转向架作为地铁整车部件中最重要的部件之一,其性能好坏决定了列车的运行安全,因此对转向架进行故障监测具有重要的工程意义.提出基于粒子群算法(PSO)优化深度置信网络(DBN)结构的模型即PSO-DBN,采用连续性变量构造个体的方式,结合粒子群算法进行迭代训练,做到降低输入层特征维数和各隐藏层神经元数目优化设置.在MNIST手写体数据集上进行实验,结果表明,相较于传统结构,PSO-DBN在错误率和训练时间上分别降低了0.83％、37.08s,验证了PSO-DBN模型的优越性.将PSO-DBN引入到地铁转向架故障诊断,集中分析了故障类型及特征参数提取,实验预测准确率为93.63％,实现了PSO-DBN模型对地铁转向架故障诊断的目的.
国家科技期刊平台
NSTL
万方数据
维普
