CN112948984A - 一种车载式的轨道高低不平顺峰值区间检测方法 - Google Patents

一种车载式的轨道高低不平顺峰值区间检测方法 Download PDF

Info

Publication number
CN112948984A
CN112948984A CN202110520888.1A CN202110520888A CN112948984A CN 112948984 A CN112948984 A CN 112948984A CN 202110520888 A CN202110520888 A CN 202110520888A CN 112948984 A CN112948984 A CN 112948984A
Authority
CN
China
Prior art keywords
vehicle
prediction
acceleration
detection method
training
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.)
Granted
Application number
CN202110520888.1A
Other languages
English (en)
Other versions
CN112948984B (zh
Inventor
何庆
李晨钟
王平
高天赐
王启航
孙华坤
马玉松
利璐
黄传岳
王永华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Zhongke Deloitte Technology Co ltd
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202110520888.1A priority Critical patent/CN112948984B/zh
Publication of CN112948984A publication Critical patent/CN112948984A/zh
Application granted granted Critical
Publication of CN112948984B publication Critical patent/CN112948984B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
    • B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
    • B61K9/08—Measuring installations for surveying permanent way
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Abstract

本发明公开了一种车载式的轨道高低不平顺峰值区间检测方法，包括数据采集、数据预处理、模型建立及训练、预测评价得到最佳置信区间宽度，仅需要采集车体的三轴振动加速度，角速度及所在位置的地磁强度，不需要在车辆外部安装其余的传感器，且不涉及到车辆各部件的动力学参数，解决了现有存在的检测成本高、检测效率低、检测鲁棒性低的问题，实现长期高频检测，显著的提升了检测效率，本发明方法具有较强适应性和泛化能力，能够适用于桥梁、路基、隧道等各种轨道结构中的高低不平顺峰值区间检测。

Description

一种车载式的轨道高低不平顺峰值区间检测方法
技术领域
本发明涉及铁路及轨道交通技术领域，具体涉及一种车载式的轨道高低不平顺峰值区间检测方法。
背景技术
在铁路运输中，轨道不平顺是轨道空间几何形位与设计基准之间的偏差。轨道不平顺沿钢轨纵向的变化具有周期性和随机性，在时间尺度上具有一定的劣化趋势性，是控制行车安全的主要因素之一。目前，国内铁路系统普遍在维修天窗期间通过轨检车对轨道不平顺进行检测，并根据检测结果判断轨道几何的服役状态，从而制定相应的调整和养护维修方案。然而，轨检车是一种昂贵的专业检测设备，路局通常按照一定的检测频率（每月1到2次）对轨道进行周期性检测。因此，仅依靠轨检车数据，在检测周期间隔时间内，路局工作人员难以得知轨道不平顺可能存在的突变情况，而通过日常运营车辆的车体振动加速度预测轨道不平顺将成为更加便捷、高效、廉价的检测方式。
现有技术中CN111979859A公开了一种轨道不平顺检测系统及方法，提供了一种针对包括钢轨断面图像和轨道几何参数的轨道检测系统和方法。具体包括：在车体下方安装检测梁，该检测梁上面集成了图像采集模块，惯性模块和编码器模块，用于采集两侧钢轨全面图像，检测梁相对于钢轨的姿态信息和位移信息，并得到各项轨道不平顺几何参数信息，然而，在轴箱上安装传感器具有一定的运营风险，轴箱产生的高频振动会导致采集设备掉落，危害行车安全。目前国内各大铁路局均不允许直接在运营车辆轴箱处安装采集设备。因此，该方法具有一定的应用局限性，而通过在车体内安装传感器的方法可以避免该问题。由于受到悬挂系统的滤波作用，很难直接通过车体加速度反应轨道不平顺（尤其是短波不平顺）的状态。因此，现有的技术中还没有出现仅通过车体加速度直接预测轨道不平顺的方法。
CN107284473B公开了一种轨道检测系统及方法，在车体下方安装检测梁，该检测梁上面集成了图像采集模块，惯性模块和编码器模块，用于采集两侧钢轨全面图像，检测梁相对于钢轨的姿态信息和位移信息，并得到各项轨道不平顺几何参数信息，该方法需要在车体下方安装检测梁、激光器、摄像机和惯导系统等设备，在实际工程应用中具有一定的风险，难以推广到一般的日常运营车辆。同时，该发明所需激光器、摄像机等设备价格昂贵且属于精密仪器，在复杂、恶劣的车辆运营环境下极易损坏。再者，该发明涉及到光学传感，同时，采集设备暴露在车辆外部，采集精度和稳定性极易受环境影响，在雨天或钢轨表面有脏污的条件下难以获取可靠的数据源，致使检测方法失效。
CN110874450A公开了一种基于车载监测的铁路桥梁轨道不平顺计算方法，该方法基于车桥耦合动力学的物理规律，通过车体竖向位移、转动角度、竖向速度、转动速度、竖向位移加速度及转动加速度建立车桥系统的时变运动方程，实现从车体响应到轨道外部激励的逆动力学预测。该方法的核心在于，需要在车辆上布设包括加速度、速度和位移等多个传感器，获取车辆的运动状态，并且需要提前知道车体与车轮质量、转动惯量、悬挂系统的弹簧刚度、阻尼系数等一系列动力学参数。然而，在实际运营过程中，这些动力学参数往往是变化的，尤其是悬挂系统的弹簧和阻尼器，随着车辆的服役时间增长，与出厂参数具有较大的差异。因此，该方法难以在长期运营条件下实现对轨道不平顺稳定，持续的检测。除此之外，该方法仅针对铁路桥梁，不能用于区间线路中包括隧道、路基等在内的任意轨道下部结构的轨道不平顺检测。
CN106809251B公开了一种磁悬浮列车轨道不平顺的监测及预测方法、装置和系统，尽管磁悬浮铁路和本发明涉及到的传统铁路的轨道不平顺定义方式类似，但由于磁悬浮列车采用电磁控制的悬浮系统，而本发明专利涉及到的传统列车采用轮轨接触系统，因此两种发明专利采用的输入数据类型和预测方法具有根本性差别。该发明通过仿真分析和实测数据拟合了悬浮系统参数与轨道不平顺程度的关系曲线，通过监控悬浮系统参数并利用查表的方式预测轨道不平顺程度，本质上是一种对系统输入-输出的线性预测方法。而传统列车的输入-输出具有显著的非线性特征，其激励-响应内部关系相当复杂，因此该专利提出的方法不能有效地应用于传统轮轨接触系统列车的不平顺检测。
因此，亟需提出一种车载式的，在列车实际运营条件下的轨道动态不平顺检测方法。
发明内容
为解决现有技术中存在的检测成本高、检测效率低、检测鲁棒性低的问题，本发明提供了一种车载式的轨道高低不平顺峰值区间检测方法，仅需要采集车体的三轴振动加速度，角速度及所在位置的地磁强度，不需要在车辆外部安装其余的传感器，且不涉及到车辆各部件的动力学参数，解决了上述背景技术中提到的问题。
为实现上述目的，本发明提供如下技术方案：一种车载式的轨道高低不平顺峰值区间检测方法，包括数据采集、数据预处理、模型建立及训练、预测评价得到最佳置信区间宽度。
优选的，所述数据采集包括如下：采集车体三轴加速度、角速度及当前位置的地磁强度，采集轨道不平顺数据；所述的数据预处理包括：通过卡尔曼滤波方法对车体加速度姿态进行校正，对车体纵向加速度进行二次积分并进行里程误差修正。
优选的，所述的模型建立及训练包括：建立贝叶斯长短期记忆神经网络模型，训练模型后测试模型预测结果；所述的预测评价得到最佳置信区间宽度包括：计算峰值区间预测结果CWEC值，得到最佳置信区间宽度。
