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

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

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C_i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C_i确定后，利用式

完成标准化常数σ_i的求解；

式中，i＝1,2，…，h，C_max中心向量C_i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C_i确定之后，利用式

求解隐含层到输出层的各条权重系数w_ki；

式中，k＝1，2，…，L；i＝1，2，…，q，η为学习速率，0＜η＜1；u_i(x)为节点i的高斯函数；t_k为第k个神经元的期望输出；y_k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c_i、σ_i和w_ki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C_i和标准化常数σ_i，隐含层到输出层的各条权重系数w_ki，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

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C_i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C_i确定后，利用式

完成标准化常数σ_i的求解；

式中，i＝1,2，…，h，C_max中心向量C_i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C_i确定之后，利用式

求解隐含层到输出层的各条权重系数w_ki；

式中，k＝1，2，…，L；i＝1，2，…，q，η为学习速率，0＜η＜1；u_i(x)为节点i的高斯函数；t_k为第k个神经元的期望输出；y_k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c_i、σ_i和w_ki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。

Images