CN113919236A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113919236A CN113919236A CN202111277810.8A CN202111277810A CN113919236A CN 113919236 A CN113919236 A CN 113919236A CN 202111277810 A CN202111277810 A CN 202111277810A CN 113919236 A CN113919236 A CN 113919236A
- Authority
- CN
- China
- Prior art keywords
- irregularity
- value
- sequence
- actual
- 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
- 238000000034 method Methods 0.000 title claims abstract description 100
- 230000001133 acceleration Effects 0.000 claims abstract description 114
- 238000003062 neural network model Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 37
- 238000006073 displacement reaction Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 49
- 230000015654 memory Effects 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 8
- 230000002457 bidirectional effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007430 reference method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本文提供了一种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,包括:获取车辆运行过程中的位移、加速度和角速度;对位移、加速度和角速度进行计算,得到轨道不平顺实际值序列,其中在车辆运行过程中不同时间点对应的不平顺实际值不同;将加速度中的垂向加速度输入初始神经网络模型中进行训练,通过损失函数循环调整初始神经网络模型;使通过模型训练后得到的不平顺预测值与对应的不平顺实际值之间的差距减小,使不平顺预测值的绝对值小于或等于对应的不平顺实际值的绝对值,并使不平顺预测值序列的峰值和谷值与对应的不平顺实际值之间的差值小于设定差值;进而得到目标神经网络模型。本文能够通过模型来方便快捷的预测轨道的不平顺情况。
Description
技术领域
本发明涉及铁路工程领域,特别地,涉及一种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。
背景技术
轨道的平顺状态会直接决定运行于轨道上车辆系统的运行安全性和舒适性,当轨道平顺状态不好时,会严重影响行车的平稳性和安全性,甚至会造成列车脱轨,随着列车速度的提高,目前对轨道的平顺性提出了更高的要求。
目前对于轨道不平顺的检测方式主要是通过专业的检测车辆和设备进行定期的检测,但是随着高速铁路运输任务的不断增长,为了保证铁路运输的安全性,轨道不平顺检测的频率不断提高,而现有的对于轨道不平顺的检测方式操作复杂且耗时较长,不能够满足检测任务增长的需要。
为了能够快捷方便的进行轨道不平顺情况的预测,现提出一种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,能够通过模型来方便快捷的预测轨道的不平顺情况。
发明内容
本文实施例的目的在于提供一种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,通过模型来方便快捷的预测轨道的不平顺情况。
为达到上述目的,一方面,本文实施例提供了一种预测轨道不平顺的模型生成方法,包括:
获取车辆运行过程中的位移、加速度和角速度;
对所述位移、加速度和角速度进行计算,得到轨道的不平顺实际值序列,其中在车辆运行过程中不同时间点对应的不平顺实际值不同;
将所述加速度中的垂向加速度输入初始神经网络模型中进行训练,通过损失函数循环调整所述初始神经网络模型;使通过模型训练后得到的不平顺预测值与对应的不平顺实际值之间的差距减小,使不平顺预测值的绝对值小于或等于对应的不平顺实际值的绝对值,并使不平顺预测值序列的峰值和谷值与对应的不平顺实际值之间的差值小于设定差值;进而得到目标神经网络模型。
优选的,所述损失函数的确定方法包括:
所述损失函数由风险系数和内侧系数中至少一者,以及不平顺实际值序列和不平顺预测值序列的均方误差构成;
