本发明专利技术涉及一种基于优化置信规则推理的轨道高低不平顺幅值估计方法。本发明专利技术利用置信规则库建模参数变量输入与成品率输出之间的映射关系。通过建立描述不同测点的振动频域特征数据与轨道高低不平顺幅值之间的对应变化关系。利用序列线性规划的方法，通过有限的历史数据，优化初始BRB模型，减少主观因素对模型的影响。SLP方法是将原模型的非线性优化的问题，转化为逐步的线性优化问题，更加简单快速的计算出优化模型的各个参数，使得在给定振动频域特征的情况下，可以通过信度推理精确和快速地估计出轨道高低不平顺幅值。通过本发明专利技术提高了模型的估计精度与计算的效率，对需要实时监测的轨道高低不平顺系统具有更为高效的优势。
【技术实现步骤摘要】
本专利技术涉及一种，属于轨 道交通安全运行维护领域。
技术介绍
随着世界铁路技术的快速发展，铁路交通作为一种运载量大、高速安全、舒适环保 的运输方式，已经逐步成为世界交通运输业发展的重要趋势。随着客运专线、重载铁路线 路运营时间的增长及行车密度的增加，铁路线路设备必然出现性能退化且可靠性下降的现 象，而轨道高低不平顺是其最为常见的一种现象，严重影响着乘车的安全性、影响列车的行 进速度、以及乘车旅客的舒适度。针对目前轨道状态需要实时监测以及实现动态故障检测 与管理的需求，为了缓解运营与维护之间的矛盾，故提出了利用置信规则库推理的轨道高 低不平顺检测系统，为了提高估计的精度与效率，采用了基于序列线性规划的方法，将检测 系统中需要优化的各参数的非线性优化问题，转化为逐层的线性规划问题，大大缩减了运 行时间，提高故障定位的效率，由此便于掌握钢轨轨道的安全等级和以及为日后的维护提 供数据支持。 传统的轨道高低不平顺的检测方法主要是通过轨道检查车GJ-4和GJ-5测量获得 的。在〈〈Development and application of track inspection vehicle technology〉〉中 指出了获取轨道高低不平顺幅值的方法，即轨检车GJ-5是利用安装在轨检车车身转向架 上的垂直振动加速度计和位移计进行惯性基准测量，通过振动加速度信号的二次积分获得 转向架的惯性位移，该惯性位移与位移计获取的转向架与轴箱之间的相对位移求和，即可 得到高低不平顺的测量值，然后利用轨检车上倾斜仪和陀螺仪进行列车倾角的计算，利用 该倾角对测量值修正，即可得到轨检车测量的轨道高低不平顺幅值的精确值。虽然轨检车 可以提供精确的轨道高低不平顺幅值，但是它需要安装非常昂贵的测斜仪、陀螺仪等传感 器而且对于传感器位置安装有严格的要求，所以目前配备的有限辆次轨检车并不能覆盖所 有铁路线路的检测，而且轨检车只能对主干线进行定期检测，检测周期间隔较长（例如京 广线全线每月检测2~3次），且占用线路的运行时间，从而降低了运行线路的经济效益，并 且需专门摘挂难以满足目前铁路部门要求的对线路全天候监测工作的需求，更不足以满足 中国庞大的铁路网络的实时监控的需求。 实际上，若能够采用价格相对低廉且易于安装的振动加速度传感器，将其装备在 普通列车（客/货车）上，用于采集轨道几何形变的相关信息，并通过相应的检测方法从这 些信息中计算出上述的形变指标，则不仅可以实现全天候实时检测，也可以增大检测覆盖 的行车线路范围，且不占用线路的运行时间。例如，在《Condition monitoring of railway track using in-service vehicle》文中就是利用安装在普通列车车轴上的振动加速度计， 获取车厢真实的垂向振动信号，并对其进行小波分析，从分解后的信号中可以识别出轨道 高低不平顺、轨道焊缝和轨道波浪形磨损等故障。在《Track irregularities estimation based on acceleration measurements》文中通过Simpack软件建模列车动态模型，模拟轨 道不平顺下列车的运行，利用安装在车厢和转向架上的虚拟振动加速度传感计，获取这两 个测点的垂向振动信号，然后分别将这两种信号及模拟的高低不平顺信号转换到频域中， 利用Welch法进行频域信号的相关性分析后发现，高低不平顺更易于引起转向架的振动。 