CN116050814A - 一种有砟轨道捣固方案自适应修正方法 - Google Patents
一种有砟轨道捣固方案自适应修正方法 Download PDFInfo
- Publication number
- CN116050814A CN116050814A CN202310339361.8A CN202310339361A CN116050814A CN 116050814 A CN116050814 A CN 116050814A CN 202310339361 A CN202310339361 A CN 202310339361A CN 116050814 A CN116050814 A CN 116050814A
- Authority
- CN
- China
- Prior art keywords
- track
- tamping
- irregularity
- value
- amount
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 122
- 238000012937 correction Methods 0.000 title claims abstract description 52
- 230000000694 effects Effects 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 29
- 101100177269 Arabidopsis thaliana HCAR gene Proteins 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 17
- 238000013461 design Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 4
- 230000002411 adverse Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 238000010845 search algorithm Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 6
- 230000003094 perturbing effect Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011152 fibreglass Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Machines For Laying And Maintaining Railways (AREA)
Abstract
本发明公开了一种有砟轨道捣固方案自适应修正方法。本方法以待捣固区段的历史作业数据为基础,结合多项捣固作业质量影响因素构建了轨道不平顺预测模型,准确预测捣固方案对轨道不平顺的整治效果,并基于该预测结果利用启发式算法对捣固方案的起、拨道量进行自适应修正,使捣固效果达到预期的轨道不平顺控制要求,实现了有砟轨道捣固方案的有效修正。本方法可以弥补了传统修正方法难以在干扰因素影响下保证捣固作业质量的缺陷,特别是在充分适应待捣固区段历史作业规律前提下自动化修正起、拨道量方面,进一步提高了捣固方案对轨道不平顺的控制效果。
Description
技术领域
本发明涉及铁路工程技术领域,特别是涉及一种有砟轨道捣固方案自适应修正方法。
背景技术
捣固作业是整治有砟轨道线路不平顺的重要措施,随着测量技术的进步,我国从主要依赖捣固车自身作业能力改善线路状态,逐步发展为利用精测数据科学制定调整方案控制捣固车重点整治轨道不平顺,实现了无需人工干预的自动化捣固作业。现如今列车运行速度逐渐提升,对轨道平顺性的管理要求日益严格,铁路基础设施部门依靠精准数据支持进行养护维修,然而有砟轨道线路情况复杂,大机捣固过程易受设备精度、线路条件等外界因素干扰,制约了捣固目标的实现。
现有的捣固方案修正方法多侧重于在理想条件下实现作业目标,对于理想方案基础上融合其他因素修正起道量、拨道量的研究较少,缺乏在干扰因素影响下保证捣固作业质量的有效措施。因此,围绕捣固作业过程的各项影响因素,结合机器学习提出针对性修正方法,有利于进一步提升捣固作业质量。
发明内容
针对现有技术中存在的缺陷,本发明的目的是提供一种有砟轨道捣固方案自适应修正方法,本发明所要解决的技术问题是:筛选历史捣固作业数据用于训练轨道不平顺预测模型,预测捣固方案对轨道不平顺的整治效果,并基于该预测结果利用启发式算法对捣固方案的起、拨道量进行自适应修正,使捣固效果达到预期的轨道不平顺控制要求,对进一步克服干扰因素对作业质量的不利影响、提高有砟轨道捣固作业效果提供参考。
为达到以上目的,本发明采取的技术方案是:
一种有砟轨道捣固方案自适应修正方法,其特征在于,所述方法以克服干扰因素对捣固作业质量的不利影响并提升轨道不平顺控制效果作为目标,计算捣固作业所需的起道量和拨道量,具体包括以下步骤:
步骤1、收集待捣固区段的轨道测量数据,对比轨道的测量线形与设计线形,得到轨道测量线形及设计线形之间的偏差量;由偏差量计算轨道不平顺,综合考虑维修规范和施工人员技术经验,确定轨道不平顺管理值、最小起道量和最小拨道量;收集待捣固区段同一线路的历史捣固作业信息,对各类型数据进行预处理;
步骤2、根据步骤1的数据预处理结果确定输入变量和输出变量,构建轨道不平顺预测模型;变更输入变量大小,利用Mean Impact Value算法衡量各变量在预测模型内部的相关程度,筛选得到最终输入变量;根据最终输入变量,构建最优的轨道不平顺预测模型;
步骤3、根据步骤1得到的偏差量、轨道不平顺管理值、最小起道量、最小拨道量,建立轨道不平顺约束方程,以待捣固区段调整量之和最小为求解目标,构造出既满足平顺性控制条件又符合最小起道量与最小拨道量要求的目标线形;
步骤4、根据捣固车的轨道偏差量检测特性修正捣固作业的目标线形,所述轨道偏差量检测特性指:捣固车起道作业时,轨道偏差量检测系统的三个检测点在一条直线上呈现的固定比例关系;将修正后的目标线形与轨道实测线形进行对比,计算得到捣固作业所需的起道量和拨道量;
步骤5、将待捣固区段的基本信息以及步骤4得到的起道量和拨道量同时输入经过步骤2训练好的轨道不平顺预测模型,预测得到捣固后的轨道不平顺;根据轨道不平顺控制要求,建立捣固方案寻优模型,搜索最优轨道不平顺预测结果对应的捣固方案,完成有砟轨道捣固方案的最终修正;
在上述方案的基础上,步骤1中所述的轨道不平顺包括:轨向不平顺和高低不平顺;所述的轨道不平顺管理值包括:轨向不平顺管理值和高低不平顺管理值;
在上述方案的基础上,步骤1中所述的历史捣固作业信息包括:起道量、拨道量、捣固车编号、捣固前高低不平顺、捣固前轨向不平顺、捣固后高低不平顺、捣固后轨向不平顺、线路特征;
在上述方案的基础上,所述的线路特征具体包括:路基、桥梁、隧道、道岔;
在上述方案的基础上,步骤1的具体步骤为:
步骤1-1、将历史捣固作业信息归类为数值型信息和分类型信息;其中,起道量、拨道量、捣固前高低不平顺、捣固前轨向不平顺、捣固后高低不平顺、捣固后轨向不平顺属于数值型信息;捣固车编号、线路特征属于分类型信息;采用绝对均值修正法剔除上述数值型信息的异常值;
步骤1-2、对数值型信息和分类型信息分别进行归一化处理;
在上述方案的基础上,步骤2的具体步骤为:
步骤2-1、确定预处理后的起道量、拨道量、捣固车编号、线路特征、捣固前高低不平顺、捣固前轨向不平顺为输入变量;确定预处理后的捣固后高低不平顺、捣固后轨向不平顺为输出变量;
步骤2-2、将预处理后的起道量、拨道量、捣固车编号、线路特征、捣固前高低不平顺、捣固前轨向不平顺分别用X 1、X 2、X 3、X 4、X 5、X 6表示,将预处理后的捣固后高低不平顺、捣固后轨向不平顺分别用Y 1、Y 2表示;选取n组输入、输出变量作为轨道不平顺预测模型的训练样本,具体可表达为式(1):
上式中,X i 为第i组输入变量,Y i 为第i组输出变量;
步骤2-3、使用神经网络算法确定轨道不平顺预测模型的结构,神经网络由输入层、单隐含层和输出层组成;设定期望输出值与预测输出值之间的误差阈值,以及最大训练次数;设定输入层神经元个数、隐含层神经元个数、输出层神经元个数;利用训练样本对轨道不平顺预测模型进行训练,具体过程如下:
步骤2-3-1、计算各层神经元输出值:
根据输入向量,以及输入层和隐含层之间连接权值,计算隐含层输出值;根据隐含层输出值,以及隐含层和输出层之间连接权值,计算输出层输出值,如下两式:
上式中,隐含层传递函数f 1为transig函数;X i 为输入向量,p为隐含层节点序号,p=1, 2,…,v;v为隐含层节点总数;H p 为隐含层第p个节点的输出;q为输入层节点序号,q=1,2,…,m;m为输入层节点总数;输入层和隐含层之间连接权值为ω qp ;输入层和隐含层之间连接阈值为b q ;
上式中,k为输出层节点序号,k=1, 2,…,s;s为输出层节点总数;O k 为输出层第k个节点的输出值;隐含层和输出层之间连接权值为ω pk ;输入层和隐含层之间连接阈值为b k ;
步骤2-3-2、计算各层神经元误差项:
根据期望输出值与预测输出值计算损失函数,并根据损失函数计算隐藏层和输出层神经元的误差项,如下式:
步骤2-3-3、更新模型参数:
根据各层神经元误差项更新隐藏层和输出层的连接权值和阈值,更新后的隐藏层参数表达式如下式:
上式中,η为学习速率,t表示迭代次数;
更新后的输出层参数表达式如下式:
上式中,η为学习速率,t表示迭代次数;
步骤2-3-4、迭代计算:
重复步骤2-3-1至步骤2-3-3,直到误差小于给定的误差阈值或达到训练次数为止,完成轨道不平顺预测模型训练;
步骤2-4、变更n组训练样本的输入变量,数值型输入变量与分类型输入变量的变更方式存在差异,具体为:
步骤2-4-1、数值型输入变量在原始值基础上分别放大和缩小10%~20%;
步骤2-4-2、分类型输入变量随机变化为其他类型对应的数值;
步骤2-4-3、将变更后的输入变量输入至已训练好的轨道不平顺预测模型,计算得到对应的输出变量;
步骤2-4-4、计算各项输入变量的MIV权重比值,将各变量得到的MIV权重比值按照从大到小排列,MIV权重比值大于等于R的变量被认为是影响捣固效果的强相关变量,反之认为是弱相关变量,如下式(2);
上式中,I j,k 表示第j个输入变量对第k个输出变量的MIV值;R j 为各变量的MIV权重比值;R为强、弱相关性分界值;m为输入变量总数;
步骤2-4-5、剔除弱相关变量,筛选得到最终输入变量;
步骤2-5、按照步骤2-3,根据最终输入变量重新训练轨道不平顺预测模型;
在上述方案的基础上,步骤3的具体步骤为:
步骤3-1、以步骤1确定的偏差量为数据基础,将偏差量的垂向分量、横向分量分别与起道量、拨道量代数运算,得到平、纵断面目标线形所在位置,用垂向、横向剩余偏差量表示,公式如下式(3)所示:
上式中,h 1为实测线形与设计线形之间的垂向偏差量;h 2为实测线形与设计线形之间的横向偏差量;d 1为起道量;d 2为拨道量;为目标线形与设计线形之间的垂向偏差量,称为垂向剩余偏差量;为目标线形与设计线形之间的横向偏差量,称为横向剩余偏差量;
步骤3-2、遵循调整量整体最小原则,对待捣固区段起道量和拨道量的绝对值分别进行求和,设定计算纵断面目标线形的目标函数为f 1,设定计算平面目标线形的目标函数为f 2,公式如下式(4)所示:
步骤3-3、以步骤1确定的轨道不平顺管理值、最小起道量为约束目标,建立高低不平顺约束方程、最小起道量约束方程,并联立为纵断面目标线形约束条件,如下式(5):
步骤3-4、以步骤1确定的轨道不平顺管理值、最小拨道量为约束目标,建立轨向不平顺约束方程、最小拨道量约束方程,并联立为平面目标线形约束条件,如下式(6):
步骤3-5、将步骤3-3和步骤3-4的约束方程转化为矩阵不等式,具体数学公式如下式(7):
上式中,A 1为起道量对应的系数矩阵;B 1为起道量对应的约束矩阵;D 1为起道量矩阵;A 2为拨道量对应的系数矩阵;B 2为拨道量对应的约束矩阵;D 2为拨道量矩阵;
以步骤3-2中的式(4)作为目标函数,以式(7)作为约束条件,依据最优化理论计算最优解,求取待捣固区段的垂向剩余偏差量和横向剩余偏差量,即平断面和纵断面目标线形所在位置;
在上述方案的基础上,步骤4的具体步骤为:
步骤4-1、设定捣固车的三个纵平检测点依次为R、M、F,捣固车起道作业时,起道作业时以R、F两点间弦线为基准,将M点抬升到R、F两点的连线上,使R、M、F三个点保持在一条直线上;假设R点已位于目标线形,利用R、M、F三个点之间的水平距离比例关系,求取F点修正后的垂向剩余偏差量,完成目标线形修正;具体修正公式如下式(8)所示:
步骤4-2、对比轨道实测线形与步骤D-1的修正后目标线形,得到起道量和拨道量;
在上述方案的基础上,步骤5的具体步骤为:
步骤5-1、将待捣固区段的基本信息以及步骤4得到的起道量、拨道量同时输入步骤2已训练好的轨道不平顺预测模型,预测得到捣固后的轨道不平顺;
步骤5-2、根据轨道不平顺控制要求,建立捣固方案寻优模型,对不同方案对应的轨道不平顺预测结果进行寻优,输出最终修正后的捣固方案,具体过程如下:
步骤5-2-1、定义优化问题:
利用Harmony search算法,将和声定义为捣固方案的拨道量和起道量;在目标函数内嵌套已训练好的轨道不平顺预测模型,根据捣固方案的拨道量和起道量序列重新预测捣固后的轨道不平顺,并将最大预测值减控制值的差值与新预测值减原始预测值的差值进行加权求和,得到和声的适应度,具体如下式(9):
上式中,f 3为适应度;w为拨道量和起道量的总数;λ和γ为权重;O x为将和声中第x个拨道量和起道量输入轨道不平顺预测模型得到的轨道不平顺预测值;为O x对应的原始预测值;O max为n个轨道不平顺预测值中的最大值;δ为控制值;
步骤5-2-2、定义优化参数:
根据迭代次数和寻优结果自适应调整和声记忆库取值概率HMCR、音调微调概率PAR,具体处理方法如下:
(a)假设HMCR服从均值为[0.9, 1.0]之间任意值,且标准差为0.01的正态分布;PAR服从均值为[0.0, 1.0]之间任意值,且标准差为0.05的正态分布;
(b)根据正态分布生成的HMCR和PAR开始搜索;同时,记录下新和声成功替换和声记忆库中适应度最差和声时对应的HMCR和PAR;
(c)每当迭代次数累计达到最大迭代次数的十分之一之后,计算在此期间记录的所有HMCR和PAR的均值,作为正态分布的新均值,并生成新的HMCR和PAR用于随后的迭代;
(d)重复上述步骤。逐渐学习适当的HMCR和PAR,以适应特定阶段的搜索;
步骤5-3-3、初始化和声记忆库:
随机产生初始和声放于和声记忆库,初始和声的生成方式如下式(10):
上式中,为第m个和声内的第c个起道量或拨道量;为对应的原始起道量或拨道量;r 1为(0, 1)内均匀分布的随机数;α为起道量或拨道量的允许波动范围,设置为30%;Z c(min)和Z c(max)分别为第c个起道量或拨道量的下界和上界;
步骤5-3-4、生成一个新和声:
生成在(0, 1)内均匀分布的随机数r 2,当r 2大于HMCR 时,由式(10)产生新的和声;否则,采用如下步骤处理:
(a)从和声记忆库中随机选取一个历史值,并对历史值进行扰动;
(b)生成在(0, 1)内均匀分布的随机数r 3,当r 3小于PAR时,使用历史最优和声替换步骤(a)产生的新和声;
步骤5-3-5、更新和声记忆库:
将新和声代入目标函数,如果得到的适应度优于当前和声记忆库中的最差和声,则用新和声替换最差和声;
步骤5-3-6、确定最优和声:
不断重复搜索,直到迭代次数达到最大迭代次数,停止搜索,得到最优和声,即最优的拨道量和起道量,完成捣固方案修正。
本发明所述的一种有砟轨道捣固方案自适应修正方法,其有益效果为:以待捣固区段的历史作业数据为基础,整合了多项影响捣固作业质量的关键因素,实现了捣固方案的修正,弥补了干扰因素对作业质量的不利影响,有利于提升捣固方案对轨道不平顺的控制效果:
首先,本发明对待捣固区段各类型数据进行预处理,确定了捣固方案的基本要求,为后续修正计算奠定了基础;
其次,本发明以高低不平顺管理值、起道量与拨道量比例关系作为约束条件,以待捣固区段起道量之和最小作为求解目标,计算得到了理想条件下的目标线形,并根据捣固车起道作业特性进行了目标线形修正;
再次,本发明结合多项捣固作业质量影响因素构建了轨道不平顺预测模型,准确预测捣固方案对轨道不平顺的整治效果;
最后,本发明将修正后目标线形对应的起、拨道量输入已训练好的轨道不平顺预测模型,基于预测结果利用启发式算法对捣固方案的起、拨道量进行自适应修正,使捣固效果达到预期的轨道不平顺控制要求,实现了有砟轨道捣固方案的有效修正。
本发明为修正有砟轨道捣固作业方案提供了一种科学方法,研究成果具有重要科学价值,对实际线路的养护维修具有指导意义。
附图说明
本发明有如下附图:
图1是目标线形修正原理示意图;
图2是轨道不平顺预测模型测试效果图;
图3是本发明起道方案修正方法流程图;
图4采用本发明所述方法修正后的捣固方案图;
图5采用本发明所述方法修正后的捣固方案与原始方案对高低不平顺预测值对比图。
具体实施方式
以下结合附图1~3对本发明作进一步详细说明。
一种有砟轨道捣固方案自适应修正方法,该方法具体实施方式如下:
步骤一:收集待捣固区段的轨道测量数据,对比轨道的测量线形与设计线形,得到二者之间的偏差量;由偏差量计算轨道不平顺,综合考虑维修规范和施工人员技术经验,确定轨道不平顺管理值、最小起道量和最小拨道量;
所述的轨道不平顺包括轨向不平顺和高低不平顺,具体通过中点矢距描述,中点矢距计算公式具体如下:
式中,v为中点矢距,单位mm;h s 为中点矢距检测弦中点的垂向或横向偏差量,单位为mm;h e 为中点矢距检测弦起点的垂向或横向偏差量,单位为mm;h g 为中点矢距检测弦终点的垂向或横向偏差量,单位为mm;
所述的轨道不平顺管理值包括轨向不平顺管理值和高低不平顺管理值,具体通过中点矢距管理值描述;根据《运营普速铁路轨道精测精捣指导意见》[2021]4号文,60m弦中点矢距管理值为7mm;根据《高速铁路有砟轨道线路维修规则(试行)》(TG/GW116—2013),10m弦中点矢距管理值为2mm;
所述最小起道量,根据施工人员技术经验,通常设置为10~15mm;所述最小拨道量,根据施工人员技术经验,通常设置为5~10mm;
步骤二:收集待捣固区段同一线路的历史捣固作业信息,具体包括:起道量、拨道量、捣固车编号、捣固前高低不平顺、捣固前轨向不平顺、捣固后高低不平顺、捣固后轨向不平顺、线路特征;其中,线路特征具体包括:路基、桥梁、隧道、道岔;
将上述历史捣固作业信息归类为数值型信息和分类型信息;其中,起道量、拨道量、捣固前高低不平顺、捣固前轨向不平顺、捣固后高低不平顺、捣固后轨向不平顺属于数值型信息,捣固车编号、线路特征属于分类型信息;
采用绝对均值修正法(杨世杰. 动态测试数据中坏点处理的一种新方法——绝对均值法及应用研究[J]. 中国测试技术, 2006(1): 47-49+82.)剔除上述数值型信息的异常值,并对数值型信息和分类型信息分别进行归一化处理,具体处理方法如下:
1)数值型信息
以各变量的实际数值为基础,进行归一化处理,计算公式为:
2)分类型信息
以线路特征为例,将路基、桥梁、隧道、道岔分别用数字“1、2、3、4”表示,然后进行归一化处理,具体如下:
式中,T’为变量归一化后的数值;
步骤三:根据步骤二的数据预处理结果,确定预处理后的起道量、拨道量、捣固车编号、线路特征、捣固前高低不平顺、捣固前轨向不平顺为输入变量;确定预处理后的捣固后高低不平顺、捣固后轨向不平顺为输出变量;
(a)将输入变量包括的起道量、拨道量、捣固车编号、线路特征、捣固前高低不平顺、捣固前轨向不平顺分别用X 1、X 2、X 3、X 4、X 5、X 6表示,将输出变量包括的捣固后高低不平顺、捣固后轨向不平顺分别用Y 1、Y 2表示;选取n组输入、输出变量作为轨道不平顺预测模型的训练样本,具体可表达为:
式中,X i 为第i组输入变量,Y i 为第i组输出变量;
(b)构建轨道不平顺预测模型;确定预测模型的结构,由输入层、单隐含层和输出层组成;设定期望输出值与预测输出值之间的误差阈值,以及最大训练次数;设定输入层神经元个数、隐含层神经元个数、输出层神经元个数;设定隐含层传递函数为transig函数,用f 1表示;输出层传递函数为purelin函数,用f 2表示;利用训练样本对轨道不平顺预测模型进行训练,具体过程如下:
1)计算各层神经元输出值
根据输入向量X i ,计算隐含层输出值,具体公式如下:
式中,p为隐含层节点序号,p=1, 2,…,v;v为隐含层节点总数;H p 为隐含层第p个节点的输出;q为输入层节点序号,q=1, 2,…,m;m为输入层节点总数;输入层和隐含层之间连接权值为ω qp ;输入层和隐含层之间连接阈值为b q ;
根据隐含层输出值H p ,计算输出层输出值,具体公式如下:
式中,k为输出层节点序号,k=1, 2,…,s;s为输出层节点总数;O k 为输出层第k个节点的输出值;隐含层和输出层之间连接权值为ω pk ;输入层和隐含层之间连接阈值为b k ;
2)计算各层神经元误差项
根据期望输出值与预测输出值计算损失函数,并根据损失函数计算隐藏层和输出层神经元的误差项:
3)更新模型参数
根据各层神经元误差项更新隐藏层和输出层的连接权值和阈值。更新后隐藏层参数的具体表达式如下:
式中,η为学习速率,t表示迭代次数;
更新后的输出层参数的具体表达式如下:
4)迭代计算
重复步骤1)至步骤3),直到误差小于给定的误差阈值或达到训练次数为止;
5)利用历史捣固作业数据对训练好的轨道不平顺预测模型进行测试验证,确保捣固后轨道不平顺预测结果的准确性;轨道不平顺预测模型的测试效果如图2所示,捣固后轨道不平顺的预测值与实测值变化趋势一致,说明构建的轨道不平顺预测模型是有效的且具有较高的精度;
(c)变更输入变量大小,利用MIV(Mean Impact Value)算法衡量各变量在预测模型内部的相关程度,筛选得到最终输入变量;
变更n组训练样本的输入变量,数值型输入变量与分类型输入变量的变更方式存在差异,具体为:
1)数值型输入变量在原始值基础上分别放大和缩小10%~20%;
2)分类型输入变量随机变化为其他类型对应的数值;
3)将变更后的输入变量输入至已训练好的轨道不平顺预测模型,计算得到对应的输出变量;
4)计算各影响因素的MIV值,计算公式如下:
式中,表示第j个输入变量放大后得到的第k个输出变量;表示中的第i个预测值;表示第j个输入变量缩小后得到的第k个输出变量;表示中的第i个预测值;I j,k 表示第j个输入变量对第k个输出变量的MIV值,MIV绝对值代表影响的相对重要性,符号代表相关方向;
5)计算各项输入变量的MIV权重比值,将各变量得到的MIV权重比值按照从大到小排列,MIV权重比值大于等于R的变量被认为是影响捣固效果的强相关变量,反之认为是弱相关变量;
式中,R j 为各变量的MIV权重比值;R为强、弱相关性分界值;m为输入变量总数;
6)剔除弱相关变量,筛选得到最终输入变量;
(d)根据最终输入变量,构建最优的轨道不平顺预测模型;
根据最终输入变量重新训练轨道不平顺预测模型,具体过程与步骤(b)一致;
步骤四:以偏差量为数据基础,将偏差量的垂向分量、横向分量分别与起道量、拨道量代数运算,得到平、纵断面目标线形所在位置,用垂向、横向剩余偏差量表示,公式如下所示:
式中,h 1为实测线形与设计线形之间的垂向偏差量,单位为mm;h 2为实测线形与设计线形之间的横向偏差量,单位为mm;d 1为起道量,单位为mm;d 2为拨道量,单位为mm;为目标线形与设计线形之间的垂向偏差量,称为垂向剩余偏差量,单位为mm;为目标线形与设计线形之间的横向偏差量,称为横向剩余偏差量,单位为mm
遵循调整量整体最小原则,对待捣固区段起道量和拨道量的绝对值分别进行求和,设定计算纵断面目标线形的目标函数为f 1,设定计算平面目标线形的目标函数为f 2,公式如下所示:
以轨道不平顺管理值、最小起道量为约束目标,建立高低不平顺约束方程、最小起道量约束方程,并联立为纵断面目标线形约束条件,具体数学公式如下:
式中,①式为高低不平顺约束方程,②式为最小起道量约束方程;为检测弦中点的垂向剩余偏差量,单位为mm;为检测弦起点的垂向剩余偏差量,单位为mm;为检测弦终点的垂向剩余偏差量,单位为mm;μ 1为高低不平顺管理值,单位为mm;τ 1为最小起道量,单位为mm;
以轨道不平顺管理值、最小拨道量为约束目标,建立轨向不平顺约束方程、最小拨道量约束方程,并联立为平面目标线形约束条件,具体数学公式如下:
式中,①式为轨向不平顺约束方程,②式为最小拨道量约束方程;为检测弦中点的横向剩余偏差量,单位为mm;为检测弦起点的横向剩余偏差量,单位为mm;为检测弦终点的横向剩余偏差量,单位为mm;μ 2为轨向不平顺管理值,单位为mm;τ 2为最小拨道量,单位为mm;
将公式(14)和公式(15)约束方程转化为矩阵不等式,具体数学公式如下:
以公式(13)作为目标函数,以公式(16)作为约束条件,依据最优化理论计算最优解,求取待捣固区段的垂向剩余偏差量和横向剩余偏差量,即平、纵断面目标线形所在位置;
步骤五:以待捣固区段的轨道测量数据为基础,构造捣固作业的目标线形;根据捣固车的轨道偏差量检测特性修正捣固作业的目标线形,所述轨道偏差量检测特性指:捣固车起道作业时,轨道偏差量检测系统的三个检测点在一条直线上呈现的固定比例关系;将修正后的目标线形与轨道实测线形进行对比,计算得到捣固作业所需的起道量和拨道量;
(a)设定捣固车的三个纵平检测点依次为R、M、F,捣固车起道作业时R点位于捣固后线路,M、F点位于捣固前线路,捣固方案给定的起道量是F点的起道量,决定了F点的虚拟位置;捣固作业纵向抄平原理如图1所示,纵向抄平装置以R、F两点间弦线为基准,将M点抬升到R、F两点的连线上,使R、M、F三个点保持在一条直线上;R实际位置无法改变,F点虚拟位置受方案起道量影响可以改变,因此F点虚拟位置直接决定了M点被抬升后所在位置,需要对其进行修正,使起道方案适应捣固作业特性;
目标线形修正原理如图1所示,假设R点已位于目标线形,利用R、M、F三个点之间的水平距离比例关系,求取F点修正后的目标线形标高,具体修正公式如下所示:
上式中,为F点修正后的垂向剩余偏差量,单位为mm;为R点的垂向剩余偏差量,单位为mm;为M点的垂向剩余偏差量,单位为mm;l RM 为R点与M点之间水平距离,单位为m;l MF 为M点与F点之间水平距离,单位为m;
(b)利用F点修正后的垂向剩余偏差量再次计算起道量和拨道量,具体公式如下所示:
步骤六:将待捣固区段的基本信息以及步骤五得到的起、拨道量同时输入步骤三已训练好的轨道不平顺预测模型,预测得到捣固后的轨道不平顺;
根据轨道不平顺控制要求,建立捣固方案寻优模型,对不同捣固方案对应的轨道不平顺预测结果进行寻优,输出最终修正后的捣固方案;捣固方案的具体寻优过程如下:
(a)定义优化问题
利用HS(Harmony search)算法,将和声定义为捣固方案的拨道量和起道量;在目标函数内嵌套已训练好的轨道不平顺预测模型,根据捣固方案的拨道量和起道量序列(和声)重新预测捣固后的轨道不平顺,并将最大预测值减控制值的差值与新预测值减原始预测值的差值进行加权求和,得到和声的适应度,具体如下:
式中,f 3为适应度;w为拨道量和起道量的总数;λ和μ为权重;O x 为将和声中第x个拨道量和起道量输入轨道不平顺预测模型得到的轨道不平顺预测值;为O x 对应的原始预测值;O max为n个轨道不平顺预测值中的最大值;δ为控制值;
(b)定义优化参数
根据迭代次数和寻优结果自适应调整和声记忆库取值概率(HMCR)、音调微调概率(PAR),具体处理方法如下:
1)假设HMCR服从均值为[0.9, 1.0]之间任意值,且标准差为0.01的正态分布;PAR服从均值为[0.0, 1.0] 之间任意值,且标准差为0.05的正态分布;
2)根据正态分布生成的HMCR和PAR开始搜索;同时,记录下新和声成功替换和声记忆库中适应度最差和声时对应的HMCR和PAR;
3)每当迭代次数累计达到最大迭代次数的十分之一之后,计算在此期间记录的所有HMCR和PAR的均值,作为正态分布的新均值。并生成新的HMCR和PAR用于随后的迭代;
4)重复上述步骤。逐渐学习适当的HMCR和PAR,以适应特定阶段的搜索;
(c)初始化和声记忆库
随机产生初始和声放于和声记忆库,初始和声的生成方式如下:
式中,为第m个和声内的第c个起道量或拨道量;为对应的原始起道量或拨道量;r 1为(0, 1)内均匀分布的随机数;α为起道量或拨道量的允许波动范围,一般设置为30%;Z c(min)和Z c(max)分别为起道量或拨道量的下界和上界;
和声记忆库的具体形式为:
式中,HM为和声记忆库;HMS为和声记忆库的规模;
(d)生成一个新和声
生成在(0, 1)内均匀分布的随机数r 2,当r 2大于HMCR 时,由公式(20)产生新的和声;否则,采用如下方法处理:
1)从和声记忆库中随机选取一个历史值,并对历史值进行扰动,具体方法如下:
2)生成在(0, 1)内均匀分布的随机数r 3,当r 3小于PAR时,使用历史最优和声替换步骤1)产生的新和声:
式中,Z best 为最优和声向量;
(e)更新和声记忆库
将新和声代入目标函数,如果得到的适应度优于当前和声记忆库中的最差和声,则用新和声替换最差和声;
(f)确定最优和声
不断重复搜索,直到迭代次数达到最大迭代次数,停止搜索,得到最优和声,即最优的拨道量和起道量,完成捣固方案修正。
以我国某高速铁路有砟轨道实测数据为例,应用本发明成果制定捣固作业方案,并进行模拟调整,从可实施性和线形平顺性两方面验证发明成果的技术效果。模拟调整区段为下行K342+000~K342+180,其中下行K342+042~K342+090为桥梁区段,其余为路基区段。模拟调整区段的轨道测量数据采样间隔为5m,对比得到测量线形与设计线形之间偏差量。收集下行K324+000~K342+000历史捣固作业信息作为模拟调整区段的数据样本,采用式(2)和式(3)对数据进行预处理,并结合步骤三构建了轨道不平顺预测模型。根据铁路工务管理部门要求,对平、纵断面目标线形约束方程的计算参数设置如下:检测弦长度为60m,高低不平顺管理值μ 1为7mm,轨向不平顺管理值μ 2为7mm,τ 1最小起道量为10mm,τ 2最小拨道量为0mm。结合式(17)修正目标线形,并计算得到起道量和拨道量。根据轨道不平顺控制要求,建立捣固方案寻优模型,模型计算参数设置如下:控制值δ为4mm,起、拨道量的允许波动范围α为30%。将原始起、拨道量输入捣固方案寻优模型,根据轨道不平顺预测结果进行寻优,输出最终修正后的捣固方案。
可行性方面,采用本发明成果修正后的捣固方案如图4所示。由图可知,修正方案起道量在上、下界范围内波动,未超出允许波动范围;且最小值为10mm,满足最小起道量管理要求。由本发明成果修正后的捣固方案具备现场实施的可行性。
平顺性方面,采用原始方案与修正方案进行模拟调整后的高低不平顺预测值如图5所示。由图可知,应用修正方案调整后的高低不平顺最大值由5.3mm降至3.8mm,满足4mm控制要求;方案修正后,各个调整点的高低不平顺均得到有效改善,应用本发明成果可显著提升捣固方案对轨道不平顺的控制能力。
综上,由本发明成果制定捣固作业方案可有效改善轨道平顺性状态,同时调道量的大小较为可控,适用于有砟轨道的养护维修作业。
本发明通过融合大量历史捣固作业信息,自动搜寻待捣固区段的起、拨道量最优解,实现了依据线路客观条件修正捣固方案,弥补了传统修正方法难以在干扰因素影响下保证作业质量的缺陷,具有重要的理论意义和工程实用价值。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (9)
1.一种有砟轨道捣固方案自适应修正方法,其特征在于,所述方法以克服干扰因素对捣固作业质量的不利影响并提升轨道不平顺控制效果作为目标,计算捣固作业所需的起道量和拨道量,具体包括以下步骤:
步骤1、收集待捣固区段的轨道测量数据,对比轨道的测量线形与设计线形,得到轨道测量线形及设计线形之间的偏差量;由偏差量计算轨道不平顺,综合考虑维修规范和施工人员技术经验,确定轨道不平顺管理值、最小起道量和最小拨道量;收集待捣固区段同一线路的历史捣固作业信息,对各类型数据进行预处理;
步骤2、根据步骤1的数据预处理结果确定输入变量和输出变量,构建轨道不平顺预测模型;变更输入变量大小,利用Mean Impact Value算法衡量各变量在预测模型内部的相关程度,筛选得到最终输入变量;根据最终输入变量,构建最优的轨道不平顺预测模型;
步骤3、根据步骤1得到的偏差量、轨道不平顺管理值、最小起道量、最小拨道量,建立轨道不平顺约束方程,以待捣固区段调整量之和最小为求解目标,构造出既满足平顺性控制条件又符合最小起道量与最小拨道量要求的目标线形;
步骤4、根据捣固车的轨道偏差量检测特性修正捣固作业的目标线形,所述轨道偏差量检测特性指:捣固车起道作业时,轨道偏差量检测系统的三个检测点在一条直线上呈现的固定比例关系;将修正后的目标线形与轨道实测线形进行对比,计算得到捣固作业所需的起道量和拨道量;
步骤5、将待捣固区段的基本信息以及步骤4得到的起道量和拨道量同时输入经过步骤2训练好的轨道不平顺预测模型,预测得到捣固后的轨道不平顺;根据轨道不平顺控制要求,建立捣固方案寻优模型,搜索最优轨道不平顺预测结果对应的捣固方案,完成有砟轨道捣固方案的最终修正。
2.如权利要求1所述的一种有砟轨道捣固方案自适应修正方法,其特征在于,步骤1中所述的轨道不平顺包括:轨向不平顺和高低不平顺;所述的轨道不平顺管理值包括:轨向不平顺管理值和高低不平顺管理值。
3.如权利要求1所述的一种有砟轨道捣固方案自适应修正方法,其特征在于,步骤1中所述的历史捣固作业信息包括:起道量、拨道量、捣固车编号、捣固前高低不平顺、捣固前轨向不平顺、捣固后高低不平顺、捣固后轨向不平顺、线路特征。
4.如权利要求3所述的一种有砟轨道捣固方案自适应修正方法,其特征在于,所述的线路特征具体包括:路基、桥梁、隧道、道岔。
5.如权利要求1所述的一种有砟轨道捣固方案自适应修正方法,其特征在于,步骤1的具体步骤为:
步骤1-1、将历史捣固作业信息归类为数值型信息和分类型信息;其中,起道量、拨道量、捣固前高低不平顺、捣固前轨向不平顺、捣固后高低不平顺、捣固后轨向不平顺属于数值型信息;捣固车编号、线路特征属于分类型信息;采用绝对均值修正法剔除上述数值型信息的异常值;
步骤1-2、对数值型信息和分类型信息分别进行归一化处理。
6.如权利要求1所述的一种有砟轨道捣固方案自适应修正方法,其特征在于,步骤2的具体步骤为:
步骤2-1、确定预处理后的起道量、拨道量、捣固车编号、线路特征、捣固前高低不平顺、捣固前轨向不平顺为输入变量;确定预处理后的捣固后高低不平顺、捣固后轨向不平顺为输出变量;
步骤2-2、将预处理后的起道量、拨道量、捣固车编号、线路特征、捣固前高低不平顺、捣固前轨向不平顺分别用X 1、X 2、X 3、X 4、X 5、X 6表示,将预处理后的捣固后高低不平顺、捣固后轨向不平顺分别用Y 1、Y 2表示;选取n组输入、输出变量作为轨道不平顺预测模型的训练样本,具体可表达为式(1):
上式中,X i 为第i组输入变量,Y i 为第i组输出变量;
步骤2-3、使用神经网络算法确定轨道不平顺预测模型的结构,神经网络由输入层、单隐含层和输出层组成;设定期望输出值与预测输出值之间的误差阈值,以及最大训练次数;设定输入层神经元个数、隐含层神经元个数、输出层神经元个数;利用训练样本对轨道不平顺预测模型进行训练,具体过程如下:
步骤2-3-1、计算各层神经元输出值:
根据输入向量,以及输入层和隐含层之间连接权值,计算隐含层输出值;根据隐含层输出值,以及隐含层和输出层之间连接权值,计算输出层输出值,如下两式:
上式中,隐含层传递函数f 1为transig函数; X i 为输入向量,p为隐含层节点序号,p=1,2,…,v;v为隐含层节点总数;H p 为隐含层第p个节点的输出;q为输入层节点序号,q=1,2,…,m;m为输入层节点总数;输入层和隐含层之间连接权值为ω qp ;输入层和隐含层之间连接阈值为b q ;
上式中,k为输出层节点序号,k=1, 2,…,s;s为输出层节点总数;O k 为输出层第k个节点的输出值;隐含层和输出层之间连接权值为ω pk ;输入层和隐含层之间连接阈值为b k ;
步骤2-3-2、计算各层神经元误差项:
根据期望输出值与预测输出值计算损失函数,并根据损失函数计算隐藏层和输出层神经元的误差项,如下式:
步骤2-3-3、更新模型参数:
根据各层神经元误差项更新隐藏层和输出层的连接权值和阈值,更新后的隐藏层参数表达式如下式:
上式中,η为学习速率,t表示迭代次数;
更新后的输出层参数表达式如下式:
上式中,η为学习速率,t表示迭代次数;
步骤2-3-4、迭代计算:
重复步骤2-3-1至步骤2-3-3,直到误差小于给定的误差阈值或达到训练次数为止,完成轨道不平顺预测模型训练;
步骤2-4、变更n组训练样本的输入变量,数值型输入变量与分类型输入变量的变更方式存在差异,具体为:
步骤2-4-1、数值型输入变量在原始值基础上分别放大和缩小10%~20%;
步骤2-4-2、分类型输入变量随机变化为其他类型对应的数值;
步骤2-4-3、将变更后的输入变量输入至已训练好的轨道不平顺预测模型,计算得到对应的输出变量;
步骤2-4-4、计算各项输入变量的MIV权重比值,将各变量得到的MIV权重比值按照从大到小排列,MIV权重比值大于等于R的变量被认为是影响捣固效果的强相关变量,反之认为是弱相关变量,如下式(2);
上式中,I j,k 表示第j个输入变量对第k个输出变量的MIV值;R j 为各变量的MIV权重比值;R为强、弱相关性分界值;m为输入变量总数;
步骤2-4-5、剔除弱相关变量,筛选得到最终输入变量;
步骤2-5、按照步骤2-3,根据最终输入变量重新训练轨道不平顺预测模型。
7.如权利要求1所述的一种有砟轨道捣固方案自适应修正方法,其特征在于,步骤3的具体步骤为:
步骤3-1、以步骤1确定的偏差量为数据基础,将偏差量的垂向分量、横向分量分别与起道量、拨道量代数运算,得到平、纵断面目标线形所在位置,用垂向、横向剩余偏差量表示,公式如下式(3)所示:
上式中,h 1为实测线形与设计线形之间的垂向偏差量,h 2为实测线形与设计线形之间的横向偏差量;d 1为起道量;d 2为拨道量;为目标线形与设计线形之间的垂向偏差量,称为垂向剩余偏差量;为目标线形与设计线形之间的横向偏差量,称为横向剩余偏差量;
步骤3-2、遵循调整量整体最小原则,对待捣固区段起道量和拨道量的绝对值分别进行求和,设定计算纵断面目标线形的目标函数为f 1,设定计算平面目标线形的目标函数为f 2,公式如下式(4)所示:
步骤3-3、以步骤1确定的轨道不平顺管理值、最小起道量为约束目标,建立高低不平顺约束方程、最小起道量约束方程,并联立为纵断面目标线形约束条件,如下式(5):
步骤3-4、以步骤1确定的轨道不平顺管理值、最小拨道量为约束目标,建立轨向不平顺约束方程、最小拨道量约束方程,并联立为平面目标线形约束条件,如下式(6):
步骤3-5、将步骤3-3和步骤3-4的约束方程转化为矩阵不等式,具体数学公式如下式(7):
上式中,A 1为起道量对应的系数矩阵;B 1为起道量对应的约束矩阵;D 1为起道量矩阵;A 2为拨道量对应的系数矩阵;B 2为拨道量对应的约束矩阵;D 2为拨道量矩阵;
以步骤3-2中的式(4)作为目标函数,以式(7)作为约束条件,依据最优化理论计算最优解,求取待捣固区段的垂向剩余偏差量和横向剩余偏差量,即平断面和纵断面目标线形所在位置。
8.如权利要求1所述的一种有砟轨道捣固方案自适应修正方法,其特征在于,步骤4的具体步骤为:
步骤4-1、设定捣固车的三个纵平检测点依次为R、M、F,捣固车起道作业时,起道作业时以R、F两点间弦线为基准,将M点抬升到R、F两点的连线上,使R、M、F三个点保持在一条直线上;假设R点已位于目标线形,利用R、M、F三个点之间的水平距离比例关系,求取F点修正后的垂向剩余偏差量,完成目标线形修正;具体修正公式如下式(8)所示:
步骤4-2、对比轨道实测线形与步骤D-1的修正后目标线形,得到起道量和拨道量。
9.如权利要求1所述的一种有砟轨道捣固方案自适应修正方法,其特征在于,步骤5的具体步骤为:
步骤5-1、将待捣固区段的基本信息以及步骤4得到的起道量、拨道量同时输入步骤2已训练好的轨道不平顺预测模型,预测得到捣固后的轨道不平顺;
步骤5-2、根据轨道不平顺控制要求,建立捣固方案寻优模型,对不同方案对应的轨道不平顺预测结果进行寻优,输出最终修正后的捣固方案,具体过程如下:
步骤5-2-1、定义优化问题:
利用Harmony search算法,将和声定义为捣固方案的拨道量和起道量;在目标函数内嵌套已训练好的轨道不平顺预测模型,根据捣固方案的拨道量和起道量序列重新预测捣固后的轨道不平顺,并将最大预测值减控制值的差值与新预测值减原始预测值的差值进行加权求和,得到和声的适应度,具体如下式(9):
上式中,f 3为适应度;w为拨道量和起道量的总数;λ和γ为权重;O x为将和声中第x个拨道量和起道量输入轨道不平顺预测模型得到的轨道不平顺预测值;为O x对应的原始预测值;O max为n个轨道不平顺预测值中的最大值;δ为控制值;
步骤5-2-2、定义优化参数:
根据迭代次数和寻优结果自适应调整和声记忆库取值概率HMCR、音调微调概率PAR,具体处理方法如下:
(a)假设HMCR服从均值为[0.9, 1.0]之间任意值,且标准差为0.01的正态分布;PAR服从均值为[0.0, 1.0] 之间任意值,且标准差为0.05的正态分布;
(b)根据正态分布生成的HMCR和PAR开始搜索;同时,记录下新和声成功替换和声记忆库中适应度最差和声时对应的HMCR和PAR;
(c)每当迭代次数累计达到最大迭代次数的十分之一之后,计算在此期间记录的所有HMCR和PAR的均值,作为正态分布的新均值,并生成新的HMCR和PAR用于随后的迭代;
(d)重复上述步骤,逐渐学习适当的HMCR和PAR,以适应特定阶段的搜索;
步骤5-3-3、初始化和声记忆库:
随机产生初始和声放于和声记忆库,初始和声的生成方式如下式(10):
上式中,为第m个和声内的第c个起道量或拨道量;为对应的原始起道量或拨道量;r 1为(0, 1)内均匀分布的随机数;α为起道量或拨道量的允许波动范围,设置为30%;Z c(min)和Z c(max)分别为第c个起道量或拨道量的下界和上界;
步骤5-3-4、生成一个新和声:
生成在(0, 1)内均匀分布的随机数r 2,当r 2大于HMCR 时,由式(10)产生新的和声;否则,采用如下步骤处理:
(a)从和声记忆库中随机选取一个历史值;并对历史值进行扰动;
(b)生成在(0, 1)内均匀分布的随机数r 3,当r 3小于PAR时,使用历史最优和声替换步骤(a)产生的新和声;
步骤5-3-5、更新和声记忆库:
将新和声代入目标函数,如果得到的适应度优于当前和声记忆库中的最差和声,则用新和声替换最差和声;
步骤5-3-6、确定最优和声:
不断重复搜索,直到迭代次数达到最大迭代次数,停止搜索,得到最优和声,即最优的拨道量和起道量,完成捣固方案修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310339361.8A CN116050814B (zh) | 2023-04-03 | 2023-04-03 | 一种有砟轨道捣固方案自适应修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310339361.8A CN116050814B (zh) | 2023-04-03 | 2023-04-03 | 一种有砟轨道捣固方案自适应修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116050814A true CN116050814A (zh) | 2023-05-02 |
CN116050814B CN116050814B (zh) | 2023-08-04 |
Family