优选的，所述采集车体三轴加速度、角速度及当前位置的地磁强度具体是在车体上安装采样频率超过500Hz的横向、垂向、纵向三轴加速度传感器，三轴陀螺仪传感器和三轴地磁强度传感器，获取车体三轴振动加速度、角速度和当前位置的地磁强度；所述采集轨道不平顺数据具体是通过轨道动检车获取轨道高低不平顺数据。
优选的，所述通过卡尔曼滤波方法对车体加速度姿态进行校正，对车体纵向加速度进行二次积分并进行里程误差修正具体是指：融合采集到的的加速度、角速度和地磁数据，然后通过卡尔曼滤波方法获取车辆运动横滚角、俯仰角和航向角，并根据三种姿态角对车辆运动加速度姿态进行校正，得到车辆在大地坐标系下的三轴振动加速度，再对车体纵向加速度进行二次积分得到车辆位置信息，并利用车辆航向角和线路曲线信息对二次积分的结果进行里程误差修正。
优选的，所述的里程误差修正具体是指：根据线路曲线信息数据得到曲线主点坐标，曲线主点坐标包括直缓点、缓圆点、圆缓点和缓直点，初始化状态向量、过程噪声及测量噪声，根据状态转移方程和协方差外推方程预测下一步状态和协方差，计算卡尔曼增益后更新后验状态和状态协方差，此为一个循环步骤，重复此步骤即完成里程误差修正。
优选的，所述建立贝叶斯长短期记忆神经网络模型，训练模型后测试模型预测结果具体是指：对传统的长短期记忆神经网络模型进行改进，神经元权重参数采用区间估计，使神经网络的预测结果具有置信区间，将车体垂向加速度作为模型输入，神经网络模型的输入神经元节点采用256个点，神经网络模型的隐藏层数为2，隐藏神经元数为4，采用双向输出的LSTM，输出激活函数为双曲正切函数，损失函数为高低不平顺预测结果和真实值之间的均方误差，采用Adam优化算法调整训练迭代过程中的参数学习率，按照伯努利分布随机采样并以0.2的概率关闭对应的神经元，数据采用分批次，对神经网络模型进行训练，输入数据测试模型后得到预测结果的均值和标准差。
优选的，所述对神经网络模型进行训练包括设置有早停机制，具体是当20个迭代循环内损失函数不再降低时停止训练，避免训练参数过拟合。
优选的，所述计算峰值区间预测结果CWEC值，得到最佳置信区间宽度具体是指：根据得到的预测结果均值和标准差，设置不同的±N倍标准差得到预测置信区间，并以CWEC作为衡量区间预测能力的评价指标。
优选的，所述的CWEC评价指标包括计算区间预测覆盖概率PICP、计算区间预测标 准化平均宽度PINAW和计算区间预测误差比例PIER，
Figure 745190DEST_PATH_IMAGE001
，CWEC值越 大，预测结果越好，最终得到最佳的置信区间宽度N。
本发明的有益效果是：本方法建立了通过车体垂向加速度预测轨道高低不平顺的反向动力学演化模型，仅需要采集车体的三轴振动加速度，角速度及所在位置的地磁强度，不需要在车辆外部安装其余的传感器，且不涉及到车辆各部件的动力学参数，相较于传统的采用轨道动检车的检测方式，本发明极大地减少了轨道不平顺检测成本，能够保证稳定的检测准确度，同时，本方法不受限于铁路桥梁、隧道、路基等不同轨道结构类型。借助贝叶斯神经网络建立了列车车体振动加速度数据与轨道不平顺的映射关系，从而预测轨道高低不平顺峰值区间。本发明方法在检测工作中适应性和泛化能力强、检测成本低，可以用于日常服役的列车，实现长期高频检测，有效地提升了铁路轨道平顺性的检测频率，相较于传统的每月1到2次的轨检车检测方式，本发明能够及时地发现由于钢轨伤损、断裂等恶劣条件导致的轨道几何形位突变，从而制定相应的补救维修措施，保障列车的安全运营。
附图说明
图1为本发明方法流程图；
图2为本发明实例航迹角和曲线超高标准化后波形对照结果示意图；
图3为本发明实施例高低不平顺的峰值区间预测结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
如图1所示，是本发明方法的流程图，本发明提供一种技术方案：一种车载式的轨道高低不平顺峰值区间检测方法，包括数据采集、数据预处理、模型建立及训练、预测评价得到最佳置信区间宽度，具体步骤如下：
步骤1、在实际运营车辆上安装不低于（超过）500Hz采样频率的横向、垂向、纵向三轴加速度传感器，三轴陀螺仪传感器和三轴地磁强度传感器，获取车辆振动加速度、角速度和当前位置的地磁强度。
步骤2、融合采集的加速度、角速度和地磁数据，通过卡尔曼滤波方法获取车辆运动横滚角、俯仰角和航向角，并根据三种姿态角对车辆运动姿态进行校正，得到车辆在大地坐标系下的三轴振动加速度。
步骤2.1、计算初始俯仰角
Figure 600013DEST_PATH_IMAGE002
，横滚角
Figure 566701DEST_PATH_IMAGE003
，航向角
Figure 165173DEST_PATH_IMAGE004
，其中，
Figure 166496DEST_PATH_IMAGE005
,
Figure 926641DEST_PATH_IMAGE006
,
Figure 380625DEST_PATH_IMAGE007
,
Figure 782788DEST_PATH_IMAGE008
，
Figure 389350DEST_PATH_IMAGE009
，
Figure 835243DEST_PATH_IMAGE010
， 为初始横向、纵向、垂向加速度数据，
Figure 527256DEST_PATH_IMAGE011
，
Figure 468796DEST_PATH_IMAGE012
Figure 195444DEST_PATH_IMAGE014
