典型文献
基于改进的径向基神经网络的道岔故障诊断
文献摘要：
为实现高速铁路道岔故障智能诊断,根据信号集中监测系统的道岔动作功率曲线,提出了卷积神经网络(Convolutional Neural Networks,CNN)和改进的径向基神经网络(K-Means-Extreme Learning Machine-Radial Basis Function,KERBF)相结合的道岔故障智能诊断模型.首先对故障曲线图片进行预处理,通过CNN特征提取器提取故障特征.为了在不降低准确度的同时提高训练速度,采用极限学习机(Extreme Learning Machine,ELM)改进径向基神经网络(Radial Basis Function neural network,RBF)网络中传统的梯度更新参数方法,针对ELM随机选择中心点可能导致模型在特征学习、抽象方面的表现大大减弱的问题,使用K-Means聚类得到极限学习径向基神经网络(ELM-RBF)隐含层各单元中心点,RBF输出权值通过最小化训练误差依据Moore-Penrose 广义逆矩阵理论求出,以此建立CNN-KERBF道岔故障诊断模型.通过某铁路局现场数据验证模型,CNN-KERBF道岔故障诊断模型准确度为97.18％,对比其他模型,该模型在准确度与训练速度综合性方面有较明显的改善.
文献关键词：
安全工程;道岔故障诊断;卷积神经网络;改进的径向基神经网络(KERBF)
中图分类号：
作者姓名：
谭丽;赵月月;温润;温斐斐
作者机构：
兰州交通大学自动化与电气工程学院,兰州730000;西北民族大学电气工程学院,兰州730000;兰州倚能电力(集团)有限公司,兰州730000
文献出处：
引用格式：
[1]谭丽;赵月月;温润;温斐斐-.基于改进的径向基神经网络的道岔故障诊断)[J].安全与环境学报,2022(06):2954-2961
A类：
KERBF
B类：
径向基神经网络,道岔故障诊断,高速铁路道岔,铁路道岔故障,故障智能诊断,信号集中监测系统,动作功率,功率曲线,Convolutional,Neural,Networks,Means,Extreme,Learning,Machine,Radial,Basis,Function,智能诊断模型,故障曲线,曲线图,故障特征,不降,提高训练,训练速度,极限学习机,ELM,neural,network,参数方法,随机选择,中心点,特征学习,隐含层,权值,Moore,Penrose,广义逆矩阵,矩阵理论,故障诊断模型,铁路局,现场数据,数据验证,验证模型,安全工程
AB值：
0.336094
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
