CN113159179A - 地铁及地铁转向架运行状态识别方法、*** - Google Patents
地铁及地铁转向架运行状态识别方法、*** Download PDFInfo
- Publication number
- CN113159179A CN113159179A CN202110436534.9A CN202110436534A CN113159179A CN 113159179 A CN113159179 A CN 113159179A CN 202110436534 A CN202110436534 A CN 202110436534A CN 113159179 A CN113159179 A CN 113159179A
- Authority
- CN
- China
- Prior art keywords
- layer
- bogie
- neural network
- convolutional neural
- subway
- 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
Links
Images
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/08—Railway vehicles
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种地铁及地铁转向架运行状态识别方法、***,包括采用多传感器采集地铁转向架的运行数据,对运行数据进行去噪处理,再对运行数据进行多域特征提取,以提取的多域特征和运行状态对卷积神经网络模型进行训练,并在训练的同时采用粒子群优化算法对模型的参数进行优化;采用多传感器获取运行数据,使数据来源更加可靠;多域特征对模型进行训练,能够得到更可靠的识别结果;采用粒子群优化算法对模型参数、分类器参数进行优化,使模型更加可靠,从而使地铁转向架运行状态识别结果具有良好的可靠性。
Description
技术领域
本发明属于地铁转向架状态识别技术领域,尤其涉及一种基于多特征域卷积神经网络的地铁转向架运行状态识别方法、***、以及地铁。
背景技术
地铁是城市轨道交通的有益补充。地铁车辆中转向架位于地铁车辆的最下部、车体与轨道之间,它承受和传递来自车体及线路的各种载荷,同时缓和其动力作用。地铁转向架主要由构架(无摇枕、H型)、轮对组成、一系悬挂、二系悬挂、抗侧滚扭杆、基础制动***、中央牵引单元、轮缘润滑***组成及辅助装置等零部件组成,是地铁车辆的最重要的组成部件之一,其运行状态的及时识别,对地铁车辆安全可靠地运行具有重大意义。
由于地铁车辆转向架结构的复杂性、运行状态中各种影响因素的不确定性和非线性性,导致常规的单特征域状态识别方法难以对地铁转向架的运行状态进行有效识别,这将导致识别结果的可靠性降低。
卷积神经网络是一种包含了卷积计算的算法,具有深度结构的前馈神经网络,它是深度学习的典型算法之一。卷积神经网络结构包括输入层、输出层、卷积层、池化层、全连接层。卷积神经网络模型是通过基于梯度下降法最小化损失函数来实现权重参数的更新,其梯度从后往前逐层反向调节,直到更新至网络的第一层参数。与传统的神经网络构架相比,卷积神经网络的特点是引入了权值共享和感受野的概念,这极大地减少了其学习的参数量,拥有更好的学习能力;卷积神经网络更加适合处理海量数据,学习并提取海量信息中的关键信息,实现非线性的复杂特征提取;也可以将全部数据的局部特征进行提取,降低数据维度的同时保证特征的完整性,实现对设备的运行状态识别。
发明内容
本发明的目的在于提供一种地铁及地铁转向架运行状态识别方法、***,以克服传统的单特征域状态识别方法难以对地铁转向架的运行状态进行有效识别,导致识别结果的可靠性低的问题。
本发明是通过如下的技术方案来解决上述技术问题的:一种地铁转向架运行状态识别方法,包括以下步骤:
获取地铁转向架的运行数据;
对所述运行数据进行去噪处理,得到无噪运行数据;
对所述无噪运行数据进行敏感特征提取,所述敏感特征包括时域特征、频域特征以及时频域特征,由所述敏感特征构成的敏感特征向量作为卷积神经网络模型的输入特征向量;
根据所述敏感特征向量和地铁转向架的运行状态构建卷积神经网络模型;
以所述输入特征向量作为输入训练样本,以所述地铁转向架的运行状态作为输出训练样本,对所述卷积神经网络模型进行训练,在训练的同时采用粒子群优化算法对所述卷积神经网络模型的参数、softmax分类器参数进行优化,得到训练好的卷积神经网络模型。
进一步地,所述运行数据是由四个三向加速度传感器采集而获取的,四个所述三向加速度传感器分别安装于地铁转向架的轮对附近。
进一步地,采用小波包多阈值去噪法对所述运行数据进行去噪处理。
进一步地,所述时域特征包括峰-峰值、均值、方差、斜度、波形因子以及峰值因子值;
