列车空压机的性能检测方法、列车及存储介质与流程 专利技术说明

流体压力执行机构;一般液压技术和气动零部件的制造及其应用技术1.本发明涉及列车制动技术领域，尤其涉及一种列车空压机的性能检测方法、列车及存储介质。背景技术：2.随着越来越多的动车组投入运营，中国高铁的安全运营、日常检修维护工作将会面临巨大的挑战。安全运营与降低运维成本是中国高速列车发展状态下急需解决的问题。空气制动是列车制动系统重要组成部分，空气压缩机，简称为空压机，空压机供风是空气制动的动力来源，空压机的性能对列车安全运行具有重要影响，因此需要对空压机性能进行诊断，对空压机异常进行预警。3.空压机作为列车的供风设备持续供给压缩空气，以维持总风压力在800～950kpa。当空压机性能下降时，会导致总风压力异常，影响列车的安全运行。目前，通过统计动车组空压机打风时间，制定空压机打风时间异常的标准。当动车组运行途中，主空压机打风时间超过预设标准时进行预警。4.然而，由于故障和非故障状态下其他耗风设备的漏风也会导致总风压力异常，从而影响空压机性能判定结果，导致无法确定是空压机性能下降还是其他耗风设备漏风导致的异常。技术实现要素：5.本发明实施例提供了一种列车空压机的性能检测方法、列车及存储介质，以解决现有技术中无法对空压机的性能进行准确判定的问题。6.第一方面，本发明实施例提供了一种列车空压机的性能检测方法，包括：7.建立列车中各空压机关闭时，总风压力下降过程中耗风设备状态历史数据和对应的第一总风压力变化量之间的第一网络模型；8.建立列车中各空压机开启且正常工作时，总风压力上升过程中各空压机状态历史数据、所述第一网络模型的输出值和所述各空压机状态历史数据对应的第二总风压力变化量之间的第二网络模型；9.获取列车运行过程中各空压机开启且正常工作时，耗风设备状态实时数据和各空压机状态实时数据；10.将所述耗风设备状态实时数据输入所述第一网络模型中，得到第一输出值；将所述各空压机状态实时数据和所述第一输出值输入所述第二网络模型中，得到第二输出值；11.根据所述第二输出值和列车运行过程中的实际总风压力变化量确定所述各空压机的性能。12.在一种可能的实现方式中，所述建立列车中各空压机关闭时，总风压力下降过程中耗风设备状态历史数据和对应的第一总风压力变化量之间的第一网络模型，包括：13.获取列车中各空压机关闭时，总风压力下降过程中耗风设备状态历史数据和对应的第一总风压力变化量；14.以所述耗风设备状态历史数据为输入值，所述第一总风压力变化量为输出值训练得到第一网络模型。15.在一种可能的实现方式中，所述以所述耗风设备状态历史数据为输入值，所述第一总风压力变化量为输出值训练得到第一网络模型，包括：16.将所述耗风设备状态历史数据和对应的第一总风压力变化量作为样本集，将所述样本集按照预设比例分为训练样本集和验证样本集；17.随机产生初始权重值和初始偏差值，构建n个预设神经网络模型，n为正整数；18.分别设置所述n个预设神经网络模型中的隐含神经元数量不同，采用所述训练样本集分别训练所述n个预设神经网络模型；19.将所述验证样本集分别输入训练后得到的n个第一神经网络模型中进行验证，当验证结果满足预设条件时，确定目标隐含神经元数量；20.以所述目标隐含神经元数量构建m个预设神经网络模型中，m为正整数；21.随机产生m组变量，每组变量包括一组权重值和一组偏差值，采用所述训练样本集训练分别训练所述m个预设神经网络模型；22.将所述验证样本分别输入训练后的m个第二神经网络模型中进行验证，当验证结果满足第二预设条件时，确定目标权重值和目标偏差值；23.选择以所述目标隐含神经元数量、所述目标初始权重值和所述目标初始偏差值构建训练得到的预设神经网络模型，得到第一网络模型。24.在一种可能的实现方式中，所述将所述验证样本集分别输入训练后得到的n个第一神经网络模型中进行验证，当验证结果满足预设条件时，确定目标隐含神经元数量，包括：25.将所述验证样本集分别输入训练后得到的n个第一神经网络模型中，计算得到对应的n个第一平均绝对误差；26.当两个第一神经网络模型中，对应的隐含神经元数量增加，对应的第一平均绝对误差减少且减小值在预设范围内，确定所述两个第一神经网络中数量最少的隐含神经元数据为目标隐含神经元数量；27.