阅读说明：本技术 一种铁路电磁兼容故障预测方法 (Railway electromagnetic compatibility fault prediction method ) 是由 李鸷 马昭钰 郝宏海 穆晓彤 商宝莹 宋季磊 于 2020-06-18 设计创作，主要内容包括：本发明涉及一种铁路电磁兼容故障预测方法,包含对涉及的参数进行定义、构建电磁兼容的网络预测模型两个步骤；首先设置合适的使用参数,接着构建电磁兼容的网络预测模型,通过调整其中的输入参数、中间参数、输出参数,对网络预测模型进行全面设置,最后还通过遗传算法调节权值,本预测方法具有很大的实用性。(The invention relates to a railway electromagnetic compatibility fault prediction method, which comprises two steps of defining related parameters and constructing an electromagnetic compatibility network prediction model; firstly, setting appropriate use parameters, then constructing an electromagnetic compatible network prediction model, comprehensively setting the network prediction model by adjusting input parameters, intermediate parameters and output parameters, and finally adjusting the weight value by a genetic algorithm.)

一种铁路电磁兼容故障预测方法

技术领域

本发明涉及铁路电磁兼容领域，为一种铁路电磁兼容故障预测方法。

背景技术

电磁兼容预测是实现电子设备或系统电磁兼容性的必要步骤,也是对其进行电磁兼容性设计的主要依据。其基本思想是针对电磁干扰的三要素,根据已有的实验、经验和理论分析建立相应的预测数学模型,然后用合适的电磁场数值方法进行仿真计算,获得种种潜在电磁干扰的计算结果,以对干扰源发射的电磁能量是否会影响敏感设备的正常工作,作出科学、合理的预测和判断。研究铁路电磁兼容的故障检测方法十分必要。

发明内容

有鉴于此，本发明提供一种解决或部分解决上述问题的铁路电磁兼容故障预测方法。

为达到上述技术方案的效果，本发明的技术方案为：一种铁路电磁兼容故障预测方法，包含以下步骤：

第一步，对方法涉及的参数进行定义；首先，设干扰源输出的干扰功率为P_out，干扰源的传输损耗为P_s，干扰源在敏感设备上产生的有效功率为P_e，三者满足关系P_e＝P_out-P_s，P为干扰功率；干扰源输出的干扰功率P_out、干扰源的传输损耗P_s有关的参数作为输入参数组|x₁,x₂,...,x_n|，干扰源在敏感设备上产生的有效功率P_e有关的参数为输出参数组|y₁,y₂,...,y_m|，其中，x₁,x₂,...,x_n为输入参数组包含的具体参数，x为输入参数组，y₁,y₂,...,y_m为输出组包含的具体参数，y为输出参数组，n为输入参数组的个数、m为输出参数组的个数，为正整数，可以自由根据实际情况设定，输入参数组与输出参数组中包含的具体参数一一对应，并将以往的实验结果作为训练样本输入；干扰源的传输损耗P_s有关的参数、干扰源在敏感设备上产生的有效功率P_e有关的参数、干扰源在敏感设备上产生的有效功率P_e有关的参数可以自由由用户指定；

第二步，构建电磁兼容的网络预测模型；网络预测模型的输入为输入参数组|x₁,x₂,...,x_n|，网络预测模型的输出为输出参数组|y₁,y₂,...,y_m|，网络预测模型依次为输入层、隐含层、动态调节层、输出层，输入层作为输入参数组的接收，输出层负责接收输出参数组的值；

b)对训练样本进行预处理，首先进行归一化处理，将训练样本的数据通过归一化公式映射到一个指定的区间范围内，指定的区间范围可以被指定归一化系数，即指定的区间范围为归一化系数乘以单位区间，单位区间初始时为[-1,1]，当训练样本被设定后，单位区间等于(a-a_min)/(a_max-a_min)，其中，a为训练样本的数据，a_min为训练样本的最小值，a_max为训练样本的最大值；

归一化公式被表示为其中k为归一化系数，取值范围为大于0的实数；对归一化公式进行倒推，可以得到训练样本的数据；

设立第j层隐含层的阈值为ω_j，ω为隐含层的阈值，ω_j取值的范围为(-ω_max，ω_max)，其中，ω_max为阈值的极值上限，权值为χ_ij，动态调节层的调节函数为d(r),r为调节参数，取值为正实数；

隐含层的输出为

其中，Δω_j为隐含层的阈值ω_j的调整阈值，为不大于阈值ω_j的实数；下标i为输入参数组的标号，为输入参数为网络预测模型的输入的标号，表示为其的第几组输入；下标j为隐含层的输出的标号，表示隐含层所在的层数，都为正整数；

Δω_j根据适应度函数的误差范数进行自行调整，适应度函数被定义为误差范数的倒数，误差范数定义为||q_j-o_j||₂，q_j为第j层隐含层的期望输出，o_j为第j层隐含层的预测输出；

动态调节层的调节函数d(r)定义为

其中， 为Δω_j的平均值，h为隐含层的所有可能输出的集合，h_j表示第j层隐含层的输出的集合；ω为隐含层的阈值的所有可能集合，表示分别从隐含层的阈值的所有可能集合ω、隐含层的所有可能输出的集合h中各选择2个数值并进行相乘，式中的参数n表示假定隐含层的输出的个数与输入参数组的个数保持一致，都等于n；表示从隐含层的阈值的所有可能集合ω、隐含层的所有可能输出的集合h中各选择r个数值并进行相乘，表示依次将从隐含层的阈值的所有可能集合、隐含层的所有可能输出的集合中各选择2个数值并进行相乘的积加上从隐含层的阈值的所有可能集合、隐含层的所有可能输出的集合中各选择3个数值并进行相乘的积，依次累计，直到加上从隐含层的阈值的所有可能集合、隐含层的所有可能输出的集合中各选择r个数值并进行相乘的积；输出层的输出将调节函数d(r)中调节参数r作为自由变量,从1开始递增，直到加上值m，作为输出参数组，具体过程为输出参数组|y₁,y₂,...,y_m|中y₁＝d(1)，…,依次赋值，y_m＝d(m)；计算训练样本的实际输出与期望输出的均方误差，若均方误差没有达到期望值,即其的值逐渐减少,则使用遗传算法来调小权值χ_ij；若均方误差没有达到期望值,即其的值逐渐增大,则使用遗传算法来调大权值χ_ij。

本发明的有益成果为：本发明提供了一种铁路电磁兼容故障预测方法，首先设置合适的使用参数，接着构建电磁兼容的网络预测模型，通过调整其中的输入参数、中间参数、输出参数，对网络预测模型进行全面设置，最后还通过遗传算法调节权值，本预测方法具有很大的实用性。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合实施例，对本发明进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，能实现同样功能的产品属于等同替换和改进，均包含在本发明的保护范围之内。具体方法如下：

实施例：从上世纪70年代起,国内外对电磁兼容预测理论进行了深入研究,建立起了各种分析预测模型,如:源模型、敏感器模型、耦合模型以及系统间和系统内分析模型等。并提出了许多用于求解预测模型的电磁场数值方法,如:矩量法、有限元法、时域有限差分法等。但是,目前进行预测仍面临着众多困难；至今尚没有一种适用于普遍预测的数学模型,使其预测模型的应用受到较大限制；大多数预测模型都是在理想条件下的一种近似及简化表达；复杂系统其预测模型的求解过程十分复杂。即使是在大量的约束和简化下得出了结果,也存在着较大的误差,使的预测准确性变差。因此探求更为合理的预测与分析方法一直是领域科研工作者所研究的热点。人工神经网络作为现代非线性科学的重要组成部分,可以实现不同维空间的非线性映射,近年来在很多领域都得到了广泛的应用。笔者尝试把这一方法应用在电磁兼容的预测问题中,采用网络构造输入预测因子与敏感设备骚扰响应之间的映射关系,采用电磁场数值计算方法建立训练样本集和测试样本集,训练构造好的神经网络,用以对电磁兼容问题进行快速的预测和评估。

目前,国内外对EMC理论进行了深入研究,建立了各种分析预测模型,如:源模型、敏感期模型、耦合模型以及系统间/内分析模型等,并提出了许多求解模型的数值方法,如矩量法、有限元法和时域有限差分法等。但是,目前EMC预测面临3个缺陷:

①至今尚未提出一种适用于普遍EMC预测的数学模型；

②大多数预测模型只是在理想条件下的一种近似；

③复杂系统的预测模型求解十分复杂。因此,求解得到的结果存在较大的误差。考虑到神经网络(NN)是一门新兴的学科,它不涉及到原有问题的复杂模型,而实现输入输出数据对的映射。因此,常常采用BP神经网络(BPNN)来预测EMC问题。考虑到BP容易收敛到局部最优点,采用粒子群算法来实现权值的优化。

EMC预测模型如下：

假设PT表示干扰源输出的干扰功率,LP表示干扰信号的传输损耗,PI表示干扰源在敏感设备上产生的有效干扰功率,则EMC的数学模型可以表示为:PI＝PT-LP。可将干扰源PT与传输损耗LP作为NN的输入,将干扰结果PI作为网络的输出,利用已知的实际测量结果作为训练样本,从而实现“干扰环境”到“干扰响应”的映射。由于导线既是高效的电磁干扰接收天线,又是高效的电磁干扰辐射天线,因此它是妨碍EMC的主要原因,吸引了大量学者的研究。

在预测技术中常常用到BP神经网络技术以及Adaboost算法；BP神经网络是一种有监督学习多层前馈神经网络，其主要特点是信号前向传递、误差反向传播。在信号前向传递过程中，输入信号从输入层进入，经过隐含层处理，到达输出层。每一层的神经元状态只影响下一层的神经元状态。判断输出层的结果是否为期望输出，如果不是，则转入反向传播，然后根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。

Adaboost是一种迭代算法，通过对弱学习算法的加强而得到强学习算法，即通过一个包含关键特征的弱分类器集合，构建出具有理想分类能力的强分类器。Adaboost算法的优点在于它使用加权后选取的训练数据代替随机选取的训练样本，将弱分类器联合起来，使用加权的投票机制代替平均投票机制。

本发明的有益成果为：本发明提供了一种铁路电磁兼容故障检测方法，首先设置合适的使用参数，接着构建电磁兼容的网络预测模型，通过调整其中的输入参数、中间参数、输出参数，对网络预测模型进行全面设置，最后还通过遗传算法调节权值，本预测方法具有很大的实用性。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明之较佳实施例，并非用以限定本发明的权利要求保护范围。同时以上说明，对于相关技术领域的技术人员应可以理解及实施，因此其他基于本发明所揭示内容所完成的等同改变，均应包含在本权利要求书的涵盖范围内。