[发明专利]一种基于多种群状态化的钢轨裂纹检测算法

说明书

本发明公开了一种基于多种群状态化的钢轨裂纹检测算法，具体按照以下步骤实施：步骤1，将种群熵和种群方差引入到多种群中，得到基于多种群的种群熵和种群方差的遗传算法，并通过该遗传算法建立用于钢轨缺陷信号的数学模型；步骤2，利用步骤1建立的数学模型，结合小包分解法对钢轨的故障信号进行裂纹故障诊断。该基于多种群状态化的钢轨裂纹检测算法，解决了现有单种群遗传算法存在的效率低、易早熟的问题。

技术领域

本发明属于钢轨裂纹无损检测算法技术领域，特别是涉及一种基于多种群状态化的钢轨裂纹检测算法。

背景技术

铁路运输作为一种重要的交通运输方式，具有承载力强、快捷高效、安全稳定、环保节能等特点。随着经济的快速发展，高速列车的需求量、载荷以及车次频率日益增加。同时，钢轨出现裂纹等缺陷的概率将增大，使得交通事故概率频发，甚至会导致人员伤亡的重大灾难性后果。为了使高速列车安全稳定的运行，钢轨缺陷的有效检测以及高效的故障诊断算法的研究成为亟待解决的问题。

国内外学者针对钢轨裂纹检测展开了广泛研究，针对故障识别常用的检测方法和故障特征识别算法展开了广泛的研究。目前，针对钢轨裂纹等缺陷故障识别算法主要有：小波包分解法、时域特征法和频域特征法。小波包分解法是将信号通过小波包进行分解，对结果进行综合分析来判定是否存在缺陷；时域特征法是根据能量幅值进行判定，当信号幅值大于预先设定的阈值时认为存在缺陷；频域特征法则是指某一特定频谱带出现一定能量的峰值时认为存在缺陷。上述缺陷特征识别方法的关键是对判据参数如小波包层数、能量阈值、频带范围等需要的选取。但是，目前对于判据参数的选取主要依赖于人工经验，导致效率低且难以准确设定判据参数。因此，需要采取智能算法对判据进行准确的设定和选取。近年来，遗传算法因具有自组织、自适应和自学习性等优点，被广泛应用于对其他算法的改进和融合。例如遗传算法改进的人工神经网络算法、遗传算法改进的小波包分解算法，以及遗传算法改进的种群状态优化算法等。这些改进的算法可以通过数据的自身学习获得缺陷判据参数。然而，传统遗传算法存在效率低、易早熟、容易陷入局部最优解等问题，将导致算法整体效率不高、诊断的准确率偏低，这归因于群体中个体结构的多样性减少。因此，提高群体中个体的多样性以及提高效率就是我们研究的重点。在遗传算法种群多样性的分析研究中，张晓缋等指出种群的多样性可以由方差和熵两个量来进行衡量。同时，研究人员也提出了利用多线程并行处理的方法实现种群之间的同步处理的多种群遗传算法，克服了单个种群的遗传算法容易陷入局部最优解而出现早熟的问题，并提高了算法效率。

发明内容

本发明的目的是提供一种基于多种群状态化的钢轨裂纹检测算法，解决了现有单种群遗传算法存在的效率低、易早熟的问题。

为了达到上述目的，本发明所采用的技术方案是，一种基于多种群状态化的钢轨裂纹检测算法，具体按照以下步骤实施：

步骤1，将种群熵和种群方差引入到多种群中，得到基于多种群的种群熵和种群方差的遗传算法，并通过该遗传算法建立用于钢轨缺陷信号的数学模型；

步骤2，利用步骤1建立的数学模型，结合小包分解法对钢轨的故障信号进行裂纹故障诊断。

本发明的技术方案，还具有以下特点：

所述步骤1，具体按照以下步骤依次实施：

步骤1.1，将原种群等分为多个初始化种群，确定初始化种群中个体的数量和个体的长度，并计算个体的适应度；

步骤1.2，确定控制参数；

步骤1.3，通过移民算子和人工选择算子选择出各初始化种群的最优个体，将最优个体存入精华种群中；

步骤1.4，收敛完成，建立数学模型：当精华种群中最优个体保持代数超过所设置的值时，判断算法收敛；当精华种群中最优个体保持代数未超过所设置的值时，不断重复步骤1.2-步骤1.3，直至收敛。

在所述步骤1.2中：控制参数通过下式计算：