所述频域特征为频率方差。
进一步地,采用快速互补集合经验模态分解提取所述时频域特征,具体实现过程为:
对所述无噪运行数据进行快速互补集合经验模态分解得到多个IMF分量和一个剩余分量;
对每个所述IMF分量进行傅里叶变换并计算频域的总能量,所述总能量作为时频域特征。
进一步地,所述卷积神经网络模型包括输入层、输出层以及至少一个中间层,多个所述中间层依次串联或者多个所述中间层串联和并联构成组合层;
所述输入层的输出端与第一个中间层或所述组合层的输入端连接,最后一个中间层或所述组合层的输出端与所述输出层的输入端连接。
本发明还提供一种地铁转向架运行状态识别***,包括:
数据获取单元,用于获取地铁转向架的运行数据;
数据预处理单元,用于对所述运行数据进行去噪处理,得到无噪运行数据;
特征提取单元,用于对所述无噪运行数据进行敏感特征提取,所述敏感特征包括时域特征、频域特征以及时频域特征,由所述敏感特征构成的敏感特征向量作为卷积神经网络模型的输入特征向量;
模型构建单元,用于根据所述敏感特征向量和地铁转向架的运行状态构建卷积神经网络模型;
模型训练优化单元,用于以所述输入特征向量作为输入训练样本,以所述地铁转向架的运行状态作为输出训练样本,对所述卷积神经网络模型进行训练,在训练的同时采用粒子群优化算法对所述卷积神经网络模型的参数、softmax分类器参数进行优化,得到训练好的卷积神经网络模型。
进一步地,所述数据预处理单元,具体用于:采用小波包多阈值去噪法对所述运行数据进行去噪处理。
进一步地,所述特征提取单元,还具体用于:
采用快速互补集合经验模态分解提取所述时频域特征,具体实现过程为:
对所述无噪运行数据进行快速互补集合经验模态分解得到多个IMF分量和一个剩余分量;
对每个所述IMF分量进行傅里叶变换并计算频域的总能量,所述总能量作为时频域特征。
本发明还提供一种地铁,包括如上所述的地铁转向架运行状态识别***。
有益效果
与现有技术相比,本发明的优点在于:
1、采用多传感器获取运行数据,使数据来源更加可靠;
2、由时域特征、频域特征再结合时频域特征组成的特征向量对卷积神经网络模型进行训练,能够得到更可靠的识别结果;
3、采用粒子群优化算法对模型参数、分类器参数进行优化,使模型更加可靠,从而使地铁转向架运行状态识别结果具有良好的可靠性。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一个实施例,对于本领域普通技术人员来说,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的附图。
图1是本发明实施例中一种地铁转向架运行状态识别方法的流程图;
图2是本发明实施例中多个中间层串联和并联构成组合层的第一实施方式;
图3是本发明实施例中多个中间层串联和并联构成组合层的第二实施方式;
图4是本发明实施例中多个中间层串联和并联构成组合层的第三实施方式;
图5是本发明实施例中多个中间层串联和并联构成组合层的第四实施方式;
图6是本发明实施例中多个中间层串联和并联构成组合层的第五实施方式。
具体实施方式
下面结合本发明实施例中的附图,对本发明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。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
地铁转向架主要由构架、轮对组成、一系悬挂、二系悬挂、抗侧滚扭杆、基础制动***、中央牵引单元、轮缘润滑***组成及辅助装置等零部件组成,地铁车辆转向架结构的复杂性、运行状态中各种影响因素的不确定性和非线性性,导致常规的单特征域状态识别方法难以对地铁转向架的运行状态进行有效识别,从而导致识别结果的可靠性低。
针对地铁转向架运行状态识别中结构复杂性、非线性性以及不确定性,本发明提出一种基于多特征域卷积神经网络的地铁转向架运行状态识别方法和***,利用时域、频域以及时频域的敏感特征提取,获取多域敏感特征,并作为卷积神经网络模型的输入,利用粒子群优化算法对卷积神经网络模型参数、分类器参数进行优化,同时利用卷积神经网络模型分类识别方法对地铁转向架运行状态进行可靠识别,提高了识别结果的可靠性。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
如图1所示,本实施例所提供的一种地铁转向架运行状态识别方法,包括以下步骤:
1、获取地铁转向架的运行数据。
根据地铁转向架的结构搭建地铁转向架实验平台,该实验平台除了地铁转向架之外还包括四个三向加速度传感器、数据采集卡以及PC机;四个三向加速度传感器分别安装于地铁转向架的轮对附近,每个三向加速度传感器对应一个车轮,每个三向加速度传感器采集对应车轮的运行数据,并通过数据采集卡将采集的运行数据传输给PC机,去噪处理、敏感特征提取、卷积神经网络模型的构建、以及模型的训练优化均在PC机中完成。
