湯雪揚(yáng),蔡小培,王偉華,常文浩,王啟好
(1.北京交通大學(xué) 土木建筑工程學(xué)院,北京 100044;2.中國(guó)鐵路設(shè)計(jì)集團(tuán)有限公司,天津 300308)
鋼軌波浪形磨耗(簡(jiǎn)稱鋼軌波磨)是地鐵線路中常見的軌道病害[1-2],也是縮短車輛及軌道零部件服役壽命的主要原因之一,對(duì)地鐵運(yùn)營(yíng)的安全性和旅客乘車的舒適性有嚴(yán)重影響[3].地鐵運(yùn)營(yíng)部門須定期打磨鋼軌波磨地段,因此如何準(zhǔn)確高效識(shí)別鋼軌波磨是鐵路行業(yè)的熱點(diǎn)問題.
鋼軌波磨檢測(cè)方法[4]按原理分為人工檢測(cè)法、弦測(cè)法、慣性基準(zhǔn)法、機(jī)器視覺方法.人工檢測(cè)法須使用波磨檢測(cè)尺[5]或波磨檢測(cè)小車[6]測(cè)量現(xiàn)場(chǎng)鋼軌波磨,不適用于鋼軌波磨的大規(guī)模檢測(cè).由于弦測(cè)法的參考基準(zhǔn)隨鋼軌高低不平順變化而變化,造成傳遞函數(shù) (測(cè)量值與實(shí)際值之比)不恒為1,不可避免地存在誤差[7-9].慣性基準(zhǔn)法無(wú)法排除車輪故障的影響,并且由于采用高通濾波器,車速較低時(shí)的測(cè)量誤差相對(duì)較大[10-11].機(jī)器視覺法依賴高精度的光電及攝像設(shè)備以及復(fù)雜的圖像后處理技術(shù),雖測(cè)量精度較高,但其應(yīng)用成本昂貴[12-15].鋼軌波磨會(huì)引起車輛系統(tǒng)產(chǎn)生明顯動(dòng)態(tài)響應(yīng),因此基于車輛動(dòng)態(tài)響應(yīng)的鋼軌波磨檢測(cè)也受到眾多專家學(xué)者的關(guān)注.Hopkins 等[16-17]利用小波變換處理軸箱加速度數(shù)據(jù),實(shí)現(xiàn)鋼軌波磨的檢測(cè).Gomes 等[18]基于1/3倍頻程和小波包對(duì)軸箱加速度進(jìn)行分析,提取了鋼軌短波不平順.Wei 等[19]提出軌面不平順對(duì)轉(zhuǎn)向架和車體位移的頻率響應(yīng)函數(shù),并在上海地鐵1號(hào)線驗(yàn)證了檢測(cè)系統(tǒng)的有效性.Kojima 等[20]采用小波變換的多分辨率分析法處理車體垂向振動(dòng)加速度,發(fā)現(xiàn)與鋼軌波磨相關(guān)的頻率位于第3層細(xì)節(jié)分量.謝清林[21-22]等基于鋼軌波磨工況下的軸箱加速度數(shù)據(jù),實(shí)現(xiàn)了鋼軌波磨波長(zhǎng)和波深的檢測(cè).除在車輛部件上安裝加速度或位移傳感器外,還可利用車內(nèi)噪聲來(lái)檢測(cè)鋼軌波磨[23].郭建強(qiáng)等[24]發(fā)現(xiàn)鋼軌波磨的激勵(lì)頻率與司機(jī)室噪聲的顯著頻率一致.馮陳程等[25]發(fā)現(xiàn)車內(nèi)噪聲的主頻為400~700 Hz,與波長(zhǎng)為30~50 mm的鋼軌波磨激勵(lì)頻率基本一致.除了傳統(tǒng)檢測(cè)方法外,機(jī)器學(xué)習(xí)方法也被應(yīng)用于鋼軌波磨檢測(cè)領(lǐng)域.