CN109034192A

CN109034192A - 一种基于深度学习的轨道-车体振动状态预测方法

Info

Publication number: CN109034192A
Application number: CN201810637027.XA
Authority: CN
Inventors: 滕飞; 李勇; 李天瑞
Original assignee: Southwest Jiaotong University
Current assignee: Southwest Jiaotong University
Priority date: 2018-06-20
Filing date: 2018-06-20
Publication date: 2018-12-18
Anticipated expiration: 2038-06-20
Also published as: CN109034192B

Abstract

本发明属于铁路安全运行控制技术领域，具体的说是涉及一种基于深度学习的轨道‑车体振动状态预测方法。本发明的主要步骤为：将二维的轨道不平顺数据转化成RGB图像数据以构建训练集；构建CNN网络结构；将训练集输入CNN网络，对CNN网络进行训练；将待识别的轨道不平顺数据转化成轨道不平顺图像样本，输入到训练好的CNN模型进行车体振动状态预测。本发明的有益效果是：区别于传统的基于机器学习方法的轨道‑车体振动状态预测方法，本发明有效降低了建模的复杂度；本发明方法只需提供原始轨道不平顺数据用于对CNN网络的训练，能够自动提取到有利于轨道‑车体振动状态分类任务的特征，避免了复杂的特征提取、选择过程。

Description

一种基于深度学习的轨道-车体振动状态预测方法

技术领域

本发明属于铁路安全运行控制技术领域，具体的说是涉及一种基于深度学习的轨道-车体振动状态预测方法。

背景技术

中国铁路事业快速发展，对轨道的稳定、安全和耐久性也提出了更高的要求。高铁速度的不断提升，车体和轨道之间的相互作用也更加强烈，使得车体对轨道的动力破坏也更加严重，同时轨道状态恶化又反过来威胁着列车的运行安全。因此，结合轨道几何不平顺和车体动态响应的综合轨道状态分析具有重要研究价值。

目前关于轨道-车体振动响应的分析研究，普遍是从传统的轨道-车辆耦合动力学角度出发建立耦合关系动力模型。然而由于车辆和轨道之间作用的复杂性，轨道-车辆动力学系统的精确模型复杂且难以获得，其准确性直接影响分析结果，同时由于现实情况下外界环境、车辆负载等因素十分复杂，不得不简化分析模型，因此用实测数据建立轨道-列车振动状态的分析模型就至关重要。从实测轨道不平顺数据出发建立轨道-车体响应的研究还较少，陈宪麦等使用朔黄铁路时速70KM/h-90KM/h的轨道不平顺数据构造了车体振动状态的PCA-SVM综合分类器，可以实现车体振动所处状态的预测。利用传统的机器学习方法对轨道-车体振动状态预测，需要人工进行特征提取和特征选择，其过程复杂且严重影响预测结果。

现如今深度学习在图像识别、语音识别、自然语音处理等多个领域取得了优秀的成绩。如今流行的深度学习模型有深度信念网络(Deep Belief Neural Networks，DBN)、循环神经网络(Recurrent Neural Networks，RNN)，卷积网络(Convolutional NeuralNetworks，CNN)等。CNN的历史始于神经科学实验，远早于相关计算模型的发展，神经生理学家Hubel和Wiesel研究哺乳动物视觉系统工作机制最终获得诺贝尔奖。

近年来CNN被广泛的应用于图像分类问题中。YannLecun最先将CNN用于手写数字识别并在该问题研究一直保持霸主地位。Krizhevsky在LSVRC-12竞赛中使用深度CNN模型(AlexNet)，并采用RELU+Dropout技术取得竞赛冠军。2014年Szegedy等设计了更深的CNN网络，搭建了一个22层的CNN网络(GoogleNet)，GoogleNet使用(1 1，3 3，5 5)三种卷积核的结构，对网络中的传统卷积层进行了修改，增加网络深度和宽度，提高深度神经网络性能，其参数为AlexNet的1/12。GoogleNet在SVRC-14中取得第1名，但是其只能接受固定大小的输入，同期比赛的第3名He等提出了一种SPP-net结构，其不要求固定大小因此模型训练前不需要对图片进行缩放裁剪，该模型在第一个全连接层和最后一个池化层加入了一种空间金字塔池化的结构(Spatial Pyramid Pooling，SPP)。该结构的作用是使CNN不同的输入大小产生相同的输出大小。由于其在网络加深的过程中会产生性能下降的问题，He等进一步提出残差神经网络(Deep Residual Learning，ResNet)解决了性能下降的问题。

不仅仅是在图像识别领域，CNN在其他多个领域如图像跟踪、图像语义分割、自然语言处理等都有广泛的应用。王勇等针对传统基于机器学习的流量分类方法中特征选取环节的好坏会直接影响结果精度的问题，提出一种基于CNN的流量分类算法，通过公开数据集和实际数据集的系列仿真实验测试结果表明，与传统分类方法相比该算法基于改进的CNN流量分类方法不仅提高了流量分类的精度，而且减少了分类所用的时间。李丽双等提出一种基于CNN-BLSTM-CRF的神经网络模型。该模型利用CNN训练出具有形态特征的字符级向量，再构建适合生物医学命名实体识别的BLSTM-CRF深层神经网络模型，实验结果表明，不依赖任何人工特征在两个生物预料上达到了目前最好识别结果。Xu等提出了一种基于自学习CNN框架的短文本聚类方法，该方法通过无监督的学习方式，可灵活运用语义特征和学习无偏的深度文本特征。

通过以上研究课题分析表明CNN处理网格数据(图像是二维网格数据)具有强大的优势。轨道不平顺数据包括水平、高低等多项测量指标，其在空间上展开也是网格数据，因此借助CNN的表征能力自动提取轨道不平顺特征，用于轨道不平顺到车体振动状态的分类预测。

发明内容

本发明所要解决的，就是针对传统机器学习预测方法特征提取、特征选择过程复杂且其严重影响预测结果的问题，借助深度学习方法自动提取特征简化建模过程，提出了一种基于深度学习的轨道-车体振动状态预测方法。

本发明采用的技术方案是：

一种基于深度学习的轨道-车体振动状态预测方法，包括如下步骤：

步骤1：将二维的轨道不平顺数据转化成RGB图像数据以构建训练集。

步骤1.1：提取不平顺数据中车体振动垂直加速度，计算车体振动的垂直加速绝对均值x_(i)的均值μ，标准差σ。

步骤1.2：对轨道不平顺数据划分单元构造原始训练样本，本发明以15米为一个研究单元，对每个轨道单元的左高低、左轨向、右高低、右轨向、超高、曲率、轨距、三角坑和速度这9项不平顺数据提取特征，根据轨道单元垂直加速度的绝对均值将车体振动状态划分等级当作标签(预测目标)，具体划分过程包括如下步骤：

1)对轨道不平顺数据划分单元得到轨道单元特征矩阵，将轨道不平顺的9项数据划分成15米(轨检车每米采集4个数据点)的单元，最得到9行60列的特征矩阵。

2)标签设置：计算每个轨道单元的车体振动状态：本发明使用σ，2σ和3σ为阈值，根据每个区段的垂直加速的绝对均值的大小，将车体振动状态划分成4个等级(优，良，中，差)作为标签。

步骤1.3：将原始训练样本转化成图像训练样本即将每个轨道单元的特征矩阵转化成RGB图像，具体步骤如下：

1)利用Python中的PIL库将9行60列的矩阵转换成RGB颜色空间的彩色图像，图像存储格式为[M，N，3]，表示图像为3个通道，每个通道M×N像素。

2)利用PIL库的resize方法将轨道不平顺图像数据每个通道缩小到32×32像素。

3)对轨道不平顺图像进行标准化，标准化公式如下：

其中X为图像矩阵，u为训练集图像像素的均值，δ为标准差。

步骤2：构建的CNN网络结构如图2所示：

1)输入层：32×32像素的轨道不平顺图像样本。

2)中间结构包括：卷积层，Dropout层，卷积层，降采样层，卷积层，卷积层，卷积层，Dropout层，卷积层，卷积层，卷积层，将采样层，全连接层；共8个卷积层(卷积大小是5×5，卷积过程每次移动1个像素，激活函数为：RELU)，2个将采样层(MaxPooling，大小为2×2)和2个Dropout层(参数值都为0.5)，1个全连接层(4个节点)；为保存图像的边缘信息，每次卷积在当前层矩阵的边界加入全0填充，使卷积前后的图像尺寸保持相同。

3)输出层：多分类softmax分类器。

步骤3：将训练集输入CNN网络，对神经网络参数进行训练，以每批128个样本进行训练，标签使用交叉熵损失函数计算损失进行反向传播，通过Adam优化器优化学习率，训练模型直到达到预设迭代次数。

步骤4：将待识别的轨道不平顺数据转化成轨道不平顺图像样本，输入到训练好的CNN模型进行车体振动状态预测。

本发明的有益效果是：

区别于传统的基于机器学习方法的轨道-车体振动状态预测方法，本发明有效降低了建模的复杂度。

本发明方法只需提供原始轨道不平顺数据用于对CNN网络的训练，能够自动提取到有利于轨道-车体振动状态分类任务的特征，避免了复杂的特征提取、选择过程。

本发明方法通过对CNN网络结构参数优化，能够在保证预测精度的前提下提升预测效率，具有较高的实用性。

附图说明

图1是轨道不平顺数据图像表示结果图；

图2是CNN网络结构图。

具体实施方式

在发明内容部分已经对本发明的技术方案进行了详细描述，在此不再赘述。

Claims

1.一种基于深度学习的轨道-车体振动状态预测方法，其特征在于，包括如下步骤：

S1、将二维的轨道不平顺数据转化成RGB图像数据以构建训练集；

S2、构建CNN网络结构；

S3、将训练集输入CNN网络，对CNN网络进行训练；

S4、将待识别的轨道不平顺数据转化成轨道不平顺图像样本，输入到训练好的CNN模型进行车体振动状态预测。

2.根据权利1所述的基于深度学习的轨道-车体振动状态预测方法，其特征在于，所述步骤S1的具体方法为：

S11、提取不平顺数据中车体振动垂直加速度，并计算垂直加速度绝对均值的均值μ，标准差σ；

S12、对轨道不平顺数据划分单元构造原始训练样本，对每个轨道单元的左高低、左轨向、右高低、右轨向、超高、曲率、轨距、三角坑和速度这9项不平顺数据提取特征，根据轨道单元垂直加速度的绝对均值将车体振动状态划分等级当作标签；

S13、将原始训练样本转化成图像训练样本，即将每个轨道单元的特征矩阵转化成RGB图像。

3.根据权利2所述的基于深度学习的轨道-车体振动状态预测方法，其特征在于，所述步骤S12的具体方法为：

S121、对轨道不平顺数据划分单元得到轨道单元特征矩阵X_r×c，其中r为矩阵行数表示待提取特征的轨道不平顺指标数量，c为矩阵列数表示轨道不平顺数据在空间上采样的点数；将轨道不平顺的9项数据划分成15米的单元，并设定轨检车每米采集4个数据点，得到9行60列的特征矩阵X_9×60；

S122、标签设置：计算每个轨道单元的车体振动状态：以σ，2σ和3σ为阈值，根据每个区段的垂直加速的绝对均值的大小，将车体振动状态划分成4个等级作为标签。

4.根据权利3所述的基于深度学习的轨道-车体振动状态预测方法，其特征在于，所述步骤S13的具体方法为：

S131、利用Python中的PIL库将轨道单元特征矩阵X_r×c转换成RGB颜色空间的彩色图像，图像存储格式为[M，N，3]，表示图像为3个通道，每个通道M×N像素；

S132、利用PIL库的resize方法将轨道不平顺图像数据每个通道缩小到32×32像素；

S133、对轨道不平顺图像进行标准化，标准化公式如下：

其中X为图像矩阵，u为训练集图像像素的均值，δ为标准差。

5.根据权利1-4任意一项所述的基于深度学习的轨道-车体振动状态预测方法，其特征在于，步骤S2所述的CNN网络结构具体包括：

输入层：32×32像素的轨道不平顺图像样本作为输入；

中间层包括：卷积层，Dropout层，卷积层，降采样层，卷积层，卷积层，卷积层，Dropout层，卷积层，卷积层，卷积层，将采样层，全连接层；卷积大小是5×5，卷积过程每次移动1个像素，激活函数为：RELU，将采样层大小为2×2，Dropout层参数值为0.5，全连接层包含4个节点；为保存图像的边缘信息，每次卷积在当前层矩阵的边界加入全0填充，使卷积前后的图像尺寸保持相同；

输出层：多分类softmax分类器。

6.根据权利5所述的基于深度学习的轨道-车体振动状态预测方法，其特征在于，所述步骤S3的具体方法为：以每批128个样本进行训练，标签使用交叉熵损失函数计算损失进行反向传播，通过Adam优化器优化学习率，训练模型直到达到预设迭代次数。