CN112085073A - 一种rbf神经网络的减速顶多节点故障分类方法 - Google Patents

一种rbf神经网络的减速顶多节点故障分类方法 Download PDF

Info

Publication number
CN112085073A
CN112085073A CN202010859484.0A CN202010859484A CN112085073A CN 112085073 A CN112085073 A CN 112085073A CN 202010859484 A CN202010859484 A CN 202010859484A CN 112085073 A CN112085073 A CN 112085073A
Authority
CN
China
Prior art keywords
neural network
rbf neural
retarder
output
node
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.)
Granted
Application number
CN202010859484.0A
Other languages
English (en)
Other versions
CN112085073B (zh
Inventor
要义勇
朱继东
赵丽萍
高射
康涛
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202010859484.0A priority Critical patent/CN112085073B/zh
Publication of CN112085073A publication Critical patent/CN112085073A/zh
Application granted granted Critical
Publication of CN112085073B publication Critical patent/CN112085073B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种RBF神经网络的减速顶多节点故障分类方法，该方法包括：第一，本发明将减速顶运动曲线的峰峰值、峭度、频域指标、波动熵及温度均值作为元素构建RBF神经网络输入特征向量；第二，将减速顶三种工作状态构建为RBF神经网络输出量；第三，构建RBF神经网络结构，并依据训练数据集对神经网络进行训练，构建减速顶工作状态分类器；第四，构建基于贝叶斯近似法证据理论的决策融合方法，对RBF神经网络输出的三维特征向量进一步评价，完成对减速顶工作状态的诊断。本发明基于RBF神经网络对多节点异构数据进行融合，完成了对减速顶工作状态的诊断，具有广泛的应用前景。

