CN111461183A - 改进人工鱼群算法优化bp神经网络的平轮故障检测方法 - Google Patents

改进人工鱼群算法优化bp神经网络的平轮故障检测方法 Download PDF

Info

Publication number
CN111461183A
CN111461183A CN202010193899.9A CN202010193899A CN111461183A CN 111461183 A CN111461183 A CN 111461183A CN 202010193899 A CN202010193899 A CN 202010193899A CN 111461183 A CN111461183 A CN 111461183A
Authority
CN
China
Prior art keywords
artificial fish
neural network
vibration acceleration
training
data
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.)
Withdrawn
Application number
CN202010193899.9A
Other languages
English (en)
Inventor
张永
刘自力
左婷婷
谢志鸿
李军
邢宗义
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202010193899.9A priority Critical patent/CN111461183A/zh
Publication of CN111461183A publication Critical patent/CN111461183A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种改进人工鱼群算法优化BP神经网络的平轮故障检测方法。该方法步骤如下：在轨道内侧低于钢轨平面位置部署振动加速度传感器，采集平轮车轮振动加速度数据；分析采集数据的特征，进行数据分段，滤除相邻车轮之间的无关振动数据，得到各个车轮所对应的有效振动加速度信号；使用经验模态分解方法对各个车轮振动加速度信号进行分解，得到有效模态分量；设定训练样本和测试样本，选取振动加速度信号的特征值并进行计算；将模态分量特征值输入改进人工鱼群算法优化的BP神经网络中进行训练，当网络均方根误差满足要求时停止训练；得到训练结果后对样本进行分类，实现平轮故障的检测。本发明检测结果准确度高，且步骤简单、系统稳定。

Description

改进人工鱼群算法优化BP神经网络的平轮故障检测方法
技术领域
本发明属于地铁车轮踏面检测技术领域，特别是一种改进人工鱼群算法优化BP神经网络的平轮故障检测方法。
背景技术
目前国内外对于车轮平轮故障的检测方式，分为静态检测和动态检测。静态检测是在列车处于静止(如检修)或车轮被拆卸的情况下，通过车轮检查器等测量工具进行检测的一种方式，该方法检测精度受人为因素影响较大，且劳动强度高。动态检测方式分为车载式及地面式：其中车载式需要在每根车轴都装有振动传感器，检测成本较高，检测方式也较复杂；地面式检测是在线路上部署电气元件，成本较低，适用于正线运行时的地铁列车平轮状态检测。
在线地面式检测包括图像检测、位移测量、噪声检测、接触测量等。图像检测法的检测原理简单，其检测精度较高，但安装难度高，适用车速10km/h～12km/h，检测效果与车速相关；位移测量法检测结果较准确，方法直观，但适用车速为中低速，高速运行产生的冲击力会使平行四边形装置发生振动，影响测量结果的准确性；噪声检测法检测原理简单，但检测精度较低，无法实现踏面损伤区域的定量检测；接触测量法适用于检测踏面磨耗，其成本较低，检测精度较高，但检测结果与外界因素关联较大。
发明内容
本发明的目的在于提供一种检测步骤简单、系统稳定、检测精度高，能满足车轮平轮检测实际要求的改进人工鱼群算法优化BP神经网络的平轮故障检测方法。
实现本发明目的的技术解决方案是：一种改进人工鱼群算法优化BP神经网络的平轮故障检测方法，包括以下步骤：
步骤1，数据采集：在轨道内侧低于钢轨平面位置部署振动加速度传感器，采集平轮车轮振动加速度数据；
步骤2，数据预处理：分析采集数据的特征，进行数据分段，滤除相邻车轮之间的无关振动数据，得到各个车轮所对应的有效振动加速度信号；
步骤3，信号分解：使用经验模态分解方法对各个车轮振动加速度信号进行分解，得到与平轮故障特征频率一致的有效模态分量；
步骤4，选取特征值：设定训练样本和测试样本，选取振动加速度信号的特征值并进行计算；
步骤5，神经网络训练：将模态分量特征值输入改进人工鱼群算法优化的BP神经网络中进行训练，当网络均方根误差满足要求时停止训练；
步骤6，平轮故障检测：得到神经网络训练结果后对样本进行分类，实现平轮故障的检测。
进一步地，步骤1所述的在轨道内侧低于钢轨平面位置部署振动加速度传感器，具体为：将每个振动加速度传感器安装于检测区域两个轨枕中间的位置。
进一步地，步骤2所述的分析采集数据的特征，进行数据分段，滤除相邻车轮之间的无关振动数据，得到各个车轮所对应的有效振动加速度信号，具体如下：
获取车轮经过车轮轴位传感器G2和G3的时间t2i和t3i，其中i为第几个车轮，振动加速度传感器均匀分布在G2和G3两个车轮轴位传感器之间，有效检测时间区间为：
Figure BDA0002416878690000021
至
Figure BDA0002416878690000022
其中Δti＝t3i-t2i，将有效检测时间区间分为4段：
第一段有效检测时间区间：
Figure BDA0002416878690000023
至
Figure BDA0002416878690000024
第一振动加速度传感器的输出信号数据有效，不考虑其它输出信号数据；
第二段有效检测时间区间：
Figure BDA0002416878690000025
至
Figure BDA0002416878690000026
第二振动加速度传感器的输出信号数据有效，不考虑其它输出信号数据；
第三段有效检测时间区间：
Figure BDA0002416878690000027
至
Figure BDA0002416878690000028
第三振动加速度传感器的输出信号数据有效，不考虑其它输出信号数据；
第四段有效检测时间区间：
Figure BDA0002416878690000029
至
Figure BDA00024168786900000210
第四振动加速度传感器的输出信号数据有效，不考虑其它输出信号数据。
进一步地，步骤3所述的使用经验模态分解方法对各个车轮振动加速度信号进行分解，得到与平轮故障特征频率一致的有效模态分量，具体如下：
(4.1)寻找车轮振动加速度信号x(t)的所有极大值点和极小值点，并用三次样条插值函数分别拟合极小值点对应的下包络线，以及极大值点对应的上包络线；
(4.2)对上下包络线的均值m(t)进行计算，并将原信号数据减去m(t)，产生新的数据序列h(t)；
