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 PDFInfo
- 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- Withdrawn
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
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:至其中Δti=t3i-t2i,将有效检测时间区间分为4段:
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:
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:
式中,Δt为采样周期;
峭度因子的定义如下:
峰值因子的定义如下:
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:
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:
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:
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:
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:至其中Δti=t3i-t2i。将有效检测时间区间分为4段:
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:
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:
式中,Δt为采样周期;
峭度因子的定义如下:
峰值因子的定义如下:
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:
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:
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:
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:
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
表2本发明的第2组轮对振动信号特征值
表3本发明的第3组轮对振动信号特征值
表4本发明的第4组轮对振动信号特征值
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
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:至其中Δti=t3i-t2i,将有效检测时间区间分为4段:
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。
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:
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:
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:
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:
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。
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)
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 |
-
2020
- 2020-03-19 CN CN202010193899.9A patent/CN111461183A/zh not_active Withdrawn
Cited By (5)
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 |