[發明專利]改進人工魚群算法優化BP神經網絡的平輪故障檢測方法在審
| 申請號： | 202010193899.9 | 申請日： | 2020-03-19 |
| 公開（公告）號： | CN111461183A | 公開（公告）日： | 2020-07-28 |
| 發明（設計）人： | 張永;劉自力;左婷婷;謝志鴻;李軍;邢宗義 | 申請（專利權）人： | 南京理工大學 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06K9/00;G06N3/04;G06N3/08;G06N3/00 |
| 代理公司： | 南京理工大學專利中心 32203 | 代理人： | 薛云燕 |
| 地址： | 210094 江*** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 改進 人工 魚群 算法 優化 bp 神經網絡 故障 檢測 方法 | ||
1.一種改進人工魚群算法優化BP神經網絡的平輪故障檢測方法，其特征在于，包括以下步驟：
步驟1，數據采集：在軌道內側低于鋼軌平面位置部署振動加速度傳感器，采集平輪車輪振動加速度數據；
步驟2，數據預處理：分析采集數據的特征，進行數據分段，濾除相鄰車輪之間的無關振動數據，得到各個車輪所對應的有效振動加速度信號；
步驟3，信號分解：使用經驗模態分解方法對各個車輪振動加速度信號進行分解，得到與平輪故障特征頻率一致的有效模態分量；
步驟4，選取特征值：設定訓練樣本和測試樣本，選取振動加速度信號的特征值并進行計算；
步驟5，神經網絡訓練：將模態分量特征值輸入改進人工魚群算法優化的BP神經網絡中進行訓練，當網絡均方根誤差滿足要求時停止訓練；
步驟6，平輪故障檢測：得到神經網絡訓練結果后對樣本進行分類，實現平輪故障的檢測。
2.根據權利要求1所述的改進人工魚群算法優化BP神經網絡的平輪故障檢測方法，其特征在于，步驟1所述的在軌道內側低于鋼軌平面位置部署振動加速度傳感器，具體為：將每個振動加速度傳感器安裝于檢測區域兩個軌枕中間的位置。
3.根據權利要求1所述的改進人工魚群算法優化BP神經網絡的平輪故障檢測方法，其特征在于，步驟2所述的分析采集數據的特征，進行數據分段，濾除相鄰車輪之間的無關振動數據，得到各個車輪所對應的有效振動加速度信號，具體如下：
獲取車輪經過車輪軸位傳感器G2和G3的時間t2i和t3i，其中i為第幾個車輪，振動加速度傳感器均勻分布在G2和G3兩個車輪軸位傳感器之間，有效檢測時間區間為：至其中Δti＝t3i-t2i，將有效檢測時間區間分為4段：
第一段有效檢測時間區間：至第一振動加速度傳感器的輸出信號數據有效，不考慮其它輸出信號數據；
第二段有效檢測時間區間：至第二振動加速度傳感器的輸出信號數據有效，不考慮其它輸出信號數據；
第三段有效檢測時間區間：至第三振動加速度傳感器的輸出信號數據有效，不考慮其它輸出信號數據；
第四段有效檢測時間區間：至第四振動加速度傳感器的輸出信號數據有效，不考慮其它輸出信號數據。
4.根據權利要求1所述的改進人工魚群算法優化BP神經網絡的平輪故障檢測方法，其特征在于，步驟3所述的使用經驗模態分解方法對各個車輪振動加速度信號進行分解，得到與平輪故障特征頻率一致的有效模態分量，具體如下：
(4.1)尋找車輪振動加速度信號x(t)的所有極大值點和極小值點，并用三次樣條插值函數分別擬合極小值點對應的下包絡線，以及極大值點對應的上包絡線；
(4.2)對上下包絡線的均值m(t)進行計算，并將原信號數據減去m(t)，產生新的數據序列h(t)；
(4.3)判斷h(t)是否滿足有效IMF條件：若滿足有效IMF條件，則計算殘余分量r(t)，并且進入步驟(4.4)；若不滿足，則將h(t)當作原信號，轉到步驟(4.1)；
(4.4)判斷r(t)是否為單調函數：若是，則結束信號分解過程；否則，將h(t)當作原信號，轉到步驟(4.1)；
針對經過經驗模態分解方法得到的模態分量，分別計算各模態分量與原信號的相關系數和峭度，選取滿足相關系數和峭度的閾值要求的有效模態分量。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于南京理工大學，未經南京理工大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010193899.9/1.html，轉載請聲明來源鉆瓜專利網。