(4.3)判断h(t)是否满足有效IMF条件：若满足有效IMF条件，则计算残余分量r(t)，并且进入步骤(4.4)；若不满足，则将h(t)当作原信号，转到步骤(4.1)；
(4.4)判断r(t)是否为单调函数：若是，则结束信号分解过程；否则，将h(t)当作原信号，转到步骤(4.1)；
针对经过经验模态分解方法得到的模态分量，分别计算各模态分量与原信号的相关系数和峭度，选取满足相关系数和峭度的阈值要求的有效模态分量。
进一步地，步骤4所述的设定训练样本和测试样本，选取振动加速度信号的特征值并进行计算，具体如下：
选取特征值有能量Energy、能量矩Energy Moment、峭度因子Kurtosis factor以及峰值因子Crest factor；
能量定义如下：
Figure BDA0002416878690000031
其中，i为信号分量标号、N为信号长度、xi为信号分量；
能量矩的定义如下：
Figure BDA0002416878690000032
式中，Δt为采样周期；
峭度因子的定义如下：
Figure BDA0002416878690000033
式中，RMS为信号的振动幅值有效值，也称为均方根；
Figure BDA0002416878690000034
为信号平均值；
峰值因子的定义如下：
Figure BDA0002416878690000041
式中，Peak为信号峰值。
进一步地，步骤5所述的将模态分量特征值输入改进人工鱼群算法优化的BP神经网络中进行训练，当网络均方根误差满足要求时停止训练，具体如下：
(5.1)设定BP神经网络的拓扑结构，包括BP神经网络输入层、隐含层和输出层节点个数，并且设定神经网络训练次数、训练函数、学习率以及训练目标；
(5.2)设置改进人工鱼群算法的参数，初始化人工鱼群规模、视步系数、重复探索次数、最大迭代次数，计算当前所有人工鱼的当前食物浓度，并将食物浓度最高的人工鱼赋予公告板，具体如下：
设定当前人工鱼状态xi，邻域内的邻居鱼xj，两条鱼的欧氏距离dij，在改进人工鱼群算法中，视野Visual为当前人工鱼的邻域内所有邻居鱼和自身距离的平均值，当前邻域内的邻居鱼集合N表示如下：
N＝{xj|dij＜Visual} (5)
第t次迭代时，人工鱼i的邻域结构表示如下：
Figure BDA0002416878690000042
式中，sort( )为排序函数、'descend'为降序、dij(t)为两条鱼的欧氏距离、xi(t)为当前人工鱼、xj(t)为邻域内的邻居鱼、ceil( )为取整函数、t为当前迭代次数；
视野Visual在迭代过程中邻域结构的变化而自行调整，相应步长Step也不断地进行自适应改变，定义分别如下：
Figure BDA0002416878690000043
Step＝a*Visual (8)
其中，neighbori(t)表示第t次迭代时人工鱼i的所有邻居鱼，arg(A)表示判别A位置，Di(t)为第t次迭代时人工鱼i与其他人工鱼的距离集合，N为人工鱼群初始规模，n(t)为第t次迭代时当前人工鱼的邻居鱼个数，T为最大迭代次数，a为视步系数且0＜a＜1；
(5.3)将每条人工鱼看作一个神经网络，人工鱼群状态设定为神经网络的权值和阈值，人工鱼的食物浓度为神经网络训练的均方根误差的倒数；
(5.4)根据自适应动态领域结构进行人工鱼群的行为选择，不断更新人工鱼状态，具体如下：
人工鱼的基本行为包括聚群行为、追尾行为和觅食行为；
设人工鱼在第t次迭代时的食物浓度Fi，第m条邻居鱼的食物浓度xmi，当前公告板人工鱼的食物浓度ggbx，寻找当前人工鱼邻域内的中心位置所在的人工鱼食物浓度xc，如果xc≤Fi，则进行觅食行为，反之则执行聚群行为：
Figure BDA0002416878690000051
Figure BDA0002416878690000052
式中，xnext(i)下一条人工鱼的食物浓度、rand为0到1之间的随机数；
设当前人工鱼邻域内最高的食物浓度为xmax，如果xmax≤Fi，则进行觅食行为，反之根据当前公告板人工鱼食物浓度ggbx，执行追尾行为：
Figure BDA0002416878690000053
在当前人工鱼视野内随机寻找一条人工鱼xk，其食物浓度Fk，如果Fi＜Fk，则当前人工鱼状态xi直接转移到该人工鱼状态xk位置；当重复探索次数超过设定值时仍未找到食物浓度大于Fi的人工鱼，则执行随机行为；