在《基于置信规则库推理的轨道高低不平顺检测方法》文中提供了利用置信规则库模型估 计轨道高低不平顺的安全等级，该方法只能用于检测故障是否发生，并不能得到精确地估 计高低不平顺幅值，应用范围较窄，而且并没有给出有效的优化算法，用于模型的优化，本 专利技术基于专家规则推理与序列线性规划的轨道高低不平顺幅值估计方法是在置信规则库 推理模型的基础上，得到不同测点的振动频域特征与轨道高低不平顺幅值的对应关系，同 时给出了基于序列线性规划的优化方法，优化模型，减小主观因素的影响，提高模型的估计 精度与计算的效率。
技术实现思路
本专利技术的目的是提出一种基于优化置信规则（belief rules based, BRB)推理 的轨道高低不平顺幅值估计方法，通过建立置信规则库描述不同测点的振动频域特征数 据与轨道高低不平顺幅值之间的对应变化关系。利用序列线性规划（Sequence Linear Programming，SLP)的方法，通过有限的历史数据，优化初始BRB模型，减少主观因素对模型 的影响。SLP方法是将原模型的非线性优化的问题，转化为逐步的线性优化问题，更加简单 快速的计算出优化模型的各个参数，使得在给定振动频域特征的情况下，可以通过信度推 理精确地和快速地估计出轨道高低不平顺幅值，对需要实时监测的轨道高低不平顺系统具 有更为高效的优势。 本专利技术方法包括以下各步骤： 步骤（1)利用GJ-5型轨道检测车分别安装在车轴与车厢上的垂直振动加速度计 获得车轴和车厢位置的时域振动加速度信号S 1 (t)和a2 (t)，其幅值单位为G (重力加速度， 9.8111/82)，其中&1(〇￡，& 2(〇￡，6了-5型轨道检测车运行时速 为100千米/小时~150千米/小时，两个加速度计的振动信号均为每隔h米同时采样一 次，满足〇· 2m彡h彡0· 3m，共计采集T次，1000彡T〈①，则采样时刻t = 1，2,…，T。 步骤（2)将步骤⑴中获取的时域振动信号⑴和a2(t)进行短时傅里叶变换， 获取每个采样时刻的频域频谱，其中设置短时傅里叶变换中窗函数的窗口宽度为τ，且满 足20$ τ <25,通过短时傅里叶变换后得到每个时刻窗口各个频率的幅值，并求每个频率 幅值平方的平均值，该平均值即为对应频谱的平均功率，将其作为每个采样时刻所获取振 动时域信号S 1 (t)和a2(t)对应的振动频域特征T1 (t)和f2(t)。 步骤（3)从GJ-5型轨道检测车上获取每个采样时刻轨道高低不平顺的幅值Y(t)， 其单位为毫米： 在GJ-5型轨道检测车上获取每个采样时刻转向架垂直振动加速度时域信号、惯 性基准测量值，以及列车倾角信号之后，利用GJ-5型轨道检测车所携带的数据处理系统 中的惯性参考测量算法，可以从这些信号数据中计算出轨道高低不平顺的幅值Y(t)，将 :^⑴、f 2(t)和Y(t)表示成向量p(t) = ，共计可以得至Ij T个向量，它 们组成的向量集记为P = {p(t) |t = 1，2,…，T}。 步骤（4)建立置信规则库（缩写为BRB)，用其反映车轴及车厢处振动频率特性变 量€JP f2(BRB的二维输入）与高低不平顺的幅值变量Y(BRB的输出）之间的非线性关系， 其中，BRB的第k条规则记为Rk，其表示形式如下： Rk: If ^is 4 AND f2is Αξ： THEN Y is \( D1JhH(i) Rk的规则权重为Θ k，满足〇彡θ I ;输入变量f Jp f 2对应的属性权重分别为 δ !，δ 2，且 〇 彡 δ η δ 2彡 1 ; 式⑴中，4-和4分别为BRB的输入变量的4和f 2参考值，且有 < 其中j = 1，2, Q# 4本文档来自技高网...
【技术保护点】
基于优化置信规则推理的轨道高低不平顺幅值估计方法，其特征在于该方法包括以下各步骤：步骤(1)利用GJ‑5型轨道检测车上分别安装在车轴与车厢上的垂直振动加速度计获得车轴和车厢位置的时域振动加速度信号a1(t)和a2(t)，其幅值单位为G，其中a1(t)∈[‑0.2,0.2]，a2(t)∈[‑15.8,15.5]，GJ‑5型轨道检测车运行时速为100千米/小时～150千米/小时，两个加速度计的振动信号均为每隔h米同时采样一次，满足0.2m≤h≤0.3m，共计采集T次，1000≤T＜∞，则采样时刻t＝1,2,…,T；步骤(2)将步骤(1)中获取的时域振动信号a1(t)和a2(t)进行短时傅里叶变换，获取每个采样时刻的频域频谱，其中设置短时傅里叶变换中窗函数的窗口宽度为τ，且满足20≤τ≤25，通过短时傅里叶变换后得到每个时刻窗口各个频率的幅值，并求每个频率幅值平方的平均值，该平均值即为对应频谱的平均功率，将其作为每个采样时刻所获取振动时域信号a1(t)和a2(t)对应的振动频域特征f1(t)和f2(t)；步骤(3)从GJ‑5型轨道检测车上获取每个采样时刻轨道高低不平顺的幅值Y(t)，其单位为毫米：在GJ‑5型轨道检测车上获取每个采样时刻转向架垂直振动加速度时域信号、惯性基准测量值，以及列车倾角信号之后，利用GJ‑5型轨道检测车所携带的数据处理系统中的惯性参考测量算法，从这些信号数据中计算出轨道高低不平顺的幅值Y(t)，将f1(t)、f2(t)和Y(t)表示成向量p(t)＝[f1(t),f2(t),Y(t)]，共计得到T个向量，它们组成的向量集记为P＝{p(t)|t＝1,2,…,T}；步骤(4)建立置信规则库，用其反映车轴及车厢处振动频率特性变量f1和f2与高低不平顺的幅值变量Y之间的非线性关系，其中，置信规则库的第k条规则记为Rk，其表示形式如下：Rk:If f1 isAND f2 isTHEN Y is{(D1,β1,k),(D2,β2,k),...,(DN,βN,k)},Σi=1Nβi,k=1,k∈{1,2,...,L}---(1)]]>Rk的规则权重为θk，满足0≤θk≤1；输入变量f1和f2对应的属性权重分别为δ1,δ2，且0≤δ1,δ2≤1；式(1)中，和分别为置信规则库的输入变量的f1和f2参考值，且有其中j＝1,2，Qj为的取值空间，其中的元素满足Lfj≤Aj,1<Aj,2<...<Aj,mj≤Rfj,Lfj=mint∈{1,2,...,T}{f(t)},Rfj=maxt∈{1,2,...,T}{f(t)},]]>mj表示对应第j个输入变量参考值的取值个数，mj≥1；分别在Q1,Q2中抽取一个元素作为f1、f2的参考值，由此组合成规则，共计产生L＝m1×m2条规则，L≥1，k＝1,2,3,…,L为规则的编号；式(1)中，Rk后项属性分别为D1,D2,…,DN，并有LY≤D1＜D2＜…＜DN≤RY，N≥2，β1,k,β2,k,…,βN,k分别为D1,D2,…,DN的信度值，并满足0≤βi,k≤1，Σi=1Nβi,k=1,i=1,2,...,N;]]>其中，式(1)中，设定初始规则权重为θk＝1，初始属性权重δj＝1；步骤(5)给定振动频率特性f1和f2后，通过置信规则库推理获取它们对应的轨道高低不平顺幅值估计结果具体步骤如下：步骤(5‑1)设定f1和f2的取值分别为和上标I表示置信规则库的输入，并有将它们带入置信规则库，计算它们激活各个规则的权重：wk=θkΠj=12(αj,ck)δ‾jΣk=1LθkΠj=12(αj,ck)δ‾j---(2)]]>其中，wk∈[0,1]；为相对属性权重，表达式为：δ‾j=δjmaxj=1,2{δj}---(3)]]>式(2)中，表示为第k条规则中第j个输入变量相对于参考值的匹配度，c＝1,2,…,mj，匹配度的具体如下：(a)当和时，对于Aj,1和的匹配度取值均为1，对于其他参考值的匹配度均为0；(b)当时，对于Aj,c和Aj,c+1的匹配度取值分别由式(4)和式(5)给出αj,ck=Aj,c+1-fjIAj,c+1-Aj,c---(4)]]>αj,c+1k=1-αj,ck---(5)]]>此时，输入变量对应的其他参考值的匹配度均为0；步骤(5‑2)获得输入变量为和时，模型推理后的不同后项输出的信度融合值β^i=u&...
【技术特征摘要】
【专利技术属性】
技术研发人员：侯平智，刘征，徐晓滨，张镇，文成林，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。