CN105139086B - 基于优化置信规则推理的轨道高低不平顺幅值估计方法 - Google Patents
基于优化置信规则推理的轨道高低不平顺幅值估计方法 Download PDFInfo
- Publication number
- CN105139086B CN105139086B CN201510496888.7A CN201510496888A CN105139086B CN 105139086 B CN105139086 B CN 105139086B CN 201510496888 A CN201510496888 A CN 201510496888A CN 105139086 B CN105139086 B CN 105139086B
- Authority
- CN
- China
- Prior art keywords
- model
- optimization
- vector
- parameter
- rule
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000007704 transition Effects 0.000 title abstract 5
- 239000013598 vector Substances 0.000 claims description 55
- 238000001514 detection method Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000013461 design Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 8
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 239000011541 reaction mixture Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 18
- 238000012544 monitoring process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及一种基于优化置信规则推理的轨道高低不平顺幅值估计方法。本发明利用置信规则库建模,描述不同测点的振动频域特征数据与轨道高低不平顺幅值之间对应的非线性映射关系。利用序列线性规划的方法,通过有限的历史数据,优化初始BRB模型,减少主观因素对模型的影响。SLP方法是将原模型的非线性优化的问题,转化为逐步的线性优化问题,更加简单快速的计算出优化模型的各个参数,使得在给定振动频域特征的情况下,可以通过信度推理精确和快速地估计出轨道高低不平顺幅值。通过本发明提高了模型的估计精度与计算的效率,对需要实时监测的轨道高低不平顺***具有更为高效的优势。
Description
技术领域
本发明涉及一种基于优化置信规则推理的轨道高低不平顺幅值估计方法,属于轨道交通安全运行维护领域。
背景技术
随着世界铁路技术的快速发展,铁路交通作为一种运载量大、高速安全、舒适环保的运输方式,已经逐步成为世界交通运输业发展的重要趋势。随着客运专线、重载铁路线路运营时间的增长及行车密度的增加,铁路线路设备必然出现性能退化且可靠性下降的现象,而轨道高低不平顺是其最为常见的一种现象,严重影响着乘车的安全性、影响列车的行进速度、以及乘车旅客的舒适度。针对目前轨道状态需要实时监测以及实现动态故障检测与管理的需求,为了缓解运营与维护之间的矛盾,故提出了利用置信规则库推理的轨道高低不平顺检测***,为了提高估计的精度与效率,采用了基于序列线性规划的方法,将检测***中需要优化的各参数的非线性优化问题,转化为逐层的线性规划问题,大大缩减了运行时间,提高故障定位的效率,由此便于掌握钢轨轨道的安全等级和以及为日后的维护提供数据支持。
传统的轨道高低不平顺的检测方法主要是通过轨道检查车GJ-4和GJ-5测量获得的。在《Development and application of track inspection vehicle technology》中指出了获取轨道高低不平顺幅值的方法,即轨检车GJ-5是利用安装在轨检车车身转向架上的垂直振动加速度计和位移计进行惯性基准测量,通过振动加速度信号的二次积分获得转向架的惯性位移,该惯性位移与位移计获取的转向架与轴箱之间的相对位移求和,即可得到高低不平顺的测量值,然后利用轨检车上倾斜仪和陀螺仪进行列车倾角的计算,利用该倾角对测量值修正,即可得到轨检车测量的轨道高低不平顺幅值的精确值。虽然轨检车可以提供精确的轨道高低不平顺幅值,但是它需要安装非常昂贵的测斜仪、陀螺仪等传感器而且对于传感器位置安装有严格的要求,所以目前配备的有限辆次轨检车并不能覆盖所有铁路线路的检测,而且轨检车只能对主干线进行定期检测,检测周期间隔较长(例如京广线全线每月检测2~3次),且占用线路的运行时间,从而降低了运行线路的经济效益,并且需专门摘挂难以满足目前铁路部门要求的对线路全天候监测工作的需求,更不足以满足中国庞大的铁路网络的实时监控的需求。
实际上,若能够采用价格相对低廉且易于安装的振动加速度传感器,将其装备在普通列车(客/货车)上,用于采集轨道几何形变的相关信息,并通过相应的检测方法从这些信息中计算出上述的形变指标,则不仅可以实现全天候实时检测,也可以增大检测覆盖的行车线路范围,且不占用线路的运行时间。例如,在《Condition monitoring of railwaytrack using in-service vehicle》文中就是利用安装在普通列车车轴上的振动加速度计,获取车厢真实的垂向振动信号,并对其进行小波分析,从分解后的信号中可以识别出轨道高低不平顺、轨道焊缝和轨道波浪形磨损等故障。在《Track irregularitiesestimation based on acceleration measurements》文中通过Simpack软件建模列车动态模型,模拟轨道不平顺下列车的运行,利用安装在车厢和转向架上的虚拟振动加速度传感计,获取这两个测点的垂向振动信号,然后分别将这两种信号及模拟的高低不平顺信号转换到频域中,利用Welch法进行频域信号的相关性分析后发现,高低不平顺更易于引起转向架的振动。在《基于置信规则库推理的轨道高低不平顺检测方法》文中提供了利用置信规则库模型估计轨道高低不平顺的安全等级,该方法只能用于检测故障是否发生,并不能得到精确地估计高低不平顺幅值,应用范围较窄,而且并没有给出有效的优化算法,用于模型的优化,本发明基于专家规则推理与序列线性规划的轨道高低不平顺幅值估计方法是在置信规则库推理模型的基础上,得到不同测点的振动频域特征与轨道高低不平顺幅值的对应关系,同时给出了基于序列线性规划的优化方法,优化模型,减小主观因素的影响,提高模型的估计精度与计算的效率。
发明内容
本发明的目的是提出一种基于优化置信规则(belief rules based,BRB)推理的轨道高低不平顺幅值估计方法,通过建立置信规则库描述不同测点的振动频域特征数据与轨道高低不平顺幅值之间的对应变化关系。利用序列线性规划(Sequence LinearProgramming,SLP)的方法,通过有限的历史数据,优化初始BRB模型,减少主观因素对模型的影响。SLP方法是将原模型的非线性优化的问题,转化为逐步的线性优化问题,更加简单快速的计算出优化模型的各个参数,使得在给定振动频域特征的情况下,可以通过信度推理精确地和快速地估计出轨道高低不平顺幅值,对需要实时监测的轨道高低不平顺***具有更为高效的优势。
本发明方法包括以下各步骤:
步骤(1)利用GJ-5型轨道检测车分别安装在车轴与车厢上的垂直振动加速度计获得车轴和车厢位置的时域振动加速度信号a1(t)和a2(t),其幅值单位为G(重力加速度,9.8m/s2),其中a1(t)∈[-0.2,0.2],a2(t)∈[-15.8,15.5],GJ-5型轨道检测车运行时速为100千米/小时~150千米/小时,两个加速度计的振动信号均为每隔h米同时采样一次,满足0.2m≤h≤0.3m,共计采集T次,1000≤T<∞,则采样时刻t=1,2,…,T。
步骤(2)将步骤(1)中获取的时域振动信号a1(t)和a2(t)进行短时傅里叶变换,获取每个采样时刻的频域频谱,其中设置短时傅里叶变换中窗函数的窗口宽度为τ,且满足20≤τ≤25,通过短时傅里叶变换后得到每个时刻窗口各个频率的幅值,并求每个频率幅值平方的平均值,该平均值即为对应频谱的平均功率,将其作为每个采样时刻所获取振动时域信号a1(t)和a2(t)对应的振动频域特征f1(t)和f2(t)。
步骤(3)从GJ-5型轨道检测车上获取每个采样时刻轨道高低不平顺的幅值Y(t),其单位为毫米:
在GJ-5型轨道检测车上获取每个采样时刻转向架垂直振动加速度时域信号、惯性基准测量值,以及列车倾角信号之后,利用GJ-5型轨道检测车所携带的数据处理***中的惯性参考测量算法,可以从这些信号数据中计算出轨道高低不平顺的幅值Y(t),将f1(t)、f2(t)和Y(t)表示成向量p(t)=[f1(t),f2(t),Y(t)],共计可以得到T个向量,它们组成的向量集记为P={p(t)|t=1,2,…,T}。
步骤(4)建立置信规则库(缩写为BRB),用其反映车轴及车厢处振动频率特性变量f1和f2(BRB的二维输入)与高低不平顺的幅值变量Y(BRB的输出)之间的非线性关系,其中,BRB的第k条规则记为Rk,其表示形式如下:
Rk:If f1isAND f2isTHEN Y is
Rk的规则权重为θk,满足0≤θk≤1;输入变量f1和f2对应的属性权重分别为δ1,δ2,且0≤δ1,δ2≤1;
式(1)中,和分别为BRB的输入变量的f1和f2参考值,且有其中j=1,2,Qj为的取值空间,其中的元素满足mj表示对应第j个输入变量参考值的取值个数,mj≥1;分别在Q1,Q2中抽取一个元素作为f1、f2的参考值,由此组合成规则,共计可以产生L=m1×m2条规则,L≥1,k=1,2,3,…,L为规则的编号;
其中,式(1)中,设定初始规则权重为θk=1,初始属性权重δj=1。
步骤(5)给定振动频率特性f1和f2后,通过置信规则库推理获取它们对应的轨道高低不平顺幅值估计结果具体步骤如下:
步骤(5-1)设定f1和f2的取值分别为和上标I表示BRB***的输入,并有将它们带入BRB模型,计算它们激活各个规则的权重:
其中,wk∈[0,1];为相对属性权重,表达式为:
式(2)中,表示为第k条规则中第j个输入变量相对于参考值的匹配度(c=1,2,…,mj),匹配度的求解方法如下:
(a)当和时,对于Aj,1和的匹配度取值均为1,对于其他参考值的匹配度均为0;
(b)当时,对于Aj,c和Aj,c+1的匹配度取值分别由式(4)和式(5)给出
此时,输入变量对应的其他参考值的匹配度均为0;
步骤(5-2)获得输入变量为和时,模型推理后的不同后项输出的信度融合值
其中,
步骤(5-3)获得输入变量为和时轨道高低不平顺幅值估计结果
步骤(6)选择训练优化样本集PT
随机从步骤(3)中给出的向量集P={p(t)|t=1,2,…,T},从中抽选出TN个向量组成训练样本集PT={p(t)|t=1,2,…,TN},TN≥500,这里选择的训练样本集能够尽量激活所有规则,并将样本集中向量的前两维的取值作为BRB模型的输入,按照步骤(5)得出它们的估计值
步骤(7)确定BRB非线性优化模型
步骤(7-1)确定优化参数向量
V=(θk,δj,βi,kk=1,2,…,L,j=1,2,i=1,2,…,N) (9)
将各优化参数组成向量V=[v1,v2,…,vTn],向量是由规则库中规则权重、属性权重和后项信度组合而成,Tn为优化参数的个数,Tn>2这里,Tn=L+2+L×N,故满足0≤va≤1,a=1,2,…,Tn,且对应va为βi,k时满足,
步骤(7-2)建立优化目标函数为:
步骤(8)获得基于序列线性规划的BRB模型,具体步骤如下:
步骤(8-1)将非线性模型中的目标函数进行一阶泰勒展开
其中,V0为初始的BRB模型对应的变量值,ξ(V0)表示将V0带入式(10)对应的函数值,并令ξ(V0)=obj0,表示给定模型初始值V0时目标函数对应各优化参数va的一阶偏导数,ξ(0)(V)表示非线性规划模型近似的线性规划模型的目标函数,其中,向量V为未知参数向量。由此,可将非线性模型简化为线性规划问题:
minξ(0)(V)
s.t.0≤va≤1,a=1,2,…,Tn (12)
且对应va为βi,k时,满足
步骤(8-2)确定优化参数向量V中各参数va的寻优区间
(a)确定各参数va的上限向量UB,其中参数βi,k对应的上限为:
规则权重及属性权重的上限UB2均为1,由向量UB2与UB1组成向量UB,其中Tk表示在样本数据中,同时激活第k条规则的样本数据集WT对应时刻t组成的集合;
(b)确定线性规划中的移动限move_lim:
设置上限的10%作为最初选取的移动限范围,move_lim=[lower,upper],其中,lower表示优化参数的移动下限,upper表示优化参数的移动上限,
这里,tx用于缩小移动限范围,初始tx=0.5,0.5≤tx≤20;
将移动限确定的取值范围与式(12)中给定的各参数的取值范围取交,确定出最终优化参数的寻优区间;