(5.5)根据网络训练误差更新人工鱼食物浓度，并更新公告板；
(5.6)当满足最大迭代次数时，提取公告板中的人工鱼状态；
(5.7)选取测试样本和训练样本，将有效模态分量的特征值在BP神经网络中进行训练，当网络均方根误差满足要求时停止训练。
本发明与现有技术相比，其显著优点在于：(1)在轨道内侧并低于钢轨平面位置部署振动加速度传感器，采集平轮车轮振动加速度数据，测量精度高，系统稳定；(2)根据采集数据的特征，进行数据分段，得到各个车轮所对应的有效振动加速度信号，排除无关数据干扰；(3)使用经验模态分解方法分解各个车轮振动加速度信号，并提取有效模态分量，为神经网络训练提供准确有效的样本数据；(4)选取特征值能量矩，可作为平轮故障进行准确分类的依据；(5)采用改进的人工鱼群算法优化BP神经网络的权值和阈值，可有效避免陷入局部极值问题，并解决网络震荡的问题；(6)整个故障检测流程清晰，检测精度高，能满足平轮故障检测的实际要求。
附图说明
图1是本发明的平轮故障检测方法的流程图。
图2是本发明的车轮轴位传感器和振动加速度传感器安装示意图。
图3是本发明的检测系统整体架构图。
图4是本发明的改进人工鱼群算法优化BP神经网络的流程图。
图5是本发明的实测数据滤波结果图。
图6是本发明的信号分解的有效模态分量边际谱图，其中(a)为IMF1边际谱图，(b)为IMF2边际谱图，(c)为IMF3边际谱图，(d)为IMF4边际谱图，(e)为IMF5边际谱图。
具体实施方式
本发明是一种改进人工鱼群算法优化BP神经网络的平轮故障检测方法。首先在轨道内侧并低于钢轨平面位置部署振动加速度传感器，采集平轮车轮振动加速度数据，然后进行数据分段，得到各个车轮所对应的有效振动加速度信号；接着使用经验模态分解方法对各个车轮的振动加速度信号进行分解，得到接近平轮故障特征频率的有效模态分量；再然后设定训练样本和测试样本，选取振动加速度信号的特征值并进行计算；再接着将模态分量特征值输入改进人工鱼群算法优化的BP神经网络中进行训练，当网络均方根误差满足精度等要求停止训练；最后得到神经网络训练结果后对样本进行分类，实现平轮故障的检测。
下面结合附图及具体实施例对本发明作进一步详细说明。
结合图1，本发明一种改进人工鱼群算法优化BP神经网络的平轮故障检测方法，包括以下步骤：
步骤1，数据采集：如图2在轨道内侧低于钢轨平面位置部署振动加速度传感器，采集平轮车轮振动加速度数据，根据平轮故障引起的振动冲击能量沿着冲击点的两侧方向逐渐衰减，到达轨枕时几乎衰减为零的特性，将每个振动加速度传感器安装于检测区域两个轨枕中间的位置；
步骤2，数据预处理：如图3所示，把图2中振动加速度传感器的信号传递到数据处理中心；分析采集数据的特征，进行数据分段，滤除相邻车轮之间的无关振动数据，得到各个车轮所对应的有效振动加速度信号，具体如下：
获取车轮经过车轮轴位传感器G2和G3的时间t2i和t3i，其中i为第几个车轮，振动加速度传感器均匀分布在G2和G3两个车轮轴位传感器之间，有效检测时间区间为：
Figure BDA0002416878690000071
至
Figure BDA0002416878690000072
其中Δti＝t3i-t2i。将有效检测时间区间分为4段：
第一段有效检测时间区间：
Figure BDA0002416878690000073
至
Figure BDA0002416878690000074
第一振动加速度传感器的输出信号数据有效，不考虑其它输出信号数据。
第二段有效检测时间区间：
Figure BDA0002416878690000075
至
Figure BDA0002416878690000076
第二振动加速度传感器的输出信号数据有效，不考虑其它输出信号数据。
第三段有效检测时间区间：
Figure BDA0002416878690000077
至
Figure BDA0002416878690000078
第三振动加速度传感器的输出信号数据有效，不考虑其它输出信号数据。
第四段有效检测时间区间：
Figure BDA0002416878690000079
至
Figure BDA00024168786900000710
第四振动加速度传感器的输出信号数据有效，不考虑其它输出信号数据。
步骤3，信号分解：使用经验模态分解方法对各个车轮振动加速度信号进行分解，得到接近平轮故障特征频率的有效模态分量，分为4个步骤，具体如下：
