一种基于ELM算法的轴温等级预测方法

本发明涉及轴温等级预测，尤其涉及一种基于elm算法的轴温等级预测方法。

背景技术：

1、随着我国人民生活水平的提高，我国高速列车也在不断发展，但随之而来的列车安全问题也引起越来越多的人的关注。车轴作为轴箱作为联结车轴与构架的关键部件，对于列车的正常形式起到关键作用。在正常形式中，一旦出现因列车轴温过高而造成机车破损、机车故障，对于人民的生命安全和财产安全都会造成不可估量的后果，对于列车轴温的预测具有重要意义。本发明基于列车的检测数据，通过建立轴温和立车速度、时间、温度等因素的相关性，建立了不同轴温等级的预测方法。该方法可以对轴温等级进行预测，为高速列车的车轴故障诊断提供了新的方法，同时，通过该模型可以对列车的状态具有一定的警示作用，从而对动车组设备故障提供一定的诊断方法。

2、然而对于elm算法应用在轴温检测领域有以下优势：

3、极限学习机(extreme learning machine,elm)是一类基于前馈神经网络构建的机器学习系统，比较适用于监督学习和非监督学习问题。

4、elm算法与神经网络算法相似，具有学习效率高、泛化性能好、各部分之间的连接结构简单。

5、相较于传统的神经网络算法，elm算法没有采用梯度下降法，不需要反复迭代和训练。并且不需要对权重和隐层阈值进行手动设定，简化了运算方式，较大程度上缩短了运行时间。

6、elm极限学习机较bp神经网络有较强的逼近能力和分类能力，能高速有效处理多元化问题。

7、elm极限学习机模型可以随机地对模型中的权值、隐含层偏差等赋值，其计算量相较于bp神经网络更小，算法更加简单，没有局部极值，且输出的权值具有全局最优性。训练速度快且泛化性能好，能较好地运用在动车组轴温预测实时研究中。

8、elm算法在一定程度上能够减小经验风险带来的训练误差，在一定程度上较bp神经网络预测模型具有一定的推广能力。在轴温预测中有较好的应用价值。

技术实现思路

1、本发明的目的是为了解决列车行驶过程中，轴温检测的相关问题，保护列车的行驶安全和人民群众的财产安全问题，而提出的一种基于elm算法的轴温等级预测方法，该方法可以对轴温等级进行一定的预测，提升高速列车检测设备对于轴温等级检测的准确性和可靠性。从而解决相关的问题，减少事故的发生。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种基于elm算法的轴温等级预测方法，包括以下步骤：

4、步骤1：确认轴温等级判断标准；

5、步骤2：对收集的数据进行预处理，剔除异常数据。

6、步骤3：搭建检测轴温等级的elm算法并进行验证。

7、进一步的，所属步骤1具体包括以下内容：

8、轴承温度的正常范围应当是在40摄氏度以下，为正常等级；

9、大于40摄氏度但小于60摄氏度，为微热等级；

10、大于等于60摄氏度但小于75摄氏度，为强热等级；

11、大于等于75摄氏度，为激热等级。

12、进一步的，所属步骤2具体包括以下内容：

13、步骤2.1：获取轴承温度数据；

14、步骤2.2：确认与轴承温度相关的各项特征，并且选取合适的各项特征，用于对轴承温度的等级预测；

15、步骤2.3：处理收集的轴承温度和相关特征的数据，获得训练集和验证集。

16、进一步的，所述步骤2.1具体包括以下内容：

17、从安装在动车组列车中轨道一侧的探测装置中收集相关的列车轴温数据和其他所需要的数据。

18、进一步的，所述步骤2.2具体包括以下内容：

19、斯皮尔曼相关系数是一种非参数的统计相关性测度，它所衡量的是两个变量有多大程度可以用单调函数描绘，斯皮尔曼相关系数在-1到+1之间进行变化。-1表示负相关，+1表示正相关，0表示没有一定的相关性。

20、以列车运行时间和轴箱温度两个变量为例，假设两个变量的集合分别为x、y，其元素个数均为n，两个变量集合中第i个元素的值分别表示为xi、yi。对x、y分别进行排序，其中xi、yi分别表示xi在x中的排行，yi在y中的排行。变量x、y之间的斯皮尔曼系数计算方式如下：

21、

22、选择列车在行驶中的5个特征，主要是：列车运行速度、载重、环境温度，列车的初始温度、列车运行时间。

23、进一步的，所述步骤3的具体步骤如下：

24、步骤3.1：确定训练样本的数据，对数据进行预处理

25、步骤3.2：确定模型参数

26、步骤3.3：计算预测和真实值之间的误差，并对模型进行验证和调整。

27、进一步的，步骤3.1具体包括以下内容：

28、数据预处理，通过传感器采集到的数据量很大，并且采集到的数据可能会出现一定的异常，所以需要对出现的异常值进行处理。在一定程度上提高原始数据的质量，提高一定的科学性。通过计算欧式距离，距离过大的直接剔除掉，然后用插值法获得数据。

29、欧氏距高是欧几里得空问中任意两点之间的直线距离或者向量的自然长度。

30、在二维空间中，设两点坐标为(x1,y1)，(x2,y2)。两者之间的欧式距离为：

31、

32、在n维空间中，设两点坐标为(x1,y1,...,n1)、(x2,y2,...,n2)可得两点之间的欧氏距离为：

33、

34、[1]通过欧氏距离判断轴温数据中相邻点的是否为异常值，若两点之间的欧氏距离过大，或和其余相邻点之间的欧氏距离差距过大，则该点的值为异常值，对异常值进行剔除再用插值法对其进行填充，从而保证数据的完整性和准确性。得到完整的训练样本数据

35、进一步的，所述步骤3.2具体包括以下内容：

36、给定不同的训练样本数据(xj,yl),j,l∈(1,...n)，隐含层的神经元个数为p

37、则elm算法的表达式为：

38、

39、βi,l是链接第i个隐含层神经元与第1个输出神经元的权值向量；

40、xj是输入样本数据；

41、wj,i为链接第j个输入节点和i隐含层节点的权值；

42、bi是第i个神经元的偏置。

43、确定训练数据，生产参数，对隐藏层的输出矩阵进行计算，并对输出权重矩阵进行计算。通过最小二乘法对输出的权值进行评估，并在训练过程中对隐含层神经元个数进行调整和优化。进一步的，所述步骤3.3具体包括以下内容：

44、计算平均绝对误差，并根据结果对模型的参数进行调整。通过误差范围来判断模型的有效性和可靠性，并以此来对模型进行各项的调整。

45、平均绝对值误差表示预测值和观测值之间绝对误差的平均值。

46、

47、其中，m是样本的个数，h(xi)是第i个样本的预测温度，yi是第i个样本的原始温度，mae是测试样本的温度绝对误差的平均值。

48、相比于现有技术，本发明的有益效果在于：

49、能够解决列车行驶过程中，轴温检测的相关问题，保护列车的行驶安全和人民群众的财产安全问题；

50、为轴承温度的等级预测提供了一种有效的方法，该方法可以对轴温等级进行一定的预测，并提高检测设备的可靠性和准确性，使用elm算法可以提高预测的准确率；同时，通过对数据进行预处理和剔除异常数据，可以提高数据的可靠性和科学性；通过斯皮尔曼相关系数的计算，可以确定与轴承温度相关的各项特征并选取合适的特征用于预测；在模型的建立和验证过程中，对训练样本数据的预处理和模型参数的确定，通过计算预测值和真实值之间的误差，来对模型进行优化，提高模型的预测准确性并避免过拟合现象的出现，同时，数据预处理和异常数据剔除的过程中采用欧式距离的计算方式，可以有效地提高数据的质量和可靠性，从而提高轴承温度等级预测的准确性和可靠性，为轨道交通的安全运行提供了重要的保障。