将所述验证样本分别输入训练后的m个第二神经网络模型中进行验证，当验证结果满足第二预设条件时，确定目标权重值和目标偏差值，包括：28.将所述验证样本分别输入训练后的m个第二神经网络模型，计算得到m个第二平均绝对误差值；29.以每组变量为输入，以平均绝对误差值为评价值，根据每个平均绝对误差值和对应的每组变量进行遗传算法计算，确定最优的一组变量，将所述最优的一组变量作为目标权重值和目标偏差值。30.在一种可能的实现方式中，所述建立列车中各空压机开启且正常工作时，总风压力上升过程中各空压机状态历史数据、所述第一网络模型的输出值和所述各空压机状态历史数据对应的第二总风压力变化量之间的第二网络模型，包括：31.获取列车中各空压机开启且正常工作时，总风压力上升过程中各空压机状态历史数据和对应的第二总风压力变化量；32.以所述各空压机状态历史数据、所述第一网络模型的输出值为输入值，所述第二总风压力变化量为输出值，训练得到第二网络模型。33.在一种可能的实现方式中，在所述建立列车中各空压机关闭时，总风压力下降过程中耗风设备状态历史数据和对应的第一总风压力变化量之间的第一网络模型之后，还包括：34.获取列车运行过程中，各空压机未开启时总风压力下降过程中耗风设备状态实时数据和总风压力实时变化量；35.以所述耗风设备状态实时数据为输入值，所述总风压力实时变化量为输出值更新所述第一网络模型；36.所述将所述耗风设备状态实时数据输入所述第一网络模型中，得到第一输出值，包括：37.将所述耗风设备状态实时数据输入更新后的第一网络模型中，得到第一输出值。38.在一种可能的实现方式中，所述根据所述第二输出值和列车运行过程中的实际总风压力变化量确定所述各空压机的性能，包括：39.获取预设t个采样周期内所述第二网络模型输出的t个第二输出值，其中t为正整数；40.获取预设t个采样周期内列车运行过程中各空压机开启且正常工作时对应的t个实际总风压力变化量；41.计算所述t个第二输出值和所述t个实际总风压力变化量之间的均方误差值；42.根据所述均方误差值的变化确定各空压机的性能。43.在一种可能的实现方式中，所述根据所述均方误差值的变化确定各空压机的性能，包括：44.根据所述均方误差值和均方误差标准值，计算评价指标；45.根据所述评价指标确定各空压机的性能。46.第二方面，本发明实施例提供了一种列车，所述列车包括电子设备，所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述的列车空压机的性能检测方法的步骤。47.第三方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述的列车空压机的性能检测方法的步骤。48.本发明实施例提供一种列车空压机的性能检测方法、列车及存储介质，通过采用空压机不同状态下的历史数据建立第一网络模型和第二网络模型，从而将列车运行过程中实时采集的数据输入两个网络模型中得到空压机的性能，较现有技术中仅通过统计空压机的打风时间确定空压机的性能的判定方式更加准确，实现列车空压机性能预警和预防性维修，提高车辆的运营品质、运营效率和运行安全性。附图说明49.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。50.图1是本发明实施例提供的一种列车空压机的性能检测方法的实现流程图；51.图2是本发明实施例提供的建立第一网络模型的实现流程图；52.图3是本发明实施例提供的第一总风压力变化值与时间关系的示意图；53.图4是本发明实施例提供的第一网络模型的输出值与实际总风压力变化值的关系示意图；54.图5是本发明实施例提供的第二总风压力变化值与时间关系的示意图；55.图6是本发明实施例提供的第二网络模型的输出值与实际总风压力变化值的关系示意图；56.图7是本发明实施例提供的一种列车空压机的性能检测装置的结构示意图；57.图8是本发明实施例提供的电子设备的示意图。具体实施方式58.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。59.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。60.图1为本发明实施例提供的一种列车空压机的性能检测方法的实现流程图，详述如下：61.步骤101，建立列车中各空压机关闭时，总风压力下降过程中耗风设备状态历史数据和对应的第一总风压力变化量之间的第一网络模型。62.为了研究空压机性能下降时的特征，排除其他耗风设备的影响，首先需要建立各耗风设备的耗风模型，因此，采用步骤101的方式建立第一网络模型。63.在一实施例中，参见图2，建立列车中各空压机关闭时，总风压力下降过程中耗风设备状态历史数据和对应的第一总风压力变化量之间的第一网络模型，可以包括：64.步骤201，获取列车中各空压机关闭时，总风压力下降过程中耗风设备状态历史数据和对应的第一总风压力变化量。65.参见图3，粗线框标注数据为历史数据中空压机关闭时，总风压力下降过程中的数据。将各耗风设备的状态和下一时刻第一总风压力变化量作为一个样本，形成第一数据样本集合。第一样本集合中包含的每个样本结构为：66.[0067][0068]其中，si为一个数据样本，i为样本编号，xi为样本的输入部分，是各耗风设备的状态[k1,k2,…kn]，n表示耗风设备的数量，yi为样本的输出部分，是下一时刻的总风压力变化量δpz，m表示样本数量，s表示m个数据样本，x表示m个样本的输入部分，y表示m个样本的输出部分。[0069]需要说明的是，动车组上的耗风设备可以包括受电弓、车门、风机、进排风装置、风道、空气净化设备、空气压力波动控制装置等。[0070]步骤202，以耗风设备状态历史数据为输入值，第一总风压力变化量为输出值训练得到第一网络模型。[0071]在训练第一网络模型时，将上述样本集分为训练样本集和验证样本集，利用训练样本集对耗风设备状态与第一总风压力变化量的关系进行bp神经网络训练，得到神经网络模型。利用验证样本集对神经网络模型进行验证，并通过计算平均绝对误差(mean absolute error，mae)确定最终的目标网络模型，即第一网络模型。[0072]可选的，将耗风设备状态历史数据和对应的第一总风压力变化量作为样本集，将样本集按照预设比例分为训练样本集和验证样本集；[0073]随机产生初始权重值和初始偏差值，构建n个预设神经网络模型，n为正整数；[0074]分别设置n个预设神经网络模型中的隐含神经元数量不同，采用训练样本集分别训练n个预设神经网络模型；[0075]将验证样本集分别输入训练后得到的n个第一神经网络模型中进行验证，当验证结果满足预设条件时，确定目标隐含神经元数量；[0076]以目标隐含神经元数量构建m个预设神经网络模型，m为正整数；[0077]随机产生m组变量，每组变量包括一组权重值和一组偏差值，采用训练样本集训练分别训练m个预设神经网络模型；[0078]将验证样本分别输入训练后的m个第二神经网络模型中进行验证，当验证结果满足第二预设条件时，确定目标权重值和目标偏差值；[0079]选择以目标隐含神经元数量、目标初始权重值和目标初始偏差值构建训练得到的神经网络模型，得到第一网络模型。[0080]在一实施例中，将验证样本集分别输入训练后得到的n个第一神经网络模型中进行验证，当验证结果满足预设条件时，确定目标隐含神经元数量，包括：[0081]将验证样本集分别输入训练后得到的n个第一神经网络模型中，计算得到对应的n个第一平均绝对误差；[0082]当两个第一神经网络中，对应的隐含神经元数量增加，对应的第一平均绝对误差减少且减小值在预设范围内，确定两个第一神经网络中数量最少的隐含神经元数据为目标隐含神经元数量。[0083]例如，n为6，即6个第一神经网络模型中对应的隐含神经元数量可以分别为1，2，3…6，若两个第一神经网络模型中隐含神经元数量从4变为5，隐含神经元数量为4的第一神经网络对应的mae与隐含神经元数量为5的第一神经网络对应的mae减小了10％，而隐含神经元从5变为6，对应的mae减小1％，则选取隐含神经元数量为5。[0084]将验证样本分别输入训练后的m个第二神经网络模型中进行验证，当验证结果满足第二预设条件时，确定目标权重值和目标偏差值，包括：[0085]将验证样本分别输入训练后的m个第二神经网络模型，计算得到m个第二平均绝对误差值；[0086]以每组变量为输入，以平均绝对误差值为评价值，根据每个平均绝对误差值和对应的每组变量进行遗传算法计算，确定最优的一组变量，将最优的一组变量作为目标权重值和目标偏差值。[0087]例如，以mae作为评价函数，对随机产生的权重值和偏差值进行实数编码，对实时编码进行交叉变异等遗传算法计算，得到新一代的权重值和偏差值，经过多次迭代，得到mea最小的一组权重值和偏差值实数编码。在此确定了最小的一组权重值和偏差值实数编码对应的权重值和偏差值为目标权重值和目标偏差值。[0088]下面举例说明第一网络模型的训练过程；[0089]利用空压机未开启时的历史运行数据，以2个受电弓状态、车门状态、停放制动状态、各车的空气制动力设定值、各车空簧压力值等耗风设备状态作为输入，总风压力变化量作为输出构建样本集，将样本集分为训练样本集和验证样本集，利用训练样本集对耗风设备状态与总风压力变化量的关系进行bp神经网络训练，得到神经网络模型1。利用验证样本集对神经网络模型进行验证，并计算平均绝对误差mae。[0090]输入层神经元数为输入参数数量为28，其中包含2个受电弓状态、车门状态、停放制动状态、各车的空气制动力设定值、各车空簧压力值，输出层神经元数为1，输出为总风压力变化量，选取不同的隐含层隐含神经元数量计算mae发现，隐含神经元数量为9时相对隐含神经元数量为8时mae减少不明显，且随着隐含神经元数量增加mae减少不明显，因此隐含层神经元数量选择9。[0091]初始的权重数量为niw＝ninh+nhno＝28*8+8*1＝232；[0092]偏差数量为nib＝nh+no＝8+1＝9。[0093]对采用实数编码对niw+nib＝241个基因进行处理形成一个个体，以mae作为评价函数进行遗传算法优化，得到最优的权重值和偏差值，输入神经网络模型1得到最终的第一网络模型，第一网络模型的输出与实际总风压力变化量如图4所示，虚线曲线为模型输出，实线曲线为实际总风压力变化量。[0094]步骤102，建立列车中各空压机开启且正常工作时，总风压力上升过程中各空压机状态历史数据、第一网络模型的输出值和各空压机状态历史数据对应的第二总风压力变化量之间的第二网络模型。[0095]在第一网络模型的基础上，再建立空压机状态、第一网络模型的输出与第二总风压力变化量之间的关系模型。利用空压机正常运行且处于开启状态的历史运行数据，以各空压机状态和第一网络模型的输出为输入，第二总风压力变化量作为输出训练第二网络模型。[0096]建立列车中各空压机开启且正常工作时，总风压力上升过程中各空压机状态历史数据、第一网络模型的输出值和各空压机状态历史数据对应的第二总风压力变化量之间的第二网络模型，包括：[0097]获取列车中各空压机开启且正常工作时，总风压力上升过程中各空压机状态历史数据和对应的第二总风压力变化量；参见图5，粗线框中标注数据即为各空压机开启且正常工作时，总风压力上升过程中对应的第二总风压力变化量。[0098]将各空压机状态、第一网络模型的输出值和第二总风压力变化量作为一个样本，形成第二数据样本集合，第二数据样本集合中包含的每个样本结构为[0099][0100][0101]其中，si为一个数据样本，i为样本编号，xi为样本的输入部分，是各耗风设备的状态[k1,k2,…kn]和第一网络模型的输出值v0，n表示耗风设备的数量，yi为样本的输出部分，是下一时刻的总风压力变化量δpz，m表示样本数量，s表示m个数据样本，x表示m个样本的输入部分，y表示m个样本的输出部分。[0102]以各空压机状态历史数据、第一网络模型的输出值为输入值，第二总风压力变化量为输出值，训练得到第二网络模型。[0103]将第二数据样本集合分为训练样本集和验证样本集，利用训练样本集对各空压机状态、第一网络模型的输出值与第二总风压力变化量的关系进行bp神经网络训练，得到第二神经网络模型。利用验证样本集对第二神经网络模型进行验证，并计算平均绝对误差mae。利用与第一网络模型训练中相同的方法确定隐含神经元数量、最优初始权重值和偏差，对第二神经网络模型进行训练得到最终的第二网络模型，并记录验证样本集的均方误差，作为评估列车运行过程中空压机性能的一个基准。需要说明的是，训练第二网络模型的方式与训练第一网络模型的方式相同，在此不再一一赘述。[0104]举例说明：[0105]利用空压机正常运行且处于开启状态的历史运行数据，以2个空压机状态和第一网络模型输出为输入构建样本集，将样本集分为训练样本集和验证样本集，利用训练样本集对2个空压机状态、第一网络模型输出值与第二总风压力变化量的关系进行bp神经网络训练，得到神经网络模型2。利用验证样本集对神经网络模型进行验证，并计算平均绝对误差mae。[0106]输入层神经元数为输入参数数量3，包含2个空压机状态和第一网络模型的输出值，输出层神经元数为1，输出为总风压力变化量，选取不同的隐含层隐含神经元数量计算mae发现，隐含层隐含神经元数量为4时相对隐含层神经元数量为3时mae减少不明显，且随着隐含层神经元数量的增加mae减少不明显，因此隐含层神经元数量选择3。[0107]初始权重数量niw＝ninh+nhno＝3*3+3*1＝12；[0108]初始偏差数量nib＝nh+no＝3+1＝4；[0109]对采用实数编码对niw+nib＝16个基因进行处理形成一个个体，以mae作为评价函数进行遗传算法优化，得到最优的初始权重值和偏差，输入神经网络模型2得到最终的第二网络模型，第二网络模型的输出与实际总风压力变化量如图6所示，虚线曲线为模型输出，实线曲线为实际总风压力变化量。[0110]步骤103，获取列车运行过程中各空压机开启且正常工作时，耗风设备状态实时数据和各空压机状态实时数据。[0111]训练完成第一网络模型和第二网络模型后，即可采用第一网络模型和第二网络模型对列车实际运行中的数据进行检测，从而确定空压机的性能。[0112]步骤104，将耗风设备状态实时数据输入第一网络模型中，得到第一输出值；将各空压机状态实时数据和第一输出值输入第二网络模型中，得到第二输出值。[0113]在列车运行过程中，由于各耗风设备的状况会发生变化或者发生故障，如耗风设备堵塞或耗风设备漏风等，各耗风设备状态历史数据与第一总风压力变化量之间的第一网络模型会发生变化，因此在列车运行过程中，利用空压机未开启时的数据形成新的样本集，对第一网络模型进行实时的更新训练，保证第一网络模型在耗风设备状况发生变化或故障的情况下依然保持准确。[0114]在一实施例中，在建立列车中各空压机关闭时，总风压力下降过程中耗风设备状态历史数据和对应的第一总风压力变化量之间的第一网络模型之后，还包括：[0115]获取列车运行过程中，各空压机未开启时总风压力下降过程中耗风设备状态实时数据和总风压力实时变化量；[0116]以耗风设备状态实时数据为输入值，总风压力实时变化量为输出值更新第一网络模型；[0117]可选的，将耗风设备状态实时数据输入第一网络模型中，得到第一输出值，包括：[0118]将耗风设备状态实时数据输入更新后的第一网络模型中，得到第一输出值。[0119]步骤105，根据第二输出值和列车运行过程中的实际总风压力变化量确定各空压机的性能。[0120]可选的，根据第二输出值和列车运行过程中的实际总风压力变化量确定各空压机的性能，包括：[0121]获取预设t个采样周期内第二网络模型输出的t个第二输出值，其中t为正整数；例如，第二网络模型输出的t个第二输出值可以为[v2o1,v2o2,…v2ot]；[0122]获取预设t个采样周期内列车运行过程中各空压机开启且正常工作时对应的t个实际总风压力变化量；例如，t个实际总风压力变化量可以为[δp1,δp2,…δpt]；[0123]计算t个第二输出值和t个实际总风压力变化量之间的均方误差值；可选的，采用计算t个第二输出值和t个实际总风压力变化量之间的均方误差值，其中，s表示计算得到的均方误差值。[0124]根据均方误差值的变化确定各空压机的性能。[0125]可选的，根据均方误差值的变化确定各空压机的性能，包括：[0126]根据均方误差值和均方误差标准值，计算评价指标；[0127]根据评价指标确定各空压机的性能。[0128]根据均方误差值计算得到评价指标其中，s0表示标准均方误差值。在列车运行过程随着空压机性能的变差，实际列车总风压力变化量与空压机状态、第一网络模型输出值之间的关系发生变化，与第二网络模型的偏差变大，导致均方误差值逐渐变大。因此理论上q＝1说明空压机性能最好，因此在q≤1时，随着q越接近于1说明空压机的性能越好；q越小说明空压机性能越差，因此当q小于预设值时，例如当q小于1/10～1/20时，说明均方误差是原来的10-20倍，空压机性能明显下降，对空压机性能进行预警。[0129]本发明实施例通过建立列车中各空压机关闭时，总风压力下降过程中耗风设备状态历史数据和对应的第一总风压力变化量之间的第一网络模型；建立列车中各空压机开启且正常工作时，总风压力上升过程中各空压机状态历史数据、第一网络模型的输出值和各空压机状态历史数据对应的第二总风压力变化量之间的第二网络模型；获取列车运行过程中各空压机开启且正常工作时，耗风设备状态实时数据和各空压机状态实时数据；将耗风设备状态实时数据输入第一网络模型中，得到第一输出值；将各空压机状态实时数据和第一输出值输入第二网络模型中，得到第二输出值；根据第二输出值和列车运行过程中的实际总风压力变化量确定各空压机的性能。本发明实施例采用空压机不同状态下的历史数据建立第一网络模型和第二网络模型，从而将列车运行过程中实时采集的数据输入两个网络模型中得到空压机的性能，较现有技术中仅通过统计空压机的打风时间确定空压机的性能的判定方式更加准确，实现列车空压机性能预警和预防性维修，提高车辆的运营品质、运营效率和运行安全性。另外，在建立第一网络模型后根据，根据列车运行过程中采集的实时数据更新第一网络模型，从而可以在空压机故障或非故障状态下，能够更准确体现运行过程中各耗风设备故障对总风压力变化值的影响，从而获得更准确的空压机性能判定结果。[0130]应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。[0131]以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。[0132]图7示出了本发明实施例提供的一种列车空压机的性能检测装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：[0133]如图7所示，一种列车空压机的性能检测装置7包括：模型建立模块71、获取模块72和计算模块73。[0134]模型建立模块71，用于建立列车中各空压机关闭时，总风压力下降过程中耗风设备状态历史数据和对应的第一总风压力变化量之间的第一网络模型；[0135]模型建立模块71，还用于建立列车中各空压机开启且正常工作时，总风压力上升过程中各空压机状态历史数据、第一网络模型的输出值和各空压机状态历史数据对应的第二总风压力变化量之间的第二网络模型；[0136]获取模块72，用于获取列车运行过程中各空压机开启且正常工作时，耗风设备状态实时数据和各空压机状态实时数据；[0137]计算模块73，用于将耗风设备状态实时数据输入第一网络模型中，得到第一输出值；将各空压机状态实时数据和第一输出值输入第二网络模型中，得到第二输出值；[0138]计算模块73，还用于根据第二输出值和列车运行过程中的实际总风压力变化量确定各空压机的性能。[0139]在一种可能的实现方式中，模型建立模块71建立列车中各空压机关闭时，总风压力下降过程中耗风设备状态历史数据和对应的第一总风压力变化量之间的第一网络模型时，用于：[0140]获取列车中各空压机关闭时，总风压力下降过程中耗风设备状态历史数据和对应的第一总风压力变化量；[0141]以耗风设备状态历史数据为输入值，第一总风压力变化量为输出值训练得到第一网络模型。[0142]在一种可能的实现方式中，模型建立模块71以耗风设备状态历史数据为输入值，第一总风压力变化量为输出值训练得到第一网络模型时，用于：[0143]将耗风设备状态历史数据和对应的第一总风压力变化量作为样本集，将样本集按照预设比例分为训练样本集和验证样本集；[0144]随机产生初始权重值和初始偏差值，构建n个预设神经网络模型，n为正整数；[0145]分别设置n个预设神经网络模型中的隐含神经元数量不同，采用训练样本集分别训练n个预设神经网络模型；[0146]将验证样本集分别输入训练后得到的n个第一神经网络模型中进行验证，当验证结果满足预设条件时，确定目标隐含神经元数量；[0147]以目标隐含神经元数量构建m个预设神经网络模型，m为正整数；[0148]随机产生m组变量，每组变量包括一组权重值和一组偏差值，采用训练样本集训练分别训练m个预设神经网络模型；[0149]将验证样本分别输入训练后的m个第二神经网络模型中进行验证，当验证结果满足第二预设条件时，确定目标权重值和目标偏差值；[0150]选择以目标隐含神经元数量、目标初始权重值和目标初始偏差值构建训练得到的神经网络模型，得到第一网络模型。[0151]在一种可能的实现方式中，模型建立模块71将验证样本集分别输入训练后得到的n个第一神经网络模型中进行验证，当验证结果满足预设条件时，确定目标隐含神经元数量时，用于：[0152]将验证样本集分别输入训练后得到的n个第一神经网络模型中，计算得到对应的n个第一平均绝对误差；[0153]当两个第一神经网络模型中，对应的隐含神经元数量增加，对应的第一平均绝对误差减少且减小值在预设范围内，确定两个第一神经网络中数量最少的隐含神经元数据为目标隐含神经元数量；[0154]模型建立模块71将验证样本分别输入训练后的m个第二神经网络模型中进行验证，当验证结果满足第二预设条件时，确定目标权重值和目标偏差值时，用于：[0155]将验证样本分别输入训练后的m个第二神经网络模型，计算得到m个第二平均绝对误差值；[0156]以每组变量为输入，以平均绝对误差值为评价值，根据每个平均绝对误差值和对应的每组变量进行遗传算法计算，确定最优的一组变量，将最优的一组变量作为目标权重值和目标偏差值。[0157]在一种可能的实现方式中，模型建立模块71建立列车中各空压机开启且正常工作时，总风压力上升过程中各空压机状态历史数据、第一网络模型的输出值和各空压机状态历史数据对应的第二总风压力变化量之间的第二网络模型时，用于：[0158]获取列车中各空压机开启且正常工作时，总风压力上升过程中各空压机状态历史数据和对应的第二总风压力变化量；[0159]以各空压机状态历史数据、第一网络模型的输出值为输入值，第二总风压力变化量为输出值，训练得到第二网络模型。[0160]在一种可能的实现方式中，模型建立模块71在建立列车中各空压机关闭时，总风压力下降过程中耗风设备状态历史数据和对应的第一总风压力变化量之间的第一网络模型之后，还用于：[0161]获取列车运行过程中，各空压机未开启时总风压力下降过程中耗风设备状态实时数据和总风压力实时变化量；[0162]以耗风设备状态实时数据为输入值，总风压力实时变化量为输出值更新第一网络模型；[0163]将耗风设备状态实时数据输入第一网络模型中，得到第一输出值，包括：[0164]将耗风设备状态实时数据输入更新后的第一网络模型中，得到第一输出值。[0165]在一种可能的实现方式中，计算模块73根据第二输出值和列车运行过程中的实际总风压力变化量确定各空压机的性能时，用于：[0166]获取预设t个采样周期内第二网络模型输出的t个第二输出值，其中t为正整数；[0167]获取预设t个采样周期内列车运行过程中各空压机开启且正常工作时对应的t个实际总风压力变化量；[0168]计算t个第二输出值和t个实际总风压力变化量之间的均方误差值；[0169]根据均方误差值的变化确定各空压机的性能。[0170]在一种可能的实现方式中，计算模块73根据均方误差值的变化确定各空压机的性能时，用于：[0171]根据均方误差值和均方误差标准值，计算评价指标；[0172]根据评价指标确定各空压机的性能。[0173]上述列车空压机的性能检测装置，通过模型建立模块建立列车中各空压机关闭时，总风压力下降过程中耗风设备状态历史数据和对应的第一总风压力变化量之间的第一网络模型，以及模型建立模块建立列车中各空压机开启且正常工作时，总风压力上升过程中各空压机状态历史数据、第一网络模型的输出值和各空压机状态历史数据对应的第二总风压力变化量之间的第二网络模型；获取模块获取列车运行过程中各空压机开启且正常工作时，耗风设备状态实时数据和各空压机状态实时数据；计算模块将耗风设备状态实时数据输入第一网络模型中，得到第一输出值，以及将各空压机状态实时数据和第一输出值输入第二网络模型中，得到第二输出值，再根据第二输出值和列车运行过程中的实际总风压力变化量确定各空压机的性能。本发明实施例采用空压机不同状态下的历史数据建立第一网络模型和第二网络模型，从而将列车运行过程中实时采集的数据输入两个网络模型中得到空压机的性能，较现有技术中仅通过统计空压机的打风时间确定空压机的性能的判定方式更加准确，实现列车空压机性能预警和预防性维修，提高车辆的运营品质、运营效率和运行安全性。另外，在建立第一网络模型后根据，根据列车运行过程中采集的实时数据更新第一网络模型，从而可以在空压机故障或非故障状态下，能够更准确体现运行过程中各耗风设备故障对总风压力变化值的影响，从而获得更准确的空压机性能判定结果。[0174]本发明实施例提供一种列车，包括电子设备，如图8所示，该实施例的电子设备8包括：处理器80、存储器81以及存储在存储器81中并可在处理器80上运行的计算机程序82。处理器80执行计算机程序82时实现上述各个列车空压机的性能检测方法实施例中的步骤，例如图1所示的步骤101至步骤105。或者，处理器80执行计算机程序82时实现上述各装置实施例中各模块/单元的功能，例如图7所示模块/单元71至73的功能。[0175]示例性的，计算机程序82可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器81中，并由处理器80执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序82在电子设备8中的执行过程。例如，计算机程序82可以被分割成图7所示的模块/单元71至73。[0176]所述电子设备8可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是电子设备8的示例，并不构成对电子设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。[0177]所称处理器80可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。[0178]所述存储器81可以是所述电子设备8的内部存储单元，例如电子设备8的硬盘或内存。所述存储器81也可以是所述电子设备8的外部存储设备，例如所述电子设备8上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器81还可以既包括所述电子设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。[0179]所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。[0180]在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。[0181]本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。[0182]在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。[0183]所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。[0184]另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。[0185]所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个列车空压机的性能检测方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。[0186]以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!