亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于Dropout法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)地鐵列車塞拉門故障檢測(cè)

        2022-12-10 06:34:12郭井寬
        城市軌道交通研究 2022年12期
        關(guān)鍵詞:故障檢測(cè)模型

        郭井寬

        (中國(guó)電氣裝備集團(tuán)科學(xué)技術(shù)研究院有限公司,200436,上?!胃呒?jí)工程師)

        地鐵列車塞拉門結(jié)構(gòu)復(fù)雜、零件繁多、檢修工作量大,難以發(fā)現(xiàn)其諸多故障隱患。一旦發(fā)生塞拉門故障,就會(huì)嚴(yán)重威脅地鐵列車的安全運(yùn)行。當(dāng)前主要由檢測(cè)工人在列車停運(yùn)時(shí)通過(guò)對(duì)塞拉門內(nèi)部組件的檢測(cè),來(lái)診斷塞拉門故障。但人工檢測(cè)結(jié)果受檢測(cè)工人熟練程度的影響較大,且對(duì)微小故障的檢測(cè)難度大,易遺漏車門故障隱患,從而導(dǎo)致地鐵列車在運(yùn)行過(guò)程中發(fā)生故障。2017年,上海地鐵列車在運(yùn)行中曾發(fā)生未能正常關(guān)閉車門即屬于此類故障。

        地鐵列車塞拉門故障的在線檢測(cè)研究在國(guó)內(nèi)外尚屬新興的領(lǐng)域。研究學(xué)者利用相關(guān)歷史數(shù)據(jù)結(jié)合故障樹技術(shù)[1-2]、貝葉斯網(wǎng)絡(luò)[3]搭建了眾多應(yīng)用于地鐵列車塞拉門故障檢測(cè)的模型。文獻(xiàn)[4]利用故障樹技術(shù);文獻(xiàn)[5]利用貝葉斯網(wǎng)絡(luò)都對(duì)地鐵車門可靠性進(jìn)行了分析;文獻(xiàn)[6]建立了基于擴(kuò)展Petri網(wǎng)的地鐵車門系統(tǒng)故障診斷模型;文獻(xiàn)[7]利用聲音信號(hào)易于采集的優(yōu)點(diǎn),提出了一種基于多向鄰域保持嵌入算法和改進(jìn)粒子群優(yōu)化的混合核SVM(支持向量機(jī))算法的列車塞拉門故障診斷模型。這些模型在很大程度上克服了人工檢測(cè)的缺點(diǎn),便于相關(guān)工作人員及時(shí)定位故障與排查,降低故障損失[8],為地鐵列車塞拉門的日常維護(hù)工作提供了依據(jù)[9]。然而,目前的診斷模型很少涉及到下?lián)蹁N及壓輪故障等塞拉門典型故障的檢測(cè),我國(guó)在相關(guān)領(lǐng)域的研究仍較少。文獻(xiàn)[10]對(duì)地鐵列車塞拉門下?lián)蹁N及壓輪故障的檢測(cè)進(jìn)行了相關(guān)研究,通過(guò)對(duì)電機(jī)電流進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解、奇異值分解等分析處理來(lái)提取原始電流信號(hào)的特征,并結(jié)合支持向量機(jī)算法實(shí)現(xiàn)了對(duì)地鐵列車塞拉門下?lián)蹁N及壓輪故障的較高精度的檢測(cè)。但其數(shù)據(jù)處理過(guò)程較為復(fù)雜,檢測(cè)精度還可進(jìn)一步提高。

        本文通過(guò)仔細(xì)分析電機(jī)電流信號(hào)發(fā)現(xiàn):雖然在原始的電機(jī)電流時(shí)域信號(hào)中,下?lián)蹁N及壓輪故障的特征差異不明顯,但對(duì)電機(jī)電流信號(hào)進(jìn)行一定的預(yù)處理后,不同狀態(tài)下的時(shí)域波形存在著較為明顯的差異;對(duì)不同狀態(tài)下的電流數(shù)據(jù)提取合適的時(shí)域特征,即能實(shí)現(xiàn)對(duì)不同故障類型的分類?;谏鲜龇治?,本文通過(guò)提取電機(jī)電流信號(hào)的時(shí)域特征,基于Dropout法優(yōu)化的BP(后向傳播)神經(jīng)網(wǎng)絡(luò)理論,建立了一種地鐵列車塞拉門下?lián)蹁N及壓輪故障的檢測(cè)模型。利用實(shí)測(cè)塞拉門電機(jī)電流數(shù)據(jù)對(duì)該方法檢測(cè)。結(jié)果表明,該方法可在地鐵列車塞拉門下?lián)蹁N及壓輪故障的實(shí)際檢測(cè)中獲得較為優(yōu)異的效果。