(4.1)寻找车轮振动加速度信号x(t)的所有极大值点和极小值点，并用三次样条插值函数分别拟合极小值点对应的下包络线，以及极大值点对应的上包络线。
(4.2)对上下包络线的均值m(t)进行计算，并将原信号数据减去m(t)，产生新的数据序列h(t)。
(4.3)判断h(t)是否满足有效IMF条件：若满足有效IMF条件，则计算残余分量r(t)，并且进入步骤(4.4)；若不满足，则将h(t)当作原信号，转到步骤(4.1)；
(4.4)判断r(t)是否为单调函数：若是，则结束信号分解过程；否则，将h(t)当作原信号，转到步骤(4.1)。
针对经过经验模态分解方法得到的模态分量，分别计算各模态分量与原信号的相关系数和峭度，选取满足相关系数和峭度的阈值要求的有效模态分量，例如选取满足相关系数大于标准差0.2的分量且峭度值大于阈值9的有效模态分量。
步骤4：选取特征值：设定训练样本和测试样本，选取振动加速度信号的特征值并进行计算。
基于对平轮故障等非平稳随机振动信号的分析，考虑故障分类结果的准确性，这里选取特征值有能量(Energy)、能量矩(Energy Moment)、峭度因子(Kurtosis factor)以及峰值因子(Crest factor)。
能量定义如下：
Figure BDA0002416878690000081
其中，i为信号分量标号、N为信号长度、xi为信号分量；
能量矩的定义如下：
Figure BDA0002416878690000082
式中，Δt为采样周期；
峭度因子的定义如下：
Figure BDA0002416878690000091
式中，RMS为信号的振动幅值有效值，也称为均方根；
Figure BDA0002416878690000092
为信号平均值；
峰值因子的定义如下：
Figure BDA0002416878690000093
式中，Peak为信号峰值。
步骤5，神经网络训练：将模态分量特征值输入改进人工鱼群算法优化的BP神经网络中进行训练，当网络均方根误差满足精度等要求停止训练。结合图4，分为7个步骤，具体如下：
(5.1)设定BP神经网络的拓扑结构，包括BP神经网络输入层、隐含层和输出层节点个数，并且设定神经网络训练次数、训练函数、学习率以及训练目标等。
(5.2)设置改进人工鱼群算法的参数，初始化人工鱼群规模、视步系数、重复探索次数、最大迭代次数以及计算当前所有人工鱼的当前食物浓度等，并将食物浓度最高的人工鱼赋予公告板，具体如下：
设定当前人工鱼状态xi，邻域内的邻居鱼xj，两条鱼的欧氏距离dij，在改进人工鱼群算法中，视野Visual为当前人工鱼的邻域内所有邻居鱼和自身距离的平均值，当前邻域内的邻居鱼集合N表示如下：
N＝{xj|dij＜Visual} (5)
第t次迭代时，人工鱼i的邻域结构表示如下：
Figure BDA0002416878690000094
式中，sort()为排序函数、'descend'为降序、dij(t)为两条鱼的欧氏距离、xi(t)为当前人工鱼、xj(t)为邻域内的邻居鱼、ceil()为取整函数、t为当前迭代次数；
视野Visual在迭代过程中邻域结构的变化而自行调整，相应步长Step也不断地进行自适应改变，定义分别如下：
Figure BDA0002416878690000101
Step＝a*Visual (8)
其中，neighbori(t)表示第t次迭代时人工鱼i的所有邻居鱼，arg(A)表示判别A位置，Di(t)为第t次迭代时人工鱼i与其他人工鱼的距离集合，N为人工鱼群初始规模，n(t)为第t次迭代时当前人工鱼的邻居鱼个数，T为最大迭代次数，a为视步系数且0＜a＜1；
(5.3)将每条人工鱼看作一个神经网络，人工鱼群状态设定为神经网络的权值和阈值，人工鱼的食物浓度为神经网络训练的均方根误差的倒数；
(5.4)根据自适应动态领域结构进行人工鱼群的行为选择，不断更新人工鱼状态，具体如下：
人工鱼的基本行为包括聚群行为、追尾行为和觅食行为；
设人工鱼在第t次迭代时的食物浓度Fi，第m条邻居鱼的食物浓度xmi，当前公告板人工鱼的食物浓度ggbx，寻找当前人工鱼邻域内的中心位置所在的人工鱼食物浓度xc，如果xc≤Fi，则进行觅食行为，反之则执行聚群行为：
Figure BDA0002416878690000102
Figure BDA0002416878690000103
式中，xnext(i)下一条人工鱼的食物浓度、rand为0到1之间的随机数；
设当前人工鱼邻域内最高的食物浓度为xmax，如果xmax≤Fi，则进行觅食行为，反之根据当前公告板人工鱼食物浓度ggbx，执行追尾行为：
Figure BDA0002416878690000104
在当前人工鱼视野内随机寻找一条人工鱼xk，其食物浓度Fk，如果Fi＜Fk，则当前人工鱼状态xi直接转移到该人工鱼状态xk位置；当重复探索次数超过设定值时仍未找到食物浓度大于Fi的人工鱼，则执行随机行为；
(5.5)根据网络训练误差更新人工鱼食物浓度，并更新公告板；
(5.6)当满足最大迭代次数时，提取公告板中的人工鱼状态；
(5.7)选取测试样本和训练样本，将有效模态分量的特征值在BP神经网络中进行训练，当网络均方根误差满足要求时停止训练。
步骤6，平轮故障检测：得到神经网络训练结果后对样本进行分类，实现平轮故障的检测。
实施例1
为验证本研究提出的改进人工鱼群算法优化BP神经网络的平轮故障检测方法的有效性及检测精度，本次实测数据分析的广州地铁5960次列车，每节车厢有4个轮对，这里对2C59车厢轮对的振动加速度信号(如图5)进行数据的分析和处理，采样频率10kHz，仿真时间为1.1s。
本次BP神经网络输入节点数由信号分解的模态分量个数决定，有效模态分量个数为5，因此输入节点数为5。输出节点数决定于平轮故障的类型数目，对输出结果进行二进制表示，将车轮平轮故障类型设为BP神经网络的网络输出。常见的车轮平轮故障深度为2～5mm，加上车轮正常状态，总共5个状态。车轮状态与二进制输出对应关系为正常车轮(0，0，0)，2mm平轮深度(0，1，0)，3mm平轮深度(0，1，1)，4mm平轮深度(1，0，0)，5mm平轮深度(1，0，1)。因此输出层只需要3个神经元及可满足需要。隐含层节点数一般由经验公式确定，结合平轮故障检测试验结果，确定隐含层节点数为15，则BP神经网络结构为N(5，15，3)。
将Sigmoid函数作为BP神经网络输出层和隐含层的转移函数，设置BP神经网络最大训练次数为1000，训练目标为0.0001，学习率为0.01。
改进的人工鱼群算法参数：人工鱼个数80，视步系数0.5，重复探索次数40，最大迭代次数100。将每条人工鱼看作一个神经网络，人工鱼群状态设定为神经网络的权值和阈值，人工鱼的食物浓度为神经网络训练的均方根误差的倒数。
样本数据设置：理论上，训练样本数与测试样本数比例一般为7：3，对每个特征值的样本数量选取均为1000组，其中有700组训练样本，300组测试样本。每种平轮故障类型(包括正常车轮)样本数200组，其中，训练样本140组，测试样本60组。
计算本次地铁列车现场采集的4组轨道振动信号分解所得到的IMF特征值，结果分别如表1、表2、表3、表4和图6所示。
表1本发明的第1组轮对振动信号特征值
Figure BDA0002416878690000121
表2本发明的第2组轮对振动信号特征值
Figure BDA0002416878690000122
表3本发明的第3组轮对振动信号特征值
Figure BDA0002416878690000123
表4本发明的第4组轮对振动信号特征值
Figure BDA0002416878690000124
表1至表4中的特征值规律不明显，将归一化后的特征值输入到已训练好的改进人工鱼群算法优化的BP神经网络中进行训练，得到平轮故障的识别结果，如表5所示。
表5本发明的平轮故障分类结果
Figure BDA0002416878690000131
根据人工检测结果，只有2C59车厢一轴即轮对1出现2mm平轮深度的故障，而其余车轮均为无故障，根据表5所示平轮故障分类结果可知，能量矩作为特征值时的故障诊断结果最好，而能量、峭度因子以及峰值因子对应的诊断结果均出现了偏差。因此，在实际平轮故障检测系统分类应用中，可优先采用能量矩对信号进行分类，降低错误率，为车轮检修提供决策参考和一定的理论指导。
综上，本发明采用振动加速度在线地面检测方法实现车轮平轮状态的检测，为接触式测量，在轨道内侧并低于钢轨平面位置部署振动加速度传感器，采集平轮车轮振动加速度数据，根据采集数据的特征，进行数据分段，得到各个车轮所对应的有效振动加速度信号，使用经验模态分解方法分解各个车轮振动加速度信号，并提取有效模态分量，振动加速度检测法适用于不同轨面环境和车速，测量精度高，能检测车轮踏面损伤程度，整体性能较好，信号处理算法丰富，应用前景很广。

