CN110220725B - 一种基于深度学习与bp集成的地铁车轮健康状态预测方法 - Google Patents
一种基于深度学习与bp集成的地铁车轮健康状态预测方法 Download PDFInfo
- Publication number
- CN110220725B CN110220725B CN201910461363.8A CN201910461363A CN110220725B CN 110220725 B CN110220725 B CN 110220725B CN 201910461363 A CN201910461363 A CN 201910461363A CN 110220725 B CN110220725 B CN 110220725B
- Authority
- CN
- China
- Prior art keywords
- network
- model
- fusion
- dbn
- rnn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/08—Railway vehicles
- G01M17/10—Suspensions, axles or wheels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于深度学习与BP集成的地铁车轮健康状态预测方法,该方法首先利用深度学习强大的表征能力和BP神经网络较优的预测能力进行模型融合,将深度学习方法DBN、RNN、LSTM与BP神经网络进行融合得到融合模型;然后分别训练三种融合模型,每个融合模型都会得到一个预测结果,将预测结果作为新的BP神经网络的输入,比较BP输出与实际值间的误差学习新的BP神经网络的参数,实现3个融合模型的集成。实际使用时,先将数据分别输入3个融合模型,再将3个融合模型的输出值输入到新的BP神经网络,得到最终的预测结果。本发明综合了集成模型具有更好的鲁棒性特点,对地铁车轮健康预测具有良好的准确性。
Description
技术领域
本发明涉及地铁车轮健康状态预测方法,特别是涉及DBN网络、RNN循环神经网络、LSTM网络和BP神经网络集成的地铁车轮健康状态预测方法,属于地铁轨道交通技术领域。
背景技术
地下轨道交通是城市轨道交通的一种,它具备运行速度快、载客量大、连续服务、频繁加速刹车的特点。当车辆在钢轨上运行时,车轮的轮缘和踏面因为磨耗容易发生形状异常情况,使得轮轨匹配关系恶化,若不及时发现与维修处理,将可能造成列车晚点,甚至导致严重的生命和财产损失。
针对地铁车轮的健康状态预测问题,目前传统的神经网络方法已在数据预测上取得不错的进展,例如马凯凯等人在中小河流智能洪水预报和崔东文等人在湖库总磷总氮浓度预测中都利用其中的BP神经网络、RBF神经网络和ELM极限学习机进行研究,同时也在各自领域对比分析这些方法的预测效果。
但是传统神经网络对反映地铁车轮健康状态的关键参数指标进行数据预测时,预测结果不精确。而深度学习相较于传统神经网络有着更为理想的数据预测能力,且其已在设备状态预测上取得不错的应用:其中张国辉利用DBN(深度置信网络)和RVM的融合算法对锂电池寿命进行预测;胡昕通过RNN(循环神经网络)实现对未来网络安全变化趋势的预测;兰云龙使用LSTM(长短期记忆网络)完成对磁盘的健康的评估和预测,Liu等人利用SAE-BP融合模型在洪水预报中相较于单个网络模型预测效果取得优异的提升。但是,研究发现深度学习单个网络模型往往不能达到良好的预测结果,同时,单一的网络模型容易陷入传统的固有的陷阱且单个模型鲁棒性不强。
发明内容
本发明所要解决的技术问题是:提供一种基于深度学习与BP集成的地铁车轮健康状态预测方法,构建DBN-BP、RNN-BP、LSTM-BP融合模型,再集成三种融合模型,为地铁健康预测问题提供了一种可靠的、鲁棒性更好的模型。
本发明为解决上述技术问题采用以下技术方案:
一种基于深度学习与BP集成的地铁车轮健康状态预测方法,包括如下步骤:
步骤1,获取地铁车轮每一天的关键参数指标数据,包括轮缘综合值、轮缘高度值、轮缘厚度值及踏面磨耗值,每个关键参数指标数据都从中选取N条数据(xi,yi)作为训练样本,i=1,2,…,N,其中,表示某一天以及该天之前的D-1天关键参数指标数据的特征向量,将某一天记为第D天,yi表示该天之后的第M天地铁车轮数据的实际值,M>D;
步骤2,将深度学习方法的三个模型DBN、RNN、LSTM分别与BP神经网络进行融合,得到三个融合模型DBN-BP、RNN-BP、LSTM-BP,利用步骤1的训练样本对三个融合模型进行训练,得到优化后的融合模型,将xi作为优化后的融合模型的输入,得到一个预测结果;
步骤3,将三个优化后的融合模型的预测结果作为新的BP神经网络的输入,训练新的BP神经网络,将新的BP神经网络的输出值与实际值进行误差比较,并学习新的BP神经网络的参数,得到优化后的集成模型;
步骤4,根据步骤1-步骤3,每个关键参数指标数据都对应一个优化后的集成模型,使用优化后的集成模型对其对应的关键参数指标数据进行预测,并根据关键参数指标数据的健康标准范围,判断集成模型的预测结果是否在健康标准范围之内,当所有关键参数指标数据的预测结果都在健康标准范围之内时,输出地铁车轮处于健康状态,否则为不健康状态。
作为本发明的一种优选方案,步骤2所述融合模型DBN-BP的融合过程如下:
1)在DBN网络最顶层的RBM上方添加一层BP神经网络,构成DBN-BP网络;
2)随机初始化DBN网络模型中的参数,并通过训练样本学习调整DBN网络模型中的参数,即将xi,yi分别作为DBN网络的输入和输出来学习网络中的参数,然后将学习好的参数整体迁移到DBN-BP网络上;
3)将xi作为DBN-BP网络的输入,得到DBN-BP网络的预测值与实际值yi进行比较,再通过反向传播算法调整优化DBN-BP网络中的参数,得到优化后的DBN-BP融合模型,其中,表示某一天以及该天之前的D-1天关键参数指标数据的特征向量。
作为本发明的一种优选方案,步骤2所述融合模型RNN-BP的融合过程如下:
1)在RNN网络的隐藏层与输出层之间加上一层BP神经网络,构成RNN-BP网络;
2)随机初始化RNN网络模型中的参数,并通过训练样本学习调整RNN网络模型中的参数,即将xi,yi分别作为RNN网络的输入和输出来学习网络中的参数,然后将学习好的参数整体迁移到RNN-BP网络上;
3)将xi作为RNN-BP网络的输入,得到RNN-BP网络的预测值与实际值yi进行比较,再通过反向传播算法调整优化RNN-BP网络中的参数,得到优化后的RNN-BP融合模型,其中,表示某一天以及该天之前的D-1天关键参数指标数据的特征向量。
作为本发明的一种优选方案,步骤2所述融合模型LSTM-BP的融合过程如下:
1)在LSTM网络的隐藏层与输出层之间加上一层BP神经网络,构成LSTM–BP网络;
2)随机初始化LSTM网络模型中的参数,并通过训练样本学习调整LSTM网络模型中的参数,即将xi,yi分别作为LSTM网络的输入和输出来学习网络中的参数,然后将学习好的参数整体迁移到LSTM-BP网络上;
3)将xi作为LSTM-BP网络的输入,得到LSTM-BP网络的预测值与实际值yi进行比较,再通过反向传播算法调整优化LSTM-BP网络中的参数,得到优化后的LSTM-BP融合模型,其中,表示某一天以及该天之前的D-1天关键参数指标数据的特征向量。
作为本发明的一种优选方案,所述步骤3的具体过程为:
3.1,基于深度学习与BP集成的地铁车轮健康状态预测方法模型,就是在三种融合模型DBN-BP、RNN-BP、LSTM-BP的BP层与输出层之间添加一层新的BP神经网络;
3.2,将学习好的三种融合模型DBN-BP、RNN-BP、LSTM-BP的预测结果作为新的BP神经网络的输入向量,得到新的BP神经网络的预测值yi'与实际值yi进行比较,通过误差进行反向传播,优化新的BP神经网络参数,得到最终优化后的集成模型。
作为本发明的一种优选方案,步骤4所述关键参数指标数据的健康标准范围为:6.5mm≤轮缘综合值≤12.7mm、27.5mm≤轮缘高度值≤36mm、26mm≤轮缘厚度值≤32.5mm、踏面磨耗值≤3mm。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明构建DBN-BP、RNN-BP、LSTM-BP融合模型,再集成三种融合模型用于反映地铁车轮健康状态的关键参数指标数据预测,通过两份不同时间序列数据集的实验结果,对比分析融合模型与其对应的单个模型在预测效果上的不同,以及研究集成三种融合模型在预测性能上的差异,有效的提高模型的预测的准确性。
2、本发明通过在结合深度学习强大的表征能力和BP神经网络较优的预测能力的优点基础上,集成三种融合模型后具有更好的鲁棒性特点,提供了一种可靠的地铁部件健康预测模型,对地铁车轮健康状态的预测具有良好的准确性。
附图说明
图1是本发明一种基于深度学习与BP集成的地铁车轮健康状态预测方法的整体架构图。
图2是本发明预测方法中DBN-BP融合模型结构示意图。
图3是本发明预测方法中RNN-BP融合模型结构示意图。
图4是本发明预测方法中LSTM-BP融合模型结构示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
对于大数据集,单一的模型往往不能达到良好的预测效果。同时,针对单一的网络模型容易陷入传统的固有的陷阱以及单个模型鲁棒性不强的原因,可以在结合深度学习强大的表征能力和BP神经网络较优的预测能力的优点基础上,集成三种融合模型后具有更好的鲁棒性,提供了一种可靠的地铁部件健康预测模型,对地铁车轮健康状态的预测具有良好的准确性。基于这一想法,本发明提出一种基于深度学习模型与神经网络集成的地铁车轮健康状态预测方法。
如图1所示,本发明一种基于深度学习与BP集成的地铁车轮健康状态预测方法,包括以下步骤:
步骤1,地铁车轮的关键参数指标数据主要包含轮缘综合值、轮缘高度值、轮缘厚度值、踏面磨耗值,依次选取地铁车轮参数指标数据,给定N个同种参数指标样本数据(xi,yi),i=1,2,…,N,其中为地铁车轮前D天数据的特征向量,yi是地铁车轮第M天的实际值(M>D);
步骤2,将深度学习方法DBN、RNN、LSTM与BP神经网络进行融合得到融合模型,利用给定的地铁车轮样本数据分别训练3个融合模型DBN-BP、RNN-BP、LSTM-BP,每个融合模型都将会得到一个预测结果;
步骤3,将3个融合模型预测结果作为新的BP神经网络的输入,训练新的BP神经网络,将新的BP神经网络的输出值与实际值进行误差比较,并学习新的BP神经网络的参数,得到最终优化后的集成模型;
步骤4,使用最终优化后的集成模型分别对地铁车轮关键参数指标数据轮缘综合值、轮缘高度值、轮缘厚度值、踏面磨损值进行预测,根据地铁车轮关键参数指标数据的健康标准,可以判断模型最终的预测结果是否在给定的健康范围之内,输出最终的预测结果。
每个参数指标的健康状态在一定范围内,一般地铁车轮关键参数指标健康标准范围为:6.5mm≤QR轮缘综合值≤12.7mm、27.5mm≤SH轮缘高度值≤36mm、26mm≤SH轮缘厚度值≤32.5mm、踏面磨耗值≤3mm(同一转向架)。
如图2所示,本发明融合DBN和BP神经网络的融合过程如下:
步骤1,DBN-BP网络是将DBN深度置信网络和BP神经网络在结构上进行融合的网络模型,即在DBN最顶层的RBM上方添加一层BP网络;
步骤2,首先随机初始化DBN网络模型中的参数,然后通过给定的数据集学习调整DBN网络模型中的参数,即将(xi,yi)分别作为DBN网络的输入和输出来学习网络中的参数,然后将学习好的参数整体迁移到DBN-BP融合模型上;
步骤3,将xi作为DBN-BP融合模型输入向量,得到融合模型的预测值与实际值yi进行比较,再通过反向传播算法不断微调优融合模型中的参数,得到优化后的DBN-BP融合模型。其中,步骤2、步骤3的具体过程如下:
(1)初始化DBN网络参数,包括:DBN网络,输入神经元个数,隐含层中两层RBM受限玻尔兹曼机的神经元个数,DBN网络学习率α,训练批次training_epochs,每训练批次的训练数据大小batch_size;
(2)RBM隐藏层某个神经元的激活函数采用sigmoid函数,对于地铁车轮时间序列输入向量xi,公式为:和其中,i∈{1,...,N}和j∈{1,...,m},wij为连接RBM可见层和隐藏层hj的权重,bi和cj分别是可见层和隐藏层的偏置。这样可以得到隐藏层每个神经元的值,作为下一个RBM的可见层的输入,训练DBN模型;
(3)将得到的DBN模型最底层隐藏层的输出向量hj作为BP神经网络的输入向量,公式为:其中,i∈{1,...,N}和j∈{1,...,m},wij为连接BP隐藏层hj和输出层的权重,bi是隐藏和输出层的偏置,f(·)为sigmoid激活函数,为DBN-BP深度模型的实际预测值。
如图3所示,本发明融合RNN和BP神经网络的融合过程如下:
步骤1,RNN-BP网络是将RNN循环神经网络和BP神经网络在结构上进行融合的网络模型,即在RNN循环神经网络的隐藏层与输出层之间加上一层BP神经网络;
步骤2,首先随机初始化RNN网络模型中参数,然后通过给定的数据集学习调整RNN网络模型中的参数,即将(xi,yi)分别作为RNN网络的输入和输出来学习网络中的参数,然后将学习好的参数整体迁移到RNN-BP融合模型上;
步骤3,将xi作为RNN-BP融合模型输入向量,得到融合模型的预测值与实际值yi进行比较,再通过反向传播算法不断微调优融合模型中的参数,得到优化后的RNN-BP融合模型。其中,步骤2、步骤3的具体过程如下:
(1)初始化RNN循环神经网络参数,包括:RNN循环神经网络,输入神经元个数为L,隐含层神经元个数为H,输出神经元个数为O,RNN循环神经网络学习率α,训练批次training_epochs,每训练批次的训练数据大小batch_size;
(2)随机初始化RNN网络模型中参数W、U、V。利用输入向量xi训练RNN循环神经网络第一个隐藏层,可得神经元在t时刻的输入加权和公式为:其中,为同一层上一个神经元的输出选择sigmoid函数作为激活函数,利用该加权和计算第一个隐藏层第d个神经元在t时刻输入到下一个神经元的输出值为:其中第一个隐藏层第d个神经元在t时刻输入到下一个隐藏层神经元的输出值为:其中,
(3)因此,得到RNN模型最深层隐藏层的输出特征加权平均后作为BP神经网络的输入向量,BP神经网络的计算公式为:其中,i∈{1,...,N}和j∈{1,...,m},wij为连接BP隐藏层oj和输出层的权重,bi是隐藏和输出层的偏置,f(·)为sigmoid激活函数,为RNN-BP深度模型的实际预测值。
如图4所示,本发明融合LSTM和BP神经网络的融合过程如下:
步骤1,LSTM-BP网络是将LSTM长短时记忆网络和BP神经网络在结构上进行融合的网络模型,就是在LST网络的隐藏层与输出层之间添加一层BP神经网络;
步骤2,首先随机初始化LSTM网络模型中参数,然后通过给定的数据集学习调整LSTM网络模型中的参数,即将(xi,yi)分别作为LSTM网络的输入和输出来学习网络中的参数,然后将学习好的参数整体迁移到LSTM-BP融合模型上;
步骤3,将xi作为LSTM-BP融合模型输入向量,得到融合模型的预测值与实际值yi进行比较,再通过反向传播算法不断微调优融合模型中的参数,得到优化后的LSTM-BP融合模型。其中,步骤2、步骤3的具体过程如下:
(1)初始化LSTM网络参数,包括:LSTM网络,输入神经元个数为L,隐含层神经元个数为H,输出神经元个数为O,LSTM网络学习率α,训练批次training_epochs,每训练批次的训练数据大小batch_size;
(2)利用输入向量xi训练LSTM网络,可得神经元在t时刻的输出值为ht,公式为:ht=ot*tanh(ct),式中,ot是隐藏层神经元内部输出门t时刻的输出值:ot=σ(woxxt+wohht-1+bo),其中,wox为输出门与输入层之间的权重;woh为输出门与上一个隐藏层神经元的输出ht-1之间的权重;bo为输出门与输入层之间的偏置;ct是隐藏层神经元长短时间记忆元在t时刻状态,ct=it*ct'+ft*ct-1,式中ct'=tanh(wcxxt+wchht-1+bc),其中,wcx是隐藏层神经元内部状态单元与输入层之间的权重;wch是为状态单元与上一个隐藏层神经元的输出ht-1之间的权重;bc为状态单元与输入层之间的偏置;it是隐藏层神经元内部输入门在t时刻的输出值:it=σ(wixxt+wihht-1+bi),其中,wix为输入门与输入层之间的权重;wih为输入门与上一个隐藏层神经元的输出ht-1之间的权重;bi为输入门与输入层之间的偏置;ft是隐藏层神经元内部忘记门在t时刻的输出值:ft=σ(wfxxt+wfhht-1+bf),其中,wfx为忘记与输入层之间的权重;wfh为忘记门与上一个隐藏层神经元的输出ht-1之间的权重;bf为忘记门与输入层之间的偏置;ct-1为是上一个隐藏层神经元长短时间记忆云在t-1时刻状态值;σ(·)为sigmoid激活函数;tanh(·)为激活函数;
(3)因此,得到LSTM模型最底层隐藏层的输出向量hj作为BP神经网络的输入向量,BP神经网络的计算公式为:其中,i∈{1,...,N}和j∈{1,...,m},wij为连接BP隐藏层hj和输出层的权重,bi是隐藏和输出层的偏置,f(·)为sigmoid激活函数,为LSTM-BP深度模型的实际预测值。
(1)采用了均方误差、确定性系数以及预测准确率Rate衡量DBN-BP、RNN-BP、LSTM-BP融合模型的输出值与实际值之间的误差。
(I)确定性系数反应了预报过程与实测过程之间的吻合程度,它的取值范围为[0,1],结果越接近1.0,预报准确率越高,其计算公式为:
(III)预测准确率Rate是整个测试据集中预测正确的个数除以整个测试数据集的样本个数,能够反映整个地铁车轮关键参数指标预测模型的预测效果和性能;
(2)分别对DBN网络、RNN循环神经网络、LSTM网络的学习率α、训练批次training_epochs、每训练批次的训练数据大小batch_size,固定其中3个参数,对剩余的1个参数进行调整。
(3),重复(1)至(2),直至达到融合模型的预测精度。
步骤3的具体过程如下:
步骤1,基于深度学习与BP集成的地铁车轮健康状态预测方法模型,就是在3种融合模型DBN-BP、RNN-BP、LSTM-BP的BP层与输出层之间添加一层新的BP神经网络;
步骤2,将学习好的3种融合模型DBN-BP、RNN-BP、LSTM-BP的预测结果作为新的BP神经网络的输入向量,新的BP神经网络的计算公式为:其中,i∈{1,...,N}和j∈{1,...,m},wij为连接3种融合模型特征yi和输出层yi'的权重,bi是隐藏和输出层的偏置,f(·)为sigmoid激活函数,得到新的BP神经网络的预测值yi'与实际值yi进行比较,通过误差进行反向传播,不断优化新的BP神经网络参数,得到最终优化后的集成模型。
预测过程:获取测试样本,包括地铁车轮的参数指标轮缘综合值、轮缘高度值、轮缘厚度值、踏面磨耗值,然后利用优化后的集成模型对前D天的数据预测第M天(M>D)。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (6)
1.一种基于深度学习与BP集成的地铁车轮健康状态预测方法,其特征在于,包括如下步骤:
步骤1,获取地铁车轮每一天的关键参数指标数据,包括轮缘综合值、轮缘高度值、轮缘厚度值及踏面磨耗值,每个关键参数指标数据都从中选取N条数据(xi,yi)作为训练样本,i=1,2,…,N,其中,表示某一天以及该天之前的D-1天关键参数指标数据的特征向量,将某一天记为第D天,yi表示该天之后的第M天地铁车轮数据的实际值,M>D;
步骤2,将深度学习方法的三个模型DBN、RNN、LSTM分别与BP神经网络进行融合,得到三个融合模型DBN-BP、RNN-BP、LSTM-BP,利用步骤1的训练样本对三个融合模型进行训练,得到优化后的融合模型,将xi作为优化后的融合模型的输入,得到一个预测结果;
步骤3,将三个优化后的融合模型的预测结果作为新的BP神经网络的输入,训练新的BP神经网络,将新的BP神经网络的输出值与实际值进行误差比较,并学习新的BP神经网络的参数,得到优化后的集成模型;
步骤4,根据步骤1-步骤3,每个关键参数指标数据都对应一个优化后的集成模型,使用优化后的集成模型对其对应的关键参数指标数据进行预测,并根据关键参数指标数据的健康标准范围,判断集成模型的预测结果是否在健康标准范围之内,当所有关键参数指标数据的预测结果都在健康标准范围之内时,输出地铁车轮处于健康状态,否则为不健康状态。
2.根据权利要求1所述基于深度学习与BP集成的地铁车轮健康状态预测方法,其特征在于,步骤2所述融合模型DBN-BP的融合过程如下:
1)在DBN网络最顶层的RBM上方添加一层BP神经网络,构成DBN-BP网络;
2)随机初始化DBN网络模型中的参数,并通过训练样本学习调整DBN网络模型中的参数,即将xi,yi分别作为DBN网络的输入和输出来学习网络中的参数,然后将学习好的参数整体迁移到DBN-BP网络上;
3.根据权利要求1所述基于深度学习与BP集成的地铁车轮健康状态预测方法,其特征在于,步骤2所述融合模型RNN-BP的融合过程如下:
1)在RNN网络的隐藏层与输出层之间加上一层BP神经网络,构成RNN-BP网络;
2)随机初始化RNN网络模型中的参数,并通过训练样本学习调整RNN网络模型中的参数,即将xi,yi分别作为RNN网络的输入和输出来学习网络中的参数,然后将学习好的参数整体迁移到RNN-BP网络上;
4.根据权利要求1所述基于深度学习与BP集成的地铁车轮健康状态预测方法,其特征在于,步骤2所述融合模型LSTM-BP的融合过程如下:
1)在LSTM网络的隐藏层与输出层之间加上一层BP神经网络,构成LSTM–BP网络;
2)随机初始化LSTM网络模型中的参数,并通过训练样本学习调整LSTM网络模型中的参数,即将xi,yi分别作为LSTM网络的输入和输出来学习网络中的参数,然后将学习好的参数整体迁移到LSTM-BP网络上;
5.根据权利要求1所述基于深度学习与BP集成的地铁车轮健康状态预测方法,其特征在于,所述步骤3的具体过程为:
3.1,基于深度学习与BP集成的地铁车轮健康状态预测方法模型,就是在三种融合模型DBN-BP、RNN-BP、LSTM-BP的BP层与输出层之间添加一层新的BP神经网络;
3.2,将三个优化后的融合模型的预测结果作为新的BP神经网络的输入向量,得到新的BP神经网络的预测值y'i与实际值yi进行比较,通过误差进行反向传播,优化新的BP神经网络参数,得到最终优化后的集成模型。
6.根据权利要求1所述基于深度学习与BP集成的地铁车轮健康状态预测方法,其特征在于,步骤4所述关键参数指标数据的健康标准范围为:6.5mm≤轮缘综合值≤12.7mm、27.5mm≤轮缘高度值≤36mm、26mm≤轮缘厚度值≤32.5mm、踏面磨耗值≤3mm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910461363.8A CN110220725B (zh) | 2019-05-30 | 2019-05-30 | 一种基于深度学习与bp集成的地铁车轮健康状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910461363.8A CN110220725B (zh) | 2019-05-30 | 2019-05-30 | 一种基于深度学习与bp集成的地铁车轮健康状态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110220725A CN110220725A (zh) | 2019-09-10 |
CN110220725B true CN110220725B (zh) | 2021-03-23 |
Family
ID=67818557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910461363.8A Active CN110220725B (zh) | 2019-05-30 | 2019-05-30 | 一种基于深度学习与bp集成的地铁车轮健康状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110220725B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695201B (zh) * | 2020-06-11 | 2023-06-02 | 中国人民解放军国防科技大学 | 一种基于数据的磁浮列车运行状态的监测方法 |
CN112100901A (zh) * | 2020-07-02 | 2020-12-18 | 西南交通大学 | 一种缓解钢轨异常磨耗的参数优化方法 |
CN112613597B (zh) * | 2020-11-30 | 2023-06-30 | 河南汇祥通信设备有限公司 | 一种综合管廊风险自动识别卷积神经网络模型及构建方法 |
CN112733442B (zh) * | 2020-12-31 | 2022-07-29 | 交通运输部公路科学研究所 | 基于深度学习的路面长期性能预测模型的构建方法 |
CN112801358A (zh) * | 2021-01-21 | 2021-05-14 | 上海东普信息科技有限公司 | 基于模型融合的件量预测方法、装置、设备及存储介质 |
CN113108949B (zh) * | 2021-03-16 | 2022-11-04 | 北京工业大学 | 一种基于模型融合的探空仪温度传感器误差预测方法 |
CN113361189B (zh) * | 2021-05-12 | 2022-04-19 | 电子科技大学 | 基于多步鲁棒预测学习机的芯片性能退化趋势预测方法 |
CN115099123A (zh) * | 2022-05-17 | 2022-09-23 | 东华大学 | 数据与机理融合的卷绕机锭轴装配精度预测方法 |
CN115266152B (zh) * | 2022-06-28 | 2023-11-24 | 合肥工业大学 | 基于深度学习的汽车轮胎侧向力检测方法和系统 |
CN116495026B (zh) * | 2023-06-19 | 2023-08-29 | 成都铁安科技有限责任公司 | 一种用于调节轮对损伤检测杆的方法及其系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106198909B (zh) * | 2016-06-30 | 2019-05-10 | 中南大学 | 一种基于深度学习的水产养殖水质预测方法 |
CN106769048B (zh) * | 2017-01-17 | 2019-05-24 | 苏州大学 | 基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法 |
CN108537337A (zh) * | 2018-04-04 | 2018-09-14 | 中航锂电技术研究院有限公司 | 基于优化深度信念网络的锂离子电池soc预测方法 |
CN109002926A (zh) * | 2018-07-27 | 2018-12-14 | 中国计量大学 | 一种高准确性的光伏发电量预测模型及其构建方法和应用 |
CN109490814B (zh) * | 2018-09-07 | 2021-02-26 | 广西电网有限责任公司电力科学研究院 | 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法 |
US20190061771A1 (en) * | 2018-10-29 | 2019-02-28 | GM Global Technology Operations LLC | Systems and methods for predicting sensor information |
CN109766745B (zh) * | 2018-11-22 | 2022-12-13 | 四川大学 | 强化学习三态组合长短时记忆神经网络系统及训练和预测方法 |
-
2019
- 2019-05-30 CN CN201910461363.8A patent/CN110220725B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110220725A (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110220725B (zh) | 一种基于深度学习与bp集成的地铁车轮健康状态预测方法 | |
CN110889546B (zh) | 一种基于注意力机制的交通流量模型训练方法 | |
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN109142171B (zh) | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 | |
CN110751108B (zh) | 一种地铁分布式振动信号相似度确定方法 | |
CN114220271A (zh) | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 | |
CN112085947A (zh) | 一种基于深度学习和模糊聚类的交通拥堵预测方法 | |
CN111709549A (zh) | 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 | |
CN110674858B (zh) | 一种基于时空关联与大数据挖掘的交通舆情检测方法 | |
CN116679211B (zh) | 一种锂电池健康状态的预测方法 | |
CN113780665B (zh) | 一种基于增强循环神经网络的私家车停留位置预测方法和系统 | |
CN113205698A (zh) | 一种基于igwo-lstm的短时交通流预测的导航提醒方法 | |
CN111141879B (zh) | 一种深度学习的空气质量监测方法以及装置、设备 | |
CN115730635A (zh) | 一种电动汽车负荷预测方法 | |
CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及系统 | |
CN116523177A (zh) | 融合机理和深度学习模型的车辆能耗预测方法及装置 | |
CN114580262B (zh) | 一种锂离子电池健康状态估计方法 | |
CN114596726B (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
CN114973665A (zh) | 一种结合数据分解和深度学习的短时交通流预测方法 | |
CN115907122A (zh) | 区域电动汽车充电负荷预测方法 | |
CN117636183A (zh) | 一种基于自监督预训练的小样本遥感图像分类方法 | |
CN112927507A (zh) | 一种基于LSTM-Attention的交通流量预测方法 | |
CN116110219A (zh) | 交通事故预测方法 | |
CN114267170A (zh) | 基于考虑人类流动性的图时空Transformer模型的交通流预测方法 | |
Ziat et al. | Learning Embeddings for Completion and Prediction of Relationnal Multivariate Time-Series. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |