论文部分内容阅读
摘要:根据铁路车辆悬挂系统的特征,对铁路车辆悬挂系统的故障诊断应用神经网络故障诊断技术。提供了一种用于诊断铁路车辆弹簧和故障缓冲的BP神经网络模型,并建立了车辆悬挂系统。神经网络故障诊断模型在此基础上,遗传算法被用于优化BP神经网络诊断模型。为了避免轨道不规则对故障状态的影响,选择自对比特性指数和相对特性指数作为神经网络的输入数据,并使用优化的BP神经网络模型进行模拟测试。结果显示,优化的BP神经网络诊断算法提高了稳定性和准确性,并实现了预期的诊断结果。
关键词:道车辆;弹簧故障;故障特征;BP神经网络;故障诊断
0引言
随着铁路运输的发展,铁路运输在公共交通中占据了非常重要的位置。在轨车辆的安全和舒适是影响其发展的重要因素。其性能直接影响到车辆的安全性和舒适性,因此,对悬挂系统故障的可靠和实时诊断的研究已经成为国内外研究人员的一个热点。
目前,全国内外有许多铁路车辆悬挂系统的故障诊断方法,包括基于IMM算法的车辆悬挂系统故障诊断。然而,基于观察的车辆悬挂系统的故障诊断等,人造神经网络算法是在现代神经科学基础上逐渐发展的学科。BP能够从一个不稳定的非线性信号中识别相应的故障,人行道构成轨道车辆的重要部分,并起支持、牵引、移动和制动作用。该文件建立了轨道动态模拟模型和数据采集处理。通过使用基因算法优化的BP神经网络算法,对车辆的关键部件进行故障诊断。
1 BP神经网络模型的建立
该BP神经网络是一个多层先进的神经网络,可以存储大量经修改的映射关系,从而容易地获得故障诊断和模式分类。通过调整加权系数和阈值,可以获得BP神经网络。为了解决一般的故障诊断问题,通常使用单层BP网络模型,图1显示了该网络的拓扑情况。
1.1 特征向量的选取
为了确保对车辆零部件进行实时监视,更多地使用复杂的传感器和结构系统不仅昂贵,而且难以进行监视。加速传感器仅安装在转向架和车辆主体上,以获得加速信号,并利用这些信号对车辆弹簧和阻尼装置的故障进行诊断。
为了满足第一个选择参数的标准,选择了三个特性:V1、V2、V5.V1,用于车辆正常状态与故障时车身垂直加速度绝对值之比;V2,用于车辆正常状态与绝对值之差。车身故障时的垂直加速,V5用于车辆故障前的垂直加速,在0-23Hz频率下,内部平均值与故障后平均值之比。选择V3和V4特性量以满足第二标准。V3是车身垂直加速度绝对平方根值与车辆垂直加速度绝对根值的平均根值后车身加速绝对值的平均根值。选择了V6特性量以满足第三项标准。V6特性量是车辆的位置/行驶距离/行驶时间。满足了车辆安全电路条件的自比较、对比和对比。
1.2BP神经网络算法的优化
BP神经网络存在的不足,如收敛速度慢、不能保证全局最小、结构不确定等。对于神经网络算法初始权阈值随机的情况,可采用遗传算法进行优化,提高诊断精度。
1.3 网络结构及故障模式的确定
研究决定,选取轨道车辆转向架一系弹簧的6个故障特征作为输入层的参数,所以输入层的节点有8个,同时选取输出层节点为5个。输出形式表示如下:正常(10000)、弹簧断裂故障(01000)、弹簧轻微故障(00100)、弹簧中等故障(00010)、弹簧断裂故障(00001)。因采用三层网络結构,所以对于隐含层节点数n2和输入层节点数n1有一近似关系,即n2=2* n1+1.故输入层神经元6个,隐含层神经元13个,神经网络模型结构是(8,13,5)。