步骤(8-3)获得近似线性规划的局部最优解V_yh
根据线性规划理论,结合步骤(8-2)确定的各优化参数的寻优区间,在寻优区间内寻找参数的局部最优解V_yh,最常用的两种线性规划算法为单纯形法与内点法;
步骤(8-4)判定优化参数的结果是否满足设计要求
将步骤(8-3)中线性优化结果V_yh带入式(10),得到优化参数后的模型对应的目标函数值obj1;
如果obj1≥obj0,说明线性规划的结果不如初始模型的结果,此时,tx的值加1,重新带入步骤(8-2-b),通过缩小移动限的方式,缩小寻优区间继续寻找最优值,tx>20时说明变量的移动限变化不大,停止搜索,重新赋值tx=0.5,并输出此时模型参数V_yh;
如果obj1<obj0,说明此时线性规划的结果要优于初始模型的结果,判断是否满足设计要求|obj1-obj0|<err,err表示允许的设计误差,0<err≤0.1,满足要求则输出此时的结果V_yh;
如果|obj1-obj0|>err,将优化后的V_yh赋给V0,obj1的值赋给obj0,带入步骤(8)重新进行循环迭代,直到|obj1-obj0|≤err,停止迭代,并输出结果V_yh;
得到的训练优化结果V_yh组成的模型,即为训练优化后的轨道高低不平顺装置的BRB模型。
上述方法的关键技术在于:首先选取有一定特征的历史数据进行数据分析,得到安放在轨检车车轴及车厢上加速度计的时域振动信号对应的频域特征,构建反映输入频域特征信号f1和f2与输出轨道高低不平顺幅值Y之间非线性关系的置信规则库,然后选取训练样本,将BRB模型中各参数组成的非线性优化问题,通过对目标函数的泰勒展开将其转化为更为简单易求的线性规划问题,最后利用逐层线性化的方式近似出非线性优化的解。
本发明首先利用置信规则库(BRB)建立轨检车不同测点传感器的振动频域特征数据与轨道高低不平顺幅值之间的非线性映射关系。然后构建针对BRB中各参数组成的非线性规划模型,通过SLP方法逐层线性化近似出非线性模型优化的解。由此减小主观因素的影响,提高模型的估计精度与计算的效率。对需要实时监测的轨道高低不平顺***具有更为高效的优势。
附图说明
图1是本发明方法的流程框图。
图2是本发明方法实施例中利用短时傅里叶变换将轨检车中,测得的车轴与车厢加速度的时域数据转化为振动频域特征数据。
图3基于序列线性规划算法解决BRB模型参数优化的流程框图。
图4是本发明方法实施例中利用序列线性规划(SLP)优化BRB模型的估计图。
图5是本发明方法实施例中利用SLP优化BRB模型的估计与真实值之间的绝对误差图。
具体实施方式
以下结合附图对本发明作进一步说明。
本发明方法包括以下各步骤:
(1)利用GJ-5型轨道检测车分别安装在车轴与车厢上的垂直振动加速度计获得车轴和车厢位置的时域振动加速度信号a1(t)和a2(t),其幅值单位为G(重力加速度,9.8m/s2),其中a1(t)∈[-0.2,0.2],a2(t)∈[-15.8,15.5],GJ-5型轨道检测车运行时速为100千米/小时~150千米/小时,两个加速度计的振动信号均为每隔h米同时采样一次,满足0.2m≤h≤0.3m,共计采集T次,1000≤T<∞,则采样时刻t=1,2,…,T。
(2)将步骤(1)中获取的时域振动信号a1(t)和a2(t)进行短时傅里叶变换,获取每个采样时刻的频域频谱,其中设置短时傅里叶变换中窗函数的窗口宽度为τ,且满足20≤τ≤25,通过短时傅里叶变换后得到每个时刻窗口各个频率的幅值,并求每个频率幅值平方的平均值,该平均值即为对应频谱的平均功率,将其作为每个采样时刻所获取振动时域信号a1(t)和a2(t)对应的振动频域特征f1(t)和f2(t)。
(3)从GJ-5型轨道检测车上获取每个采样时刻轨道高低不平顺的幅值Y(t),其单位为毫米:
在GJ-5型轨道检测车上获取每个采样时刻转向架垂直振动加速度时域信号、惯性基准测量值,以及列车倾角信号之后,利用GJ-5型轨道检测车所携带的数据处理***中的惯性参考测量算法,可以从这些信号数据中计算出轨道高低不平顺的幅值Y(t),将f1(t)、f2(t)和Y(t)表示成向量p(t)=[f1(t),f2(t),Y(t)],共计可以得到T个向量,它们组成的向量集记为P={p(t)|t=1,2,…,T}。
(4)建立置信规则库(缩写为BRB),用其反映车轴及车厢处振动频率特性变量f1和f2(BRB的二维输入)与高低不平顺的幅值变量Y(BRB的输出)之间的非线性关系,其中,BRB的第k条规则记为Rk,其表示形式如下:
Rk:If f1isAND f2isTHEN Y is
Rk的规则权重为θk,满足0≤θk≤1;输入变量f1和f2对应的属性权重分别为δ1,δ2,且0≤δ1,δ2≤1;
其中,式(1)中,设定初始规则权重为θk=1,初始属性权重δj=1。
为便于理解,举例说明,假设中各参考值的取值为A1,1=8,A1,2=9,A1,3=10,中各参考值的取值为A2,1=0.1,A2,2=0.2,A3,3=0.3,假设满足Y=f1×f2,D1=0.5,D2=1.4,D3=2.2,D3=3,共计将会产生L=9条规则,设初始θk=1,δ1=δ2=1,其中部分规则形势如下:
R1:若f1=8且f2=0.1,则[(D1,0.667),(D2,0.333),(D3,0),(D4,0)];
R2:若f1=8且f2=0.2,则[(D1,0),(D2,0.75),(D3,0.25),(D4,0)];
R3:若f1=8且f2=0.3,则[(D1,0),(D2,0),(D3,0.75),(D4,0.25)];
……
R7:若f1=10且f2=0.1,则[(D1,0.444),(D2,0.556),(D3,0),(D4,0)];
R8:若f1=10且f2=0.2,则[(D1,0),(D2,0.25),(D3,0.75),(D4,0)];
R9:若f1=10且f2=0.3,则[(D1,0),(D2,0),(D3,0),(D4,1)];
这里组成了9条规则,其中βi,k为满足约束根据历史数据分析得到的结果。
(5)给定振动频率特性f1和f2后,通过置信规则库推理获取它们对应的轨道高低不平顺幅值估计结果具体步骤如下:
(5-1)设定f1和f2的取值分别为和标I表示BRB***的输入,并有将它们带入BRB模型,计算它们激活各个规则的权重:
其中,wk∈[0,1];为相对属性权重,表达式为:
式(2)中,表示为第k条规则中第j个输入变量相对于参考值的匹配度(c=1,2,…,mj),匹配度的求解方法如下:
(a)当和时,对于Aj,1和的匹配度取值均为1,对于其他参考值的匹配度均为0;
(b)当时,对于Aj,c和Aj,c+1的匹配度取值分别由式(4)和式(5)给出
