基于MOGRIFIER-GRU深度学习的列车稳定性预测方法及系统技术方案

本发明专利技术涉及一种基于MOGRIFIER

【技术实现步骤摘要】
基于MOGRIFIER
‑
GRU深度学习的列车稳定性预测方法及系统


[0001]本专利技术属于列车稳定性预测
，具体涉及一种基于MOGRIFIER
‑
GRU深度学习的列车稳定性预测方法及系统。

技术介绍

[0002]近年来，世界高速铁路的快速发展不仅给国计民生带来了巨大的经济效益，同时也给相关理论的研究提出了新的难题。随着运行速度的提高，车辆一旦发生脱轨事故将会造成较低速车辆更大的人员伤亡和财产损失，严重影响铁路运输的经济效益和社会效益。因此，实时检测列车行驶过程中的稳定性指标，提前预警，具有重要的实际意义。
[0003]我国《机车车辆动力学性能评定及试验鉴定规范》(GB/T 5599
‑
2019)规定了列车稳定性指标包括脱轨系数、轮重减载率、轮轴横向力，而计算这些稳定性指标就需要得到轨道和车轮之间的轮轨力，包括垂向轮轨力和横向轮轨力。传统的轮轨力测量方法是通过采用测力轮对的方式实现，但是测力轮对的加工相当复杂、经济花费巨大、故障率高、维护不便等缺点，从而限制了测力轮对的推广使用，所以轮轨力的间接测量方法成为车辆动力学的一个研究难点。
[0004]随着计算机科学的发展和动力学理论水平的提高，现有的动力学软件能够依照车辆实际参数建立多体动力学模型，根据不同工况进行动力学计算分析，例如SIMPACK、ADAMS等。通过仿真得到的列车运行参数，来预测轮轨力和平稳性指标。美国学者采用多层感知器(MPL)神经网络，通过轨道几何参数和运行速度，来预测轮轨力和脱轨系数；西南交通大学教授采用径向基函数神经网络预测轮轨力；北京交通大学提出采用非线性自回归神经网络预测脱轨系数。这些技术均实现轮轨力的测量和预测，但是，精度并不理想，模型性能差，存在诸多不足。

