CN112418411A - 基于rbf神经网络的空气制动系统故障诊断 - Google Patents

基于rbf神经网络的空气制动系统故障诊断 Download PDF

Info

Publication number
CN112418411A
CN112418411A CN202011482307.1A CN202011482307A CN112418411A CN 112418411 A CN112418411 A CN 112418411A CN 202011482307 A CN202011482307 A CN 202011482307A CN 112418411 A CN112418411 A CN 112418411A
Authority
CN
China
Prior art keywords
brake system
air brake
neural network
rbf neural
system fault
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.)
Pending
Application number
CN202011482307.1A
Other languages
English (en)
Inventor
都竞
李军
梁天
范文豪
徐启胜
江水
张殷日
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.)
Anhui Sanheyi Information Technology Co Ltd
Original Assignee
Anhui Sanheyi Information Technology Co Ltd
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 Anhui Sanheyi Information Technology Co Ltd filed Critical Anhui Sanheyi Information Technology Co Ltd
Priority to CN202011482307.1A priority Critical patent/CN112418411A/zh
Publication of CN112418411A publication Critical patent/CN112418411A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于RBF神经网络的空气制动系统故障诊断，属于空气制动系统故障诊断领域，利用遗传算法优化了RBF神经网络数据中心和宽度，并取得了满意的结果，但是没有优化权值和偏移。而且目前利用遗传算法优化RBF神经网络普遍存在的问题是训练时间过长，对于该问题对于稳定运行的系统可以通过提前进行大量样本训练解决该问题。