其中所述均方误差用于使通过模型训练后得到的不平顺预测值与对应的不平顺实际值之间的差距减小;所述风险系数用于使不平顺预测值序列的峰值和谷值等于对应的不平顺实际值;所述内侧系数用于使通过模型训练后得到的不平顺预测值的绝对值小于或等于对应的不平顺实际值的绝对值。
优选的,所述损失函数由风险系数和内侧系数中至少一者,以及不平顺实际值序列和不平顺预测值序列的均方误差构成进一步包括:
所述损失函数通过如下公式确定:
优选的,所述将所述加速度中的垂向加速度输入初始神经网络模型中进行训练,通过损失函数循环调整所述初始神经网络模型进一步包括:
将所述加速度中的垂向加速度输入一维卷积神经网络中进行训练,得到第一特征序列;
将所述第一特征序列输入双向长短时记忆网络中进行正反两个方向的传播,得到第二特征序列;
将所述第二特征序列输入全连接神经网络中进行训练,通过损失函数调整所述全连接神经网络。
优选的,所述对所述位移、加速度和角速度进行计算,得到轨道的不平顺实际值序列进一步包括:
通过惯性基准法对所述位移、加速度和角速度进行计算,得到轨道的不平顺初始值序列;
通过滤波算法对所述不平顺初始值序列进行数据的平滑和拟合,得到轨道的不平顺实际值序列。
优选的,所述将所述加速度中的垂向加速度输入初始神经网络模型中进行训练进一步包括:
由所述加速度中提取出垂向加速度,其中在车辆运行过程中不同时间点对应的垂向加速度不同;
按照车辆运行的时间顺序,将垂向加速度组合形成若干个垂向加速度序列,将若干个垂向加速度序列输入初始神经网络模型中进行训练,其中每一垂向加速度序列中垂向加速度的数目相同。
另一方面,本文实施例提供了一种预测轨道不平顺的模型生成装置,所述装置包括:
获取模块:获取车辆运行过程中的位移、加速度和角速度;
实际值确定模块:对所述位移、加速度和角速度进行计算,得到轨道的不平顺实际值序列,其中在车辆运行过程中不同时间点对应的不平顺实际值不同;
模型确定模块:将所述加速度中的垂向加速度输入初始神经网络模型中进行训练,通过损失函数循环调整所述初始神经网络模型;使通过模型训练后得到的不平顺预测值与对应的不平顺实际值之间的差距减小,使不平顺预测值的绝对值小于或等于对应的不平顺实际值的绝对值,并使不平顺预测值序列的峰值和谷值等于对应的不平顺实际值;进而得到目标神经网络模型。
又一方面,本文实施例还提供了一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,所述计算机程序被所述处理器运行时,执行上述任意一项所述方法的指令。
又一方面,本文实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被计算机设备的处理器运行时,执行上述任意一项所述方法的指令。
又一方面,本文实施例还提供了一种轨道不平顺的预测方法,包括:
获取车辆运行过程中的垂向加速度;
将所述垂向加速度输入上述任意一项所述的目标神经网络模型中,得到轨道的不平顺值。
由以上本文实施例提供的技术方案可见,本文实施例通过损失函数循环调整所述初始神经网络模型过程中,损失函数在度量不平顺预测值与不平顺实际值之间差距后,将差距反向传播给初始神经网络,不断调整初始神经网络模型,使得模型训练后得到的不平顺预测值与对应的不平顺实际值之间的差距减小并且满足上述轨道不平顺预测的两方面内容,即可得到目标神经网络模型。
现有技术中,需要专业的检测车和设备获取位移、加速度和角速度,而通过上述方法,无需专业的检测车和设备,只需要在车辆运行过程中获取车辆的垂向加速度即可,通过将车辆的垂向加速度输入到目标神经网络模型中就可以得到轨道的不平顺数据。本申请的方法方便、快捷,能够提高轨道不平顺情况预测的效率。
为让本文的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
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示出了本文实施例提供的一种预测轨道不平顺的模型生成方法的流程示意图;
图2示出了本文实施例提供的将垂向加速度输入初始神经网络模型中进行训练的流程示意图;
图3示出了本文实施例提供的模型训练以及通过损失函数调整初始神经网络模型的流程示意图;
图4示出了本文实施例提供的计算位移、加速度和角速度,得到不平顺实际值序列的流程示意图;
图5示出了本文实施例提供的HP滤波后不平顺实际值序列和不平顺初始值序列的对比图;
图6示出了本文实施例提供的一种轨道不平顺的预测方法的流程示意图;
图7示出了本文实施例提供的当γ设为不同值训练模型时预测得到的不平顺数据的对比图;
图8是处理本文实施例提供的当λ设为不同值训练模型时预测得到的不平顺数据的对比图;
图9示出了本文实施例提供的一种预测轨道不平顺的模型生成装置的模块结构示意图;
图10示出了本文实施例提供的计算机设备的结构示意图。
附图符号说明:
100、获取模块;
200、实际值确定模块;
300、模型确定模块;
1002、计算机设备;
1004、处理器;
1006、存储器;
1008、驱动机构;
1010、输入/输出模块;
1012、输入设备;
1014、输出设备;
1016、呈现设备;
1018、图形用户接口;
1320、网络接口;
1022、通信链路;
1024、通信总线。
具体实施方式
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。
目前对于轨道不平顺的检测方式主要是通过专业的检测车辆和设备进行定期的检测,但是随着高速铁路运输任务的不断增长,为了保证铁路运输的安全性,轨道不平顺检测的频率不断提高,而现有的对于轨道不平顺的检测方式操作复杂且耗时较长,不能够满足检测任务增长的需要。
为了解决上述问题,本文实施例提供了一种预测轨道不平顺的模型生成方法。图1是本文实施例提供的一种预测轨道不平顺的模型生成方法的步骤示意图,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。在实际中的系统或装置产品执行时,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。
参照图1,一种预测轨道不平顺的模型生成方法,包括:
S101:获取车辆运行过程中的位移、加速度和角速度;
S102:对所述位移、加速度和角速度进行计算,得到轨道的不平顺实际值序列,其中在车辆运行过程中不同时间点对应的不平顺实际值不同;
S103:将所述加速度中的垂向加速度输入初始神经网络模型中进行训练,通过损失函数循环调整所述初始神经网络模型;使通过模型训练后得到的不平顺预测值与对应的不平顺实际值之间的差距减小,使不平顺预测值的绝对值小于或等于对应的不平顺实际值的绝对值,并使不平顺预测值序列的峰值和谷值与对应的不平顺实际值之间的差值小于设定差值;进而得到目标神经网络模型。
在车辆的运行过程中,可以通过检测设备来获取车辆的位移、加速度和角速度。对位移、加速度和角速度计算后,得到轨道的不平顺实际值序列,不平顺实际值序列可以作为初始神经网络模型的预测目标。将加速度中的垂向加速度输入初始神经网络模型中进行训练,目的是使得初始神经网络模型的输出值与预测目标相同或相近。
具体的,由于轨道分为左右两个轨道,本文的轨道不平顺指的是左轨道或者右轨道的高低不平顺。不管是现有技术通过检测车进行轨道不平顺的检测,还是对于本申请通过模型来预测轨道不平顺,左右两个轨道之间并没有实质性的分别,因此本文的模型生成方法是预测左轨道高低不平顺或者右轨道高低不平顺的模型生成方法。
由于车体垂向加速度对高低不平顺更加敏感,且受曲线、会车(两车交会通过时会造成车辆横向摆动)、大风等因素影响较小,因此利用垂向加速度进行模型时的精准度更高。
在初始神经网络模型进行训练过程中,会通过损失函数对其进行调整,一般来说,损失函数是度量神经网络的输出值(不平顺预测值)与预测目标(不平顺实际值)之间差距的一种方式,在本申请中,由于轨道不平顺预测有其自身的特点,主要体现在两方面。
一方面是需要使不平顺预测值的绝对值小于或等于对应的不平顺实际值的绝对值,另一方面是需要使不平顺预测值序列的峰值与对应的不平顺实际值之间的差值小于设定差值,并使不平顺预测值序列的谷值与对应的不平顺实际值之间的差值小于设定差值。原因是一方面当不平顺预测值的绝对值在大于不平顺实际值的绝对值时可能造成错误预警,严重时可能会使得列车暂停运行,另一方面峰值和谷值往往代表着较高的安全运行风险和较高的缺陷可能性,因此为了保证运行的安全,需要使峰值和谷值尽可能的接近对应的不平顺实际值,其中设定差值可以根据实际需求进行设定,默认为当峰值和谷值与对应的不平顺实际值的差值小于设定差值时,能够保证车辆的运行安全。
在通过损失函数循环调整所述初始神经网络模型过程中,损失函数在度量神经网络的输出值(不平顺预测值)与预测目标(不平顺实际值)之间差距后,将差距反向传播给初始神经网络,不断调整初始神经网络模型,使得模型训练后得到的不平顺预测值与对应的不平顺实际值之间的差距减小并且满足上述轨道不平顺预测的两方面内容,即可得到目标神经网络模型。
现有技术中,需要专业的检测车和设备获取位移、加速度和角速度,而通过上述方法,无需专业的检测车和设备,只需要在车辆运行过程中获取车辆的垂向加速度即可,通过将车辆的垂向加速度输入到目标神经网络模型中就可以得到轨道的不平顺数据。本申请的方法方便、快捷,能够提高轨道不平顺情况预测的效率。
在本文实施例中,所述损失函数的确定方法包括:
所述损失函数由风险系数和内侧系数中至少一者,以及不平顺实际值序列和不平顺预测值序列的均方误差构成;
其中所述均方误差用于使通过模型训练后得到的不平顺预测值与对应的不平顺实际值之间的差距减小;所述风险系数用于使不平顺预测值序列的峰值和谷值等于对应的不平顺实际值;所述内侧系数用于使通过模型训练后得到的不平顺预测值的绝对值小于或等于对应的不平顺实际值的绝对值。
对于现有的神经网络模型来说,大多采用传统的损失函数来对神经网络模型进行调整,传统的损失函数只包括不平顺实际值序列和不平顺预测值序列的均方误差。而本文为了满足上述轨道不平顺预测的两方面内容,将损失函数的组成在现有均方误差的基础上,添加了风险系数和内侧系数中的至少一者。
在本文实施例中,进一步的,所述损失函数由风险系数和内侧系数中至少一者,以及不平顺实际值序列和不平顺预测值序列的均方误差构成进一步包括:
所述损失函数通过如下公式确定:
当不平顺预测值的绝对值小于或等于不平顺实际值|yi|时,内侧系数为0,相当于增加对损失函数的乘法,当不平顺预测值的绝对值大于不平顺实际值|yi|时,内侧系数随着的增加而增加,对损失函数进行乘法,以保障不平顺预测值的绝对值小于或等于对应的不平顺实际值的绝对值。
参照图2,在本文实施例中,所述将所述加速度中的垂向加速度输入初始神经网络模型中进行训练进一步包括:
S201:由所述加速度中提取出垂向加速度,其中在车辆运行过程中不同时间点对应的垂向加速度不同;
S202:按照车辆运行的时间顺序,将垂向加速度组合形成若干个垂向加速度序列,将若干个垂向加速度序列输入初始神经网络模型中进行训练,其中每一垂向加速度序列中垂向加速度的数目相同。
具体的,在获取车辆运行过程中的位移、加速度和角速度时,按照每0.25米一个采样点作为采样频率进行等间隔采样,则提取出的垂向加速度也是每0.25米获取一个。在本文中采用长度为500个采样点的移动窗口,以10个点为移动步长组成若干个垂向加速度序列,例如第1-500个采样点对应的垂向加速度为第一个垂向加速度序列,第11-510个采样点对应的垂向加速度为第二个垂向加速度序列……将若干个垂向加速度序列输入初始神经网络模型中进行训练。
参照图3,在本文实施例中,所述将所述加速度中的垂向加速度输入初始神经网络模型中进行训练,通过损失函数循环调整所述初始神经网络模型进一步包括:
S301:将所述加速度中的垂向加速度输入一维卷积神经网络中进行训练,得到第一特征序列;
S302:将所述第一特征序列输入双向长短时记忆网络中进行正反两个方向的传播,得到第二特征序列;
S303:将所述第二特征序列输入全连接神经网络中进行训练,通过损失函数调整所述全连接神经网络。
初始神经网络模型中可以包括一维卷积神经网络、双向长短时记忆网络和全连接神经网络,当然也可以只包括上述三种网络中的任意一者或者两者,如果只包括任意一者,则该网络需要通过损失函数进行调整,如果包括任意两者,则两个网络会有训练的先后顺序,位于后序的网络需要通过损失函数进行调整。如果是本文所示的三种网络进行训练,则按照训练的先后顺序,全连接神经网络需要通过损失函数进行调整。
在本文中,将一维卷积神经网络用于垂向加速度的特征提取,一维卷积神经网络由一维卷积层和激活函数组成,由于垂向加速度有正负之分,所以选择tanh函数作为激活函数,卷积层的卷积核大小设置为10,步长为1,卷积核数量为100。为了保障经过卷积层的垂向加速度数据能够跟轨道的不平顺实际值序列一一对应,可以使用padding方法保障卷积前后的数据长度一致。
由于车体的垂向加速度对于轨道不平顺的反应有一定的延迟,在通过垂向加速度数据对轨道不平顺进行预测时,不仅要考虑到当前点之前的垂向加速度数据,还要考虑到当前点之后的垂向加速度数据,根据这个特点本文选用双向长短时记忆网络来对轨道不平顺进行预测。双向长短时记忆网络分别将一维卷积神经网络得到的第一特征序列以正反两个方向进行传播,经过双向长短时记忆网络每个节点得到一个100×1的第二特征序列。
对于每个节点输出的第二特征序列输入到全连接神经网络进行回归,经过三层全连接神经网络,能够得到对应节点的轨道不平顺预测值。
通过三个神经网络依次进行训练的过程中,包括三个步骤,第一步是向一维卷积神经网络中输入500×1(500行1列)的垂向加速度序列,得到100个500×1(500行1列)的第一特征序列。第二个步骤是将第一特征序列输入到双向长短时记忆网络中,得到100×1的第二特征序列,第二特征序列设置有500个,第三步骤将第二特征序列输入到全连接神经网络进行回归,得到500×1(500行1列)的不平顺预测值序列。通过上述训练过程得到的三个神经网络组成用于预测轨道不平顺的目标神经网络模型。
参照图4,在本文实施例中,所述对所述位移、加速度和角速度进行计算,得到轨道的不平顺实际值序列进一步包括:
S401:通过惯性基准法对所述位移、加速度和角速度进行计算,得到轨道的不平顺初始值序列;
S402:通过滤波算法对所述不平顺初始值序列进行数据的平滑和拟合,得到轨道的不平顺实际值序列。
按照时间序列采集车辆运行过程中的位移、加速度和角速度后,采用激光扫描和图像处理等技术,按照惯性基准法对位移、加速度和角速度进行计算,得到轨道的不平顺初始值序列。其中时间序列含义为时间点的先后顺序,例如在采集位移、加速度和角速度时,每隔0.25米采集一次,每次的采集时刻为一个时间点,多个时间点组成时间序列。
在进行位移、加速度和角速度的采集时,不可避免受到车辆振动、天气、温度变化等干扰,给检测结果的精度带来影响,进而导致得到的不平顺初始值序列预测不准确,因此在得到不平顺初始值序列后通过HP滤波算法对其进行处理,滤除高频波动。
其中HP滤波算法的过程如下:
轨道的不平顺实际值序列由信号的低频部分和高频部分组成,具体的通过如下公式表达:
Y(t)=X(t)+C(t) (1)
其中Y(t)为不平顺初始值序列,X(t)为信号的低频部分,C(t)为信号的高频部分,t为时间点。目的是将不平顺初始值序列中信号的高频部分滤除掉,只剩余信号的低频部分作为不平顺实际值序列。
其中m为时间点的个数,β是控制平滑程度的惩罚因子。
X(t)可以通过求解F的最小值得到,即对下式进行求解:
可以看出上式由两部分组成,第一部分:
这部分反映的是X(t)对Y(t)的还原程度,该部分数值越小代表X(t)对Y(t)的还原程度越好。
第二部分:
这部分反映的是X(t)的平滑程度,该部分越小代表X(t)的平滑程度越高。
β是控制平滑程度的惩罚因子,其大小设置需要权衡X(t)对Y(t)的还原和X(t)的平滑程度,在本文中β选取为30。
为了求解X(t),结合式(1)和式(2)分别对X(1),X(2),…,X(m)求偏导,并令偏导等于0,则可得:
根据上式可得如下m×m系数矩阵F:
上式用矩阵表示可表示为:
C=βFX (4)
其中X=(X(1),X(2),…,X(m))′,C=(C(1),C(2),…,C(m))′,将式(3)带入式(1),并令Y=(Y(1),Y(2),…,Y(m))′,可得:
X=(βF+I)-1Y (5)
其中,I是m×m的单位矩阵。X即为不平顺初始值序列滤除高频部分后得到的不平顺实际值序列。
参照图5,通过HP滤波后得到的不平顺实际值序列比起不平顺初始值序列来说平滑程度更好,毛刺部分减少。
参照图6,基于上述的一种预测轨道不平顺的模型生成方法,本文还提供一种轨道不平顺的预测方法,包括:
S501:获取车辆运行过程中的垂向加速度;
S502:将所述垂向加速度输入上述所述的目标神经网络模型中,得到轨道的不平顺值。
具体的,对一段125m长的轨道进行不平顺预测的效果如图7和图8所示。
为验证本发明所提出的预测轨道不平顺的模型的效果,分别针对其中的风险系数和内侧系数对模型的影响进行了验证。
为验证内侧系数的作用,在其它条件不变的情况下,分别将γ设为不同值训练模型并进行测试,结果如图7所示,可见在A,B两点当γ=0.3时与γ=0时相比,不平顺预测值的绝对值小于或等于对应的不平顺实际值的绝对值。同样的,为验证风险系数的作用,在其它条件不变的情况下,分别将λ设为不同值训练模型并进行测试,结果如图8所示,可见在A,B,C,D,E这五个大值点中,当λ=0.2时与其它情况相比,不平顺预测值序列的峰值和谷值与对应的不平顺实际值之间的差值小于设定差值。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
基于上述所述的一种预测轨道不平顺的模型生成方法,本文实施例还提供一种预测轨道不平顺的模型生成装置。所述的装置可以包括使用了本文实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本文实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本文实施例具体的装置的实施可以参见前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
具体地,图9是本文实施例提供的一种预测轨道不平顺的模型生成装置一个实施例的模块结构示意图,参照图9所示,本文实施例提供的一种预测轨道不平顺的模型生成装置包括:获取模块100、实际值确定模块200、模型确定模块300。
获取模块100:获取车辆运行过程中的位移、加速度和角速度;
实际值确定模块200:对所述位移、加速度和角速度进行计算,得到轨道的不平顺实际值序列,其中在车辆运行过程中不同时间点对应的不平顺实际值不同;
模型确定模块300:将所述加速度中的垂向加速度输入初始神经网络模型中进行训练,通过损失函数循环调整所述初始神经网络模型;使通过模型训练后得到的不平顺预测值与对应的不平顺实际值之间的差距减小,使不平顺预测值的绝对值小于或等于对应的不平顺实际值的绝对值,并使不平顺预测值序列的峰值和谷值等于对应的不平顺实际值;进而得到目标神经网络模型。
参照图10所示,基于上述所述的一种预测轨道不平顺的模型生成方法,本文一实施例中还提供一种计算机设备1002,其中上述方法运行在计算机设备1002上。计算机设备1002可以包括一个或多个处理器1004,诸如一个或多个中央处理单元(CPU)或图形处理器(GPU),每个处理单元可以实现一个或多个硬件线程。计算机设备402还可以包括任何存储器1006,其用于存储诸如代码、设置、数据等之类的任何种类的信息,一具体实施方式中,存储器1006上并可在处理器1004上运行的计算机程序,所述计算机程序被所述处理器1004运行时,可以执行根据上述方法的指令。非限制性的,比如,存储器1006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1002的固定或可移除部件。在一种情况下,当处理器1004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1002可以执行相关联指令的任一操作。计算机设备1002还包括用于与任何存储器交互的一个或多个驱动机构1008,诸如硬盘驱动机构、光盘驱动机构等。
计算机设备1002还可以包括输入/输出模块1010(I/O),其用于接收各种输入(经由输入设备1012)和用于提供各种输出(经由输出设备1014)。一个具体输出机构可以包括呈现设备1016和相关联的图形用户接口1018(GUI)。在其他实施例中,还可以不包括输入/输出模块1010(I/O)、输入设备1012以及输出设备1014,仅作为网络中的一台计算机设备。计算机设备1002还可以包括一个或多个网络接口1020,其用于经由一个或多个通信链路1022与其他设备交换数据。一个或多个通信总线1024将上文所描述的部件耦合在一起。
通信链路1022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1022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-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,上述描述的系统、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,所揭露的系统、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系统,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)
1.一种预测轨道不平顺的模型生成方法,其特征在于,包括:
获取车辆运行过程中的位移、加速度和角速度;
对所述位移、加速度和角速度进行计算,得到轨道的不平顺实际值序列,其中在车辆运行过程中不同时间点对应的不平顺实际值不同;
将所述加速度中的垂向加速度输入初始神经网络模型中进行训练,通过损失函数循环调整所述初始神经网络模型;使通过模型训练后得到的不平顺预测值与对应的不平顺实际值之间的差距减小,使不平顺预测值的绝对值小于或等于对应的不平顺实际值的绝对值,并使不平顺预测值序列的峰值和谷值与对应的不平顺实际值之间的差值小于设定差值;进而得到目标神经网络模型。
2.根据权利要求1所述的预测轨道不平顺的模型生成方法,其特征在于,所述损失函数的确定方法包括:
所述损失函数由风险系数和内侧系数中至少一者,以及不平顺实际值序列和不平顺预测值序列的均方误差构成;
其中所述均方误差用于使通过模型训练后得到的不平顺预测值与对应的不平顺实际值之间的差距减小;所述风险系数用于使不平顺预测值序列的峰值和谷值等于对应的不平顺实际值;所述内侧系数用于使通过模型训练后得到的不平顺预测值的绝对值小于或等于对应的不平顺实际值的绝对值。
3.根据权利要求2所述的预测轨道不平顺的模型生成方法,其特征在于,所述损失函数由风险系数和内侧系数中至少一者,以及不平顺实际值序列和不平顺预测值序列的均方误差构成进一步包括:
所述损失函数通过如下公式确定:
4.根据权利要求1所述的预测轨道不平顺的模型生成方法,其特征在于,所述将所述加速度中的垂向加速度输入初始神经网络模型中进行训练,通过损失函数循环调整所述初始神经网络模型进一步包括:
将所述加速度中的垂向加速度输入一维卷积神经网络中进行训练,得到第一特征序列;
将所述第一特征序列输入双向长短时记忆网络中进行正反两个方向的传播,得到第二特征序列;
将所述第二特征序列输入全连接神经网络中进行训练,通过损失函数调整所述全连接神经网络。
5.根据权利要求1所述的预测轨道不平顺的模型生成方法,其特征在于,所述对所述位移、加速度和角速度进行计算,得到轨道的不平顺实际值序列进一步包括:
通过惯性基准法对所述位移、加速度和角速度进行计算,得到轨道的不平顺初始值序列;
通过滤波算法对所述不平顺初始值序列进行数据的平滑和拟合,得到轨道的不平顺实际值序列。
6.根据权利要求1所述的预测轨道不平顺的模型生成方法,其特征在于,所述将所述加速度中的垂向加速度输入初始神经网络模型中进行训练进一步包括:
由所述加速度中提取出垂向加速度,其中在车辆运行过程中不同时间点对应的垂向加速度不同;
按照车辆运行的时间顺序,将垂向加速度组合形成若干个垂向加速度序列,将若干个垂向加速度序列输入初始神经网络模型中进行训练,其中每一垂向加速度序列中垂向加速度的数目相同。
7.一种预测轨道不平顺的模型生成装置,其特征在于,所述装置包括:
获取模块:获取车辆运行过程中的位移、加速度和角速度;
实际值确定模块:对所述位移、加速度和角速度进行计算,得到轨道的不平顺实际值序列,其中在车辆运行过程中不同时间点对应的不平顺实际值不同;
模型确定模块:将所述加速度中的垂向加速度输入初始神经网络模型中进行训练,通过损失函数循环调整所述初始神经网络模型;使通过模型训练后得到的不平顺预测值与对应的不平顺实际值之间的差距减小,使不平顺预测值的绝对值小于或等于对应的不平顺实际值的绝对值,并使不平顺预测值序列的峰值和谷值等于对应的不平顺实际值;进而得到目标神经网络模型。
8.一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,其特征在于,所述计算机程序被所述处理器运行时,执行根据权利要求1-6任意一项所述方法的指令。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被计算机设备的处理器运行时,执行根据权利要求1-6任意一项所述方法的指令。
10.一种轨道不平顺的预测方法,其特征在于,包括:
获取车辆运行过程中的垂向加速度;
将所述垂向加速度输入由权利要求1-6任意一项所述的预测轨道不平顺的模型生成方法生成的目标神经网络模型中,得到轨道的不平顺值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111277810.8A CN113919236A (zh) | 2021-10-29 | 2021-10-29 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111277810.8A CN113919236A (zh) | 2021-10-29 | 2021-10-29 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113919236A true CN113919236A (zh) | 2022-01-11 |
Family
ID=79243726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111277810.8A Pending CN113919236A (zh) | 2021-10-29 | 2021-10-29 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113919236A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114754962A (zh) * | 2022-03-10 | 2022-07-15 | 西南交通大学 | 一种确定落轴高度的方法、装置、电子设备和存储介质 |
CN115130244A (zh) * | 2022-07-04 | 2022-09-30 | 西南交通大学 | 轮轨系统动力仿真的目标轮轨不平顺谱选取方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360454A (zh) * | 2011-10-12 | 2012-02-22 | 北京交通大学 | 基于narx神经网络的轮轨力预测方法 |
CN102521432A (zh) * | 2011-11-18 | 2012-06-27 | 北京交通大学 | 轨道不平顺状态的安全性评判方法 |
WO2019192172A1 (zh) * | 2018-04-04 | 2019-10-10 | 歌尔股份有限公司 | 一种姿态预测方法、装置和电子设备 |
CN110990135A (zh) * | 2019-11-28 | 2020-04-10 | 中国人民解放军国防科技大学 | 基于深度迁移学习的Spark作业时间预测方法和装置 |
CN112948984A (zh) * | 2021-05-13 | 2021-06-11 | 西南交通大学 | 一种车载式的轨道高低不平顺峰值区间检测方法 |
CN113358053A (zh) * | 2021-04-27 | 2021-09-07 | 中车青岛四方机车车辆股份有限公司 | 轨道不平顺检测评估系统、方法、电子设备及轨道车辆 |
US20210312261A1 (en) * | 2020-04-02 | 2021-10-07 | Huawei Technologies Co., Ltd. | Neural network search method and related apparatus |
-
2021
- 2021-10-29 CN CN202111277810.8A patent/CN113919236A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360454A (zh) * | 2011-10-12 | 2012-02-22 | 北京交通大学 | 基于narx神经网络的轮轨力预测方法 |
CN102521432A (zh) * | 2011-11-18 | 2012-06-27 | 北京交通大学 | 轨道不平顺状态的安全性评判方法 |
WO2019192172A1 (zh) * | 2018-04-04 | 2019-10-10 | 歌尔股份有限公司 | 一种姿态预测方法、装置和电子设备 |
CN110990135A (zh) * | 2019-11-28 | 2020-04-10 | 中国人民解放军国防科技大学 | 基于深度迁移学习的Spark作业时间预测方法和装置 |
US20210312261A1 (en) * | 2020-04-02 | 2021-10-07 | Huawei Technologies Co., Ltd. | Neural network search method and related apparatus |
CN113358053A (zh) * | 2021-04-27 | 2021-09-07 | 中车青岛四方机车车辆股份有限公司 | 轨道不平顺检测评估系统、方法、电子设备及轨道车辆 |
CN112948984A (zh) * | 2021-05-13 | 2021-06-11 | 西南交通大学 | 一种车载式的轨道高低不平顺峰值区间检测方法 |
Non-Patent Citations (2)
Title |
---|
牛留斌;: "基于BP神经网络的轨道不平顺与车体振动关联模型", 中国铁道科学, no. 02, 15 March 2016 (2016-03-15), pages 26 - 32 * |
王贵;邢宗义;蒋杰;黄文;: "基于NARX神经网络的轨道垂向不平顺估计", 广西大学学报(自然科学版), no. 02, 25 April 2016 (2016-04-25), pages 426 - 433 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114754962A (zh) * | 2022-03-10 | 2022-07-15 | 西南交通大学 | 一种确定落轴高度的方法、装置、电子设备和存储介质 |
CN115130244A (zh) * | 2022-07-04 | 2022-09-30 | 西南交通大学 | 轮轨系统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 | 轮轨系统动力仿真的目标轮轨不平顺谱选取方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113919236A (zh) | 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 | |
Nayek et al. | Extraction of contact-point response in indirect bridge health monitoring using an input estimation approach | |
DE102017116192A1 (de) | Verwenden von virtuellen Daten zum Testen und Trainieren von Parkplatzerfassungssystemen | |
EP3272612B1 (en) | Method and system for vehicle speed profile generation | |
CN104298870A (zh) | 一种移动荷载下简支梁损伤和移动力同时识别方法 | |
CN114419604A (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 | |
CN110263628A (zh) | 障碍物检测方法、装置、电子设备以及存储介质 | |
CN110135261A (zh) | 一种训练道路异常识别模型、道路异常识别的方法及系统 | |
WO2015099016A1 (ja) | 画像処理装置、被写体識別方法及びプログラム | |
US9665995B2 (en) | Method and system for performing crash analysis of one or more vehicles | |
CN111104953B (zh) | 驾驶行为特征检测方法、装置、电子设备和计算机可读存储介质 | |
EP2933160A2 (en) | Method and system for controlling a speed of a vehicle | |
CN113264064A (zh) | 用于交叉路口场景的自动驾驶方法及相关设备 | |
CN113978465A (zh) | 一种变道轨迹规划方法、装置、设备以及存储介质 | |
US20210158158A1 (en) | Method and device for processing sensor data | |
JP7207227B2 (ja) | 運転行動評価装置、運転行動評価方法、及び運転行動評価プログラム | |
US11640581B2 (en) | Methods for improved delta velocity determination using machine learning and devices thereof | |
CN110321593B (zh) | 基于累积模态质量参与率的桥梁动挠度振型矩阵构造方法 | |
CN111160594B (zh) | 一种到达时间的预估方法、装置及存储介质 | |
JP6992534B2 (ja) | データ作成装置、誘導モデル学習装置、誘導推定装置、データ作成方法、誘導モデル学習方法、誘導推定方法及びプログラム | |
CN113885496B (zh) | 智能驾驶仿真传感器模型及智能驾驶仿真方法 | |
JP7356961B2 (ja) | 歩行者道路横断シミュレーション装置、歩行者道路横断シミュレーション方法、及び歩行者道路横断シミュレーションプログラム | |
JP7338680B2 (ja) | イベント発生時刻学習装置、イベント発生時刻推定装置、イベント発生時刻学習方法、イベント発生時刻推定方法、イベント発生時刻学習プログラム、及びイベント発生時刻推定プログラム | |
CN111142026B (zh) | 一种数据处理方法、装置及电子设备 | |
CN113532636A (zh) | 一种低频周期性晃车的检测方法、装置、设备和存储介质 |
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 |