一种基于极限学习机的重载机车粘着状态识别方法技术

本发明专利技术涉及一种基于极限学习机的重载机车粘着状态识别方法，可用于重载机车的粘着控制系统中，其通过在实测数据中提取粘着状态特征，并从中选取特征向量进行粘着状态识别模型的训练，本发明专利技术提供的方法要求样本具有一定代表性，设置隐含层神经元个数后可直接实现多类粘着状态识别；识别模型无需多次迭代，便可获得全局最优解，因此识别速度极快，准确率高。

【技术实现步骤摘要】

本专利技术涉及控制
，更具体地，涉及一种基于极限学习机的重载机车粘着状态识别方法。
技术介绍
重载机车由于长期运行于复杂的环境中，轮轨间粘着力受各种复杂因素影响，对机车进行有效的粘着控制显得尤为重要。粘着状态的准确识别是有效粘着控制的重要前提，而重载机车粘着状态的变化是一个由多种因素综合作用的复杂过程，各因素与不同状态之间存在着复杂的非线性关系。状态识别的准确与否将直接导致粘着控制不能正常工作，严重时会造成车轮打滑甚至列车倾覆的重大事故。目前，针对粘着状态智能识别的方法主要有神经网络和支持向量机。传统的神经网络需要调整大量的参数，并且存在难以克服的局部最优问题；一些优化过的神经网络虽然可以在一定程度上提高状态识别的准确度，但训练过程所需要的工作和时间会更多。支持向量机智能识别的方法本质上是二分类算法，在多分类问题上存在分类偏移和效率低的缺陷，并且参数整定和核函数的选取也比较困难。
技术实现思路
本专利技术提供了一种基于极限学习机的重载机车粘着状态识别方法，以解决现有技术中的准确率低，参数调整困难，和消耗时间长等问题。为实现以上专利技术目的，采用的技术方案是：一种基于极限学习机的重载机车粘着状态识别方法，包括以下步骤：S1.将重载机车粘着状态细化为正常、故障征兆、微小故障、大故障四种类型；S2.选取蕴含重载机车四种粘着状态的在线或离线监测数据作为数据源，然后对数据源进行特征提取，提取得到的特征变量作为样本数据集，样本数据集分为训练集和测试集两个子集；S3.构建基于极限学习机的粘着状态识别模型，确定粘着状态识别模型的输入节点数、隐含层节点数、输出节点数，并选定粘着状态识别模型的激活函数；S4.将训练集内的特征变量输入至粘着状态识别模型内对粘着状态识别模型进行训练；S5.将测试集内的特征变量输入至训练好的粘着状态识别模型内进行测试，粘着状态识别模型输出识别结果，识别结果为四种粘着状态之一；将输出的识别结果与重载机车实际粘着状态进行比较，计算识别的准确率；S6.对蕴含重载机车粘着状态的在线或离线监测数据进行特征提取，然后将提取的特征变量输入至粘着状态识别模型内，粘着状态识别模型内输出识别结果。优选地，所述步骤S4中，对粘着状态识别模型进行训练的具体过程如下：S41.对输入权重矩阵wi以及阈值bi进行随机赋值，x为训练集的特征变量，l为隐含层节点数，Q为训练集的特征变量的个数；S42.计算对应于训练集的特征变量的隐含层输出矩阵:Htrain(w1,w2,...,wl,b1,b2,...,bl,x1,x2,...xQ)=g(w1x1+b1)...g(wlx1+bl).........g(w1xQ+b1)...g(wlxQ+bl)Q×l]]>S43.利用最小二乘法求解隐含层输出矩阵Htrain的Moore-Penrose广义逆S44.计算输出权重矩阵其中β＝[β1,…,βQ]T为隐含层与输出层间的连接权值,Ttrain＝[t1,…tQ]T为网络的输出，T′train为Ttrain的转置，为方程组的最小二乘解。优选地，所述步骤S5中，对测试集内的特征变量进行测试并输出测试结果的具体过程如下：S51.计算对应于测试集的特征变量的隐含层输出矩阵:Htest(w1,w2,...,wk,b1,b2,...,bk,x1,x2,...xM)=g(w1x1+b1)...g(wkx1+bk).........g(w1xM+b1)...g(wkxM+bk)M×K]]>其中，M为测试集的特征变量的个数，K为隐含层节点数；S52.计算粘着状态识别模型的输出Ttest＝Htestβ。优选地，所述数据源包括重载机车的蠕滑速度数据、粘着系数数据。优选地，所述步骤S2中，四种粘着状态的监测数据的数量相等。优选地，训练集和测试集的特征变量之间的比例为7:3。优选地，所述粘着状态识别模型的激活函数选用径向基函数：其中wi为输入权值矩阵，bi为阈值，x为样本数据。与现有技术相比，本专利技术的有益效果是：本专利技术提供的粘着状态识别方法，可用于重载机车的粘着控制系统中，其通过在实测数据中提取粘着状态特征，并从中选取特征向量进行粘着状态识别模型的训练，本专利技术提供的方法要求样本具有一定代表性，设置隐含层神经元个数后可直接实现多类粘着状态识别；识别模型无需多次迭代，便可获得全局最优解，因此识别速度极快，准确率高。附图说明图1为基于极限学习机的重载机车粘着状态识别方法的流程图。图2为粘着状态识别模型的学习流程图。图3为粘着状态识别模型的测试流程图。图4为基于极限学习机的重载机车粘着状态识别方法的流程图。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；以下结合附图和实施例对本专利技术做进一步的阐述。实施例1图1、图4是基于极限学习机的重载机车粘着状态识别方法的流程图。如图1所示，本专利技术提出的粘着状态识别方法，包括以下步骤：步骤1：粘着特性深度细化。在粘着特性划分为蠕滑区和滑移区的基础上，进一步将粘着状态分为正常、故障征兆、微小故障、大故障四种粘着状态。步骤2：选取蕴含重载机车四种粘着状态的监测数据作为数据源。选取的监测数据可为蠕滑速度vs和粘着系数μ，这些数据都可以通过监测装置监测到。步骤3：对重载机车粘着状态的数据源进行特征提取，获得特征变量，比如，选用蠕滑速度vs和粘着系数μ作为特征变量。步骤4：确定各粘着状态的标签形式。本实施例中使用{i＝1,2,3,4本文档来自技高网...

