CN111444658A - 一种槽型轨几何参数趋势预测方法及系统 - Google Patents

Abstract

本发明公开了一种槽型轨几何参数趋势预测方法及系统，该方法包括下述步骤：将检测的槽型轨几何参数值进行数据存储及批量处理；进行数据预处理识别并修正异常值；构建并训练径向基神经网络，选取槽型轨设定检测区段的左右高低、左右轨向、轨距和超高数据，将处于同一检测时段的各项参数平均值输入所述径向基神经网络进行训练；选取槽型轨设定检测区段的磨耗数据的最大值输入径向基神经网络进行训练；迭代更新径向基神经网络基函数的中心、方差、隐含层与输出层之间的权值；输入检测数据预测得到槽型轨不平顺和磨耗值预测数据。本发明将大数据、神经网络与轨道几何参数预测相结合，提高了神经网络的泛化能力和收敛速度。

Description

一种槽型轨几何参数趋势预测方法及系统

技术领域

本发明涉及槽型轨检测技术领域，具体涉及一种槽型轨几何参数趋势预测方法及系统。

背景技术

目前，有轨电车项目与大数据的结合多是在事前监控、处理器级响应、数据仓库技术(数据分析、挖掘)、物联网技术(乘客服务客户端)以及嵌入式系统带动技术(动态运营评估)等方面，但是将大数据分析技术与有轨电车槽型轨几何参数相结合的应用还没有很多的深入研究与拓展。

现有技术中采用数据挖掘技术预测钢轨内部伤损趋势，采用超声波探伤，利用超声波信号实现计算位置对齐，但利用超声波作为对齐信号对检测设备要求较高，并且对于特种轨(槽型轨)而言，检测参数较多，切区段内参数异常值较多，此种方法不适用于槽型轨轨道不平顺参数对齐。

发明内容

为了克服现有技术存在的缺陷与不足，本发明提供一种槽型轨几何参数趋势预测方法及系统，在槽型轨几何参数的高精度检测所得数据基础上，采用大数据技术分析预测时间序列槽型轨的轨道几何参数，预测槽型轨轨距、磨耗、高低、轨向等几何参数变化趋势，并且采用数据归一化处理提高了神经网络的泛化能力和收敛速度。

为了达到上述目的，本发明采用以下技术方案：

本发明提供一种槽型轨几何参数趋势预测方法，包括下述步骤：

将检测的槽型轨几何参数值进行数据存储及批量处理；

进行数据预处理，识别并修正异常值；

构建径向基神经网络，进行槽型轨不平顺预测训练和磨耗预测训练，具体的训练步骤包括：

选取槽型轨设定检测区段的左右高低、左右轨向、轨距和超高数据，将处于同一检测时段的各项参数平均值输入所述径向基神经网络进行训练；

选取槽型轨设定检测区段的磨耗数据，将磨耗数据的最大值输入径向基神经网络进行训练；

迭代更新径向基神经网络基函数的中心、方差、隐含层与输出层之间的权值；

将检测到的槽型轨几何参数值输入到训练后的径向基神经网络进行预测，得到槽型轨不平顺和磨耗值预测数据。

作为优选的技术方案，所述将轨检车检测的槽型轨几何参数值进行数据存储，采用分布式文件系统进行存储。

作为优选的技术方案，所述进行数据预处理，具体步骤为：

设定滤波阈值及构建零均值序列，所述滤波阈值根据槽型轨几何参数值自动调整；

判断检测的槽型轨几何参数值是否超出设定滤波阈值的范围，若超出则判定为异常数据，并采用零均值序列中对应的绝对均值替换当前异常数据；

对数据进行归一化处理。

作为优选的技术方案，所述构建径向基神经网络，具体步骤包括：

将径向基神经网络输入层到隐含层之间的权值固定为1，径向基采用高斯函数，神经元的输出为：

其中，X_i表示基函数的中心，σ表示函数宽度参数。

作为优选的技术方案，所述迭代更新径向基神经网络基函数的中心、方差、隐含层与输出层之间的权值，具体步骤包括：

确定基函数的中心的步骤包括：

确定聚类中心个数并初始化聚类中心，选取样本数据及训练样本数据；

调整基函数中心的计算公式为：

0≤η≤1；

其中，x_i(n)表示在第n次迭代时径向基函数的第i个中心，η表示学习步长，n表示迭代步数，X_k表示训练样本数据；

确定基函数的方差，计算公式为：

所述隐含层与输出层之间的权值采用求伪逆矩阵法。

本发明还提供一种槽型轨几何参数趋势预测系统，包括：数据存储模块、批量处理模块、预处理模块、径向基神经网络构建模块、训练模块和预测模块；

所述数据存储模块用于将检测的槽型轨几何参数值进行数据存储；

所述批量处理模块用于将检测的槽型轨几何参数值进行数据批量处理；

所述预处理模块用于进行数据预处理，识别并修正异常值；

所述径向基神经网络构建模块用于构建径向基神经网络；

所述训练模块用于训练径向基神经网络，包括槽型轨不平顺预测训练单元、磨耗预测训练单元和参数更新模块；

所述槽型轨不平顺预测训练单元用于选取槽型轨设定检测区段的左右高低、左右轨向、轨距和超高数据，将处于同一检测时段的各项参数平均值输入径向基神经网络进行训练，

所述磨耗预测训练单元用于选取槽型轨设定检测区段的磨耗数据，将磨耗数据的最大值输入径向基神经网络进行训练；

所述参数更新模块用于迭代更新径向基神经网络基函数的中心、方差、隐含层与输出层之间的权值；

所述预测模块用于将检测到的槽型轨几何参数值输入到训练后的径向基神经网络进行预测，得到槽型轨不平顺和磨耗值预测数据。

本发明与现有技术相比，具有如下优点和有益效果：

(1)本发明将大数据、神经网络与轨道几何参数预测相结合，弥补了当前轨道交通领域利用大数据预测轨道几何参数变化趋势以指导轨道维护的空白，为指导轨道预防性维护提供预测数据。

(2)本发明采用分布式文件系统(HDFS)进行数据存储，具有更好的容错能力及兼容性。

(3)本发明采用数据归一化处理，提高了神经网络的泛化能力和收敛速度。

(4)本发明采用RBF神经网络的学习算法，相比于BP算法，克服了局部小值的问题，具有佳逼近、训练简洁、学习收敛速度快的特征。

附图说明

图1为本实施例槽型轨几何参数趋势预测方法的流程示意图；

图2为本实施例自适应限幅滤波方法的流程示意图；

图3为本实施例径向基神经网络的结构示意图。

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楚明白，以下结合附图及实施例，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仅用以解释本发明，并不用于限定本发明。

实施例

如图1所示，本实施例提供一种槽型轨几何参数趋势预测方法，将检测得到的参数通过Hadoop平台的HDFS(分布式文件系统)进行存储，基于Linux系统搭建RBF径向基神经网络模型，通过实地周期性检测得到轨道参数数据，输入网络进行训练，预测槽型轨区段内各个参数随时间的变化趋势，并对高磨耗位置实施预测监控，将大数据技术与现代有轨电车槽型轨轨道维护联系起来，分析预测槽型轨几何参数时间序列，指导轨道的维护与检修；

本实施例槽型轨几何参数趋势预测方法具体步骤如下：

S1：数据存储：轨检车检测的槽型轨几何参数值存储：

对于一条轨道线路而言，轨检车每次进行检测都会得到大量槽型轨几何参数值，如此积累，实现大数据就要实现对这些海量数据的存储，为解决海量数据的存储问题，将轨检车每次检测出来的大量的槽型轨几何参数值存储至Hadoop的核心组成之一分布式文件系统(HDFS)；HDFS具有很好的容错能力，并且具有兼容廉价的硬件设备的能力，因此可以实现大流量和大数据的读写。

S2：批量数据处理：

大数据除了要实现大规模数据的高效存储，还需要实现大规模数据的高效处理，分布式并行编程可以加快程序运行速度，实现高效的批量数据处理，本实施例采用MapReduce，它是Hadoop的核心组成之一，是一种并行编程模型，可以实现大规模数据集的并行运算。

S3：大数据分析槽型轨几何参数检测数据

首先对实测数据进行异常值的识别与修正，完成数据的预处理，对于高低、轨向、轨距和超高不平顺参数数据，借助Python第三方库TensorFlow建立，采用RBF径向基神经网络模型来分析各参数单项平均值，作图获得各参数平均值的变化，分析槽型轨200m区段的综合不平顺状况与轨道预警区段，而对于磨耗，作图获得轨道各小区段磨耗的散点图与分布直方图以分析其集中变化范围，并建立神经网络对高磨耗区段进行监控，指导轨道的检修。

S31：数据预处理

轨检车作业时受各种不确定因素影响，其检测数据可能会出现异常值，不能正确反应轨道参数状况，因此在对数据进行处理分析时需要先识别并修正异常值；

如图2所示，本实施例采用自适应限幅滤波，滤波范围上限和下限根据采集槽型轨数据自动调整，具有自适应属性，以每个测量点的值依次作为区间中点，区间上下限之间的距离为国家规定槽型轨几何参数严重异常的两倍，分别统计200米区段内落点该区间内点的个数，找出最多落点的区间，若某一数据超过阈值范围，则判断其为异常数据，并利用区间中点值替换数据完成异常值的识别与修正。

通过绝对均值法对参数值进行识别筛选出不能正确反应轨道参数状况的检测数据异常值。因为轨道参数单项检测数据会在一定阈值范围[-w,w]内波动，所以可认为超过阈值范围的数据即为异常值，而阈值可通过下式确定：

其中，k为经验系数，需要根据数据分布情况多次实验确定，n为测点个数，假设某一参数实测数据序列长度为n，均值为

则：

数据序列：

零均值序列：X₀(i)＝{x₁,x₂,x₃,…,x_n}

若某一数据超过阈值范围，则判断其为异常数据，并利用X₀(i)的绝对均值替换数据完成异常值的识别与修正。

对样本数据进行归一化处理，提高神经网络的泛化能力和收敛速度，同时增加数据之间的联系，使其拟合效果更好。本实施例采用将数据归一到[0，l]之间，具体方法：先找出所用样本数据X中的最大值(Xmax)和最小值(Xmin)，用如下公式进行归一化处理：

其中X表示归一化前的数据、X_i表示归一化后的数据，经过这样处理后的输入数据全部都在[0,1]之间。

S32：几何参数检测数据分析

获得多组已修正异常值的数据后，首先利用Python第三方库TensorFlow建立槽型轨几何参数的RBF径向基神经网络模型，通过借助TensorFlow中有关神经网络的函数建立并训练模型，通过利用人工神经网络较强的描述非线性映射和泛化的能力来对轨道200m区段内左右高低、左右轨向、轨距和超高的平均值进行预测，径向基函数(Radial BasisFunction，RBF)神经网络是一种性能良好的前向网络，具有佳逼近、训练简洁、学习收敛速度快以及克服局部小值问题的性能，径向基网络能够以任意精度逼近任意连续的函数。

选取槽型轨典型区段，提取区段内不同检测时间段的左右高低、左右轨向、轨距和超高数据，本实施例建立了hadoop大数据平台，所有的历史数据都会存储到其中，存储数据按位置、检测时间等序列进行存储，所以各项数据都会其特定的时间以及位置标记，计算得多组处于同一检测时段组别数据的各项参数平均值作为模型的输入，并对输入数据进行归一化处理，而隐含层节点数则可根据下列经验公式确定取值范围：

其中m，n分别为输入、输出层节点数，k为隐含层节点数，a为介于[1,10]的常数，在这里，先利用公式确定隐层节点数选取范围，再经过多次实际试验的情况分析确定其准确值。

如图3所示，RBF神经网络输入层到隐含层之间的权值固定为1，隐含层单元的传递函数采用了径向基函数，若取径向基函数为高斯函数，则神经元的输出为：

式中，X_i为核函数的中心，σ为函数宽度参数，用它来确定每一个径向基层神经元对其输入矢量，也就是X与ω之间距离相对应的径向基函数的宽度，从RBF网络结构图可以确定RBF网络结构的过程就是确定隐含层神经元的中心x_i、宽度以及输出权值ω的过程。

RBF网络要学习的三个参数分别是基函数的中心x_i、方差、隐含层与输出层之间的权值W，本实施例采用k-均值聚类算法。

(1)确定基函数的中心x_i

假设聚类中心有I个，设x_i(n)(i＝1,2,...,I)，是第n次迭代时基函数的中心，具体步骤如下：

①初始化聚类中心，即根据经验从训练样本中随机选取I个不同的样本作为x_i(n)(i＝1,2,...,I)，设置迭代步数n＝0；

②随机输入训练样本X_k；

③寻找训练样本Xk离哪个中心近，即找到i(X_k)使其满足：

i(X_k)＝argmin||X_k-x_i(n)||i＝1,2,...,I

公式中，x_i(n)表示在第n次迭代时径向基函数的第i个中心；

④通过下面的公式来调整基函数的中心：

式中，η是学习步长且0≤η≤1；

⑤判断是否学完所有的训练样本且中心的分布不再变化，是则结束；否则n＝n+1，转到第二步，最后得到的x_i(i＝1,2,…,I)，即为RBF神经网络终的基函数的中心，将n的值增加1，回到第②步，重复上述过程，直到中心x_i的改变很小为止。

(2)确定基函数的方差

一旦基函数的中心确定之后，那么宽度由下列公式来确定

(3)隐含层到输出层得权值w

求输出权值的直接方法就是求伪逆矩阵法：

W2＝G⁺d

式中，d是训练集合中的期望响应向量，矩阵G⁺是矩阵G的伪逆矩阵，而矩阵G的定义为：

G＝{g_qi}

式中，X_q是第q个输入样本的向量：

q＝1,2,...,N；I＝1,2,...,M；

模型训练完成后，分别对槽型轨每200m区段内左右高低、左右轨向、轨距和超高的单项平均值进行预测，本实施例以检测日期为横轴，各参数单项平均值值为纵轴作图，获得包含平均值历史值、当前值与未来值的平均值随时间变化曲线，进而获得200m区段轨道参数的综合变化，通过判断各项参数平均值值是否超限，可以获得槽型轨不平顺综合状况与轨道预警区段，指导轨道的检修。

然后对于磨耗，将200m轨道分成小区段，借助图表对轨道小区段内磨耗的集中变化范围进行分析。根据“磨耗＝0.5*侧面磨耗+顶部磨耗”获得磨耗数据，计算磨耗的平均值与最大最小值，将区段内磨耗数据的最大值作为网络的输入，并以数据数量为横轴、磨耗值为纵轴绘制散点图，以磨耗值为横轴绘制高度为1的分布直方图，根据图表分析磨耗的集中变化范围，获得各小区段磨耗的基本状况。若发现某区段磨耗过大，则对该区段建立输出磨耗的神经网络，将段内各测量点的几何参数值、车速与历史磨耗值作为输入，预测未来磨耗值，对高磨耗区段实施监控，为轨道的检修提供帮助。

本实施例还提供一种槽型轨几何参数趋势预测系统，包括：数据存储模块、批量处理模块、预处理模块、径向基神经网络构建模块、训练模块和预测模块；

在本实施例中，数据存储模块用于将检测的槽型轨几何参数值进行数据存储；批量处理模块用于将检测的槽型轨几何参数值进行数据批量处理；预处理模块用于进行数据预处理，识别并修正异常值；径向基神经网络构建模块用于构建径向基神经网络；

在本实施例中，训练模块用于训练径向基神经网络，包括槽型轨不平顺预测训练单元、磨耗预测训练单元和参数更新模块；

在本实施例中，槽型轨不平顺预测训练单元用于选取槽型轨设定检测区段的左右高低、左右轨向、轨距和超高数据，将处于同一检测时段的各项参数平均值输入径向基神经网络进行训练；

