CN116467570B - 一种基于数据驱动的重载机车车钩摆角定量识别方法 - Google Patents
一种基于数据驱动的重载机车车钩摆角定量识别方法 Download PDFInfo
- Publication number
- CN116467570B CN116467570B CN202310713409.7A CN202310713409A CN116467570B CN 116467570 B CN116467570 B CN 116467570B CN 202310713409 A CN202310713409 A CN 202310713409A CN 116467570 B CN116467570 B CN 116467570B
- Authority
- CN
- China
- Prior art keywords
- data
- coupler
- swing angle
- model
- heavy
- 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.)
- Active
Links
- 230000003137 locomotive effect Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000006073 displacement reaction Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000012795 verification Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000009499 grossing Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 101100379081 Emericella variicolor andC gene Proteins 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 5
- 238000012806 monitoring device Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000010200 validation analysis Methods 0.000 abstract 1
- 230000006978 adaptation Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明公开了一种基于数据驱动的重载机车车钩摆角定量识别方法,属于重载机车车钩摆角识别技术领域,其在信号获取后对数据预处理,然后进行车钩摆角识别模型构建,步骤为:将两通道车体与构架相对位移数据输入ELM‑AE中进行通道数据融合;构建训练模型的输入和输出数据集;划分训练集样本与验证集样本,并将数据集标准化;然后进行深度特征提取和回归估计;然后基于验证集样本输入定量识别车钩摆角。其监测信号为多通道车体与构架相对位移,有利于充分挖掘监测数据潜在特征信息,监测装置安装于车体与构架之间,服役环境良好,监测数据更加稳定,传感器数量更少,结构更简单,更适用于车载长期监测,具有运行速度快,泛化能力强等优点。
Description
技术领域
本发明属于重载机车车钩摆角识别技术领域,具体涉及一种基于数据驱动的重载机车车钩摆角定量识别方法。
背景技术
随着铁路运输向高速、重载等方向的快速发展,给重载列车带来了一系列纵向动力学问题。为了控制车速,重载列车在长大下坡道上采用循环空气制动策略。然而,由于空气波传递的延时效应,不同车辆的制动和缓解过程不同步,导致列车出现剧烈的纵向惯性冲动。车钩作为重载机车的关键部件之一,对列车的运行安全有着重要影响。随着车钩摆角的不断增大,会导致车钩力的横向分量变大,进而该作用力通过车体、转向架传递至轮对,使轮轨横向力及机车脱轨系数增大。一旦以上两项安全指标超过阈值,机车的运行安全性就难以得到保证。因此,机车车钩的动态摆角监测对于列车运行安全具有重要意义。
在工程实际中,研究人员提出了几种可行的车载式车钩摆角监测方案。但现有方案都是通过在机车重联处布设测量设备,即在车钩钩头及车体相应位置上安装位移传感器及其部件,进而通过测点的几何位置关系及传感器动态位移变化来计算得到车钩摆角大小。传统的动态测量方法原理简单,测量结果准确。然而,在机车重联处安装测量设备存在许多弊端。一方面,由于车钩服役环境恶劣,剧烈的振动及列车纵向冲动容易损坏传感器,更严重的是监测设备会掉落至轨道,从而严重威胁列车运行安全。另一方面,传统测量方法需要在机车重联位置安装大量监测设备,原本有限的空间会导致测量设备与其他车辆部件发生干涉。因此,有必要开发一种间接式车钩摆角测量方法,在确保长期稳定监测的同时具备满足实际应用的测量精度,对于确保重载列车安全运行具有重要意义。
发明内容
为克服上述存在之不足,本发明的发明人通过长期的探索尝试以及多次的实验和努力,不断改革与创新,提出了一种基于数据驱动的重载机车车钩摆角定量识别方法,其监测信号为多通道车体与构架相对位移,多通道监测信号更有利于充分挖掘监测数据潜在特征信息,监测装置安装于车体与构架之间,相比于传统测量方法,本发明测量装置安装位置服役环境良好,监测数据更加稳定,传感器数量更少,结构更简单,更适用于车载长期监测,本发明车钩摆角识别模型具备多任务层网络结构,该模型以极限学习机为原型,并在此基础上构建深度网络结构,具有运行速度快,泛化能力强等突出优点。
为实现上述目的本发明所采用的技术方案是:提供一种基于数据驱动的重载机车车钩摆角定量识别方法。其步骤包括其步骤包括:
1)信号获取:采集两通道机车车体与构架相对位移信号数据;
2)数据预处理:剔除异常监测数据,完成采集到的信号数据的平滑与降噪;
3)车钩摆角识别模型构建:
3.1)数据融合:经过预处理后的两通道车体与构架相对位移数据输入ELM-AE中进行通道数据融合,得到多通道相对位移融合数据;
3.2)数据集的构建:多通道相对位移融合数据作为训练模型的输入数据集,同时确定最优的输入时间序列长度L,模型的输出数据集为输入时间序列对应结束时刻的车钩摆角大小,上述输入、输出数据集形成样本Z;
3.3)样本划分:将样本Z划分为训练集样本与验证集样本,并将两数据集归一化;
3.4)特征提取与模型训练:将归一化后长度为L的训练集样本输入DMKELM-AE中进行深度特征提取,将所提取的深度特征作为MKELM模型的输入,结合输出数据集开展模型的训练;
3.5)模型验证:将验证集样本输入训练后的模型中,根据识别结果的平均绝对误差确定训练模型的准确性。
根据本发明所述的一种基于数据驱动的重载机车车钩摆角定量识别方法,其进一步的优选技术方案是:机车重联位置的前后车体与构架之间安装位移传感器来获取相对位移信号数据。
根据本发明所述的一种基于数据驱动的重载机车车钩摆角定量识别方法,其进一步的优选技术方案是:步骤2)中,预处理步骤为先剔除由于传感器缺陷及外界环境引起的异常监测信号,然后采用加权最小二乘平滑滤波方法去除高频干扰成分完成两通道机车车体与构架相对位移信号数据的平滑预处理。
根据本发明所述的一种基于数据驱动的重载机车车钩摆角定量识别方法,其进一步的优选技术方案是:步骤3.1)中设置ELM-AE隐含层节点数量,然后求得ELM-AE输出权值β,再通过计算得到两通道车体与构架相对位移数据融合结果。
根据本发明所述的一种基于数据驱动的重载机车车钩摆角定量识别方法,其进一步的优选技术方案是:步骤3.3)中按比例将样本划分为训练集样本与验证集样本,将样本Z归一化至[0, 1]。
根据本发明所述的一种基于数据驱动的重载机车车钩摆角定量识别方法,其进一步的优选技术方案是:步骤3.4)中DMKELM-AE和MKELM的多核函数由式(4)~式(6)线性组合而成,形成的多核函数如(7)式所示;
(4)
(5)
(6)
(7)
式中、/>和/>分别表示多项式核函数、高斯核函数及小波核函数,K表示加权后的多核函数,/>、/>、/>分别为多项式核参数、高斯核参数和小波核参数,C 1和C 2分别为核权重,k表示样本序号,s表示样本个数,T表示矩阵转置,X为输入数据集,/>表示第k个输入向量。
根据本发明所述的一种基于数据驱动的重载机车车钩摆角定量识别方法,其进一步的优选技术方案是:步骤3.4)中DMKELM-AE为深度多核极限学习机自编码器,将归一化后的训练集样本输入DMKELM-AE中进行深度特征提取,将所提取的深度特征作为MKELM模型训练的输入,即可对车钩摆角进行回归估计。
根据本发明所述的一种基于数据驱动的重载机车车钩摆角定量识别方法,其进一步的优选技术方案是:DMKELM-AE的网络第1隐层输出和第隐层输出表示为
(8)
(9)
式中表示第/>层隐含层输出,g(•) 表示激活函数,P表示隐含层数量,/>为第/>层的转换矩阵,I表示单位矩阵,Ω i 为第/>层由多核函数K计算的核矩阵,C为正则化系数,T表示矩阵转置,/>表示多通道相对位移融合数据;
因此在第P层的高维特征表示为
(10)
式中表示统一转换矩阵;
步骤3.4)中MKELM的输出表示为(11)式,将所提取的深度特征作为MKELM模型训练的输入,即可对车钩摆角进行回归估计
(11)
式中为模型输出,即车钩摆角的回归估计结果,/>表示由深度特征构建的核矩阵,/>表示标签向量,即车钩摆角真实值。
相比现有技术,本发明的技术方案具有如下优点/有益效果:
1、本发明为一种车钩摆角间接测量方法,监测信号为多通道车体与构架相对位移,多通道监测信号更有利于充分挖掘监测数据潜在特征信息。
2、本发明监测装置安装于车体与构架之间,相比于传统测量方法,本发明测量装置安装位置服役环境良好,监测数据更加稳定,传感器数量更少,结构更简单,更适用于车载长期监测。
3、本发明车钩摆角识别模型具备多任务层网络结构,该模型以极限学习机为原型,并在此基础上构建深度网络结构,具有运行速度快,泛化能力强等突出优点。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中重载机车车钩摆角识别方法流程图;
图2为本发明车钩摆角间接测量方案示意图;
图3为本发明实施例中多通道车体与构架相对位移信号;
图4为本发明实施例中车体与构架相对位移信号数据的平滑预处理结果;
图5为本发明实施例中多通道车体与构架相对位移数据融合结果;
图6为本发明实施例中车钩摆角识别结果;
具体实施方式
为使本发明目的、技术方案和优点更加清楚,下面对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明的一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。因此,以下提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中可以不对其进行进一步定义和解释。
实施例1:
本发明实施例以重载机车为研究对象,利用动力学仿真模型模拟列车运行中车钩发生偏转产生的机车动力学响应,然后基于多通道车体与构架相对位移信号实现车钩摆角识别。其步骤包括其步骤包括:
1)信号获取:采集两通道机车车体与构架相对位移信号数据;
2)数据预处理:剔除异常监测数据,完成采集到的信号数据的平滑与降噪;
3)车钩摆角识别模型构建:
3.1)数据融合:经过预处理后的两通道车体与构架相对位移数据输入ELM-AE(极限学习机自编码器)中进行通道数据融合,得到多通道相对位移融合数据;
3.2)数据集的构建:多通道相对位移融合数据作为训练模型的输入数据集,同时确定最优的输入时间序列长度L,模型的输出数据集为输入时间序列对应结束时刻的车钩摆角大小,上述输入、输出数据集形成样本Z;
3.3)样本划分:将样本Z划分为训练集样本与验证集样本,并将两数据集归一化;
3.4)特征提取与模型训练:将归一化后长度为L的训练集样本输入DMKELM-AE(深度多核极限学习机自编码器:多个多核极限学习机自编码器堆叠形成的深度网络)中进行深度特征提取,将所提取的深度特征作为MKELM(多核极限学习机)模型的输入,结合输出数据集开展模型的训练;
3.5)模型验证:将验证集样本输入训练后的模型中,根据识别结果的平均绝对误差确定训练模型的准确性。
步骤2)中剔除由于传感器缺陷及外界环境引起的异常监测信号,然后采用加权最小二乘平滑滤波方法去除高频干扰成分完成监测信号的平滑预处理。
步骤3)中建立车钩摆角识别模型包含以下步骤:
步骤3.1)中设置ELM-AE隐含层节点数量,然后由(1)式求得ELM-AE输出权值β,通过(2)式计算得到两通道车体与构架相对位移数据融合结果(即得到多通道相对位移融合数据/>)。
(1)
(2)
式中X表示输入样本,H为隐含层节点输出,C为正则化系数,I表示单位矩阵,T表示矩阵转置。
步骤3.2)中训练模型的输入数据集为数据预处理后的两通道车体与构架相对位移信号,同时确定最优的输入时间序列长度L,模型的输出数据集为输入时间序列对应结束时刻的车钩摆角大小。
步骤3.3)中按比例将样本划分为训练集样本与验证集样本,按(3)式将样本Z归一化至[0, 1]。
(3)
式中Znorm表示归一化样本,Zmin和Zmax分别表示样本最小值与最大值。
步骤3.4)中DMKELM-AE和MKELM的多核函数由式(4)~式(6)线性组合而成,形成的多核函数如(7)式所示。
(4)
(5)
(6)
(7)
式中、/>和/>分别表示多项式核函数、高斯核函数及小波核函数,K表示加权后的多核函数,/>、/>、/>分别为多项式核参数、高斯核参数和小波核参数,C 1和C 2分别为核权重,k表示样本序号,s表示样本个数,T表示矩阵转置,X为输入数据集,/>表示第k个输入向量。
步骤3.4)中DMKELM-AE为深度多核极限学习机自编码器,将归一化后的训练集样本输入DMKELM-AE中进行深度特征提取,该网络第1隐层输出和第i隐层输出表示为
(8)
(9)
式中表示第/>层隐含层输出,g(•) 表示激活函数,P表示隐含层数量,/>为第/>层的转换矩阵,I表示单位矩阵,Ω i 为第/>层由多核函数K计算的核矩阵,C为正则化系数,T表示矩阵转置,/>表示多通道相对位移融合数据;因此在第P层的高维特征/>表示为
(10)
式中表示统一转换矩阵。
步骤3.4)中MKELM的输出表示为(11)式,将所提取的深度特征作为MKELM模型训练的输入,即可对车钩摆角进行回归估计。
(11)
式中为模型输出,即车钩摆角的回归估计结果,/>表示由深度特征构建的核矩阵,/>表示标签向量,即车钩摆角真实值。
步骤3.5)将验证集样本输入已训练模型中,并对输出结果进行反归一化,即可定量识别出车钩摆角,经本发明中验证集样本验证确认模型可用后,即可用于实际的车钩摆角识别。
下面描述一个具体操作实例,如图1所示,包括以下步骤:
1)采集两通道机车车体与构架相对位移信号数据;
具体实施方式中,用于本发明车钩摆角测量装置的布置方案如图2所示,在机车重联位置前后车体与构架处分别布置位移测量传感器。仿真过程中机车以80 km/h的速度运行于施加美国五级谱轨道不平顺的轨道上,同时以200 Hz采样频率采集机车运行过程中的多通道车体与构架相对位移信号,原始信号如图3所示。
2)采集信号平滑与处理;
具体实施方式中,采用加权最小二乘平滑滤波方法完成获得的监测信号(两通道机车车体与构架相对位移信号数据)的平滑预处理,信号平滑结果如图4所示。
3)车钩摆角识别模型构建;
具体实施方式中,为实现两通道车体与构架相对位移的数据融合,设置ELM-AE隐含层节点数量为1,融合后的一维时间序列结果如图5所示。然后确定网络训练模型的输入数据集时间序列长度L=200 s,模型的输出数据集为输入时间序列200 s对应结束时刻的车钩摆角大小。此外,设置识别模型用于深度特征提取的DMKELM-AE网络层数P=3。
4)车钩摆角识别模型参数设置;
具体实施方式中,试验共采集5100 s机车运行监测数据,其中以300 s为识别模型验证集样本,其余为训练集样本,将训练集样本与验证集样本归一化至[0, 1]。此外,识别模型参数设置如下:核权重C 1=0.1、C 2=0.3,核参数=1.76、/>=0.0004、a=3.88,正则化系数C=13758。