本实施例中,三向加速度传感器选用PCB三轴加速度振动传感器356A16型,具有高精度、高灵敏度的优点,高精度的传感器+多传感器使运行数据来源更加可靠。数据采集卡选用NI PXI-1042。PC机也可以用单片机、微处理器、DSP、PLC等来替代。
2、对运行数据进行去噪处理,得到无噪运行数据。
为了避免噪声对运行数据的影响,从而影响识别结果,采用小波包多阈值去噪法对所述运行数据进行去噪处理。小波包多阈值去噪法基于运行数据和噪声在经小波变换后具有不同的统计特性,运行数据本身的能量对应着幅值较大的小波系数,主要集中在高频,噪声能量则对应着幅值较小的小波系数,根据该特征设置一个第一阈值,认为大于该第一阈值的小波系数的主要成分为运行数据,给予收缩后保留;认为小于该第一阈值的小波系数的主要成分为噪声,予以剔除,达到去噪的目的。去噪时,通常认为大于该第一阈值的小波系数的主要成分中还含有噪声,为了提高去噪效果,再设置第二阈值,采用第二阈值对大于该第一阈值的小波系数的主要成分再次进行小波分解和去噪。本实施例,进行三次小波分解和去噪可达到满意的去噪效果。
3、对无噪运行数据进行敏感特征提取,敏感特征包括时域特征、频域特征以及时频域特征,由敏感特征构成的敏感特征向量作为卷积神经网络模型的输入特征向量。
根据四个三向加速度传感器获取的X、Y、Z三个方向的运行数据分别绘制其加速度时域曲线图,找出加速度时域曲线图中最大幅值所对应的运行数据作为敏感特征数据集,从而得到四个敏感特征数据集,分别记为J1、J2、J3、J4。
时域特征包括峰-峰值、均值、方差、斜度、波形因子以及峰值因子值,分别记为S1、S2、S3、S4、S5、S6。频域特征为频率方差,记为P1。时域特征和频率特征采用现有方法进行提取。
本实施例中,采用快速互补集合经验模态分解提取时频域特征,具体实现过程为:
对无噪运行数据进行快速互补集合经验模态分解(简称FCEEMD)得到多个IMF分量和一个剩余分量;
对每个IMF分量进行傅里叶变换并计算频域的总能量,记为N,总能量N作为时频域特征。
相较于EMD,FCEEMD抑制模态混叠、提升计算效率及消弱削弱端点效应更加有效。
由时域特征、频域特征以及时频域特征构成的敏感特征向量记为T,则
T=[S1,S2,S3,S4,S5,S6,P1,N],每个三向加速度传感器在每个采样周期所采集到的运行数据经过步骤2和3的处理均能得到一个T,四个三向加速度传感器经过多个采样周期能够得到多个T,由多个T构成训练样本中的输入样本,每个T都对应有一个转向架运行状态,多个T对应有多个转向架运行状态,由多个转向架运行状态构成训练样本中的输出样本。在卷积神经网络模型训练时,以某个T作为输入向量,以该T对应的转向架运行状态作为输出,采用多个T和该T对应的转向架运行状态对模型进行训练。
在进行训练时,对转向架运行状态进行编码,正常状态编码为(1,0),故障状态编码为(0,1)。
4、根据敏感特征向量和地铁转向架的运行状态构建卷积神经网络模型。
敏感特征向量T包括8个特征量,转向架运行状态为两种,即正常、故障,因此构建的卷积神经网络模型的输入层节点数为8个,输出层节点数为2个。
卷积神经网络模型包括输入层、输出层以及至少一个中间层,多个中间层依次串联或者多个中间层串联和并联构成组合层;输入层的输出端与第一个中间层或组合层的输入端连接,最后一个中间层或组合层的输出端与输出层的输入端连接。
示例性的,假设中间层包括四个,分别为第一中间层、第二中间层、第三中间层以及第四中间层。多个中间层依次串联即为第一中间层、第二中间层、第三中间层以及第四中间层依次串联,输入层的输出端与第一中间层的输入端连接,第四中间层的输出端与输出层的输入端连接。
多个中间层串联和并联构成组合层的具体实施方式包括,但不限于以下几种:
第一实施方式:第一中间层与第二中间层并联,再依次与第三中间层、第四中间层串联,如图2所示;输入层的输出端与第一中间层和第二中间层的输入端连接,第四中间层的输出端与输出层的输入端连接。
第二实施方式:第二中间层与第三中间层并联构成组合层,再第一中间层、组合层以及第四中间层依次串联,如图3所示;输入层的输出端与第一中间层的输入端连接,第四中间层的输出端与输出层的输入端连接。
第三实施方式:第三中间层与第四中间层并联构成组合层,第一中间层、第二中间层以及组合层依次串联,如图4所示;输入层的输出端与第一中间层的输入端连接,组合层的输出端与输出层的输入端连接。
第四实施方式:第一中间层与第二中间层并联构成第一组合层,第三中间层与第四中间层并联构成第二组合层,第一组合层与第二组合层串联,如图5所示;输入层的输出端与第一组合层的输入端连接,第二组合层的输出端与输出层的输入端连接。
