Demiryolu Katılma Hatasının Akıllı Teşhisi
Önemli bir demiryolu sinyal altyapı ekipmanı olarak, katılımın işleyişi trenin güvenli çalışması ve ulaşım verimliliğinden ayrılamaz.Katılım zamanında tamir edilemediğinde, insanların can ve mallarına çok büyük bir güvenlik tehlikesi getirecektir. Büyük kayıplara neden olur. Bu nedenle, işletim durumunun gerçek zamanlı izlenmesi ve arızaların zamanında ele alınması, demiryollarının güvenli bir şekilde işletilmesi için temel konulardan biridir.
Şu anda, ülkemizin çoğu bölgesindeki arızaların geleneksel tespit yöntemi, katılım anahtar makinesinin mevcut değerini toplamak için mikrobilgisayar izleme sistemini kullanmaktır. Şekil 1, zaman değiştikçe şalt noktası makinesinin ürettiği mevcut değişim eğilim tablosunu göstermektedir. Diyagram beş aşamaya ayrılabilir: akımı kes, kilidi aç, değiştir, kilitle ve akımı aç. Geleneksel katılım yöntemi, esas olarak, yerinde çalışan personelin mikrobilgisayar izleme sistemi tarafından izlenen katılımın çalışma akımı eğrisini özetle elde edilen mevcut eğri ile manuel olarak karşılaştırması ve sonunda katılımın çalışma durumunu belirlemesidir. Bununla birlikte, bu manuel tanımlama yönteminin üç kusuru vardır: (1) Bakım personelinin iş deneyimine büyük ölçüde bağlıdır ve özellikle anahtar arızası normal bir durum olarak yanlış değerlendirildiğinde, yanlış değerlendirmeye veya gözden kaçan yargılamaya eğilimlidir. , Bakım önlemlerinin zamanında alınmamasına yol açacak ve onarılamaz kayıplara yol açacaktır; (2) Çin'in yüksek hızlı demiryollarının ve yolcuya ayrılmış hatlarının hızla gelişmesiyle, karmaşık anahtar ekipmanının çalışma durumunu belirlemek için bu tür basit manuel deneyim çok fazla insan gücü gerektirir, Maddi ve mali kaynaklar; (3) Manuel kararın etkinliği son derece düşüktür ve artık ekonomik kalkınma ve insanların seyahat ihtiyaçlarını karşılayamaz. Bu nedenle, günümüzün yapay zekası ve Çin demiryolu endüstrisinin hızlı gelişimi bağlamında, öğrenme kabiliyetine sahip akıllı bir katılım arıza tespit sistemi çalışması, çözülmesi gereken acil sorunlardan biridir.
Yapay zeka yöntemlerinin kademeli olarak olgunlaşması ve gelişmesi ile yerli ve yabancı uzmanlar ve akademisyenler, demiryolu katılım hatalarının tespiti konusunda ön araştırma yapmak için yapay zeka yöntemlerini kullandılar ve bazı sonuçlar elde ettiler. Örneğin, Xing Yulong ve diğerleri dış çevresel faktörleri dikkate alır, veriler üzerinde özel işlemler yapar ve hata tespiti için matematiksel modeller oluşturur. Ancak bu model ve yöntemin sınıflandırma performansı sabit değildir ve genelleme yeteneği güçlü değildir. Wang Siming, Lei Ye ve Guan Qiong, katılım ekipmanının arıza teşhisini gerçekleştirmek için farklı çözme algoritmaları tasarlamak için destek vektör makinesi yöntemini kullandı. Zhong Zhiwang, Tang Tao ve Wang Feng, sözcüksel özellik uzayında arıza belgesini ifade etmek için sözcük bölütleme algoritmasını kullandılar ve konu özellik alanında arıza belgesini ifade ettiler ve teşhis cihazını SVM algoritması ile oluşturdular. DIEGO J ve GARCIA M F, katılım hatası teşhisi için geliştirilmiş algoritmalar tasarlamak için bulanık teori ve sinir ağını birleştirir. Bununla birlikte, sinir ağı, daha az eğitim örneği olduğunda kötü sınıflandırma performansına sahiptir ve aşırı uyum meydana gelecektir. Kısaca, yukarıdaki yöntem yalnızca çok sayıda arıza örneği (dengeli veriler) olduğunda daha iyi bir tanıma etkisine sahiptir. Aslında, fiili çalışma ortamında, her katılımın başarısız olma olasılığı çok küçüktür, yani başarısızlık örnekleri normal örneklerden çok daha azdır ve bu bir dengesizlik problemidir. Buna ek olarak, farklı dönüşlerin mevcut veri boyutları aynı değildir ve dönüşlerin mevcut verileri genellikle çok boyutludur, bu da yukarıdaki yöntemlerin daha uzun bir çalışma süresine yol açacaktır ve bu da demiryolu dönüşlerinin gerçek zamanlı tespitinin gerekliliklerini karşılayamaz.
