Study on failure time series forecasting of metro automatic gate machine’s flap mechanism
-
摘要: 基于CNN+ LSTM混合神经网络构建故障时间序列预测模型,利用某型号地铁闸机扇门机构的故障数据进行实例分析,并与ARIMA、CNN和LSTM 3种单一预测模型对比。结果表明:CNN+LSTM混合神经网络模型的预测准确性较高,具有良好应用前景,研究成果可用于支持地铁闸机维修计划的制定和优化。Abstract: Based on CNN+LSTM hybrid neural network, a fault time series forecasting model was established for the flap mechanism of automatic gate machine for metro. And then a case analysis was presented based on this model by using the fault data of the flap mechanism of a certain type of automatic gate machine. By comparing this hybrid neural network model with other three single forecasting models that are ARIMA, CNN and LSTM, the results show that the accuracy of forecasting by this CNN+LSTM hybrid neural network model is higher and it has a good application prospect. The research results can be used to support the formulation and optimization of the maintenance plan for the flap mechanism of automatic gate machine.
-
Keywords:
- metro automatic gate machine /
- failure /
- neural networks /
- time series forecasting
-
如何保障运输生产安全是企业专用铁路面临的一个重要问题。企业专用铁路现有的安全管理普遍存在体系不健全,措施缺乏执行力,安全检查工作缺乏持续性和针对性,及缺乏有效技术手段支持等问题[1]。安全管理系统在城轨领域应用较为普遍,如城轨交通施工安全监控管理信息系统和运营隧道监测预警系统等[2-5],这些系统均采用地理信息系统(GIS,Geographic Information System)技术与工作流(Workflow)技术相结合的方式对异常监测、风险预警、安全评估和安全培训进行管理,取得了良好的应用效果[6]。此外,在道路交通、矿业冶金、工程建设、石油化工等领域也有相关的安全管理系统,这些系统大多侧重于视频监控和Workflow构建,不具备动态信息监控和即时管理的能力。
GIS是以地理坐标为基础,收集、管理、操作、分析及显示空间数据的信息系统[7]。本文研发的企业专用铁路生产安全管理系统以GIS和Workflow为基础,从实际需求出发,以车列高精度定位为技术内核,以移动App为即时安全管理工具,将生产监控与安全管理深度融合,与联锁、无线调车机车信号(STP)、列车运行控制记录(LKJ)、调度集中(CTC)、机车视频监控等系统打通接口,实现信息共享,发挥动态监控和即时管理作用。
1 系统架构
1.1 网络架构
系统网络依托于4G移动网络和系统专用局域网,其网络拓扑如图1所示。
(1)中心机房子网:设有差分机站接口机、接口服务机、应用服务器、数据库服务器和Web服务器。差分接口机用于接收来自实时动态(RTK,Real - Time Kinematic)差分基站的校正数据;接口服务机提供与其他计算机和生产系统的接口服务;应用服务器与Web服务器分别提供后台逻辑运算和Web访问。
(2)办公局域网:实时监控终端和设备维护终端通过办公局域网接入系统,用于监控设备状态和管理维护数据。应用客户端用于可视化监控和实现Workflow。
(3)外部网络:连接外部网络的设备可通过浏览器、移动App的方式访问系统。
1.2 技术架构
系统需要实现桌面客户端、浏览器和移动App3种方式的访问,出于统一性和可维护考虑,系统采用J2EE平台的SSM(Spring MVC+Spring+MyBatis)框架进行开发,其技术架构如图2所示。
(1)数据管理层:采用SQL Server数据库管理软件。
(2)数据持久层:采用MyBatis框架,该框架支持定制化SQL、存储过程及高级映射,可使用简单的XML或注解配置SQL语句,实现程序对象与数据库的ORM映射,将系统软件与数据库管理软件解耦,降低软件的复杂度,提高软件的可扩展性与可移植性。
(3)业务逻辑层:采用Spring框架,该框架是一个轻量级控制反转(IoC)和面向切面(AOP)的容器框架,能够提供一个统一、高效地构造整个应用的方式。
(4)Web服务层:采用Spring MVC框架。该架构是Spring面向Web项目开发的延伸产品,具备高可配置性,是典型的MVC架构解决方案。
(5)表示逻辑层:由于GIS窗口需要显示大量动、静元素,通过网页访问较为困难,所以采用符合OGC Web服务规范的开源软件GeoServer加以实现。GeoServer基于J2EE开发标准,应用Servlet和Struts框架,与Spring框架兼容性高,同时兼容网络地图服务(WMS)和网络要素服务(WFS)特性,支持广泛的GIS数据格式。利用GeoServer可以方便地发布地图数据并实现交互,允许用户对特征数据进行增删改查操作,还可以迅速在用户之间共享空间地理信息。
(6)用户层:分为桌面客户端、浏览器和Andriod移动App3种访问方式,分别采用WinForm、JSP和Android Studio技术进行开发,3种方式使用同一数据服务,但有不同的布局和权限,其中,基于WinForm的桌面客户端具备完整的显示和操作功能。
2 功能介绍
系统分为动态监控、设备安全管理、安全事件管理、人员管理、安全教育、权限管理6个基本功能模块,如图3所示。动态监控模块是系统的核心。
2.1 动态监控
(1)GIS动态监控:显示企业专用铁路全线平面图。其中,静态元素包括:铁轨、供电设施、信号设备、土挡、尽头线、标志性建筑等;动态元素包括:机车、车辆,及调车计划、施工活动、装卸作业、巡道活动等事务信息和预警信息。
(2)实时车站联锁:展示机车运行轨迹、现车分布、调车计划、货物装卸信息,功能界面如图4所示。
(3)设备生产安全提示:展示机车、车辆、道口、道岔、信号机、轨道区段、车号识别等设备的工作状态和检修信息;展示道口报警、线路天窗、机车超速、冒进、线路施工、用户发现并上传的安全事件文本描述或图片。
(4)安全活动监控:用于实时监控巡道、巡检人员的活动轨迹。
2.2 设备安全管理
(1)设备分布图:包括电务图、施工图、线路图、隐蔽设施分布图、设备图、综合图等。其中信号机、道岔实物在GIS地图中具备真实坐标。
(2)维护检修资料:录入日常检查检修工作记录,通过工作日志自动生成周、月汇总,形成单项设备检修历史记录。
(3)检修期管理:按照检修记录及已录入的检修周期,形成检修周期管理,系统自动提示和记录。
(4)设备信息维护:可以对设备基础信息进行修改。
2.3 安全事件管理
该模块用于处置安全事件。用户在移动App上用文字描述、位置定位和拍照的方式发起安全事件并上传至服务器。
安全管理员接收移动App上报的安全事件,按工作流程进行跟踪和处理,处理过程包括风险识别、整改和复查3个主要环节,具体流程如图5所示。
流程中,整改计划的内容包括整改人、复查人以及整改期限,对逾期未完成的要说明原因。流程结束后,系统将对事件发起人进行安全积分结算,作为激励制度的依据。
2.4 人员管理
该模块依托于手机、平板、手环等智能移动终端,包含巡检任务上报、安全事件上报和安全积分体系3个功能模块。
(1)巡检任务上报:巡检是专用铁路安全工作的一项重要内容,包括工务巡道、车务危化品巡检和电务检查。巡检工作执行不到位可能造成安全隐患。系统通过手机App定位巡检人员的行动轨迹、巡检节点扫码等技术措施,确保巡检工作切实落地。
(2)安全事件上报:工作人员在任一时间、地点发现安全隐患均可形成安全事件,上报系统。
(3)安全积分体系:安全积分是员工对企业安全产生贡献的量化指标,基于安全事件上报的情况,根据发起安全事件的价值和相关规则确定分值。
2.5 安全教育
安全教育功能包括安全资料库、安全培训、安全考试3个功能模块。
(1)安全资料库:数据来源主要包括法律法规、企业规章、设备操作规程、事故案例、培训资料等。
(2)安全培训:从资料库中选择培训内容供培训对象学习。
(3)安全考试:录入安全考试题目,考察培训对象学习的成果。在实际应用中,用于承包商、外雇员工的安全专题培训和考核。
2.6 权限管理
该模块用于系统用户的身份验证,可进行岗位权限设置、用户管理和单位管理,并具备指纹识别功能。
3 关键技术
3.1 GIS与联锁映射
(1)绘制GIS地图。利用定位仪对地形进行测绘,得到铁路沿线的经纬点集合,再参考公开的卫星图片描绘站场主要的建筑和地理特征。具体方法为:建立RTK基站,使用手持或车载定位仪沿每条铁轨的中线运动,收集RTK定位数据,导入MapGIS、MapInfo等地图工具中进行连线、绘图、标注,如图6所示。
(2)建立测绘线路与联锁区段的映射关系。将GIS线条按轨道区段(以绝缘节为界)划分成GIS线段,再用软件拆分成间隔1 m的标准经纬点集合,其数据结构示例如表1所示。
表 1 GIS线段与联锁区段映射GIS线段 子线段 经度 纬度 前距 后距 联锁区段 长度(m) GS1 GS1-001 82.307 261 43.854 586 0 145.731 1DG 56 GS1-002 82.307 273 7 43.854 584 7 1.029 144.702 GS1-003 82.307 286 4 43.854 583 4 2.058 143.673 GS1-004 82.307 299 1 43.854 582 1 3.087 142.644 GS1-005 82.307 311 8 43.854 580 8 4.116 141.615 GS1-006 82.307 324 5 43.854 579 5 5.145 140.586 GS1-007 82.307 337 2 43.854 578 2 6.174 139.557 GS1-008 82.307 349 9 43.854 576 9 7.203 138.528 …… …… …… …… …… GS1-056 82.307 934 43 43.854 552 93 54.285 91.446 注:表中坐标数据已进行保密处理 表1示例为一段名为GS1的GIS线段及其对应的联锁区段1DG。线段的实际长度为56 m,被拆分成56个点,点与点之间相隔1 m。表中记录了每个点与线段起点、终点的距离,以便判断该点在区段中所处位置和比例。
(3)映射关系建立后,将车载定位单元上传的定位点与GS1标准点集进行比对,选取相距最近的标准点作为实际定位点的替代值,转换为屏幕坐标,填充机车图标形成动态运动显示。
3.2 车列定位及校正
卫星定位受到环境、天气和地形条件影响,不可避免会存在定位漂移的问题,即使是高精度RTK定位在信号遮挡区或线路密集区也容产生较大误差。机车定位的准确度关系到行车安全,需采取多种定位手段对卫星定位进行校正。可用方案有联锁进路信息校正和地面信标校正。本系统采用在联锁覆盖区域运用进路信息校正技术,在非联锁区域的重要地点(道岔、尽头线、停车点等)加设地面信标的方式实现定位校正。
仅对机车头进行定位并不能满足安全管理需要,对车尾和车列所在位置的推算也十分重要,通常情况下,使用没有严格写实的调车计划获取车辆换长数据进行计算有可能产生较大误差。本文采用从调车计划获取车辆换长数据计算车长[8],结合速度积分车长算法验证的方案。具体实现过程为:(1)从铁路运输管理信息系统(TMIS)的调车计划中获取计划车数及各车辆的换长数据,计算出计划车长;(2)根据速度积分算法得出验算车长,将两者进行比对,若相差不超过3 m,则可判定车长数据正确。
速度积分计算如图7所示,其原理为:记录车列进入和出清某一联锁轨道区段的时间
$t{}_0$ 和$t{}_1$ ,同时,采集进入和出清的瞬时速度v0和v1。期间车载终端不断从车载LKJ或GYK系统采集机车当前速度,用速度对时间的积分算出总距离,加上车轴到车箱前端的距离,减去轨道区段A的长度,即可得出验算车长。4 应用情况
企业专用铁路生产安全管理系统自2019年4月在独山子石化公司上线以来,已经采集各类安全事件378次,有效安全事件86件,其中,设备设施安全隐患34件,人员不安全行为41件,其他事件11件。有效安全事件全部整改到位,并对发起人进行了相应的激励。另外,系统对站场线路、道岔、信号设备、机车等要素均已做到精确定位和展示,发挥了对运输生产的监督、监控作用。
5 结束语
本文结合安全管理理论和企业专用铁路实际需求,设计了适用于企业专用铁路的生产安全管理系统,阐述了系统的网络架构、技术架构、系统功能和关键技术,增强了对企业专用铁路生产安全的管控。目前,除发挥生产监控和安全管理作用外,系统的GIS信息和车列定位数据等信息资源仅用于展示和监控,利用不够充分,下一步将利用此类信息资源,以高可靠性车列定位和无线通信网络为基础,向安全控制领域拓展延伸,开发行车速度、距离防护、上道作业防护等行车安全控制功能。
-
表 1 故障率数据分组
组号 输入样本 期望映射 X1 0.004 311,…,0.034 483 0.004 213 X2 0.004 213,…,0.025 862 0.017 241 $ \vdots $ $ \vdots $ $ \vdots $ X61 0.107 758,…,0.129 311 0.116 379 表 2 实验环境配置
实验环境 配置 操作系统 Windows 10 CPU I7-9750H GPU RTX 2060 运行内存 16 GB 程序语言 Python 3.7.4 程序框架 Tensorflow 2.1.0 表 3 CNN+LSTM故障时间序列预测模型的参数设置
模型层 参数 Conv1D (32,5,1) Dropout 0.01 Batch Normalization - Activation relu Conv1D (32,5,1) Activation relu Maxpooling1D 1 LSTM 64 LSTM 64 Activation sigmod Flatten - Dense 32 Dense 1 表 4 4种模型预测结果准确性对比
模型名称 RMSE MAE R2 CNN+LSTM 0.024 971 0.141 886 0.73 ARIMA 0.051 942 0.164 640 0.37 CNN 0.026 694 0.145 570 0.67 LSTM 0.026 880 0.144 942 0.63 -
[1] 李立辉,田 翔,杨海东,等. 基于SVR的金融时间序列预测 [J]. 计算机工程与应用,2005(30):221-224. DOI: 10.3321/j.issn:1002-8331.2005.30.070 [2] 王 鑫,吴 际,刘 超,等. 基于LSTM循环神经网络的故障时间序列预测 [J]. 北京航空航天大学学报,2018,44(4):772-784. [3] 李勃旭. 基于ARIMA模型的地铁车门传动系统故障预测[D]. 兰州: 兰州理工大学, 2019. [4] Krishnannair S, Aldrich C. Process Monitoring and Fault Detection using Empirical Mode Decomposition and Singular Spectrum Analysis [J]. IFAC PapersOnLine, 2019, 52(14): 219-224. DOI: 10.1016/j.ifacol.2019.09.190
[5] 连光耀,吕晓明,黄考利,等. 基于最小二乘支持向量机的复杂装备故障预测模型研究 [J]. 计算机测量与控制,2011,19(5):1030-1032. [6] Chulkov A O, Nesteruk D A, Vavilov V P, et al. Optimizing input data for training an artificial neural network used for evaluating defect depth in infrared thermographic nondestructive testing [J]. Infrared Physics and Technology, 2019, 102. DOI: 10.1016/j.infrared.2019.103047
[7] 茅 飞,孔慧慧,李宏胜,等. 轨道交通车站闸机智能识别研究 [J]. 城市轨道交通研究,2017,20(12):123-126. [8] 徐文文,彭建平,邱春蓉. 基于支持向量回归的地铁受电弓滑板磨耗趋势预测模型研究 [J]. 铁路计算机应用,2020,29(1):77-81. DOI: 10.3969/j.issn.1005-8451.2020.01.015 [9] 李建伟,程晓卿,秦 勇,等. 基于BP神经网络的城市轨道交通车辆可靠性预测 [J]. 中南大学学报(自然科学版),2013,44(S1):42-46. [10] Hochreiter S, Schmidhuber J. Long short-term memory [J]. Neural computation, 1997, 9(8): 1735-1780. DOI: 10.1162/neco.1997.9.8.1735
[11] Zeiler M D, Fergus R. Visualizing and understanding convolutional networks[C]//European Conference on Computer Vision(ECCV). Cham, Springer, 2014: 818-833.
[12] Hooshmand A, Sharma R. Energy predictive models with limited data using transfer learning[C]//Proceedings of the Tenth ACM International Conference on Future Energy Systems(ICFES). NewYork, ACM, 2019: 12-16.
[13] Wang Q, Zheng S, Farahat A, et al. Remaining useful life estimation using functional data analysis[C]//2019 IEEE International Conference on Prognostics and Health Management (ICPHM). California, IEEE, 2019: 1-8.
-
期刊类型引用(11)
1. 邓艳,许三平,饶少臣. 基于长联大跨桥梁的梁端承托装置结构及稳定性研究. 铁道勘察. 2025(02): 129-135 . 百度学术
2. 夏海涛,谭社会,施逸群. SA60-1800型钢轨伸缩调节器健康监测研究. 铁道建筑. 2024(07): 31-37 . 百度学术
3. 令行,蒋金洲,刘晓丹,张志鹏. 钢轨伸缩调节器及梁端伸缩装置监测技术研究及应用. 铁道建筑. 2024(09): 6-10 . 百度学术
4. 高梓航,王伟华,王铁霖. 基于图像识别的大跨度铁路桥梁钢轨伸缩调节器监测系统与方法研究. 铁道建筑. 2023(08): 93-97 . 百度学术
5. 李俊刚,樊艳,李可佳,崔丽莉. 高速铁路跨海特大桥综合监测及运维管理平台方案. 铁路通信信号工程技术. 2022(05): 44-48+61 . 百度学术
6. 廉紫阳. 基于铺轨新定额的铁路轨道工程数量计算软件研发与实现. 铁路计算机应用. 2022(05): 54-59 . 本站查看
7. 张建,刘俊颖,李大成. 跨海铁路大桥长联大跨度连续梁无缝线路研究. 铁道工程学报. 2022(04): 48-53 . 百度学术
8. 时佳斌,柴雪松,王智超,刘艳芬,冯毅杰,凌烈鹏,暴学志. 轨道变形监测系统设计与应用. 铁道建筑. 2022(04): 14-17 . 百度学术
9. 张建. 杭州湾跨海铁路大桥总体设计与关键技术研究. 铁道工程学报. 2022(10): 7-12+99 . 百度学术
10. 谭社会,林超,梅琴. 高速铁路有砟轨道钢轨伸缩调节器运营状态研究. 铁道科学与工程学报. 2021(04): 837-843 . 百度学术
11. 吴克非,王森荣,尹银艳,蒋函珂. 京福高铁小半径曲线轨道底座板承载力服役状态可靠度评估. 铁道学报. 2021(08): 126-131 . 百度学术
其他类型引用(2)