[发明专利]具有强化补偿能力的铁路轨道高低不平顺诊断方法及系统

权利要求书

1.一种具有强化补偿能力的铁路轨道高低不平顺诊断方法，其特征在于包括以下各步骤：

(1)采集数据并预处理

1-1利用轨检车安装在机车车轴和车厢的加速度振动传感器采集T个时域振动信息r₁(t)、r₂(t)，t＝1,2,3…,T，T＝(终点里程-始点里程)/(采集间隔距离)；其中r₁(t)表示t时刻车厢位置的时域振动信息，r₂(t)表示t时刻车轴位置的时域振动信息；然后将车厢和车轴位置的时域振动信息r₁(t)、r₂(t)分别进行短时傅里叶变换，得到车厢和车轴垂向振动频率幅值的均值f₁(t)和f₂(t)，以及t时刻高低不平顺幅值的绝对值Ir(t)；

1-2构建故障诊断模型的数据集；具体是：

1-2-1将步骤(1-1)中车厢和车轴垂向振动频率幅值的均值f₁(t)和f₂(t)作为故障诊断模型的输入样本集合，设定为I＝{[f₁(t),f₂(t)]|t＝1,2,…,T}，同时从I中提取出二级及以上故障数据的小样本为小样本集合的个数,将高低不平顺幅值的绝对值Ir(t)作为故障诊断模型的输出样本集合，设定为O＝{[Ir(t)]|t＝1,2,…,T},计算输入输出样本的均值μ和方差σ，计算公式如下：

其中x为输入样本I和输出样本O的任意变量；

1-2-2根据步骤1-2-1中计算出的均值μ和方差σ，对原始输入输出样本进行归一化处理，使得故障诊断模型的输入输出样本特征映射到[-1,1]之间，得到输入输出样本特征I^*＝{[f₁(t)^*,f₂(t)^*]|t＝1,2,…,T}和O^*＝{[Ir(t)^*]|t＝1,2,…,T}；

(2)构建基于数据驱动的BP神经网络，其输入为I^*＝{[f₁(t)^*,f₂(t)^*]|t＝1,2,…,T}，输出为O^*＝{[Ir(t)^*]|t＝1,2,…,T}，并利用上述数据集进行训练；

(3)根据步骤(2)训练好的BP神经网络最后一层输出的轨道高低不平顺幅值预测结果O′＝{[Ir(t)′]|t＝1,2,…,T}与轨道高低不平顺真实幅值O＝{[Ir(t)]|t＝1,2,…,T}之间的偏差，计算模型输出层误差Err；

(4)利用提取出的二级及以上故障数据的小样本和步骤(3)相应的模型输出层误差Err,结合非均匀量化思想，构建基于非均匀量化信度的误差补偿模型，以强化补偿基于数据驱动的BP神经网络模型的输出层；具体步骤如下：

(4-1)建立非均匀量化信度的强化补偿置信规则库模型，用于描述高级别故障输入样本与步骤(3)计算的模型输出层误差Err之间的非线性映射关系；其中第k条置信规则R_k定义为：如果且那么Err是{(D₁,β_k,1),…,(D_m,β_k,m)},

其中L表示置信规则库的规则总数，D_m表示第m个Err的参考点；β_k,j表示第k条规则的第j个后置参考点；同时初始化的属性权重分别设定为δ_I＝0.5，δ_II＝0.5，规则权重φ_k均设为1；表示的前置参考点集合，该集合涵盖了的取值范围，其中q表示前置参考点的设置个数；表示的前置参考点集合,该集合涵盖了的取值范围，其中q表示前置参考点的设置个数；

同时由于轨道经常处于列车间的振动干扰和轮对高频次反复碾压等复杂环境，使得故障输入和在空间分布上呈现较强的离散性和不均匀性，故结合非均匀量化思想分别对和前置参考点进行非均匀化处理，得到前置参考点集合的非均匀信度集合和前置参考点集合的非均匀信度集合使参考点更能精细化表征输入样本特性；

(4-2)在步骤(4-1)构建好的强化补偿置信规则库的基础上，当步骤(2)中BP神经网络最后一层输出误差后，则f₁(t),f₂(t)将会被输入误差补偿置信规则库中，与置信规则的前项参考点进行匹配，匹配度为如果f_τ(t)大于参考点则其对的匹配度为1，对其他参考点匹配度为0，如果f_τ(t)小于参考点则其对的匹配度为1，对其他参考点匹配度为0；如果则其对相应参考点的匹配度计算公式如下：

(4-3)当置信规则的前项参考点被匹配后，则会激活对应置信规则，被激活的规则权重更新如下：

其中φ_k∈[0,1]是规则权重，H是输入变量的个数，为被激活规则的相对属性权重：

(4-4)根据步骤(4-2)和(4-3)中计算出的和利用证据推理理论融合被激活规则的后项属性，计算得到补偿结果Err′,公式如下：

Err′(f₁(t),f₂(t))＝{(D_j,β_j),j＝1,2,…,m}, (11)

其中

其中β_j表示第j个后项属性的置信度，β_k,j表示第k条置信规则中第j个后项属性的置信分布；

(5)利用步骤(4)构建基于非均匀量化信度的误差补偿置信规则库模型，强化补偿步骤(2)构建的基于数据驱动的BP神经网络模型的输出层，将强化补偿后的BP神经网络模型作为故障检测模型；然后利用故障检测模型实现铁路轨道高低不平顺诊断。