        1 地鐵列車塞拉門典型故障檢測(cè)理論

        通過(guò)車輛段現(xiàn)場(chǎng)實(shí)際調(diào)研,綜合分析車輛段歷史維修記錄數(shù)據(jù)發(fā)現(xiàn),在塞拉門系統(tǒng)中下?lián)蹁N及壓輪出現(xiàn)故障的頻次相對(duì)較高,在塞拉門系統(tǒng)故障中較為典型。因此,本文選用下?lián)蹁N故障及壓輪故障作為本文故障診斷的研究對(duì)象,開(kāi)展相關(guān)故障診斷研究。

        1.1 下?lián)蹁N及壓輪故障檢測(cè)機(jī)理與路線

        地鐵列車塞拉門的下?lián)蹁N部件和壓輪部件分別如圖1及圖2所示[10]。

        圖1 塞拉門下?lián)蹁N示意圖

        圖2 塞拉門壓輪示意圖

        當(dāng)列車車門執(zhí)行開(kāi)關(guān)動(dòng)作時(shí),電機(jī)輸出的動(dòng)力最終傳遞到絲桿上,使絲桿在轉(zhuǎn)動(dòng)的同時(shí)帶動(dòng)車門水平移動(dòng)。在正常狀態(tài)下,下?lián)蹁N隨著塞拉門的關(guān)門動(dòng)作在擋塊滑道中做無(wú)接觸運(yùn)動(dòng),并在關(guān)門到位后起固定門頁(yè)的作用。而當(dāng)下?lián)蹁N發(fā)生故障與擋塊滑道發(fā)生接觸時(shí),會(huì)引起關(guān)門過(guò)程中的局部阻力異常,產(chǎn)生一定的反向力矩,并通過(guò)塞拉門內(nèi)部機(jī)械傳動(dòng)結(jié)構(gòu)反作用于塞拉門的驅(qū)動(dòng)電機(jī),使作為主動(dòng)機(jī)構(gòu)的電機(jī)產(chǎn)生異于常態(tài)的波動(dòng)力矩[11],同時(shí)導(dǎo)致電機(jī)電流發(fā)生與之相對(duì)應(yīng)的變化。塞拉門壓輪部件在正常工作時(shí),壓輪僅在末端嚙合對(duì)門扇進(jìn)行壓緊,并不會(huì)對(duì)車門產(chǎn)生阻力。但當(dāng)壓輪位置發(fā)生偏移并產(chǎn)生干涉時(shí),同樣會(huì)引起開(kāi)關(guān)門過(guò)程中的局部阻力異常,并反作用于塞拉門驅(qū)動(dòng)電機(jī),導(dǎo)致電機(jī)電流產(chǎn)生與之相對(duì)應(yīng)的變化。因此,通過(guò)將電機(jī)電流信號(hào)作為原始數(shù)據(jù)進(jìn)行分析,基本能實(shí)現(xiàn)對(duì)塞拉門下?lián)蹁N及壓輪的故障檢測(cè)[10]。

        基于上述理論,本文將不同狀態(tài)下的電機(jī)電流信號(hào)的差異性作為故障判斷的依據(jù),對(duì)在正常、下?lián)蹁N故障及壓輪故障三種狀態(tài)下的電機(jī)電流進(jìn)行數(shù)據(jù)預(yù)處理及時(shí)域特征提取,并將之與BP神經(jīng)網(wǎng)絡(luò)模型相結(jié)合,結(jié)合Dropout算法完成對(duì)模型的訓(xùn)練,最終建立塞拉門下?lián)蹁N及壓輪的故障檢測(cè)模型,實(shí)現(xiàn)對(duì)地鐵列車塞拉門下?lián)蹁N及壓輪的故障檢測(cè)。故障檢測(cè)實(shí)現(xiàn)路線如圖3所示。

        圖3 故障檢測(cè)流程圖

        1.2 特征提取及分析

        當(dāng)前,對(duì)不同狀態(tài)下電機(jī)電流信號(hào)的時(shí)域分析主要采用平均幅值、均方根、最大值、方差、波形因子、脈沖因子、峭度因子等統(tǒng)計(jì)指標(biāo)來(lái)表征數(shù)據(jù)特性。部分時(shí)域分析常用的特征參數(shù)如表1所示。

        表1 部分時(shí)域分析常用的特征參數(shù)

        在對(duì)電機(jī)電流信號(hào)的時(shí)域分析中發(fā)現(xiàn),在對(duì)電機(jī)電流信號(hào)的時(shí)域數(shù)據(jù)進(jìn)行一定的預(yù)處理后,不同故障狀態(tài)下的電機(jī)電流數(shù)據(jù)在時(shí)域上的波形存在較為明顯的差異。這種差異在關(guān)門過(guò)程末端的時(shí)域波形上體現(xiàn)得最為明顯。因此,對(duì)電機(jī)電流信號(hào)可提取其時(shí)域特征進(jìn)行分析。篩選出峰值附近的電機(jī)電流數(shù)據(jù)進(jìn)行時(shí)域分析,對(duì)其采取幅值量綱一化、取波形包絡(luò)等預(yù)處理,并進(jìn)行時(shí)域特征提取,之后將所提取的特征參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入變量,以完成故障檢測(cè)模型的搭建。

        此外,由于地鐵列車塞拉門下?lián)蹁N及壓輪故障檢測(cè)的復(fù)雜性及先驗(yàn)知識(shí)的不充分,在開(kāi)始階段一般難以直接確定與故障檢測(cè)最相關(guān)的特征。因此,需要對(duì)時(shí)域特征進(jìn)行篩選以獲取合適特征。由于箱線圖不僅能反映單組數(shù)據(jù)的分布情況、異常值、波動(dòng)情況、穩(wěn)定性,還能對(duì)比不同類別的數(shù)據(jù)在分布上的差異。因此,本文通過(guò)不同狀態(tài)下所提取到的時(shí)域特征數(shù)據(jù)的箱線圖,來(lái)對(duì)比不同狀態(tài)下的時(shí)域特征的差異,最終選定合適的時(shí)域特征作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入。

        1.3 BP神經(jīng)網(wǎng)絡(luò)模型原理

        BP神經(jīng)網(wǎng)絡(luò)模型是一種利用梯度下降算法反向調(diào)整權(quán)重的多層神經(jīng)元構(gòu)成的前饋人工神經(jīng)網(wǎng)絡(luò)模型,其結(jié)構(gòu)如圖4所示。BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練學(xué)習(xí)過(guò)程分為兩個(gè)階段,第一階段是輸入信息前向傳遞,信息通過(guò)前向網(wǎng)絡(luò)逐層前進(jìn),分散傳輸?shù)礁鲗由窠?jīng)元,經(jīng)過(guò)處理后,將實(shí)際結(jié)果輸出;第二階段是結(jié)果誤差反向傳播,通過(guò)更改模型中的權(quán)重使得網(wǎng)絡(luò)輸出結(jié)果和期望值之間的均方誤差達(dá)到最小,最終獲得高精度的擬合結(jié)果。

        圖4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

        BP神經(jīng)網(wǎng)絡(luò)模型的具體訓(xùn)練學(xué)習(xí)過(guò)程如下:

        輸入信息正向傳遞過(guò)程:首先,輸入樣本數(shù)據(jù)到輸入層神經(jīng)元,使樣本信息進(jìn)入神經(jīng)網(wǎng)絡(luò)中,隱含層的各個(gè)神經(jīng)元對(duì)多個(gè)樣本數(shù)據(jù)進(jìn)行非線性運(yùn)算處理;然后,通過(guò)輸出層將結(jié)果輸出,并與己知的結(jié)果進(jìn)行比較。通過(guò)設(shè)定閾值范圍,判斷計(jì)算輸出結(jié)果與已知結(jié)果的誤差是否在閾值范圍內(nèi):如果在閾值范圍內(nèi),則算法訓(xùn)練結(jié)束;如果超出設(shè)定范圍,則進(jìn)行誤差反向傳播。

        結(jié)果誤差反向傳播過(guò)程:首先,將總誤差從輸出層輸入,即可實(shí)現(xiàn)結(jié)果誤差進(jìn)行反向傳播;經(jīng)由隱含層神經(jīng)元對(duì)誤差進(jìn)行反向映射,將誤差傳到輸入層。這一過(guò)程是利用梯度下降算法將總誤差分散到各個(gè)神經(jīng)元,用以大化小的思維一層一層地修改權(quán)重。

        此處以典型的3層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行說(shuō)明,設(shè)輸入層的輸入向量為I=(I1I2…Il),其中l(wèi)表示輸入層包含的節(jié)點(diǎn)個(gè)數(shù)。此處加入“常數(shù)項(xiàng)輸入”x0=1,并為其賦權(quán)值w0j。輸入層的輸入值即為其輸出值。設(shè)隱藏層獲得的輸入向量h=(h1h2…h(huán)q),輸出向量t=(t1t2…tk),其中q是隱藏層神經(jīng)元的個(gè)數(shù),則有:

        (1)

        式中:

        i——輸入層包含的各節(jié)點(diǎn)編號(hào),i=1,2,3,…,l;

        j——隱藏層包含的各節(jié)點(diǎn)編號(hào),j=1,2,3,…,q;

        wij——輸入層第i個(gè)神經(jīng)元到隱藏層的第j個(gè)神經(jīng)元之間的權(quán)重。

        且有隱藏層的輸出值為:

        (2)

        設(shè)輸出層輸入向量z=(z1z2…zn),輸出向量y=(y1y2…yn),其中n是輸出層包含的節(jié)點(diǎn)個(gè)數(shù)。則有輸出層的輸入值和輸出值類似于隱藏層的輸入值和輸出值,分別為:

        (3)

        (4)

        式中:

        vjk——隱藏層第j個(gè)神經(jīng)元到隱藏層的第k個(gè)神經(jīng)元之間的權(quán)重。

        設(shè)d=(d1d2…dl)為期望輸出,而實(shí)際輸出為y=(y1y2…yn),則BP神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出向量y與期望輸出向量d之間的誤差可表示為:

        (5)

        對(duì)于隱藏層則有:

        (6)

        對(duì)于輸入層則有:

        (7)

        由式(7)可知BP神經(jīng)網(wǎng)絡(luò)的誤差是關(guān)于各層連接權(quán)值wij、vij的函數(shù),因此可通過(guò)對(duì)各層連接權(quán)值的修正降低誤差,各層誤差修正則是通過(guò)誤差函數(shù)對(duì)各節(jié)點(diǎn)的求導(dǎo)進(jìn)行確定。

        對(duì)于輸出節(jié)點(diǎn)對(duì)誤差函數(shù)求導(dǎo)有:

        (8)

        其中:

        (9)

        (10)

        則有:

        (11)

        對(duì)于隱層節(jié)點(diǎn)對(duì)誤差函數(shù)求導(dǎo)有:

        (12)

        其中:

        (13)

        (14)

        (15)

        則有:

        (16)

        為簡(jiǎn)化公式,令

        δk=-(dk-yk)f′(zk)

        (17)

        δj=δkvjkf′(hj)

        (18)

        則有:

        (19)

        權(quán)重的修正量Δwij、Δvij同誤差函數(shù)的負(fù)梯度方向成正比,則有:

        (20)

        vjk(m+1)=vjk(m)+Δvjk=vjk(m)+ηδktj

        (21)

        (22)

        wij(m+1)=wij(m)+Δwij=wij(m)+ηδjxi

        (23)

        式中:

        wij(m)——第m次迭代時(shí)輸入層第i個(gè)神經(jīng)元到隱藏層的第j個(gè)神經(jīng)元之間的權(quán)重;

        wij(m+1)——第m+1次迭代時(shí)輸入層第i個(gè)神經(jīng)元到隱藏層的第j個(gè)神經(jīng)元之間的權(quán)重;

        vjk(m)——第m次迭代時(shí)隱藏層第j個(gè)神經(jīng)元到輸出層的第k個(gè)神經(jīng)元之間的權(quán)重;

        vjk(m+1)——第m+1次迭代時(shí)輸入層第j個(gè)神經(jīng)元到隱藏層的第k個(gè)神經(jīng)元之間的權(quán)重。

        BP神經(jīng)網(wǎng)絡(luò)通過(guò)以上方式不斷地進(jìn)行信息前饋和誤差反饋,隨時(shí)調(diào)整權(quán)重,直至訓(xùn)練學(xué)習(xí)收斂。訓(xùn)練學(xué)習(xí)收斂方式一般有設(shè)定誤差閾值及設(shè)定訓(xùn)練次數(shù)兩種。當(dāng)滿足其中1種方式的收斂條件時(shí),BP神經(jīng)網(wǎng)絡(luò)模型就被訓(xùn)練好了。

