地铁及地铁转向架运行状态识别方法、系统技术方案

本发明专利技术公开了一种地铁及地铁转向架运行状态识别方法、系统，包括采用多传感器采集地铁转向架的运行数据，对运行数据进行去噪处理，再对运行数据进行多域特征提取，以提取的多域特征和运行状态对卷积神经网络模型进行训练，并在训练的同时采用粒子群优化算法对模型的参数进行优化；采用多传感器获取运行数据，使数据来源更加可靠；多域特征对模型进行训练，能够得到更可靠的识别结果；采用粒子群优化算法对模型参数、分类器参数进行优化，使模型更加可靠，从而使地铁转向架运行状态识别结果具有良好的可靠性。

【技术实现步骤摘要】
地铁及地铁转向架运行状态识别方法、系统
本专利技术属于地铁转向架状态识别
，尤其涉及一种基于多特征域卷积神经网络的地铁转向架运行状态识别方法、系统、以及地铁。
技术介绍
地铁是城市轨道交通的有益补充。地铁车辆中转向架位于地铁车辆的最下部、车体与轨道之间，它承受和传递来自车体及线路的各种载荷，同时缓和其动力作用。地铁转向架主要由构架(无摇枕、H型)、轮对组成、一系悬挂、二系悬挂、抗侧滚扭杆、基础制动系统、中央牵引单元、轮缘润滑系统组成及辅助装置等零部件组成，是地铁车辆的最重要的组成部件之一，其运行状态的及时识别，对地铁车辆安全可靠地运行具有重大意义。由于地铁车辆转向架结构的复杂性、运行状态中各种影响因素的不确定性和非线性性，导致常规的单特征域状态识别方法难以对地铁转向架的运行状态进行有效识别，这将导致识别结果的可靠性降低。卷积神经网络是一种包含了卷积计算的算法，具有深度结构的前馈神经网络，它是深度学习的典型算法之一。卷积神经网络结构包括输入层、输出层、卷积层、池化层、全连接层。卷积神经网络模型是通过基于梯度下降法最小化损失函数来实现权重参数的更新，其梯度从后往前逐层反向调节，直到更新至网络的第一层参数。与传统的神经网络构架相比，卷积神经网络的特点是引入了权值共享和感受野的概念，这极大地减少了其学习的参数量，拥有更好的学习能力；卷积神经网络更加适合处理海量数据，学习并提取海量信息中的关键信息，实现非线性的复杂特征提取；也可以将全部数据的局部特征进行提取，降低数据维度的同时保证特征的完整性，实现对设备的运行状态识别。
技术实现思路
本专利技术的目的在于提供一种地铁及地铁转向架运行状态识别方法、系统，以克服传统的单特征域状态识别方法难以对地铁转向架的运行状态进行有效识别，导致识别结果的可靠性低的问题。本专利技术是通过如下的技术方案来解决上述技术问题的：一种地铁转向架运行状态识别方法，包括以下步骤：获取地铁转向架的运行数据；对所述运行数据进行去噪处理，得到无噪运行数据；对所述无噪运行数据进行敏感特征提取，所述敏感特征包括时域特征、频域特征以及时频域特征，由所述敏感特征构成的敏感特征向量作为卷积神经网络模型的输入特征向量；根据所述敏感特征向量和地铁转向架的运行状态构建卷积神经网络模型；以所述输入特征向量作为输入训练样本，以所述地铁转向架的运行状态作为输出训练样本，对所述卷积神经网络模型进行训练，在训练的同时采用粒子群优化算法对所述卷积神经网络模型的参数、softmax分类器参数进行优化，得到训练好的卷积神经网络模型。进一步地，所述运行数据是由四个三向加速度传感器采集而获取的，四个所述三向加速度传感器分别安装于地铁转向架的轮对附近。进一步地，采用小波包多阈值去噪法对所述运行数据进行去噪处理。进一步地，所述时域特征包括峰-峰值、均值、方差、斜度、波形因子以及峰值因子值；所述频域特征为频率方差。进一步地，采用快速互补集合经验模态分解提取所述时频域特征，具体实现过程为：对所述无噪运行数据进行快速互补集合经验模态分解得到多个IMF分量和一个剩余分量；对每个所述IMF分量进行傅里叶变换并计算频域的总能量，所述总能量作为时频域特征。进一步地，所述卷积神经网络模型包括输入层、输出层以及至少一个中间层，多个所述中间层依次串联或者多个所述中间层串联和并联构成组合层；所述输入层的输出端与第一个中间层或所述组合层的输入端连接，最后一个中间层或所述组合层的输出端与所述输出层的输入端连接。本专利技术还提供一种地铁转向架运行状态识别系统，包括：数据获取单元，用于获取地铁转向架的运行数据；数据预处理单元，用于对所述运行数据进行去噪处理，得到无噪运行数据；特征提取单元，用于对所述无噪运行数据进行敏感特征提取，所述敏感特征包括时域特征、频域特征以及时频域特征，由所述敏感特征构成的敏感特征向量作为卷积神经网络模型的输入特征向量；模型构建单元，用于根据所述敏感特征向量和地铁转向架的运行状态构建卷积神经网络模型；模型训练优化单元，用于以所述输入特征向量作为输入训练样本，以所述地铁转向架的运行状态作为输出训练样本，对所述卷积神经网络模型进行训练，在训练的同时采用粒子群优化算法对所述卷积神经网络模型的参数、softmax分类器参数进行优化，得到训练好的卷积神经网络模型。进一步地，所述数据预处理单元，具体用于：采用小波包多阈值去噪法对所述运行数据进行去噪处理。进一步地，所述特征提取单元，还具体用于：采用快速互补集合经验模态分解提取所述时频域特征，具体实现过程为：对所述无噪运行数据进行快速互补集合经验模态分解得到多个IMF分量和一个剩余分量；对每个所述IMF分量进行傅里叶变换并计算频域的总能量，所述总能量作为时频域特征。本专利技术还提供一种地铁，包括如上所述的地铁转向架运行状态识别系统。有益效果与现有技术相比，本专利技术的优点在于：1、采用多传感器获取运行数据，使数据来源更加可靠；2、由时域特征、频域特征再结合时频域特征组成的特征向量对卷积神经网络模型进行训练，能够得到更可靠的识别结果；3、采用粒子群优化算法对模型参数、分类器参数进行优化，使模型更加可靠，从而使地铁转向架运行状态识别结果具有良好的可靠性。附图说明为了更清楚地说明本专利技术的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例中一种地铁转向架运行状态识别方法的流程图；图2是本专利技术实施例中多个中间层串联和并联构成组合层的第一实施方式；图3是本专利技术实施例中多个中间层串联和并联构成组合层的第二实施方式；图4是本专利技术实施例中多个中间层串联和并联构成组合层的第三实施方式；图5是本专利技术实施例中多个中间层串联和并联构成组合层的第四实施方式；图6是本专利技术实施例中多个中间层串联和并联构成组合层的第五实施方式。具体实施方式下面结合本专利技术实施例中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。地铁转向架主要由构架、轮对组成、一系悬挂、二系悬挂、抗侧滚扭杆、基础制动系统、中央牵引单元、轮缘润滑系统组成及辅助装置等零部件组成，地铁车辆转向架结构的复杂性、运行状态中各种影响因素的不确定性和非线性性，导致常规的单特征域状态识别方法难以对地铁转向架的运行状态进行有效识别，从而导致识别结果的可靠性低。针对地铁转向架运行状态识别中结构复杂性、非线性性以及不确本文档来自技高网...