Claims (6)

1.一种改进人工鱼群算法优化BP神经网络的平轮故障检测方法，其特征在于，包括以下步骤：
步骤1，数据采集：在轨道内侧低于钢轨平面位置部署振动加速度传感器，采集平轮车轮振动加速度数据；
步骤2，数据预处理：分析采集数据的特征，进行数据分段，滤除相邻车轮之间的无关振动数据，得到各个车轮所对应的有效振动加速度信号；
步骤3，信号分解：使用经验模态分解方法对各个车轮振动加速度信号进行分解，得到与平轮故障特征频率一致的有效模态分量；
步骤4，选取特征值：设定训练样本和测试样本，选取振动加速度信号的特征值并进行计算；
步骤5，神经网络训练：将模态分量特征值输入改进人工鱼群算法优化的BP神经网络中进行训练，当网络均方根误差满足要求时停止训练；
步骤6，平轮故障检测：得到神经网络训练结果后对样本进行分类，实现平轮故障的检测。
2.根据权利要求1所述的改进人工鱼群算法优化BP神经网络的平轮故障检测方法，其特征在于，步骤1所述的在轨道内侧低于钢轨平面位置部署振动加速度传感器，具体为：将每个振动加速度传感器安装于检测区域两个轨枕中间的位置。
3.根据权利要求1所述的改进人工鱼群算法优化BP神经网络的平轮故障检测方法，其特征在于，步骤2所述的分析采集数据的特征，进行数据分段，滤除相邻车轮之间的无关振动数据，得到各个车轮所对应的有效振动加速度信号，具体如下：
获取车轮经过车轮轴位传感器G2和G3的时间t2i和t3i，其中i为第几个车轮，振动加速度传感器均匀分布在G2和G3两个车轮轴位传感器之间，有效检测时间区间为：
Figure FDA0002416878680000011
至
Figure FDA0002416878680000012
其中Δti＝t3i-t2i，将有效检测时间区间分为4段：
第一段有效检测时间区间：
Figure FDA0002416878680000013
至
Figure FDA0002416878680000014
第一振动加速度传感器的输出信号数据有效，不考虑其它输出信号数据；
第二段有效检测时间区间：
Figure FDA0002416878680000021
至
Figure FDA0002416878680000022
第二振动加速度传感器的输出信号数据有效，不考虑其它输出信号数据；
第三段有效检测时间区间：
Figure FDA0002416878680000023
至
Figure FDA0002416878680000024
第三振动加速度传感器的输出信号数据有效，不考虑其它输出信号数据；
第四段有效检测时间区间：
Figure FDA0002416878680000025
至
Figure FDA0002416878680000026
第四振动加速度传感器的输出信号数据有效，不考虑其它输出信号数据。
4.根据权利要求1所述的改进人工鱼群算法优化BP神经网络的平轮故障检测方法，其特征在于，步骤3所述的使用经验模态分解方法对各个车轮振动加速度信号进行分解，得到与平轮故障特征频率一致的有效模态分量，具体如下：
(4.1)寻找车轮振动加速度信号x(t)的所有极大值点和极小值点，并用三次样条插值函数分别拟合极小值点对应的下包络线，以及极大值点对应的上包络线；
(4.2)对上下包络线的均值m(t)进行计算，并将原信号数据减去m(t)，产生新的数据序列h(t)；
(4.3)判断h(t)是否满足有效IMF条件：若满足有效IMF条件，则计算残余分量r(t)，并且进入步骤(4.4)；若不满足，则将h(t)当作原信号，转到步骤(4.1)；
(4.4)判断r(t)是否为单调函数：若是，则结束信号分解过程；否则，将h(t)当作原信号，转到步骤(4.1)；
针对经过经验模态分解方法得到的模态分量，分别计算各模态分量与原信号的相关系数和峭度，选取满足相关系数和峭度的阈值要求的有效模态分量。
5.根据权利要求1所述的改进人工鱼群算法优化BP神经网络的平轮故障检测方法，其特征在于，步骤4所述的设定训练样本和测试样本，选取振动加速度信号的特征值并进行计算，具体如下：
选取特征值有能量Energy、能量矩Energy Moment、峭度因子Kurtosis factor以及峰值因子Crest factor；
能量定义如下：
Figure FDA0002416878680000031
其中，i为信号分量标号、N为信号长度、xi为信号分量；
能量矩的定义如下：
Figure FDA0002416878680000032
式中，Δt为采样周期；
峭度因子的定义如下：
Figure FDA0002416878680000033
式中，RMS为信号的振动幅值有效值，也称为均方根；
Figure FDA0002416878680000034
为信号平均值；
峰值因子的定义如下：
Figure FDA0002416878680000035
式中，Peak为信号峰值。
6.根据权利要求1所述的改进人工鱼群算法优化BP神经网络的平轮故障检测方法，其特征在于，步骤5所述的将模态分量特征值输入改进人工鱼群算法优化的BP神经网络中进行训练，当网络均方根误差满足要求时停止训练，具体如下：
(5.1)设定BP神经网络的拓扑结构，包括BP神经网络输入层、隐含层和输出层节点个数，并且设定神经网络训练次数、训练函数、学习率以及训练目标；
(5.2)设置改进人工鱼群算法的参数，初始化人工鱼群规模、视步系数、重复探索次数、最大迭代次数，计算当前所有人工鱼的当前食物浓度，并将食物浓度最高的人工鱼赋予公告板，具体如下：
设定当前人工鱼状态xi，邻域内的邻居鱼xj，两条鱼的欧氏距离dij，在改进人工鱼群算法中，视野Visual为当前人工鱼的邻域内所有邻居鱼和自身距离的平均值，当前邻域内的邻居鱼集合N表示如下：
N＝{xj|dij＜Visual} (5)
第t次迭代时，人工鱼i的邻域结构表示如下：
Figure FDA0002416878680000041
式中，sort()为排序函数、'descend'为降序、dij(t)为两条鱼的欧氏距离、xi(t)为当前人工鱼、xj(t)为邻域内的邻居鱼、ceil()为取整函数、t为当前迭代次数；
视野Visual在迭代过程中邻域结构的变化而自行调整，相应步长Step也不断地进行自适应改变，定义分别如下：
Figure FDA0002416878680000042
Step＝a*Visual (8)
其中，neighbori(t)表示第t次迭代时人工鱼i的所有邻居鱼，arg(A)表示判别A位置，Di(t)为第t次迭代时人工鱼i与其他人工鱼的距离集合，N为人工鱼群初始规模，n(t)为第t次迭代时当前人工鱼的邻居鱼个数，T为最大迭代次数，a为视步系数且0＜a＜1；
(5.3)将每条人工鱼看作一个神经网络，人工鱼群状态设定为神经网络的权值和阈值，人工鱼的食物浓度为神经网络训练的均方根误差的倒数；
(5.4)根据自适应动态领域结构进行人工鱼群的行为选择，不断更新人工鱼状态，具体如下：
人工鱼的基本行为包括聚群行为、追尾行为和觅食行为；
设人工鱼在第t次迭代时的食物浓度Fi，第m条邻居鱼的食物浓度xmi，当前公告板人工鱼的食物浓度ggbx，寻找当前人工鱼邻域内的中心位置所在的人工鱼食物浓度xc，如果xc≤Fi，则进行觅食行为，反之则执行聚群行为：
Figure FDA0002416878680000043
Figure FDA0002416878680000051
式中，xnext(i)下一条人工鱼的食物浓度、rand为0到1之间的随机数；
设当前人工鱼邻域内最高的食物浓度为xmax，如果xmax≤Fi，则进行觅食行为，反之根据当前公告板人工鱼食物浓度ggbx，执行追尾行为：
Figure FDA0002416878680000052
在当前人工鱼视野内随机寻找一条人工鱼xk，其食物浓度Fk，如果Fi＜Fk，则当前人工鱼状态xi直接转移到该人工鱼状态xk位置；当重复探索次数超过设定值时仍未找到食物浓度大于Fi的人工鱼，则执行随机行为；
(5.5)根据网络训练误差更新人工鱼食物浓度，并更新公告板；
(5.6)当满足最大迭代次数时，提取公告板中的人工鱼状态；
(5.7)选取测试样本和训练样本，将有效模态分量的特征值在BP神经网络中进行训练，当网络均方根误差满足要求时停止训练。
CN202010193899.9A 2020-03-19 2020-03-19 改进人工鱼群算法优化bp神经网络的平轮故障检测方法 Withdrawn CN111461183A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010193899.9A CN111461183A (zh) 2020-03-19 2020-03-19 改进人工鱼群算法优化bp神经网络的平轮故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010193899.9A CN111461183A (zh) 2020-03-19 2020-03-19 改进人工鱼群算法优化bp神经网络的平轮故障检测方法

Publications (1)

Publication Number Publication Date
CN111461183A true CN111461183A (zh) 2020-07-28

Family

ID=71679222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010193899.9A Withdrawn CN111461183A (zh) 2020-03-19 2020-03-19 改进人工鱼群算法优化bp神经网络的平轮故障检测方法

Country Status (1)

Country Link
CN (1) CN111461183A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112889732A (zh) * 2021-02-01 2021-06-04 南方海洋科学与工程广东省实验室(湛江) 一种鱼体分级测产装置及分级测产方法
CN113256444A (zh) * 2021-04-30 2021-08-13 北京中电飞华通信有限公司 一种低压台区户变关系辨识方法和装置
CN113465733A (zh) * 2021-08-13 2021-10-01 重庆大学 基于eemd-dnn的振动台结构位移响应预测方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112889732A (zh) * 2021-02-01 2021-06-04 南方海洋科学与工程广东省实验室(湛江) 一种鱼体分级测产装置及分级测产方法
CN112889732B (zh) * 2021-02-01 2024-01-26 南方海洋科学与工程广东省实验室(湛江) 一种鱼体分级测产装置及分级测产方法
CN113256444A (zh) * 2021-04-30 2021-08-13 北京中电飞华通信有限公司 一种低压台区户变关系辨识方法和装置
CN113465733A (zh) * 2021-08-13 2021-10-01 重庆大学 基于eemd-dnn的振动台结构位移响应预测方法及装置
CN113465733B (zh) * 2021-08-13 2022-04-05 重庆大学 基于eemd-dnn的振动台结构位移响应预测方法及装置

Similar Documents

Publication Publication Date Title
CN111461183A (zh) 改进人工鱼群算法优化bp神经网络的平轮故障检测方法
CN110070060B (zh) 一种轴承设备的故障诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN108197731B (zh) 一种基于共同训练的机动车尾气遥测与车检结果一致性方法
CN111753985A (zh) 基于神经元覆盖率的图像深度学习模型测试方法与装置
CN107830996B (zh) 一种飞行器舵面系统故障诊断方法
CN102735747A (zh) 高速铁路钢轨高速漏磁巡检的缺陷定量识别方法
CN113610188B (zh) 弓网接触力非区段异常识别方法及装置
CN109323754A (zh) 一种列车车轮多边形故障诊断检测方法
CN113848417A (zh) 轨道交通供电设备故障预测方法及装置
CN110533007A (zh) 一种桥梁车载应变影响线特征智能识别与提取方法
Zhang et al. An improved method of rail health monitoring based on CNN and multiple acoustic emission events
CN115587290A (zh) 基于变分自编码生成对抗网络的航空发动机故障诊断方法
CN115371724A (zh) 轨道状态评价方法及装置
CN114371009A (zh) 基于改进随机森林的高速列车轴承故障诊断方法
CN112381027B (zh) 基于列车轴箱垂向加速度信号的车轮多边形波深估计方法
CN116353660B (zh) 一种基于bwo-vmd的高速铁路车轮多边形故障检测方法及系统
CN113064133A (zh) 一种基于时频域深度网络的海面小目标特征检测方法
CN110261108B (zh) 基于cnn彩色特征图的额定运转时轴承故障识别法
CN116644278A (zh) 基于样本筛选和特征提取的双模型轴承异常检测算法
CN114781427B (zh) 基于信息融合技术的风力发电机组滚动轴承故障诊断系统
CN116244657A (zh) 基于生成对抗网络和集成学习的列车轴温异常识别方法
CN112069621B (zh) 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法
CN113870199A (zh) 一种飞机蒙皮缺陷检测的识别方法
CN116842385B (zh) 一种基于履带车振动特征的lstm路面不平度识别方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200728