專利名稱：一種鐵路鋼軌應(yīng)力實(shí)時(shí)檢測(cè)分類方法
技術(shù)領(lǐng)域：
本發(fā)明利用支持向量機(jī)方法對(duì)鐵軌應(yīng)力實(shí)行故障診斷，對(duì)檢測(cè)儀器測(cè)得的數(shù)據(jù)進(jìn) 行分類，從而判斷應(yīng)力的集中情況。采用新的“成對(duì)分類法”對(duì)多類故障進(jìn)行分類，通過測(cè) 試表明，分類效果非常好，這也證明支持向量機(jī)對(duì)故障診斷分類實(shí)際工程中應(yīng)用成功。使用 LIBSVM軟件進(jìn)行分類，利用SQL Server 2000和VC++軟件技術(shù)實(shí)現(xiàn)系統(tǒng)的可視化。
背景技術(shù)：
故障診斷技術(shù)是一門應(yīng)用型綜合學(xué)科，它的理論基礎(chǔ)涉及現(xiàn)代控制理論、計(jì)算機(jī) 工程、數(shù)理統(tǒng)計(jì)、信號(hào)處理、模式識(shí)別、人工智能以及相應(yīng)的應(yīng)用學(xué)科。故障診斷技術(shù)主要 包含三方面的內(nèi)容故障檢測(cè)、故障隔離、故障辨識(shí)。按照常規(guī)的分類方法可以將故障診斷 的方法分為基于解析模型的方法、基于信號(hào)處理的方法和基于知識(shí)的方法三大類?；诮?析模型的故障診斷方法包括參數(shù)估計(jì)法、狀態(tài)估計(jì)法和等價(jià)空間法三種；基于信號(hào)處理的 故障診斷方法；基于知識(shí)的故障診斷方法主要可以分為專家系統(tǒng)故障診斷方法、模糊故 障診斷方法、故障樹故障診斷方法、神經(jīng)網(wǎng)絡(luò)故障診斷方法、基于支持向量機(jī)的故障診斷方 法、信息融合故障診斷方法和基于Agent故障診斷方法。本發(fā)明的方法是基于支持向量機(jī)的故障診斷方法。Vapnik在1995年提出的一種新型機(jī)器學(xué)習(xí)方法——支持向量機(jī)(SVM，support vector machine)。支持向量機(jī)具有完備的統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)和出色的學(xué)習(xí)性能，已成為機(jī) 器學(xué)習(xí)界的研究新熱點(diǎn)，并在很多領(lǐng)域都得到了成功的應(yīng)用。SVM是二元分類器，將SVM應(yīng)用在故障診斷上，必須由二元的SVM構(gòu)造多元分類器， 即多類分類器。主要包括四個(gè)步驟第一，數(shù)據(jù)初始化。為了減少故障樣本中不同參數(shù)絕對(duì) 數(shù)值大小對(duì)支持向量機(jī)診斷的影響，需要對(duì)樣本的各參數(shù)維進(jìn)行歸一化預(yù)處理。第二，樣本 學(xué)習(xí)，通過分類器對(duì)故障樣本進(jìn)行學(xué)習(xí)，獲得不同故障類型的最優(yōu)超平面。第三，故障識(shí)別， 輸入新的狀態(tài)樣本到分類器中，對(duì)系統(tǒng)進(jìn)行故障識(shí)別。第四，新故障處理，當(dāng)系統(tǒng)出現(xiàn)新的 故障形式和狀態(tài)時(shí)，可輸入到分類器中，獲得新的最優(yōu)超平面，提高故障診斷的跟蹤識(shí)別能 力。

發(fā)明內(nèi)容
本發(fā)明針對(duì)鐵路軌道應(yīng)力檢測(cè)，檢測(cè)儀器測(cè)得的數(shù)據(jù)進(jìn)行分類，從而判斷鐵軌應(yīng) 力的集中情況。研制一套鐵路軌道岔應(yīng)力檢測(cè)智能系統(tǒng)，

圖1和2是研發(fā)過程和原始數(shù)據(jù)。發(fā)明的具體內(nèi)容如下1)神經(jīng)網(wǎng)絡(luò)對(duì)鐵軌應(yīng)力狀況進(jìn)行故障診斷，并實(shí)現(xiàn)系統(tǒng)的可視化。在課題工作的開展初期，首先選用常見的BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行分類?；贐P神 經(jīng)網(wǎng)絡(luò)的診斷技術(shù)方案包括①樣本數(shù)據(jù)集的準(zhǔn)備；②網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)；③網(wǎng)絡(luò)訓(xùn)練與測(cè)試， 得到的網(wǎng)絡(luò)訓(xùn)練誤差如圖3所示。系統(tǒng)可視化實(shí)現(xiàn)本系統(tǒng)數(shù)據(jù)庫采用SQL Server 2000，編程采用Visual C++軟
3件實(shí)現(xiàn)可視化界面的設(shè)計(jì)、數(shù)據(jù)庫的調(diào)用、圖形顯示等功能。系統(tǒng)實(shí)現(xiàn)思路是①在MATLAB 6. 5環(huán)境下進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，將處理好的訓(xùn)練數(shù)據(jù)送入BP神經(jīng)網(wǎng)絡(luò)，提取訓(xùn)練后得到最 優(yōu)權(quán)值和閾值等參數(shù)，將其保存在記事本中。②在Visual C++環(huán)境下，將預(yù)先保存的權(quán)值、 閾值等數(shù)據(jù)讀入，然后利用測(cè)試樣本按網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行計(jì)算，并輸出結(jié)果。2)通過測(cè)試新數(shù)據(jù)發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的泛化能力不是十分理想，進(jìn)而引入基于支 持向量機(jī)的故障診斷方法。課題研究開展初期，采用了 BP神經(jīng)網(wǎng)絡(luò)對(duì)鐵棒應(yīng)力測(cè)試數(shù)據(jù)進(jìn)行分類，用18組樣 本(即360個(gè)數(shù)據(jù))進(jìn)行測(cè)試時(shí)，識(shí)別率為88. 89%?？梢姡蒙窠?jīng)網(wǎng)絡(luò)得到的模型，雖然是 分類誤差的精度可以達(dá)到很高，但是其泛化能力仍有待提高，這可以從網(wǎng)絡(luò)模型對(duì)未知樣 本的識(shí)別率中看出。因此采用支持向量機(jī)對(duì)鐵棒壓力試驗(yàn)數(shù)據(jù)進(jìn)行分類以期獲得更高的識(shí) 別率。多類分類算法采用成對(duì)分類。將三種應(yīng)力狀態(tài)編號(hào)，即0代表正常，1代表應(yīng)力集 中，2代表傷損。根據(jù)數(shù)據(jù)模式類別需建立三個(gè)分類器，即SVM01，SVM02和SVM03。核函數(shù)選 擇RBF核，其中參數(shù)ο和懲罰因子C的選擇根據(jù)LIBSVM工具箱自帶的參數(shù)選擇工具grid, py，在LIBSVM中這個(gè)兩個(gè)參數(shù)分別用g和C表示。訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)均采用與BP神經(jīng) 網(wǎng)絡(luò)相同的數(shù)據(jù)，即訓(xùn)練數(shù)據(jù)為每種模式數(shù)據(jù)為50組，測(cè)試數(shù)據(jù)為0類(正常)9組，1類 (應(yīng)力集中)3組，2類(傷損)6組。分類結(jié)果見表1。表1 各分類器分類結(jié)果
‘ieI應(yīng)力集中im
測(cè)試
(0類)(1類)(2類)SVMOl 輸出 000000000 Τ 111111 SVM02 輸出 000000000 022222222
SVM12 輸出 1 1 1 1 1 1 1 1 1 111 222222 -\顯然，根據(jù)“最大投票法”從表中可以看出，根據(jù)3個(gè)分類器的輸出對(duì)于測(cè)試數(shù)據(jù) 均得到了正確識(shí)別。顯然效果要比BP神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試樣本的識(shí)別率高，證明了 SVM較好的 泛化能力。3)將一種新的多類分類算法——M-ary支持向量機(jī)分類算法引入到鐵軌應(yīng)力故障 診斷中，發(fā)現(xiàn)該算法在保證分類效果的同時(shí)，與成對(duì)分類器相比，需要建立的分類器數(shù)目得 到減少。M-ary支持向量機(jī)分類算法不僅充分利用了二值分類器的優(yōu)點(diǎn)不依賴先驗(yàn)知 識(shí)，計(jì)算相對(duì)簡(jiǎn)單，并且在處理K類問題時(shí)僅需構(gòu)造夂’ =flogf"!個(gè)分類器，實(shí)現(xiàn)起來更加簡(jiǎn) 單方便。其實(shí)現(xiàn)原理見圖4。M-ary支持向量機(jī)分類算法具有比傳統(tǒng)多分類算法比較明顯的幾個(gè)優(yōu)勢(shì)。第一， 此方法充分利用二值SVM的分類能力，通過將多類樣本集拆分成兩類建立多個(gè)非線性分類 邊界面，然后利用這些邊界面來分開更多的類別。第二，M-ary支持向量機(jī)分類算法僅需要 |"logq分類器，然而傳統(tǒng)的基于邊界的線性多分類器通常需要分類器個(gè)數(shù)的復(fù)雜度為ο (κ) 或ο (K2)。第三，M-ary支持向量機(jī)算法是一種非常簡(jiǎn)單的算法，與二值分類器一樣，它也是數(shù)據(jù)依賴的，與統(tǒng)計(jì)相關(guān)的數(shù)據(jù)不需要先驗(yàn)知識(shí)。使用M-ary分類算法進(jìn)行鐵軌應(yīng)力故障診斷具體流程如下①按照2個(gè)分類器所分的類別，將訓(xùn)練樣本進(jìn)行拆分，如對(duì)于分類器1，正類樣本 由原始訓(xùn)練數(shù)據(jù)中應(yīng)力集中狀態(tài)的數(shù)據(jù)構(gòu)成，負(fù)類樣本由正常和傷損兩種狀態(tài)的數(shù)據(jù)構(gòu) 成，分類器2的訓(xùn)練數(shù)據(jù)構(gòu)成與此類似；
類模型
②利用步驟1)中準(zhǔn)備好的兩個(gè)分類器的訓(xùn)練數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練，得到相應(yīng)的分
③將測(cè)試數(shù)據(jù)分別送入到分類器1和分類器2中，得到各自的輸出類別；④按式C(Xi) = I+:計(jì)算S備證樣本所屬的最終類別。
仿真實(shí)驗(yàn)情況見表2和表3。
表2 仿真結(jié)果

分類器1 -分類器2 計(jì)算最終類別
-1 -1 -1
222
111111 333333
\由此可見，用M-ary分類方法，得到的分類結(jié)果與2)中成對(duì)分類器的分類精度是 可以比擬的。在本節(jié)中，數(shù)據(jù)類別為3類，通過使用M-ary分類方法將成對(duì)分類器使用的分類器 數(shù)目由3個(gè)降為2個(gè)。對(duì)7類變壓器故障診斷，運(yùn)用M-ary分類方法通過3個(gè)分類器即可 實(shí)現(xiàn)，而若通過成對(duì)分類器則需要7* (7-1) =21個(gè)分類器。所以在類別很多的情況下，此 方法的優(yōu)勢(shì)是十分明顯的。
權(quán)利要求
本發(fā)明針對(duì)鐵路鋼軌應(yīng)力進(jìn)行分類、故障預(yù)報(bào)以及診斷。
2.在權(quán)利要求(1)的基礎(chǔ)上，提出新的“成對(duì)分類法”對(duì)多類故障進(jìn)行分類預(yù)報(bào)和診
3.用神經(jīng)網(wǎng)絡(luò)對(duì)鐵軌應(yīng)力狀況進(jìn)行分類預(yù)報(bào)和診斷。
4.利用M-ary支持向量機(jī)算法對(duì)鐵路鋼軌應(yīng)力進(jìn)行分類預(yù)報(bào)和診斷。
全文摘要
本發(fā)明應(yīng)用于鐵路軌道應(yīng)力識(shí)別檢測(cè)領(lǐng)域。本發(fā)明中通過對(duì)檢測(cè)儀器測(cè)得的軌道應(yīng)力數(shù)據(jù)進(jìn)行分類，從而判斷應(yīng)力的集中情況。具體方法是首先用神經(jīng)網(wǎng)絡(luò)對(duì)鐵軌應(yīng)力狀況進(jìn)行故障診斷，并實(shí)現(xiàn)系統(tǒng)的可視化；不斷通過測(cè)試新數(shù)據(jù)引入基于支持向量機(jī)的方法故進(jìn)行故障預(yù)報(bào)診斷。將多類分類算法采用“成對(duì)分類”法和一種新的多類分類算法M-ary支持向量機(jī)分類算法并將它們引入到鐵軌應(yīng)力故障診斷中，效果良好。
文檔編號(hào)G01M99/00GK101886984SQ200910051139
公開日2010年11月17日 申請(qǐng)日期2009年5月13日 優(yōu)先權(quán)日2009年5月13日
發(fā)明者不公告發(fā)明人 申請(qǐng)人:江南大學(xué)