CN114386707A - 一种轨道高低不平顺预测方法及装置 - Google Patents
一种轨道高低不平顺预测方法及装置 Download PDFInfo
- Publication number
- CN114386707A CN114386707A CN202210056496.9A CN202210056496A CN114386707A CN 114386707 A CN114386707 A CN 114386707A CN 202210056496 A CN202210056496 A CN 202210056496A CN 114386707 A CN114386707 A CN 114386707A
- Authority
- CN
- China
- Prior art keywords
- data
- irregularity
- vehicle
- prediction model
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Neurology (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本文涉及交通运输领域,尤其涉及一种轨道高低不平顺预测方法及装置。包括获取车辆运行数据,所述车辆运行数据包括车辆加速度及车辆速度;将所述车辆运行数据输入至预先建立的高低不平顺预测模型,获取高低不平顺数据,所述高低不平顺预测模型包括注意力网络、卷积神经网络及循环神经网络,所述注意力网络用于确定所述车辆运行数据的关注权重,所述卷积神经网络用于确定具有关注权重的车辆运行数据的波形特征;循环神经网络用于根据所述波形特征,确定高低不平顺数据。本方案可以实时预估不同铁路线路、不同轨下基础的轨道长波高低和中波高低,及时感知轨道状态变化,为调整轨道设备、保证列车安全运行提供了有力支撑,提高了列车运行的安全性。
Description
技术领域
本文涉及交通运输领域,可用于高速铁路领域,尤其是一种轨道高低不平顺预测方法、装置、计算机设备及存储介质。
背景技术
目前高速列车已成为人们日常的出行方式,列车的安全运行是铁路交通运输的基础要求和必要保障,对列车及轨道的定期检测在交通运输中显得尤为重要。当列车通过较为显著的轨道几何不平顺的区段时,车辆各部件会产生相应的振动,影响行车安全及乘客乘坐体验。因此,稳定监测铁路轨道线路的实时几何形位并整治线路几何平顺性日趋重要。
现有技术中,测量轨道几何不平顺主要依靠综合检测列车或轨检车进行定期检测。但轨检车检测方法只能在车辆运营时间之外的固定时间内进行检查,轨检车的检测频次不足,导致难以有效获取轨道几何形位的劣化特征及发展规律;并且轨检车直到下次检测时才能发现突变病害。卡尔曼滤波方法难以建立和反演复杂的非线性动力学模型,缺乏实用性。
针对目前轨道不平顺测试效率低、反演复杂的问题,需要一种轨道高低不平顺预测方法和装置。
发明内容
为解决上述现有技术的问题,本文实施例提供了一种轨道高低不平顺预测方法、装置、计算机设备及存储介质,解决了现有技术中的问题。
本文实施例提供了一种轨道高低不平顺预测方法,包括:获取车辆运行数据,所述车辆运行数据包括车辆加速度及车辆速度;将所述车辆运行数据输入至预先建立的高低不平顺预测模型,获取高低不平顺数据,所述高低不平顺预测模型包括注意力网络、卷积神经网络及循环神经网络,所述注意力网络用于确定所述车辆运行数据的关注权重,所述卷积神经网络用于确定具有关注权重的车辆运行数据的波形特征;所述循环神经网络用于根据所述波形特征,确定高低不平顺数据。
根据本文实施例的一个方面,所述高低不平顺预测模型训练过程包括:确定所述车辆运行数据的样本数据集,所述样本数据集包括车辆历史加速度和车辆历史速度及对应的历史高低不平顺数据;根据所述样本数据集,训练高低不平顺预测模型中的参数。
根据本文实施例的一个方面,所述根据所述样本数据集,训练高低不平顺预测模型中的参数包括:确定高低不平顺预测模型中的注意力网络、卷积神经网络、循环神经网络的初始参数;将所述样本数据集输入至所述高低不平顺预测模型中,获取高低不平顺预测数据;根据所述高低不平顺预测数据与历史高低不平顺数据构建损失函数;利用所述损失函数训练所述预先建立的高低不平顺预测模型中各网络的参数。
根据本文实施例的一个方面,在获取车辆运行数据之后,还包括:对所述车辆运行数据执行数据预处理,其中,所述数据预处理至少包括:趋势项滤除、数据标准化、逆序处理;将所述车辆运行数据输入至预先建立的高低不平顺预测模型进一步为将预处理后得到的车辆运行数据输入至预先建立的高低不平顺预测模型。
根据本文实施例的一个方面,对所述车辆运行数据进行逆序处理包括:设置每相邻L+1个时间间隔的车辆运行数据为一数据组;将每一数据组进行倒序处理。
根据本文实施例的一个方面,对所述车辆运行数据执行趋势项滤除包括:利用最小二乘拟合、小波分解、凸优化、平滑先验、变分模态分解、傅里叶变换中的至少一种方法确定所述车辆运行数据的趋势项,滤除所述趋势项。
根据本文实施例的一个方面,根据所述样本数据集,训练高低不平顺预测模型中的参数后,还包括:利用所述参数已定的高低不平顺预测模型识别测试样本中的车辆运行数据;根据测试样本中车辆运行数据的预测结果,计算评价指标,其中,所述评价指标为平均绝对误差、均方根误差、希尔不等系数、相关系数至少其中之一;判断所述评价指标是否满足预设条件,若不满足,则调整所述高低不平顺预测模型的结构。
本文实施例还提供了一种轨道高低不平顺预测装置,包括:车辆运行数据获取模块,用于获取车辆运行数据,所述车辆运行数据包括车辆加速度及车辆速度;
确定模块,用于将所述车辆运行数据输入至预先建立的高低不平顺预测模型,获取高低不平顺数据,所述高低不平顺预测模型包括注意力网络、卷积神经网络及循环神经网络,所述注意力网络用于确定所述车辆运行数据的关注权重,所述卷积神经网络用于确定所述关注权重的车辆运行数据的波形特征;所述循环神经网络用于根据所述波形特征,确定高低不平顺数据。
本文实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的方法。
本文实施例还提供了一种计算机可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现上述的方法。
本方案的轨道高低不平顺预测方法和装置,可以实时预估不同铁路线路、不同轨下基础的轨道长波高低和中波高低,并且对桥梁地段和地基地段均有较好的预测效果。有效预测由简支梁跨度、轨道板长度等引起的周期性不平顺,从而快速实时获悉轨道不平顺状态,为调整轨道设备、调整列车运行提供了安全支撑,节省人力物力成本,提高作业效率,提高了列车运行的安全性。
附图说明
为了更清楚地说明本文实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本文的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1所示为本文实施例一种轨道高低不平顺预测方法的流程图;
图2所示为本文实施例一种高低不平顺预测模型的训练方法流程图;
图3所示为本文实施例一种高低不平顺预测模型训练方法的流程图;
图4所示为本文实施例一种调整高低不平顺预测模型结构的方法流程图;
图5所示为本文实施例一种注意力网络的结构示意图;
图6所示为本文实施例一种卷积神经网络的结构示意图;
图7所示为本文实施例一种门限循环单元的结构示意图;
图8所示为所示为本文实施例一种高低不平顺预测装置的结构示意图;
图9所示为本文实施例高低不平顺预测装置的具体结构示意图;
图10所示为本文实施例一种高低不平顺预测模型的结构示意图;
图11所示为本文实施例一种计算机设备的结构示意图。
附图符号说明:
801、车辆运行数据获取单元;
8011、车辆加速度获取模块;
8012、车辆速度获取模块;
802、高低不平顺预测数据获取单元;
8021、高低不平顺预测模型训练模块;
8022、数据预处理模块;
8023、模型调整模块;
1102、计算机设备;
1104、处理器;
1106、存储器;
1108、驱动机构;
1110、输入/输出模块;
1112、输入设备;
1114、输出设备;
1116、呈现设备;
1118、图形用户接口;
1120、网络接口;
1122、通信链路;
1124、通信总线。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本文实施例中的附图,对本文实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本文一部分实施例,而不是全部的实施例。基于本文中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本文保护的范围。
需要说明的是,本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的***或装置产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行。
需要说明的是,本文的轨道不平顺预测方法可用于交通运输领域,本文对轨道不平顺预测方法及装置的应用领域不做限定。
如图1所示为本文实施例一种轨道高低不平顺预测方法的流程图,其中具体包括如下步骤:
步骤101,获取车辆运行数据,所述车辆运行数据包括车辆加速度及车辆速度。在本步骤中,车辆运行数据包括车辆加速度和车辆运行速度。其中,车辆加速度包括车辆横向加速度(LVBA,Lateral Vehicle Body Acceleration)和车辆垂向加速度(VVBA,VerticalVehicle Body Acceleration)。其中,车辆加速度、车辆速度可以视作与里程序列数据对应的空间序列数据,与轨道几何不平顺相关。在本步骤中,可以通过安装在车辆或轨旁的信号设备或传感器(例如,安装在车辆转向架上的陀螺仪或加速度计)获取车辆运行数据。并且,可以按照一定里程间隔或采样间隔采集车辆运行数据。例如,按照0.25米/次的采样间隔获取车辆加速度和车辆速度。本步骤中获取的车辆运行数据与里程数据一一对应。例如,某线路长度为10公里,按照0.25米/次的采样间隔可以获取4万个车辆运行数据(包括4万个车辆加速度和4万个车辆速度),该4万个车辆运行数据与里程数据一一对应。即,每一个里程数据对应1个车辆加速度和车辆运行速度。由此,每一个里程数据与其对应的每一车辆运行数据(包括车辆速度、车辆加速度)可以形成一个数组。该10公里线路上的里程数据和车辆运行数据可以形成4万个数组序列。
步骤102,将所述车辆运行数据输入至预先建立的高低不平顺预测模型,获取高低不平顺数据,其中,所述高低不平顺预测模型包括注意力网络、卷积神经网络及循环神经网络,所述注意力网络用于确定所述车辆运行数据的关注权重,所述卷积神经网络用于确定具有关注权重的车辆运行数据的波形特征;所述循环神经网络用于根据所述波形特征,确定高低不平顺数据。
在本步骤中,高低不平顺预测模型用于预测输入的车辆运行数据的高低不平顺数据。其中,输入的车辆运行数据可以包括轨检车运行时现场实时采集的车辆运行数据。在本说明书的一些实施例中,高低不平顺指钢轨顶面沿延长方向上的垂向凹凸不平顺。轨道不平顺是随着里程变化的随机过程,不同位置的轨道不平顺的幅值和波长可能并不相同。通常情况下,行车速度越高,轨道不平顺的波长范围越大。高低不平顺按波长分,可以分为短波高低不平顺、中波高低不平顺和长波高低不平顺。由于短波高低不平顺引起的激振频率高,对车辆加速度影响不大,因此本申请忽略较小波长的轨道不平顺对车辆加速度的影响,本申请主要关注长波高低不平顺和中波高低不平顺,因此以长波高低不平顺和中波高低不平顺为例进行讨论。在本说明书的一些实施例中,设定长波高低不平顺为是波长在70米至120米之间的高低不平顺,中波高低不平顺可以是波长在42米至70米之间的高低不平顺。具体的,长波高低不平顺和中波高低不平顺的波长范围可以根据具体应用场景中列车运行速度的变化而调整,本申请在此不作限定。
在本说明书的一些实施例中,高低不平顺预测模型包括注意力网络、卷积神经网络和循环神经网络。其中,注意力网络用于输入车辆运行数据,使模型自动学***顺贡献较大的输入数据,注意力网络的后端为卷积神经网络和循环神经网络的组合,分别用于学***顺预测模型的结构可见图10。
如图2所示为本文实施例一种高低不平顺预测模型的训练方法流程图。具体包括:
步骤201,确定车辆运行数据的样本数据集,所述样本数据集包括车辆历史加速度和车辆历史速度及对应的历史高低不平顺数据。
在本步骤中,样本数据集中的车辆历史加速度为历史轨道检测试验中获取的车辆加速度,车辆历史速度为历史轨道检测试验中获取的车辆速度,历史高低不平顺数据为历史试验中车辆历史速度、车辆历史加速度对应的历史高低不平顺数据。例如,样本数据集为2021年12月京沪线某10公里检测段获取的车辆速度、车辆加速度及分别对应的高低不平顺数据。其中,样本数据集中的样本数据可以来自于不同线路、不同轨下基础的一次或多次训练及测试。
步骤202,根据所述样本数据集,训练高低不平顺预测模型中的参数。在本步骤中,根据车辆历史加速度、车辆历史速度及对应的历史高低不平顺数据,训练高低不平顺预测模型中的注意力网络、卷积神经网络及循环神经网络的参数,完成高低不平顺预测模型的训练。在本说明书的一些实施例中,注意力网络包括但不限于注意力机制和自注意力机制,卷积神经网络包括但不限于CNN神经网络,循环神经网络包括但不限于门限循环单元(GRU,Gated Recurrent Unit)和LSTM长短期记忆(LSTM,Long Short-Term Memory)。本步骤中关于注意力网络、卷积神经网络、循环神经网络的具体描述详见图5至图7。
图3所示为本文实施例一种高低不平顺预测模型训练方法的流程图,具体包括:
步骤301,确定高低不平顺预测模型中的注意力网络、卷积神经网络、循环神经网络的初始参数。在本步骤中,可以使用常规的注意力网络、卷积神经网络和循环神经网络组成初始高低不平顺预测模型。高低不平顺预测模型中的注意力网络、卷积神经网络、循环神经网络的初始参数即为注意力网络、卷积神经网络、循环神经网络分别初始规定的参数。具体参数包括但不限于:网络结构、网络层数、每一层网络的权重及偏移量等。例如,高低不平顺预测模型中的注意力网络的参数为:层数为2层,第一层的权重为W1,第二层的权重为W2;又例如,高低不平顺预测模型中的卷积神经网络的参数为:曾是为3层,第一层的偏移量为b1,第二层的偏移量为b2,第三层的偏移量为b3。本申请中的高低不平顺预测模型中的各个模型的初始参数可以有其他任意变形,本申请在此不作限定。
步骤302,将所述样本数据集输入至所述高低不平顺预测模型中,获取高低不平顺预测数据。将样本数据集中的车辆历史加速度、车辆历史速度及对应的历史高低不平顺数据输入至高低不平顺预测模型,可以获取预测的与输入的每一样本数据一一对的高低不平顺数据。该预测得到的高低不平顺数据可能与实际高低不平顺数据存在一定差距,因此,需要进一步训练高低不平顺预测模型。
步骤303,根据所述高低不平顺预测数据与历史高低不平顺数据构建损失函数。在本步骤中,损失函数表示预测得到的高低不平顺数据与历史实际获取得到的高低不平顺数据的差异。根据预测得到的高低不平顺数据与历史实际获取得到的高低不平顺数据的差值构建损失函数。在本说明书的一些实施例中,损失函数包括但不限于均方误差损失函数、交叉熵损失函数、指数损失函数等。
步骤304,利用所述损失函数训练所述预先建立的高低不平顺预测模型中各网络的参数。损失函数用于计算步骤302中得到的高低不平顺预测数据与历史高低不平顺预测数据的差值。当差值不满足预先设定的差值范围时,不断调整高低不平顺预测模型中各个网络的参数,进一步继续训练高低不平顺预测模型,直到损失函数的值小于一定范围,确定训练好的高低不平顺预测模型。具体的,在模型训练过程中,当损失函数的差值不满足预定的差值范围时,通过不断优化模型中各个网络每一层之间的权重和偏移量来最小化损失函数。在一些实施例中,还可以通过对训练的模型进行超参数优化。具体的,所述超参数可以包括学习率、迭代次数、批次大小等参数。其中,学习率指在优化算法中更新网络权重的幅度大小,迭代次数指整个训练集样本输入神经网络进行训练的次数,批次大小是每一次训练神经网络送入模型的样本的数量。
在本说明书的一些实施例中,在获取车辆运行数据之后,还包括:对所述车辆运行数据执行数据预处理,其中,所述数据预处理至少包括:趋势项滤除、数据标准化、逆序处理;将所述车辆运行数据输入至预先建立的高低不平顺预测模型进一步为将预处理后得到的车辆运行数据输入至预先建立的高低不平顺预测模型。
在本说明书的一些实施例中,这对不同的车辆运行数据差异较大的现象,为了提升高低不平顺预测模型的收敛速度,可以采用最大-最小值标准化,将样本数据集中的车辆运行数据按照一定关系约束到0至1的范围内。具体可以由如下公式处理:
式中:x为样本数据集中的车辆运行数据,xnorm为标准化后的数据,xmax和xmin分别为样本数据集中的车辆运行数据的最大值和最小值。
在本说明书的一些实施例中,对车辆运行数据进行逆序处理包括:设置每相邻L+1个时间间隔的车辆运行数据为一数据组;将每一数据组进行倒序处理。在本说明书的一些实施例中,轨道高低不平顺与车辆加速度在时间域上不同步。车辆加速度取决于某一时刻的轨道高低不平顺和过去时刻的轨道高低不平顺。因此,对车辆运行数据(例如,车辆加速度)在时间域上的顺序进行颠倒,可以捕捉到输入输出的因果关系。
具体的,将输入数据以向量X表示。输入数据为车辆垂向加速度、车辆横向加速度和车辆速度,分别以其中,可以设定当i为1时,X1可以表示车辆垂向加速度,当i为2时,X2可以表示车辆横向加速,当i为3时,X3可以表示车辆速度,t表示当前时刻,L表示预先设定的时间间隔。其中,每一个输入向量中包括多个数组,每一个数组中包含L+1个时刻对应的数据。对应的,输出数据由Y表示,j表示向量Y的2个维度,分别为中波高低不平顺和长波高低不平顺。将输入的车辆横向加速度、车辆垂向加速度和车辆速度数据与输出的高低不平顺数据按照一定步长进行滑动,可以预测出整条线路的高低不平顺。例如,设置L为5。则输入向量为车辆垂向加速度:表示车辆垂向加速度中包括多个数组。其中第一个数组为某一t时刻的车辆垂向加速度、该t时刻后的第1个时刻的垂向加速度……、该t时刻后的第5个车辆垂向加速度。其中第二个数组为某一t+1时刻的车辆垂向加速度、该t+1时刻后的第1个时刻的车辆垂向加速度……该t+1时刻后的第5个车辆垂向加速度。输入向量为车辆横向加速度: 表示车辆横向加速度中包括某一时刻t的车辆垂向加速度、该t时刻后的第1个时刻的垂向加速度……、该t时刻后的第5个车辆垂向加速度。该时刻在本申请中,L的具体数值可以预先由***设定,也可以根据线路情况、预测情况实时调整。
如上文所述,将里程数据处理为里程序列,线路上的每一个车辆垂向加速度、车辆横向加速度和车辆速度可以与里程序列一一对应。将一定长度范围内的车辆运行数据及通过高低不平顺预测模型预测得到的高低不平顺预测数据组成多个序列数据,可以作为整条线路的高低不平顺。按照里程序列将沿线路每隔0.25米采集的车辆运行数据对应输出的高低不平顺幅值连接成波形曲线,可以获取轨道高低不平顺的曲线波形图。
在本说明书的一些实施例中,对车辆运行数据执行趋势项滤除包括:利用最小二乘拟合、小波分解、凸优化、平滑先验、变分模态分解、傅里叶变换中的至少一种方法确定所述车辆运行数据的趋势项;滤除所述趋势项。在本说明书的一些实施例中,步骤101中采集到的车辆运行数据可能因为车辆传感器频率范围外低频性能的不稳定及传感器周围环境的干扰,可能会发生采集到的数据偏离基线的情况。进一步的,采集到的车辆运行数据偏离基线的程度可能随时间发生变化。在本说明书的一些实施例中,需要对车辆运行数据偏离基线随时间变化的过程中对采集数据的正确性产生影响的部分进行滤除,即为,趋势项滤除。可以进一步对时域上采集到的信号进行提纯,获得较为准确的车辆运行数据。在本说明书的一些实施例中,可以使用最小二乘法拟合、小波分解、凸优化、平滑先验、变分模态分解、傅里叶变换中的至少一个对所述车辆运行数据的趋势项进行滤除,得到提纯处理后的车辆速度、车辆横向加速度和车辆垂向加速度。
如图4所示为本文实施例一种调整高低不平顺预测模型结构的方法流程图。具体包括如下步骤:
步骤401,利用参数已定的高低不平顺预测模型识别测试样本中的车辆运行数据。在本步骤中,测试样本为实际进行模型应用时选择的数据样本,测试样本包括车辆测试速度、车辆测试横向加速度及车辆测试垂向加速度。使用训练好的高低不平顺预测模型识别测试样本中的车辆运行数据,可以得到测试样本对应的高低不平顺预测结果。
步骤402,根据测试样本中车辆运行数据的测试结果,计算评价指标。其中,所述评价指标为平均绝对误差、均方根误差、希尔不等系数、相关系数其中至少之一。在本步骤中,将测试样本输入至车辆运行数据后得到的测试结果为测试样本对应的高低不平顺数据。本步骤使用一个或多个评价指标评价模型输出的高低不平顺数据的准确度。例如,若高低不平顺预测模型输出的是高低不平顺数据,可以使用平均绝对误差和均方根误差来判断输出的高低不平顺数据的正确率。即,分类正确的数据数量与总输出数据数量的比例。
步骤403,判断所述评价指标是否满足预设条件,若不满足,则调整所述高低不平顺预测模型中的结构。在本步骤中,对应于一个或多个评价指标,本步骤中具有一个或多个预设条件。例如,预设条件为分类结果正确率大于一定阈值或分类结果错误率小于等于一定阈值等。当评价指标满足预设正确率的阈值条件,则不调整高低不平顺预测模型;当评价指标不满足预设正确率的阈值条件,则调整高低不平顺预测模型中的注意力网络、卷积神经网络或循环神经网络的网络结构或参数。
图5所示为本文实施例一种注意力网络的结构示意图。注意力网络根据输入的车辆运行数据对输出数据的重要性或贡献程度的大小,学***顺的相关性最大,或,车辆垂向加速度对高低不平顺的重要性最大,因此,注意力网络经过学***顺贡献最大的车辆横向加速度这一参数。
假设用向量X1,X2,X3分别表示车辆运行数据中的车辆垂向加速度、车辆横向加速度和车辆速度。那么第1层注意力:
α1=[α11,α12,α13]=Softmax(XW1 T)
s1=[s11,s12,s13]=Multiply(Xα1 T)=[X1α11,X2α12,X3α13]
第2层注意力为:
α2=[α21,α22,α23]=Softmax(s1W2 T)
s2=[s21,s22,s23]=Multiply(s1α2 T)=[X1α11α21,X2α12α22,X3α13α23]
上述各式中:W1,W2表示注意力网络待学习的权重矩阵;α1,α2表示注意力网络自动学习的注意力权重向量;Multiply表示矩阵或向量对应元素相乘;s1,s2表示Multiply操作的输出。在本申请中,注意力机网络的层数和具体结构可以是其他任意形数量,本申请对此不作限定。
图6所示为本文实施例一种卷积神经网络的结构示意图。如图所示,卷积神经网络主要包括一维卷积层与一维池化层。卷积神经网络以图5中的注意力网络的输出[X1α11X21,X2α12α22,X3α13α23]作为输入,使得卷积神经网络可以有效提取车辆加速度和车辆速度的波形特征。其中,波形特征包含在局部的车辆加速度和车辆速度波形中,并且与轨道高低不平顺相关。由于高速车辆的振动通常对轨道高低不平顺的多波长分量较为敏感,因此,使用堆叠卷积层来平衡并提取车辆加速度的波形特征。在本说明书的一些实施例中,设置卷积神经网络CNN为2层卷积层(Conv1D),卷积核数目依次为16、32,卷积核大小为1×5,步长为1,零填充。其中,卷积层的输出采用Tanh激活函数增加网络的非线性表达能力。在池化层(MaxPoolin1D)中,采用与卷积层交替的2层最大池化,池大小为1×2,步长为2,通过卷积层中的特征映射使用最大池化以提取最显著特征和减小输出维度大小。经过连续2次交替卷积和最大池化操作,挖掘出数据之间的相互关联并从中剔除噪声和不稳定成分,将处理后相对稳定的信息作为整体传入循环神经网络进一步学***顺。
图7所示为本文实施例一种门限循环单元的结构示意图。其中,GRU网络的信息传播由以下公式表示:
rt=σ(Wrxxt+Wrhht-1)
zt=σ(Wzxxt+Wzhht-1)
其中,xt为当前时刻的输入值,W为权重矩阵,为点乘,σ为sigmoid函数,tanh为双曲正切函数,rt为控制重置的门控,即为重置门;zt为控制更新的门控,即为更新门;ht为当前时刻的输出值,包含上一个时刻的输出值ht-1和记忆了当前时刻的状态值其中,σ函数可以将数据变换为0-1之间的数值,从而充当门控信号;tanh激活函数将数据变换为-1至1之间的数值,Wrx表示输入值xt与重置门之间的权重;Wrh表示重置门与上一个时刻的输出值ht-1之间的权重;Wzx表示输入值xt与更新门之间的权重;Wzh表示更新门与上一个时刻的输出值ht-1之间的权重;表示输入值xt与记忆了当前时刻的状态值之间的权重;表示记忆了当前时刻的状态值与上一个时刻的输出值ht-1之间的权重。
门限循环单元的输入为当前时刻的输入xt及上一个时刻的输出值ht。门限循环控制单元中主要包括更新门和重置门。更新门zt用于控制前一时刻的状态信息被带入到当前状态中的程度,更新门的值越大,表示前一时刻的状态信息带入越多。重置门rt用于控制忽略前一时刻的状态信息的程度。由于堆叠的门限循环控制单元可以学***的序列特征,因此可以建立单层或多层门限循环控制网络。其中,每一层门限循环控制单元均具有一定的神经元个数。在本说明书的一些实施例中,建立2层GRU(如图7所示)。2层GRU神经元个数依次为64、128。GRU中的激活函数包括但不限于:Tanh、ReLu、Leaky ReLu等。另外,为了防止GRU模型过拟合,可以对每层GRU采用随机失活(Dropout)的方法,并将Dropout设置合适的比率,例如,设置Dropout的比率为0.2。在本说明书的一些实施例中,在门限循环控制单元之后设置全连接层,最终输出轨道高低不平顺数据,即为,与里程数据一一对应的轨道高低不平顺的序列。
如图8所示为本文实施例一种高低不平顺预测装置的结构示意图,在本图中描述了高低不平顺预测装置的基本结构,其中的功能单元、模块可以采用软件方式实现,也可以采用通用芯片或者特定芯片实现,所述的功能单元、模块一部分或者全部可以在静态检测、动态检测硬件上,或者其中的一部分也可以在静态检测、动态检测硬件上,实现高低不平顺预测,该装置具体包括:
车辆运行数据获取单元801,用于获取车辆运行数据,所述车辆运行数据包括车辆加速度及车辆速度;
高低不平顺预测数据获取单元802,用于将所述车辆运行数据输入至预先建立的高低不平顺预测模型,获取高低不平顺数据,所述高低不平顺预测模型包括注意力网络、卷积神经网络及循环神经网络,所述注意力网络用于确定所述车辆运行数据的关注权重,所述卷积神经网络用于确定具有关注权重的车辆运行数据的波形特征;所述循环神经网络用于根据所述波形特征,确定高低不平顺数据。
本方案可以实时预估不同铁路线路、不同轨下基础的轨道长波高低和中波高低,并且对桥梁地段和地基地段均有较好的预测效果。有效预测由简支梁跨度、轨道板长度等引起的周期性不平顺,从而快速实时获悉轨道不平顺状态,为调整轨道设备、调整列车运行提供了安全支撑,节省人力物力成本,提高作业效率,提高了列车运行的安全性。
作为本文的一个实施例,还可以参考如图9所示为本文实施例高低不平顺预测装置的具体结构示意图。
作为本文的一个实施例,所述车辆运行数据获取单元801进一步包括:获取车辆加速度和车辆速度。因此,车辆运行数据获取单元801进一步包括:
车辆加速度获取模块8011,用于获取车辆横向加速度和车辆垂向加速度;
车辆速度获取模块8012,用于获取车辆运行速度。
作为本文的一个实施例,所述高低不平顺预测数据获取单元802进一步包括:训练高低不平顺预测模型、对车辆运行数据进行数据预处理、根据预测结果及评价指标对模型进行调整。因此,高低不平顺预测数据获取单元802进一步包括:
高低不平顺预测模型训练模块8021,用于根据样本数据集,训练高低不平顺预测模型;
数据预处理模块8022,用于对车辆运行数据执行数据预处理;
模型调整模块8023,用于根据模型输出的预测结果及评价指标调整高低不平顺预测模型的结构。
如图11所示,为本文实施例提供的一种计算机设备,所述计算机设备1102可以包括一个或多个处理器1104,诸如一个或多个中央处理单元(CPU),每个处理单元可以实现一个或多个硬件线程。计算机设备1102还可以包括任何存储器1106,其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的,比如,存储器1106可以包括以下任一项或多种组合:任何类型的RAM,任何类型的ROM,闪存设备,硬盘,光盘等。更一般地,任何存储器都可以使用任何技术来存储信息。进一步地,任何存储器可以提供信息的易失性或非易失性保留。进一步地,任何存储器可以表示计算机设备1102的固定或可移除部件。在一种情况下,当处理器1104执行被存储在任何存储器或存储器的组合中的相关联的指令时,计算机设备1102可以执行相关联指令的任一操作。计算机设备1102还包括用于与任何存储器交互的一个或多个驱动机构1108,诸如硬盘驱动机构、光盘驱动机构等。
计算机设备1102还可以包括输入/输出模块1110(I/O),其用于接收各种输入(经由输入设备1112)和用于提供各种输出(经由输出设备1114)。一个具体输出机构可以包括呈现设备1116和相关联的图形用户接口(GUI)1118。在其他实施例中,还可以不包括输入/输出模块1110(I/O)、输入设备1112以及输出设备1114,仅作为网络中的一台计算机设备。计算机设备1102还可以包括一个或多个网络接口1120,其用于经由一个或多个通信链路1122与其他设备交换数据。一个或多个通信总线1124将上文所描述的部件耦合在一起。
通信链路1122可以以任何方式实现,例如,通过局域网、广域网(例如,因特网)、点对点连接等、或其任何组合。通信链路1122可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
对应于图1至图4中的方法,本文实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法的步骤。
本文实施例还提供一种计算机可读指令,其中当处理器执行所述指令时,其中的程序使得处理器执行如图1至图4所示的方法。
应理解,在本文的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本文实施例的实施过程构成任何限定。
还应理解,在本文实施例中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本文所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
另外,在本文各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本文的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本文中应用了具体实施例对本文的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本文的方法及其核心思想;同时,对于本领域的一般技术人员,依据本文的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本文的限制。
Claims (10)
1.一种轨道高低不平顺预测方法,其特征在于,所述方法包括:
获取车辆运行数据,所述车辆运行数据包括车辆加速度及车辆速度;
将所述车辆运行数据输入至预先建立的高低不平顺预测模型,获取高低不平顺数据;
其中,所述高低不平顺预测模型包括注意力网络、卷积神经网络及循环神经网络;
所述注意力网络用于确定所述车辆运行数据的关注权重;
所述卷积神经网络用于确定具有关注权重的车辆运行数据的波形特征;
所述循环神经网络用于根据所述波形特征,确定高低不平顺数据。
2.根据权利要求1所述的轨道高低不平顺预测方法,其特征在于,所述高低不平顺预测模型训练过程包括:
确定所述车辆运行数据的样本数据集,所述样本数据集包括车辆历史加速度和车辆历史速度及对应的历史高低不平顺数据;
根据所述样本数据集,训练高低不平顺预测模型中的参数。
3.根据权利要求2所述的轨道高低不平顺预测方法,其特征在于,所述根据所述样本数据集,训练高低不平顺预测模型中的参数包括:
确定所述高低不平顺预测模型中的注意力网络、卷积神经网络、循环神经网络的初始参数;
将所述样本数据集输入至所述高低不平顺预测模型中,获取所述高低不平顺预测数据;
根据所述高低不平顺预测数据与所述历史高低不平顺数据构建损失函数;
利用所述损失函数训练所述预先建立的所述高低不平顺预测模型中各网络的参数。
4.根据权利要求1所述的轨道高低不平顺预测方法,其特征在于,在获取车辆运行数据之后,还包括:
对所述车辆运行数据执行数据预处理,其中,所述数据预处理至少包括:趋势项滤除、数据标准化、逆序处理。
5.根据权利要求4所述的轨道高低不平顺预测方法,其特征在于,对所述车辆运行数据进行逆序处理包括:
设置每相邻L+1个时间间隔的车辆运行数据为一数据组;
将每一数据组进行倒序处理。
6.根据权利要求4所述的轨道高低不平顺预测方法,其特征在于,对所述车辆运行数据执行趋势项滤除包括:
利用最小二乘拟合、小波分解、凸优化、平滑先验、变分模态分解、傅里叶变换中的至少一种方法确定所述车辆运行数据的趋势项;
滤除所述趋势项。
7.根据权利要求2所述的轨道高低不平顺预测方法,其特征在于,根据所述样本数据集,训练高低不平顺预测模型中的参数后,还包括:
利用参数已定的高低不平顺预测模型识别测试样本中的车辆运行数据;
根据测试样本中车辆运行数据的预测结果,计算评价指标,其中,所述评价指标为平均绝对误差、均方根误差、希尔不等系数、相关系数至少其中之一;
判断所述评价指标是否满足预设条件,若不满足,则调整所述高低不平顺预测模型。
8.一种轨道高低不平顺预测装置,其特征在于,所述装置包括:
车辆运行数据获取单元,用于获取车辆运行数据,所述车辆运行数据包括车辆加速度及车辆速度;
高低不平顺预测数据获取单元,用于将所述车辆运行数据输入至预先建立的高低不平顺预测模型,获取高低不平顺数据;
其中,所述高低不平顺预测模型包括注意力网络、卷积神经网络及循环神经网络;
所述注意力网络用于确定所述车辆运行数据的关注权重;
所述卷积神经网络用于确定具有关注权重的车辆运行数据的波形特征;
所述循环神经网络用于根据所述波形特征,确定高低不平顺数据。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7的任意一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7的任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210056496.9A CN114386707A (zh) | 2022-01-18 | 2022-01-18 | 一种轨道高低不平顺预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210056496.9A CN114386707A (zh) | 2022-01-18 | 2022-01-18 | 一种轨道高低不平顺预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114386707A true CN114386707A (zh) | 2022-04-22 |
Family
ID=81203922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210056496.9A Pending CN114386707A (zh) | 2022-01-18 | 2022-01-18 | 一种轨道高低不平顺预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114386707A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115130244A (zh) * | 2022-07-04 | 2022-09-30 | 西南交通大学 | 轮轨***动力仿真的目标轮轨不平顺谱选取方法和装置 |
CN115600086A (zh) * | 2022-11-15 | 2023-01-13 | 西南交通大学(Cn) | 一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法 |
CN116307302A (zh) * | 2023-05-23 | 2023-06-23 | 西南交通大学 | 轨道不平顺动静态检测数据反演方法、***及存储介质 |
CN117576691A (zh) * | 2024-01-17 | 2024-02-20 | 泰安万川电器设备有限公司 | 一种基于深度学习的有轨矿车调度方法及*** |
-
2022
- 2022-01-18 CN CN202210056496.9A patent/CN114386707A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115130244A (zh) * | 2022-07-04 | 2022-09-30 | 西南交通大学 | 轮轨***动力仿真的目标轮轨不平顺谱选取方法和装置 |
CN115130244B (zh) * | 2022-07-04 | 2023-04-14 | 西南交通大学 | 轮轨***动力仿真的目标轮轨不平顺谱选取方法和装置 |
CN115600086A (zh) * | 2022-11-15 | 2023-01-13 | 西南交通大学(Cn) | 一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法 |
CN116307302A (zh) * | 2023-05-23 | 2023-06-23 | 西南交通大学 | 轨道不平顺动静态检测数据反演方法、***及存储介质 |
CN116307302B (zh) * | 2023-05-23 | 2023-07-25 | 西南交通大学 | 轨道不平顺动静态检测数据反演方法、***及存储介质 |
CN117576691A (zh) * | 2024-01-17 | 2024-02-20 | 泰安万川电器设备有限公司 | 一种基于深度学习的有轨矿车调度方法及*** |
CN117576691B (zh) * | 2024-01-17 | 2024-03-29 | 泰安万川电器设备有限公司 | 一种基于深度学习的有轨矿车调度方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114386707A (zh) | 一种轨道高低不平顺预测方法及装置 | |
CN110175434B (zh) | 一种基于卷积神经网络的铁路扣件***损伤检测方法 | |
CN110704801B (zh) | 桥梁集群结构运营安全智能监测与快速检测成套方法 | |
CN110361180B (zh) | 智能列车受电弓服役性能动态监测与评估方法及其*** | |
CN113188807B (zh) | 一种abs结果自动判定算法 | |
Story et al. | A structural impairment detection system using competitive arrays of artificial neural networks | |
CN111709549A (zh) | 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 | |
CN114563150B (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
CN111126868B (zh) | 一种道路交通事故发生风险确定方法及*** | |
Flah et al. | Localization and classification of structural damage using deep learning single-channel signal-based measurement | |
CN109544926B (zh) | 一种基于路口相关性的交通流量修复方法 | |
Cacciola et al. | Aspects about air pollution prediction on urban environment | |
CN114781538A (zh) | 一种ga-bp神经网络耦合决策树的空气质量预测方法和*** | |
Hurtado et al. | Unsupervised learning-based framework for indirect structural health monitoring using adversarial autoencoder | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN112150304A (zh) | 电网运行状态轨迹稳定性预判方法、***及存储介质 | |
CN112985830A (zh) | 一种abs结果自动判定算法 | |
CN112257914A (zh) | 一种基于随机森林的航空安全因果预测方法 | |
Sarwar et al. | Probabilistic autoencoder-based bridge damage assessment using train-induced responses | |
Le Riche et al. | Neural identification of non-linear dynamic structures | |
CN115600086B (zh) | 一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法 | |
Zhang et al. | Integrating heterogeneous data sources for traffic flow prediction through extreme learning machine | |
CN114550460B (zh) | 轨道交通异常检测方法、装置及存储介质 | |
Yuan et al. | Unsupervised cross-domain damage detection and localization for vibration isolators in metro floating-slab track | |
CN114462700A (zh) | 一种铁路轨道质量评价方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |