CN110784228B

CN110784228B - 一种基于lstm模型的地铁结构振动信号的压缩方法

Info

Publication number: CN110784228B
Application number: CN201911013277.7A
Authority: CN
Inventors: 李盛; 王杰; 刘芳; 甘维兵; 王洪海; 杨燕; 岳丽娜; 王立新
Original assignee: Wuhan University of Technology WUT
Current assignee: Wuhan University of Technology WUT
Priority date: 2019-10-23
Filing date: 2019-10-23
Publication date: 2023-07-25
Anticipated expiration: 2039-10-23
Also published as: CN110784228A

Abstract

本发明公开了一种基于LSTM模型的地铁结构振动信号的压缩方法，包括以下步骤：S1)通过隧道结构及道床上设置的传感器采集原始振动信号，得到来车信号的原始波形；S2)对原始波形信号进行信号预处理，所述信号预处理包括滤波处理、升维处理和归一化；S3)设计LSTM模型，对信号提取初步特征，初步特征的初值为接近零的极小数；S4)设计LSTM_CTC模型，用梯度下降法优化LSTM模型提取的特征，使特征能够表达出原始信号的信号趋势；S5)采用游程编码对步骤S4)优化后的特征进行压缩编码。使用本发明方法对数据压缩后再查看数据变换趋势，不仅速度快，准确，而且资源占用少。

Description

一种基于LSTM模型的地铁结构振动信号的压缩方法

技术领域

本发明涉及地铁智能监测技术，尤其涉及一种基于LSTM模型的地铁结构振动信号的压缩方法。

背景技术

近年来，武汉轨道交通工程建设高速发展，地铁运营线路由单线变成多线并已形成网络。地铁已成为城市人口重要运载体，极大缓解了城市地面交通压力。地铁隧道在建设和运营过程中，很多因素如地质条件、地下水、地面建筑物开发及隧道自身负荷能力等，都将会对隧道结构产生影响，进而危及地铁运营安全。地铁运营一旦发生安全事故，造成的财产损失将是不可估量的。因此，对环境和列车荷载激励下的地铁钢轨、道床、隧洞管片等结构响应进行监测，及时甄别处置可能诱发地铁安全运行的各类危害影响，对保障地铁沿程线路的结构安全意义重大。

基于振动测试分析结构的工作状态一直以来都是工程中应用最广泛，实现最便捷的结构状态评价方法。阵列光栅传感技术由于传输光信号，本征安全，信号不受地铁轨道交通运营过程中产生的电磁干扰。此外，分布式探测的方式易于构建测点规模大的传感网，满足多站点、长线路轨道交通结构全时全域覆盖的监测需求。但随着地铁关注安全区间的延长，钢轨、道床、隧洞管片等关注监测对象的增加，采样频率的需求提升，以及监测时间的累积，分布式振动信号不可避免将产生海量监测数据。不对此类原始采样信号进行处理，无疑将增加数据采集、传输、存储的负担和复杂性，提高数据传输的硬件配置要求，降低数据分析的工作效率。因此，针对以上存在的问题，有必要设计一种面向地铁结构振动监测数据的压缩方法。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于LSTM模型的地铁结构振动信号的压缩方法。

本发明解决其技术问题所采用的技术方案是：一种基于LSTM模型的地铁结构振动信号的压缩方法，包括以下步骤：

S1)通过隧道结构及道床上设置的阵列光栅传感光缆采集原始振动信号，得到来车信号的原始波形；

S2)对原始波形信号进行信号预处理，所述信号预处理包括滤波处理、升维处理和归一化；

S3)设计LSTM模型，对信号提取初步特征，初步特征为接近零的极小数。

S4)设计LSTM_CTC(连接时间分类)模型，用梯度下降法优化LSTM模型提取的特征，使特征能够表达出原始信号的信号趋势；

S5)采用游程编码对步骤4)优化后的特征进行压缩编码传输。

按上述方案，所述步骤S1)的具体方法为：

基于阵列光栅分布式振动检测技术，沿着地铁隧道洞壁及道床铺设监测光缆，监测隧道结构及道床的振动信息。

按上述方案，所述步骤S2)处理的具体步骤为：

S21)对一段时间内数据累积得到的数据进行滤波去掉原始信号中噪声引起的时域波形漂移现象；滤波后数据记为式中，S表示测区，n表示该测区的样本点数；

S22)基于压缩比例i:1对按以下公式(1)升维：

其中，T数值上等于n除i的余数，具体升维过程即将n个数整型为T行的数组。

S23)采用式(2)对进行归一化处理；

其中，S(x)表示归一化后的数据，x表示输入的数据。

按上述方案，所述步骤S3)通过LSTM模型对信号提取特征。

按上述方案，所述步骤S3)LSTM模型的构建方法如下：

S31)通过构建LSTM的cell获得LSTM模型，cell通过门结构来对单元状态增加或删减信息，cell结构中的遗忘门、输入门、单元状态、输出分别通过以下公式(3)～(7)计算得到：

遗忘门：F_t＝σ(W_f·[h_t-1,x_t]+B_f) (3)

输入门：I_t＝σ(W_i·[h_t-1,x_t]+B_i) (4)

记忆单元：C_t＝F_t×C_t-1+I_t×tanh(W_c·[h_t-1,x_t]+B_c) (5)

输出门：O_t＝σ(W_o·[h_t-1,x_t]+B_o) (6)

t时刻隐藏变量：h_t＝O_t·tanh(C_t) (7)

其中，w_f,w_i,w_c,w_o分别为cell结构中的遗忘门、输入门、记忆单元、输出门对应的权值，B_f,B_i,B_c,B_o分别为cell结构中的遗忘门、输入门、记忆单元、输出门对应的偏置量，σ为Sigmoid函数，Sigmoid函数计算公式(8)为:

tanh为双曲正切函数，计算公式(9)为:

[A₁,A₂]表示将矩阵A₁、A₂按列轴拼接为一个矩阵。

按上述方案，所述步骤S3)通过LSTM模型对信号提取特征，具体如下：

S31)在t时刻输入时间序列x_t和t-1时间的隐藏变量h_t-1，首先将x_t和h_t-1按列拼接，在遗忘门生成F_t，σ接近概率分布，用σ(W_f·[h_t-1,x_t]+B_f)拟合出记忆单元的信息在t时刻需要遗忘的信息的概率分布；

S32)在输入门生成I_t，用σ(W_i·[h_t-1,x_t]+B_i)拟合出记忆单元在t时刻需要学习到的信息的概率分布；

S33)更新记忆单元C_t；用t时刻需要遗忘的信息的概率分布乘以记忆单元t-1时刻的信息得到t时刻记忆单元需要保留的信息F_t·C_t-1，用t时刻需要学习的信息的概率分布乘以输入的信息得到需要学习到的信息I_t×tanh(W_c·[h_t-1,x_t]+B_c)；tanh函数用来提高模型的复杂度，而且相对RELU、Sigmoid激活函数能最大程度保留序列中的信息，把需要保留的信息加上需要学习的信息即为更新后的记忆单元。

S34)在输出门生成O_t，生成t+1时刻cell的输入h_t；

S35)将压缩后的初步数据记为作为信号提取特征，式中，h_t为cell在t时刻的输出。

按上述方案，所述步骤S4)中具体方法为：

S41)预先定义一个k值，其中k∈z^*，对整型，整型为/>整型过程中多余数据删除；

S42)构建LSTM模型，方法同S3。注意：参数不与S3中的cell中的参数共享；

S43)将步骤S42)中的模型的输出的结果输入给卷积层，卷积层如下式(10)：

h_fc＝σ(W_fc·x+B_fc) (10)

其中，W_fc为对应的权重，B_fc为对应的偏置量，x为步骤S42)的输出，σ为Sigmoid函数；

S44)将h_fc和输入给CTC，CTC的输出记cost。

S45)设计损失函数，损失函数损失函数为cost乘以LSTM模型提的特征的方差，训练模型，通过梯度下降法调节网络中的参数实现损失函数最小。

本发明产生的有益效果是：在原始数据过多，如果要查看整个数据变化的趋势，这无疑将耗费大量计算资源，采用本专利压缩方法，对数据压缩后再看数据变换趋势，不仅速度快，准确，而且资源占用少。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的方法流程图；

图2是本发明实施例的模型结构图；

图3是本发明实施例的原始数据的瀑布图；

图4是本发明实施例的压缩后数据的瀑布图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清晰，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

基于LSTM模型的地铁结构振动信号的压缩方法，该方法包含以下步骤：

S1、采集原始信号，对原始信号进行滤波，得到来车信号的波形；

步骤S1的具体方法为：

S11、首先基于阵列光栅分布式振动检测技术，沿着地铁隧道洞壁及道床铺设监测光缆，监测隧道结构及道床的振动信息，对一段时间内数据累积得到的数据滤波去掉原始信号中由于噪声引起的时域波形漂移现象，滤波后数据记为(式中S表示测区，n表示该测区的样本点数)

S2、对信号进行归一化并升维；

步骤S2的具体方法为：

S21、首先基于压缩比例i:1对升维。如式(1)：

其中Len(x)函数为计算输入x的长度，％为求n除len(x_t)的商，T定义为时间步长；升维：对序列长度为n数据整型为T×x_t的数组。升维过程中多余数据传给下一批数据。

S22、进一步地对进行归一化处理。如式(2)

其中：S(x)表示归一化后的数据，x表示输入的数据。

S3、设计LSTM模型，对信号提取特征。

步骤S3设计LSTM模型的具体方法为：

构建LSTM的cell,cell通过门结构来对单元状态增加或删减信息。cell结构中的遗忘门、输入门、单元状态、输出分别通过以下公式(3)～(7)计算得到：

遗忘门：F_t＝σ(W_f·[h_t-1,x_t]+B_f) (3)

输入门：I_t＝σ(W_i·[h_t-1,x_t]+B_i) (4)

记忆单元：C_t＝F_t×C_t-1+I_t×tanh(W_c·[h_t-1,x_t]+B_c) (5)

输出门：O_t＝σ(W_o·[h_t-1,x_t]+B_o) (6)

t时刻隐藏变量：h_t＝O_t·tanh(C_t) (7)

其中W为对应的权值，B为对应的偏置量，σ为Sigmoid函数，计算公式如式(8)：

tanh为双曲正切函数，计算公式如式(9)：

[A₁,A₂]表示将矩阵A₁、A₂按列轴拼接为一个矩阵。

步骤S3对信号提取特征的具体方法为：

S31：在t时刻输入时间序列x_t和t-1时间的隐藏变量h_t-1，首先将x_t和h_t-1按列拼接，在遗忘门生成F_t，见公式(3)，σ接近概率分布，用σ(W_f·[h_t-1,x_t]+B_f)拟合出记忆单元的信息在t时刻需要遗忘的信息的概率分布。

S32:进一步地，在输入门生成I_t，见公式(4)，原理同遗忘门，用σ(W_i·[h_t-1,x_t]+B_i)拟合出记忆单元在t时刻需要学习到的信息的概率分布。

S33:进一步地，记忆单元的更新为C_t，见公式(5)。用t时刻需要遗忘的信息的概率分布乘以记忆单元t-1时刻的信息得到t时刻记忆单元需要保留的信息F_t·C_t-1。用t时刻需要学习的信息的概率分布乘以输入的信息得到需要学习到的信息I_t×tanh(W_c·[h_t-1,x_t]+B_c)。tanh函数用来提高模型的复杂度，而且相对RELU、Sigmoid激活函数能最大程度保留序列中的信息。把需要保留的信息加上需要学习的信息即为更新后的记忆单元。

S34:进一步地，在输出门生成O_t，见公式(6)。原理同遗忘门和输入门，生成t+1时刻cell的输入h_t，见公式(7).原理同更新记忆单元。

S35:压缩后的初步数据记为式中h_t为cell在t时刻的输出。

S4、设计LSTM_CTC(连接时间分类)模型进一步地优化LSTM模型提取的特征。

步骤S4具体方法为：

S41：预先定义一个k值，其中k∈z^*，对整型，整型为/>整型过程中多余数据删除。

S42:构建LSTM模型，方法同S3。注意：参数不与S3中的cell中的参数共享。

S43:进一步地对S42中的模型的输出的结果输入给卷积层。卷积层如式(10)：

h_fc＝σ(W_fc·x+B_fc) (10)

其中W_fc为对应的权重，B_fc为对应的偏置量，x为步骤S42的输出，σ为Sigmoid函数。

S44：假设h_fc与是条件独立的。h_fc满映/>有L｀^T种方法。每种方法可表示为式(11)：

式中，π为L｀^T中的一种方法。

L｀^T中有多种映射方法。进一步的，β^-1(l)∈L｀^T，β^-1(l)为满足下面条件的映射。

条件1：映射有先后顺序。

条件2：中相邻2个特征相同，那么映射到h_fc中的俩特征中间至少有一个{blank}

进一步的满足条件的映射为π^*∈β^-1(l)，式中π^*为β^-1(l)中的一种映射。

进一步的π^*中的映射到/>的概率为/>其中/>为h_fc中的第t个数，/>为h_t中第s个数，由映射的条件限制可知/>的映射只有{blank}、/>三种情况。

可用动态规划计算π^*中每个点的映射。

在为{blank}或等于/>情况下，如式(12)：

其中为h_fc的第t个数映射为h_t的第s个数。/>为为h_fc的第t个数映射为h_t的第s个数的概率。

其他情况下，如式(13)：

初始值的映射如式(14)：

进一步地可得π^*中前向概率如式(15)：

S45：进一步的，π^*中的映射原理同/>可得π^*中后向概率如式(16)：

S46：进一步地，ctc输出如式(17)：

S47：模型损失函数如式(18)

式中为h_t的方差。

S48：训练模型，通过梯度下降法来调整模型中的参数以实现loss最小。S5、采用游程编码对特征进行压缩编码传输。

通过游程编码对编码按实际要求传输或存储数据。

一个数据实例：

如图1所示，本发明是基于LSTM模型的地铁结构振动监测数据的压缩方法，步骤如下：

步骤1：地铁分布式振动检测的数据采集：

采用阵列光栅分布式振动监测技术，对地铁的道床、洞壁等结构发生的振动进行全覆盖布式的实时监测。传感光缆的铺设选择在两轨之间临近其中一条铁轨处和隧洞的侧下壁两个位置，用以监测地铁隧道道床和洞壁的振动响应。传感器的采样频率为1000Hz，选择每5米的长度为一测区，即一个测区的信号响应来源为一趟地铁来车经过该5米测区所产生的振动。采集到一段时间内的道床振动的数据。数据维度为[527,61578],物理意义为共采集了527个测区在1分钟内的数据，每个测区有61578个采样点。

步骤2：对数据预处理：

步骤2.1：首先对数据滤波：采用小波分解的方法去除噪声，原始的振动信号的数据瀑布图如图3。

步骤2.2：进一步地对数据升维：将数据从维度[527,61578]转换为维度[527,622,99]的矩阵。矩阵的物理意义：有527个测区，各个测区有622个时间步长，各个时间步长中有99个采样点。

步骤2.3：进一步地，对数据归一化处理：归一化公式如式(22)：

其中：S(x)表示归一化后的数据，x表示步骤2.2中升维后的数据。

步骤3：设计LSTM模型，通过LSTM模型对信号提取特征；

步骤3.1：设计LSTM模块中的Cell。Cell有遗忘门、输入门、单元状态、输出等结构，公式如以下(23)～(29)所示：

遗忘门：F_t＝σ(W_f·[h_t-1,x_t]+B_f) (23)

输入门：I_t＝σ(W_i·[h_t-1,x_t]+B_i) (24)

记忆单元：C_t＝F_t×C_t-1+I_t×tanh(W_c·[h_t-1,x_t]+B_c) (25)

输出门：O_t＝σ(W_o·[h_t-1,x_t]+B_o) (26)

t时刻隐藏变量：h_t＝O_t·tanh(C_t) (27)

其中，W为对应的权值，维度为[100,1]，B为对应的偏置量,维度为[1]，σ为Sigmoid函数，计算公式(28)为:

tanh为双曲正切函数，计算公式(29)为:

[A₁,A₂]表示将矩阵A₁、A₂按列轴拼接为一个矩阵。

Cell的结构如图2。

步骤3.2：根据时间步长的顺序将归一化后的数据输入LSTM模块中的Cell，Cell会有622个输出，记录为作为信号提取特征。

步骤4：设计LSTM-CTC模块。

步骤4.1：首先对模块输入的数据升维：将数据从维度[527,622，99]转换为维度[527,1866,33]的矩阵。矩阵的物理意义：有527个测区，各个测区有1866个时间步长，各个时间步长中有33个采样点。

步骤4.2：设计LSTM-CTC模块中的Cell。Cell有遗忘门、输入门、单元状态、输出等结构，公式如以下(30)～(36)所示：

遗忘门：F_t＝σ(W_f·[h_t-1,x_t]+B_f) (30)

输入门：I_t＝σ(W_i·[h_t-1,x_t]+B_i) (31)

记忆单元：C_t＝F_t×C_t-1+I_t×tanh(W_c·[h_t-1,x_t]+B_c) (32)

输出门：O_t＝σ(W_o·[h_t-1,x_t]+B_o) (33)

t时刻隐藏变量：h_t＝O_t·tanh(C_t) (34)

其中，W为对应的权值，维度为[63,30]，B为对应的偏置量,维度为[30]，σ为Sigmoid函数，计算如式(35)：

tanh为双曲正切函数，计算如式(36)：

[A₁,A₂]表示将矩阵A₁、A₂按列轴拼接为一个矩阵。

Cell的结构如图2，与LSTM模块中的Cell不同处在于权值和偏置的维度不同。

步骤4.2：根据时间步长的顺序将归一化后的数据输入LSTM模块中的Cell。会有1866个输出。记录为

步骤4.3：设计LSTM-CTC模块中的卷积层。卷积层公式如式(37)：

h_fc＝σ(W_fc·x+B_fc) (37)

其中，W_fc为对应的权重，维度为[30,150],B_fc为对应的偏置量，维度为[150]，x为σ为Sigmoid函数。

进一步的，h_fc和输入给CTC，CTC采用tensorflow.nn.ctc_loss函数。

步骤5：设计目标函数，目标函数为CTC的输出乘以h_t的方差。

优化器选择Adagrad，学习率选择0.0001，用梯度下降法优化模型中的参数使目标函数最小。

训练5270次后，损失函数不再大幅度变化时，即为压缩后的数据。压缩后数据的瀑布图如图4。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims

1.一种基于LSTM模型的地铁结构振动信号的压缩方法，其特征在于，包括以下步骤：

S3)设计LSTM模型，对信号提取初步特征，初步特征为接近零的极小数；

S4)设计LSTM_CTC模型，用梯度下降法优化LSTM模型提取的初步特征，使优化后的特征能够表达出原始信号的信号趋势；

所述步骤S4)中具体方法为：

S42)构建与步骤S3)结构相同的LSTM模型，并设置cell中的参数，即权值和偏置的维度；

S43)将步骤S42)中的模型的输出的结果输入给卷积层，卷积层如下式：

h_fc＝σ(W_fc·x+B_fc)

其中，W_fc为x对应的权重，B_fc为x对应的偏置量，x为步骤S42)模型的输出，σ为Sigmoid函数；

S44)将h_fc和输入给CTC，CTC的输出记cost；/>表示步骤3)压缩后的初步数据，即LSTM模型提取的初步特征；

S45)设计损失函数，损失函数为LSTM模型提取初步特征的方差乘以cost，用梯度下降法优化损失函数；

S5)采用游程编码对步骤S4)优化后的特征进行压缩编码。

2.根据权利要求1所述的基于LSTM模型的地铁结构振动信号的压缩方法，其特征在于，所述步骤S1)的具体方法为：

3.根据权利要求1所述的基于LSTM模型的地铁结构振动信号的压缩方法，其特征在于，所述步骤S2)处理的具体步骤为：

S22)基于压缩比例i:1对按以下公式(1)升维：

其中，T数值上等于n除i的余数，具体升维过程即将n个数整型为T行的数组；

S23)采用下式(2)对进行归一化处理；

其中，S(x)表示归一化后的数据，x表示输入的数据。

4.根据权利要求3所述的基于LSTM模型的地铁结构振动信号的压缩方法，其特征在于，所述步骤S3)中LSTM模型的构建方法如下：

通过构建LSTM的cell获得LSTM模型，cell通过门结构来对单元状态增加或删减信息，cell结构中的遗忘门、输入门、单元状态、输出分别通过以下公式(3)～(7)计算得到：

遗忘门：F_t＝σ(W_f·[h_t-1,x_t]+B_f) (3)

输入门：I_t＝σ(W_i·[h_t-1,x_t]+B_i) (4)

记忆单元：C_t＝F_t×C_t-1+I_t×tanh(W_c·[h_t-1,x_t]+B_c) (5)

输出门：O_t＝σ(W_o·[h_t-1,x_t]+B_o) (6)

t时刻隐藏变量：h_t＝O_t·tanh(C_t) (7)

其中，W_f为cell结构中的遗忘门对应的权值，W_i为cell结构中的输入门对应的权值，W_c为cell结构中的记忆单元对应的权值，W_o为cell结构中的输出门对应的权值；B_f为cell结构中的遗忘门对应的偏置量，B_i为cell结构中的输入门对应的偏置量，B_c为cell结构中的记忆单元对应的偏置量，B_o为cell结构中的输出门对应的偏置量；σ为Sigmoid函数，Sigmoid函数计算公式(8)为:

tanh为双曲正切函数，计算公式(9)为:

[A₁,A₂]表示将矩阵A₁、A₂按列轴拼接为一个矩阵。

5.根据权利要求4所述的基于LSTM模型的地铁结构振动信号的压缩方法，其特征在于，所述步骤S3)通过LSTM模型对信号提取特征，具体如下：

S33)更新记忆单元C_t；用t时刻需要遗忘的信息的概率分布乘以记忆单元t-1时刻的信息得到t时刻记忆单元需要保留的信息F_t·C_t-1，用t时刻需要学习的信息的概率分布乘以输入的信息得到需要学习到的信息I_t×tanh(W_c·[h_t-1,x_t]+B_c)；tanh函数用来提高模型的复杂度，而且相对RELU、Sigmoid激活函数能最大程度保留序列中的信息，把需要保留的信息加上需要学习的信息即为更新后的记忆单元；

S34）在输出门生成O_t，生成t+1时刻cell的输入h_t；

S35）将压缩后的初步数据记为作为信号提取特征，式中，h_t为cell在t时刻的输出。