Yukarıdaki iki ortak sorunu hedefleyen bu makale, dengesizlik problemine dayanan bir demiryolu katılım hatası akıllı teşhis teknolojisi önermektedir.Özellikle, katılım verilerinin eksik değer tamamlayıcılarını, özellik çıkarımını, akıllı katılım tanıma probleminin dönüşümünü ve katılımın zekasını içermektedir. Tanıma teknolojisi ve tanıma performans göstergelerinin tasarımı üzerine araştırma. Deneysel veri olarak Guangzhou Demiryolu Bürosu'nun katılım verilerini kullanarak, deneysel simülasyon MATLAB 2014a, Windows 7 ve Intel Core i32.4 GHz CPU ortamında gerçekleştirildi. Deneysel sonuçlar, bu makaledeki tanıma sisteminin dengesiz katılım örneklerinde hala iyi bir tanıma yeteneğine sahip olduğunu ve güçlü bir genelleme yeteneğine sahip olduğunu ve ortalama tanıma süresinin 0,04 sn olduğunu ve bu da akıllı tanımanın gerçek zamanlı gereksinimlerini karşıladığını göstermektedir.
1 Anahtar hatası için akıllı tanıma sistemi
1.1 Katılım mevcut verilerinin özellik seçimi
Mikrobilgisayarın veri izleme ve toplama süresi 0,04 saniyedir.Salter normal olarak dönüştürüldüğünde, 6,4 s ~ 10 saniye sürer, bu nedenle 160 ~ 250 akım verisi üretilir; anahtar sıkıştığında, dönüşüm süresi 30 s veya daha uzun olabilir Zamanla, şu anda 600'den fazla veya daha fazla güncel veri toplanacaktır. Bu nedenle, iki sorun olabilir: (1) Bir katılım eylemi ile elde edilen mevcut değer bir örnek vektörse, birden fazla eylem birden fazla örnek vektörü alacaktır.Bu örnek vektörler, bu makalede eğitim örnekleri olarak kullanılır ve boyutlar bulunur Aynı şey değildir, bu da sonraki eğitimin zorluğunu büyük ölçüde artıracaktır; (2) Katılım sıkıştığında yüksek boyutlu veriler üretilecek, bu da model öğrenmenin eğitim süresini kaçınılmaz olarak artıracak ve bu da yavaş katılım hatası tanıma ile sonuçlanacaktır. Bu nedenle, bu makale önce verileri önceden işler, yani tüm verileri, sıfırları doldurmak için eksik değerleri kullanarak aynı boyuttaki vektörlere doldurur. Bununla birlikte, sıfır doldurma işlemi kaçınılmaz olarak yüksek boyutlu küçük örnek verileri üretecek ve aşırı uydurma görünümüne yol açacaktır. Bu nedenle, bir sonraki adım, yüksek boyutlu küçük örnek veriler üzerinde özellik çıkarımı yapmaktır.Bu makale, özellik seçimi ve veriler üzerinde çıkarım gerçekleştirmek için temel bileşen analizi yöntemini benimser. Temel Bileşen Analizi (PCA), KARL P tarafından icat edilen bir özellik çıkarma teknolojisidir. Birden fazla örneğin girdi matrisinin kovaryans matrisini hesaplar ve kovaryans matrisinin öz değerlerine göre daha büyük varyanslı özniteliği belirler. Kümülatif varyans katkı oranı, kovaryans matrisinin karşılık gelen öz vektörünü seçin ve ana bileşeni belirleyin. Özel veri işleme adımları aşağıdaki gibidir:
(1) Giriş: demiryolu ani akımının örnek vektörleri ve parametresi;
(2) Orijinal verilerin önişlenmesi: Numunenin en yüksek m ölçüsü eğitim numunesinin boyutu olarak alınarak, m ölçüsünün altındaki numuneler üzerinde sıfır dolgulu işlemler yapılır ve ön numuneler aşağıdaki gibidir:
1.2 Akıllı tanımlama problemlerinin dönüşümü
Bir yandan anormal katılım herhangi bir aşamada ortaya çıkabilir ve anormal durum son derece karmaşıktır; diğer yandan anormal katılım olasılığı düşüktür, yani bu yazıda elde edilen eğitim verileri daha normal veriler ve son derece anormal veriler içeren dengesiz verilerdir. az. Bu özellik ışığında ve mevcut yöntemlerden farklı olarak, bu makale öğrenme problemini dengesiz bir sınıflandırma problemine dönüştürür, yani anahtarlama hatası akım eğrisi verilerini x1, x2, ..., xp olarak belirtilen pozitif veri olarak ayarlar ve etiketi yi = 1 olarak gösterilir. , I = 1, ..., p; katılımın normal akım eğrisi verileri negatif verilerdir, xp + 1, xp + 2, ..., xn olarak gösterilir ve etiketi yi = -1, i = p + 1, ..., n. Negatif örneklerle karşılaştırıldığında, pozitif verilerin yanlış tanımlanması daha ciddi sonuçlara yol açacaktır. Bu nedenle, bu makale pozitif verilerin doğru tanımlanmasına daha fazla önem vermektedir. Bu yazıda, herhangi bir yeni anahtar mevcut verisinin kategorisini xRr × 1 belirlemek için bir karar fonksiyonu f (x) öğrenerek, iki tür eğitim örneğinin bilindiği varsayımıyla.
1.3 Katılım hatası tanıyıcı
CORTES C ve VAPNIK V-Support Vector Machine (SVM) tarafından geliştirilen sınıflandırma teknolojisi, bir optimizasyon modeli oluşturmak için maksimum ayırma fikrini çekirdek tabanlı yöntemlerle birleştirerek yapısal riskleri en aza indirme ilkesine dayanmaktadır. Birçok pratik uygulamada, model iyi bir genelleme yeteneği göstermiştir. Buna dayanarak, pozitif numunelerin doğru bir şekilde sınıflandırılabilmesini sağlamak için, bu makale aşağıdaki dengesiz öğrenme SVM modelini oluşturmak için pozitif numunenin ceza parametresini negatif numunenin ceza parametresinden daha büyük olacak şekilde ayarlar:
Bundan türetilebilir:
1.4 Katılım hatası tanımlama için performans göstergeleri
Bir sınıflandırıcıyı öğrendikten sonra, sınıflandırma performansını değerlendirmek gerekir. Şu anda, bir sınıflandırıcının performansını değerlendirmek için, sınıflandırma doğruluğu (sınıflandırma doğruluk oranı), sınıflandırma hatası oranı gibi birçok kriter vardır. Bununla birlikte, demiryolu katılım hatası tanımlaması için mevcut verilerin% 98'e kadarı normal katılımlar olabilir ve bir sınıflandırıcı, herhangi bir analiz yapmadan her veriyi basitçe "negatif sınıflara" bölerek% 98 doğruluk elde edebilir. Açıktır ki, sınıflandırma doğruluğu gibi değerlendirme kriterleri, demiryolu katılımının belirlenmesi probleminde işe yaramaz. Bu makale, demiryolu arızalarının tanınmasına (pozitif sınıf) daha fazla önem vermektedir.Doğal dil işleme problemlerinden ve bazı denetimli öğrenme problemlerinden esinlenen bu makale, pozitif sınıf örneklerinin geri çağırma oranı ve kesinlik oranı için iki değerlendirme kriteri tasarlamaktadır. Spesifik tanım aşağıdaki gibidir:
Formül (14) ve (15) 'deki her bir dizinin özel anlamı Şekil 2'de gösterilmektedir.
Bu iki değerlendirme kriterinin sezgisel anlamı çok açıktır, yani pozitif örneklerin daha doğru ve kapsamlı bir şekilde tanımlanıp tanımlanmadığına daha fazla dikkat edin. Bununla birlikte, bu iki standart, pozitif numunelerin tanınma performansını iki açıdan tanımladığından, bunlar alakalı değildir. Şu anda, yeni bir değerlendirme standardı, yani F değeri elde etmek için geri çağırma hızının harmonik ortalamasını ve kesinlik oranını bulabilirsiniz:
Bu değerlendirme standardı, hatalı katılımların belirlenmesi için daha yüksek gereksinimler ortaya koymaktadır.Sadece geri çağırma oranı ve hassasiyet oranının ikisi de büyük olduğunda, F değeri büyüktür; küçük bir değer varsa, F değeri yüksek değildir.
2 Sayısal deney
2.1 Deneysel düzenleme
Bu makaledeki deneysel veriler, 28 Kasım 2016'dan 14 Haziran 2017'ye kadar Guangzhou'daki Zhongcun İstasyonunda W1902 # ve W1904 # olarak belirtilen iki tür demiryolu katılımının mevcut değerleridir. Bu veriler, anahtarın ters konuma konumlandırılmasını ve konumlandırma verilerine ters konumlanmasını (arıza konumu dahil) içerir. Ön işleme ve erken aşamada eksik verilerin özellik çıkarılmasından sonra, bunların% 80'i eğitim seti olarak rastgele ve kalan% 20'si tahmin için test seti olarak seçilir. Deney 100 kez tekrarlanmıştır ve ortalama F değeri, bu yazıda sınıflandırıcının son sınıflandırma performansının değerlendirilmesidir.
2.2 Parametre ayarı
Bu yazıda, veri bilgilerinin% 95'inin kaybolmamasını sağlamak için kümülatif katkı oranını z z =% 95 alıyoruz ve veri boyutunu azaltmak için temel bileşen analizini kullanıyoruz. Bu yazıda, önyargı-SVM modelini seçmek için on kat çapraz doğrulama yöntemi kullanılmıştır. 10 kat çapraz doğrulama, veri setini rastgele 10 parçaya bölmek ve bunlardan 9'unu eğitim örneği ve 1'i de doğrulama örneği olarak almaktır. Ceza parametreleri C +, C-, {2-10, 2-9, ..., 210} setinde seçilir. Ek olarak, bu makale veri sınıflandırması için Gauss çekirdeği K (xi, x) = kullanır ve {2-10, 2-9, ..., 210} kümesinde çekirdek parametresi? T seçilmiştir. Her bir parametre grubu için, on kat çapraz doğrulamada 10 F değeri elde edilir ve ortalama F değeri hesaplanır. Bu yazıda en yüksek ortalama F değerine karşılık gelen parametre optimal parametre olarak alınmış ve buna göre önyargı destek vektör makinesinin modeli belirlenmiştir.
2.3 Deneysel sonuçlar
Verilerin eksik değerleri sıfırlarla doldurulduktan ve PCA boyut azaltma işlemi MATLAB yazılımı ile gerçekleştirildikten sonra elde edilen eğitim örnekleri Tablo 1'de gösterilmiştir. Bunlar arasında, # pozitif örnek, anormal katılım verisi miktarını, # negatif örnek, normal katılım verisinin miktarını, # özellik, PCA boyutsallığının azaltılmasından sonraki katılım verilerinin veri boyutunu, # eğitim (% 80), verilerin% 80'inin eğitim verisi olarak rastgele alınması anlamına gelir Test verisi sayısı, #Test (% 20), test verisi sayısını temsil eder. Tablo 1'den, veri boyutluluğunun azaltılmasından sonra, örneklemin öznitelik sayısının 600'den 7-8 boyuta önemli ölçüde düştüğü, bu da toplanan akım değerlerinin çoğunun gereksiz olduğunu ve hiçbir ayrım olmadığını ve Pratik.
100 kez deneysel işlemden sonra, Tablo 2 ve Tablo 3'te gösterildiği gibi, W1902 # ve W1904 # katılım tespitinin ortalama geri çağırma, kesinlik ve F değeri elde edildi. Tablo 2, W1902 # katılımının geri çağırma oranının 0,98'in üzerinde ve ortalama F değerinin 0,94'ün üzerinde olduğunu göstermektedir.
Tablo 3, W1904'ün mükemmel etkisini göstermektedir, ortalama geri çağırma oranı% 100'e kadar yüksektir, yani bu makaledeki önyargı-SVM akıllı tanıyıcı hatalı kesintileri doğru bir şekilde tespit edebilir.
3 Sonuç
Bu makale bir demiryolu akıllı algılama sistemi önermektedir.Sistem, veri ön işleme, özellik seçimi, SVM modelleme ve performans değerlendirme standart tasarımı hakkında ayrıntılı araştırma yapmıştır.Son olarak, Guangzhou Zhongcun İstasyonu'nun katılım akım verilerini kullanır. Simülasyon deneyleri için MATLAB yazılımı. Deneysel sonuçlar, akıllı sistemin güçlü bir genelleme yeteneğine sahip olduğunu, yani ortam karmaşık olduğunda ve değiştiğinde ve çalışma süresinin 0,04 sn olduğu ve gerçek zamanlı gereksinimleri karşıladığında hala yüksek bir algılama etkisine sahip olduğunu göstermektedir.
Referanslar
Çin Halk Cumhuriyeti Demiryolları Bakanlığı. Bazı demiryolu trafik kazaları vakaları. Pekin: Çin Demiryolu Basını, 1999.
Xing Yulong, Zhao Huibing, Tian Jian. Katılım işletim akımı eğrisinin özellik çıkarma yöntemi ve katılım hatası teşhis yöntemi: Çin, CN105260595B
.2017-03-15.
Wang Siming, Lei Ye.LS-SVM'ye dayalı bir anahtar kontrol devresi arıza teşhisi Lanzhou Jiaotong Üniversitesi Dergisi, 2010, 29 (4): 1-5.
Guan Qiong. FOA-LSSVM'ye dayalı yüksek hızlı demiryolu anahtarı arıza teşhisi Bilim ve Teknoloji Bülteni, 2015, 31 (4): 230-232.
Zhong Zhiwang, Tang Tao, Wang Feng.PLSA ve SVM'ye dayalı olarak özellik çıkarma ve katılım hatası tanı yöntemi üzerine araştırma.Çin Demiryolu Topluluğu Dergisi, 2018, 40 (7): 80-87.
DIEGO J, PEDREGALA FP, GARCIA F S. RCM2, gözlemlenmemiş bileşen modellerine dayalı demiryolu sistemlerinin tahmini bakımı.
GARCIA M F, SCHMID F, CONDE J. Uzaktan durum izleme kullanan aşınma değerlendirmesi: bir vaka incelemesi Wear, 2003, 255 (7): 1209-1220.
KARL P. Temel bileşen analizi.Kemometri ve Akıllı Laboratuvar Sistemleri, 1987, 2 (1): 37-52.
CORTES C, VAPNIK V. Destek-vektör ağı Makine Öğrenimi, 1995, 20: 273-297.
KE T, JING L, LV H, ve diğerleri.Olumlu ve etiketlenmemiş örneklerden küresel ve yerel öğrenme.
Deng Naiyang, Tian Yingjie Destek Vektör Makinesi Teorisi, Algoritma ve Genişletme. Pekin: Science Press, 2009.
yazar bilgileri:
Ke Ting1, Ge Xuechun2, Zhang Lidong1, Lu Hui1
(1. Tianjin Bilim ve Teknoloji Üniversitesi, Tianjin 300457; 2. Beijing Huatie Information Technology Co., Ltd., Beijing 100081)
