CN113987679A - 基于mogrifier-gru深度学习的列车稳定性预测方法及系统 - Google Patents

基于mogrifier-gru深度学习的列车稳定性预测方法及系统 Download PDF

Info

Publication number
CN113987679A
CN113987679A CN202111278403.9A CN202111278403A CN113987679A CN 113987679 A CN113987679 A CN 113987679A CN 202111278403 A CN202111278403 A CN 202111278403A CN 113987679 A CN113987679 A CN 113987679A
Authority
CN
China
Prior art keywords
train
mogrifier
prediction model
data
deep learning
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
Application number
CN202111278403.9A
Other languages
English (en)
Inventor
金涛
陈日成
袁丁
杨雅熙
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN202111278403.9A priority Critical patent/CN113987679A/zh
Publication of CN113987679A publication Critical patent/CN113987679A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/045—Combinations of 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Automation & Control Theory (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明涉及一种基于MOGRIFIER‑GRU深度学习的列车稳定性预测方法及系统，该方法包括以下步骤：步骤S1：获取不同路况下列车加速度和轮轨力数据，并对数据进行归一化处理，得到用于训练预测模型的训练数据；步骤S2：搭建MOGRIFIER‑GRU深度学习预测模型，并通过训练数据对MOGRIFIER‑GRU深度学习预测模型进行训练，得到训练好的MOGRIFIER‑GRU深度学习预测模型；步骤S3：采集实际运行列车实时传回的数据，通过训练好的MOGRIFIER‑GRU深度学习预测模型，预测列车稳定性。该方法及系统有利于降低列车稳定性监测成本，提高轮轨力预测精度。

Description

基于MOGRIFIER-GRU深度学习的列车稳定性预测方法及系统
技术领域
本发明属于列车稳定性预测技术领域，具体涉及一种基于MOGRIFIER-GRU深度学习的列车稳定性预测方法及系统。
背景技术
近年来，世界高速铁路的快速发展不仅给国计民生带来了巨大的经济效益，同时也给相关理论的研究提出了新的难题。随着运行速度的提高，车辆一旦发生脱轨事故将会造成较低速车辆更大的人员伤亡和财产损失，严重影响铁路运输的经济效益和社会效益。因此，实时检测列车行驶过程中的稳定性指标，提前预警，具有重要的实际意义。
我国《机车车辆动力学性能评定及试验鉴定规范》(GB/T 5599-2019)规定了列车稳定性指标包括脱轨系数、轮重减载率、轮轴横向力，而计算这些稳定性指标就需要得到轨道和车轮之间的轮轨力，包括垂向轮轨力和横向轮轨力。传统的轮轨力测量方法是通过采用测力轮对的方式实现，但是测力轮对的加工相当复杂、经济花费巨大、故障率高、维护不便等缺点，从而限制了测力轮对的推广使用，所以轮轨力的间接测量方法成为车辆动力学的一个研究难点。
随着计算机科学的发展和动力学理论水平的提高，现有的动力学软件能够依照车辆实际参数建立多体动力学模型，根据不同工况进行动力学计算分析，例如SIMPACK、ADAMS等。通过仿真得到的列车运行参数，来预测轮轨力和平稳性指标。美国学者采用多层感知器(MPL)神经网络，通过轨道几何参数和运行速度，来预测轮轨力和脱轨系数；西南交通大学教授采用径向基函数神经网络预测轮轨力；北京交通大学提出采用非线性自回归神经网络预测脱轨系数。这些技术均实现轮轨力的测量和预测，但是，精度并不理想，模型性能差，存在诸多不足。
发明内容
本发明的目的在于提供一种基于MOGRIFIER-GRU深度学习的列车稳定性预测方法及系统，该方法及系统有利于降低列车稳定性监测成本，提高轮轨力预测精度。
为实现上述目的，本发明采用的技术方案是：一种基于MOGRIFIER-GRU深度学习的列车稳定性预测方法，包括以下步骤：
步骤S1：获取不同路况下列车加速度和轮轨力数据，并对数据进行归一化处理，得到用于训练预测模型的训练数据；
步骤S2：搭建MOGRIFIER-GRU深度学习预测模型，并通过训练数据对MOGRIFIER-GRU深度学习预测模型进行训练，得到训练好的MOGRIFIER-GRU深度学习预测模型；
步骤S3：采集实际运行列车实时传回的数据，通过训练好的MOGRIFIER-GRU深度学习预测模型，预测列车稳定性。
进一步地，所述步骤S1具体包括以下步骤：
步骤S11：根据实际情况利用SIMPACK软件建立列车动力学模型，在不同路况下仿真求得列车左右轴箱和转向架的垂向加速度和横向加速度以及轨道的垂向轮轨力和横向轮轨力，作为预测模型的训练数据，定义预测模型的输入参数xi,yi如下所示：
xi＝[Lab_LAi,Lab_VAi,Rab_LAi,Rab_VAi,Ltf_LAi,Ltf_VAi,Rtf_LAi,Rtf_VAi,F_LLi-1,F_LVi-1,F_RLi-1,F_RVi-1,v]
yi＝[P_Li,Q_Li,P_Ri,Q_Ri]
其中i表示第i个数据点；Lab_LAi,Lab_VAi表示列车左轴箱处的横向、垂向加速度值；Rab_LAi,Rab_VAi表示列车右轴箱处的横向、垂向加速度值；Ltf_LAi,Ltf_VAi表示列车转向架左侧处的横向、垂向加速度值；Rtf_LAi,Rtf_VAi表示列车转向架右侧处的横向、垂向加速度值；P_Li,Q_Li表示轨道左侧的垂向轮轨力和横向轮轨力值；P_Ri,Q_Ri表示轨道右侧的垂向轮轨力和横向轮轨力值；v表示列车运行速度；
步骤S12：对训练数据进行归一化处理：
Figure BDA0003330380750000021
Figure BDA0003330380750000022
其中，
Figure BDA0003330380750000023
为归一化后的数据，
Figure BDA0003330380750000024
为归一化前的数据，
Figure BDA0003330380750000025
中分别为变量x和y的最小值和最大值。
进一步地，所述步骤S2具体包括以下步骤：
步骤S21：建立GRU单个神经元预测模型，由更新门zt、重置门rt组成，其公式如下所示：
zt＝sigmoid(ωz*[ht-1,xt]+bz)
rt＝sigmoid(ωr*[ht-1,xt]+br)
其中，ωz、ωr、bz、br分别为更新门和重置门的权值系数矩阵和偏置项，ht-1为上一时刻隐藏层输出，xt表示当前时刻的输入矩阵，[]表示矩阵拼接，*表示矩阵乘法；
更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多；重置门用于控制前一状态有多少信息被写入到当前的候选集上，重置门越小，前一状态的信息被写入的越少；
