基于种群熵、种群方差改进的钢轨裂纹检测算法.pdf

《基于种群熵、种群方差改进的钢轨裂纹检测算法.pdf》由会员分享，可在线阅读，更多相关《基于种群熵、种群方差改进的钢轨裂纹检测算法.pdf（11页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910058482.9 (22)申请日 2019.01.22 (71)申请人 西安理工大学 地址 710048 陕西省西安市金花南路5号 (72)发明人 高瑞鹏王冰赵龙绍伟 樊珊珊赵姣杨宇祥 (74)专利代理机构 西安弘理专利事务所 61214 代理人 罗笛 (51)Int.Cl. G06N 3/00(2006.01) (54)发明名称 一种基于种群熵、 种群方差改进的钢轨裂纹 检测算法 (57)摘要 本发明公开了一种基于种群熵、 种群方差改 进的钢轨裂纹检测算法， 提出将。

2、Sigmoid曲线与 种群熵、 种群方差结合起来改进遗传算子， 进而 推导出基于种群熵以及种群方差的遗传算法， 最 后用于钢轨裂纹故障诊断。 该基于种群熵、 种群 方差改进的钢轨裂纹检测算法， 解决了现有算法 中种群多样性的急剧下降导致的早熟问题。 权利要求书2页 说明书6页 附图2页 CN 110009088 A 2019.07.12 CN 110009088 A 1.一种基于种群熵、 种群方差改进的钢轨裂纹检测算法， 其特征在于， 具体按照以下步 骤依次实施： 步骤1， 设置算法的参数； 步骤2， 初始化原种群， 得到初始化种群； 步骤3， 计算步骤2得到的初始化种群中个体的适应度值； 步。

3、骤4， 根据步骤3得到的个体的适应度值， 求出满足设定值的最优个体并加以保存； 步骤5， 根据步骤4得到的最优个体的总数， 与目标值作比较， 达到要求则进行步骤10， 反之依次重复进行步骤6、 步骤7、 步骤8、 步骤9、 步骤3、 步骤4， 直至达到要求； 步骤6， 采用轮赌盘方法对步骤4得到的初始化种群进行选择操作； 步骤7， 对步骤6得到的初始化种群进行交叉操作； 步骤8， 对步骤7得到的初始化种群进行变异操作； 步骤9， 计算步骤8得到的初始化种群中最优个体和最差个体， 采用精英保留策略更新 初始化种群， 之后返回步骤3； 步骤10， 输出结果， 结束程序。 2.根据权利要求1所述的基。

4、于种群熵、 种群方差改进的钢轨裂纹检测算法， 其特征在 于， 在所述步骤1中， 设置算法的参数为： 原种群规模popsize50， 最小交叉概率Pcmin 0.6， 最大交叉概率Pcmax0.9， 最小变异概率Pmmin0.01， 最大变异概率Pmmax0.1； 3.根据权利要求2所述的基于种群熵、 种群方差改进的钢轨裂纹检测算法， 其特征在 于， 所述步骤2具体按照以下步骤依次实施： 步骤2.1， 利用故障信号的时域、 频域特征结合起来构建钢轨裂纹的故障判据如公式所 示： 其中： xi为待优化系数， Ei为三层小波包分解第三层第i频段的能量函数， 为输入信号 样本数据， Amax为时域幅值函。

5、数， k为权重系数； 根据故障判据条件， 得出下列故障判据函数如公式： 将m组样本数据求得的故障判据函数值与数据样本属性值相比较， 如果故障判据函数 值与数据样本属性值相同， 说明判断正确， 代价函数值增加； 数据样本属性函数和代价函数 分别描述为： 4.根据权利要求3所述的基于种群熵、 种群方差改进的钢轨裂纹检测算法， 其特征在 于， 在所述步骤3中： 个体的适应度值根据公式(4)得到。 权利要求书 1/2 页 2 CN 110009088 A 2 5.根据权利要求1所述的基于种群熵、 种群方差改进的钢轨裂纹检测算法， 其特征在 于， 所述步骤7和步骤8具体为： 设进化过程中第t代原种群P(。

6、t)中第i个体为N为原种群规模， 个体的 适应度为fti， 第t代种群个体的平均适应度为那么第t代种群的方差为： 式中： 方差Vt反映了种群个体的离散程度， Vt的值大就说明个体比较分散， Vt的值小说 明个体比较集中； 将信息熵引入种群多样性的判定中， 用以反映种群内部进化状态； 将实际问题中可行 域等分为L个小区间， 第i个小区间为Ai(i1,L)， 在第t代进化中， 落在中的个体数目 记为定义第t代种群的熵为： 式中：表示每个小区间内的个体占种群规模N的概率大小， 其中Ht的取值范围 为(0， logN)； 结合种群方差、 种群熵在进化过程中的特征， 种群进化到第t代的交叉变异公式如式 。

7、(7)、 (8)， 种群方差、 种群熵联合方程如公式(9): 式中： a9.903438， Pcmax是最大交叉概率， Pcmin是最小交叉概率， Pmmax是最大变异概率， Pmmin是最小变异概率， logN是种群熵理论上的最大值， maxVt是种群进化到第t代时种群方 差的最大值； 根据交叉概率Pc判断是否交叉， 交叉的子代采用一致交叉算子， 不交叉的子代从父代获 取基因； 根据变异概率Pm判断是否变异， 变异采用一致变异操作， 不发生变异的子代从父代 获取基因。 权利要求书 2/2 页 3 CN 110009088 A 3 一种基于种群熵、 种群方差改进的钢轨裂纹检测算法 技术领域 0。

8、001 本发明属于钢轨裂纹无损检测算法技术领域， 特别是涉及一种基于种群熵、 种群 方差改进的钢轨裂纹检测算法。 背景技术 0002 铁路交通是现代人类社会必不可缺的运输工具。 随着科学技术的日新月异， 铁路 交通呈现高速和重载两大发展趋势， 因此在列车高速、 货车重载运行的情况下， 钢轨裂纹等 缺陷更易导致重大的安全事故， 甚至造成重大人员伤亡等灾难性的后果。 0003 针对故障识别常用的常规方法主要有： 时域特征法、 频域特征法、 小波包分解法 等。 时域的能量幅值判据， 当信号的幅值大于某一设定值则认为是故障； 又如频域的能量判 据， 当某一特定的频谱带中出现一定能量的峰值时则认为是故障。

9、； 再如小波包分解法， 通过 小波包分解将信号分解到特定的小波层， 再通过判断该层上能量是否超过设定值， 来判别 系统是否存在故障。 但是， 上述故障识别方法存在的主要缺点是依赖于人工经验来设定判 据参数(如阈值、 频带、 小波层数等)。 而采用常规故障诊断方法进行钢轨裂纹轮轨噪声诊断 的人工经验难以获得， 导致其判据参数无法确定， 因此需要利用人工智能算法进行改进。 目 前， 人工智能算法主要有遗传算法改进的小波包分解法、 遗传算法改进的人工神经网络算 法、 遗传算法优化的小波神经网络算法等， 其能够通过数据自动学习获取到判据的参数。 但 是， 普通遗传算法存在效率低、 容易早熟、 易陷入局。

10、部最优解等缺点， 导致了上述三种方法 总体效率不高、 诊断准确率偏低等缺点。 0004 对于遗传算法而言， 无论是早熟问题还是陷入局部最优解的问题， 都是因为群体 中个体结构多样性的急剧减少而造成的， 所以就要在进化过程中增加种群的多样性。 发明内容 0005 本发明的目的是提供一种基于种群熵、 种群方差改进的钢轨裂纹检测算法， 解决 了现有算法中种群多样性的急剧下降导致的早熟问题。 0006 为了达到上述目的， 本发明所采用的技术方案是， 一种基于种群熵、 种群方差改进 的钢轨裂纹检测算法， 具体按照以下步骤依次实施： 0007 步骤1， 设置算法的参数； 0008 步骤2， 初始化原种群，。

11、 得到初始化种群； 0009 步骤3， 计算步骤2得到的初始化种群中个体的适应度值； 0010 步骤4， 根据步骤3得到的个体的适应度值， 求出满足设定值的最优个体并加以保 存； 0011 步骤5， 根据步骤4得到的最优个体的总数， 与目标值作比较， 达到要求则进行步骤 10， 反之依次重复进行步骤6、 步骤7、 步骤8、 步骤9、 步骤3、 步骤4， 直至达到要求； 0012 步骤6， 采用轮赌盘方法对步骤4得到的初始化种群进行选择操作； 0013 步骤7， 对步骤6得到的初始化种群进行交叉操作； 说明书 1/6 页 4 CN 110009088 A 4 0014 步骤8， 对步骤7得到的初。

12、始化种群进行变异操作； 0015 步骤9， 计算步骤8得到的初始化种群中最优个体和最差个体， 采用精英保留策略 更新初始化种群， 之后返回步骤3； 0016 步骤10， 输出结果， 结束程序。 0017 本发明的技术方案， 还具有以下特点： 0018 在所述步骤1中， 设置算法的参数为： 原种群规模popsize50， 最小交叉概率Pcmin 0.6， 最大交叉概率Pcmax0.9， 最小变异概率Pmmin0.01， 最大变异概率Pmmax0.1； 0019 3.根据权利要求2所述的基于种群熵、 种群方差改进的钢轨裂纹检测算法， 其特征 在于， 所述步骤2具体按照以下步骤依次实施： 0020 。

13、步骤2.1， 利用故障信号的时域、 频域特征结合起来构建钢轨裂纹的故障判据如公 式所示： 0021 0022其中： xi为待优化系数， Ei为三层小波包分解第三层第i频段的能量函数， 为输入 信号样本数据， Amax为时域幅值函数， k为权重系数； 0023 根据故障判据条件， 得出下列故障判据函数如公式： 0024 0025 将m组样本数据求得的故障判据函数值与数据样本属性值相比较， 如果故障判据 函数值与数据样本属性值相同， 说明判断正确， 代价函数值增加； 数据样本属性函数和代价 函数分别描述为： 0026 0027 0028 4.根据权利要求3所述的基于种群熵、 种群方差改进的钢轨裂纹。

14、检测算法， 其特征 在于， 在所述步骤3中： 个体的适应度值根据公式(4)得到。 0029 5.根据权利要求1所述的基于种群熵、 种群方差改进的钢轨裂纹检测算法， 其特征 在于， 所述步骤7和步骤8具体为： 0030设进化过程中第t代原种群P(t)中第i个体为N为原种群规模， 个体 的适应度为fti， 第t代种群个体的平均适应度为那么第t代种群的方差为： 0031 0032 式中： 方差Vt反映了种群个体的离散程度， Vt的值大就说明个体比较分散， Vt的值 小说明个体比较集中； 0033 将信息熵引入种群多样性的判定中， 用以反映种群内部进化状态； 将实际问题中 说明书 2/6 页 5 CN。

15、 110009088 A 5 可行域等分为L个小区间， 第i个小区间为Ai(i1,L)， 在第t代进化中， 落在中的个体 数目记为定义第t代种群的熵为： 0034 0035式中：表示每个小区间内的个体占种群规模N的概率大小， 其中Ht的取值 范围为(0， logN)； 0036 结合种群方差、 种群熵在进化过程中的特征， 种群进化到第t代的交叉变异公式如 式(7)、 (8)， 种群方差、 种群熵联合方程如公式(9): 0037 0038 0039 0040 式中： a9.903438， Pcmax是最大交叉概率， Pcmin是最小交叉概率， Pmmax是最大变异 概率， Pmmin是最小变异概。

16、率， logN是种群熵理论上的最大值， maxVt是种群进化到第t代时 种群方差的最大值； 0041 根据交叉概率Pc判断是否交叉， 交叉的子代采用一致交叉算子， 不交叉的子代从 父代获取基因； 根据变异概率Pm判断是否变异， 变异采用一致变异操作， 不发生变异的子代 从父代获取基因。 附图说明 0042 图1是本发明的一种基于种群熵、 种群方差改进的钢轨裂纹检测算法的工作原理 图； 0043 图2是本发明的一种基于种群熵、 种群方差改进的钢轨裂纹检测算法的自适应调 整曲线图； 0044 图3是测试函数f1在不同迭代次数下采用本发明算法、 自适应遗传算法以及传统 遗传算法的总收敛次数比较图； 。

17、0045 图4是测试函数f2在不同迭代次数下采用本发明算法、 自适应遗传算法以及传统 遗传算法的总收敛次数比较图。 具体实施方式 0046 以下结合附图说明和具体实施例对本发明的技术方案作进一步地详细说明。 0047 如图1所示， 一种基于种群熵、 种群方差改进的钢轨裂纹检测算法， 具体按照以下 步骤依次实施： 0048 步骤1， 设置算法的参数， 该设置算法的参数为： 原种群规模popsize50， 最小交 叉概率Pcmin0.6， 最大交叉概率Pcmax0.9， 最小变异概率Pmmin0.01， 最大变异概率Pmmax 说明书 3/6 页 6 CN 110009088 A 6 0.1； 0。

18、049 步骤2， 初始化原种群， 得到初始化种群； 步骤2具体按照以下步骤依次实施： 0050 步骤2.1， 利用故障信号的时域、 频域特征结合起来构建钢轨裂纹的故障判据如公 式所示： 0051 0052其中： xi为待优化系数， Ei为三层小波包分解第三层第i频段的能量函数， 为输入 信号样本数据， Amax为时域幅值函数， k为权重系数； 0053 根据故障判据条件， 得出下列故障判据函数如公式： 0054 0055 将m组样本数据求得的故障判据函数值与数据样本属性值相比较， 如果故障判据 函数值与数据样本属性值相同， 说明判断正确， 代价函数值增加； 数据样本属性函数和代价 函数分别描述。

19、为： 0056 0057 0058 步骤3， 以公式(4)为依据， 计算步骤2得到的初始化种群中个体的适应度值； 0059 步骤4， 根据步骤3得到的个体的适应度值， 求出满足设定值的最优个体并加以保 存； 0060 步骤5， 根据步骤4得到的最优个体的总数， 与目标值作比较， 达到要求则进行步骤 10， 反之依次重复进行步骤6、 步骤7、 步骤8、 步骤9、 步骤3、 步骤4， 直至达到要求； 0061 步骤6， 采用轮赌盘方法对步骤4得到的初始化种群进行选择操作； 0062 步骤7， 对步骤6得到的初始化种群进行交叉操作； 0063 步骤8， 对步骤7得到的初始化种群进行变异操作； 006。

20、4 步骤7和步骤8具体为： 0065设进化过程中第t代原种群P(t)中第i个体为N为原种群规模， 个体 的适应度为fti， 第t代种群个体的平均适应度为那么第t代种群的方差为： 0066 0067 式中： 方差Vt反映了种群个体的离散程度， Vt的值大就说明个体比较分散， Vt的值 小说明个体比较集中； 0068 将信息熵引入种群多样性的判定中， 用以反映种群内部进化状态； 将实际问题中 可行域等分为L个小区间， 第i个小区间为Ai(i1,L)， 在第t代进化中， 落在中的个体 说明书 4/6 页 7 CN 110009088 A 7 数目记为定义第t代种群的熵为： 0069 0070式中：表。

21、示每个小区间内的个体占种群规模N的概率大小， 其中Ht的取值 范围为(0， logN)； 0071 结合种群方差、 种群熵在进化过程中的特征， 种群进化到第t代的交叉变异公式如 式(7)、 (8)， 种群方差、 种群熵联合方程如公式(9): 0072 0073 0074 0075 式中： a9.903438， Pcmax是最大交叉概率， Pcmin是最小交叉概率， Pmmax是最大变异 概率， Pmmin是最小变异概率， logN是种群熵理论上的最大值， maxVt是种群进化到第t代时 种群方差的最大值； 0076 根据交叉概率Pc判断是否交叉， 交叉的子代采用一致交叉算子， 不交叉的子代从 。

22、父代获取基因； 根据变异概率Pm判断是否变异， 变异采用一致变异操作， 不发生变异的子代 从父代获取基因； 0077 步骤9， 计算步骤8得到的初始化种群中最优个体和最差个体， 采用精英保留策略 更新初始化种群， 之后返回步骤3； 0078 步骤10， 输出结果， 结束程序。 0079 交叉、 变异概率随t的变化如图2所示， 在进化初期t趋近于max， 此时种群多样 性高， 应该加大交叉概率， 减小变异概率， 促进个体之间交叉重组， 增加全局搜索能力； 进化 中期， 交叉、 变异概率随着t按照Sigmoid曲线自适应变化； 进化后期， t趋近于min， 种群 集中， 应该增大变异概率， 增加种。

23、群的多样性， 减小交叉概率， 保护搜索到的较优解， 使得算 法保持稳定， 提高算法收敛速度。 0080 图3是测试函数f1在不同迭代次数下采用本发明算法、 自适应遗传算法以及传统 遗传算法的总收敛次数比较图； 图4是测试函数f2在不同迭代次数下采用本发明算法、 自适 应遗传算法以及传统遗传算法的总收敛次数比较图， 其中VHGA表示本发明算法， SGA表示传 统遗传算法， IAGA表示自适应遗传算法。 从图3和图4可以看出， 本发明的算法曲线均在传统 遗传算法和自适应遗传算法曲线之上， 表明本发明的算法有更高的收敛概率， 并且该算法 的总收敛次数在每次统计中都具有较强的稳定性。 0081 表1 。

24、说明书 5/6 页 8 CN 110009088 A 8 0082 0083 通过表1可以总结出： 对于测试函数f1， 本发明的算法(VHGA)的总收敛次数比自适 应遗传算法(IAGA)多95次， 比传统遗传算法(SGA)多349次； 对于测试函数f2， 本发明的算法 (VHGA)的总收敛次数比IAGA多57次， 比SGA多184次， 即本算法总收敛次数比SGA最多高 45， 比IAGA最多高28， 所以本文设计的该算法在总收敛次数上优于其他两种算法。 说明书 6/6 页 9 CN 110009088 A 9 图1 图2 说明书附图 1/2 页 10 CN 110009088 A 10 图3 图4 说明书附图 2/2 页 11 CN 110009088 A 11 。