2 动力学模型的建立
车辆建模的基本目的是提供理论上的帮助和研究主题的数据。模型产生的数据可以分析系统状况,并从系统故障中提取特征。文件详细介绍了轨道车辆悬挂系统的建模。问题在于弹簧安全预警和轨道车辆悬挂系统的缓冲,由此可以在Matlab-Simulink软件的基础上为轨道车辆垂直悬挂系统建立一个安全预警模型。建立了轨道车辆悬挂系统的故障模拟,并用于产生相关的研究数据。
2.1 车辆动力学模型的建立
轨道车辆的六度垂直自由模型包括车身、底盘、悬挂件和二次懸挂件,该模型是一种刚性系统,模拟以V速度在轨道上移动一个反射V,同时考虑到六度的自由度。例如,车辆的倒塌和摇杆运动、前后框架的倒塌和摇杆运动。转向车的轴为2LA,前后转向车的中心距离为2LS。为了区分悬挂弹簧和缓冲弹簧,所述转向车的中心距离为2LS。弹簧和阻尼分别称为K1-K6和C1-C6。硬度矩阵、阻尼矩阵和系统质量矩阵是通过硬度相关矩阵获得的。弹簧被正压和负压。
2.2 轨道不平顺信号获取
轨道不连续是车辆振动的根本原因根据目前的铁路交通状况,选择了美国第6类轨道频谱的反向位移频谱作为激励信号。轨道:轨道所有方向的异常可以用只研究垂直振动的公式来计算,从而可以使用垂直不对称公式来计算相应的位移频谱作为激励。
通过Matlab将美国六级轨道谱、功率谱反演至空间域信号如图5所示,以此数据作为动力学模型的轨道不平顺外部激励源。
3 结束语
诊断BP神经网络故障的方法应用于轨道车辆悬挂系统故障的诊断。根据人造神经网络的基本概念和BP-L神经网络的基本理论,使用模拟数据作为测试数据认证。虽然使用遗传算法改进了BP神经网络算法,但实验结果表明,基于遗传算法的改进的BP神经网络算法明显优于先前的网络算法,而不是同一样本的改进。网络形成.基于改进的遗传算法的BP神经网络算法更加精确和稳定,本发明减少了学习期间的振荡现象,提供了良好的诊断效率和准确性,并且在实践中,满足轨道车辆悬挂系统的故障诊断。
关键词:道车辆;弹簧故障;故障特征;BP神经网络;故障诊断
0引言
随着铁路运输的发展,铁路运输在公共交通中占据了非常重要的位置。在轨车辆的安全和舒适是影响其发展的重要因素。其性能直接影响到车辆的安全性和舒适性,因此,对悬挂系统故障的可靠和实时诊断的研究已经成为国内外研究人员的一个热点。
目前,全国内外有许多铁路车辆悬挂系统的故障诊断方法,包括基于IMM算法的车辆悬挂系统故障诊断。然而,基于观察的车辆悬挂系统的故障诊断等,人造神经网络算法是在现代神经科学基础上逐渐发展的学科。BP能够从一个不稳定的非线性信号中识别相应的故障,人行道构成轨道车辆的重要部分,并起支持、牵引、移动和制动作用。该文件建立了轨道动态模拟模型和数据采集处理。通过使用基因算法优化的BP神经网络算法,对车辆的关键部件进行故障诊断。
1 BP神经网络模型的建立
该BP神经网络是一个多层先进的神经网络,可以存储大量经修改的映射关系,从而容易地获得故障诊断和模式分类。通过调整加权系数和阈值,可以获得BP神经网络。为了解决一般的故障诊断问题,通常使用单层BP网络模型,图1显示了该网络的拓扑情况。
1.1 特征向量的选取
为了确保对车辆零部件进行实时监视,更多地使用复杂的传感器和结构系统不仅昂贵,而且难以进行监视。加速传感器仅安装在转向架和车辆主体上,以获得加速信号,并利用这些信号对车辆弹簧和阻尼装置的故障进行诊断。