【技术保护点】
1.一种地铁转向架运行状态识别方法，其特征在于，包括以下步骤：/n获取地铁转向架的运行数据；/n对所述运行数据进行去噪处理，得到无噪运行数据；/n对所述无噪运行数据进行敏感特征提取，所述敏感特征包括时域特征、频域特征以及时频域特征，由所述敏感特征构成的敏感特征向量作为卷积神经网络模型的输入特征向量；/n根据所述敏感特征向量和地铁转向架的运行状态构建卷积神经网络模型；/n以所述输入特征向量作为输入训练样本，以所述地铁转向架的运行状态作为输出训练样本，对所述卷积神经网络模型进行训练，在训练的同时采用粒子群优化算法对所述卷积神经网络模型的参数、softmax分类器参数进行优化，得到训练好的卷积神经网络模型。/n

【技术特征摘要】
1.一种地铁转向架运行状态识别方法，其特征在于，包括以下步骤：
获取地铁转向架的运行数据；
对所述运行数据进行去噪处理，得到无噪运行数据；
对所述无噪运行数据进行敏感特征提取，所述敏感特征包括时域特征、频域特征以及时频域特征，由所述敏感特征构成的敏感特征向量作为卷积神经网络模型的输入特征向量；
根据所述敏感特征向量和地铁转向架的运行状态构建卷积神经网络模型；
以所述输入特征向量作为输入训练样本，以所述地铁转向架的运行状态作为输出训练样本，对所述卷积神经网络模型进行训练，在训练的同时采用粒子群优化算法对所述卷积神经网络模型的参数、softmax分类器参数进行优化，得到训练好的卷积神经网络模型。


2.如权利要求1所述的一种地铁转向架运行状态识别方法，其特征在于，所述运行数据是由四个三向加速度传感器采集而获取的，四个所述三向加速度传感器分别安装于地铁转向架的轮对附近。


3.如权利要求1所述的一种地铁转向架运行状态识别方法，其特征在于，采用小波包多阈值去噪法对所述运行数据进行去噪处理。


4.如权利要求1所述的一种地铁转向架运行状态识别方法，其特征在于，所述时域特征包括峰-峰值、均值、方差、斜度、波形因子以及峰值因子值；
所述频域特征为频率方差。


5.如权利要求1所述的一种地铁转向架运行状态识别方法，其特征在于，采用快速互补集合经验模态分解提取所述时频域特征，具体实现过程为：
对所述无噪运行数据进行快速互补集合经验模态分解得到多个IMF分量和一个剩余分量；
对每个所述IMF分量进行傅里叶变换并计算频域的总能量，所述总能量作为时频域特征。


6.如权利要求1～5中任一项所述的一种地铁转向架运行状态识别方法，其特征在于，所述卷积神经网络模型包括输入层、...

【专利技术属性】
技术研发人员：刘翊，谢锋云，沈意平，沈龙江，王雪芳，任科生，覃事东，李书，
申请(专利权)人：中车株洲电力机车有限公司，
类型：发明
国别省市：湖南;43