【技术实现步骤摘要】
一种基于深度学习与BP集成的地铁车轮健康状态预测方法
本专利技术涉及地铁车轮健康状态预测方法，特别是涉及DBN网络、RNN循环神经网络、LSTM网络和BP神经网络集成的地铁车轮健康状态预测方法，属于地铁轨道交通
技术介绍
地下轨道交通是城市轨道交通的一种，它具备运行速度快、载客量大、连续服务、频繁加速刹车的特点。当车辆在钢轨上运行时，车轮的轮缘和踏面因为磨耗容易发生形状异常情况，使得轮轨匹配关系恶化，若不及时发现与维修处理，将可能造成列车晚点，甚至导致严重的生命和财产损失。针对地铁车轮的健康状态预测问题，目前传统的神经网络方法已在数据预测上取得不错的进展，例如马凯凯等人在中小河流智能洪水预报和崔东文等人在湖库总磷总氮浓度预测中都利用其中的BP神经网络、RBF神经网络和ELM极限学习机进行研究，同时也在各自领域对比分析这些方法的预测效果。但是传统神经网络对反映地铁车轮健康状态的关键参数指标进行数据预测时，预测结果不精确。而深度学习相较于传统神经网络有着更为理想的数据预测能力，且其已在设备状态预测上取得不错的应用：其中张国辉利用DBN(深度置信网络)和RVM...
【技术保护点】
1.一种基于深度学习与BP集成的地铁车轮健康状态预测方法，其特征在于，包括如下步骤：步骤1，获取地铁车轮每一天的关键参数指标数据，包括轮缘综合值、轮缘高度值、轮缘厚度值及踏面磨耗值，每个关键参数指标数据都从中选取N条数据(xi,yi)作为训练样本，i＝1,2,…,N，其中，
【技术特征摘要】
1.一种基于深度学习与BP集成的地铁车轮健康状态预测方法，其特征在于，包括如下步骤：步骤1，获取地铁车轮每一天的关键参数指标数据，包括轮缘综合值、轮缘高度值、轮缘厚度值及踏面磨耗值，每个关键参数指标数据都从中选取N条数据(xi,yi)作为训练样本，i＝1,2,…,N，其中，表示某一天以及该天之前的D-1天关键参数指标数据的特征向量，将某一天记为第D天，yi表示该天之后的第M天地铁车轮数据的实际值，M>D；步骤2，将深度学习方法的三个模型DBN、RNN、LSTM分别与BP神经网络进行融合，得到三个融合模型DBN-BP、RNN-BP、LSTM-BP，利用步骤1的训练样本对三个融合模型进行训练，得到优化后的融合模型，将xi作为优化后的融合模型的输入，得到一个预测结果；步骤3，将三个优化后的融合模型的预测结果作为新的BP神经网络的输入，训练新的BP神经网络，将新的BP神经网络的输出值与实际值进行误差比较，并学习新的BP神经网络的参数，得到优化后的集成模型；步骤4，根据步骤1-步骤3，每个关键参数指标数据都对应一个优化后的集成模型，使用优化后的集成模型对其对应的关键参数指标数据进行预测，并根据关键参数指标数据的健康标准范围，判断集成模型的预测结果是否在健康标准范围之内，当所有关键参数指标数据的预测结果都在健康标准范围之内时，输出地铁车轮处于健康状态，否则为不健康状态。2.根据权利要求1所述基于深度学习与BP集成的地铁车轮健康状态预测方法，其特征在于，步骤2所述融合模型DBN-BP的融合过程如下：1)在DBN网络最顶层的RBM上方添加一层BP神经网络，构成DBN-BP网络；2)随机初始化DBN网络模型中的参数，并通过训练样本学习调整DBN网络模型中的参数，即将xi,yi分别作为DBN网络的输入和输出来学习网络中的参数，然后将学习好的参数整体迁移到DBN-BP网络上；3)将xi作为DBN-BP网络的输入，得到DBN-BP网络的预测值与实际值yi进行比较，再通过反向传播算法调整优化DBN-BP网络中的参数，得到优化后的DBN-BP融合模型，其中，表示某一天以及该天之前的D-1天关键参数指标数据的特征向量。3.根据权利要求1所述基于深度学习与BP集成的地铁车轮健康状态预测方法，其特征在于，步骤2所述融合模型RNN-BP的融合过程如下：1...
【专利技术属性】
技术研发人员：刘凡，陆小敏，王健，张伟娟，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。