CN115371724A - 轨道状态评价方法及装置 - Google Patents
轨道状态评价方法及装置 Download PDFInfo
- Publication number
- CN115371724A CN115371724A CN202210815735.4A CN202210815735A CN115371724A CN 115371724 A CN115371724 A CN 115371724A CN 202210815735 A CN202210815735 A CN 202210815735A CN 115371724 A CN115371724 A CN 115371724A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- track
- vehicle body
- vibration acceleration
- body vibration
- 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 35
- 230000001133 acceleration Effects 0.000 claims abstract description 115
- 238000011156 evaluation Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 25
- 238000013136 deep learning model Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 13
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 9
- 238000007689 inspection Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000288105 Grus Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提出了一种轨道状态评价方法及装置，涉及铁路轨道状态检测技术领域，该方法包括：采集多种车型的检测车辆在测试轨道行驶时的车辆速度、车体振动加速度及轨道不平顺数据；建立每种车型的车体振动加速度预测模型，并将每种车型的车辆速度及轨道不平顺数据作为输入样本，车体振动加速度作为输出样本，分别训练每种车型的车体振动加速度预测模型；在检测轨道状态时，利用任意一辆检测车辆在待检轨道行驶，并采集车辆速度及轨道不平顺数据；将采集的车辆速度及轨道不平顺数据输入至训练完成的多种车型的车体振动加速度预测模型，分别输出每种车型的预测车体振动加速度；根据每种车型的预测车体振动加速度对待检轨道的状态进行评价。
Description
技术领域
本发明涉及铁路轨道状态检测技术领域，尤指一种轨道状态评价方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
轨道不平顺作为车辆—轨道耦合系统的主要激扰源，是加剧车体浮沉、点头、侧摆等响应以及诱发列车脱轨的主要原因。常用的轨道不平顺评价方法主要有局部幅值超限扣分、轨道质量指数、轨道不平顺功率谱、车辆动态响应等方法。
近年来，结合轨道不平顺和车辆动态响应来共同评价轨道状态是研究的热点。这就要求寻找一个能够有效将轨道不平顺与车辆响应关联的预测模型，在观注轨道不平顺幅值的同时，利用车辆动态响应辅助评价轨道状态，及时消除复合的、与敏感波长相关的、发展较快和变化较大的轨道不平顺。然而，由于不同车型的车体振动加速度传递特性不同，使得不同车型对同一目标轨道状态的评价结果有区别，但实际中往往有多种车型服役在同一条高铁线路上，因而利用单一车型的车体振动加速度评价轨道状态，其可靠性不足。因此，本文研究利用多车型的车体振动加速度综合评价轨道状态，提高轨道状态预测的可靠性。
从研究方法角度可将基于轨道不平顺预测车辆动力学响应的研究工作概括为4类：车辆—轨道耦合动力学建模、系统辨识、车辆—轨道耦合动力学建模与系统辨识相结合、机器学习方法。车辆—轨道耦合动力学建模过程中对复杂非线性系统进行了简化和近似，因此影响模型精度。系统辨识的不足是将车—轨系统近似为线性系统。虽然大多数情况下车体垂向振动可视为线性系统，但车体横向振动一般为非线性系统，而且模型只能适用于车辆匀速行驶的条件。车辆—轨道耦合动力学建模与系统辨识相结合能对不同车型、车速建模，但这些研究还停滞在对轮轨力的预测，并不成熟。传统机器学习需要人工确定特征，难以捕捉车辆—轨道之间复杂的动力学关系，因此所得到的模型性能受限。
此外，仅将轨道不平顺作为模型输入，没有考虑速度变化对模型性能影响，因而难以适用速度波动大的情况。并且只针对一种型号动检车进行建模分析，实际上不同车型动检车测得的车体振动加速度有差异，因此影响轨道状态的评价结果。
综上来看，亟需一种可以克服上述缺陷，能够对轨道状态进行准确评价的技术方案。
发明内容
为解决现有技术存在的问题，本发明提出了一种轨道状态评价方法及装置；本发明通过多车型数据预处理、确定超参数并构建不同车型的深度学习模型、利用不同车型的输出进行最大包络拟合，实现了行轨道状态的评价。
在本发明实施例的第一方面，提出了一种轨道状态评价方法，包括：
采集多种车型的检测车辆在测试轨道行驶时的车辆速度、车体振动加速度及轨道不平顺数据；
建立每种车型的车体振动加速度预测模型，并将每种车型的车辆速度及轨道不平顺数据作为输入样本，车体振动加速度作为输出样本，分别训练每种车型的车体振动加速度预测模型；
在检测轨道状态时，利用任意一辆检测车辆在待检轨道行驶，并采集车辆速度及轨道不平顺数据；
将采集的车辆速度及轨道不平顺数据输入至训练完成的多种车型的车体振动加速度预测模型，分别输出每种车型的预测车体振动加速度；
根据每种车型的预测车体振动加速度对待检轨道的状态进行评价。
在本发明实施例的第二方面，提出了一种轨道状态评价装置，包括：
数据采集模块，用于采集多种车型的检测车辆在测试轨道行驶时的车辆速度、车体振动加速度及轨道不平顺数据；
模型训练模块，用于建立每种车型的车体振动加速度预测模型，并将每种车型的车辆速度及轨道不平顺数据作为输入样本，车体振动加速度作为输出样本，分别训练每种车型的车体振动加速度预测模型；
所述数据采集模块，还用于在检测轨道状态时，利用任意一辆检测车辆在待检轨道行驶，并采集车辆速度及轨道不平顺数据；
预测模块，用于将采集的车辆速度及轨道不平顺数据输入至训练完成的多种车型的车体振动加速度预测模型，分别输出每种车型的预测车体振动加速度；
轨道状态评价模块，用于根据每种车型的预测车体振动加速度对待检轨道的状态进行评价。
在本发明实施例的第三方面，提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现轨道状态评价方法。
在本发明实施例的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现轨道状态评价方法。
在本发明实施例的第五方面，提出了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现轨道状态评价方法。
本发明提出的轨道状态评价方法及装置通过多种车型的车辆运行数据及轨道数据建立多种车型的预测模型，在测试轨道时可以通过单车采集车速及轨道数据，分别输入至多种车型的预测模型，通过最大包络值将多种车辆的预测结果结合在一起，从而实现轨道状态的评价，本发明可以而提高轨道状态评判的准确性，相较于单车模型，分析的结果更可靠及时，能够有效保证线路的及时维修。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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它的附图。
图1是本发明一实施例的轨道状态评价方法流程示意图。
图2是本发明一实施例的一维CNN网络的示意图。
图3是本发明一实施例的GRU单元的结构示意图。
图4是本发明一实施例的CNN-GRU网络结构的深度学习模型的结构示意图。
图5A至图5C是本发明一实施例的超参数对模型性能的影响示意图。
图6A至图6F是本发明一实施例的轨道不平顺动态检测波形的示意图。
图7是本发明一实施例的轨道状态评价装置架构示意图。
图8是本发明另一实施例的轨道状态评价装置架构示意图。
图9是本发明一实施例的计算机设备结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
根据本发明的实施方式，提出了一种轨道状态评价方法及装置，涉及铁路轨道状态检测技术领域。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
图1是本发明一实施例的轨道状态评价方法流程示意图。如图1所示，该方法包括：
S1，采集多种车型的检测车辆在测试轨道行驶时的车辆速度、车体振动加速度及轨道不平顺数据；
S2，建立每种车型的车体振动加速度预测模型，并将每种车型的车辆速度及轨道不平顺数据作为输入样本，车体振动加速度作为输出样本，分别训练每种车型的车体振动加速度预测模型；
S3，在检测轨道状态时，利用任意一辆检测车辆在待检轨道行驶，并采集车辆速度及轨道不平顺数据；
S4，将采集的车辆速度及轨道不平顺数据输入至训练完成的多种车型的车体振动加速度预测模型，分别输出每种车型的预测车体振动加速度；
S5，根据每种车型的预测车体振动加速度对待检轨道的状态进行评价。
本发明提出的轨道状态评价方法通过多种车型的车辆运行数据及轨道数据建立多种车型的预测模型，在测试轨道时可以通过单车采集车速及轨道数据，分别输入至多种车型的预测模型，通过最大包络值将多种车辆的预测结果结合在一起，从而实现轨道状态的评价，本发明可以而提高轨道状态评判的准确性，相较于单车模型，分析的结果更可靠及时，能够有效保证线路的及时维修。
为了对上述轨道状态评价方法进行更为清楚的解释，下面结合具体应用场景来进行详细说明。
S1，采集多种车型的检测车辆在测试轨道行驶时的车辆速度、车体振动加速度及轨道不平顺数据。
轨道不平顺数据指的是由于轨道不平顺会对车体的振动产生影响的数据；其中，长波高低、长波轨向、高低、轨向、水平、三角坑、超高及轨距等每一项轨道不平顺数据，都会对车体的振动产生不同程度的贡献。
另外，车速与车体的振动幅度密切相关，车速越大，车体的动力学响应越剧烈。
综上分析，本发明选择8项轨道不平顺数据，以及车体速度，一共9项数据作为输入，将车体振动加速度数据作为输出。
需要说明的是，车体振动加速度是指车体在垂向、横向的加速度，即，车体垂向加速度、车体横向加速度。
在具体应用场景中，本发明采用6列动检车为研究对象，将6种车型的动检车在测试轨道上行驶，采集车辆运行数据。
各车型的训练集和测试集如表1所示。
表1不同车型的训练集和测试集
| 序号 | 车型 | 训练集 | 测试集 |
| 1 | CRH2A-2010 | 400km(上行) | 200km(上行) |
| 2 | CRH2C-2150 | 840km(上行) | 200km(下行) |
| 3 | CRH380BJ-A-0504 | 400km(上行) | 210km(上行) |
| 4 | CRH5J-0501 | 400km(下行) | 100km(下行) |
| 5 | CRH380AJ-0201 | 940km(上行) | 200km(上行) |
| 6 | CRH380BJ-0301 | 200km(下行) | 100km(上行) |
使用的高铁动态检测数据涉及车速为200、250、300和350km/h，考虑到轨道不平顺管理波长最大到120m，并且轨距、超高、车体横向加速度等容易出现波长120m以上的低频成分，容易影响CNN-GRU对轨道不平顺与车体振动加速度的正常关系表征，因此，对实测数据剔除波长120m以上的趋势项。
动检车检测轨道不平顺的最小截止波长为1.5m，为了对轨道不平顺评判时尽可能考虑到短波长成分，以及更方便直接利用小波分析技术滤除2m以下波长成分和剔除波长120m以上的趋势项，因此将下截止波长取为2m。
本发明使用小波分析技术(如，Mallat分解与重构算法)滤除波长2m以下和120m以上的成分，保留波长2m-120m的成分。
轨道不平顺和车体振动加速度采样间隔为0.25m，对应空间频率为4(1/m)，要剔除波长120m以上的成分，需将小波分解到第8层，小波分解层数及对应的频率和波长区段如表2所示。
表2小波分解层数及频率/波长范围
S2，建立每种车型的车体振动加速度预测模型，并将每种车型的车辆速度及轨道不平顺数据作为输入样本，车体振动加速度作为输出样本，分别训练每种车型的车体振动加速度预测模型。
首先，针对一维轨道不平顺数据建立了如图2所示一维CNN网络，由输入层(Input)、一维卷积(Conv1D)、一维最大池化(MaxPooling1D)、扁平层(Flatten)和输出层(Output)组成。
卷积层用于提取轨道不平顺波形特征；最大池化层减小卷积层输出维度大小，用于提取最显著的特征；扁平层将多维特征向量转为一维特征向量，作为全局特征提取。CNN可以有效地自动提取和学习一维轨道不平顺波形特征，这些特征包含在局部轨道不平顺波形中，并与车体振动加速度相关。由于轨道不平顺包含多波段成分，因此通过交替堆叠卷积层和最大池化层，可以提取到不同尺度的轨道不平顺波形特征。
其次，轨道不平顺与车体振动加速度是按照0.25m等空间间隔采样的序列型数据，可以采用循环神经网络(RNNs)建模捕获序列中的深层关系。门控循环单元(GRU)可解决处理长序列数据时存在梯度消失或梯度爆炸的问题，且其计算和更新效率比LSTM高。参考图3，为GRU单元的结构示意图，GRU中有两个门：更新门zt和重置门rt。
GRU单元内部的信息传播过程如下：
zt＝σ(Wzxxt+Wzhht-1) (3)
rt＝σ(Wrxxt+Wrhht-1) (4)
式中，xt为输入；W为权重矩阵；
为点乘；σ(·)为sigmoid函数，tanh(·)为双曲正切函数；ht为t时刻的信息输出，包含过去信息ht-1和现在信息(候选状态)
由更新门zt分配重要性；现在信息
是过去信息ht-1过重置门rt与当前输入xt共同决定；更新门zt用来控制当前的状态需要遗忘多少历史信息和接受多少新信息；重置门rt用来控制候选状态中有多少信息是从历史信息中得到。通过这种方式，GRU不断吸收新的重要信息并丢弃不相关的信息以捕获长期依赖关系。
因此，本发明将可以提取轨道不平顺多波段波形波形特征的CNN网络与GRU相结合，建立的CNN-GRU网络结构的深度学习模型。结构如图4所示，其中第1层GRU网络的每个GRU单元接入相同的CNN网络结构。对于每个空间里程点t，CNN-GRU的输入为t以及t之前的一段长度为L-1的轨道不平顺和车速：Xt＝[xt-L+1,…,xt-1,xt]，对应的输出
为t位置处的车体垂向和横向加速度。这种输入模式可以使CNN学习到波形波形特征以及提高CNN-GRU学习长距离空间变化趋势的能力。
其中，L代表的是输入长度，单位是个；将把单点对应的值，和它之前的(L-1)个值合在一起，作为一个数据长度为L的数组当做模型的输入。例如，每20m设置一个空间里程点，在1100m-1260m(含两端)的里程，存在9个空间里程点：1100，1120，1140，1160，1180，1200，1220，1240，1260；
设置输入长度L为5，当输入空间里程点1200m的数据时，将1200m及1200m之前的4(5-1)个数据合在一起，输入至模型。
当输入空间里程点1240m的数据时，将1240m及1240m之前的4(5-1)个数据合在一起，输入至模型。
每次输入的数据长度都是5个。
在前向和反向传播中，CNN-GRU网络采用均方误差损失函数如下：
式中，T为序列长度，
为车体振动加速度预测值，y(t)＝[y(1),y(2),…,y(T)]为车体振动加速度真实值。CNN-GRU模型的训练使用Adam优化算法。
采用平均绝对误差MAE、均方根误差RMSE、希尔不等系数TIC和相关系数ρ作为CNN-GRU评估指标，各指标的定义如下：
式中：y(k)和
分别为实际车体振动加速度和预测车体振动加速度的第k个值，k＝1,2,...,m，m为测试数据容量；Cov(·)为协方差；Var(·)为方差。MAE和RMSE反映了模型预测的绝对准确度，其值越小准确度越高；TIC和ρ为相对准确度指标，TIC介于0和1之间，越接近0模型预测准确度越高；ρ介于-1和1之间，越接近1模型预测准确度越高。
以某高速铁路长300km的动态检测数据为分析对象，其中，200km作为训练集，100km作为测试集，检测速度基本保持在280～310km/h。
采用控制变量法调节超参数，求得CNN超参数、输入长度L、序列长度T、GRU深度。其中，CNN的结构和参数为：2层卷积层(Conv1D)，卷积核数目依次为4、8，卷积核大小为1×5，步长为1，采用零填充。卷积层的输出采用relu激活函数来增加网络的非线性表达能力。在池化层(MaxPoolin1D)中，采用与卷积层交替的2层最大池化，池大小为2，步长为2，通过卷积层中的特征映射使用最大池化来提取最显著特征和减小输出维度大小。经过连续2次交替卷积和最大池化操作，提取出显著的轨道不平顺特征。紧接着最后一层最大池化的输出采用扁平层操作(Flatten)，将CNN提取到的多维特征向量压成一维特征向量，作为全局特征提取。GRU负责学习轨道不平顺中的时序特征并预测车体振动加速度。为了增强特征学习能力，构建2层GRU，神经元个数依次为64、128，采用Tanh激活函数。GRU之后是全连接层，全连接层使用线性(linear)激活函数，最终恒等变化输出预测的车体振动加速度。
参考图5A至图5C，为超参数对模型性能的影响示意图。其中，图5A为输入长度的影响，输入长度L为7个，包含12.5，25，50，75，100，125，150m对应的数据；图5B为训练序列长度的影响；图5C为GRU深度的影响。
S3，在检测轨道状态时，利用任意一辆检测车辆在待检轨道行驶，并采集车辆速度及轨道不平顺数据；
S4，将采集的车辆速度及轨道不平顺数据输入至训练完成的多种车型的车体振动加速度预测模型，分别输出每种车型的预测车体振动加速度；
S5，根据每种车型的预测车体振动加速度对待检轨道的状态进行评价。
确定不同车型的CNN-GRU模型参数后，由于不同车型动检车的车体振动加速度传递特性不同，对于同一线路，不同车型动检车的车体振动加速度波形有区别，从而影响单一车型对轨道不平顺状态的评判可靠性。
由于目前加速度评判标准仅为幅值评判，因此本发明利用已经训练好的6种车型CNN-GRU模型预测得到同一区段加速度波形，对生成的6种加速度波形进行最大包络拟合，得到最大包络值。
进一步的，根据最大包络值对待检轨道的状态进行评价。例如，将最大包络值与预设的门槛值进行比较，判断是否超限及超限的等级，从而评价该待检轨道的状态。
下面结合一个具体的实施例来进行说明。
为了验证本发明提出的轨道状态评价方法的准确性，选取某高速铁路里程K131～K132区间进行测试，轨道不平顺动态检测波形如图6A至图6F所示。
其中，图6A为左高低不平顺，图6B为左轨向不平顺，图6C为70m长波左高低不平顺，图6D为右高低不平顺，图6E为右轨向不平顺，图6F为70m长波右高低不平顺。幅值的量纲为mm，里程的量纲为km。
利用上述建立好的6个预测模型对K131～K132区间进行测试，各车型模型预测的车体加速度最大幅值及偏差等级如表3所示。
表3各车型模型预测的加速度最大幅度值及偏差等级
基于表3的内容可知：
1、单车型CNN-GRU模型：不同车型的动检车在过K131～K132区段时，表现出的加速度特征并不相同，在K131.9～K132.2区间，对于车体垂向加速度，6个车型模型中有4个车型模型(CRH2C-2150、CRH2A-2010、CRH380AJ-0201、CRH380BJ-A-0504)预测到该位置处车体垂向加速度幅值至少Ⅰ级偏差超限，其中CRH2A-2010刚好达到III级超限，而另外2个车型模型在该处虽也有较大响应，但并没有超限；对于横向加速度，除了CRH380BJ-A-0504车型模型外，其余5个车型模型都基本预测到该区间比其他区间出现较大的车体振动，其中CRH380BJ-0301车型模型预测到Ⅰ级偏差。
2、基于多车型CNN-GRU的预测模型：对得到的多组车体振动加速度取最大包络值，结果显示该区段车体横向加速度最大幅值为0.085g，达到Ⅰ级超限；车体垂向加速度最大幅值为0.2g，达到Ⅲ级超限。
通过现场复核，此处为过渡段，由于降雨导致垂向和横向不平顺急剧增加，产生严重晃车，垂向加速度报警，与基于多车型CNN-GRU的预测模型结果一致，现场安排捣固作业。
需要说明的是，尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
综上来看，对于同一轨道不平顺，不同车型对同一轨道不平顺的响应有所区别，导致不同的单车CNN-GRU模型预测的车体振动加速度结果也不相同；本发明通过建立多种车型的预测模型及采用最大包络拟合的方式，将各组结果结合起来的基于多车型CNN-GRU的预测模型可以提高轨道状态评判的准确性，比单车模型更及时、更可靠，保证线路的及时维修。
在介绍了本发明示例性实施方式的方法之后，接下来，参考图7对本发明示例性实施方式的轨道状态评价装置进行介绍。
轨道状态评价装置的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”或者“单元”，可以是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。
基于同一发明构思，本发明还提出了一种轨道状态评价装置，如图7所示，该装置包括：
数据采集模块110，用于采集多种车型的检测车辆在测试轨道行驶时的车辆速度、车体振动加速度及轨道不平顺数据；
模型训练模块120，用于建立每种车型的车体振动加速度预测模型，并将每种车型的车辆速度及轨道不平顺数据作为输入样本，车体振动加速度作为输出样本，分别训练每种车型的车体振动加速度预测模型；
所述数据采集模块110，还用于在检测轨道状态时，利用任意一辆检测车辆在待检轨道行驶，并采集车辆速度及轨道不平顺数据；
预测模块130，用于将采集的车辆速度及轨道不平顺数据输入至训练完成的多种车型的车体振动加速度预测模型，分别输出每种车型的预测车体振动加速度；
轨道状态评价模块140，用于根据每种车型的预测车体振动加速度对待检轨道的状态进行评价。
在一实施例中，所述轨道不平顺数据至少包括：长波高低、长波轨向、高低、轨向、水平、三角坑、超高及轨距；
所述车体振动加速度至少包括：车体垂向加速度及车体横向加速度。
在一实施例中，参考图8，该装置还包括：数据预处理模块150；
其中，所述数据预处理模块用于根据所述轨道不平顺数据，利用小波分析技术滤除波长在第一长度至第二长度范围之外的数据。
在一实施例中，所述车体振动加速度预测模型采用CNN-GRU网络结构的深度学习模型；其中，
对于每个空间里程点，CNN-GRU网络结构的深度学习模型的输入为空间里程点以及空间里程点之前的长度为L-1的轨道不平顺数据及车辆速度，对应的输出为空间里程点位置处的车体振动加速度；其中，L为输入长度。
在一实施例中，轨道状态评价模块具体用于：
根据每种车型的预测车体振动加速度，选取同一区段的加速度波形进行最大包络拟合，得到最大包络值；
根据最大包络值对待检轨道的状态进行评价。
应当注意，尽管在上文详细描述中提及了轨道状态评价装置的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
基于前述发明构思，如图9所示，本发明还提出了一种计算机设备900，包括存储器910、处理器920及存储在存储器910上并可在处理器920上运行的计算机程序930，所述处理器920执行所述计算机程序930时实现前述轨道状态评价方法。
基于前述发明构思，本发明提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前述轨道状态评价方法。
基于前述发明构思，本发明提出了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现轨道状态评价方法。
本发明提出的轨道状态评价方法及装置通过多种车型的车辆运行数据及轨道数据建立多种车型的预测模型，在测试轨道时可以通过单车采集车速及轨道数据，分别输入至多种车型的预测模型，通过最大包络值将多种车辆的预测结果结合在一起，从而实现轨道状态的评价，本发明可以而提高轨道状态评判的准确性，相较于单车模型，分析的结果更可靠及时，能够有效保证线路的及时维修。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (13)
1.一种轨道状态评价方法，其特征在于，包括：
采集多种车型的检测车辆在测试轨道行驶时的车辆速度、车体振动加速度及轨道不平顺数据；
建立每种车型的车体振动加速度预测模型，并将每种车型的车辆速度及轨道不平顺数据作为输入样本，车体振动加速度作为输出样本，分别训练每种车型的车体振动加速度预测模型；
在检测轨道状态时，利用任意一辆检测车辆在待检轨道行驶，并采集车辆速度及轨道不平顺数据；
将采集的车辆速度及轨道不平顺数据输入至训练完成的多种车型的车体振动加速度预测模型，分别输出每种车型的预测车体振动加速度；
根据每种车型的预测车体振动加速度对待检轨道的状态进行评价。
2.如权利要求1所述的方法，其特征在于，所述轨道不平顺数据至少包括：长波高低、长波轨向、高低、轨向、水平、三角坑、超高及轨距；
所述车体振动加速度至少包括：车体垂向加速度及车体横向加速度。
3.如权利要求1所述的方法，其特征在于，还包括：
根据所述轨道不平顺数据，利用小波分析技术滤除波长在第一长度至第二长度范围之外的数据。
4.如权利要求1所述的方法，其特征在于，所述车体振动加速度预测模型采用CNN-GRU网络结构的深度学习模型；其中，
对于每个空间里程点，CNN-GRU网络结构的深度学习模型的输入为空间里程点以及空间里程点之前的长度为L-1的轨道不平顺数据及车辆速度，对应的输出为空间里程点位置处的车体振动加速度；其中，L为输入长度。
5.如权利要求1所述的方法，其特征在于，根据每种车型的预测车体振动加速度对待检轨道的状态进行评价，包括：
根据每种车型的预测车体振动加速度，选取同一区段的加速度波形进行最大包络拟合，得到最大包络值；
根据最大包络值对待检轨道的状态进行评价。
6.一种轨道状态评价装置，其特征在于，包括：
数据采集模块，用于采集多种车型的检测车辆在测试轨道行驶时的车辆速度、车体振动加速度及轨道不平顺数据；
模型训练模块，用于建立每种车型的车体振动加速度预测模型，并将每种车型的车辆速度及轨道不平顺数据作为输入样本，车体振动加速度作为输出样本，分别训练每种车型的车体振动加速度预测模型；
所述数据采集模块，还用于在检测轨道状态时，利用任意一辆检测车辆在待检轨道行驶，并采集车辆速度及轨道不平顺数据；
预测模块，用于将采集的车辆速度及轨道不平顺数据输入至训练完成的多种车型的车体振动加速度预测模型，分别输出每种车型的预测车体振动加速度；
轨道状态评价模块，用于根据每种车型的预测车体振动加速度对待检轨道的状态进行评价。
7.如权利要求6所述的装置，其特征在于，所述轨道不平顺数据至少包括：长波高低、长波轨向、高低、轨向、水平、三角坑、超高及轨距；
所述车体振动加速度至少包括：车体垂向加速度及车体横向加速度。
8.如权利要求6所述的装置，其特征在于，还包括：数据预处理模块；
其中，所述数据预处理模块用于根据所述轨道不平顺数据，利用小波分析技术滤除波长在第一长度至第二长度范围之外的数据。
9.如权利要求6所述的装置，其特征在于，所述车体振动加速度预测模型采用CNN-GRU网络结构的深度学习模型；其中，
对于每个空间里程点，CNN-GRU网络结构的深度学习模型的输入为空间里程点以及空间里程点之前的长度为L-1的轨道不平顺数据及车辆速度，对应的输出为空间里程点位置处的车体振动加速度；其中，L为输入长度。
10.如权利要求6所述的装置，其特征在于，轨道状态评价模块具体用于：
根据每种车型的预测车体振动加速度，选取同一区段的加速度波形进行最大包络拟合，得到最大包络值；
根据最大包络值对待检轨道的状态进行评价。
11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5任一所述方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至5任一所述方法。
13.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至5任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210815735.4A CN115371724A (zh) | 2022-07-12 | 2022-07-12 | 轨道状态评价方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210815735.4A CN115371724A (zh) | 2022-07-12 | 2022-07-12 | 轨道状态评价方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115371724A true CN115371724A (zh) | 2022-11-22 |
Family
ID=84062092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210815735.4A Pending CN115371724A (zh) | 2022-07-12 | 2022-07-12 | 轨道状态评价方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115371724A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2022
- 2022-07-12 CN CN202210815735.4A patent/CN115371724A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115371724A (zh) | 轨道状态评价方法及装置 | |
| CN104792530B (zh) | 一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法 | |
| CN110879254B (zh) | 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法 | |
| CN112362756B (zh) | 一种基于深度学习的混凝土结构损伤监测方法及系统 | |
| CN109323754A (zh) | 一种列车车轮多边形故障诊断检测方法 | |
| CN110704801A (zh) | 桥梁集群结构运营安全智能监测与快速检测成套技术 | |
| Hurtado et al. | Unsupervised learning-based framework for indirect structural health monitoring using adversarial autoencoder | |
| CN110096810A (zh) | 一种基于逐层数据扩充深度学习的工业过程软测量方法 | |
| CN114444187B (zh) | 一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法 | |
| CN112381027B (zh) | 基于列车轴箱垂向加速度信号的车轮多边形波深估计方法 | |
| Li et al. | An improved AIC onset-time picking method based on regression convolutional neural network | |
| CN113609789A (zh) | 一种基于时空特征并行提取的刀具磨损状态预测方法 | |
| CN111967308A (zh) | 一种在线路面不平度辨识方法及系统 | |
| CN115758208A (zh) | 牵引变流器故障诊断方法、装置、计算机设备和存储介质 | |
| CN111461183A (zh) | 改进人工鱼群算法优化bp神经网络的平轮故障检测方法 | |
| CN115169401A (zh) | 一种基于多尺度DenseNet-ResNet-GRU模型的刀具磨损量预测方法 | |
| CN118228167A (zh) | 一种轨道交通走行轨接地故障诊断方法和系统 | |
| Wu et al. | Remaining useful life prediction of bearings with different failure types based on multi-feature and deep convolution transfer learning | |
| CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
| CN117312962A (zh) | 基于迁移学习和数据驱动的长期服役电梯导轨故障诊断方法 | |
| CN117454100A (zh) | 一种面向工程结构的缺失数据重构方法 | |
| CN116580292A (zh) | 轨道结构状态检测方法、计算机设备与介质 | |
| CN117041972A (zh) | 基于信道-时空注意自编码的车联网传感器异常检测方法 | |
| CN117407706A (zh) | 一种基于特征解缠的域泛化齿轮箱故障诊断方法 | |
| CN114330455B (zh) | 一种基于压缩感知的钢轨声发射信号快速高精度重构方法 |
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 |