，
Figure 77818DEST_PATH_IMAGE015
，
Figure 257127DEST_PATH_IMAGE016
，
Figure 735513DEST_PATH_IMAGE017
为初 始横向、纵向、垂向地磁强度。
步骤2.2、计算初始四元数
Figure 831514DEST_PATH_IMAGE018
Figure 104363DEST_PATH_IMAGE019
步骤2.3、计算初始化噪声矩阵
Figure 285815DEST_PATH_IMAGE020
Figure 567891DEST_PATH_IMAGE021
其中，
Figure 252819DEST_PATH_IMAGE022
为陀螺仪噪声，
Figure 227729DEST_PATH_IMAGE023
为陀螺仪偏置噪声，
Figure 116050DEST_PATH_IMAGE024
为加速度计测量噪声，
Figure 451086DEST_PATH_IMAGE025
为磁力计测量噪声，由传感器厂家提供。
步骤2.4、初始化协方差矩阵
Figure 741253DEST_PATH_IMAGE026
为
Figure 136331DEST_PATH_IMAGE027
的单位矩阵。
步骤2.5、进入t=0到n循环，n为采集数据的序列总长度。
步骤2.6、计算扩展卡尔曼滤波器状态转移矩阵A。
Figure 777528DEST_PATH_IMAGE028
其中，T为采样时间间隔，
Figure 385095DEST_PATH_IMAGE029
，
Figure 60927DEST_PATH_IMAGE030
，
Figure 112060DEST_PATH_IMAGE031
为横、纵、垂向角速度数据，
Figure 495680DEST_PATH_IMAGE032
，
Figure 657671DEST_PATH_IMAGE033
，
Figure 171698DEST_PATH_IMAGE034
为横、纵、垂向角速度偏置量。
步骤2.7、计算状态转移方程的雅克比矩阵
Figure 393732DEST_PATH_IMAGE035
Figure 258788DEST_PATH_IMAGE036
其中，
Figure 490050DEST_PATH_IMAGE037
，
Figure 609315DEST_PATH_IMAGE038
，
Figure 517097DEST_PATH_IMAGE039
，
Figure 354603DEST_PATH_IMAGE040
时刻的四元数。
步骤2.8、更新协方差矩阵
Figure 373244DEST_PATH_IMAGE041
步骤2.9、计算载体坐标系下加速度和磁场数据
Figure 612595DEST_PATH_IMAGE043
步骤2.10、计算加速度计和磁力计测量方程的雅克比矩阵
Figure 176432DEST_PATH_IMAGE045
步骤2.11、计算卡尔曼增益
Figure 16081DEST_PATH_IMAGE046
步骤2.12、更新四元数后验状态
Figure 323565DEST_PATH_IMAGE047
其中，
Figure 666691DEST_PATH_IMAGE048
为归一化后的加速度和地磁强度数据。
步骤2.13、更新后验协方差矩阵
Figure 667008DEST_PATH_IMAGE049
其中，
Figure 462794DEST_PATH_IMAGE050
为单位矩阵。
步骤2.14、将四元数
Figure 839549DEST_PATH_IMAGE051
换为欧拉角。
Figure 787914DEST_PATH_IMAGE052
Figure 202540DEST_PATH_IMAGE053
Figure 236355DEST_PATH_IMAGE054
步骤2.15、返回循环。
步骤3、对纵向加速度进行二次积分得到车辆位置信息，并融合车辆航向角和线路曲线信息对积分误差进行里程修正。
步骤3.1、由于列车在经过曲线时航迹角随着曲线半径的变化而变化，因此根据线路曲线信息可以得到曲线主点（直缓点、缓圆点、圆缓点、缓直点）处对应的里程坐标，将该数据作为绝对里程信息。
如图2所示，图2为标准化后航迹角和曲线超高波形图，其中灰色曲线为航迹角波形，黑色曲线为曲线超高波形。可以看出通过曲线直缓点、缓圆点、圆缓点、缓直点的主点位置坐标，可以有效地识别线路绝对里程信息。
步骤3.2、初始化状态矩阵
Figure 400489DEST_PATH_IMAGE055
步骤3.3、车体沿线路纵向行驶符合牛顿第二定律，写出状态转移矩阵F。
Figure 203360DEST_PATH_IMAGE056
从而，状态转移方程对应为
Figure 794747DEST_PATH_IMAGE057
。
步骤3.4、初始化状态协方差矩阵
Figure 315858DEST_PATH_IMAGE058
和过程噪声矩阵
Figure 768836DEST_PATH_IMAGE059
均为
Figure 206640DEST_PATH_IMAGE060
。
步骤3.5、进入t=1到n循环，n为采集数据的序列总长度。
步骤3.6、状态协方差预测方程为：
Figure 719661DEST_PATH_IMAGE061
步骤3.7、计算卡尔曼增益
Figure 242915DEST_PATH_IMAGE062
Figure 499584DEST_PATH_IMAGE063
其中，
Figure 542626DEST_PATH_IMAGE064
为测量矩阵，
Figure 475816DEST_PATH_IMAGE065
为测量噪声矩阵，由于本发明将曲线绝对里程信息作为 测量值，因此
Figure 971520DEST_PATH_IMAGE066
，实例中
Figure 31879DEST_PATH_IMAGE067
。
步骤3.8、状态协方差更新方程为：
Figure 178696DEST_PATH_IMAGE068
其中，
Figure 33519DEST_PATH_IMAGE069
为
Figure 531366DEST_PATH_IMAGE070
的单位矩阵。
步骤3.9、状态更新方程为：
Figure 129837DEST_PATH_IMAGE071
其中，
Figure 616313DEST_PATH_IMAGE072
为观测数据，在本发明中即绝对里程位置。
步骤3.10、返回循环，重复上述步骤即完成里程误差修正。
步骤4、通过轨道动检车获取实测轨道高低不平顺数据。
步骤5、建立贝叶斯长短期记忆神经网络模型，其具体包括：
步骤5.1、对传统的长短期记忆神经网络模型进行改进，神经元权重参数采用区间估计而非点估计，使神经网络的预测结果具有一定的置信区间。
步骤5.2、神经网络模型的输入神经元节点采用256个点，输入的车体垂向加速度数据序列长度与之对应。
步骤5.3、神经网络模型的隐藏层数为2，隐藏神经元数为4，采用双向输出的LSTM，输出激活函数为双曲正切函数，损失函数为高低不平顺预测结果和真实值之间的均方误差，采用Adam优化算法调整训练迭代过程中的参数学习率。
步骤5.4、对神经网络模型进行训练，训练过程中按照伯努利分布随机采样，并按照0.2的概率关闭对应的神经元。对数据采用分批次训练，训练批数据大小为1024，默认迭代次数为20000次，设置早停机制，默认当20个迭代循环内损失函数不再降低时停止训练，从而避免训练参数过拟合。
步骤6、对训练完成的贝叶斯神经网络模型进行测试，测试过程中同样按照伯努利分布随机采样并以0.2的概率关闭对应的神经元。对同样的输入数据计算50次预测结果，最终得到预测结果的均值和标准差。
步骤7、根据步骤6得到的预测结果均值和标准差，设置不同的
Figure 162744DEST_PATH_IMAGE073
倍标准差得到预 测置信区间，并以CWEC作为衡量区间预测能力的评价指标，具体包括：
步骤7.1、计算区间预测覆盖概率（Prediction Intervals CoverageProbability, PICP）
Figure 633040DEST_PATH_IMAGE074
Figure 284470DEST_PATH_IMAGE075
其中，n是预测序列的总数目；
Figure 891032DEST_PATH_IMAGE076
是区间预测结果；
Figure 353237DEST_PATH_IMAGE077
是真实值。该指标衡量了 真实值在预测区间内的所占比例，值越大说明预测结果越好。
步骤7.2、计算区间预测标准化平均宽度（Prediction Intervals NormalizedAverage Width, PINAW）和区间预测误差比例（Prediction Intervals Error Rate,PIER）
Figure 560097DEST_PATH_IMAGE078
Figure 500371DEST_PATH_IMAGE079
Figure 227018DEST_PATH_IMAGE080
其中，
Figure 109393DEST_PATH_IMAGE081
和
Figure 23122DEST_PATH_IMAGE082
分别代表真实值在预测区间内和区间外的点；
Figure 16355DEST_PATH_IMAGE083
和
Figure 128667DEST_PATH_IMAGE084
分别 代表预测区间的置信上限和下限。PINAW衡量区间预测的不确定性，其值越小越好；PIER衡 量区间预测的误差大小，其值越小越好。
步骤7.3、计算区间预测的综合覆盖宽度和预测标准（Coverage Width and ErrorCriterion, CWEC）
Figure DEST_PATH_IMAGE085
PICP和PINAW、PIER存在竞争关系，而CWEC可以综合考虑三个指标的性能，其值越大越好，其值越大，预测效果越好。最终根据预测准确、覆盖宽度窄、误差较小的区间预测结果得到最佳的置信区间宽度N。
如图3所示，图3为高低不平顺的峰值区间预测结果图，其中灰色部分为预测区间，黑色曲线为真实值。可以看出，采用贝叶斯深度学习方法，可以有效地预测轨道高低不平顺峰值区间，区间预测提供了一个预测结果的分布范围，能够较好地包络真实值；同时，由于受到CWEC指标的约束，区间上下限能够保持在一个较窄的范围内，从而避免预测结果出现过多的不确定性。
本发明提出的方法，建立了通过车体垂向加速度预测轨道高低不平顺的反向动力学演化模型，该模型仅需对车体的振动加速度、角速度及所在地磁强度进行测量，相较于传统的采用轨道动检车的检测方式，本发明极大地减少了轨道不平顺检测成本，能够保证稳定的检测准确度能够应用于一般的服役车辆中，有效地提升了铁路轨道平顺性的检测频率，相较于传统的每月1到2次的轨检车检测方式，本发明能够及时地发现由于钢轨伤损、断裂等恶劣条件导致的轨道几何形位突变，从而制定相应的补救维修措施，保障列车的安全运营，具有较强适应性和泛化能力，能够适用于桥梁、路基、隧道等各种轨道结构中的高低不平顺峰值区间检测。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种车载式的轨道高低不平顺峰值区间检测方法，其特征在于，包括数据采集、数据预处理、模型建立及训练、预测评价得到最佳置信区间宽度。
2.根据权利要求1所述的车载式的轨道高低不平顺峰值区间检测方法，其特征在于：所述数据采集包括如下：采集车体三轴加速度、角速度及当前位置的地磁强度，采集轨道不平顺数据；所述数据预处理包括：通过卡尔曼滤波方法对车体加速度姿态进行校正，对车体纵向加速度进行二次积分并进行里程误差修正。
3.根据权利要求1所述的车载式的轨道高低不平顺峰值区间检测方法，其特征在于：所述模型建立及训练包括：建立贝叶斯长短期记忆神经网络模型，训练模型后测试模型预测结果；所述预测评价得到最佳置信区间宽度包括：计算峰值区间预测结果CWEC值，得到最佳置信区间宽度。
4.根据权利要求2所述的车载式的轨道高低不平顺峰值区间检测方法，其特征在于：所述采集车体三轴加速度、角速度及当前位置的地磁强度具体是在车体上安装采样频率超过500Hz的横向、垂向、纵向三轴加速度传感器，三轴陀螺仪传感器和三轴地磁强度传感器，获取车体三轴振动加速度、角速度和当前位置的地磁强度；所述采集轨道不平顺数据具体是通过轨道动检车获取轨道高低不平顺数据。
5.根据权利要求2所述的车载式的轨道高低不平顺峰值区间检测方法，其特征在于：所述通过卡尔曼滤波方法对车体加速度姿态进行校正，对车体纵向加速度进行二次积分并进行里程误差修正具体是指：融合采集到的的加速度、角速度和地磁数据，然后通过卡尔曼滤波方法获取车辆运动横滚角、俯仰角和航向角，并根据三种姿态角对车辆运动加速度姿态进行校正，得到车辆在大地坐标系下的三轴振动加速度，再对车体纵向加速度进行二次积分得到车辆位置信息，并利用车辆航向角和线路曲线信息对二次积分的结果进行里程误差修正。
6.根据权利要求5所述的车载式的轨道高低不平顺峰值区间检测方法，其特征在于：所述里程误差修正具体是指：根据线路曲线信息数据得到曲线主点坐标，曲线主点坐标包括直缓点、缓圆点、圆缓点和缓直点，初始化状态向量、过程噪声及测量噪声，根据状态转移方程和协方差外推方程预测下一步状态和协方差，计算卡尔曼增益后更新后验状态和状态协方差，此为一个循环步骤，重复此步骤即完成里程误差修正。
7.根据权利要求3所述的车载式的轨道高低不平顺峰值区间检测方法，其特征在于：所述建立贝叶斯长短期记忆神经网络模型，训练模型后测试模型预测结果具体是指：对传统的长短期记忆神经网络模型进行改进，神经元权重参数采用区间估计，使神经网络的预测结果具有置信区间，将车体垂向加速度作为模型输入，神经网络模型的输入神经元节点采用256个点，神经网络模型的隐藏层数为2，隐藏神经元数为4，采用双向输出的LSTM，输出激活函数为双曲正切函数，损失函数为高低不平顺预测结果和真实值之间的均方误差，采用Adam优化算法调整训练迭代过程中的参数学习率，按照伯努利分布随机采样并以0.2的概率关闭对应的神经元，数据采用分批次，对神经网络模型进行训练，输入数据测试模型后得到预测结果的均值和标准差。
8.根据权利要求7所述的车载式的轨道高低不平顺峰值区间检测方法，其特征在于：所述对神经网络模型进行训练包括设置有早停机制，具体是当20个迭代循环内损失函数不再降低时停止训练，避免训练参数过拟合。
9.根据权利要求3所述的车载式的轨道高低不平顺峰值区间检测方法，其特征在于：所述计算峰值区间预测结果CWEC值，得到最佳置信区间宽度具体是指：根据得到的预测结果均值和标准差，设置不同的±N倍标准差得到预测置信区间，并以CWEC评价指标作为衡量区间预测能力的评价指标。
10.根据权利要求9所述的车载式的轨道高低不平顺峰值区间检测方法，其特征在于： 所述CWEC评价指标包括计算区间预测覆盖概率PICP、计算区间预测标准化平均宽度PINAW 和计算区间预测误差比例PIER，
Figure DEST_PATH_IMAGE002
， CWEC值越大，预测结果越好，最终得 到最佳的置信区间宽度N。
CN202110520888.1A 2021-05-13 2021-05-13 一种车载式的轨道高低不平顺峰值区间检测方法 Active CN112948984B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110520888.1A CN112948984B (zh) 2021-05-13 2021-05-13 一种车载式的轨道高低不平顺峰值区间检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110520888.1A CN112948984B (zh) 2021-05-13 2021-05-13 一种车载式的轨道高低不平顺峰值区间检测方法

Publications (2)

Publication Number Publication Date
CN112948984A true CN112948984A (zh) 2021-06-11
CN112948984B CN112948984B (zh) 2021-07-23

Family

ID=76233826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110520888.1A Active CN112948984B (zh) 2021-05-13 2021-05-13 一种车载式的轨道高低不平顺峰值区间检测方法

Country Status (1)

Country Link
CN (1) CN112948984B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113919236A (zh) * 2021-10-29 2022-01-11 中国国家铁路集团有限公司 预测轨道不平顺的模型生成方法和轨道不平顺的预测方法
CN114216704A (zh) * 2021-11-17 2022-03-22 浙江天铁实业股份有限公司 一种轨道减振垫参数检测方法
CN114322911A (zh) * 2021-12-31 2022-04-12 重庆大学 一种联合卡尔曼滤波的桥梁路面平整度间接精准识别方法
CN114771330A (zh) * 2022-06-20 2022-07-22 西南交通大学 基于通信感知计算传能一体化的无人机充电方法和系统
CN115257857A (zh) * 2022-09-28 2022-11-01 西南交通大学 一种基于惯性原理的轨面三角坑识别方法
CN115662166A (zh) * 2022-09-19 2023-01-31 长安大学 一种自动驾驶数据处理方法及自动驾驶交通系统
CN115906497A (zh) * 2022-12-05 2023-04-04 中国铁路设计集团有限公司 轨道交通线路区间轨道动态不平顺即时获取方法
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、系统及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629298A (zh) * 2012-03-09 2012-08-08 北京交通大学 一种轨道交通系统运行安全评估方法
CN102797202A (zh) * 2012-08-29 2012-11-28 北京交通大学 基于观测器的轨道横向不平顺检测方法
CN105139086A (zh) * 2015-08-13 2015-12-09 杭州电子科技大学 基于优化置信规则推理的轨道高低不平顺幅值估计方法
CN110029544A (zh) * 2019-06-03 2019-07-19 西南交通大学 一种轨道不平顺的测量方法及装置
CN110874450A (zh) * 2019-11-20 2020-03-10 武汉理工大学 一种基于车载监测的铁路桥梁轨道不平顺计算方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629298A (zh) * 2012-03-09 2012-08-08 北京交通大学 一种轨道交通系统运行安全评估方法
CN102797202A (zh) * 2012-08-29 2012-11-28 北京交通大学 基于观测器的轨道横向不平顺检测方法
CN105139086A (zh) * 2015-08-13 2015-12-09 杭州电子科技大学 基于优化置信规则推理的轨道高低不平顺幅值估计方法
CN110029544A (zh) * 2019-06-03 2019-07-19 西南交通大学 一种轨道不平顺的测量方法及装置
CN110874450A (zh) * 2019-11-20 2020-03-10 武汉理工大学 一种基于车载监测的铁路桥梁轨道不平顺计算方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GAO, TC等: "Vertical track irregularity analysis of high-speed railways on simply-supported beam bridges based on the virtual track inspection method", 《PROCEEDINGS OF THE INSTITUTION OF MECHANICAL ENGINEERS PART F-JOURNAL OF RAIL AND RAPID TRANSIT》 *
李东昇等: "高铁常用跨度简支梁桥上轨道周期性不平顺影响分析", 《中国铁道科学》 *
郑勇: "《会计预测学 传统、创新与实务》", 30 November 2013, 武汉：华中科技大学出版社 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113919236A (zh) * 2021-10-29 2022-01-11 中国国家铁路集团有限公司 预测轨道不平顺的模型生成方法和轨道不平顺的预测方法
CN114216704A (zh) * 2021-11-17 2022-03-22 浙江天铁实业股份有限公司 一种轨道减振垫参数检测方法
CN114322911A (zh) * 2021-12-31 2022-04-12 重庆大学 一种联合卡尔曼滤波的桥梁路面平整度间接精准识别方法
CN114322911B (zh) * 2021-12-31 2023-08-04 重庆大学 一种联合卡尔曼滤波的桥梁路面平整度间接精准识别方法
CN114771330A (zh) * 2022-06-20 2022-07-22 西南交通大学 基于通信感知计算传能一体化的无人机充电方法和系统
CN115662166A (zh) * 2022-09-19 2023-01-31 长安大学 一种自动驾驶数据处理方法及自动驾驶交通系统
CN115662166B (zh) * 2022-09-19 2024-04-09 长安大学 一种自动驾驶数据处理方法及自动驾驶交通系统
CN115257857A (zh) * 2022-09-28 2022-11-01 西南交通大学 一种基于惯性原理的轨面三角坑识别方法
CN115906497A (zh) * 2022-12-05 2023-04-04 中国铁路设计集团有限公司 轨道交通线路区间轨道动态不平顺即时获取方法
CN115906497B (zh) * 2022-12-05 2024-03-26 中国铁路设计集团有限公司 轨道交通线路区间轨道动态不平顺即时获取方法
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、系统及存储介质
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、系统及存储介质

