一次数据标准化，数据标准化采用最大最小归一化方法，获取zt每一维序列的最大最小值maxi和mini，归一化公式如下：

7.根据权利要求1所述的一种基于自适应调节高速列车牵引电机安全状态在线预测方法，其特征在于，所述步骤4中的损失函数为：

8.根据权利要求1所述的一种基于自适应调节高速列车牵引电机安全状态在线预测方法，其特征在于，所述步骤5中在线更新odl模型的参数包括隐层与隐层之间参数wl和隐层与预测器之间参数θl；θl和wl的更新均采用在线梯度下降算法完成，θl只依赖于单个预测器产生的损失进行梯度下降，wl考虑多个预测器产生的损失，更新公式分别如下：

9.根据权利要求8所述的一种基于自适应调节高速列车牵引电机安全状态在线预测方法，其特征在于，所述步骤6中预测值计算如下：

技术总结
本发明公开了一种基于自适应调节高速列车牵引电机安全状态在线预测方法，分离线和在线两个阶段。在离线阶段，获取高速列车历史监测传感器数据，采用皮尔逊系数进行特征筛选与牵引电机温度相关的传感器数据并预处理；利用预处理数据对ODL进行训练，合理初始化模型参数。在在线阶段，获取高速列车与牵引电机温度相关的实时传感器数据，并归一化；将在线数据输入ODL计算当前时刻模型预测值与真实值间的损失，基于对冲策略在线更新模型参数并自适应调整模型深度；根据当前时刻传感器数据输入ODL模型输出未来电机温度预测值，根据列车车载端实时数据重复在线阶段过程。本发明构建的在线深度学习模型简单高效，有效改善了在线数据的概念漂移问题。

技术研发人员：董宏辉,杨志强,王志鹏
受保护的技术使用者：北京交通大学
技术研发日：
技术公布日：2024/2/1