技术实现思路

[0005]本专利技术的目的在于提供一种基于MOGRIFIER
‑
GRU深度学习的列车稳定性预测方法及系统，该方法及系统有利于降低列车稳定性监测成本，提高轮轨力预测精度。
[0006]为实现上述目的，本专利技术采用的技术方案是：一种基于MOGRIFIER
‑
GRU深度学习的列车稳定性预测方法，包括以下步骤：
[0007]步骤S1：获取不同路况下列车加速度和轮轨力数据，并对数据进行归一化处理，得到用于训练预测模型的训练数据；
[0008]步骤S2：搭建MOGRIFIER
‑
GRU深度学习预测模型，并通过训练数据对MOGRIFIER
‑
GRU深度学习预测模型进行训练，得到训练好的MOGRIFIER
‑
GRU深度学习预测模型；
[0009]步骤S3：采集实际运行列车实时传回的数据，通过训练好的MOGRIFIER
‑
GRU深度学习预测模型，预测列车稳定性。
[0010]进一步地，所述步骤S1具体包括以下步骤：
[0011]步骤S11：根据实际情况利用SIMPACK软件建立列车动力学模型，在不同路况下仿
真求得列车左右轴箱和转向架的垂向加速度和横向加速度以及轨道的垂向轮轨力和横向轮轨力，作为预测模型的训练数据，定义预测模型的输入参数x
i
,y
i
如下所示：
[0012]x
i
＝[Lab_LA
i
,Lab_VA
i
,Rab_LA
i
,Rab_VA
i
,Ltf_LA
i
,Ltf_VA
i
,Rtf_LA
i
,Rtf_VA
i
,F_LL
i
‑1,F_LV
i
‑1,F_RL
i
‑1,F_RV
i
‑1,v][0013]y
i
＝[P_L
i
,Q_L
i
,P_R
i
,Q_R
i
][0014]其中i表示第i个数据点；Lab_LA
i
,Lab_VA
i
表示列车左轴箱处的横向、垂向加速度值；Rab_LA
i
,Rab_VA
i
表示列车右轴箱处的横向、垂向加速度值；Ltf_LA
i
,Ltf_VA
i
表示列车转向架左侧处的横向、垂向加速度值；Rtf_LA
i
,Rtf_VA
i
表示列车转向架右侧处的横向、垂向加速度值；P_L
i
,Q_L
i
表示轨道左侧的垂向轮轨力和横向轮轨力值；P_R
i
,Q_R
i
表示轨道右侧的垂向轮轨力和横向轮轨力值；v表示列车运行速度；
[0015]步骤S12：对训练数据进行归一化处理：
[0016][0017][0018]其中，为归一化后的数据，为归一化前的数据，中分别为变量x和y的最小值和最大值。
[0019]进一步地，所述步骤S2具体包括以下步骤：
[0020]步骤S21：建立GRU单个神经元预测模型，由更新门z
t
、重置门r
t
组成，其公式如下所示：
[0021]z
t
＝sigmoid(ω
z
*[h
t
‑1,x
t
]+b
z
)
[0022]r
t
＝sigmoid(ω
r
*[h
t
‑1,x
t
]+b
r
)
[0023]其中，ω
z
、ω
r
、b
z
、b
r
分别为更新门和重置门的权值系数矩阵和偏置项，h
t
‑1为上一时刻隐藏层输出，x
t
表示当前时刻的输入矩阵，[]表示矩阵拼接，*表示矩阵乘法；
[0024]更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多；重置门用于控制前一状态有多少信息被写入到当前的候选集上，重置门越小，前一状态的信息被写入的越少；
[0025]步骤S22：通过更新门z
t
、重置门r
t
计算当前时刻的隐藏层输出h
t
：
[0026][0027][0028]其中，为当前时刻的候选状态值，为候选状态的权重矩阵和偏置项；
[0029]步骤S23：引入MOGRIFIER机制，不改变GRU本身的结构，让输入和状态首先进行交互，以增强相邻时刻信息的关联能力，其公式如下所示：
[0030]当i为奇数且i∈[1,2,3,4,...,r][0031]当i为偶数且i∈[1,2,3,4,本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MOGRIFIER
‑
GRU深度学习的列车稳定性预测方法，其特征在于，包括以下步骤：步骤S1：获取不同路况下列车加速度和轮轨力数据，并对数据进行归一化处理，得到用于训练预测模型的训练数据；步骤S2：搭建MOGRIFIER
‑
GRU深度学习预测模型，并通过训练数据对MOGRIFIER
‑
GRU深度学习预测模型进行训练，得到训练好的MOGRIFIER
‑
GRU深度学习预测模型；步骤S3：采集实际运行列车实时传回的数据，通过训练好的MOGRIFIER
‑
GRU深度学习预测模型，预测列车稳定性。2.根据权利要求1所述的基于MOGRIFIER
‑
GRU深度学习的列车稳定性预测方法，其特征在于，所述步骤S1具体包括以下步骤：步骤S11：根据实际情况利用SIMPACK软件建立列车动力学模型，在不同路况下仿真求得列车左右轴箱和转向架的垂向加速度和横向加速度以及轨道的垂向轮轨力和横向轮轨力，作为预测模型的训练数据，定义预测模型的输入参数x
i
,y
i
如下所示：x
i
＝[Lab_LA
i
,Lab_VA
i
,Rab_LA
i
,Rab_VA
i
,Ltf_LA
i
,Ltf_VA
i
,Rtf_LA
i
,Rtf_VA
i
,F_LL
i
‑1,F_LV
i
‑1,F_RL
i
‑1,F_RV
i
‑1,v]y
i
＝[P_L
i
,Q_L
i
,P_R
i
,Q_R
i
]其中i表示第i个数据点；Lab_LA
i
,Lab_VA
i
表示列车左轴箱处的横向、垂向加速度值；Rab_LA
i
,Rab_VA
i
表示列车右轴箱处的横向、垂向加速度值；Ltf_LA
i
,Ltf_VA
i
表示列车转向架左侧处的横向、垂向加速度值；Rtf_LA
i
,Rtf_VA
i
表示列车转向架右侧处的横向、垂向加速度值；P_L
i
,Q_L
i
表示轨道左侧的垂向轮轨力和横向轮轨力值；P_R
i
,Q_R
i
表示轨道右侧的垂向轮轨力和横向轮轨力值；v表示列车运行速度；步骤S12：对训练数据进行归一化处理：步骤S12：对训练数据进行归一化处理：其中，为归一化后的数据，为归一化前的数据，中分别为变量x和y的最小值和最大值。3.根据权利要求1所述的基于MOGRIFIER
‑
GRU深度学习的列车稳定性预测方法，其特征在于，所述步骤S2具体包括以下步骤：步骤S21：建立GRU单个神经元预测模型，由更新门z
...

【专利技术属性】
技术研发人员：金涛，陈日成，袁丁，杨雅熙，
申请(专利权)人：福州大学，
类型：发明
国别省市：