Description

一种RBF神经网络的减速顶多节点故障分类方法
技术领域
本发明属于故障诊断领域，具体为一种RBF神经网络的减速顶多节点故障分类方法，该方法通过RBF神经网络对减速顶的输入矩阵进行学习，通过训练得到的分类器实现所有节点的故障分类。
背景技术
铁道车辆减速顶(减速顶)是一种广泛应用在国内外编组场的调速设备，属于一种液压设备，主要包括壳体、滑动油缸、活塞、速度阀和压力阀等部件，减速顶的推广使用，彻底改变了编组场的作业模式，基本上淘汰了“拧闸”和“铁鞋”制动，不仅降低了人身伤亡事故，还减轻工作人员的劳动强度。多台减速顶设备构成了减速顶调速系统，单个设备的失效将使得安全连挂率下降。现场作业中，列车减速不足容易引起超速连挂，导致车辆损坏和设备损坏，给经济造成损失。因此，必须保障减速顶设备的常态化维护，才能使其处于良好的工作状态，保证调速作业安全。
目前对铁轨上安装的减速顶主要有人工检测、室内减速顶综合检测设备和减速顶检测车三种检测手段，这些检测手段存在以下缺点：利用人工记录无法做到及时性，数据难以统计，无法从中挖掘有用的信息形成规律；综合功能的减速顶检测设备占地空间较大，一般设置在实验室，检测时需要拆卸和重装减速顶，其动态检测性较差；移动式减速顶工况检测车依靠人力在铁轨上推行，由红外检测位置并进行反力测试，设备存在着检测速度慢，耗费人力资源多，定位不准。
因此，构建一套行之有效的多节点减速顶工作状态检测方法具有重要的意义，能够指导维修和维护，保障调车作业安全。
发明内容
为克服现有技术的短板，本发明提供了一种RBF神经网络的减速顶多节点故障分类方法，实现多节点减速顶实时工作状态的智能化检测。
为达到上述目的，本发明采用了以下技术方案：
一种RBF神经网络的减速顶多节点故障分类方法，包括以下步骤：
步骤1，RBF神经网络输入特征向量提取：
选取峰峰值、峭度作为输入特征向量的时域特征，选取反映频域能量大小的特征
Figure BDA0002647620880000021
作为频域特征，最后加入波动熵和均值温度特征，定义的网络输入特征向量为X＝[x1,x2,x3,x4,x5]；
式中，x1为峰峰值，x2为峭度，x3为频域能量，x4为波动熵，x5为温度均值；
步骤2，定义RBF神经网络输出特征向量：
减速顶的工作状态可分为正常、泄顶(油气反力不足)和死顶三种，因此定义输出层节点为3，即输出特征向量为Y＝[y1,y2,y3]，其中泄顶即油气反力不足；
[1,0,0]表示减速顶处于正常状态的理想输出，[0,1,0]表示减速顶处于泄顶状态的理想输出，[0,0,1]表示减速顶处于死顶状态的理想输出；
步骤3，定义RBF神经网络结构：
定义网络输入层节点为5，隐含层节点为3，输出层节点为3；
步骤4，训练RBF神经网络参数：
通过减速顶试验台分别模拟减速顶正常运行、泄顶运行和死顶运行三种工况，每种工况下通过改变伺服滑动推杆的下压速度来模拟不同车速通过减速顶，并随机选取每种工作条件下1/3的数据进行RBF神经网络训练；
步骤5，决策融合：
根据RBF输出矩阵Y＝[y1,y2,y3]的参数意义和贝叶斯近似的证据理论，对减速顶工作状态进一步加以评价。
本发明进一步的改进在于，步骤4的具体实现方法如下：
401)无监督学习环节：利用K-means聚类算法对所有样本进行聚类，并将每个类的中心向量Ci即所有样本距离该中心向量的欧式距离最小值作为隐含层径向基函数的中心向量，当聚类中心向量Ci确定后，利用式
Figure BDA0002647620880000031
完成标准化常数σi的求解；
式中，i＝1,2，…，h，Cmax中心向量Ci之间的距离最大值；h为隐含层节点个数；
402)有监督学习环节：当所有的中心向量Ci确定之后，利用式
Figure BDA0002647620880000032
求解隐含层到输出层的各条权重系数wki；
式中，k＝1，2，…，L；i＝1，2，…，q，η为学习速率，0＜η＜1；ui(x)为节点i的高斯函数；tk为第k个神经元的期望输出；yk为第k个神经元的实际输出；
403)参数校验环节：根据样本信号，校正隐含层和输出层的参数，提高网络精度；
404)将训练得到的关键参数ci、σi和wki构建成分类器，并完成存储。
本发明进一步的改进在于，步骤5的具体实现方法如下：
501)利用证据理论对减速顶的工作状态进行决策融合，识别框架为3个元素，即正常、泄顶和死顶；
502)根据RBF输出矩阵Y＝[y1,y2,y3]将减速分为正常工作状态、严重油气反力不足状态、轻度油气反力不足状态和死顶状态。
本发明的有益效果体现在：
本发明基于RBF神经网络的减速顶多节点故障分类方法，将减速顶运动曲线的部分特征参数作为网络输入，包括峰峰值、峭度、频域指标、波动熵及温度均值，其输入特征向量既能反应信号的时域特征，又能反应信号的波动性，另外加入了温度均值使得输入特征向量更具完备性。将减速顶的三种工作状态作为网络输出，即正常、泄顶(油气反力不足)及死顶，构建减速顶工作状态分类器，并根据RBF输出矩阵Y＝[y1,y2,y3]实现故障的精确判别和分类。
附图说明
图1为RBF神经网络结构示意图；
图2为本发明RBF神经网络参数训练流程图；
图3为分类器输出结果。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，不是全部的实施例，而并非要限制本发明公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要的混淆本发明公开的概念。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
下面结合附图和实施例进一步阐明本发明：
参考图1，网络输入节点有5个，输入特征向量为X＝[x1,x2,x3,x4,x5]，其中x1为峰峰值，x2为峭度，x3为频域能量，x4为波动熵，x5为温度均值。输出节点有3个，输出向量为Y＝[y1,y2,y3]，具体的[1,0,0]表示减速顶处于正常状态的理想输出，[0,1,0]表示减速顶处于泄顶状态的理想输出，[0,0,1]表示减速顶处于死顶状态的理想输出。
参考图2，训练RBF神经网络参数：通过减速顶试验台分别模拟减速顶正常运行、泄顶运行和死顶运行三种工况，每种工况下通过改变伺服滑动推杆下压速度来模拟不同车速通过减速顶，并随机选取每种工作条件下的足量数据对RBF神经网络进行训练。具体的训练参数有隐含层节点中心向量Ci和标准化常数σi，隐含层到输出层的各条权重系数wki，根据样本信号，校正隐含层和输出层的参数，提高网络精度。
参考图3，训练结束后，随机抽取每种工况的1200组数据送入训练好参数的分类器中对其进行故障诊断，可以看出分类器能正确识别减速顶工作状态，三种工作状态的识别正确率均在95％以上。

Claims (3)

