遗传算法优化小波神经网络的列车车轮故障检测

"该文提出了一种利用遗传算法优化的小波神经网络，用于列车车轮扁疤故障的检测。这种方法结合了遗传算法的全局搜索能力和小波神经网络的信号处理能力，通过轮轨噪声分析来判断车轮扁疤的严重程度。在小波神经网络中加入动量模型以避免局部最优并加速学习过程。硬件需求简单，仅需2组麦克风阵列和2个速度传感器即可实现实时检测，成本低于现有检测技术。实测结果显示，与传统神经网络、小波神经网络和遗传算法相比，该方法的检测准确率有显著提高，并且收敛速度更快。" 文章详细内容： 这篇论文出自2013年的《西安交通大学学报》，作者是高瑞鹏、尚春阳和江航。研究主要针对铁路交通领域中的列车车轮扁疤故障检测问题，旨在提出一种更高效的分析算法。传统的车轮故障检测方法可能受限于精度和效率，而该研究结合了两种强大的计算工具——遗传算法和小波神经网络。 遗传算法是一种模拟生物进化过程的优化算法，具有全局搜索和适应性选择的特点，能有效避免陷入局部最优解。在此应用中，遗传算法被用来优化小波神经网络的结构，即在确定隐含层连接权重之前，通过遗传算法的计算来寻找最佳的网络配置。 小波神经网络则利用小波函数的多分辨率分析和神经网络的非线性映射能力，能够对复杂的轮轨噪声信号进行有效的特征提取和分析。为了解决训练过程中可能出现的局部最小值问题并加快学习速率，研究者在小波神经网络中引入了动量项，这有助于网络在训练过程中更快地收敛到全局最优解。 实验部分，研究者对不同车速下的轮轨信号进行了实时测试。对比结果显示，所提出的遗传算法优化小波神经网络方法在检测车轮扁疤故障的准确率上优于传统神经网络、纯小波神经网络和遗传算法，最高提升了16%，同时在收敛速度上也表现出优势。这一成果意味着在保证检测性能的同时，可以降低设备成本，对于我国现有的列车安全监测系统有着重要的改进意义。 这项研究成功地将遗传算法与小波神经网络融合，开发出一种新型的车轮扁疤故障检测方法，它具有更高的检测精度、更快的收敛速度以及更低的硬件成本，对于提升铁路系统的安全性和维护效率具有实际应用价值。