第五实施方式:第一中间层、第二中间层、第三中间层以及第四中间层并联构成组合层,如图6所示;输入层的输出端与组合层的输入端连接,组合层的输出端与输出层的输入端连接。
5、以输入特征向量作为输入训练样本,以地铁转向架的运行状态作为输出训练样本,对卷积神经网络模型进行训练,在训练的同时采用粒子群优化算法对卷积神经网络模型的参数、softmax分类器参数进行优化,得到训练好的卷积神经网络模型。
将某个T输入到卷积神经网络模型中,得到模型的输出,根据该输出与该T对应的地铁转向架的运行状态编码计算损失函数和准确率,如果损失函数和准确率不满足期望要求,则采用粒子群优化算法优化卷积神经网络模型的参数、softmax分类器参数,采用Adam迭代更新算法来更新模型的权值和偏置,直到损失函数和准确率满足期望要求;再将下一个T输入到卷积神经网络模型中,得到模型的输出,根据该输出与该T对应的地铁转向架的运行状态编码计算损失函数和准确率,如果损失函数和准确率不满足期望要求,则采用粒子群优化算法优化卷积神经网络模型的参数、softmax分类器参数,采用Adam迭代更新算法来更新模型的权值和偏置,直到损失函数和准确率满足期望要求;……;依次类推,完成所有训练样本对卷积神经网络模型的训练,得到训练好的卷积神经网络模型。
模型的参数包括学习率、优化器、迭代次数、激活函数、隐含神经元数、权重初始化、Dropout方法及正则化等。采用粒子群优化算法来优化模型参数和softmax分类器参数,能够提高训练效率,且在训练时间接近时,提高识别率;该算法加速了误差收敛,只需要少量的迭代次数就能够达到甚至优于其他传统方法的识别效果。
识别时,将三向加速度传感器实时获取的运行数据经过去噪处理和敏感特征提取后输入至训练好的卷积神经网络模型中,即可识别出地铁转向架的运行状态。
本实施例还提供一种地铁转向架运行状态识别***,包括:
数据获取单元,用于获取地铁转向架的运行数据。
根据地铁转向架的结构搭建地铁转向架实验平台,该实验平台除了地铁转向架之外还包括四个三向加速度传感器、数据采集卡以及PC机;四个三向加速度传感器分别安装于地铁转向架的轮对附近,每个三向加速度传感器对应一个车轮,每个三向加速度传感器采集对应车轮的运行数据,并通过数据采集卡将采集的运行数据传输给PC机,去噪处理、敏感特征提取、卷积神经网络模型的构建、以及模型的训练优化均在PC机中完成,即PC机包括数据获取单元、数据预处理单元、特征提取单元、模型构建单元以及模型训练优化单元。
本实施例中,三向加速度传感器选用PCB三轴加速度振动传感器356A16型,具有高精度、高灵敏度的优点,高精度的传感器+多传感器使运行数据来源更加可靠。数据采集卡选用NI PXI-1042。PC机也可以用单片机、微处理器、DSP、PLC等来替代。
数据预处理单元,用于对所述运行数据进行去噪处理,得到无噪运行数据。
为了避免噪声对运行数据的影响,从而影响识别结果,采用小波包多阈值去噪法对所述运行数据进行去噪处理。小波包多阈值去噪法基于运行数据和噪声在经小波变换后具有不同的统计特性,运行数据本身的能量对应着幅值较大的小波系数,主要集中在高频,噪声能量则对应着幅值较小的小波系数,根据该特征设置一个第一阈值,认为大于该第一阈值的小波系数的主要成分为运行数据,给予收缩后保留;认为小于该第一阈值的小波系数的主要成分为噪声,予以剔除,达到去噪的目的。去噪时,通常认为大于该第一阈值的小波系数的主要成分中还含有噪声,为了提高去噪效果,再设置第二阈值,采用第二阈值对大于该第一阈值的小波系数的主要成分再次进行小波分解和去噪。本实施例,进行三次小波分解和去噪可达到满意的去噪效果。
特征提取单元,用于对所述无噪运行数据进行敏感特征提取,所述敏感特征包括时域特征、频域特征以及时频域特征,由所述敏感特征构成的敏感特征向量作为卷积神经网络模型的输入特征向量。
根据四个三向加速度传感器获取的X、Y、Z三个方向的运行数据分别绘制其加速度时域曲线图,找出加速度时域曲线图中最大幅值所对应的运行数据作为敏感特征数据集(对于单个三向加速度传感器,可以获取X、Y、Z三个方向的运行数据,通过加速度时域曲线图只取其中一个方向的运行数据作为敏感特征数据),从而得到四个敏感特征数据集,分别记为J1、J2、J3、J4。
时域特征包括峰-峰值、均值、方差、斜度、波形因子以及峰值因子值,分别记为S1、S2、S3、S4、S5、S6。频域特征为频率方差,记为P1。
本实施例中,采用快速互补集合经验模态分解提取时频域特征,具体实现过程为:
对无噪运行数据进行快速互补集合经验模态分解(简称FCEEMD)得到多个IMF分量和一个剩余分量;
对每个IMF分量进行傅里叶变换并计算频域的总能量,记为N,总能量N作为时频域特征。
相较于EMD,FCEEMD抑制模态混叠、提升计算效率及消弱削弱端点效应更加有效。
由时域特征、频域特征以及时频域特征构成的敏感特征向量记为T,则
T=[S1,S2,S3,S4,S5,S6,P1,N],每个三向加速度传感器在每个采样周期所采集到的运行数据经过步骤2和3的处理均能得到一个T,四个三向加速度传感器经过多个采样周期能够得到多个T,由多个T构成训练样本中的输入样本,每个T都对应有一个转向架运行状态,多个T对应有多个转向架运行状态,由多个转向架运行状态构成训练样本中的输出样本。在卷积神经网络模型训练时,以某个T作为输入向量,以该T对应的转向架运行状态作为输出,采用多个T和该T对应的转向架运行状态对模型进行训练。
在进行训练时,对转向架运行状态进行编码,正常状态编码为(1,0),故障状态编码为(0,1)。
模型构建单元,用于根据所述敏感特征向量和地铁转向架的运行状态构建卷积神经网络模型。
敏感特征向量T包括8个特征量,转向架运行状态为两种,即正常、故障,因此构建的卷积神经网络模型的输入层节点数为8个,输出层节点数为2个。
卷积神经网络模型包括输入层、输出层以及至少一个中间层,多个中间层依次串联或者多个中间层串联和并联构成组合层;输入层的输出端与第一个中间层或组合层的输入端连接,最后一个中间层或组合层的输出端与输出层的输入端连接。
示例性的,假设中间层包括四个,分别为第一中间层、第二中间层、第三中间层以及第四中间层。多个中间层依次串联即为第一中间层、第二中间层、第三中间层以及第四中间层依次串联,输入层的输出端与第一中间层的输入端连接,第四中间层的输出端与输出层的输入端连接。
多个中间层串联和并联构成组合层的具体实施方式包括,但不限于以下几种:
第一实施方式:第一中间层与第二中间层并联,再依次与第三中间层、第四中间层串联,如图2所示;输入层的输出端与第一中间层和第二中间层的输入端连接,第四中间层的输出端与输出层的输入端连接。
第二实施方式:第二中间层与第三中间层并联构成组合层,再第一中间层、组合层以及第四中间层依次串联,如图3所示;输入层的输出端与第一中间层的输入端连接,第四中间层的输出端与输出层的输入端连接。
第三实施方式:第三中间层与第四中间层并联构成组合层,第一中间层、第二中间层以及组合层依次串联,如图4所示;输入层的输出端与第一中间层的输入端连接,组合层的输出端与输出层的输入端连接。
第四实施方式:第一中间层与第二中间层并联构成第一组合层,第三中间层与第四中间层并联构成第二组合层,第一组合层与第二组合层串联,如图5所示;输入层的输出端与第一组合层的输入端连接,第二组合层的输出端与输出层的输入端连接。
第五实施方式:第一中间层、第二中间层、第三中间层以及第四中间层并联构成组合层,如图6所示;输入层的输出端与组合层的输入端连接,组合层的输出端与输出层的输入端连接。
模型训练优化单元,用于以所述输入特征向量作为输入训练样本,以所述地铁转向架的运行状态作为输出训练样本,对所述卷积神经网络模型进行训练,在训练的同时采用粒子群优化算法对所述卷积神经网络模型的参数、softmax分类器参数进行优化,得到训练好的卷积神经网络模型。
将某个T输入到卷积神经网络模型中,得到模型的输出,根据该输出与该T对应的地铁转向架的运行状态编码计算损失函数和准确率,如果损失函数和准确率不满足期望要求,则采用粒子群优化算法优化卷积神经网络模型的参数、softmax分类器参数,采用Adam迭代更新算法来更新模型的权值和偏置,直到损失函数和准确率满足期望要求;再将下一个T输入到卷积神经网络模型中,得到模型的输出,根据该输出与该T对应的地铁转向架的运行状态编码计算损失函数和准确率,如果损失函数和准确率不满足期望要求,则采用粒子群优化算法优化卷积神经网络模型的参数、softmax分类器参数,采用Adam迭代更新算法来更新模型的权值和偏置,直到损失函数和准确率满足期望要求;……;依次类推,完成所有训练样本对卷积神经网络模型的训练,得到训练好的卷积神经网络模型。
模型的参数包括学习率、优化器、迭代次数、激活函数、隐含神经元数、权重初始化、Dropout方法及正则化等。采用粒子群优化算法来优化模型参数和softmax分类器参数,能够提高训练效率,且在训练时间接近时,提高识别率;该算法加速了误差收敛,只需要少量的迭代次数就能够达到甚至优于其他传统方法的识别效果。
识别时,将三向加速度传感器实时获取的运行数据经过去噪处理和敏感特征提取后输入至训练好的卷积神经网络模型中,即可识别出地铁转向架的运行状态。
以上所揭露的仅为本发明的具体实施方式,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,可轻易想到变化或变型,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种地铁转向架运行状态识别方法,其特征在于,包括以下步骤:
获取地铁转向架的运行数据;
对所述运行数据进行去噪处理,得到无噪运行数据;