1.一种RBF神经网络的减速顶多节点故障分类方法，其特征在于，包括以下步骤：
步骤1，RBF神经网络输入特征向量提取：
选取峰峰值、峭度作为输入特征向量的时域特征，选取反映频域能量大小的特征
Figure FDA0002647620870000011
作为频域特征，最后加入波动熵和均值温度特征，定义的网络输入特征向量为X＝[x1,x2,x3,x4,x5]；
式中，x1为峰峰值，x2为峭度，x3为频域能量，x4为波动熵，x5为温度均值；
步骤2，定义RBF神经网络输出特征向量：
减速顶的工作状态可分为正常、泄顶和死顶三种，因此定义输出层节点为3，即输出特征向量为Y＝[y1,y2,y3]，其中泄顶即油气反力不足；
[1,0,0]表示减速顶处于正常状态的理想输出，[0,1,0]表示减速顶处于泄顶状态的理想输出，[0,0,1]表示减速顶处于死顶状态的理想输出；
步骤3，定义RBF神经网络结构：
定义网络输入层节点为5，隐含层节点为3，输出层节点为3；
步骤4，训练RBF神经网络参数：
通过减速顶试验台分别模拟减速顶正常运行、泄顶运行和死顶运行三种工况，每种工况下通过改变伺服滑动推杆的下压速度来模拟不同车速通过减速顶，并随机选取每种工作条件下1/3的数据进行RBF神经网络训练；
步骤5，决策融合：
根据RBF输出矩阵Y＝[y1,y2,y3]的参数意义和贝叶斯近似的证据理论，对减速顶工作状态进一步加以评价。
2.根据权利要求1所述的一种RBF神经网络的减速顶多节点故障分类方法，其特征在于，步骤4的具体实现方法如下：
401)无监督学习环节：利用K-means聚类算法对所有样本进行聚类，并将每个类的中心向量Ci即所有样本距离该中心向量的欧式距离最小值作为隐含层径向基函数的中心向量，当聚类中心向量Ci确定后，利用式
Figure FDA0002647620870000021
完成标准化常数σi的求解；
式中，i＝1,2，…，h，Cmax中心向量Ci之间的距离最大值；h为隐含层节点个数；
402)有监督学习环节：当所有的中心向量Ci确定之后，利用式
Figure FDA0002647620870000022
求解隐含层到输出层的各条权重系数wki；
式中，k＝1，2，…，L；i＝1，2，…，q，η为学习速率，0＜η＜1；ui(x)为节点i的高斯函数；tk为第k个神经元的期望输出；yk为第k个神经元的实际输出；
403)参数校验环节：根据样本信号，校正隐含层和输出层的参数，提高网络精度；
404)将训练得到的关键参数ci、σi和wki构建成分类器，并完成存储。
3.根据权利要求1所述的一种RBF神经网络的减速顶多节点故障分类方法，其特征在于，步骤5的具体实现方法如下：
501)利用证据理论对减速顶的工作状态进行决策融合，识别框架为3个元素，即正常、泄顶和死顶；
502)根据RBF输出矩阵Y＝[y1,y2,y3]将减速分为正常工作状态、严重油气反力不足状态、轻度油气反力不足状态和死顶状态。
CN202010859484.0A 2020-08-24 2020-08-24 一种rbf神经网络的减速顶多节点故障分类方法 Active CN112085073B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010859484.0A CN112085073B (zh) 2020-08-24 2020-08-24 一种rbf神经网络的减速顶多节点故障分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010859484.0A CN112085073B (zh) 2020-08-24 2020-08-24 一种rbf神经网络的减速顶多节点故障分类方法

Publications (2)

Publication Number Publication Date
CN112085073A true CN112085073A (zh) 2020-12-15
CN112085073B CN112085073B (zh) 2022-12-09

Family

ID=73729309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010859484.0A Active CN112085073B (zh) 2020-08-24 2020-08-24 一种rbf神经网络的减速顶多节点故障分类方法

Country Status (1)