步骤S22：通过更新门zt、重置门rt计算当前时刻的隐藏层输出ht：
Figure BDA0003330380750000031
Figure BDA0003330380750000032
其中，
Figure BDA0003330380750000033
为当前时刻的候选状态值，
Figure BDA0003330380750000034
为候选状态的权重矩阵和偏置项；
步骤S23：引入MOGRIFIER机制，不改变GRU本身的结构，让输入和状态首先进行交互，以增强相邻时刻信息的关联能力，其公式如下所示：
Figure BDA0003330380750000035
当i为奇数且i∈[1,2,3,4,...,r]
Figure BDA0003330380750000036
当i为偶数且i∈[1,2,3,4,...,r]
其中，Qi,Ri中表示第i个Q交互矩阵和R交互矩阵；r表示交互轮数；
步骤S24：构建网络结构，设置输入层节点个数，第一隐藏层由GRU神经元构成，设置节点个数，输入层和第一隐藏层之间采取MOGRIFIER机制；第二隐藏层由GRU神经元构成，设置节点个数；设置输出层节点个数；得到MOGRIFIER-GRU深度学习预测模型；
步骤S25：训练预测模型，设定隐藏层为设定值的dropout机制，训练过程中以设定概率随机失效隐藏层神经元；利用L2范数损失函数MSE评估预测模型目标和实际输出差距，其中函数值越小说明实际输出与目标输出的差值越小，损失函数的公式如下所示：
Figure BDA0003330380750000041
其中，N为数据样本数目，y为数据样本目标值，
Figure BDA0003330380750000042
为反归一化后的模型预测值；
当训练过程中损失函数值低于设定的阈值或达到训练周期上限值时，认为预测模型训练完成。
进一步地，所述步骤S3中，通过实际运行列车轴箱和转向架上的加速度传感器传回的数据和列车数据，先进行带通滤波，去除传感器直流电源和轮轨间高频噪声带来的干扰；将滤波后数据进行归一化，输入到MOGRIFIER-GRU深度学习预测模型中，并将输出值进行反归一化得到最终预测的轮轨力，进而求得列车稳定性指标。
本发明还提供了一种基于MOGRIFIER-GRU深度学习的列车稳定性预测系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现上述的方法步骤。
与现有技术相比，本发明具有以下有益效果：提供了一种基于MOGRIFIER-GRU深度学习的列车稳定性预测方法及系统，该方法及系统在不使用高成本、高复杂度的测力轮对情况下，也能对轮轨力和稳定性指标进行可靠、精准的预测。此外，本发明利用MOGRIFIER-GRU深度学习算法，在预测模型性能和数据时间关联性上都优于传统的神经网络算法。
附图说明
图1为本发明实施例的方法实现流程图；
图2为本发明实施例中单个GRU神经元示意图；
图3为本发明实施例中MOGRIFIER机制示意图；
图4为本发明实施例中MOGRIFIER-GRU深度学习预测模型结构图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种基于MOGRIFIER-GRU深度学习的列车稳定性预测方法，包括以下步骤：
步骤S1：获取不同路况下列车加速度和轮轨力数据，并对数据进行归一化处理，得到用于训练预测模型的训练数据。
步骤S11：根据实际情况利用SIMPACK软件建立列车动力学模型，在不同路况下仿真求得列车左右轴箱和转向架的垂向加速度和横向加速度以及轨道的垂向轮轨力和横向轮轨力，作为预测模型的训练数据，定义预测模型的输入参数xi,yi如下所示：
xi＝[Lab_LAi,Lab_VAi,Rab_LAi,Rab_VAi,Ltf_LAi,Ltf_VAi,Rtf_LAi,Rtf_VAi,F_LLi-1,F_LVi-1,F_RLi-1,F_RVi-1,v]
yi＝[P_Li,Q_Li,P_Ri,Q_Ri]
其中i表示第i个数据点；Lab_LAi,Lab_VAi表示列车左轴箱处的横向、垂向加速度值；Rab_LAi,Rab_VAi表示列车右轴箱处的横向、垂向加速度值；Ltf_LAi,Ltf_VAi表示列车转向架左侧处的横向、垂向加速度值；Rtf_LAi,Rtf_VAi表示列车转向架右侧处的横向、垂向加速度值；P_Li,Q_Li表示轨道左侧的垂向轮轨力和横向轮轨力值；P_Ri,Q_Ri表示轨道右侧的垂向轮轨力和横向轮轨力值；v表示列车运行速度。
步骤S12：对训练数据进行归一化处理：
Figure BDA0003330380750000051
Figure BDA0003330380750000052
其中，
Figure BDA0003330380750000053
为归一化后的数据，
Figure BDA0003330380750000054
为归一化前的数据，
Figure BDA0003330380750000055
中分别为变量x和y的最小值和最大值。
步骤S2：搭建MOGRIFIER-GRU深度学习预测模型，并通过训练数据对MOGRIFIER-GRU深度学习预测模型进行训练，得到训练好的MOGRIFIER-GRU深度学习预测模型。
步骤S21：建立GRU单个神经元预测模型，如图2所示，其由更新门zt、重置门rt组成，其公式如下所示：
zt＝sigmoid(ωz*[ht-1,xt]+bz)
rt＝sigmoid(ωr*[ht-1,xt]+br)
其中，ωz、ωr、bz、br分别为更新门和重置门的权值系数矩阵和偏置项，ht-1为上一时刻隐藏层输出，xt表示当前时刻的输入矩阵，[]表示矩阵拼接，*表示矩阵乘法。
更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多；重置门用于控制前一状态有多少信息被写入到当前的候选集上，重置门越小，前一状态的信息被写入的越少。
步骤S22：通过更新门zt、重置门rt计算当前时刻的隐藏层输出ht：
Figure BDA0003330380750000061
Figure BDA0003330380750000062
其中，
Figure BDA0003330380750000063
为当前时刻的候选状态值，
Figure BDA0003330380750000064
为候选状态的权重矩阵和偏置项。
步骤S23：由于当前的输入和上一时刻的状态是相互独立的，它们只在门中进行交互，在这之前缺乏交互，这可能会导致前后时刻信息的丢失。为此引入如图3所示的MOGRIFIER机制，不改变GRU本身的结构，让输入和状态首先进行交互，以增强相邻时刻信息的关联能力，其公式如下所示：
Figure BDA0003330380750000065
当i为奇数且i∈[1,2,3,4,...,r]
Figure BDA0003330380750000066
当i为偶数且i∈[1,2,3,4,...,r]
其中，Qi,Ri中表示第i个Q交互矩阵和R交互矩阵；r表示交互轮数，一般取值4或者5时效果更好。
步骤S24：构建网络结构，如图4所示，输入层节点个数为13，第一隐藏层由GRU神经元构成，节点个数为50，输入层和第一隐藏层之间采取MOGRIFIER机制；第二隐藏层由GRU神经元构成，节点个数为20；输出层节点个数为4。得到MOGRIFIER-GRU深度学习预测模型。
步骤S25：训练预测模型，设定隐藏层为0.3的dropout机制，训练过程中以30％概率随机失效隐藏层神经元，可以比较有效的缓解过拟合的发生，在一定程度上达到正则化的效果。利用L2范数损失函数(MSE)评估预测模型目标和实际输出差距，其中函数值越小说明实际输出与目标输出的差值越小，损失函数的公式如下所示：
Figure BDA0003330380750000071
其中，N为数据样本数目，y为数据样本目标值，
Figure BDA0003330380750000072
为反归一化后的模型预测值。
当训练过程中损失函数值低于设定的阈值或达到训练周期上限值时，认为预测模型训练完成。
步骤S3：采集实际运行列车实时传回的数据，通过训练好的MOGRIFIER-GRU深度学习预测模型，预测列车稳定性。
具体地，通过实际运行列车轴箱和转向架上的加速度传感器传回的数据和列车数据，先进行0.5～40Hz的带通滤波，去除传感器直流电源和轮轨间高频噪声带来的干扰；将滤波后数据进行归一化，输入到MOGRIFIER-GRU深度学习预测模型中，并将输出值进行反归一化得到最终预测的轮轨力，进而求得列车稳定性指标。
稳定性指标包括脱轨系数，轮重减载率，轮轴横向力，计算公式如下所示：
Figure BDA0003330380750000073
Figure BDA0003330380750000074
轮轴横向力＝|Q_L-Q_R|
根据《机车车辆动力学性能评定及试验鉴定规范》(GB/T 5599-2019)中的指标规定如下所示：
Figure BDA0003330380750000075
Figure BDA0003330380750000081
Figure BDA0003330380750000082
P0为静轴重(kN)
综上所述，本发明有利于同时考虑配电网网络重构和分布式电源规模分配情况下，找到全局最优规划方案，极大程度的降低配电网有功损耗，提高配电网电压稳定性，从而提高其稳定运行能力。
本实施例还提供了一种基于MOGRIFIER-GRU深度学习的列车稳定性预测系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现上述的方法步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (5)

1.一种基于MOGRIFIER-GRU深度学习的列车稳定性预测方法，其特征在于，包括以下步骤：
步骤S1：获取不同路况下列车加速度和轮轨力数据，并对数据进行归一化处理，得到用于训练预测模型的训练数据；
步骤S2：搭建MOGRIFIER-GRU深度学习预测模型，并通过训练数据对MOGRIFIER-GRU深度学习预测模型进行训练，得到训练好的MOGRIFIER-GRU深度学习预测模型；
步骤S3：采集实际运行列车实时传回的数据，通过训练好的MOGRIFIER-GRU深度学习预测模型，预测列车稳定性。
2.根据权利要求1所述的基于MOGRIFIER-GRU深度学习的列车稳定性预测方法，其特征在于，所述步骤S1具体包括以下步骤：
步骤S11：根据实际情况利用SIMPACK软件建立列车动力学模型，在不同路况下仿真求得列车左右轴箱和转向架的垂向加速度和横向加速度以及轨道的垂向轮轨力和横向轮轨力，作为预测模型的训练数据，定义预测模型的输入参数xi,yi如下所示：
xi＝[Lab_LAi,Lab_VAi,Rab_LAi,Rab_VAi,Ltf_LAi,Ltf_VAi,Rtf_LAi,Rtf_VAi,F_LLi-1,F_LVi-1,F_RLi-1,F_RVi-1,v]
yi＝[P_Li,Q_Li,P_Ri,Q_Ri]
其中i表示第i个数据点；Lab_LAi,Lab_VAi表示列车左轴箱处的横向、垂向加速度值；Rab_LAi,Rab_VAi表示列车右轴箱处的横向、垂向加速度值；Ltf_LAi,Ltf_VAi表示列车转向架左侧处的横向、垂向加速度值；Rtf_LAi,Rtf_VAi表示列车转向架右侧处的横向、垂向加速度值；P_Li,Q_Li表示轨道左侧的垂向轮轨力和横向轮轨力值；P_Ri,Q_Ri表示轨道右侧的垂向轮轨力和横向轮轨力值；v表示列车运行速度；
步骤S12：对训练数据进行归一化处理：
Figure FDA0003330380740000011
Figure FDA0003330380740000012
其中，
Figure FDA0003330380740000021
为归一化后的数据，
Figure FDA0003330380740000022
为归一化前的数据，
Figure FDA0003330380740000023
中分别为变量x和y的最小值和最大值。
3.根据权利要求1所述的基于MOGRIFIER-GRU深度学习的列车稳定性预测方法，其特征在于，所述步骤S2具体包括以下步骤：
步骤S21：建立GRU单个神经元预测模型，由更新门zt、重置门rt组成，其公式如下所示：
zt＝sigmoid(ωz*[ht-1,xt]+bz)
rt＝sigmoid(ωr*[ht-1,xt]+br)
其中，ωz、ωr、bz、br分别为更新门和重置门的权值系数矩阵和偏置项，ht-1为上一时刻隐藏层输出，xt表示当前时刻的输入矩阵，[]表示矩阵拼接，*表示矩阵乘法；
更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多；重置门用于控制前一状态有多少信息被写入到当前的候选集上，重置门越小，前一状态的信息被写入的越少；
步骤S22：通过更新门zt、重置门rt计算当前时刻的隐藏层输出ht：
Figure FDA0003330380740000024
Figure FDA0003330380740000025
其中，
Figure FDA0003330380740000026
为当前时刻的候选状态值，
Figure FDA0003330380740000027
为候选状态的权重矩阵和偏置项；
步骤S23：引入MOGRIFIER机制，不改变GRU本身的结构，让输入和状态首先进行交互，以增强相邻时刻信息的关联能力，其公式如下所示：
Figure FDA0003330380740000028
当i为奇数且i∈[1,2,3,4,...,r]
Figure FDA0003330380740000029
当i为偶数且i∈[1,2,3,4,...,r]
其中，Qi,Ri中表示第i个Q交互矩阵和R交互矩阵；r表示交互轮数；
步骤S24：构建网络结构，设置输入层节点个数，第一隐藏层由GRU神经元构成，设置节点个数，输入层和第一隐藏层之间采取MOGRIFIER机制；第二隐藏层由GRU神经元构成，设置节点个数；设置输出层节点个数；得到MOGRIFIER-GRU深度学习预测模型；
步骤S25：训练预测模型，设定隐藏层为设定值的dropout机制，训练过程中以设定概率随机失效隐藏层神经元；利用L2范数损失函数MSE评估预测模型目标和实际输出差距，其中函数值越小说明实际输出与目标输出的差值越小，损失函数的公式如下所示：
Figure FDA0003330380740000031
其中，N为数据样本数目，y为数据样本目标值，
Figure FDA0003330380740000032
为反归一化后的模型预测值；
当训练过程中损失函数值低于设定的阈值或达到训练周期上限值时，认为预测模型训练完成。
4.根据权利要求1所述的基于MOGRIFIER-GRU深度学习的列车稳定性预测方法，其特征在于，所述步骤S3中，通过实际运行列车轴箱和转向架上的加速度传感器传回的数据和列车数据，先进行带通滤波，去除传感器直流电源和轮轨间高频噪声带来的干扰；将滤波后数据进行归一化，输入到MOGRIFIER-GRU深度学习预测模型中，并将输出值进行反归一化得到最终预测的轮轨力，进而求得列车稳定性指标。
5.一种基于MOGRIFIER-GRU深度学习的列车稳定性预测系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-4所述的方法步骤。
CN202111278403.9A 2021-10-30 2021-10-30 基于mogrifier-gru深度学习的列车稳定性预测方法及系统 Pending CN113987679A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111278403.9A CN113987679A (zh) 2021-10-30 2021-10-30 基于mogrifier-gru深度学习的列车稳定性预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111278403.9A CN113987679A (zh) 2021-10-30 2021-10-30 基于mogrifier-gru深度学习的列车稳定性预测方法及系统

Publications (1)

Publication Number Publication Date
CN113987679A true CN113987679A (zh) 2022-01-28

Family

ID=79745005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111278403.9A Pending CN113987679A (zh) 2021-10-30 2021-10-30 基于mogrifier-gru深度学习的列车稳定性预测方法及系统

Country Status (1)

Country Link
CN (1) CN113987679A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108621159A (zh) * 2018-04-28 2018-10-09 首都师范大学 一种基于深度学习的机器人动力学建模方法
CN112115550A (zh) * 2020-09-13 2020-12-22 西北工业大学 基于Mogrifier-BiGRU的飞行器机动轨迹预测方法
WO2021103625A1 (zh) * 2019-11-25 2021-06-03 北京理工大学 一种基于前车与自车互动的短期车速工况实时预测方法
US20220303331A1 (en) * 2019-08-08 2022-09-22 Intel Corporation Link performance prediction and media streaming technologies

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108621159A (zh) * 2018-04-28 2018-10-09 首都师范大学 一种基于深度学习的机器人动力学建模方法
US20220303331A1 (en) * 2019-08-08 2022-09-22 Intel Corporation Link performance prediction and media streaming technologies
WO2021103625A1 (zh) * 2019-11-25 2021-06-03 北京理工大学 一种基于前车与自车互动的短期车速工况实时预测方法
CN112115550A (zh) * 2020-09-13 2020-12-22 西北工业大学 基于Mogrifier-BiGRU的飞行器机动轨迹预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"A Novel Method for Network Traffic Prediction Using Residual Mogrifier GRU", 2021 IEEE WORLD CONGRESS ON SERVICES, 10 September 2021 (2021-09-10), pages 47 - 53 *
王雨城;曾宪文;高桂革;: "基于GRU网络的风功率短期预测模型", 仪表技术, no. 01, 15 January 2020 (2020-01-15), pages 13 - 16 *

Similar Documents

Publication Publication Date Title
CN111144039B (zh) 一种基于深度学习的列车动态称重系统及称重方法
Huang et al. Fault diagnosis of high-speed train bogie based on LSTM neural network
Wang et al. Transformer for high-speed train wheel wear prediction with multiplex local–global temporal fusion
CN104809292B (zh) 一种高速列车非线性动力学模型参数的在线辨识方法
CN104898414A (zh) 一种高速列车动力学性能设计关键参数识别方法
CN113247041B (zh) 一种基于数字孪生模型的轮对轴箱装置状态监测方法
CN116881819B (zh) 一种基于孤立森林的斜拉索工作状态监测方法
CN112464368A (zh) 一种评估轮轨黏着系数的方法
CN116007940A (zh) 一种考虑匹配失效阈值的滚动轴承剩余寿命预测方法
Fan et al. Wheel wear prediction of high-speed train using NAR and BP neural networks
CN112948981A (zh) 一种高速列车小幅蛇行演变趋势的区间预测方法
CN112198799A (zh) 一种基于深度学习的高速列车停车控制方法及系统
CN113987679A (zh) 基于mogrifier-gru深度学习的列车稳定性预测方法及系统
Zheng et al. A novel deep learning architecture and its application in dynamic load monitoring of the vehicle system
CN116611864A (zh) 一种基于rnn的城市轨道交通列车速度与客流量的预测方法
CN112651176A (zh) 一种基于ga-bp算法的屏蔽门电机输出力预测方法
CN113159179B (zh) 地铁及地铁转向架运行状态识别方法、系统
CN115056829B (zh) 多车型连续学习的列车运动状态估计方法
CN111598311A (zh) 一种新型列车运行速度曲线智能优化方法
CN112967420B (zh) 一种基于区间二型的重载列车运行过程监控方法及系统
CN104598741A (zh) 一种车道饱和度预测模型
CN115169642A (zh) 基于ipso-gru网络模型的列车脱轨系数预测方法
CN112197983A (zh) 一种列车服役性能识别方法
CN114861458B (zh) 一种基于映射关系代理模型的桥上行车安全快速评价方法
Dmitrienko et al. Proactive Control of Rolling Stock with Traction Asynchronous Electric Motors

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