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技术

本发明专利技术公开了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，该方法首先利用深度学习强大的表征能力和BP神经网络较优的预测能力进行模型融合，将深度学习方法DBN、RNN、LSTM与BP神经网络进行融合得到融合模型；然后分别训练三种融合模型，每个融合模型都会得到一个预测结果，将预测结果作为新的BP神经网络的输入，比较BP输出与实际值间的误差学习新的BP神经网络的参数，实现3个融合模型的集成。实际使用时，先将数据分别输入3个融合模型，再将3个融合模型的输出值输入到新的BP神经网络，得到最终的预测结果。本发明专利技术综合了集成模型具有更好的鲁棒性特点，对地铁车轮健康预测具有良好的准确性。

A Metro Wheel Health Prediction Method Based on Integration of Deep Learning and BP

【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的融合算法对锂电池寿命进行预测；胡昕通过RNN(循环神经网络)实现对未来网络安全变化趋势的预测；兰云龙使用LSTM(长短期记忆网络)完成对磁盘的健康的评估和预测，Liu等人利用SAE-BP融合模型在洪水预报中相较于单个网络模型预测效果取得优异的提升。但是，研究发现深度学习单个网络模型往往不能达到良好的预测结果，同时，单一的网络模型容易陷入传统的固有的陷阱且单个模型鲁棒性不强。
技术实现思路
本专利技术所要解决的技术问题是：提供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，构建DBN-BP、RNN-BP、LSTM-BP融合模型，再集成三种融合模型，为地铁健康预测问题提供了一种可靠的、鲁棒性更好的模型。本专利技术为解决上述技术问题采用以下技术方案：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，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。作为本专利技术的一种优选方案，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。作为本专利技术的一种优选方案，步骤2所述融合模型RNN-BP的融合过程如下：1)在RNN网络的隐藏层与输出层之间加上一层BP神经网络，构成RNN-BP网络；2)随机初始化RNN网络模型中的参数，并通过训练样本学习调整RNN网络模型中的参数，即将xi,yi分别作为RNN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RNN-BP网络上；3)将xi作为RNN-BP网络的输入，得到RNN-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RNN-BP网络中的参数，得到优化后的RNN-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。作为本专利技术的一种优选方案，步骤2所述融合模型LSTM-BP的融合过程如下：1)在LSTM网络的隐藏层与输出层之间加上一层BP神经网络，构成LSTM–BP网络；2)随机初始化LSTM网络模型中的参数，并通过训练样本学习调整LSTM网络模型中的参数，即将xi,yi分别作为LSTM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LSTM-BP网络上；3)将xi作为LSTM-BP网络的输入，得到LSTM-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LSTM-BP网络中的参数，得到优化后的LSTM-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。作为本专利技术的一种优选方案，所述步骤3的具体过程为：3.1，基于深度学习与BP集成的地铁车轮健康状态预测方法模型，就是在三种融合模型DBN-BP、RNN-BP、LSTM-BP的BP层与输出层之间添加一层新的BP神经网络；3.2，将学习好的三种融合模型DBN-BP、RNN-BP、LSTM-BP的预测结果作为新的BP神经网络的输入向量，得到新的BP神经网络的预测值yi'与实际值yi进行比较，通过误差进行反向传播，优化新的BP神经网络参数，得到最终优化后的集成模型。作为本专利技术的一种优选方案，步骤4所述关键参数指标数据的健康标准范围为：6.5mm≤轮缘综合值≤12.7mm、27.5mm≤轮缘高度值≤36mm、26mm≤轮缘厚度值≤32.5mm、踏面磨耗值≤3mm。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：1、本专利技术构建DBN-BP、RNN-BP、LSTM-BP融合模型，再集成三种融合模型用于反映地铁车轮健康状态的关键参数指标数据预测，通过两份不同时间序列数据集的实验结果，对比分析融合模型与其对应的单个模型在预测效果上的不同，以及研究集成三种融合模型在预测性能上的差异，有效的提高模型的预测的准确性。2、本专利技术通过在结合深度学习强大的表征能力和BP神经网络较优的预测能力的优点基础上，集成三种融合模型后具有更好的鲁棒性特点，提供了一种可靠的地铁部件健康预测模型，对地铁车轮健康状态的预测具有良好的准确性。附图说明图1是本专利技术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的整体架构图。图2是本专利技术预测方法中DBN-BP融合模型结构示意图。图3是本专利技术预测方法中RNN-BP融合模型结构示意图。图4是本专利技术预本文档来自技高网...

【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