一种铁路钢轨应力实时检测分类方法

一种铁路钢轨应力实时检测分类方法

一、技术领域

本发明利用支持向量机方法对铁轨应力实行故障诊断，对检测仪器测得的数据进行分类，从而判断应力的集中情况。采用新的“成对分类法”对多类故障进行分类，通过测试表明，分类效果非常好，这也证明支持向量机对故障诊断分类实际工程中应用成功。使用LIBSVM软件进行分类，利用SQL Server 2000和VC++软件技术实现系统的可视化。

二、背景技术

故障诊断技术是一门应用型综合学科，它的理论基础涉及现代控制理论、计算机工程、数理统计、信号处理、模式识别、人工智能以及相应的应用学科。故障诊断技术主要包含三方面的内容：故障检测、故障隔离、故障辨识。按照常规的分类方法可以将故障诊断的方法分为基于解析模型的方法、基于信号处理的方法和基于知识的方法三大类。基于解析模型的故障诊断方法包括参数估计法、状态估计法和等价空间法三种；基于信号处理的故障诊断方法；基于知识的故障诊断方法主要可以分为：专家系统故障诊断方法、模糊故障诊断方法、故障树故障诊断方法、神经网络故障诊断方法、基于支持向量机的故障诊断方法、信息融合故障诊断方法和基于Agent故障诊断方法。

本发明的方法是基于支持向量机的故障诊断方法。

Vapnik在1995年提出的一种新型机器学习方法——支持向量机(SVM，support vector machine)。支持向量机具有完备的统计学习理论基础和出的学习性能，已成为机器学习界的研究新热点，并在很多领域都得到了成功的应用。

SVM是二元分类器，将SVM应用在故障诊断上，必须由二元的SVM构造多元分类器，即多类分类器。主要包括四个步骤：第一，数据初始化。为了减少故障样本中不同参数绝对数值大小对支持向量机诊断的影响，需要对样本的各参数维进行归一化预处理。第二，样本学习，通过分类器对故障样本进行学习，获得不同故障类型的最优超平面。第三，故障识别，输入新的状态样本到分类器中，对系统进行故障识别。第四，新故障处理，当系统出现新的故障形式和状态时，可输入到分类器中，获得新的最优超平面，提高故障诊断的跟踪识别能力。

三、发明内容

本发明针对铁路轨道应力检测，检测仪器测得的数据进行分类，从而判断铁轨应力的集中情况。研制一套铁路轨道岔应力检测智能系统，图1和2是研发过程和原始数据。

发明的具体内容如下：

1)神经网络对铁轨应力状况进行故障诊断，并实现系统的可视化。

在课题工作的开展初期，首先选用常见的BP神经网络对数据进行分类。基于BP神经网络的诊断技术方案：包括①样本数据集的准备；②网络结构设计；③网络训练与测试，得到的网络训练误差如图3所示。

系统可视化实现：本系统数据库采用SQL Server 2000，编程采用Visual C++软 件实现可视化界面的设计、数据库的调用、图形显示等功能。系统实现思路是：①在MATLAB 6.5环境下进行神经网络训练，将处理好的训练数据送入BP神经网络，提取训练后得到最优权值和阈值等参数，将其保存在记事本中。②在Visual C++环境下，将预先保存的权值、阈值等数据读入，然后利用测试样本按网络结构进行计算，并输出结果。

2)通过测试新数据发现神经网络模型的泛化能力不是十分理想，进而引入基于支持向量机的故障诊断方法。

课题研究开展初期，采用了BP神经网络对铁棒应力测试数据进行分类，用18组样本(即360个数据)进行测试时，识别率为88.89％。可见，用神经网络得到的模型，虽然是分类误差的精度可以达到很高，但是其泛化能力仍有待提高，这可以从网络模型对未知样本的识别率中看出。因此采用支持向量机对铁棒压力试验数据进行分类以期获得更高的识别率。

多类分类算法采用成对分类。将三种应力状态编号，即0代表正常，1代表应力集中，2代表伤损。根据数据模式类别需建立三个分类器，即SVM01，SVM02和SVM03。核函数选择RBF核，其中参数σ和惩罚因子C的选择根据LIBSVM工具箱自带的参数选择工具grid.py，在LIBSVM中这个两个参数分别用g和C表示。训练数据和测试数据均采用与BP神经网络相同的数据，即训练数据为每种模式数据为50组，测试数据为0类(正常)9组，1类(应力集中)3组，2类(伤损)6组。分类结果见表1。

表1：各分类器分类结果

显然，根据“最大投票法”从表中可以看出，根据3个分类器的输出对于测试数据均得到了正确识别。显然效果要比BP神经网络对测试样本的识别率高，证明了SVM较好的泛化能力。

3)将一种新的多类分类算法——M-ary支持向量机分类算法引入到铁轨应力故障诊断中，发现该算法在保证分类效果的同时，与成对分类器相比，需要建立的分类器数目得到减少。

M-ary支持向量机分类算法不仅充分利用了二值分类器的优点：不依赖先验知识，计算相对简单，并且在处理K类问题时仅需构造个分类器，实现起来更加简单方便。其实现原理见图4。

M-ary支持向量机分类算法具有比传统多分类算法比较明显的几个优势。第一，此方法充分利用二值SVM的分类能力，通过将多类样本集拆分成两类建立多个非线性分类边界面，然后利用这些边界面来分开更多的类别。第二，M-ary支持向量机分类算法仅需要分类器，然而传统的基于边界的线性多分类器通常需要分类器个数的复杂度为o(K)或o(K²)。第三，M-ary支持向量机算法是一种非常简单的算法，与二值分类器一样，它也是 数据依赖的，与统计相关的数据不需要先验知识。

使用M-ary分类算法进行铁轨应力故障诊断具体流程如下：

①按照2个分类器所分的类别，将训练样本进行拆分，如对于分类器1，正类样本由原始训练数据中应力集中状态的数据构成，负类样本由正常和伤损两种状态的数据构成，分类器2的训练数据构成与此类似；

②利用步骤1)中准备好的两个分类器的训练数据对其进行训练，得到相应的分类模型；

③将测试数据分别送入到分类器1和分类器2中，得到各自的输出类别；

④按式计算验证样本所属的最终类别。

仿真实验情况见表2和表3。

表2：仿真结果

由此可见，用M-ary分类方法，得到的分类结果与2)中成对分类器的分类精度是可以比拟的。

在本节中，数据类别为3类，通过使用M-ary分类方法将成对分类器使用的分类器数目由3个降为2个。对7类变压器故障诊断，运用M-ary分类方法通过3个分类器即可实现，而若通过成对分类器则需要7*(7-1)＝21个分类器。所以在类别很多的情况下，此方法的优势是十分明显的。