论文题名: | 基于互信息和RBFNN高速列车走行部故障诊断 |
关键词: | 高速列车;走行部;故障诊断;神经网络;互信息模式 |
摘要: | 高速列车是复杂的非线性系统,随着高速列车的发展,对高速列车的故障诊断系统要求也越来也高。高速列车的故障诊断不仅要求准确率高,还要实时性好,而且高速列车所拥有的海量特征数据也对分类器设计提出了更高的要求。本文从分类器设计和特征维数约简两个方面对高速列车走行部故障诊断方法进行研究,并利用实验数据进行了仿真验证。 首先详细给出了高速列车走行部的四种工况、实验数据来源以及本文采用的特征提取方法。然后,采用基于梯度下降的RBF网络构建高速列车走行部故障诊断模型。在此基础上,采用PSO算法对RBF网络参数进行调整和优化,在一定程度上避免了RBF网络参数训练陷入局部最优,提高了神经网络分类精度。将PSO算法和局部混沌搜索(Choas Local Search,CLS)相结合,增强了PSO算法的局部搜索能力。接着,引入一种新兴的元启发式智能算法——蝙蝠算法(BatAlgorithm,BA)对RBF网络参数进行优化,进一步提高网络的分类正确率。结合高速列车走行部实验数据进行仿真,证实了将BA-RBF网络应用于高速列车走行部故障诊断,能够加快故障的识别速度和提高识别准确率。 针对单一传感器对高速列车走行部故障诊断精度不高,容易对相似故障造成误判。本文采用多传感器融合的故障诊断方法,将多个传感器采集的故障特征进行无监督的UFS-MI(Unsupervised feature selection method based on mutualinformation)特征选择,消除故障特征之间的冗余和干扰,减少了故障特征维数。最后,将特征维数约简与BA-RBF网络结合。通过实验数据仿真,证实将UFS-MI与BA-RBFNN结合,能进一步提高诊断速度和分类精度。 |
作者: | 耿继伟 |
专业: | 控制工程 |
导师: | 张翠芳 |
授予学位: | 硕士 |
授予学位单位: | 西南交通大学 |
学位年度: | 2015 |
正文语种: | 中文 |