此时,输入变量对应的其他参考值的匹配度均为0;
步骤(5-2)获得输入变量为和时,模型推理后的不同后项输出的信度融合值
其中,
步骤(5-3)获得输入变量为和时轨道高低不平顺幅值估计结果
为便于理解,举例说明,以步骤(4)中的模型为例,假设模型输入和此时的真实值Y=1.118,带入公式(2)-(5),可得激活规则R1、R2、R4与R5,且:
w1=0.28,w2=0.12,w4=0.42,w5=0.18,其余均为0;
(6)选择训练优化样本集PT
随机从步骤(3)中给出的向量集P={p(t)|t=1,2,…,T},从中抽选出TN个向量组成训练样本集PT={p(t)|t=1,2,…,TN},TN≥500,这里选择的训练样本集能够尽量激活所有规则,并将样本集中向量的前两维的取值作为BRB模型的输入,按照步骤(5)得出它们的估计值
(7)确定BRB非线性优化模型
步骤(7-1)确定优化参数向量
V=(θk,δj,βi,kk=1,2,…,L,j=1,2,i=1,2,…,N) (9)
将各优化参数组成向量V=[v1,v2,…,vTn],向量是由规则库中规则权重、属性权重和后项信度组合而成,Tn为优化参数的个数,Tn>2这里,Tn=L+2+L×N,故满足0≤va≤1,a=1,2,…,Tn,且对应va为βi,k时满足,
步骤(7-2)建立优化目标函数为:
(8)获得基于序列线性规划的BRB模型,具体步骤如下:
步骤(8-1)将非线性模型中的目标函数进行一阶泰勒展开
其中,V0为初始的BRB模型对应的变量值,ξ(V0)表示将V0带入式(10)对应的函数值,并令ξ(V0)=obj0,表示给定模型初始值V0时目标函数对应各优化参数va的一阶偏导数,ξ(0)(V)表示非线性规划模型近似的线性规划模型的目标函数,其中,向量V为未知参数向量。由此,可将非线性模型简化为线性规划问题:
minξ(0)(V)
s.t.0≤va≤1,a=1,2,…,Tn (12)
且对应va为βi,k时,满足
步骤(8-2)确定优化参数向量V中各参数va的寻优区间
(a)确定各参数va的上限向量UB,其中参数βi,k对应的上限为:
规则权重及属性权重的上限UB2均为1,由向量UB2与UB1组成向量UB,其中Tk表示在样本数据中,同时激活第k条规则的样本数据集WT对应时刻t组成的集合;
为便于理解,举例说明,假设激活第3条规则的Y组成的数据集Q={2.01,2.015,2.01,2.01,2.985,2.045,3.015,3.01,3.015,3.09,3.065},此时t的序列号组成的集合为Tk={92,322,367,387,409,411,444,445,446,447,456},选择对应下标最大的Y_max=3.09,取D=[0,2,4,6,8,10,12],得到k=3时的7条对应的上限值UB1(βi,3)={1,1,1,1,0.89,0.712,0.5933},同理获得所有优化参数对应的上限UB。
(b)确定线性规划中的移动限move_lim:
设置上限的10%作为最初选取的移动限范围,move_lim=[lower,upper],其中,lower表示优化参数的移动下限,upper表示优化参数的移动上限,
这里,tx用于缩小移动限范围,初始tx=0.5,0.5≤tx≤20;
将移动限确定的取值范围与式(12)中给定的各参数的取值范围取交,确定出最终优化参数的寻优区间;
步骤(8-3)获得近似线性规划的局部最优解V_yh
根据线性规划理论,结合步骤(8-2)确定的各优化参数的寻优区间,在寻优区间内寻找参数的局部最优解V_yh,最常用的两种线性规划算法为单纯形法与内点法;
步骤(8-4)判定优化参数的结果是否满足设计要求
将步骤(8-3)中线性优化结果V_yh带入式(10),得到优化参数后的模型对应的目标函数值obj1;
如果obj1≥obj0,说明线性规划的结果不如初始模型的结果,此时,tx的值加1,重新带入步骤(8-2-b),通过缩小移动限的方式,缩小寻优区间继续寻找最优值,tx>20时说明变量的移动限变化不大,停止搜索,重新赋值tx=0.5,并输出此时模型参数V_yh;
如果obj1<obj0,说明此时线性规划的结果要优于初始模型的结果,判断是否满足设计要求|obj1-obj0|<err,err表示允许的设计误差,0<err≤0.1,满足要求则输出此时的结果V_yh;
如果|obj1-obj0|>err,将优化后的V_yh赋给V0,obj1的值赋给obj0,带入步骤(8)重新进行循环迭代,直到|obj1-obj0|≤err,停止迭代,并输出结果V_yh;
得到的训练优化结果V_yh组成的模型,即为训练优化后的轨道高低不平顺装置的BRB模型。
以下结合附图,详细介绍本发明方法的实施例:
本发明方法的流程图如图1所示,核心部分是:首先选取有一定特征的历史数据进行短时傅里叶变化,得到安放在轨检车车轴及车厢上加速度计的时域振动信号对应的频域特征,构建反映输入频域特征信号f1和f2与输出轨道高低不平顺幅值Y之间非线性关系的置信规则库,然后通过选取的训练样本,将BRB模型中各参数组成的非线性优化问题,通过对目标函数的泰勒展开将其转化为更为简单易求的线性规划问题,最后利用逐层线性化的方式近似出非线性优化的解。
以下结合我国某既有干线下行区段(1584.5103km~1586.86735km)为例,轨检车以100千米/小时的速度运行,每隔0.25米采集一次轨道的相关参数信号。详细介绍本发明方法的各个步骤,并通过实验结果验证本发明提出的一种基于专家规则推理与序列线性规划的轨道高低不平顺幅值估计方法与利用MATLAB工具箱中fmincon函数相比,在计算效率上的优势,避免fmincon函数中可能存在优化不出结果的情况。
1.利用GJ-5型轨检车中分别安装在车轴与车厢上的垂直振动加速度计获得车轴和车厢位置的时域振动加速度信号a1(t)和a2(t),选择GJ-5型轨检车运行时速为100千米/小时,两个加速度计的振动信号均为每隔0.25米同时采样一次,共计采集T=(1586.86735-1584.5103)÷(0.25*10-3)=9428次。
2.根据步骤(2)将时域振动信号a1(t)和a2(t)进行短时傅里叶变换,获取每个采样时刻的频域频谱,其中设置短时傅里叶变换中窗函数的窗口宽度为τ=21,频率特征f1(t)和f2(t),如图2所示。
3.从GJ-5型轨检车上计算出输入f1(t)和f2(t)对应各时刻的轨道高低不平顺的幅值Y(t),并由此组成向量集P={p(t)|t=1,2,…,9428}。
4.建立反映车轴及车厢处振动频率特性变量f1和f2(BRB的二维输入)与高低不平顺的幅值变量Y(BRB的输出)之间的非线性关系的置信规则库(BRB)。
选取输入输出变量的语义值,f1的模糊语义值描述为、很小(very small,VS1)、正小(positive small,PS1)、正中(positive medium,PM1)、正大(positive large,PL1)、很大(very large,VL1);f2的模糊语义值描述为:极小(exceeding small,ES2)、很小(verysmall,VS2)、正小(positive small,PS2)、正中(positive medium,PM2)、大(large,Z2)、中大(medium large,ML2)、很大(very large,VL2),极大(exceeding large,EL2)。其参考值如表1-表3所示:
表1 f1的语义值和参考值
表2 f2的语义值和参考值
表3 Y的语义值和参考值
建立的初始置信规则库如表4所示,其中后项输出的信度值根据历史数据按照要求给定:
表4初始置信规则库
5.结合步骤(6)得到训练样本给定频率特性与通过置信规则库推理获取它们对应的轨道高低不平顺幅值估计结果
在9428组向量中挑选TN=500组训练样本,其对应输入的真实值为Y(t),训练样本输入经过BRB推理机制对应的估计值为
首先,确定每个输入变量相对于各参考值的匹配度。对于500个训练样本计算出它们对于各自参考值(语义值)的匹配度。例如,当t=7500时,输入量为f1=0.3369、f2=0.0062,则f1对于PS1和PM1的匹配度分别为0.8215和0.1785,f2对于PS2和PM2的匹配度分别为0.8418和0.1582,对其余参考值的匹配度均为0。
然后,计算规则的激活权重。获得输入量对于每个规则中参考值的匹配度后,即可利用式(2)计算BRB中每条规则的激活权重wk。同样以t=7500时为例,对于输入变量f1、f2,可以得到其对规则R11~R12和R19~R20的激活权重分别为w11=0.6915,w12=0.13,w19=0.1503,w20=0.0282,而其他规则的激活权重均为0,亦即激活了BRB中的4条规则。
最后,融合激活的规则。利用ER算法融合被激活的置信规则后项的置信结构,得到关于Y的输出置信结构。根据式(3)与式(4)可以求出例如,将上步中关于f1=0.3369、f2=0.0062的wk及初始BRB后项置信度βj,k带入式(6)与式(7)中,可得O={(D1,0),(D2,0.4369),(D3,0.5631),(D4,0),(D5,0),(D6,0),(D7,0)}。
6.确定BRB非线性优化模型
得到非线性模型的优化参数指标向量V:
V=(θk,δj,βi,kk=1,2,…,L,j=1,2,i=1,2,…,N)
根据上面的实例,规则库中规则权重共有L=40个、属性权重2个和后项信度280个参数,由此组成共计Tn=322个优化参数的非线性规划模型为:
且k=1,2,…,40,j=1,2,i=1,2,…,7
7.获得基于序列线性规划的BRB模型,其中,序列线性规划的算法流程如图3所示,具体步骤如下:
7.1将非线性模型中的目标函数进行一阶泰勒展开
这里,以表4的中的各模型参数组成的向量V0为非线性模型的初始值,V0对应的目标函数值为obj0=0.2599,将目标函数值代入式(11),进行泰勒展开由此得到线性规划模型:
minξ(0)(V)
s.t.0≤θk≤1,0≤δj≤1,0≤βi,k≤1
且k=1,2,…,40,j=1,2,i=1,2,…,7
7.2确定待训练的参数集合V中各参数变量va的寻优区间
利用式(13)得到βi,k对应的参数上限UB1,这里以同时激活第3条规则为例,在输入的500组样本中,激活第3条规则的Y组成的数据集Q={2.01,2.015,2.01,2.01,2.985,2.045,3.015,3.01,3.015,3.09,3.065},此时t的序列号组成的集合为Tk={92,322,367,387,409,411,444,445,446,447,456},选择对应下标最大的Y_max=3.09,得到k=3时的7条对应的上限值UB1(βi,3)={1,1,1,1,0.89,0.712,0.5933},同理获得所有优化参数对应的上限UB。
7.3获得近似线性规划的局部最优解V_yh
利用内点法,对线性规划模型求解局部最优,并利用MATLAB工具箱中的linprog函数实现线性寻优:
V_yh=linprog(Der,A,b,Aeq,beq,LB,UB,V0,OPTIONS);
Der表示初始模型各参数向量V0相对于目标函数的一阶偏导数向量,A,b为满足移动限要求的不等式约束A·V_yh≤b的矩阵,Aeq,beq为满足对应βi,k参数中,的等式约束,LB,UB为满足每个参数0≤va≤1最大最小值要求组成的向量,V0为线性规划的初始值由此在可行域内搜索出满足线性要求的V_yh值。
7.4判定结果是否满足设计要求
将步骤(8-3)中线性优化结果V_yh带入式(10),得到优化参数后的模型对应的目标函数值obj1=0.1652;如果obj1≥obj0,则tx自增1,带入式(14)重新计算移动限,在改变后的约束范围内继续寻找局部最优V_yh;
而此时obj1<obj0,设允许的设计误差err=0.0001,但优化后目标函数值的结果不满足|obj1-obj0|<err,故将V_yh赋给V0,obj1的值赋给obj0,带入步骤(8)重新进行循环迭代,当迭代42次后,发现|obj1-obj0|≤err成立,输出此时的V_yh,此时的属性权重δ1=0.5249,δ2=0.5058,其它参数如表5所示:
表5基于SLP方法优化后的置信规则库参数
8.确定优化后的轨道高低不平顺幅值检测的BRB***,进行结果的验证测试
根据以上步骤获得优化后的轨道高低不平顺检测***中的参数,利用随机抽取的样本数据进行验证。这里,可以获得初始BRB对轨道高低不平顺幅值的估计曲线与优化后的BRB对轨道高低不平顺幅值估计曲线如图4所示,图4(a)表示初始BRB对轨道高低不平顺幅值的估计曲线,图4(b)表示优化后BRB的模型对相同输入变量时轨道高低不平顺幅值的估计曲线,其中由轨检车获得的数据作为真实值用“—”表示,本发明方法给出的轨道高低不平顺幅值估计值用“.”表示,图5表示初始和优化后BRB对轨道高低不平顺幅值的估计分别与真值之间的绝对误差,其中“—”代表初始BRB对轨道高低不平顺幅值估计与真值之间的绝对误差曲线,“--*--”代表优化后的BRB对轨道高低不平顺幅值估计与真值之间的绝对误差曲线。
Claims (1)
1.基于优化置信规则推理的轨道高低不平顺幅值估计方法,其特征在于该方法包括以下各步骤:
步骤(1)利用GJ-5型轨道检测车上分别安装在车轴与车厢上的垂直振动加速度计获得车轴和车厢位置的时域振动加速度信号a1(t)和a2(t),其幅值单位为G,其中a1(t)∈[-0.2,0.2],a2(t)∈[-15.8,15.5],GJ-5型轨道检测车运行时速为100千米/小时~150千米/小时,两个加速度计的振动信号均为每隔h米同时采样一次,满足0.2m≤h≤0.3m,共计采集T次,1000≤T<∞,则采样时刻t=1,2,…,T;
步骤(2)将步骤(1)中获取的时域振动加速度信号a1(t)和a2(t)进行短时傅里叶变换,获取每个采样时刻的频域频谱,其中设置短时傅里叶变换中窗函数的窗口宽度为τ,且满足20≤τ≤25,通过短时傅里叶变换后得到每个时刻窗口各个频率的幅值,并求每个频率幅值平方的平均值,该平均值即为对应频谱的平均功率,将其作为每个采样时刻所获取时域振动加速度信号a1(t)和a2(t)对应的振动频域特征f1(t)和f2(t);
步骤(3)从GJ-5型轨道检测车上获取每个采样时刻轨道高低不平顺的幅值Y(t),其单位为毫米:
在GJ-5型轨道检测车上获取每个采样时刻转向架垂直时域振动加速度信号、惯性基准测量值,以及列车倾角信号之后,利用GJ-5型轨道检测车所携带的数据处理***中的惯性参考测量算法,从这些信号数据中计算出轨道高低不平顺的幅值Y(t),将f1(t)、f2(t)和Y(t)表示成向量p(t)=[f1(t),f2(t),Y(t)],共计得到T个向量,它们组成的向量集记为P={p(t)|t=1,2,…,T};
步骤(4)建立置信规则库,用其反映车轴及车厢处振动频率特性变量f1和f2与高低不平顺的幅值变量Y之间的非线性关系,其中,置信规则库的第k条规则记为Rk,其表示形式如下:
Rk的规则权重为θk,满足0≤θk≤1;输入变量f1和f2对应的属性权重分别为δ1,δ2,且0≤δ1,δ2≤1;
式(1)中,和分别为置信规则库的输入变量的f1和f2参考值,且有其中j=1,2,Qj为的取值空间,其中的元素满足mj表示对应第j个输入变量参考值的取值个数,mj≥1;分别在Q1,Q2中抽取一个元素作为f1、f2的参考值,由此组合成规则,共计产生L=m1×m2条规则,L≥1,k=1,2,3,…,L为规则的编号;
式(1)中,Rk后项属性分别为D1,D2,L,DN,并有LY≤D1<D2<L<DN≤RY,N≥2,β1,k,β2,k,…,βN,k分别为D1,D2,L,DN的信度值,并满足0≤βi,k≤1,
其中,式(1)中,设定初始规则权重为θk=1,初始属性权重δj=1;
步骤(5)给定振动频率特性f1和f2后,通过置信规则库推理获取它们对应的轨道高低不平顺幅值估计结果具体步骤如下:
步骤(5-1)设定f1和f2的取值分别为f1 I和上标I表示置信规则库的输入,并有将它们带入置信规则库,计算它们激活各个规则的权重:
其中,wk∈[0,1];为相对属性权重,表达式为:
式(2)中,表示为第k条规则中第j个输入变量相对于参考值的匹配度,c=1,2,…,mj,匹配度的具体如下:
(a)当fj I≤Aj,1和时,fj I对于Aj,1和的匹配度取值均为1,对于其他参考值的匹配度均为0;
(b)当Aj,c<fj I≤Aj,c+1时,fj I对于Aj,c和Aj,c+1的匹配度取值分别由式(4)和式(5)给出
此时,输入变量对应的其他参考值的匹配度均为0;
步骤(5-2)获得输入变量为f1 I和时,模型推理后的不同后项输出的信度融合值
其中,
步骤(5-3)获得输入变量为f1 I和时轨道高低不平顺幅值估计结果
步骤(6)选择训练优化样本集PT
随机从步骤(3)中给出的向量集P={p(t)|t=1,2,…,T},从中抽选出TN个向量组成训练样本集PT={p(t)|t=1,2,…,TN},TN≥500,这里选择的训练样本集能够尽量激活所有规则,并将样本集中向量的前两维f1 T(t)、的取值作为置信规则库模型的输入,按照步骤(5)得出它们的估计值
步骤(7)确定置信规则库非线性优化模型
步骤(7-1)确定优化参数向量
V=(θk,δj,βi,k k=1,2,L,L,j=1,2,i=1,2,L,N) (9)
将各优化参数组成向量V=[v1,v2,…,vTn],向量是由规则库中规则权重、属性权重和后项信度组合而成,Tn为优化参数的个数,Tn>2,这里Tn=L+2+L×N,故满足0≤va≤1,a=1,2,…,Tn,且对应va为βi,k时满足,
步骤(7-2)建立优化目标函数为:
步骤(8)获得基于序列线性规划的置信规则库模型,具体步骤如下:
步骤(8-1)将非线性模型中的目标函数进行一阶泰勒展开
其中,V0为初始的置信规则库模型对应的变量值,ξ(V0)表示将V0带入式(10)对应的函数值,并令ξ(V0)=obj0,表示给定模型初始值V0时目标函数对应各优化参数va的一阶偏导数,ξ(0)(V)表示非线性规划模型近似的线性规划模型的目标函数,其中,向量V为未知参数向量;由此,可将非线性模型简化为线性规划问题:
步骤(8-2)确定优化参数向量V中各参数va的寻优区间
(a)确定各参数va的上限向量UB,其中参数βi,k对应的上限为:
规则权重及属性权重的上限UB2均为1,由向量UB2与UB1组成向量UB,其中Tk表示在样本数据中,同时激活第k条规则的样本数据集WT对应时刻t组成的集合;
(b)确定线性规划中的移动限move_lim:
设置上限的10%作为最初选取的移动限范围,move_lim=[lower,upper],其中,lower表示优化参数的移动下限,upper表示优化参数的移动上限,
这里,tx用于缩小移动限范围,初始tx=0.5,0.5≤tx≤20;
将移动限确定的取值范围与式(12)中给定的各参数的取值范围取交,确定出最终优化参数的寻优区间;
步骤(8-3)获得近似线性规划的局部最优解V_yh
根据线性规划理论,结合步骤(8-2)确定的各优化参数的寻优区间,在寻优区间内寻找参数的局部最优解V_yh;
步骤(8-4)判定优化参数的结果是否满足设计要求
将步骤(8-3)中线性优化结果V_yh带入式(10),得到优化参数后的模型对应的目标函数值obj1;
如果obj1≥obj0,说明线性规划的结果不如初始模型的结果,此时,tx的值加1,重新带入步骤(8-2-b),通过缩小移动限的方式,缩小寻优区间继续寻找最优值,tx>20时说明变量的移动限变化不大,停止搜索,重新赋值tx=0.5,并输出此时模型参数V_yh;
如果obj1<obj0,说明此时线性规划的结果要优于初始模型的结果,判断是否满足设计要求|obj1-obj0|<err,err表示允许的设计误差,0<err≤0.1,满足要求则输出此时的结果V_yh;
如果|obj1-obj0|>err,将优化后的V_yh赋给V0,obj1的值赋给obj0,带入步骤(8)重新进行循环迭代,直到|obj1-obj0|≤err,停止迭代,并输出结果V_yh;
得到的训练优化结果V_yh组成的模型,即为训练优化后的轨道高低不平顺装置的置信规则库模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510496888.7A CN105139086B (zh) | 2015-08-13 | 2015-08-13 | 基于优化置信规则推理的轨道高低不平顺幅值估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510496888.7A CN105139086B (zh) | 2015-08-13 | 2015-08-13 | 基于优化置信规则推理的轨道高低不平顺幅值估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105139086A CN105139086A (zh) | 2015-12-09 |
CN105139086B true CN105139086B (zh) | 2018-09-21 |
Family
ID=54724427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510496888.7A Active CN105139086B (zh) | 2015-08-13 | 2015-08-13 | 基于优化置信规则推理的轨道高低不平顺幅值估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105139086B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106059412B (zh) * | 2016-01-28 | 2018-11-13 | 杭州电子科技大学 | 基于信度规则库推理的他励直流电动机转速控制方法 |
CN105923014B (zh) * | 2016-04-27 | 2018-01-02 | 杭州电子科技大学 | 一种基于证据推理规则的轨道高低不平顺幅值估计方法 |
CN106124434A (zh) * | 2016-06-28 | 2016-11-16 | 昆明理工大学 | 一种烟草行业中的打孔水松纸透气度检测方法在食用油的掺伪检测中的应用 |
CN108875108A (zh) * | 2017-05-16 | 2018-11-23 | 长春工业大学 | 一种基于pca和brb的轨道车辆电路故障诊断方法 |
CN108528475B (zh) * | 2018-04-13 | 2019-06-25 | 杭州电子科技大学 | 一种基于多级融合的轨道高低不平顺故障报警方法 |
CN108982096B (zh) * | 2018-06-01 | 2020-04-24 | 杭州电子科技大学 | 基于启发式规则***的工业机器人曲柄轴磨损检测方法 |
CN109117536B (zh) * | 2018-07-31 | 2021-04-20 | 西南交通大学 | 一种轨道不平顺评价参数的检测方法 |
CN109443766A (zh) * | 2018-09-10 | 2019-03-08 | 中国人民解放***箭军工程大学 | 一种重载车辆变速箱齿轮安全性分析方法 |
CN109615228B (zh) * | 2018-12-12 | 2023-04-07 | 杭州电子科技大学 | 基于混合启发式规则***的铁路运输风险概率计算方法 |
CN109685283B (zh) * | 2019-01-07 | 2023-04-07 | 东华大学 | 一种基于置信规则库推理的矿热炉工况预测方法 |
CN109932908B (zh) * | 2019-03-20 | 2022-03-01 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
CN110084518A (zh) * | 2019-04-29 | 2019-08-02 | 杭州电子科技大学 | 一种基于混合输入置信规则推理模型的边坡稳定性评判方法 |
CN110132603B (zh) * | 2019-05-16 | 2020-09-29 | 杭州电子科技大学 | 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法 |
CN110850206A (zh) * | 2019-11-13 | 2020-02-28 | 武汉理工大学 | 基于置信规则推理的逆变器电容老化故障诊断方法 |
CN111238534B (zh) * | 2020-01-17 | 2021-09-14 | 中国人民解放***箭军工程大学 | 基于证据推理的激光惯组最优测试时机确定方法 |
CN112084558B (zh) * | 2020-08-31 | 2022-11-11 | 成都理工大学 | 一种轨道不平顺状态优化模拟精调方法 |
CN113034855B (zh) * | 2021-03-09 | 2022-05-27 | 杭州电子科技大学 | 一种基于npr缆索滑动力监测的边坡滑坡预警方法 |
CN112948984B (zh) * | 2021-05-13 | 2021-07-23 | 西南交通大学 | 一种车载式的轨道高低不平顺峰值区间检测方法 |
CN114348054B (zh) * | 2022-01-14 | 2024-07-16 | 北京唐智科技发展有限公司 | 一种铁路道岔病害监测方法、装置及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496064A (zh) * | 2011-12-01 | 2012-06-13 | 北京交通大学 | 一种轨道不平顺的获取方法 |
CN102622519A (zh) * | 2012-03-09 | 2012-08-01 | 北京交通大学 | 一种轨道不平顺幅值安全域估计方法 |
US8639637B2 (en) * | 2008-10-28 | 2014-01-28 | Tecnologico De Monterrey | Intelligent control toolkit |
CN103955580A (zh) * | 2014-05-04 | 2014-07-30 | 杭州电子科技大学 | 基于信度规则库推理的集成电路参数成品率估计方法 |
CN104032629A (zh) * | 2014-06-10 | 2014-09-10 | 南京理工大学 | 一种垂向轨道长波不平顺在线监测方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060293817A1 (en) * | 2005-06-23 | 2006-12-28 | Takahide Hagiwara | Intelligent electronically-controlled suspension system based on soft computing optimizer |
-
2015
- 2015-08-13 CN CN201510496888.7A patent/CN105139086B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8639637B2 (en) * | 2008-10-28 | 2014-01-28 | Tecnologico De Monterrey | Intelligent control toolkit |
CN102496064A (zh) * | 2011-12-01 | 2012-06-13 | 北京交通大学 | 一种轨道不平顺的获取方法 |
CN102622519A (zh) * | 2012-03-09 | 2012-08-01 | 北京交通大学 | 一种轨道不平顺幅值安全域估计方法 |
CN103955580A (zh) * | 2014-05-04 | 2014-07-30 | 杭州电子科技大学 | 基于信度规则库推理的集成电路参数成品率估计方法 |
CN104032629A (zh) * | 2014-06-10 | 2014-09-10 | 南京理工大学 | 一种垂向轨道长波不平顺在线监测方法及*** |
Non-Patent Citations (1)
Title |
---|
基于置信规则库推理的轨道高低不平顺检测方法;徐晓滨 等;《铁道学报》;20141231;第70-78页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105139086A (zh) | 2015-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105139086B (zh) | 基于优化置信规则推理的轨道高低不平顺幅值估计方法 | |
Zhu et al. | Recent developments in inverse problems of vehicle–bridge interaction dynamics | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN104032629B (zh) | 一种垂向轨道长波不平顺在线监测方法及*** | |
CN109855823B (zh) | 一种利用测试车进行桥梁结构损伤识别的方法 | |
CN105923014B (zh) | 一种基于证据推理规则的轨道高低不平顺幅值估计方法 | |
CN103852269A (zh) | 高速列车运行动力学参数检测方法 | |
CN110184885A (zh) | 一种基于智能手机测试路面平整度的方法 | |
Shrestha et al. | Review of adhesion estimation approaches for rail vehicles | |
CN114692473B (zh) | 一种不确定车桥耦合振动***响应的求解方法 | |
CN114169422A (zh) | 基于车辆振噪联合测试的地铁钢轨波磨识别方法及*** | |
CN104590276A (zh) | 汽车绕z轴转动惯量和轮胎侧偏刚度识别方法 | |
CN102072789A (zh) | 一种地面测试铁道车辆轮轨力的连续化处理方法 | |
CN104833535A (zh) | 一种铁道车辆车轮踏面擦伤的检测方法 | |
CN115758289B (zh) | 一种基于多任务学习神经网络的钢轨波磨识别方法 | |
Muñoz et al. | Estimation of lateral track irregularity using a Kalman filter. Experimental validation | |
Hurtado et al. | Unsupervised learning-based framework for indirect structural health monitoring using adversarial autoencoder | |
Liu et al. | Braking process identification of high-speed trains for automatic train stop control | |
Song et al. | Road friction coefficient estimation based on BP neural network | |
CN108982096A (zh) | 基于启发式规则***的工业机器人曲柄轴磨损检测方法 | |
Li et al. | Indirect damage detection for bridges using sensing and temporarily parked vehicles | |
Han et al. | Random dynamic analysis of wind-vehicle-bridge system based on armax surrogate model and high-order differencing | |
CN109214582A (zh) | 一种风向空间关联驱动的铁路沿线风速预测方法 | |
Sitton et al. | Damage scenario analysis of bridges using crowdsourced smartphone data from passing vehicles | |
Xing et al. | On-line monitoring of vertical long wavelength track irregularities using bogie pitch rate |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |