[發(fā)明專利]一種基于脈沖神經(jīng)網(wǎng)絡(luò)的列車轉(zhuǎn)向架故障診斷方法

在審

• 申請?zhí)枺?/td>: 202210708604.6
• 申請日: 2022-06-22
• 公開（公告）號: CN115099329A
• 公開（公告）日: 2022-09-23
• 發(fā)明（設(shè)計）人: 尋彬彬;汪敏琪;李濤;伊欣凱;李銳;楊澤威;童劼怡;張未;付萍
• 申請（專利權(quán)）人: 湖南工業(yè)大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G01M17/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于脈沖神經(jīng)網(wǎng)絡(luò)的列車轉(zhuǎn)向架故障診斷方法，屬于轉(zhuǎn)向架故障診斷方法領(lǐng)域，能有效提高故障診斷的速度,采用反向傳播方法將脈沖序列輸入到脈沖神經(jīng)網(wǎng)絡(luò)中，對脈沖神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練完成的脈沖神經(jīng)網(wǎng)絡(luò),利用支持向量機(jī)作為分類器，對脈沖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和驗(yàn)證,將測得數(shù)據(jù)輸入訓(xùn)練后的脈沖神經(jīng)網(wǎng)絡(luò)，得到故障分類結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及轉(zhuǎn)向架故障診斷方法領(lǐng)域，尤其涉及一種基于脈沖神經(jīng)網(wǎng)絡(luò)的列車轉(zhuǎn)向架故障診斷方法。

背景技術(shù)

智能檢修時是融合計算機(jī)、圖像處理等各種學(xué)科為一體的先進(jìn)技術(shù)，人工智能檢修為列車轉(zhuǎn)向架的故障檢修創(chuàng)造了一個新的世界，智能檢修是通過視覺傳感器獲取圖像，再對獲取的圖像初始化后加載到利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練好的模型中，得出故障判斷結(jié)果。

神經(jīng)網(wǎng)絡(luò)目前已經(jīng)更新三代，感知器屬于第一代神經(jīng)網(wǎng)絡(luò)，它的算法只有兩層，主要是非線性結(jié)構(gòu)；BP神經(jīng)網(wǎng)絡(luò)屬于第二代神經(jīng)網(wǎng)絡(luò)，它解決了第一代神經(jīng)網(wǎng)絡(luò)中的缺陷，但它無法實(shí)現(xiàn)更高級的生物神經(jīng)模擬水平；脈沖神經(jīng)網(wǎng)絡(luò)(SNN)屬于第三代神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了更高級的生物神經(jīng)模擬水平，提高了仿真速度，除了神經(jīng)元和突觸狀態(tài)之外，SNN還將時間概念納入了其操作之中，可以精確的建立基于脈沖產(chǎn)生時間神經(jīng)網(wǎng)絡(luò)模型。這種新型的神經(jīng)網(wǎng)絡(luò)采用脈沖編碼(spike coding)，通過獲得脈沖發(fā)生的精確時間，能夠極大的增強(qiáng)處理時空數(shù)據(jù)(或“真實(shí)世界感官數(shù)據(jù)”)的能力。因此在基于脈沖神經(jīng)網(wǎng)絡(luò)技術(shù)對列車轉(zhuǎn)向架的故障檢修時，智能設(shè)備能夠快速的識別故障類型，降低設(shè)備功耗。

發(fā)明內(nèi)容

本發(fā)明為解決上述問題，而提出的一種基于脈沖神經(jīng)網(wǎng)絡(luò)的列車轉(zhuǎn)向架故障診斷方法。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：

一種基于脈沖神經(jīng)網(wǎng)絡(luò)的列車轉(zhuǎn)向架故障診斷方法，包括以下步驟：

S1：采集列車轉(zhuǎn)向架故障圖像；

S2：形成脈沖模型數(shù)據(jù)集，數(shù)據(jù)集包括訓(xùn)練集和測試集，并進(jìn)行分類和標(biāo)記；

S3：利用反向傳播方法將脈沖模型數(shù)據(jù)集傳遞到隱藏層網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到訓(xùn)練完成的訓(xùn)練結(jié)果；

S4:利用支持向量機(jī)作為分類器，對脈沖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和驗(yàn)證；

S5:將測得數(shù)據(jù)輸入訓(xùn)練后的脈沖神經(jīng)網(wǎng)絡(luò)，得到故障分類結(jié)果。

優(yōu)選地，所述步驟S1中采集的轉(zhuǎn)向架故障圖像包括故障模式下的裂紋圖像、形變圖像和磨損圖像。

優(yōu)選地，所述轉(zhuǎn)向架裂紋、形變與磨耗故障圖像通過視覺模塊傳感器采集。

優(yōu)選地，所述步驟S1、S2中所采集各種故障模式下的故障數(shù)據(jù)，其中一部分故障數(shù)據(jù)作為訓(xùn)練集，剩下部分故障數(shù)據(jù)作為測試集，分別對所述的訓(xùn)練集進(jìn)行標(biāo)記。

優(yōu)選地，所述步驟S3中采用反向傳播方法將脈沖序列輸入到脈沖神經(jīng)網(wǎng)絡(luò)中，對脈沖神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練完成的脈沖神經(jīng)網(wǎng)絡(luò)，包括以下步驟：從輸入層讀入脈沖序列，結(jié)合函數(shù)近似方法，逐層進(jìn)行前向計算，產(chǎn)生脈沖信號向下一層傳遞，脈沖信號傳遞至輸出層后，計算最后一層輸出與輸出層神經(jīng)元對應(yīng)的樣本真實(shí)標(biāo)簽之間的誤差，并反向?qū)γ}沖神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行誤差估計，根據(jù)誤差估計對卷積層和全連接層的突觸權(quán)重進(jìn)行更新至誤差達(dá)到設(shè)定值，得到訓(xùn)練后的脈沖神經(jīng)網(wǎng)絡(luò)。

優(yōu)選地，所述步驟S4的支持向量機(jī)分類器將故障分為裂紋、形變與磨耗3種模式，分別用R1、R2、R3一一對應(yīng)表示。

與現(xiàn)有技術(shù)相比，本發(fā)明提供了一種基于脈沖神經(jīng)網(wǎng)絡(luò)的列車轉(zhuǎn)向架故障診斷方法，具備以下有益效果：本發(fā)明的有益效果是：提高故障診斷速度，與提取特征作為輸入的傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不同，采用新型的神經(jīng)網(wǎng)絡(luò)采用脈沖編碼(spike coding)，通過獲得脈沖發(fā)生的精確時間，大大提高了診斷的效率，運(yùn)算量的減少也降低了設(shè)備的能耗。

附圖說明