基于改进的径向基神经网络的道岔故障诊断

作者：谭丽; 赵月月; 温润; 温斐斐

来源：安全与环境学报, 2022, 22(06): 2954-2961.

DOI：10.13637/j.issn.1009-6094.2021.1418

• 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)

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。

• 单位
  西北民族大学; 兰州交通大学