        1.4 BP神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化

        在機(jī)器學(xué)習(xí)的模型中,如果模型的參數(shù)太多,而訓(xùn)練樣本又太少,則訓(xùn)練出來(lái)的模型很容易產(chǎn)生過(guò)擬合的現(xiàn)象。本文所選用的數(shù)據(jù)存在著數(shù)據(jù)量較少的問(wèn)題,因此最終訓(xùn)練所得的模型可能存在著過(guò)擬合的情況。為避免出現(xiàn)這類情況,本文在訓(xùn)練模型時(shí)采用Dropout法[12]對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化。

        Dropout法是解決BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練學(xué)習(xí)過(guò)程中出現(xiàn)過(guò)擬合的有效方法,是指在深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中,對(duì)于神經(jīng)網(wǎng)絡(luò)單元,按照一定的概率將其暫時(shí)從網(wǎng)絡(luò)中丟棄,其原理圖如圖5所示。

        a)原始網(wǎng)絡(luò)

        則式(1)應(yīng)變形為:

        (24)

        式中:

        rij——前層第j個(gè)神經(jīng)元到后層第i個(gè)神經(jīng)元對(duì)應(yīng)的伯努利函數(shù),在本文中特指輸入層到隱藏層。

        采用Dropout法對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化的具體的訓(xùn)練步驟如下:

        步驟1 在訓(xùn)練之前按照預(yù)設(shè)的幾率拋棄部分隱藏層的神經(jīng)元,暫時(shí)不讓其涉及到正向傳遞,輸入和輸出層的神經(jīng)元保持不變。

        步驟2 將樣本數(shù)據(jù)在結(jié)構(gòu)已經(jīng)改變的BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行傳遞,所得到的誤差在結(jié)構(gòu)變化后的 BP神經(jīng)網(wǎng)絡(luò)再反向傳播,同時(shí)更新BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。

        步驟3 重復(fù)上述步驟1及步驟2,直至迭代完成。

        2 實(shí)際案例測(cè)試

        2.1 數(shù)據(jù)來(lái)源及特征提取

        本文使用的塞拉門電機(jī)電流數(shù)據(jù)來(lái)源于某地鐵車輛段現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)。1次開(kāi)關(guān)門過(guò)程中的單相電機(jī)電流數(shù)據(jù)為1組試驗(yàn)數(shù)據(jù)。其中1組原始試驗(yàn)數(shù)據(jù)如圖6所示。圖6中,0~5.5 s為開(kāi)門階段,5.5~11.0 s為關(guān)門階段。

        a)正常狀態(tài)下的電機(jī)電流信號(hào)

        由圖6可知,原始電機(jī)電流信號(hào)在下?lián)蹁N故障、壓輪故障等不同狀態(tài)下難以直接區(qū)分。但通過(guò)對(duì)不同狀態(tài)下的電機(jī)電流信號(hào)在關(guān)門階段后期(圖6虛線所圈出區(qū)域)的信號(hào)進(jìn)行去噪及幅值量綱一化等預(yù)處理后,不同狀態(tài)下的電機(jī)電流信號(hào)則呈現(xiàn)較為明顯的區(qū)別。其中1組經(jīng)過(guò)去噪及幅值量綱一化等預(yù)處理后不同狀態(tài)下的電流信號(hào)包絡(luò)線及波形圖如圖7—圖9所示。

        圖7—圖9中橫、縱坐標(biāo)分別為時(shí)間采樣點(diǎn)和電流的幅值,突出波形分別為截選出的原始數(shù)據(jù)絕對(duì)值波形和取峰值包絡(luò)后的對(duì)應(yīng)包絡(luò)波形。在完成對(duì)數(shù)據(jù)的峰值包絡(luò)后,本文再按照表1對(duì)包絡(luò)波形提取其時(shí)域特征,完成對(duì)數(shù)據(jù)特征提取操作。

        圖7 正常狀態(tài)下電機(jī)電流信號(hào)的包絡(luò)線及波形圖

        圖8 下?lián)蹁N故障下電機(jī)電流信號(hào)的包絡(luò)線及波形圖

        圖9 壓輪故障下電機(jī)電流信號(hào)的包絡(luò)線及波形圖

        2.2 輸入特征分析及篩選

        按表1,計(jì)算不同狀態(tài)下電機(jī)電流信號(hào)的時(shí)域特征數(shù)據(jù),并繪制相應(yīng)的時(shí)域特征箱線圖(見(jiàn)圖10),以對(duì)比其分布差異性。

        從圖10可知,在不同狀態(tài)下:時(shí)域特征中方差、最大值、波形因子、平均幅值、脈沖因子等時(shí)域特征參數(shù)的分布差異較大;峭度因子、均方根的分布差異較小。因此,本文選取電機(jī)電流的方差、最大值、波形因子、平均幅值及脈沖因子作為BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)。

        a)波形因子箱線圖

        2.3 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)

        BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)對(duì)塞拉門下?lián)蹁N及壓輪的故障檢測(cè)有著至關(guān)重要的影響,應(yīng)合理選擇。本文的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)設(shè)計(jì)如下:

        1)神經(jīng)網(wǎng)絡(luò)層數(shù)。根據(jù)實(shí)際情況,本文選擇了含有1層隱藏層的3層BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu),來(lái)完成塞拉門下?lián)蹁N及壓輪故障的檢測(cè)。

        2)輸入層神經(jīng)元數(shù)目?;跁r(shí)域特征分析,本文選擇了電機(jī)電流信號(hào)的均方根、波形因子、峭度因子、最大值、方差等時(shí)域特征參數(shù)來(lái)表征時(shí)域特征。相應(yīng)的輸入層神經(jīng)元數(shù)目確定為5。

        3)輸出層神經(jīng)元數(shù)目。輸出層神經(jīng)元數(shù)目是由實(shí)際需求來(lái)確定的,其與故障檢測(cè)最終分類結(jié)果的類型數(shù)目有關(guān)。本文的輸出層神經(jīng)元數(shù)據(jù)標(biāo)簽分為正常、下?lián)蹁N故障及壓輪故障3類,故輸出層神經(jīng)元數(shù)目確定為3。

        4)隱藏層神經(jīng)元數(shù)目。隱藏層的神經(jīng)元個(gè)數(shù)過(guò)多,可使神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)變得復(fù)雜,從而獲得良好的訓(xùn)練效果,但是會(huì)出現(xiàn)收斂緩慢、訓(xùn)練時(shí)間長(zhǎng)等現(xiàn)象,在測(cè)試時(shí)會(huì)造成誤差精度和識(shí)別率下降。相反,如果神經(jīng)元個(gè)數(shù)太少,則使神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)過(guò)于簡(jiǎn)單,不能有效利用樣本數(shù)據(jù),出現(xiàn)欠擬合現(xiàn)象,精度降低,訓(xùn)練結(jié)果較差,從而不能用于與經(jīng)過(guò)幾種估算公式計(jì)算的結(jié)果作比較。最終,本文隱藏層神經(jīng)元數(shù)目確定為9。

        5)學(xué)習(xí)率及Dropout值。在用于故障檢測(cè)的BP神經(jīng)網(wǎng)絡(luò)的最終實(shí)現(xiàn)中,學(xué)習(xí)率一般取值為0~1。本文通過(guò)調(diào)用scipy.optimize數(shù)據(jù)庫(kù)中的minimize函數(shù)自動(dòng)選擇學(xué)習(xí)率。此外,Dropout值一般取0.3~0.5。本文根據(jù)經(jīng)驗(yàn)將Dropout值取0.3。

        2.4 預(yù)測(cè)結(jié)果及模型性能評(píng)估

        本文以模型預(yù)測(cè)精度作為模型性能的主要評(píng)估指標(biāo)。對(duì)未經(jīng)Dropout法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)故障檢測(cè)模型(以下稱為“模型一”),以及經(jīng)過(guò)結(jié)構(gòu)合理設(shè)計(jì)及Dropout法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)故障檢測(cè)模型(以下稱為“模型二”),均采用同一訓(xùn)練數(shù)據(jù)對(duì)模型參數(shù)進(jìn)行更新,并通過(guò)測(cè)試數(shù)據(jù)集對(duì)2個(gè)模型進(jìn)行測(cè)試,以驗(yàn)證其性能。測(cè)試結(jié)果對(duì)比如表2所示。

        由表2可知,與模型一相比,模型二在在測(cè)試數(shù)據(jù)集上的預(yù)測(cè)準(zhǔn)確率明顯更優(yōu),且達(dá)到了98.8%。

        表2 模型一與模型二的測(cè)試結(jié)果對(duì)比

        綜上所述,利用Dropout法對(duì)BP神經(jīng)網(wǎng)絡(luò)故障檢測(cè)模型進(jìn)行優(yōu)化,可在一定程度上減少過(guò)擬合現(xiàn)象的發(fā)生,有效提高故障檢測(cè)的精度。最終所搭建的BP神經(jīng)網(wǎng)絡(luò)故障檢測(cè)模型能有效地對(duì)塞拉門下?lián)蹁N及壓輪故障進(jìn)行檢測(cè),提高了設(shè)備運(yùn)行可靠性。

        3 結(jié)語(yǔ)

        本文通過(guò)對(duì)不同狀態(tài)下電機(jī)電流信號(hào)的時(shí)域特征分析,研究對(duì)比了不同狀態(tài)下電機(jī)電流信號(hào)在時(shí)域上的分布差異,建立了一種基于BP神經(jīng)網(wǎng)絡(luò)的塞拉門下?lián)蹁N及壓輪故障檢測(cè)模型。

        基于實(shí)際案例數(shù)據(jù),對(duì)該檢測(cè)模型進(jìn)行測(cè)試分析。測(cè)試結(jié)果表明:不同狀態(tài)下的地鐵列車塞拉門電機(jī)電流信號(hào)經(jīng)預(yù)處理后在時(shí)域分布上存在著一定差異,通過(guò)提取合適的時(shí)域特征參數(shù),并結(jié)合BP神經(jīng)網(wǎng)絡(luò)及Dropout優(yōu)化技術(shù),能有效檢測(cè)出塞拉門下?lián)蹁N及壓輪的故障。

        猜你喜歡
        故障檢測(cè)模型
        一半模型
        “不等式”檢測(cè)題
        “一元一次不等式”檢測(cè)題
        “一元一次不等式組”檢測(cè)題
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        故障一點(diǎn)通
        3D打印中的模型分割與打包
        奔馳R320車ABS、ESP故障燈異常點(diǎn)亮
        小波變換在PCB缺陷檢測(cè)中的應(yīng)用
        中文亚洲一区二区三区| 亚洲图区欧美| 精品久久久久久电影院| 精品国产亚洲av久一区二区三区 | 91福利精品老师国产自产在线| 国产一区二区三区在线爱咪咪| 久久久久亚洲精品无码系列| 亚洲av无码av男人的天堂| 一级片麻豆| 亚洲不卡毛片在线观看| 精品人妻一区二区三区久久| 97人人模人人爽人人喊电影| 91亚洲国产成人aⅴ毛片大全| 青青草视频在线播放81| 色欲色香天天天综合网www| 国产精品对白刺激久久久| 久久久久亚洲AV无码专区喷| 青青草好吊色在线视频| 亚洲av中文无码字幕色本草| 久久久精品人妻一区二区三区| 91青草久久久久久清纯| 自拍偷区亚洲综合第一页| 国产欧美va欧美va香蕉在| 国产精品后入内射日本在线观看| baoyu网址国产最新| 在线观看麻豆精品视频| 少妇av射精精品蜜桃专区| 国产 中文 制服丝袜 另类| 国产日本精品一区二区| 欧美老妇交乱视频在线观看| 久久久久久久综合狠狠综合 | 中文一区二区三区无码视频| 日本最新视频一区二区| 最爽无遮挡行房视频| 亚洲熟妇一区无码| 99视频偷拍视频一区二区三区| 亚洲日韩小电影在线观看| 日产精品久久久久久久蜜臀| 亚洲中文字幕精品一区二区| 日本免费在线一区二区三区| 欧美黑吊大战白妞|