CN115618273B - 一种基于并行图卷积神经网络的铁路轨道状态评估方法及系统 - Google Patents
一种基于并行图卷积神经网络的铁路轨道状态评估方法及系统 Download PDFInfo
- Publication number
- CN115618273B CN115618273B CN202211121446.0A CN202211121446A CN115618273B CN 115618273 B CN115618273 B CN 115618273B CN 202211121446 A CN202211121446 A CN 202211121446A CN 115618273 B CN115618273 B CN 115618273B
- Authority
- CN
- China
- Prior art keywords
- data
- railway track
- prediction
- neural network
- drift
- 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.)
- Active
Links
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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (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)
- Machines For Laying And Maintaining Railways (AREA)
Abstract
本发明提出一种基于并行图卷积神经网络的铁路轨道状态评估方法及系统。所述方法包括选择数据异常识别通道和数据整理、并行图卷积神经网络模型设计、训练模型并利用模型预测、通过预测结果判断数据异常情况以及利用有向图分析修正预测结果、根据异常结果对铁路轨道状态进行评估。本发明是针对铁路轨道异常状态评估的方法,利用多个并行图卷积层对数据进行图卷积运算并在融合层进行融合,预测结果不会过度依赖单个测点,提高了预测精度。若出现异常漂移数据,可以利用有向图进行分析,对预测结果进行修正。所述方法具有预测结果受异常数据影响小以及统一利用多种类型传感器类型数据实现铁路轨道状态评估等优势。
Description
技术领域
本发明属于结构健康监测与铁路轨道监测信号处理技术领域,特别是涉及一种基于并行图卷积神经网络的铁路轨道状态评估方法及系统。
背景技术
近些年,铁路路网规模逐渐完善,铁路总里程显著提升,铁路轨道在服役过程中其使用功能会不可避免地下降,受到气候和环境地影响轨道可能出现局部损伤或者变异。铁路铁轨结构的健康状况关系着铁路列车能否正常运行以及乘客的安全,由结构损伤引起的安全隐患可能对旅客的生命安全、国家财产产生巨大的威胁。合理有效的结构状态评估方法可以提前对结构的异常状态进行预警,实现早期对可能损坏的结构进行详细检查和维修,避免出现更大生命财产和经济方面的损失。相比静态的、较小荷载的建筑物,动态的、大荷载的铁路轨道设施建造成本、使用价值以及事故带来的损失决定了其结构安全安全性更为重要。
铁路路网的完善是国家发展的需要,为了保证结构安全,近年来开始在铁路轨道安置健康监测系统,包括较多不同类型的传感器,例如温度、应变(应力)以及位移等。然而对动态的大荷载铁路轨道健康监测的方法很少研究。结构的损伤或变异可以通过传感器所测数据所表征,即传感器数据异常,因此识别传感器异常数据具有重要的现实意义。一般情况下,传感器布置具有一定的冗余度,即不同的传感器测量数据存在相关性,这种相关性模式隐含着结构的某种状态,一旦这种状态被打破隐含着结构发生了某种状态变化,这为结构状态识别提供了可能。基于此,需要发展一种有效的通过多种类型通道数据对铁路轨道异常评估方法。
图论中,图由节点和边组成,有向图之间的关系可以利用邻接矩阵表示。随着计算机科学和人工智能技术的发展,图卷积神经网络通过提取图特征的特点被应用于各个领域。本发明提出了一种基于图卷积神经网络的铁路轨道状态评估方法。将不同监测测点建模为图模型,利用图卷积神经网络学习测点位置之间的空间关联性,根据空间关联性以及结构本构关系对预测结果进行预测,进而判断监测数据是否异常,从而实现对铁路轨道结构状态评估的目的。
发明内容
本发明目的是为了解决现有技术中的问题,提出了一种基于并行图卷积神经网络的铁路轨道状态评估方法及系统。
本发明是通过以下技术方案实现的,本发明提出一种基于并行图卷积神经网络的铁路轨道状态评估方法,具体包括以下步骤:
步骤一、获取N个参与异常识别的铁路轨道监测通道的应变、位移以及温度监测数据,用于模型的训练以及预测;
步骤二、建立包含C个并行图卷积层的图卷积神经网络模型,利用铁路轨道监测数据对其训练并预测;
步骤三、根据步骤二得到的预测结果,判断其是否有漂移数据:若无漂移数据,则利用预测结果对铁路轨道结构状态进行评估;若出现漂移数据,需要根据有向图分析异常中心节点,利用预测值替代漂移值修正预测结果,以修正后的预测结果对铁路轨道结构状态进行评估。
进一步地,所述步骤一具体为:
步骤1.1、选择同一铁路轨道结构N个监测通道作为异常识别的通道,N个通道采集的数据作为图卷积网络中的节点;
步骤1.2、获取所有采集时间N个通道时间在同一时间的采集数据作为该时间的数据样本;
步骤1.3、划分数据集,早期结构及监测系统完好数据作为训练数据,后期结构可能发生变异或损坏地数据作为预测集;
进一步地,N个通道采集的数据类型包括应变、位移以及温度。
进一步地,所述步骤二具体为:
步骤2.4、模型误差采用误差MSE进行误差传递,利用控制邻接矩阵对角线元素,降低自回归的预测;
步骤2.5、利用铁路轨道监测数据,对并行图卷积神经网络模型进行训练;
步骤2.6、根据铁路轨道监测数据利用训练好的并行图卷积神经网络模型进行预测,获得预测数据。
进一步地,所述步骤三具体为:
步骤3.1、对比预测值与实测值,检查是否存在漂移数据;
步骤3.2、若步骤3.1对比结果中不存在漂移数据,根据对比结果判断测点是否异常;若测点均正常,则判定铁路轨道结构状态无异常,反之,则判定铁路轨道结构状态出现异常;
步骤3.3、对比结果中存在漂移数据,建立有向图确认受影响节点,修正结果。
进一步地,所述步骤3.3具体为:
步骤3.3.2、判断有向图的中心节点代表的测点的残差和相邻节点是否符合符号相反性;
步骤3.3.3、若符号相反性成立,利用预测数据替代漂移数据部分后输入并行图卷积神经网络模型进行预测得到预测结果进行逆标准化后作为修正的预测结果;
步骤3.3.4、若符号相反性不成立,尝试其他漂移数据节点作为中心节点判断符号相反性直至相邻节点符号相反性成立,再进行步骤3.3.3;
步骤3.3.5、利用修正后的结果,进行铁路轨道结构评估:若测点均正常,则判断铁路轨道结构状态无异常,反之,则判断铁路轨道结构状态出现异常。
本发明提出一种基于并行图卷积神经网络的铁路轨道状态评估系统,所述系统具体包括:
数据获取模块:获取N个参与异常识别的铁路轨道监测通道的监测数据,用于模型的训练以及预测;
模型训练和预测模块:建立包含C个并行图卷积层的图卷积神经网络模型,利用铁路轨道监测数据对其训练并预测;
评估模块:根据模型训练和预测模块得到的预测结果,判断其是否有漂移数据:若无漂移数据,则利用预测结果对铁路轨道结构状态进行评估;若出现漂移数据,需要根据有向图分析异常中心节点,利用预测值替代漂移值修正预测结果,以修正后的预测结果对铁路轨道结构状态进行评估。
本发明还提出一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现所述一种基于并行图卷积神经网络的铁路轨道状态评估方法的步骤。
本发明提出一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时实现所述一种基于并行图卷积神经网络的铁路轨道状态评估方法的步骤。
本发明的有益效果为:
1、目前针对铁路轨道检测数据异常监测方法较少,该方法针对铁路轨道传感器监测数据进行异常识别,进而实现对铁路轨道状态的评估;
2、测量通道被建模有向图的节点,可以对不同类型的传感器数据进行异常识别,其中测量传感器类型可以是应变计、位移传感器以及温度传感器等;
3、并行图卷积神经网络的铁路轨道状态评估方法采用C个并行的图卷积层,C个邻接矩阵各不相同,利用融合层融合后的预测结果不会对单个或少数预测节点过度依赖,异常测点的非明显漂移类型的异常对其他节点预测结果造成明显影响,提高预测的准确性;
4、并行图卷积神经网络的数据铁路轨道状态评估方法采用C个并行的图卷积层,每个图卷积层在融合层进行融合运算时,均有一个激活函数,提高了非线性预测能力,进而提高预测能力;
5、对于明显漂移的数据,利用有向图分析以及预测值替代的方法消除数据漂移影响。
附图说明
图1基于并列图卷积神经网络的铁路轨道状态评估方法流程图;
图2本发明设计的并列图卷积神经网络示意图;
图3通道3漂移数据结果示意图;
图4传感器3对其他结点的影响权重以及有向图,(a)为传感器测点3对其他测点的预测权重示意图,(b)为结点之间的有向图。说明:(b)中红色残差为正,蓝色残差为负,箭头表示相应结点的预测贡献,如3号结点对9号结点的预测有贡献;
图5漂移值利用预测值替代前后修正结果比较示意图;
图6其他测点对预测结点的权重示意图,(a)为传感器测点2对预测结点的权重示意图,(b)为传感器测点4对预测结点的权重示意图;
图7实施例2预测值与实测值对比图,(a)为传感器测点9预测值与实测值对比图,(b)为传感器测点16预测值与实测值对比图,(c)为传感器测点19预测值与实测值对比图。
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。
本发明的目的是为了识别现有铁路轨道监测数据可能出现的异常状况,及时发现铁路轨道、各种传感器可能出现的异常或结构损伤等引起安全隐患等。首先将铁路轨道布置的各种测点传感器位置作为有向图的结点,利用有向图中的相邻结点进行预测,进而实现对铁路轨道结构状态的评估。由于预测结果对相邻结点预测的依赖性,当相邻结点出现异常时,会对预测结点造成影响,至使预测结果不准确,本发明提出一种并行图卷积神经网络利用周围结点进行预测,预测并不会过度依赖单个结点,因此单个相邻结点异常对预测结果影响很小。当出现漂移数据时,则利用有向图对预测结果进行修正。铁路轨道相同传感器之间存在空间相关性以及不同测量量之间存在相关性,传感器布置冗余度较高时,适用于本发明方法进行异常识别,且具有较高的准确性。
结合图1,本发明提出一种并行图卷积神经网络的铁路轨道状态评估方法,具体包括以下步骤:
步骤一、选择N个参与异常识别的通道,整理N个通道的监测数据用于模型的训练以及预测;
步骤二、建立包含C个并行图卷积层的图卷积神经网络模型,利用铁路轨道监测数据对其训练并预测;
步骤三、根据步骤二得到的预测结果,判断其是否有异常漂移数据:若无异常漂移数据,则利用预测结果判断是否测点异常;若出现漂移数据,需要根据有向图分析异常中心节点,利用预测值替代明显漂移值修正预测结果,以修正后的预测结果判断测点是否异常。
所述步骤一具体为:
步骤1.1、选择同一结构N个通道作为异常识别的通道,N个通道采集的数据类型包括应变(应力)、位移以及温度,即后续作为图卷积网络中的节点;
步骤1.2、整理所有采集时间N个通道时间在同一时间的采集数据作为该时间的数据样本;
步骤1.3、划分数据集,早期结构及监测系统完好数据作为训练数据,后期结构可能发生变异或损坏地数据作为预测集;
所述步骤二具体为:
步骤2.4、模型误差采用均方误差进行误差传递,利用控制邻接矩阵对角线元素,降低自回归的预测,误差为式中m为小批量样本训练个数,tr(·)表示矩阵的迹;λl(l=1,2,......C)是第l个图卷积神经网络邻接矩阵主对角线元素的惩罚项系数。
步骤2.5、利用铁路轨道监测数据,对并行图卷积神经网络模型进行训练;
步骤2.6、根据铁路轨道监测数据利用训练好的并行图卷积神经网络模型进行预测,获得预测数据。
所述步骤三具体为:
步骤3.1、对比预测值与实测值,检查是否存在漂移数据;
步骤3.2、若步骤3.1对比结果中不存在漂移数据,根据对比结果判断测点是否异常;若测点均正常,则判定铁路轨道结构状态无异常,反之,则判定铁路轨道结构状态出现异常;
步骤3.3、对比结果中存在漂移数据,建立有向图确认受影响节点,修正结果。
所述步骤3.3具体为:
步骤3.3.2、判断有向图的中心节点代表的测点的残差和相邻节点是否符合符号相反性(中心节点对周围节点预测贡献权重为正,符号为负,贡献为负,符号为正,中心节点对其他节点的预测贡献权重即为加权邻接矩阵在中心节点对应序号的列);
步骤3.3.3、若符号相反性成立,利用预测数据替代漂移数据部分后输入并行图卷积神经网络模型进行预测得到预测结果进行逆标准化后作为修正的预测结果。
步骤3.3.4、若符号相反性不成立,尝试其他漂移数据节点作为中心节点判断符号相反性直至相邻节点符号相反性成立,再进行步骤3.3.3;
步骤3.3.5、利用修正后的结果,进行铁路轨道结构评估:若测点均正常,则判断铁路轨道结构状态无异常,反之,则判断铁路轨道结构状态出现异常。
本发明还提出一种基于并行图卷积神经网络的铁路轨道状态评估系统,所述系统具体包括:
数据获取模块:选择N个参与异常识别的铁路轨道监测通道的监测数据,用于模型的训练以及预测;
模型训练和预测模块:建立包含C个并行图卷积层的图卷积神经网络模型,利用铁路轨道监测数据对其训练并预测;
评估模块:根据模型训练和预测模块得到的预测结果,判断其是否有漂移数据:若无漂移数据,则利用预测结果对铁路轨道结构状态进行评估;若出现漂移数据,需要根据有向图分析异常中心节点,利用预测值替代漂移值修正预测结果,以修正后的预测结果对铁路轨道结构状态进行评估。
实施例1
针对23个铁路轨道应变监测数据进行轨道结构状态评估,利用提出的基于并行图卷积神经网络的铁路轨道状态评估方法对哈齐轨道监测点进行轨道状态评估。
所使用的数据为某铁路轨道监测工点的23个通道2015年3月26日至2017年2月28日的75907个数据样本,即数据维数为23×75907。
下面利用本发明中基于并行图卷积神经网络的铁路轨道状态评估方法对监测点的轨道状态进行评估:
所述步骤一具体为:将同一时间23个数据通道的数据整理作为数据样本,剔除传感器故障引起的异常数据;将2015年3月26日至2015年12月31日数据作为训练数据,利用该部分数据的均值和方差对全部数据进行标准化。
所述步骤二具体为:建立并行图卷积神经网络模型,其中图卷积层个数C=12,邻接矩阵结点嵌入参数M=30,需要训练的参数为bl和kl,l=1,2......12,其大小分别为23×30、30×23和23×1;2015年的训练数据大小为23×29745,小批量样本训练个数m=32,学习率η=5×10-5,邻接矩阵对角线惩罚项系数λl=1,l=1,2......12,训练回合数为500,利用训练集数据训练并行图卷积神经网络以及融合层参数;训练完成后将所有的数据标准化后输入模型得到测量数据的预测值的标准值,对其进行逆标准化得到预测值。
所述步骤三具体为:对比实测值与预测值,结点3为漂移数据,见图3,根据加权邻接矩阵建立有向图,判断其是否对周围结点的造成影响,加权邻接矩阵第三列和有向图见图4,相邻结点残差符合符号相反性,因此结点1、6、8、9和10通道受到了结点3的数据漂移影响;利用结点3的预测值替代实测值再次利用图卷积网络模型进行预测,结果见图5,漂移影响消失。为说明其并不过度依赖其中一个结点,输出结点2和结点4的加权邻接矩阵的行(其他结点对结点2和4的预测时的贡献权重)如图6,结点2和4的预测需要多个测点共同参与,其他结点类似结点2和4,因此不需要对轻微异常数据根据邻接矩阵建立有向图进行修正,根据修正的预测结果,判断编号2、4、6、7、13和18的通道出现异常;基于传感器测点的异常识别,判断铁路轨道出现异常状态。
实施例2
该实例为对杭甬余姚大桥进行状态评估,该数据包含20个测点,包括位移(通道1~16)、温度(通道17~18)以及应变(通道19~20)等三种类型的数据。
下面利用本发明中基于并行图卷积神经网络的铁路轨道状态评估方法对监测点的轨道状态进行评估:
所述步骤一具体为:2019~2020共有18296份数据样本,所有的样本大小为20×18296;2019年的10892份数据样本用于训练,利用该部分数据的均值和方差对全部数据进行标准化;
所述步骤二具体为:输入输出维度为传感器个数20,其他参数同实施例1;
所述步骤三具体为:对比预测值与实测值,并无漂移数据,因此预测结果不需要修正;三种类型传感器的预测值与实测值对比见图7(部分通道),预测结果均无异常,即判断铁路轨道状态无异常。本发明实现了利用并行图卷积神经网络对铁路轨道监测异常数据进行识别。该方法利用有向图中相邻结点对中心结点进行预测,由于多个并行神经网络的利用,不会过度依赖单个测点,降低了异常数据的干扰,提高了预测性能。
本发明提出一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现所述一种基于并行图卷积神经网络的铁路轨道状态评估方法的步骤。
本发明提出一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时实现所述一种基于并行图卷积神经网络的铁路轨道状态评估方法的步骤。
本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasablePROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambusRAM,DR RAM)。应注意,本发明描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,高密度数字视频光盘(digital video disc,DVD))、或者半导体介质(例如,固态硬盘(solid state disc,SSD))等。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
应注意,本申请实施例中的处理器可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
以上对本发明所提出的一种基于并行图卷积神经网络的铁路轨道状态评估方法及系统进行了详细介绍,本文中应用了具体个例对本发明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发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,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发明的限制。
Claims (9)
1.一种基于并行图卷积神经网络的铁路轨道状态评估方法,其特征在于,具体包括以下步骤:
步骤一、获取N个参与异常识别的铁路轨道监测通道的应变、位移以及温度监测数据,用于模型的训练以及预测;
步骤二、建立包含C个并行图卷积层的图卷积神经网络模型,利用铁路监测数据对其训练并预测;
所述步骤二具体为:
步骤2.4、模型误差采用误差MSE进行误差传递,利用控制邻接矩阵对角线元素,降低自回归的预测;
步骤2.5、利用铁路轨道监测数据,对并行图卷积神经网络模型进行训练;
步骤2.6、根据铁路轨道监测数据利用训练好的并行图卷积神经网络模型进行预测,获得预测数据;
步骤三、根据步骤二得到的预测结果,判断其是否有漂移数据:若无漂移数据,则利用预测结果对铁路结构状态进行评估;若出现漂移数据,需要根据有向图分析异常中心节点,利用预测值替代漂移值修正预测结果,以修正后的预测结果对铁路结构状态进行评估。
3.根据权利要求2所述的方法,其特征在于,N个通道采集的数据类型包括应变、位移以及温度。
5.根据权利要求4所述的方法,其特征在于,所述步骤三具体为:
步骤3.1、对比预测值与实测值,检查是否存在漂移数据;
步骤3.2、若步骤3.1对比结果中不存在漂移数据,根据对比结果判断测点是否异常;若测点均正常,则判定铁路轨道结构状态无异常,反之,则判定铁路轨道结构状态出现异常;
步骤3.3、对比结果中存在漂移数据,建立有向图确认受影响节点,修正结果。
6.根据权利要求5所述的方法,其特征在于,所述步骤3.3具体为:
步骤3.3.2、判断有向图的中心节点代表的测点的残差和相邻节点是否符合符号相反性;
步骤3.3.3、若符号相反性成立,利用预测数据替代漂移数据部分后输入并行图卷积神经网络模型进行预测得到预测结果进行逆标准化后作为修正的预测结果;
步骤3.3.4、若符号相反性不成立,尝试其他漂移数据节点作为中心节点判断符号相反性直至相邻节点符号相反性成立,再进行步骤3.3.3;
步骤3.3.5、利用修正后的结果,进行铁路轨道结构评估:若测点均正常,则判断铁路轨道结构状态无异常,反之,则判断铁路轨道结构状态出现异常。
7.一种基于并行图卷积神经网络的铁路轨道状态评估系统,其特征在于,所述系统具体包括:
数据获取模块:获取N个参与异常识别的铁路轨道监测通道的监测数据,用于模型的训练以及预测;
模型训练和预测模块:建立包含C个并行图卷积层的图卷积神经网络模型,利用铁路轨道监测数据对其训练并预测;
所述模型训练和预测模块具体为:
模型误差采用误差MSE进行误差传递,利用控制邻接矩阵对角线元素,降低自回归的预测;
利用铁路轨道监测数据,对并行图卷积神经网络模型进行训练;
根据铁路轨道监测数据利用训练好的并行图卷积神经网络模型进行预测,获得预测数据;
评估模块:根据模型训练和预测模块得到的预测结果,判断其是否有漂移数据:若无漂移数据,则利用预测结果对铁路轨道结构状态进行评估;若出现漂移数据,需要根据有向图分析异常中心节点,利用预测值替代漂移值修正预测结果,以修正后的预测结果对铁路轨道结构状态进行评估。
8.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,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1-6任一项所述方法的步骤。
9.一种计算机可读存储介质,用于存储计算机指令,其特征在于,所述计算机指令被处理器执行时实现权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211121446.0A CN115618273B (zh) | 2022-09-15 | 2022-09-15 | 一种基于并行图卷积神经网络的铁路轨道状态评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211121446.0A CN115618273B (zh) | 2022-09-15 | 2022-09-15 | 一种基于并行图卷积神经网络的铁路轨道状态评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115618273A CN115618273A (zh) | 2023-01-17 |
CN115618273B true CN115618273B (zh) | 2023-06-30 |
Family
ID=84858161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211121446.0A Active CN115618273B (zh) | 2022-09-15 | 2022-09-15 | 一种基于并行图卷积神经网络的铁路轨道状态评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115618273B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116269450B (zh) * | 2023-03-21 | 2023-12-19 | 苏州海臻医疗器械有限公司 | 一种基于肌电信号的患者肢体康复状态评估系统及方法 |
CN116761145B (zh) * | 2023-07-26 | 2024-04-16 | 江苏飞梭智行设备有限公司 | 一种轨道交通设备故障影响监测方法 |
CN117370787B (zh) * | 2023-09-25 | 2024-06-04 | 哈尔滨工业大学 | 基于图卷积神经网络和长短期记忆神经网络的框架结构地震损伤识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183315A (zh) * | 2020-09-27 | 2021-01-05 | 哈尔滨工业大学(深圳) | 动作识别模型训练方法和动作识别方法及装置 |
CN112382082A (zh) * | 2020-09-30 | 2021-02-19 | 银江股份有限公司 | 一种拥堵区域交通运行状态预测方法及系统 |
CN113297790A (zh) * | 2021-05-19 | 2021-08-24 | 哈尔滨工业大学 | 一种基于稀疏贝叶斯宽度学习的高铁轨道响应预测方法 |
CN113935497A (zh) * | 2020-07-14 | 2022-01-14 | 京东方科技集团股份有限公司 | 智能运维故障处理方法、装置、设备及其存储介质 |
CN114116689A (zh) * | 2021-10-25 | 2022-03-01 | 浙江瑞邦科特检测有限公司 | 一种基于建筑结构安全监测的大数据清洗方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737909B (zh) * | 2020-06-10 | 2021-02-09 | 哈尔滨工业大学 | 基于时空图卷积网络的结构健康监测数据异常识别方法 |
US11494787B2 (en) * | 2020-06-30 | 2022-11-08 | Optum, Inc. | Graph convolutional anomaly detection |
CN112651167A (zh) * | 2020-12-02 | 2021-04-13 | 杭州电子科技大学 | 一种基于图神经网络的半监督滚动轴承故障诊断方法 |
CN112580784A (zh) * | 2020-12-16 | 2021-03-30 | 哈尔滨电站设备成套设计研究所有限公司 | 基于多输入多输出卷积神经网络的设备智能预警方法 |
CN112991656B (zh) * | 2021-02-04 | 2022-08-16 | 北京工业大学 | 基于姿态估计的全景监控下人体异常行为识别报警系统及方法 |
CN113011763A (zh) * | 2021-03-29 | 2021-06-22 | 华南理工大学 | 一种基于时空图卷积注意力的桥梁损伤识别方法 |
US20220027792A1 (en) * | 2021-10-08 | 2022-01-27 | Intel Corporation | Deep neural network model design enhanced by real-time proxy evaluation feedback |
CN113961759B (zh) * | 2021-10-22 | 2024-05-07 | 北京工业大学 | 基于属性图表示学习的异常检测方法 |
CN114356859A (zh) * | 2021-12-30 | 2022-04-15 | 中国电信股份有限公司 | 数据导入方法及装置、设备、计算机可读存储介质 |
CN114077811B (zh) * | 2022-01-19 | 2022-04-12 | 华东交通大学 | 一种基于图神经网络的电力物联网设备异常检测方法 |
-
2022
- 2022-09-15 CN CN202211121446.0A patent/CN115618273B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113935497A (zh) * | 2020-07-14 | 2022-01-14 | 京东方科技集团股份有限公司 | 智能运维故障处理方法、装置、设备及其存储介质 |
CN112183315A (zh) * | 2020-09-27 | 2021-01-05 | 哈尔滨工业大学(深圳) | 动作识别模型训练方法和动作识别方法及装置 |
CN112382082A (zh) * | 2020-09-30 | 2021-02-19 | 银江股份有限公司 | 一种拥堵区域交通运行状态预测方法及系统 |
CN113297790A (zh) * | 2021-05-19 | 2021-08-24 | 哈尔滨工业大学 | 一种基于稀疏贝叶斯宽度学习的高铁轨道响应预测方法 |
CN114116689A (zh) * | 2021-10-25 | 2022-03-01 | 浙江瑞邦科特检测有限公司 | 一种基于建筑结构安全监测的大数据清洗方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115618273A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115618273B (zh) | 一种基于并行图卷积神经网络的铁路轨道状态评估方法及系统 | |
Xia et al. | Long‐term performance monitoring and assessment of concrete beam bridges using neutral axis indicator | |
Eick et al. | Automated damage detection in miter gates of navigation locks | |
Giglioni et al. | Autoencoders for unsupervised real‐time bridge health assessment | |
CN111832222A (zh) | 一种污染物浓度的预测模型训练方法、预测方法及装置 | |
CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
CN112287602B (zh) | 一种基于机器学习和孤立森林的动车轴温故障预警方法 | |
CN114707632A (zh) | 一种传感网络传感器故障定位方法、系统、设备及介质 | |
CN116295948A (zh) | 大温差环境下工业温度传感器的异常检测方法、系统及存储介质 | |
Wang et al. | Equivalence analysis of accelerated degradation mechanism based on stochastic degradation models | |
Song et al. | Fiducial inference-based failure mechanism consistency analysis for accelerated life and degradation tests | |
CN112128950B (zh) | 一种基于多种模型对比的机房温湿度预测方法及系统 | |
CN117763555A (zh) | 一种基于区块链的配电网数据安全防护和评估方法 | |
CN105722129A (zh) | 一种基于fsax-markov模型的无线传感网事件检测方法及系统 | |
Song et al. | A Novel Outlier Detection Method of Long‐Term Dam Monitoring Data Based on SSA‐NAR | |
Pilch | Extending the Possibilities of Quantitative Determination of SIL–a Procedure Based on IEC 61508 and the Markov Model with Common Cause Failures | |
CN103235206A (zh) | 一种变压器的故障诊断方法 | |
Li et al. | Condition monitoring of sensors in a NPP using optimized PCA | |
CN110210066B (zh) | 基于p值的性能退化数据与故障数据的一致性检验方法 | |
CN111966966B (zh) | 一种传感器测量误差模型参数可行域分析方法及系统 | |
CN111931407A (zh) | 一种基于长期监测数据的结构可靠度评估预测方法及系统 | |
CN117370787B (zh) | 基于图卷积神经网络和长短期记忆神经网络的框架结构地震损伤识别方法 | |
CN116452070B (zh) | 多辨识框架下的大型设备健康评估方法和装置 | |
Zhou et al. | Bearing life prediction method based on parallel multichannel recurrent convolutional neural network | |
CN117852229B (zh) | 含新能源的配电网供电可靠性影响因素分析方法及系统 |
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 |