针对道岔转辙设备故障频发,且工作人员无法准确评估及预测其健康状态的问题,进行结合SOM-LSTM混合神经网络的道岔转辙设备健康状态评估及预测方法研究。首先,依据道岔动作功率曲线特点分三段提取其时域特征参数,利用自组织映射神经网络(...针对道岔转辙设备故障频发,且工作人员无法准确评估及预测其健康状态的问题,进行结合SOM-LSTM混合神经网络的道岔转辙设备健康状态评估及预测方法研究。首先,依据道岔动作功率曲线特点分三段提取其时域特征参数,利用自组织映射神经网络(Self organizing map,SOM)中最小量化误差求解道岔转辙设备健康因子(Health index,HI);其次,运用长短时记忆神经网络(Long short term memory,LSTM)算法预测道岔转辙设备后续健康因子曲线;最后,利用现场采集数据,对算法的有效性进行验证。实验结果表明:SOM方法可有效追踪道岔转辙设备健康状态变化规律,实现对健康因子的快速准确计算;相较于误差反向传播神经网络(Back propagation,BP神经网络)和循环神经网络(Recurrent neural network,RNN神经网络),LSTM算法预测效果较好,准确度提升,对道岔转辙设备的健康管理具有一定的指导意义。展开更多
文摘针对道岔转辙设备故障频发,且工作人员无法准确评估及预测其健康状态的问题,进行结合SOM-LSTM混合神经网络的道岔转辙设备健康状态评估及预测方法研究。首先,依据道岔动作功率曲线特点分三段提取其时域特征参数,利用自组织映射神经网络(Self organizing map,SOM)中最小量化误差求解道岔转辙设备健康因子(Health index,HI);其次,运用长短时记忆神经网络(Long short term memory,LSTM)算法预测道岔转辙设备后续健康因子曲线;最后,利用现场采集数据,对算法的有效性进行验证。实验结果表明:SOM方法可有效追踪道岔转辙设备健康状态变化规律,实现对健康因子的快速准确计算;相较于误差反向传播神经网络(Back propagation,BP神经网络)和循环神经网络(Recurrent neural network,RNN神经网络),LSTM算法预测效果较好,准确度提升,对道岔转辙设备的健康管理具有一定的指导意义。