Country Link
CN (1) CN112085073B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016215809A (ja) * 2015-05-20 2016-12-22 いすゞ自動車株式会社 リターダ装置および制動トルク変更方法
CN108362510A (zh) * 2017-11-30 2018-08-03 中国航空综合技术研究所 一种基于证据神经网络模型的机械产品故障模式识别方法
CN108426608A (zh) * 2018-03-19 2018-08-21 山东大学 基于电磁感应的减速顶实时监测系统及方法
CN108594788A (zh) * 2018-03-27 2018-09-28 西北工业大学 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法
CN108846411A (zh) * 2018-05-03 2018-11-20 武汉理工大学 基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法
CN109405889A (zh) * 2018-12-13 2019-03-01 中国航空工业集团公司上海航空测控技术研究所 用于掘进机工作臂减速器故障预测的系统与方法
CN110398363A (zh) * 2018-04-19 2019-11-01 中国科学院沈阳自动化研究所 一种基于图形化变换的rv减速器性能状态监测方法
CN111199078A (zh) * 2020-01-10 2020-05-26 西安交通大学 一种基于多区间运动曲线样本熵的减速顶物联网故障预警方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016215809A (ja) * 2015-05-20 2016-12-22 いすゞ自動車株式会社 リターダ装置および制動トルク変更方法
CN108362510A (zh) * 2017-11-30 2018-08-03 中国航空综合技术研究所 一种基于证据神经网络模型的机械产品故障模式识别方法
CN108426608A (zh) * 2018-03-19 2018-08-21 山东大学 基于电磁感应的减速顶实时监测系统及方法
CN108594788A (zh) * 2018-03-27 2018-09-28 西北工业大学 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法
CN110398363A (zh) * 2018-04-19 2019-11-01 中国科学院沈阳自动化研究所 一种基于图形化变换的rv减速器性能状态监测方法
CN108846411A (zh) * 2018-05-03 2018-11-20 武汉理工大学 基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法
CN109405889A (zh) * 2018-12-13 2019-03-01 中国航空工业集团公司上海航空测控技术研究所 用于掘进机工作臂减速器故障预测的系统与方法
CN111199078A (zh) * 2020-01-10 2020-05-26 西安交通大学 一种基于多区间运动曲线样本熵的减速顶物联网故障预警方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A.S. VASILEV ET AL: "Compact millimeter-wave distance and speed measurement sensor for railway applications", 《2010 INTERNATIONAL KHARKOV SYMPOSIUM ON PHYSICS AND ENGINEERING OF MICROWAVES, MILLIMETER AND SUBMILLIMETER WAVES》 *
姜雪杰: "基于改进BP神经网络驼峰减速器故障诊断研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》 *
张志哲: "基于深度森林的高速铁路道岔故障诊断研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》 *

Also Published As

Publication number Publication date
CN112085073B (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN110262463B (zh) 一种基于深度学习的轨道交通站台门故障诊断系统
CN106895975B (zh) 基于Stacked SAE深度神经网络的轴承故障诊断方法
CN102722759B (zh) 基于bp神经网络的电网供电可靠性预测方法
CN111339867B (zh) 一种基于生成对抗网络的行人轨迹预测方法
CN110647923A (zh) 小样本下基于自我学习的变工况机械故障智能诊断方法
CN106933778A (zh) 一种基于爬坡事件特征识别的风电功率组合预测方法
CN105574489B (zh) 基于层次级联的暴力群体行为检测方法
CN104061445A (zh) 一种基于神经网络的管道泄漏检测方法
CN114781573A (zh) 一种基于改进灰狼算法优化的变压器故障诊断方法
CN112784872B (zh) 一种基于开放集联合迁移学习的跨工况故障诊断方法
CN110321555A (zh) 一种基于循环神经网络模型的电网信号分类方法
CN106779063A (zh) 一种基于rbf网络的提升机制动系统故障诊断方法
CN110232415B (zh) 一种基于生物信息特征的列车转向架故障识别方法
CN114861719A (zh) 基于集成学习的高速列车轴承故障诊断方法
CN110321390A (zh) 基于有监督和无监督算法结合的负荷曲线数据可视化方法
CN109408998B (zh) 基于样本持续增量快速获取应力谱进行疲劳寿命评估方法
CN112200263B (zh) 一种应用于配电物联网的自组织联邦聚类方法
CN118883066A (zh) 基于数据生成的滚动轴承故障诊断方法
He et al. A lightweight model for train bearing fault diagnosis based on multiscale attentional feature fusion
CN115660405A (zh) 一种针对新能源基建过程中不安全因素的识别系统及方法
CN118468197B (zh) 一种多通道特征融合车联网异常检测方法及系统
CN112085073A (zh) 一种rbf神经网络的减速顶多节点故障分类方法
CN112183847B (zh) 基于QRNN改进Stacking算法的列车行驶风速概率预测方法
CN114066075A (zh) 一种基于深度学习的客户流失预测方法
CN113705695A (zh) 一种基于卷积神经网络的配电网故障数据辨识方法

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
GR01 Patent grant
GR01 Patent grant