为了满足第一个选择参数的标准,选择了三个特性:V1、V2、V5.V1,用于车辆正常状态与故障时车身垂直加速度绝对值之比;V2,用于车辆正常状态与绝对值之差。车身故障时的垂直加速,V5用于车辆故障前的垂直加速,在0-23Hz频率下,内部平均值与故障后平均值之比。选择V3和V4特性量以满足第二标准。V3是车身垂直加速度绝对平方根值与车辆垂直加速度绝对根值的平均根值后车身加速绝对值的平均根值。选择了V6特性量以满足第三项标准。V6特性量是车辆的位置/行驶距离/行驶时间。满足了车辆安全电路条件的自比较、对比和对比。
1.2BP神经网络算法的优化
BP神经网络存在的不足,如收敛速度慢、不能保证全局最小、结构不确定等。对于神经网络算法初始权阈值随机的情况,可采用遗传算法进行优化,提高诊断精度。
1.3 网络结构及故障模式的确定
研究决定,选取轨道车辆转向架一系弹簧的6个故障特征作为输入层的参数,所以输入层的节点有8个,同时选取输出层节点为5个。输出形式表示如下:正常(10000)、弹簧断裂故障(01000)、弹簧轻微故障(00100)、弹簧中等故障(00010)、弹簧断裂故障(00001)。因采用三层网络結构,所以对于隐含层节点数n2和输入层节点数n1有一近似关系,即n2=2* n1+1.故输入层神经元6个,隐含层神经元13个,神经网络模型结构是(8,13,5)。
2 动力学模型的建立
车辆建模的基本目的是提供理论上的帮助和研究主题的数据。模型产生的数据可以分析系统状况,并从系统故障中提取特征。文件详细介绍了轨道车辆悬挂系统的建模。问题在于弹簧安全预警和轨道车辆悬挂系统的缓冲,由此可以在Matlab-Simulink软件的基础上为轨道车辆垂直悬挂系统建立一个安全预警模型。建立了轨道车辆悬挂系统的故障模拟,并用于产生相关的研究数据。
2.1 车辆动力学模型的建立
轨道车辆的六度垂直自由模型包括车身、底盘、悬挂件和二次懸挂件,该模型是一种刚性系统,模拟以V速度在轨道上移动一个反射V,同时考虑到六度的自由度。例如,车辆的倒塌和摇杆运动、前后框架的倒塌和摇杆运动。转向车的轴为2LA,前后转向车的中心距离为2LS。为了区分悬挂弹簧和缓冲弹簧,所述转向车的中心距离为2LS。弹簧和阻尼分别称为K1-K6和C1-C6。硬度矩阵、阻尼矩阵和系统质量矩阵是通过硬度相关矩阵获得的。弹簧被正压和负压。
2.2 轨道不平顺信号获取
轨道不连续是车辆振动的根本原因根据目前的铁路交通状况,选择了美国第6类轨道频谱的反向位移频谱作为激励信号。轨道:轨道所有方向的异常可以用只研究垂直振动的公式来计算,从而可以使用垂直不对称公式来计算相应的位移频谱作为激励。
通过Matlab将美国六级轨道谱、功率谱反演至空间域信号如图5所示,以此数据作为动力学模型的轨道不平顺外部激励源。
3 结束语
诊断BP神经网络故障的方法应用于轨道车辆悬挂系统故障的诊断。根据人造神经网络的基本概念和BP-L神经网络的基本理论,使用模拟数据作为测试数据认证。虽然使用遗传算法改进了BP神经网络算法,但实验结果表明,基于遗传算法的改进的BP神经网络算法明显优于先前的网络算法,而不是同一样本的改进。网络形成.基于改进的遗传算法的BP神经网络算法更加精确和稳定,本发明减少了学习期间的振荡现象,提供了良好的诊断效率和准确性,并且在实践中,满足轨道车辆悬挂系统的故障诊断。