【技术保护点】
一种基于极限学习机的重载机车粘着状态识别方法，其特征在于：包括以下步骤：S1.将重载机车粘着状态细化为正常、故障征兆、微小故障、大故障四种类型；S2.选取蕴含重载机车四种粘着状态的在线或离线监测数据作为数据源，然后对数据源进行特征提取，提取得到的特征变量作为样本数据集，样本数据集分为训练集和测试集两个子集；S3.构建基于极限学习机的粘着状态识别模型，确定粘着状态识别模型的输入节点数、隐含层节点数、输出节点数，并选定粘着状态识别模型的激活函数；S4.将训练集内的特征变量输入至粘着状态识别模型内对粘着状态识别模型进行训练；S5.将测试集内的特征变量输入至训练好的粘着状态识别模型内进行测试，粘着状态识别模型输出识别结果，识别结果为四种粘着状态之一；将输出的识别结果与重载机车实际粘着状态进行比较，计算识别的准确率；S6.对蕴含重载机车粘着状态的在线或离线监测数据进行特征提取，然后将提取的特征变量输入至粘着状态识别模型内，粘着状态识别模型内输出识别结果。

【技术特征摘要】
1.一种基于极限学习机的重载机车粘着状态识别方法，其特征在于：包括以下步骤：S1.将重载机车粘着状态细化为正常、故障征兆、微小故障、大故障四种类型；S2.选取蕴含重载机车四种粘着状态的在线或离线监测数据作为数据源，然后对数据源进行特征提取，提取得到的特征变量作为样本数据集，样本数据集分为训练集和测试集两个子集；S3.构建基于极限学习机的粘着状态识别模型，确定粘着状态识别模型的输入节点数、隐含层节点数、输出节点数，并选定粘着状态识别模型的激活函数；S4.将训练集内的特征变量输入至粘着状态识别模型内对粘着状态识别模型进行训练；S5.将测试集内的特征变量输入至训练好的粘着状态识别模型内进行测试，粘着状态识别模型输出识别结果，识别结果为四种粘着状态之一；将输出的识别结果与重载机车实际粘着状态进行比较，计算识别的准确率；S6.对蕴含重载机车粘着状态的在线或离线监测数据进行特征提取，然后将提取的特征变量输入至粘着状态识别模型内，粘着状态识别模型内输出识别结果。2.根据权利要求1所述的基于极限学习机的重载机车粘着状态识别方法，其特征在于：所述步骤S4中，对粘着状态识别模型进行训练的具体过程如下：S41.对输入权重矩阵wi以及阈值bi进行随机赋值，x为训练集的特征变量，l为隐含层节点数，Q为训练集的特征变量的个数；S42.计算对应于训练集的特征变量的隐...

【专利技术属性】
技术研发人员：张昌凡，程翔，何静，谭海湖，赵凯辉，刘光伟，殷晓飞，刘林凡，李鹏，豆兵兵，
申请(专利权)人：湖南工业大学，
类型：发明
国别省市：湖南;43