ID=86125968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310339361.8A Active CN116050814B (zh) | 2023-04-03 | 2023-04-03 | 一种有砟轨道捣固方案自适应修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050814B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116305506A (zh) * | 2023-05-25 | 2023-06-23 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种基于有砟轨道状态的捣固镐选取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733390A (zh) * | 2021-03-29 | 2021-04-30 | 北京交通大学 | 一种基于中长波平顺性的精捣调整量优化方法 |
CN113373827A (zh) * | 2021-08-11 | 2021-09-10 | 北京交通大学 | 一种用于桥墩沉降区段的无砟轨道平顺性控制方法 |
CN114510778A (zh) * | 2022-01-10 | 2022-05-17 | 西安理工大学 | 基于混合智能优化lstm的轨道不平顺预测方法 |
-
2023
- 2023-04-03 CN CN202310339361.8A patent/CN116050814B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733390A (zh) * | 2021-03-29 | 2021-04-30 | 北京交通大学 | 一种基于中长波平顺性的精捣调整量优化方法 |
CN113373827A (zh) * | 2021-08-11 | 2021-09-10 | 北京交通大学 | 一种用于桥墩沉降区段的无砟轨道平顺性控制方法 |
CN114510778A (zh) * | 2022-01-10 | 2022-05-17 | 西安理工大学 | 基于混合智能优化lstm的轨道不平顺预测方法 |
Non-Patent Citations (1)
Title |
---|
张雨潇等: "有砟轨道捣固作业起道方案综合修正方法", 《西南交通大学学报》网络首发论文 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116305506A (zh) * | 2023-05-25 | 2023-06-23 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种基于有砟轨道状态的捣固镐选取方法 |
CN116305506B (zh) * | 2023-05-25 | 2023-08-11 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种基于有砟轨道状态的捣固镐选取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116050814B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116050814B (zh) | 一种有砟轨道捣固方案自适应修正方法 | |
CN107316099A (zh) | 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法 | |
CN106777527A (zh) | 基于神经网络模型的起重机小车运行能耗分析方法 | |
CN112434359B (zh) | 一种高铁桥墩沉降曲线预测方法及系统 | |
CN113373827B (zh) | 一种用于桥墩沉降区段的无砟轨道平顺性控制方法 | |
CN112084558B (zh) | 一种轨道不平顺状态优化模拟精调方法 | |
CN108204944A (zh) | 基于apso优化的lssvm的埋地管道腐蚀速率预测方法 | |
CN116050670B (zh) | 一种基于数据驱动的道路养护决策方法及系统 | |
CN113449930A (zh) | 一种基于bp神经网络的光纤预制棒制备质量预测方法 | |
CN112307542B (zh) | 一种地质环境变形监测的盾构施工参数调整方法及系统 | |
CN108107716A (zh) | 一种基于改进的bp神经网络的参数在线测量方法 | |
CN108304674A (zh) | 一种基于bp神经网络的铁路软土路基沉降预测方法 | |
CN113255963A (zh) | 基于路元拆分和深度学习模型lstm的路面使用性能预测方法 | |
CN114819309B (zh) | 一种钢轨平顺状态优化方法 | |
CN106568647A (zh) | 一种基于神经网络的混凝土强度预测方法 | |
CN107016239A (zh) | 一种asca和rbf神经网络模型的汽轮机阀门流量特性分析方法 | |
CN115048804A (zh) | 一种城市管网多传感器优化部署方法 | |
CN115271204A (zh) | 一种基于高频智能巡检数据的路面性能动态预测方法 | |
Che et al. | GA-BP neural network based tire noise prediction | |
CN117012315A (zh) | 一种优化rbf神经网络的混凝土强度预测方法 | |
CN117494277B (zh) | 基于温度变形的大跨度高速铁路桥梁轨道的线形调控方法 | |
CN114626769A (zh) | 一种电容式电压互感器运维方法及系统 | |
CN115456135A (zh) | 一种基于改进gwo-dbn轨检车检测数据的道床偏差预测方法 | |
CN111091234A (zh) | 一种基于遗传和神经网络算法的电力市场电价预测方法 | |
CN113627074B (zh) | 一种基于迁移学习的地波传播时延预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |