基于ga算法优化bp神经网络的钢轨磨损量预测

基于ga算法优化bp神经网络的钢轨磨损量预测

随着列车速度、运输能力和轴重的提高，钢架磨损日益严重。中国每年使用50亿人民币来更换和维护受损的钢带。轮轨型面因磨损的改变涉及大量车辆与轨道维护的成本,影响钢轨的承载能力,也影响车辆运行安全性和乘坐舒适性。钢轨与车轮之间的关系是材料、润滑、车辆动力学等众多学科的集合体。现有知识还不能对各种工况下的轮轨磨损进行评估、预测和可靠的定量计算。轮轨磨损试验成为研究钢轨与车轮的摩擦和磨损机制,确定各种摩擦磨损规律的一个重要手段,但受到试验设备、分析手段、试验费用等的限制。许多研究表明轮轨型面改变的主要贡献者是磨损预测钢轨磨损量能够指导选择钢轨材料,预测钢轨寿命,帮助制定有效的钢轨检修计划,为限制磨损轮轨型面,具有巨大的社会效益和经济效益。目前轮轨磨损预测主要有两个对象:磨损量和轮轨型面演变,研究中主要的方法有:(1)文献所采用的基于计算机的轮轨相关理论的数值仿真;(2)试验数据分析。而利用试验数据分析进行轮轨磨损预测研究比较少。本文作者基于JD-1型轮轨模拟试验机所获得的试验数据,采用GA-BP神经网络对试验条件下的钢轨磨损量进行预测,避免了轮轨磨损复杂理论和现有知识不足对钢轨磨损量预测的影响。1遗传算法优化bp神经网络的步骤基于遗传算法的优点,采用遗传算法优化BP神经网络预测钢轨磨损量,主要思想就是采用遗传算法将BP神经网络的权阀值优化到一个较小的范围,然后通过BP网络学习算法继续优化到所需的钢轨磨损量值即神经网络RbobertHecht-Nielsen证明了对于任何闭区间内的一个连续函数都可以用一个隐层的BP网络来逼近。也就是说3层的BP网络可以完成任意的n维到m维的连续映射。故采用单隐层的BP网络模型。遗传算法优化BP神经网络的步骤如下:(1)将BP神经网络的权阀值表示成编码串。作者采用一个基因一个参数的浮点数编码方法。设R为输入层单元个数,S2为输出神经元个数,S1为隐层神经元个数,S为编码长度,则S=R*S1+S1*S2+S1+S2。解码之后各浮点数与3层BP神经网络权阀值的对应关系见表1。表1中,W1是输入层到隐层之间的权值,W2是隐层到输出层之间的权值,B1为隐层阀值,B2为输出层阀值。(2)随机产生一组串长为S的初始群体,种群数目N(群体规模群为60～80之间即可)。(3)分别串长为S的染色体解码为寻优参数,建立遗传算法优化BP网络的适应度函数(染色体的解码见表1)。则:适应度函数为f=1/SE式中:f1、f2分别为隐层、输出层的功能函数;d为训练集的期望输出矩阵;p为训练集输入数据矩阵(同时也是输入层的输出);A1为隐层的输出矩阵;A2为输出层的输出矩阵;sumsqr函数为Matlab中计算矩阵各个元素平方和的函数。(4)遗传算子作用。根据适应度函数f计算种群中各个个体的适应值高低,对N个个体进行选择、交换、变异等遗传操作。(5)当达到最大进化代数M,则停止进化,否则转步骤(4)。(6)将遗传算法得到的最优个体解码为W1,W2,B1,B2,初始化BP网络权阀值,通过BP网络合适的训练函数优化网络的权阀值,直到网络到达指定精度或最大训练次数为止2平均接触应力较好试验采用赫兹模拟准则,即按照赫兹接触理论,使试验室条件下模拟轮轨试样间的平均接触应力和接触区椭圆的长短半轴之比与现场中的相同,这样就可以保证试验室条件下模拟轮轨试样间的摩擦学相互作用过程与现场中的相似。试验在西南交通大学JD-1型轮轨模拟试验机上进行。2.1磨损量通过模拟试验得到的不同试验参数下PD3钢轨的磨损量见表2。2.2ga-bp网络建设2.2.1不同层神经元的确定建立三层BP网络,输入层神经元以及输出层神经元数目与所研究问题的样本有关,训练集的每个样本为3个输入,1个输出,即输入层神经元数目R=3,输出层神经元数目S2=1。隐层单元的确定根据经验公式:式中:α=1～10,R,S2分别为输入输出层神经元数目。由于用一个复杂的模型去拟合有限的样本,会使其丧失推广能力,所以取α=2,则S1=5。2.2.2学习函数和训练函数训练误差小并不代表网络的预测精度高网络训练误差精度采用默认值0.001,三层BP网络采用的功能函数分别为′tansig′,′tansig′,′purelin′函数,训练函数采用变学习率动量梯度下降算法traingdx,网络种群数目N=50,优化代数100。最后对数据进行归一化处理,将所有数据处理为[-1,1]范围的数据,包括需要进行预测的数据。2.3ga-bp网络培训和预测应用2.3.1优化变量及适应度分析利用表2所给的不同试验参数下钢轨试样的磨损量作为GA-BP网络训练样本,训练之前进行归一化预处理,然后进行网络训练。图1(a)示出了GA遗传算法优化权值阀值过程中的种群平均适应度及种群中个体最优适应度。由GA-BP适应度变化曲线可以看出起始适应度增长速度较快,在优化60代之后的适应度曲线开始变得平缓,直至100代时种群平均适应度与个体最优适应度基本重合,BP网络训练寻优缩小了范围。图1(b)示出了GA遗传算法优化BP网络权阀值后进行训练的误差曲线,可见起始误差小于0.1。2.3.2研磨强度的影响图2示出了钢轨磨损量试验值与网络预测值的比较,可以看出,GA-BP神经网络钢轨磨损的预测值与试验值基本上一致所以网络应用于钢轨磨损量预测是可行的。图3示出了不同试验参数下磨损量试验值和仿真预测值的比较。可以看出,磨损量随着速度的增加而减小,随着冲角的增大而增加;速度与磨损量关系以及冲角与磨损量关系仿真预测的结果与试验所得的结果相一致,说明GA-BP网络应用于钢轨磨损量预测是可行的。2.3.3冲角和速度对磨损量的影响利用训练好的神经网络的权阀值仿真钢轨试样载荷,,N分别对应于轴重为、和25t工况作用下速度及冲角与磨损量的关系,如图4所示。可以看出载荷(轴重)、速度、冲角(曲线半径)对磨损量均有很大的影响,其他条件相同,随着载荷的增加,磨损量增加。因为轮轨相互作用,接触斑位置所受到的最大等效应力随轴重的增加而逐步增加,钢轨表面将更容易受到应力破坏,导致接触界面的磨损加剧,磨损量增加。从图(a)可以看出:在较低速度阶段(80～150km/h),随着速度的增加,磨损量下降较快,而在较高速度阶段,磨损量变化缓慢。张永振等的研究表明,随着速度的增加,摩擦因数降低;随着速度的进一步增加,轮轨摩擦副的生热过程与散热过程将处于动态平衡,摩擦因数趋于稳定。而切向力变化趋势与摩擦因数的相同,切向力的变化趋势决定了磨损量的变化趋势,所以低速时磨损量下降快,较高速度时,磨损量变化缓慢,这与预测结果一致。从图(b)可以看出:在小冲角条件下,随着冲角的变化,磨损量变化缓慢,当冲角大于0.006弧度时,随着冲角的增大,磨损量迅速增加。因为曲线半径比较大时,轮轨踏面形成一点接触,此阶段的磨损主要属于循环交变应力引起的疲劳磨损,钢轨的磨耗曲线随着半径的增加,迅速收敛于水平线,所以在小冲角条件下,磨损量变化趋于水平线,变化缓慢,与预测结果一致。由以上分析得出当列车重载减速通过小半径曲线时的轮轨的磨损比较严重。所以铁道线路铺修时应该尽量避免小曲线半径并提高线路的速度上限,而列车应该尽量将速度提高到磨损平稳区域。3轴重、速度、冲角及磨损量间非线性映射(1)GA-BP神经网络的训练结果较稳定,收敛性强,应用于钢轨磨损量的预测是可行的,该方法避开了复杂理论和未知知识因素的的限制,将钢轨磨损规律包含于权值和阀值之中,实现轴重、速度及冲角到磨损量之间非线性映射。(2)利用GA-BP神经网络对轴重、速度及冲角及磨损量关系的仿真,载荷(轴重)、速度、冲角(曲线半径)对