在本实施例中，磨耗预测训练单元用于选取槽型轨设定检测区段的磨耗数据，将磨耗数据的最大值输入径向基神经网络进行训练；

在本实施例中，参数更新模块用于迭代更新径向基神经网络基函数的中心、方差、隐含层与输出层之间的权值；

在本实施例中，预测模块用于将检测到的槽型轨几何参数值输入到训练后的径向基神经网络进行预测，得到槽型轨不平顺和磨耗值预测数据。

本实施例能够充分利用轨检车检测所得数据，采用编码轮和大数据技术对参数位置进行精准定位，建立神经网络模型对参数的发展趋势进行预测，对数据发展趋势进行精确分析并精准定位，从而对异常数据位置进行重点关注和及时修复。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种槽型轨几何参数趋势预测方法，其特征在于，包括下述步骤：

将检测的槽型轨几何参数值进行数据存储及批量处理；

进行数据预处理，识别并修正异常值；

构建径向基神经网络，进行槽型轨不平顺预测训练和磨耗预测训练，具体的训练步骤包括：

选取槽型轨设定检测区段的左右高低、左右轨向、轨距和超高数据，将处于同一检测时段的各项参数平均值输入所述径向基神经网络进行训练；

选取槽型轨设定检测区段的磨耗数据，将磨耗数据的最大值输入径向基神经网络进行训练；

迭代更新径向基神经网络基函数的中心、方差、隐含层与输出层之间的权值；

将检测到的槽型轨几何参数值输入到训练后的径向基神经网络进行预测，得到槽型轨不平顺和磨耗值预测数据。

2.根据权利要求1所述的槽型轨几何参数趋势预测方法，其特征在于，所述将轨检车检测的槽型轨几何参数值进行数据存储，采用分布式文件系统进行存储。

3.根据权利要求1所述的槽型轨几何参数趋势预测方法，其特征在于，所述进行数据预处理，具体步骤为：

设定滤波阈值及构建零均值序列，所述滤波阈值根据槽型轨几何参数值自动调整；

判断检测的槽型轨几何参数值是否超出设定滤波阈值的范围，若超出则判定为异常数据，并采用零均值序列中对应的绝对均值替换当前异常数据；

对数据进行归一化处理。

4.根据权利要求1所述的槽型轨几何参数趋势预测方法，其特征在于，所述构建径向基神经网络，具体步骤包括：

将径向基神经网络输入层到隐含层之间的权值固定为1，径向基采用高斯函数，神经元的输出为：

其中，X_i表示基函数的中心，σ表示函数宽度参数。

5.根据权利要求1所述的槽型轨几何参数趋势预测方法，其特征在于，所述迭代更新径向基神经网络基函数的中心、方差、隐含层与输出层之间的权值，具体步骤包括：

确定基函数的中心的步骤包括：

确定聚类中心个数并初始化聚类中心，选取样本数据及训练样本数据；

调整基函数中心的计算公式为：

0≤η≤1；

其中，x_i(n)表示在第n次迭代时径向基函数的第i个中心，η表示学习步长，n表示迭代步数，X_k表示训练样本数据；

确定基函数的方差，计算公式为：

所述隐含层与输出层之间的权值采用求伪逆矩阵法。

6.一种槽型轨几何参数趋势预测系统，其特征在于，包括：数据存储模块、批量处理模块、预处理模块、径向基神经网络构建模块、训练模块和预测模块；

所述数据存储模块用于将检测的槽型轨几何参数值进行数据存储；

所述批量处理模块用于将检测的槽型轨几何参数值进行数据批量处理；

所述预处理模块用于进行数据预处理，识别并修正异常值；

所述径向基神经网络构建模块用于构建径向基神经网络；

所述训练模块用于训练径向基神经网络，包括槽型轨不平顺预测训练单元、磨耗预测训练单元和参数更新模块；

所述槽型轨不平顺预测训练单元用于选取槽型轨设定检测区段的左右高低、左右轨向、轨距和超高数据，将处于同一检测时段的各项参数平均值输入径向基神经网络进行训练，

所述磨耗预测训练单元用于选取槽型轨设定检测区段的磨耗数据，将磨耗数据的最大值输入径向基神经网络进行训练；

所述参数更新模块用于迭代更新径向基神经网络基函数的中心、方差、隐含层与输出层之间的权值；

所述预测模块用于将检测到的槽型轨几何参数值输入到训练后的径向基神经网络进行预测，得到槽型轨不平顺和磨耗值预测数据。

Images