5)车钩摆角定量识别;
具体实施方式中,将验证集样本输入已训练模型中,并对输出结果进行反归一化,即可定量识别出车钩摆角,如图6所示,结果表明本发明方法具有较高的识别精度,车钩摆角识别曲线的平均绝对误差为0.0318°,证明误差极小,模型构建成功,可用于对车钩摆角进行识别。
涉及术语解释:
1.车钩摆角是指机车运行过程中车钩横向摆动的几何角度。
2.极限学习机是指一种基于前馈神经网络构建的机器学习方法;ELM-AE:极限学习机自编码器;DMKELM-AE:深度多核极限学习机自编码器,由多个多核极限学习机自编码器堆叠形成的深度网络;MKELM:多核极限学习机。
以上仅是本发明的优选实施方式,应当指出的是,上述优选实施方式不应视为对本发明的限制,本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说,在不脱离本发明的精神和范围内,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”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设备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。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度低于第二特征。
以上仅是本发明的优选实施方式,应当指出的是,上述优选实施方式不应视为对本发明的限制,本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说,在不脱离本发明的精神和范围内,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于数据驱动的重载机车车钩摆角定量识别方法,其特征在于,其步骤包括:
1)信号获取:采集两通道机车车体与构架相对位移信号数据;
2)数据预处理:剔除异常监测数据,完成采集到的信号数据的平滑与降噪;
3)车钩摆角识别模型构建:
3.1)数据融合:经过预处理后的两通道车体与构架相对位移数据输入ELM-AE中进行通道数据融合,得到多通道相对位移融合数据;
3.2)数据集的构建:多通道相对位移融合数据作为训练模型的输入数据集,同时确定最优的输入时间序列长度L,模型的输出数据集为输入时间序列对应结束时刻的车钩摆角大小,上述输入、输出数据集形成样本Z;
3.3)样本划分:将样本Z划分为训练集样本与验证集样本,并将两数据集归一化;
3.4)特征提取与模型训练:将归一化后长度为L的训练集样本输入DMKELM-AE中进行深度特征提取,将所提取的深度特征作为MKELM模型的输入,结合输出数据集开展模型的训练;
3.5)模型验证:将验证集样本输入训练后的模型中,根据识别结果的平均绝对误差确定训练模型的准确性。
2.根据权利要求1所述的一种基于数据驱动的重载机车车钩摆角定量识别方法,其特征在于,机车重联位置的前后车体与构架之间安装位移传感器来获取相对位移信号数据。
3.根据权利要求1所述的一种基于数据驱动的重载机车车钩摆角定量识别方法,其特征在于,步骤2)中,预处理步骤为先剔除由于传感器缺陷及外界环境引起的异常监测信号,然后采用加权最小二乘平滑滤波方法去除高频干扰成分完成两通道机车车体与构架相对位移信号数据的平滑预处理。
4.根据权利要求1所述的一种基于数据驱动的重载机车车钩摆角定量识别方法,其特征在于,步骤3.1)中设置ELM-AE隐含层节点数量,然后求得ELM-AE输出权值β,再通过计算得到两通道车体与构架相对位移数据融合结果。
5.根据权利要求1所述的一种基于数据驱动的重载机车车钩摆角定量识别方法,其特征在于,步骤3.3)中按比例将样本划分为训练集样本与验证集样本,将样本Z归一化至[0,1]。
6.根据权利要求1所述的一种基于数据驱动的重载机车车钩摆角定量识别方法,其特征在于,步骤3.4)中DMKELM-AE和MKELM的多核函数由式(4)~式(6)线性组合而成,形成的多核函数如(7)式所示;
(4)
(5)
(6)
(7)
式中、/>和/>分别表示多项式核函数、高斯核函数及小波核函数,K表示加权后的多核函数,/>、/>、/>分别为多项式核参数、高斯核参数和小波核参数,C 1和C 2分别为核权重,k表示样本序号,s表示样本个数,T表示矩阵转置,X为输入数据集,/>表示第k个输入向量。
7.根据权利要求6所述的一种基于数据驱动的重载机车车钩摆角定量识别方法,其特征在于,步骤3.4)中DMKELM-AE为深度多核极限学习机自编码器,将归一化后的训练集样本输入DMKELM-AE中进行深度特征提取,将所提取的深度特征作为MKELM模型训练的输入,即可对车钩摆角进行回归估计。
8.根据权利要求6所述的一种基于数据驱动的重载机车车钩摆角定量识别方法,其特征在于,DMKELM-AE的网络第1隐层输出和第i隐层输出表示为
(8)
(9)
式中表示第/>层隐含层输出,g(•) 表示激活函数,P表示隐含层数量,/>为第/>层的转换矩阵,I表示单位矩阵,Ω i 为第/>层由多核函数K计算的核矩阵,C为正则化系数,T表示矩阵转置,/>表示多通道相对位移融合数据;
因此在第P层的高维特征表示为
(10)
式中表示统一转换矩阵;
步骤3.4)中MKELM的输出表示为(11)式,将所提取的深度特征作为MKELM模型训练的输入,即可对车钩摆角进行回归估计
(11)
式中为模型输出,即车钩摆角的回归估计结果,/>表示由深度特征构建的核矩阵,/>表示标签向量,即车钩摆角真实值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310713409.7A CN116467570B (zh) | 2023-06-16 | 2023-06-16 | 一种基于数据驱动的重载机车车钩摆角定量识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310713409.7A CN116467570B (zh) | 2023-06-16 | 2023-06-16 | 一种基于数据驱动的重载机车车钩摆角定量识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116467570A CN116467570A (zh) | 2023-07-21 |
CN116467570B true CN116467570B (zh) | 2023-09-05 |
Family
ID=87179240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310713409.7A Active CN116467570B (zh) | 2023-06-16 | 2023-06-16 | 一种基于数据驱动的重载机车车钩摆角定量识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116467570B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117874479B (zh) * | 2024-03-11 | 2024-05-24 | 西南交通大学 | 基于数据驱动的重载机车车钩力识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108709745A (zh) * | 2018-05-02 | 2018-10-26 | 东北林业大学 | 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法 |
CN109324604A (zh) * | 2018-11-29 | 2019-02-12 | 中南大学 | 一种基于多源信号的智能列车综合故障分析方法 |
CN112216085A (zh) * | 2020-09-15 | 2021-01-12 | 青岛科技大学 | 一种基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测系统 |
CN113392900A (zh) * | 2021-06-11 | 2021-09-14 | 西南交通大学 | 基于模糊熵和核极限学习机的电力机车空转在线识别方法 |
CN113798920A (zh) * | 2021-09-23 | 2021-12-17 | 大连理工大学 | 一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法 |
CN113902995A (zh) * | 2021-11-10 | 2022-01-07 | 中国科学技术大学 | 一种多模态人体行为识别方法及相关设备 |
CN115540875A (zh) * | 2022-11-24 | 2022-12-30 | 成都运达科技股份有限公司 | 一种用于股道内列车车辆高精度检测定位的方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7228230B2 (en) * | 2004-11-12 | 2007-06-05 | Mitsubishi Denki Kabushiki Kaisha | System for autonomous vehicle navigation with carrier phase DGPS and laser-scanner augmentation |
CN109993825B (zh) * | 2019-03-11 | 2023-06-20 | 北京工业大学 | 一种基于深度学习的三维重建方法 |
-
2023
- 2023-06-16 CN CN202310713409.7A patent/CN116467570B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108709745A (zh) * | 2018-05-02 | 2018-10-26 | 东北林业大学 | 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法 |
CN109324604A (zh) * | 2018-11-29 | 2019-02-12 | 中南大学 | 一种基于多源信号的智能列车综合故障分析方法 |
CN112216085A (zh) * | 2020-09-15 | 2021-01-12 | 青岛科技大学 | 一种基于边缘计算和更新样本智能识别的装备关键承力结构件健康监测系统 |
CN113392900A (zh) * | 2021-06-11 | 2021-09-14 | 西南交通大学 | 基于模糊熵和核极限学习机的电力机车空转在线识别方法 |
CN113798920A (zh) * | 2021-09-23 | 2021-12-17 | 大连理工大学 | 一种基于变分自动编码器与极限学习机的刀具磨损状态监测方法 |
CN113902995A (zh) * | 2021-11-10 | 2022-01-07 | 中国科学技术大学 | 一种多模态人体行为识别方法及相关设备 |
CN115540875A (zh) * | 2022-11-24 | 2022-12-30 | 成都运达科技股份有限公司 | 一种用于股道内列车车辆高精度检测定位的方法及系统 |
Non-Patent Citations (1)
Title |
---|
极限学习机前沿进展与趋势;徐睿 等;《计算机学报》;第42卷(第7期);1640-1670 * |
Also Published As
Publication number | Publication date |
---|---|
CN116467570A (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ye et al. | Fault diagnosis of high-speed train suspension systems using multiscale permutation entropy and linear local tangent space alignment | |
Xu et al. | Tire force estimation in intelligent tires using machine learning | |
CN104502126B (zh) | 一种基于模态区间的高速列车转向架故障诊断方法 | |
CN110308002B (zh) | 一种基于地面检测的城轨列车悬挂系统故障诊断方法 | |
CN106092600B (zh) | 一种针对汽车试验场强化道路的路面识别方法 | |
CN103852269B (zh) | 高速列车运行动力学参数检测方法 | |
CN116467570B (zh) | 一种基于数据驱动的重载机车车钩摆角定量识别方法 | |
CN103674578B (zh) | 高速列车运行动力学性能状态的检测方法 | |
CN104819846A (zh) | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 | |
CN103196682B (zh) | 基于d-s证据理论的信息融合的列车悬挂系统故障分离方法 | |
US11780452B2 (en) | Method and system for fault diagnoses of intelligent vehicles | |
CN106096096B (zh) | 基于mpca的列车悬挂系统故障分析方法及系统 | |
CN111238837A (zh) | 基于车轮振动加速度响应高速列车轮对损伤识别试验台 | |
Li et al. | Real-time drive-by bridge damage detection using deep auto-encoder | |
Ye et al. | Shock detection of rotating machinery based on activated time-domain images and deep learning: An application to railway wheel flat detection | |
Hurtado et al. | Unsupervised learning-based framework for indirect structural health monitoring using adversarial autoencoder | |
CN103471865A (zh) | 基于线性判别法的列车悬挂系统故障分离方法 | |
CN110084185B (zh) | 一种高速列车小幅蛇行运行特征的快速提取方法 | |
JP5139163B2 (ja) | 移動体の異常検出方法 | |
CN108664673A (zh) | 一种轮轨力载荷辨识特征数据模型建立方法及装置 | |
Li et al. | Rail Corrugation Detection of High‐Speed Railway Using Wheel Dynamic Responses | |
CN113203464A (zh) | 一种动态车载称重系统的传感器故障检测方法 | |
CN115758289B (zh) | 一种基于多任务学习神经网络的钢轨波磨识别方法 | |
CN114997252B (zh) | 一种基于惯性原理的车轮多边形车载检测方法 | |
CN116481747A (zh) | 一种考虑桥梁阻尼影响的桥梁模态振型驱车识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |