一种利用模糊神经网络预测轨道质量的方法技术

本发明专利技术公开了一种利用模糊神经网络预测轨道质量的方法，属于轨道质量预测领域，基于轨道几何不平顺变化特征的研究，借鉴综合因子法的建模思路，实现了对轨道局部不平顺综合因子预测模型的构建，并以某一轨道下行区段为例，利用实际的检测数据对比分析了模型的预测偏差以及对轨道几何超限病害预报的准确性，验证了模型的预测精度。

【技术实现步骤摘要】
一种利用模糊神经网络预测轨道质量的方法
本专利技术涉及轨道质量预测领域，尤其涉及一种利用模糊神经网络预测轨道质量的方法。
技术介绍
轨道的质量状态直接决定着轨道-车辆系统运行的安全性和舒适性。中国铁路总公司基础设施检测中心每月使用综合检测列车和轨道检查车对全国高速铁路和普速线路的轨道进行动态检测，采集了海量的轨道几何不平顺检测数据。如何用这些检测数据综合评估轨道的质量状态并指导轨道的养护和维修？这是国内外铁路运营管理部门极为关注的问题。此外，如何根据数据提前预测或安排养护维修计划，也是其中重中之重，对此开发了一种利用模糊神经网络预测轨道质量的方法，来提前预测，将风险消除在摇篮里。
技术实现思路
本专利技术为解决上述问题，而提出的一种利用模糊神经网络预测轨道质量的方法。为了实现上述目的，本专利技术采用了如下技术方案：一种利用模糊神经网络预测轨道质量的方法，包括以下步骤：S1、选择左右轨向、左右高低、轨距、水平和三角坑7项轨道几何参数，并采用模糊语义集合描述轨道集合参数的特征，并评价其权重，其模糊语义集合为全相关(Full，F)，对应的三角模糊数为(0.7，0.8，0.0)；S2、通过轨检车以200m为一个单元区段，收集左右轨向、左右高低、轨距、水平和三角坑7项轨道几何参数，并从状态维度、时间维度和环境维度，定义了6个影响关键参数的主要因素；S3、采用FNN进行轨道质量预测，采用4层FNN网络结构，依次为输入层、隐含层、模糊规则层和输出层，其中输入层和输出层的神经元分别代表影响关键参数的主要因素的取值和预测得到的维修时间段；S4、采用PSO算法对FNN的权重参数进行反复优化，知道解粒子群质量区域稳定，得到的权重组合已经是比较接近最佳组合，然后再使用PSO算法对FNN参数进行进一步优化，直到得到最优的FNN权重组合为止。优选地，所述S2中的影响关键参数的主要因素为状态维度：平均故障间隔和事故发生概率，时间维度：新轨道数量和旧轨道数量，环境维度：气候因素和电力负荷(仅针对电网设备)。优选地，所述S3中FNN包括以下步骤：A1、输入层：该层中，轨道的影响关键参数的主要因素取值都将作为输入数据，输入到FNN中，xi标识第i个影响因子；A2、隐含层：该层中的每一个节点都将输入层输入数据的值通过高斯函数进行转化；式中，rij是第i个输入节点数据到本层第j个模糊神经元非线性变换的连接权，dij是控制本层第j个模糊神经元非线性变化范围的参数；A3、模糊规则层：该层主要依据模糊规则库实现模糊推理，这层的节点成为规则节点，每个节点代表一条模糊规则，其作用是匹配模糊规则，完成模糊“AND”运算，并计算神经元输出对应的每条规则的适应度；A4、输出层：这一层进行去模糊化操作，计算所有的规则的输出之后，并进行归一化处理；式中，第三层节点和第四层节点间都有一个权重vmn，即：模糊规则amn的权重，这样可以得到一个确切的值F作为输出，F表示预测维修的时间段。优选地，所述S4中PSO算法包括以下步骤：B1、随机初始化FNN各个连接权重为一群粒子，并初始化粒子群中各粒子的位置Yi和速度Vi；B2、初始化邻居拓扑结构；B3、FNN输入层输入样本因子，对网络进行前向计算，并按照优化函数评价群中所有粒子；式中，ui为FNN的实际输出对象值，为期望输出对象值，M为正参数；将当前各粒子的位置记为Pi＝Yi，将粒子邻居中目标值f(Pi)最优的个体位置记为Li；B4、每个粒子按照以下公式更新自己的速度和位置；vij(t+1)＝ωvij(t)+c1r1(pij(t)-yij(t))+c2r2(lij(t)-yij(t))yij(t+1)＝yij(t)+vij(t+1)j＝1,2,…,D式中，惯性系数ω用于控制粒子原有速度对新速度的影响，参数c1和c2为加速因子，分别决定粒子个人历史最优位置和粒子邻居最优位置对新速度的影响，当达到限定的时刻或每个粒子的运动速度趋于0，粒子群停止运动，所得的位置为最终优化结果；B5、按照优化函数评价群中所有粒子f(Yi)；B6、比较群中每个粒子当前目标值f(Yi)与其Pi的目标值f(Pi)，若f(Yi)更优，则Pi＝Yi；B7、根据邻居结构，比较所有邻居的f(Pi)，选择f(Pi)最优的位置更新Li；B8、若满足终止条件，输出满意位置Pg及其目标值f(Pg)并停止算法，否则转回B4。优选地，所述B4中为了防止粒子飞出搜索空间，约定：|Vi|≤Vmax或|Xi|≤Xmax，其中Vmax和Xmax为允许的最大速度和位置。优选地，所述B4中r1和r2为[0，1]区间上的任意值。与现有技术相比，本专利技术提供了一种利用模糊神经网络预测轨道质量的方法，具备以下有益效果：1.本专利技术的有益效果是：基于轨道几何不平顺变化特征的研究，借鉴综合因子法的建模思路，实现了对轨道局部不平顺综合因子预测模型的构建，并以某一轨道下行区段为例，利用实际的检测数据对比分析了模型的预测偏差以及对轨道几何超限病害预报的准确性，验证了模型的预测精度。附图说明图1为本专利技术提出的一种利用模糊神经网络预测轨道质量的方法的一具体实施例的系统流程结构图；图2为本专利技术提出的一种利用模糊神经网络预测轨道质量的方法的一具体实施例的FNN结构图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。在本专利技术的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。实施例1：参考图1-2，一种利用模糊神经网络预测轨道质量的方法，包括以下步骤：S1、选择左右轨向、左右高低、轨距、水平和三角坑7项轨道几何参数，并采用模糊语义集合描述轨道集合参数的特征，并评价其权重，其模糊语义集合为全相关(Full，F)，对应的三角模糊数为(0.7，0.8，0.0)；S2、通过轨检车以200m为一个单元区段，收集左右轨向、左右高低、轨距、水平和三角坑7项轨道几何参数，并从状态维度、时间维度和环境维度，定义了6个影响关键参数的主要因素；S3、采用FNN进行轨道质量预测，采用4层FNN网络结构，依次为输入层、隐含层、模糊规则层和输出层，其中输入层和输出层的神经元分别代表影响关键参数的主要因素的取值和预测得到的维修时间段；S4、采用PSO算法对FNN的权重参数进行反复优化，知道解粒子群质量区域稳定，得到的权重组合已经是比较接近最佳组本文档来自技高网...

【技术保护点】
1.一种利用模糊神经网络预测轨道质量的方法，其特征在于，包括以下步骤：/nS1、选择左右轨向、左右高低、轨距、水平和三角坑7项轨道几何参数，并采用模糊语义集合描述轨道集合参数的特征，并评价其权重，其模糊语义集合为全相关(Full，F)，对应的三角模糊数为(0.7，0.8，0.0)；/nS2、通过轨检车以200m为一个单元区段，收集左右轨向、左右高低、轨距、水平和三角坑7项轨道几何参数，并从状态维度、时间维度和环境维度，定义了6个影响关键参数的主要因素；/nS3、采用FNN进行轨道质量预测，采用4层FNN网络结构，依次为输入层、隐含层、模糊规则层和输出层，其中输入层和输出层的神经元分别代表影响关键参数的主要因素的取值和预测得到的维修时间段；/nS4、采用PSO算法对FNN的权重参数进行反复优化，知道解粒子群质量区域稳定，得到的权重组合已经是比较接近最佳组合，然后再使用PSO算法对FNN参数进行进一步优化，直到得到最优的FNN权重组合为止。/n

【技术特征摘要】
1.一种利用模糊神经网络预测轨道质量的方法，其特征在于，包括以下步骤：
S1、选择左右轨向、左右高低、轨距、水平和三角坑7项轨道几何参数，并采用模糊语义集合描述轨道集合参数的特征，并评价其权重，其模糊语义集合为全相关(Full，F)，对应的三角模糊数为(0.7，0.8，0.0)；
S2、通过轨检车以200m为一个单元区段，收集左右轨向、左右高低、轨距、水平和三角坑7项轨道几何参数，并从状态维度、时间维度和环境维度，定义了6个影响关键参数的主要因素；
S3、采用FNN进行轨道质量预测，采用4层FNN网络结构，依次为输入层、隐含层、模糊规则层和输出层，其中输入层和输出层的神经元分别代表影响关键参数的主要因素的取值和预测得到的维修时间段；
S4、采用PSO算法对FNN的权重参数进行反复优化，知道解粒子群质量区域稳定，得到的权重组合已经是比较接近最佳组合，然后再使用PSO算法对FNN参数进行进一步优化，直到得到最优的FNN权重组合为止。


2.根据权利要求1所述的一种利用模糊神经网络预测轨道质量的方法，其特征在于：所述S2中的影响关键参数的主要因素为状态维度：平均故障间隔和事故发生概率，时间维度：新轨道数量和旧轨道数量，环境维度：气候因素和电力负荷(仅针对电网设备)。


3.根据权利要求1所述的一种利用模糊神经网络预测轨道质量的方法，其特征在于：所述S3中FNN包括以下步骤：
A1、输入层：该层中，轨道的影响关键参数的主要因素取值都将作为输入数据，输入到FNN中，xi标识第i个影响因子；
A2、隐含层：该层中的每一个节点都将输入层输入数据的值通过高斯函数进行转化；



式中，rij是第i个输入节点数据到本层第j个模糊神经元非线性变换的连接权，dij是控制本层第j个模糊神经元非线性变化范围的参数；
A3、模糊规则层：该层主要依据模糊规则库实现模糊推理，这层的节点成为规则节点，每个节点代表一条模糊规则，其作用是匹配模糊规则，完成模糊“AND”运算，并计算神经元输出对应的每条规则的适应度；
A4、输出层：这一层进行去模糊化操作，计算所有的规则的输出之后，并进行归一化...

【专利技术属性】
技术研发人员：张玉燕，
申请(专利权)人：张玉燕，
类型：发明
国别省市：贵州;52