对所述无噪运行数据进行敏感特征提取,所述敏感特征包括时域特征、频域特征以及时频域特征,由所述敏感特征构成的敏感特征向量作为卷积神经网络模型的输入特征向量;
根据所述敏感特征向量和地铁转向架的运行状态构建卷积神经网络模型;
以所述输入特征向量作为输入训练样本,以所述地铁转向架的运行状态作为输出训练样本,对所述卷积神经网络模型进行训练,在训练的同时采用粒子群优化算法对所述卷积神经网络模型的参数、softmax分类器参数进行优化,得到训练好的卷积神经网络模型。
2.如权利要求1所述的一种地铁转向架运行状态识别方法,其特征在于,所述运行数据是由四个三向加速度传感器采集而获取的,四个所述三向加速度传感器分别安装于地铁转向架的轮对附近。
3.如权利要求1所述的一种地铁转向架运行状态识别方法,其特征在于,采用小波包多阈值去噪法对所述运行数据进行去噪处理。
4.如权利要求1所述的一种地铁转向架运行状态识别方法,其特征在于,所述时域特征包括峰-峰值、均值、方差、斜度、波形因子以及峰值因子值;
所述频域特征为频率方差。
5.如权利要求1所述的一种地铁转向架运行状态识别方法,其特征在于,采用快速互补集合经验模态分解提取所述时频域特征,具体实现过程为:
对所述无噪运行数据进行快速互补集合经验模态分解得到多个IMF分量和一个剩余分量;
对每个所述IMF分量进行傅里叶变换并计算频域的总能量,所述总能量作为时频域特征。
6.如权利要求1~5中任一项所述的一种地铁转向架运行状态识别方法,其特征在于,所述卷积神经网络模型包括输入层、输出层以及至少一个中间层,多个所述中间层依次串联或者多个所述中间层串联和并联构成组合层;
所述输入层的输出端与第一个中间层或所述组合层的输入端连接,最后一个中间层或所述组合层的输出端与所述输出层的输入端连接。
7.一种地铁转向架运行状态识别***,其特征在于,包括:
数据获取单元,用于获取地铁转向架的运行数据;
数据预处理单元,用于对所述运行数据进行去噪处理,得到无噪运行数据;
特征提取单元,用于对所述无噪运行数据进行敏感特征提取,所述敏感特征包括时域特征、频域特征以及时频域特征,由所述敏感特征构成的敏感特征向量作为卷积神经网络模型的输入特征向量;
模型构建单元,用于根据所述敏感特征向量和地铁转向架的运行状态构建卷积神经网络模型;
模型训练优化单元,用于以所述输入特征向量作为输入训练样本,以所述地铁转向架的运行状态作为输出训练样本,对所述卷积神经网络模型进行训练,在训练的同时采用粒子群优化算法对所述卷积神经网络模型的参数、softmax分类器参数进行优化,得到训练好的卷积神经网络模型。
8.如权利要求7所述的一种地铁转向架运行状态识别***,其特征在于,所述数据预处理单元,具体用于:
采用小波包多阈值去噪法对所述运行数据进行去噪处理。
9.如权利要求7或8所述的一种地铁转向架运行状态识别***,其特征在于,所述特征提取单元,还具体用于:
采用快速互补集合经验模态分解提取所述时频域特征,具体实现过程为:
对所述无噪运行数据进行快速互补集合经验模态分解得到多个IMF分量和一个剩余分量;
对每个所述IMF分量进行傅里叶变换并计算频域的总能量,所述总能量作为时频域特征。
10.一种地铁,其特征在于,包括如权利要求7~9中任一项所述的地铁转向架运行状态识别***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110436534.9A CN113159179B (zh) | 2021-04-22 | 2021-04-22 | 地铁及地铁转向架运行状态识别方法、*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110436534.9A CN113159179B (zh) | 2021-04-22 | 2021-04-22 | 地铁及地铁转向架运行状态识别方法、*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113159179A true CN113159179A (zh) | 2021-07-23 |
CN113159179B CN113159179B (zh) | 2023-04-18 |
Family
ID=76869543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110436534.9A Active CN113159179B (zh) | 2021-04-22 | 2021-04-22 | 地铁及地铁转向架运行状态识别方法、*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159179B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115356133A (zh) * | 2022-08-23 | 2022-11-18 | 华东交通大学 | 一种转向架运行工况在线监测、实时分类与识别算法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020056398A1 (en) * | 1999-04-01 | 2002-05-16 | Rolf Bachtiger | Method and device for monitoring bogies of multi-axle vehicles |
CN105092467A (zh) * | 2015-09-09 | 2015-11-25 | 南车工业研究院有限公司 | 一种高速铁路车轮踏面擦伤快速监测装置及方法 |
CN205373871U (zh) * | 2016-01-22 | 2016-07-06 | 华东交通大学 | 一种高速列车车轮空间耦合振动测试仪 |
CN105760839A (zh) * | 2016-02-22 | 2016-07-13 | 重庆大学 | 基于多特征流形学习与支持向量机的轴承故障诊断方法 |
CN108600984A (zh) * | 2018-04-18 | 2018-09-28 | 华东交通大学 | 一种机车转向架运行状态远程监测装置及方法 |
CN109597043A (zh) * | 2018-11-16 | 2019-04-09 | 江苏科技大学 | 基于量子粒子群卷积神经网络的雷达信号识别方法 |
CN110399816A (zh) * | 2019-07-15 | 2019-11-01 | 广西大学 | 一种基于Faster R-CNN的高速列车车底异物检测方法 |
CN110606105A (zh) * | 2019-09-23 | 2019-12-24 | 西南交通大学 | 一种无人驾驶地铁车辆走行部安全监测*** |
WO2020156348A1 (zh) * | 2019-01-31 | 2020-08-06 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
CN111899905A (zh) * | 2020-08-05 | 2020-11-06 | 哈尔滨工程大学 | 一种基于核动力装置的故障诊断方法及*** |
-
2021
- 2021-04-22 CN CN202110436534.9A patent/CN113159179B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020056398A1 (en) * | 1999-04-01 | 2002-05-16 | Rolf Bachtiger | Method and device for monitoring bogies of multi-axle vehicles |
CN105092467A (zh) * | 2015-09-09 | 2015-11-25 | 南车工业研究院有限公司 | 一种高速铁路车轮踏面擦伤快速监测装置及方法 |
CN205373871U (zh) * | 2016-01-22 | 2016-07-06 | 华东交通大学 | 一种高速列车车轮空间耦合振动测试仪 |
CN105760839A (zh) * | 2016-02-22 | 2016-07-13 | 重庆大学 | 基于多特征流形学习与支持向量机的轴承故障诊断方法 |
CN108600984A (zh) * | 2018-04-18 | 2018-09-28 | 华东交通大学 | 一种机车转向架运行状态远程监测装置及方法 |
CN109597043A (zh) * | 2018-11-16 | 2019-04-09 | 江苏科技大学 | 基于量子粒子群卷积神经网络的雷达信号识别方法 |
WO2020156348A1 (zh) * | 2019-01-31 | 2020-08-06 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
CN110399816A (zh) * | 2019-07-15 | 2019-11-01 | 广西大学 | 一种基于Faster R-CNN的高速列车车底异物检测方法 |
CN110606105A (zh) * | 2019-09-23 | 2019-12-24 | 西南交通大学 | 一种无人驾驶地铁车辆走行部安全监测*** |
CN111899905A (zh) * | 2020-08-05 | 2020-11-06 | 哈尔滨工程大学 | 一种基于核动力装置的故障诊断方法及*** |
Non-Patent Citations (3)
Title |
---|
吴昀璞;金炜东;黄颖坤;: "基于多域融合CNN的高速列车转向架故障检测" * |
翟国锐;贺延芳;魏秀琨;: "城市轨道交通钢轨波浪形磨耗检测仿真研究" * |
高志强 等: "《深度学习 从入门到实战》", 30 June 2018 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115356133A (zh) * | 2022-08-23 | 2022-11-18 | 华东交通大学 | 一种转向架运行工况在线监测、实时分类与识别算法 |
Also Published As
Publication number | Publication date |
---|---|
CN113159179B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110377984B (zh) | 一种工业设备剩余有效寿命预测方法、***及电子设备 | |
Chen et al. | Fault diagnosis of high-speed train bogie based on capsule network | |
CN104502126B (zh) | 一种基于模态区间的高速列车转向架故障诊断方法 | |
CN110261109B (zh) | 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 | |
CN106124212A (zh) | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 | |
CN104776908A (zh) | 基于emd广义能量的轮轨振动信号故障特征提取方法 | |
CN113704868B (zh) | 一种基于多目标优化飞轮储能***轴承的故障诊断方法 | |
CN105973595A (zh) | 一种滚动轴承故障的诊断方法 | |
CN110866448A (zh) | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 | |
CN111397901A (zh) | 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法 | |
CN113159179B (zh) | 地铁及地铁转向架运行状态识别方法、*** | |
Wu et al. | Image denoising with rectified linear units | |
CN113705396A (zh) | 一种电机故障诊断方法、***及设备 | |
CN113203914A (zh) | 基于dae-cnn的地下电缆早期故障检测和识别方法 | |
CN115114848A (zh) | 一种基于混合cnn-lstm的三相异步电机故障诊断方法和*** | |
CN115730199A (zh) | 一种滚动轴承振动信号降噪和故障特征提取方法和*** | |
CN114964781A (zh) | 一种列车轴承故障智能诊断方法 | |
CN113598759A (zh) | 一种基于肌电特征优化的下肢动作识别方法及*** | |
Li et al. | An interpretable aerodynamic identification model for hypersonic wind tunnels | |
CN114386452B (zh) | 核电循环水泵太阳轮故障检测方法 | |
Liang et al. | 1d convolutional neural networks for fault diagnosis of high-speed train bogie | |
Wang et al. | Contrastive learning-based bayes-adaptive meta-reinforcement learning for active pantograph control in high-speed railways | |
CN110569966B (zh) | 一种数据处理方法、装置及电子设备 | |
CN116467570A (zh) | 一种基于数据驱动的重载机车车钩摆角定量识别方法 | |
Zheng et al. | A novel deep learning architecture and its application in dynamic load monitoring of the vehicle system |
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 |