1.一种重载列车运行过程监控方法,其特征在于,包括:获取重载列车的受力信息;
根据所述受力信息确定重载列车运动过程的动力学模型;
将重载列车的样本数据进行模糊C‑均值聚类分析,确定动力学子模型的前件参数;
根据所述前件参数和所述重载列车的样本数据利用最小二乘法确定所述动力学子模型的后件参数;
根据所述动力学子模型的前件参数、所述动力学子模型的后件参数和所述动力学模型确定每条规则下的动力学子模型;
根据所述每条规则下的动力学子模型确定初始模型;
根据所述初始模型确定重载列车运行过程模型;
根据所述重载列车运行过程模型对所述重载列车的运行过程进行监控;
采用高斯型函数表示:
其中,xp是输入量,即列车上一时刻的速度X1和力X2,和 分别是下隶属度函数和上隶属度函数,且j=1,2,...,M代表聚类个数;当p=1时,Xp为速度, 为速度聚类中的第j类;当p=2时,Xp为力, 为力聚类中的第类; 为第j个二型模糊集合的宽度,即该类数据的方差大小;
的物理意义为上隶属度函数的中心,即对第j类二型模糊集合数据多次抽取并取平均值,所有平均值中的最大值;同理可知 为下隶属度函数的中心,即同一组平均值中的最小值;
根据不同的输入量Xp来得到不同规则的权重,令相应的权重值和规则相乘后再进行累加,得到式(5);模糊推理规则(3)可用5层区间二型网络结构获得:i
式中f 为第i个子规则Ri的权重值;yi(k)为输出量,和输入是同一量纲,也是速度值;
是它们对应的Ri中相应的数值参数,即常数值;
i i
其中,F是下激发强度, 是上激发强度;f是下隶属度,是上隶属度;
2
j1=1,2,...,M;j2=1,2,...,M;i=1,...,j1·j2,...,M; (7)根据(4)‑(8)的推导,重载列车运行过程模型(5)可重写为初始模型:的物理意义为速度X1的上隶属度函数的中心,即对第j类二型模糊集合数据多次抽取并取平均值,所有平均值中的最大值; 为X1的下隶属度函数的中心,即对第j类二型模糊集合数据多次抽取并取平均值,所有平均值中的最小值;同理 和 分别是X2的上、下隶属度函数中心; 为速度X1的第j个二型模糊集合的宽度,即该类数据的方差大小; 为受力X2的第j个二型模糊集合的宽度;
对采集的样本数据进行模糊C‑均值聚类分析,得到初始模型前件参数和 和 分别是它们共同所在的第j类二型模糊集合中多次取值后对应平均值上限和下限值; 为同一模糊集合共同的方差值;并采用最小二乘法确定规则数并且辨识后件参数利用BP反向传播算法对模型参数进行辨识优化,得到最优的重载列车运行过程区间二型动力学模型;
为得到模型(9),要对模型进行初始化;针对初始模型(9),需要基于输入/输出数据确定模型规则数n及每条规则对应的前件参数 和 和后件参数 采用多次模糊C‑均值聚类方法对数据的进行聚类分析,并且是多次聚类,再取平均值的方式对参数精度进行优化;该方法首先通过随机选取若干聚类中心,所有数据点被赋予对聚类中心一定的模糊隶属度,然后通过迭代方法不断地对聚类中心进行修正优化;在大型输入‑输出数据集上使用一遍聚类算法来提取数据的自然分组是一种常见的实践;这种方法可以用来获得适当数量的规则,以及定义模型输入空间的每个隶属度函数的中心和方差;模糊C‑均值算法是一种迭代优化方法,用于寻找划分模糊系统输入空间的隶属函数的最优中心,目的是使代价函数最小化;模糊C‑均值算法将收敛到表示给定成本函数的局部或全局最小值的解决方案;
模糊C‑均值聚类算法具体过程如下所示:
输入:两个输入量单位控制力u和前一时刻的速度yf,以及聚类个数c=4;u=[u1,T Tu2,…,un],yf=[yf1,yf2,…,yfn],n为训练样本数300;
输出:模糊前件参数 和 其中j=1,2,3,4;
1、分别从两个输入的训练数据里随机选取4个聚类中心;
2、用模糊C‑均值聚类算法进行数据聚类;
3、根据隶属度矩阵将训练数据进行划分,分为4类;
4、计算第j类数据的方差大小
5、计算第j类数据的平均值大小;
6、分别对第i类数据中的50%进行随机抽取,并且求其平均值 总共抽取50次,找出其最大值 和最小值
7、由下式计算出高斯型隶属函数的不确定参数
最后,对模型(9)进行优化,获得最优区间二型动力学模型;针对模型(9),在确定了前件参数 和 后,应用输入/输出数据采用最小二乘法即可辨识后件参数若有m组输入输出数据对,式(9)则写成:
Y=Φ·c (11)
式中,Y是输出矩阵,是Y的估计值,Φ为m×2n的矩阵,c为2n×1的后件参数向量;可对公式(11)采用最小二乘法辨识得到后件参数 令误差指标函数为根据最小二乘法原理,要使J(θ)最小,必有:
2 T
从而得到优化的模型后件参数 i=1,2,...,n;n=M ;k=0,1,2;其中,Φ为Φ的转置;
固定后件参数 采用BP反向传播算法反向学习以调整前件参数 和考虑到误差指标函数 y(k)是k时刻的当前输出; 是期望输出;校正算法如下:
其中学习速率αc和ασ可以通过实验选择得到;
所述根据所述动力学子模型的前件参数、所述动力学子模型的后件参数和所述动力学模型确定每条规则下的动力学子模型,具体包括:根据所述动力学模型利用如下公式确定每条规则下的动力学子模型:其中,yi(k)为第k个输出量,输出量为重载列车运行速度, 为第一后件参数, 为第二后件参数, 为第三后件参数,y(k‑1)为第一输入量,u(k‑1)为第二输入量,第二输入量为单位控制力, 为第一输入量的第j个聚类, 为第二输入量的第j个聚类,k为自变量,j为模糊类,n为规则总数,Ri为第i个规则,i为规则数。
2.根据权利要求1所述的重载列车运行过程监控方法,其特征在于,所述根据所述前件参数和所述重载列车的样本数据利用最小二乘法确定所述动力学子模型的后件参数,具体包括:根据所述前件参数和所述重载列车的样本数据利用最小二乘法确定初始后件参数;
根据所述前件参数和初始后件参数确定第一模型;
根据所述第一模型的误差确定误差指标函数;
根据所述误差指标函数利用BP算法优化所述初始后件参数,确定所述动力学子模型的后件参数。
3.根据权利要求1所述的重载列车运行过程监控方法,其特征在于,所述根据所述前件参数和所述重载列车的样本数据利用最小二乘法确定所述动力学子模型的后件参数之后还包括:利用BP反向传播算法调整所述动力学子模型的前件参数。
4.根据权利要求3所述的重载列车运行过程监控方法,其特征在于,所述根据所述初始模型确定重载列车运行过程模型之后还包括:对所述重载列车运行过程模型进行误差分析,确定所述重载列车运行过程模型的误差;
判断所述重载列车运行过程模型的误差是否小于设定阈值,得到第一判断结果;
若所述第一判断结果表示为是,则确定误差对应的所述重载列车运行过程模型的误差为最终的重载列车运行过程模型;
若所述第一判断结果表示为否,则返回步骤“利用BP反向传播算法调整所述动力学子模型的前件参数”。
5.一种重载列车运行过程监控系统,其特征在于,包括:受力信息获取模块,用于获取重载列车的受力信息;
动力学模型确定模块,用于根据所述受力信息确定重载列车运动过程的动力学模型;
动力学子模型的前件参数确定模块,用于将重载列车的样本数据进行模糊C‑均值聚类分析,确定动力学子模型的前件参数;
动力学子模型的后件参数确定模块,用于根据所述前件参数和所述重载列车的样本数据利用最小二乘法确定所述动力学子模型的后件参数;
动力学子模型确定模块,用于根据所述动力学子模型的前件参数、所述动力学子模型的后件参数和所述动力学模型确定每条规则下的动力学子模型;
初始模型确定模块,用于根据所述每条规则下的动力学子模型确定初始模型;
重载列车运行过程模型确定模块,用于根据所述初始模型确定重载列车运行过程模型;
监控模块,用于根据所述重载列车运行过程模型对所述重载列车的运行过程进行监控;
采用高斯型函数表示:
其中,xp是输入量,即列车上一时刻的速度X1和力X2,和 分别是下隶属度函数和上隶属度函数,且j=1,2,...,M代表聚类个数;当p=1时,Xp为速度, 为速度聚类中的第j类;当p=2时,Xp为力, 为力聚类中的第类; 为第j个二型模糊集合的宽度,即该类数据的方差大小;
的物理意义为上隶属度函数的中心,即对第j类二型模糊集合数据多次抽取并取平均值,所有平均值中的最大值;同理可知 为下隶属度函数的中心,即同一组平均值中的最小值;
根据不同的输入量Xp来得到不同规则的权重,令相应的权重值和规则相乘后再进行累加,得到式(5);模糊推理规则(3)可用5层区间二型网络结构获得:i
式中f 为第i个子规则Ri的权重值;yi(k)为输出量,和输入是同一量纲,也是速度值;
是它们对应的Ri中相应的数值参数,即常数值;
i i
其中,F是下激发强度, 是上激发强度;f是下隶属度, 是上隶属度;
2
j1=1,2,...,M;j2=1,2,...,M;i=1,...,j1·j2,...,M;(7)根据(4)‑(8)的推导,重载列车运行过程模型(5)可重写为初始模型:的物理意义为速度X1的上隶属度函数的中心,即对第j类二型模糊集合数据多次抽取并取平均值,所有平均值中的最大值; 为X1的下隶属度函数的中心,即对第j类二型模糊集合数据多次抽取并取平均值,所有平均值中的最小值;同理 和 分别是X2的上、下隶属度函数中心; 为速度X1的第j个二型模糊集合的宽度,即该类数据的方差大小; 为受力X2的第j个二型模糊集合的宽度;
对采集的样本数据进行模糊C‑均值聚类分析,得到初始模型前件参数和 和 分别是它们共同所在的第j类二型模糊集合中多次取值后对应平均值上限和下限值; 为同一模糊集合共同的方差值;并采用最小二乘法确定规则数并且辨识后件参数利用BP反向传播算法对模型参数进行辨识优化,得到最优的重载列车运行过程区间二型动力学模型;
为得到模型(9),要对模型进行初始化;针对初始模型(9),需要基于输入/输出数据确定模型规则数n及每条规则对应的前件参数 和 和后件参数 采用多次模糊C‑均值聚类方法对数据的进行聚类分析,并且是多次聚类,再取平均值的方式对参数精度进行优化;该方法首先通过随机选取若干聚类中心,所有数据点被赋予对聚类中心一定的模糊隶属度,然后通过迭代方法不断地对聚类中心进行修正优化;在大型输入‑输出数据集上使用一遍聚类算法来提取数据的自然分组是一种常见的实践;这种方法可以用来获得适当数量的规则,以及定义模型输入空间的每个隶属度函数的中心和方差;模糊C‑均值算法是一种迭代优化方法,用于寻找划分模糊系统输入空间的隶属函数的最优中心,目的是使代价函数最小化;模糊C‑均值算法将收敛到表示给定成本函数的局部或全局最小值的解决方案;
模糊C‑均值聚类算法具体过程如下所示:
输入:两个输入量单位控制力u和前一时刻的速度yf,以及聚类个数c=4;u=[u1,T Tu2,...,un],yf=[yf1,yf2,...,yfn],n为训练样本数300;
输出:模糊前件参数 和 其中j=1,2,3,4;
1、分别从两个输入的训练数据里随机选取4个聚类中心;
2、用模糊C‑均值聚类算法进行数据聚类;
3、根据隶属度矩阵将训练数据进行划分,分为4类;
4、计算第j类数据的方差大小
5、计算第j类数据的平均值大小;
6、分别对第i类数据中的50%进行随机抽取,并且求其平均值 总共抽取50次,找出其最大值 和最小值
7、由下式计算出高斯型隶属函数的不确定参数
最后,对模型(9)进行优化,获得最优区间二型动力学模型;针对模型(9),在确定了前件参数 和 后,应用输入/输出数据采用最小二乘法即可辨识后件参数若有m组输入输出数据对,式(9)则写成:
Y=Φ·c (11)
式中,Y是输出矩阵,是Y的估计值,Φ为m×2n的矩阵,c为2n×1的后件参数向量;可对公式(11)采用最小二乘法辨识得到后件参数 令误差指标函数为根据最小二乘法原理,要使J(θ)最小,必有:
2 T
从而得到优化的模型后件参数 i=1,2,...,n;n=M ;k=0,1,2;其中,Φ为Φ的转置;
固定后件参数 采用BP反向传播算法反向学习以调整前件参数 和 考虑到误差指标函数 y(k)是k时刻的当前输出; 是期望输出;
校正算法如下:
其中学习速率αc和ασ可以通过实验选择得到;
所述动力学子模型确定模块具体包括:
动力学子模型确定单元,用于根据所述动力学模型利用如下公式确定每条规则下的动力学子模型:其中,yi(k)为第k个输出量,输出量为重载列车运行速度, 为第一后件参数, 为第二后件参数, 为第三后件参数,y(k‑1)为第一输入量,u(k‑1)为第二输入量,第二输入量为单位控制力, 为第一输入量的第j个聚类, 为第二输入量的第j个聚类,k为自变量,j为模糊类,n为规则总数,Ri为第i个规则,i为规则数。
6.根据权利要求5所述的重载列车运行过程监控系统,其特征在于,所述动力学子模型的后件参数确定模块具体包括:初始后件参数确定单元,用于根据所述前件参数和所述重载列车的样本数据利用最小二乘法确定初始后件参数;
第一模型确定单元,用于根据所述前件参数和初始后件参数确定第一模型;
误差指标函数确定单元,用于根据所述第一模型的误差确定误差指标函数;
初始后件参数确定单元,用于根据所述误差指标函数利用BP算法优化所述初始后件参数,确定所述动力学子模型的后件参数。
7.根据权利要求5所述的重载列车运行过程监控系统,其特征在于,所述重载列车运行过程监控系统还包括:调整模块,用于利用BP反向传播算法调整所述动力学子模型的前件参数。