江航等[26]以輪軌噪聲各層本征模態(tài)分量的能量和峭度作為BP神經(jīng)網(wǎng)絡(luò)的輸入特征,用于區(qū)分正常鋼軌和波磨鋼軌,識(shí)別率達(dá)到93.82%.周志青等[27]以軸箱加速度信號(hào)各頻帶的功率和峭度作為特征向量,提出基于支持向量機(jī)的鋼軌波磨識(shí)別方法,準(zhǔn)確率為94.67%.趙立強(qiáng)[28]基于車體振動(dòng)加速度數(shù)據(jù),分別通過貝葉斯分類器和深度卷積神經(jīng)網(wǎng)絡(luò)識(shí)別波磨鋼軌,準(zhǔn)確率分別為92.00%、96.00%.張珍珍[29]基于軸箱加速度數(shù)據(jù),通過小波包結(jié)合支持向量機(jī)方法識(shí)別鋼軌波磨,準(zhǔn)確率達(dá)到98.10%.肖炳環(huán)等[30]基于軸箱加速度數(shù)據(jù),采用WPD-ASTFT和支持向量機(jī)提出重載鐵路鋼軌波磨診斷方法,準(zhǔn)確率超過93%.謝清林等[31]利用軸箱加速度,提出基于卷積神經(jīng)網(wǎng)絡(luò)的地鐵鋼軌波磨識(shí)別方法,準(zhǔn)確率達(dá)到99.20%.
既有研究多采用車體部件的振動(dòng)響應(yīng)(大部分為軸箱加速度)來(lái)區(qū)分波磨鋼軌和正常鋼軌.加速度傳感器在軸箱上的安裝位置有限,且安裝軸箱加速度的檢測(cè)列車相對(duì)較少,導(dǎo)致軸箱加速度數(shù)據(jù)的獲取難度較大.車內(nèi)噪聲的數(shù)據(jù)獲取相對(duì)容易,聲壓傳感器在車廂內(nèi)的可安裝位置較多,安裝方便.對(duì)于車內(nèi)噪聲數(shù)據(jù)和鋼軌波磨的研究主要集中于定性或定量分析兩者的關(guān)系,基于車內(nèi)噪聲數(shù)據(jù)特征對(duì)波磨鋼軌和正常鋼軌進(jìn)行分類的研究較少.概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network, PNN)采用貝葉斯決策理論,廣泛應(yīng)用于模式分類,但網(wǎng)絡(luò)中平滑因子的大小會(huì)對(duì)分類準(zhǔn)確率產(chǎn)生極大影響[32-33].本研究1)采用粒子群優(yōu)化算法對(duì)傳統(tǒng)概率神經(jīng)網(wǎng)絡(luò)模型中的平滑因子進(jìn)行尋優(yōu),提出改進(jìn)的基于概率神經(jīng)網(wǎng)絡(luò)的識(shí)別算法:粒子概率神經(jīng)網(wǎng)絡(luò)(particle probabilistic neural network,PPNN)算法,以提高模式分類的準(zhǔn)確率;2)采集軌面粗糙度及其對(duì)應(yīng)的車內(nèi)噪聲數(shù)據(jù),分析軌面粗糙度與車內(nèi)噪聲的聯(lián)系,明確與鋼軌波磨相關(guān)的車內(nèi)噪聲特征,并將車內(nèi)噪聲特征輸入粒子概率神經(jīng)網(wǎng)絡(luò)算法,完成鋼軌波磨的識(shí)別.
如圖1所示,概率神經(jīng)網(wǎng)絡(luò)由4層神經(jīng)元組成:輸入層、模式層、求和層和輸出層.輸入層的功能是接受車內(nèi)噪聲的特征,同時(shí)把接收到的噪聲特征x向模式層傳遞.模式層的功能是描述從前一層傳遞來(lái)的數(shù)據(jù)向量和所有訓(xùn)練樣本中每個(gè)模式的對(duì)應(yīng)關(guān)系.模式層中第i類模式的第j個(gè)神經(jīng)元確定的輸入和輸出關(guān)系決定式為
圖1 概率神經(jīng)網(wǎng)絡(luò)層次結(jié)構(gòu)Fig.1 Structure of probabilistic neural network
式中:i為車內(nèi)噪聲特征對(duì)應(yīng)的鋼軌波磨類別,包括2類:有波磨和無(wú)波磨,i最大為2;d為車內(nèi)噪聲特征的維度,與車內(nèi)噪聲特征的數(shù)量相等;σ為平滑因子,即待優(yōu)化的參數(shù).求和層中神經(jīng)元的數(shù)量與車內(nèi)噪聲數(shù)據(jù)的類別數(shù)相同,其輸出為
式中:Si為第i類的輸出,n為第i類的神經(jīng)元個(gè)數(shù).輸出層主要由競(jìng)爭(zhēng)神經(jīng)元組成,功能是接收求和層產(chǎn)生的數(shù)據(jù):
從每個(gè)輸出層神經(jīng)元中選出1個(gè)具有最大后驗(yàn)概率密度的神經(jīng)元,其輸出為1,表示輸入的車內(nèi)噪聲特征屬于鋼軌波磨區(qū)段;其他神經(jīng)元輸出則為0,表示輸入的車內(nèi)噪聲特征屬于無(wú)鋼軌波磨區(qū)段.
平滑因子是神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)過程中唯一需要確定的自由參數(shù),它表征不同模式概率密度函數(shù)之間的重疊程度.傳統(tǒng)概率神經(jīng)網(wǎng)絡(luò)模式層中平滑因子的取值會(huì)影響其性能.平滑因子要足夠大才能包含所有輸入樣本所在的區(qū)間,但平滑因子過大時(shí)會(huì)影響神經(jīng)網(wǎng)絡(luò)的計(jì)算精度.粒子概率神經(jīng)網(wǎng)絡(luò)中每個(gè)粒子都具有2個(gè)特征:粒子的位置與速度,其中粒子的位置是待優(yōu)化參數(shù)的潛在最優(yōu)值.第i個(gè)粒子在第j維的速度vij與位置xij的更新公式分別為
式中:t為當(dāng)前種群進(jìn)化次數(shù);pij為個(gè)體最優(yōu)位置;pgj為群體最優(yōu)位置;ω為速度更新慣性權(quán)值;c1、c2均為學(xué)習(xí)因子,通常取2.0[34];r1j、r2j為[0, 1]的隨機(jī)數(shù).PPNN無(wú)法避免粒子群優(yōu)化算法存在的“早熟”問題,為了提高PPNN的全局搜索能力和搜索效率,選用凹函數(shù)遞減慣性權(quán)值[35]:使得算法在初始階段保持較大的慣性權(quán)值,保證全局搜索,避免陷入局部最優(yōu),迭代后期慣性權(quán)值應(yīng)較小,使得算法更快達(dá)到收斂.凹函數(shù)遞減慣性權(quán)值的計(jì)算式為
式中:ωmax、ωmin分別為慣性權(quán)值最大值和最小值,tmax為種群進(jìn)化的最大次數(shù).取慣性權(quán)值最大值為0.9,最小值為0.4[36].如圖2所示為種群進(jìn)化最大次數(shù)分別為50、100、150、200的速度更新慣性權(quán)值.
圖2 不同進(jìn)化次數(shù)下的速度更新權(quán)值變化曲線Fig.2 Change curves of velocity update weights under different evolution times
PPNN的具體流程如圖3所示.1)在一定數(shù)值范圍內(nèi)隨機(jī)產(chǎn)生N個(gè)粒子,對(duì)每個(gè)粒子位置進(jìn)行初始化,其中粒子的位置代表平滑因子的數(shù)值;
圖3 粒子概率神經(jīng)網(wǎng)絡(luò)算法的流程Fig.3 Process of particle probabilistic neural network algorithm
將樣本特征和初始化的平滑因子輸入概率神經(jīng)網(wǎng)絡(luò)模型.2)通過概率神經(jīng)網(wǎng)絡(luò)模型計(jì)算出N個(gè)適應(yīng)度函數(shù)值,其中每個(gè)適應(yīng)度函數(shù)值代表每個(gè)平滑因子對(duì)應(yīng)的鋼軌波磨識(shí)別準(zhǔn)確率.3)求解N個(gè)粒子的個(gè)體極值和群體極值.在每個(gè)粒子經(jīng)歷的位置中,與最優(yōu)適應(yīng)度函數(shù)值對(duì)應(yīng)的位置就是個(gè)體極值;群體中全部粒子搜索到的最優(yōu)適應(yīng)度函數(shù)值所對(duì)應(yīng)的位置就是群體極值.4)對(duì)粒子的位置進(jìn)行更新,即對(duì)平滑因子進(jìn)行更新.5)對(duì)概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更新.6)采用更新后的概率神經(jīng)網(wǎng)絡(luò)模型計(jì)算適應(yīng)度函數(shù)值,即對(duì)適應(yīng)度函數(shù)值進(jìn)行更新.7)對(duì)N個(gè)粒子的個(gè)體極值和群體極值進(jìn)行更新.8)判斷是否達(dá)到種群進(jìn)化的最大次數(shù).若達(dá)到,則輸出適應(yīng)度函數(shù)的最大值,即鋼軌波磨識(shí)別準(zhǔn)確率的最大值;若未達(dá)到,則返回步驟4),重復(fù)循環(huán),直至滿足終止條件.
如圖4所示,在國(guó)內(nèi)某條地鐵線路進(jìn)行鋼軌波磨測(cè)試,采用鋼軌波磨測(cè)試儀(corrugation analysis trolley ,CAT)測(cè)量該條線路上下行的鋼軌粗糙度,測(cè)試時(shí)儀器的運(yùn)行速度為1.0 m/s.由于該條線路運(yùn)營(yíng)時(shí)間較長(zhǎng),且鋼軌未得到及時(shí)打磨,波磨鋼軌的軌頭上表面出現(xiàn)明顯的波浪形磨耗,正常鋼軌的軌頭上表面雖存在輕微擦傷,但并無(wú)波浪形磨耗現(xiàn)象.
圖4 鋼軌波磨測(cè)試Fig.4 Measurement of rail corrugation
根據(jù)文獻(xiàn)[37],在該條線路開展上下行全程的車內(nèi)噪聲測(cè)試,測(cè)量前檢查測(cè)試車輛的走行部,確定并無(wú)如踏面失圓的故障.如圖5所示為車內(nèi)噪聲測(cè)試所用儀器:1)聲壓傳感器,作用是感應(yīng)車內(nèi)噪聲的聲壓變化,布置于車輛地板之上1.2 m處,采樣頻率設(shè)置為51.2 kHz;2)風(fēng)罩,作用是屏蔽空氣流動(dòng)產(chǎn)生的干擾噪聲;3)聲壓采集儀,作用是接受聲壓傳感器傳遞的信號(hào),并記錄聲壓;4)三腳支架,作用是固定測(cè)試儀器.
圖5 車內(nèi)噪聲測(cè)試Fig.5 Measurement of vehicle interior noise
鋼軌波磨測(cè)量?jī)x測(cè)得的軌面不平順數(shù)據(jù)是與線路長(zhǎng)度相關(guān)的隨機(jī)過程,由不同波長(zhǎng)、幅值和相位的鋼軌表面不平順疊加而成,應(yīng)采用隨機(jī)過程理論的統(tǒng)計(jì)參數(shù)進(jìn)行分析.根據(jù)文獻(xiàn)[38]計(jì)算鋼軌表面的粗糙度級(jí),對(duì)鋼軌波磨進(jìn)行評(píng)價(jià).
式中:Lr為鋼軌表面粗糙度級(jí);rrms為鋼軌表面粗糙度;r0為鋼軌表面基準(zhǔn)粗糙度參考值, 取值為1 μm.如圖6所示為全部的左、右側(cè)鋼軌表面粗糙度(左、右側(cè)鋼軌表面粗糙度數(shù)據(jù)各235組)和左、右側(cè)鋼軌表面粗糙度的平均值.圖中,λ為鋼軌波磨的波長(zhǎng).一般情況下,鋼軌表面粗糙度級(jí)不能超過圖 中的ISO3095限值.對(duì)于不可避免的(如鋼軌焊縫、軌頭傷損)不連續(xù)點(diǎn)超限問題,當(dāng)某一特定波長(zhǎng)的鋼軌表面粗糙度不超過ISO3095限值6 dB,或連續(xù)3個(gè)特定波長(zhǎng)的鋼軌粗糙度不超過ISO3095限值3 dB,也可以認(rèn)為不超限.由此可見,實(shí)測(cè)線路存在的鋼軌波磨較為嚴(yán)重,在25~80 mm波長(zhǎng)范圍,連續(xù)6個(gè)特定波長(zhǎng)的鋼軌表面平均粗糙度超過ISO3095限值3 dB,說明該線路鋼軌波磨的波長(zhǎng)范圍為25~80 mm.
圖6 不同波長(zhǎng)對(duì)應(yīng)的鋼軌表面粗糙度級(jí)Fig.6 Rail surface roughness level corresponding to different wavelengths
根據(jù)彭華等[2]的研究結(jié)果,地鐵車輛內(nèi)部的噪聲主要來(lái)源于輪軌振動(dòng)激勵(lì),鋼軌波磨引起的輪軌激勵(lì)頻率計(jì)算式為
式中:f為波磨激勵(lì)頻率,v為列車速度.將波磨超限區(qū)段所在里程與地鐵運(yùn)營(yíng)公司提供的列車運(yùn)行圖進(jìn)行比對(duì),波磨超限區(qū)段對(duì)應(yīng)的列車運(yùn)行速度為90 km/h.由式(8)計(jì)算得到地鐵鋼軌波磨激勵(lì)頻率范圍為312.5~1 000 Hz,因此與鋼軌波磨相關(guān)的車內(nèi)噪聲頻率也在312.5~1 000 Hz.為了明確與鋼軌波磨相關(guān)的車內(nèi)噪聲特征,對(duì)車內(nèi)噪聲頻域進(jìn)行1/3倍頻程處理.如圖7所示為全部的無(wú)波磨或輕微波磨區(qū)段的車內(nèi)噪聲A計(jì)權(quán)聲壓級(jí)(車內(nèi)噪聲數(shù)據(jù)233組)和波磨超限區(qū)段的車內(nèi)噪聲A計(jì)權(quán)聲壓級(jí)(車內(nèi)噪聲數(shù)據(jù)235組),以及兩者A計(jì)權(quán)聲壓級(jí)的平均值,LpA為聲壓級(jí).可以看出,無(wú)論是無(wú)波磨或輕微波磨區(qū)段,還是波磨超限區(qū)段,車內(nèi)噪聲的A計(jì)權(quán)聲壓級(jí)均隨著頻率的增加呈現(xiàn)先增大后減小的趨勢(shì).波磨超限區(qū)段的車內(nèi)噪聲在315、400、500、630、800、1 000 Hz中心頻率處的平均A計(jì)權(quán)聲壓級(jí)顯著高于無(wú)波磨或輕微波磨區(qū)段,且該頻段與通過波磨波長(zhǎng)計(jì)算出的車內(nèi)噪聲頻率范圍相近,說明車內(nèi)噪聲頻域特征與鋼軌波磨存在一定的相關(guān)性.以車內(nèi)噪聲在315、400、500、630、800、1 000 Hz中心頻率所對(duì)應(yīng)的A計(jì)權(quán)聲壓級(jí)作為PPNN的輸入層.
圖7 不同波磨激勵(lì)頻率對(duì)應(yīng)的聲壓級(jí)Fig.7 Sound pressure levels corresponding to different rail corrugation excitation frequencies
車內(nèi)噪聲數(shù)據(jù)集的劃分按照以下步驟進(jìn)行:1)噪聲測(cè)試時(shí),以相鄰2個(gè)車站為一個(gè)測(cè)試單元,得到相鄰站間的車內(nèi)噪聲,并與地鐵運(yùn)營(yíng)公司提供的列車運(yùn)行圖進(jìn)行比對(duì),明確車內(nèi)噪聲與地鐵線路里程的關(guān)系;鋼軌波磨測(cè)試時(shí),也以相鄰2個(gè)車站為1個(gè)測(cè)試單元,得到相鄰站間的鋼軌表面粗糙度,并與地鐵線路設(shè)計(jì)圖紙進(jìn)行比對(duì),明確鋼軌表面粗糙度與地鐵線路里程的關(guān)系;基于以上兩者,即可得到鋼軌表面粗糙度與車內(nèi)噪聲的匹配關(guān)系.2)根據(jù)文獻(xiàn)[38],分析鋼軌表面粗糙度,若某一特定波長(zhǎng)的鋼軌表面粗糙度超過ISO3095限值6 dB,或連續(xù)3個(gè)特定波長(zhǎng)的鋼軌粗糙度超過ISO3095限值3 dB,則可認(rèn)為是波磨超限,否則為無(wú)波磨或輕微波磨.3)根據(jù)文獻(xiàn)[37],對(duì)于勻速行駛的列車,最短的測(cè)量時(shí)間T不能小于5 s,因此選取的每組車內(nèi)噪聲的時(shí)間長(zhǎng)度均為5 s.基于以上原則,得到無(wú)波磨或輕微波磨區(qū)段的噪聲數(shù)據(jù)233組,其中訓(xùn)練集數(shù)據(jù)163組,測(cè)試集數(shù)據(jù)70組;波磨超限區(qū)段的噪聲數(shù)據(jù)235組,其中訓(xùn)練集數(shù)據(jù)164組,測(cè)試集數(shù)據(jù)71組.PPNN中超參數(shù)的選擇將直接影響鋼軌波磨的識(shí)別準(zhǔn)確率,因此對(duì)訓(xùn)練集采用10折交叉驗(yàn)證的方式進(jìn)行劃分,即將訓(xùn)練集平均劃分為10份,利用其中9份作為超參數(shù)尋優(yōu)過程中的訓(xùn)練集,其余1份作為驗(yàn)證集,如此重復(fù)10次,得到最高的波磨識(shí)別準(zhǔn)確率對(duì)應(yīng)的超參數(shù).得到最優(yōu)超參數(shù)后,采用訓(xùn)練集(原始數(shù)據(jù)集的70%)對(duì)模型進(jìn)行訓(xùn)練,采用測(cè)試集(原始數(shù)據(jù)集的30%)對(duì)模型進(jìn)行測(cè)試,最終以測(cè)試集得到的鋼軌波磨識(shí)別準(zhǔn)確率作為PPNN的評(píng)價(jià)指標(biāo).
PPNN中種群規(guī)模以及種群進(jìn)化次數(shù)對(duì)算法識(shí)別鋼軌波磨的能力有重要影響,針對(duì)粒子群優(yōu)化算法容易出現(xiàn)的“早熟”問題,研究者進(jìn)行了不同程度的改進(jìn),但算法的最優(yōu)參數(shù)還需要從具體應(yīng)用出發(fā).為了提高PPNN的性能,對(duì)不同種群規(guī)模以及不同種群進(jìn)化次數(shù)的PPNN進(jìn)行研究.采用10折交叉驗(yàn)證結(jié)果的平均值,可以避免參數(shù)優(yōu)化過程中訓(xùn)練集和驗(yàn)證集的選擇對(duì)結(jié)果的影響;為了避免PPNN中速度更新公式中隨機(jī)參數(shù)對(duì)識(shí)別結(jié)果的影響,對(duì)訓(xùn)練集和驗(yàn)證集進(jìn)行10次10折交叉驗(yàn)證,以10次10折交叉驗(yàn)證結(jié)果的平均值作為不同超參數(shù)下PPNN算法識(shí)別能力的評(píng)價(jià)指標(biāo).根據(jù)文獻(xiàn)[39],概率神經(jīng)網(wǎng)絡(luò)中的平滑因子一般取值為0.1.為了保證平滑因子的搜索空間足夠大,算法中粒子空間位置的上限為0.1×1 000=100,下限為0.1/1 000=0.000 1.對(duì)于種群規(guī)模,一般取 20~40 個(gè)粒子就能解決大多數(shù)問題,對(duì)于一些特定的或復(fù)雜的問題,粒子個(gè)數(shù)有時(shí)可以取到100[40-41].為了保證能夠選取到最優(yōu)的種群規(guī)模N,將種群規(guī)模設(shè)置為10,20,30,···,100.種群的最大進(jìn)化次數(shù)一般根據(jù)具體問題來(lái)確定,在本研究中種群進(jìn)化次數(shù)設(shè)置為50、100、150、200次.
如圖8所示為不同種群規(guī)模和進(jìn)化次數(shù)下的鋼軌波磨識(shí)別準(zhǔn)確率.可以看出,當(dāng)種群進(jìn)化次數(shù)為50、100時(shí),鋼軌波磨識(shí)別準(zhǔn)確率P隨著種群規(guī)模的增加而不斷提高,波磨識(shí)別準(zhǔn)確率最大值分別為94.720%、95.792%,當(dāng)種群進(jìn)化次數(shù)為150、200時(shí),鋼軌波磨識(shí)別準(zhǔn)確率隨種群規(guī)模的增加先提高后不變.當(dāng)種群數(shù)量超過80,鋼軌波磨識(shí)別準(zhǔn)確率不再增加,保持在96.638%.由于PPNN的計(jì)算效率與種群規(guī)模和進(jìn)化次數(shù)相關(guān),種群規(guī)模和進(jìn)化次數(shù)越少,完成計(jì)算所需時(shí)間越少.綜合考慮計(jì)算效率與波磨識(shí)別準(zhǔn)確率,PPNN的種群規(guī)模選擇80,進(jìn)化次數(shù)選擇150.
圖8 不同種群規(guī)模和最大進(jìn)化次數(shù)下的鋼軌波磨識(shí)別準(zhǔn)確率Fig.8 Accuracy of rail corrugation recognition at different population sizes and maximum number of evolutions
采用測(cè)試集數(shù)據(jù),對(duì)種群規(guī)模為80,種群進(jìn)化次數(shù)為150的PPNN進(jìn)行泛化能力測(cè)試.為了避免PPNN的粒子速度更新公式中隨機(jī)參數(shù)對(duì)波磨識(shí)別準(zhǔn)確率的影響,采用10次測(cè)試的波磨準(zhǔn)確率的平均值作為評(píng)價(jià)算法泛化能力的指標(biāo),并與概率神經(jīng)網(wǎng)絡(luò)對(duì)比,以說明PPNN相比于PNN在鋼軌波磨識(shí)別方面的優(yōu)越性.PPNN與PNN的鋼軌波磨識(shí)別準(zhǔn)確率如表1所示.采用PNN計(jì)算波磨識(shí)別準(zhǔn)確率,須確定平滑因子,本研究計(jì)算了平滑因子分別為0.000 1、0.001、0.01、0.1、1、10、100的鋼軌波磨識(shí)別準(zhǔn)確率.可見,當(dāng)平滑因子取值過大或過小時(shí),識(shí)別準(zhǔn)確率均較低;當(dāng)取平滑因子為0.1時(shí),識(shí)別準(zhǔn)確率較大,為95.745%,但該值不一定為全局最優(yōu)解.因此,采用PNN識(shí)別鋼軌波磨的局限性體現(xiàn)在無(wú)法確定適合的平滑因子取值,導(dǎo)致鋼軌波磨識(shí)別準(zhǔn)確率無(wú)法達(dá)到全局最大.PPNN解決了平滑因子的取值問題,PPNN確定的平滑因子取值為0.144 5,此時(shí)的鋼軌波磨識(shí)別準(zhǔn)確率達(dá)到全局最大值,為98.582%.
表1 概率神經(jīng)網(wǎng)絡(luò)和粒子概率神經(jīng)網(wǎng)絡(luò)的波磨識(shí)別準(zhǔn)確率對(duì)比Tab.1 Comparison of rail corrugation recognition accuracy between probabilistic neural network and particle probabilistic neural network
為了進(jìn)一步驗(yàn)證提出的PPNN相比于主流智能分類算法的優(yōu)越性,將數(shù)據(jù)集分別用于決策樹、高斯樸素貝葉斯、支持向量機(jī)、K近鄰進(jìn)行測(cè)試,測(cè)試結(jié)果如表2所示.可以看出,鋼軌波磨識(shí)別準(zhǔn)確率由高到低排序?yàn)镻PNN、支持向量機(jī)、決策樹、高斯樸素貝葉斯、K近鄰.可見PPNN具有更高的鋼軌波磨識(shí)別準(zhǔn)確率,更適用于鋼軌波磨的識(shí)別.
表2 不同智能分類算法的鋼軌波磨識(shí)別準(zhǔn)確率對(duì)比Tab.2 Comparison of rail corrugation recognition accuracy with different intelligent classification algorithms
(1)地鐵鋼軌波磨引起的輪軌激勵(lì)頻率范圍在312.5~1 000 Hz,與地鐵鋼軌波磨相關(guān)的車內(nèi)噪聲頻域特征為315、400、500、630、800、1 000 Hz中心頻率對(duì)應(yīng)的A計(jì)權(quán)聲壓級(jí).
(2)當(dāng)種群進(jìn)化次數(shù)為50、100時(shí),鋼軌波磨識(shí)別準(zhǔn)確率隨著種群規(guī)模的增加而不斷提高,當(dāng)種群進(jìn)化次數(shù)為150、200時(shí),鋼軌波磨識(shí)別準(zhǔn)確率隨種群規(guī)模的增加先提高后不變.當(dāng)種群規(guī)模為80,種群進(jìn)化次數(shù)為150時(shí),PPNN具有最高的識(shí)別準(zhǔn)確率和計(jì)算效率.
(3)PNN識(shí)別鋼軌波磨的局限性體現(xiàn)在無(wú)法確定合適的平滑因子取值,導(dǎo)致鋼軌波磨識(shí)別準(zhǔn)確率無(wú)法達(dá)到全局最大.PPNN可以解決平滑因子的取值問題,當(dāng)平滑因子取值為0.144 5,鋼軌波磨識(shí)別準(zhǔn)確率達(dá)到了全局最大值,為98.582%相比于其他智能分類算法,PPNN的鋼軌波磨識(shí)別準(zhǔn)確率更高.
(4)本研究可為基于車內(nèi)噪聲數(shù)據(jù)的鋼軌波磨識(shí)別提供借鑒與參考.由于數(shù)據(jù)樣本不足,尚無(wú)法開展鋼軌波磨特征(波長(zhǎng)、幅值等)的分類,未來(lái)計(jì)劃收集更多的鋼軌波磨和車內(nèi)噪聲數(shù)據(jù),對(duì)鋼軌波磨特征進(jìn)行具體分類,實(shí)現(xiàn)鋼軌波磨的定量診斷.