Description

基于RBF神经网络的空气制动系统故障诊断
技术领域
本发明涉及空气制动系统故障诊断领域，尤其涉及基于RBF神经网络的空气制动系统故障诊断。
背景技术
近年来，全世界范围内多个国家的高铁技术均取得了快速发展，高铁运营里程不断攀升。尤其，我国的高铁更是取得了举世瞩目的成就，截至2018年底，我国的高铁运营里程超过29,000公里，占世界高铁总运营里程的2/3。作为高铁系统的核心，高速列车与乘客及工作人员密切相关，其安全运行至关重要。高速列车信息控制系统可划分为几个子系统，其中制动系统主要用于确保列车在正常及紧急情况下完成符合要求的减速及停车，是极其重要的安全关键系统；
通过使用RBF神经网络进行大量样本训练，可以快速的发现故障源头，从而进行解决，目前由于在RBF神经网络训练过程其数据中心和宽度无法得到优化，导致其精度下降。
发明内容
本发明为解决上述问题，而提出的基于RBF神经网络的空气制动系统故障诊断。
为了实现上述目的，本发明采用了如下技术方案：
基于RBF神经网络的空气制动系统故障诊断，包括以下步骤：
S1、选择具有代表性和类别均衡的空气制动系统故障样本数据，并且将不同类别的空气制动系统故障样本数据交叉输入，之后对输入的空气制动系统故障样本数据进行预处理；
S2、将S1中经预处理后输入的空气制动系统故障样本数据设置为X1,X2,...,Xn，相应的空气制动系统故障目标数据输出为Y1,Y2,...,Yn，RBF神经网络中第j个隐节点的激活函数为Φj(*),k为迭代次数，令第k次迭代时的聚类中心为h1(k),h2(k),...,hh(k)，相应的聚类域为w1(k),w2(k),...,wh(k)；
S3、从空气制动系统故障样本数据中随机选择h个不同的初始聚类中心，并令k＝1；
S4、计算空气制动系统故障样本数据输入与聚类中心的欧式距离：
||Xj-hi(k)||,i＝1,2...,h,j＝1,2,...,n；
S5、对空气制动系统故障样本数据输入Xj按最小距离原则对其进行分类：即当
i(Xj)＝min||Xj-hi(k)||,i＝1,2...,h时，Xj即被归为第i类，Xj∈wi(k)；
S6、重新计算各个隐节点的聚类中心：
Figure BDA0002838479640000021
式中，Ni为第i个聚类域wi(k)中包含的样本数；
S7、若hi(k+1)≠hi(k)则转回S4，否则聚类结束，转到S6即聚类中心不再变动时，停止聚类；
S8、根据各聚类中心之间的距离确定各隐节点的扩展常数，隐节点的扩展常数取δi＝kdi，其中di为第i个聚类中心与其他聚类中心之间的最小的距离，即：
Figure BDA0002838479640000031
k为重叠系数；
S8、采用遗传算法优化权值ω和偏移参数，得到训练完成的RBF神经网络；
S9、通过传感器采集空气制动系统数据经预处理后，输入给训练完成的RBF神经网络，输出识别诊断结果，并且将识别诊断结果同步反馈给训练RBF神经网络。
优选地，所述S1和S9中的预处理包括归一化、标准化和主成分分析处理。
优选地，所述S9中空气制动系统数据主要包括：供气单元、制动控制单元、微机制动控制系统和防滑系统。
优选地，所述S8中的遗传算法优化包括以下步骤：
A1、将聚类中心hi和扩展常数δi编码，每个染色体串的长度为MH+H，其中M为输入节点数；
A2、编码完成后进行初始种群的选择；
A3、选取均方误差的倒数作为适应度函数，即对第i个染色体，其适应度为：
Figure BDA0002838479640000032
其中，p为训练样本数，N为输出层神经元个数；
A4、进行适应度计算，并进行MSE判定，之后进行遗传操作，并将结果循环至适应度计算，将符合要求的优化权值ω和偏移参数输出。
优选地，所述A4中的遗传操作包括选择、交叉和变异，并在此基础上增加了改进的精英主义选择方法。
与现有技术相比，本发明提供了基于RBF神经网络的空气制动系统故障诊断，具备以下有益效果：
1.本发明的有益效果是：利用遗传算法优化了RBF神经网络数据中心和宽度，并取得了满意的结果，但是没有优化权值和偏移。而且目前利用遗传算法优化RBF神经网络普遍存在的问题是训练时间过长，对于该问题对于稳定运行的系统可以通过提前进行大量样本训练解决该问题。
附图说明
图1为本发明提出的基于RBF神经网络的空气制动系统故障诊断的一具体实施例的流程图；
图2为本发明提出的基于RBF神经网络的空气制动系统故障诊断的一具体实施例的基于小波包特征提取的RBF神经网络训练误差图。
具体实施方式
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实施例，而不是全部的实施例。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例1：
参考图1，基于RBF神经网络的空气制动系统故障诊断，包括以下步骤：
S1、选择具有代表性和类别均衡的空气制动系统故障样本数据，并且将不同类别的空气制动系统故障样本数据交叉输入，之后对输入的空气制动系统故障样本数据进行预处理；
S2、将S1中经预处理后输入的空气制动系统故障样本数据设置为X1,X2,...,Xn，相应的空气制动系统故障目标数据输出为Y1,Y2,...,Yn，RBF神经网络中第j个隐节点的激活函数为Φj(*),k为迭代次数，令第k次迭代时的聚类中心为h1(k),h2(k),...,hh(k)，相应的聚类域为w1(k),w2(k),...,wh(k)；
S3、从空气制动系统故障样本数据中随机选择h个不同的初始聚类中心，并令k＝1；
S4、计算空气制动系统故障样本数据输入与聚类中心的欧式距离：
||Xj-hi(k)||,i＝1,2...,h,j＝1,2,...,n；
S5、对空气制动系统故障样本数据输入Xj按最小距离原则对其进行分类：即当
i(Xj)＝min||Xj-hi(k)||,i＝1,2...,h时，Xj即被归为第i类，Xj∈wi(k)；
S6、重新计算各个隐节点的聚类中心：
Figure BDA0002838479640000061
式中，Ni为第i个聚类域wi(k)中包含的样本数；
S7、若hi(k+1)≠hi(k)则转回S4，否则聚类结束，转到S6即聚类中心不再变动时，停止聚类；
S8、根据各聚类中心之间的距离确定各隐节点的扩展常数，隐节点的扩展常数取δi＝kdi，其中di为第i个聚类中心与其他聚类中心之间的最小的距离，即：
Figure BDA0002838479640000062
k为重叠系数；
S8、采用遗传算法优化权值ω和偏移参数，得到训练完成的RBF神经网络；
S9、通过传感器采集空气制动系统数据经预处理后，输入给训练完成的RBF神经网络，输出识别诊断结果，并且将识别诊断结果同步反馈给训练RBF神经网络。
进一步，优选地，所述S1和S9中的预处理包括归一化、标准化和主成分分析处理。
进一步，优选地，所述S9中空气制动系统数据主要包括：供气单元、制动控制单元、微机制动控制系统和防滑系统。
进一步，优选地，所述S8中的遗传算法优化包括以下步骤：
A1、将聚类中心hi和扩展常数δi编码，每个染色体串的长度为MH+H，其中M为输入节点数；
A2、编码完成后进行初始种群的选择；
A3、选取均方误差的倒数作为适应度函数，即对第i个染色体，其适应度为：
Figure BDA0002838479640000071
其中，p为训练样本数，N为输出层神经元个数；
A4、进行适应度计算，并进行MSE判定，之后进行遗传操作，并将结果循环至适应度计算，将符合要求的优化权值ω和偏移参数输出。
进一步，优选地，所述A4中的遗传操作包括选择、交叉和变异，并在此基础上增加了改进的精英主义选择方法。
实施例2：基于实施例1，但又有所不同的是；
按照实施例1中步骤训练RBF神经网络，并围绕空气制动系统核心，将转换阀、紧急阀、称重阀和均衡阀等数据输入，查看其诊断结果；RBF神经网络隐含层神经元个数为故障种类个数为13个，输出神经元个数也为故障种类数即13个，输入神经元个数为8个，RBF神经网络训练的样本误差曲线如下图1所示，表1为诊断结果；
表1测试样本故障诊断结果
Figure BDA0002838479640000072
Figure BDA0002838479640000081
从上面的仿真结果中可以分析出，本发明提出的方法结果优于随机种群的优化方法，初始误差也大大的减少到10-3数量级，且RBF神经网络隐含层神经元只需9个。综上，可以看出本发明所提出的优化方法在时间和识别率上有了一定的提高和改进。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.基于RBF神经网络的空气制动系统故障诊断，其特征在于，包括以下步骤：
S1、选择具有代表性和类别均衡的空气制动系统故障样本数据，并且将不同类别的空气制动系统故障样本数据交叉输入，之后对输入的空气制动系统故障样本数据进行预处理；
S2、将S1中经预处理后输入的空气制动系统故障样本数据设置为X1,X2,...,Xn，相应的空气制动系统故障目标数据输出为Y1,Y2,...,Yn，RBF神经网络中第j个隐节点的激活函数为Φj(*),k为迭代次数，令第k次迭代时的聚类中心为h1(k),h2(k),...,hh(k)，相应的聚类域为w1(k),w2(k),...,wh(k)；
S3、从空气制动系统故障样本数据中随机选择h个不同的初始聚类中心，并令k＝1；
S4、计算空气制动系统故障样本数据输入与聚类中心的欧式距离：
||Xj-hi(k)||，i＝1,2...,h,j＝1,2,...,n；
S5、对空气制动系统故障样本数据输入Xj按最小距离原则对其进行分类：即当
i(Xj)＝min||Xj-hi(k)||,i＝1,2...,h时，Xj即被归为第i类，Xj∈wi(k)；
S6、重新计算各个隐节点的聚类中心：
Figure FDA0002838479630000011
式中，Ni为第i个聚类域wi(k)中包含的样本数；
S7、若hi(k+1)≠hi(k)则转回S4，否则聚类结束，转到S6即聚类中心不再变动时，停止聚类；
S8、根据各聚类中心之间的距离确定各隐节点的扩展常数，隐节点的扩展常数取δi＝kdi，其中di为第i个聚类中心与其他聚类中心之间的最小的距离，即：
Figure FDA0002838479630000021
k为重叠系数；
S8、采用遗传算法优化权值ω和偏移参数，得到训练完成的RBF神经网络；
S9、通过传感器采集空气制动系统数据经预处理后，输入给训练完成的RBF神经网络，输出识别诊断结果，并且将识别诊断结果同步反馈给训练RBF神经网络。
2.根据权利要求1所述的基于RBF神经网络的空气制动系统故障诊断，其特征在于：所述S1和S9中的预处理包括归一化、标准化和主成分分析处理。
3.根据权利要求1所述的基于RBF神经网络的空气制动系统故障诊断，其特征在于：所述S9中空气制动系统数据主要包括：供气单元、制动控制单元、微机制动控制系统和防滑系统。
4.根据权利要求1所述的基于RBF神经网络的空气制动系统故障诊断，其特征在于：所述S8中的遗传算法优化包括以下步骤：
A1、将聚类中心hi和扩展常数δi编码，每个染色体串的长度为MH+H，其中M为输入节点数；
A2、编码完成后进行初始种群的选择；
A3、选取均方误差的倒数作为适应度函数，即对第i个染色体，其适应度为：
Figure FDA0002838479630000031
其中，p为训练样本数，N为输出层神经元个数；
A4、进行适应度计算，并进行MSE判定，之后进行遗传操作，并将结果循环至适应度计算，将符合要求的优化权值ω和偏移参数输出。
5.根据权利要求4所述的基于RBF神经网络的空气制动系统故障诊断，其特征在于：所述A4中的遗传操作包括选择、交叉和变异，并在此基础上增加了改进的精英主义选择方法。
CN202011482307.1A 2020-12-16 2020-12-16 基于rbf神经网络的空气制动系统故障诊断 Pending CN112418411A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011482307.1A CN112418411A (zh) 2020-12-16 2020-12-16 基于rbf神经网络的空气制动系统故障诊断