Also Published As

Publication number Publication date
CN112948984B (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN112948984B (zh) 一种车载式的轨道高低不平顺峰值区间检测方法
CN106458235B (zh) 确定铁路轨道的结构参数的方法和装置
EP0575327B1 (en) A method and an apparatus for measuring curvature and crossfall of ground surfaces
CN101644023B (zh) 一种路面平整度检测方法
CN110184885B (zh) 一种基于智能手机测试路面平整度的方法
EP2510154A1 (en) Method for determining the stress free temperature of the rail and/or the track resistance
US20120203402A1 (en) Intelligent Railway System for Preventing Accidents at Railway Passing Points and Damage to the Rail Track
CN106125548A (zh) 工业机器人动力学模型参数辨识方法
US11714021B2 (en) Measurement method, measurement device, measurement system, and measurement program
CN109916431A (zh) 一种针对四轮移动机器人的车轮编码器标定算法
ES2823500T3 (es) Procedimiento y dispositivo para la determinación de las características de adherencia
Urda et al. Wheel-rail contact force measurement using strain gauges and distance lasers on a scaled railway vehicle
CN110319990B (zh) 基于倾角仪优化布置的桥梁动挠度监测方法
CN101914889A (zh) 基于加速度补偿的激光平整度测量系统和方法
CN109664797A (zh) 轨网检测系统及检测车
CN108920766B (zh) 一种基于基函数表示和稀疏正则化的桥梁影响线识别方法
GB2307061A (en) Guided vehicle position detector
US20230083004A1 (en) Method of monitoring health status of bridges in normal traffic conditions
CN115388815B (zh) 一种磁悬浮系统轨道功能件不平顺静态测量方法与装置
Feng et al. Characterization of the road profile and the rotational stiffness of supports in a bridge based on axle accelerations of a crossing vehicle
CN114186362A (zh) 一种基于运营列车振动响应预测轨道不平顺及其传感器优化配置的分析方法
CN110344327B (zh) 一种斜拉桥上轨道控制网cpiii点实时高程计算方法
CN110658543B (zh) 一种基于非接触式测量的高速铁路轨道几何参数检测方法
CN202368605U (zh) 一种动态检测铁路轨道左右钢轨轨向的检测装置
Gan et al. Bridge continuous deformation measurement technology based on fiber optic gyro

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230802

Address after: 610000 Room 301, floor 3, building 1, No. 126, East Section 2 of the first ring road, Chenghua District, Chengdu, Sichuan

Patentee after: Sichuan Zhongke Deloitte Technology Co.,Ltd.

Address before: No. 111, No. 111, Chengdu City, Sichuan Province, north part of the two ring road

Patentee before: SOUTHWEST JIAOTONG University