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011482307.1A CN112418411A (zh) 2020-12-16 2020-12-16 基于rbf神经网络的空气制动系统故障诊断

Publications (1)

Publication Number Publication Date
CN112418411A true CN112418411A (zh) 2021-02-26

Family

ID=74775158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011482307.1A Pending CN112418411A (zh) 2020-12-16 2020-12-16 基于rbf神经网络的空气制动系统故障诊断

Country Status (1)

Country Link
CN (1) CN112418411A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103926526A (zh) * 2014-05-05 2014-07-16 重庆大学 一种基于改进的rbf神经网络的模拟电路故障诊断方法
CN106321318A (zh) * 2016-08-18 2017-01-11 河南职业技术学院 一种汽车发动机启动控制系统及控制方法
CN106779063A (zh) * 2016-11-15 2017-05-31 河南理工大学 一种基于rbf网络的提升机制动系统故障诊断方法
CN108594793A (zh) * 2018-04-17 2018-09-28 电子科技大学 一种改进的rbf飞控系统故障诊断网络训练方法
CN108805195A (zh) * 2018-04-03 2018-11-13 北京理工大学 一种基于二值深层神经网络的电机群故障诊断方法
CN110309920A (zh) * 2019-06-24 2019-10-08 北京计算机技术及应用研究所 基于混合递阶遗传算法的rbf神经网络的网络rbf评价方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103926526A (zh) * 2014-05-05 2014-07-16 重庆大学 一种基于改进的rbf神经网络的模拟电路故障诊断方法
CN106321318A (zh) * 2016-08-18 2017-01-11 河南职业技术学院 一种汽车发动机启动控制系统及控制方法
CN106779063A (zh) * 2016-11-15 2017-05-31 河南理工大学 一种基于rbf网络的提升机制动系统故障诊断方法
CN108805195A (zh) * 2018-04-03 2018-11-13 北京理工大学 一种基于二值深层神经网络的电机群故障诊断方法
CN108594793A (zh) * 2018-04-17 2018-09-28 电子科技大学 一种改进的rbf飞控系统故障诊断网络训练方法
CN110309920A (zh) * 2019-06-24 2019-10-08 北京计算机技术及应用研究所 基于混合递阶遗传算法的rbf神经网络的网络rbf评价方法

Similar Documents

Publication Publication Date Title
CN112435363B (zh) 一种刀具磨损状态实时监测方法
CN109858509A (zh) 基于多层随机神经网络单分类器异常检测方法
CN110395286B (zh) 一种列车车内空气品质监测与通风调控方法、系统
CN104052612B (zh) 一种电信业务的故障识别与定位的方法及系统
CN108958217A (zh) 一种基于深度学习的can总线报文异常检测方法
CN106271881B (zh) 一种基于SAEs和K-means的刀具破损监测方法
CN110751260A (zh) 电子设备、任务处理的方法以及训练神经网络的方法
CN103745002B (zh) 一种基于行为特征与内容特征融合的水军识别方法及系统
CN108009690A (zh) 一种基于模块度最优化的地面公交扒窃团体自动检测方法
CN109902740A (zh) 一种基于多算法融合并行的再学习工业控制入侵检测方法
CN111861756A (zh) 一种基于金融交易网络的团伙检测方法及其实现装置
CN108334902A (zh) 一种基于深度学习的轨道列车设备间烟雾防火监测方法
CN113949549B (zh) 一种面向入侵和攻击防御的实时流量异常检测方法
CN112560915A (zh) 一种基于机器学习的城市快速路交通状态识别方法
CN112478975A (zh) 基于音频特征的电梯门故障检测方法
CN112084240A (zh) 一种群租房智能识别、联动治理方法及系统
CN111179592A (zh) 基于时空数据流融合分析的城市交通预测方法和系统
CN110210529A (zh) 一种基于二进制量子粒子群算法的特征选择方法
CN112615881A (zh) 一种基于区块链的数据流检测系统
CN111950429A (zh) 一种基于加权协同表示的人脸识别方法
CN112418411A (zh) 基于rbf神经网络的空气制动系统故障诊断
CN115311858A (zh) 基于交通流韧性的城市路段分级管制方法
CN113159139B (zh) 一种基于改进声发射密度聚类的伤损状态诊断方法
Zhu et al. Real-time fault diagnosis for EVs with multilabel feature selection and sliding window control
CN112906672A (zh) 钢轨缺陷识别方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210226

RJ01 Rejection of invention patent application after publication