基于CNN-GRU混合网络轨道不平顺估计方法技术

本发明专利技术公开了一种基于CNN

【技术实现步骤摘要】
基于CNN
‑
GRU混合网络轨道不平顺估计方法


[0001]本专利技术属于铁路轨道状态检测
，具体涉及一种基于CNN
‑
GRU混合网络轨道不平顺估计方法。

技术介绍

[0002]轨道作为保证列车安全运行的基础设施，受到长时间的轮轨相互耦合、外部环境等因素影响，会产生轨道不平顺。轨道不平顺主要指钢轨形状、尺寸与相对位置产生的偏差。当不平顺状况未及时处理，轨道会与在途列车的车轮之间产生相互作用力，使列车的运行姿态受到影响，影响列车的运行安全及乘车舒适感。因此，快速检测轨道状况，及时进行轨道维修，对铁路运营安全具有重要意义。
[0003]目前铁路方面主要依靠轨检车及便携式检查仪进行轨道不平顺检测，两种检测方法各有利弊，导致检测成本与检测效力之间存在矛盾。为缓解检测成本与检测效力之间的矛盾，利用在途列车的运行条件，获取在役列车车体振动加速度数据，挖掘出车体振动加速度数据与轨道不平顺之间存在的某种映射关系，就可以利用列车振动加速度数据快速检测轨道不平顺，从而实现轨道状态的实时快速监测，为铁路养护提供准确的维修指导。
[0004]因此，本专利技术利用在途列车的运行条件，通过轨道检测车的实测数据，将列车车体振动加速度数据作为输入，轨道不平顺数据作为输出，搭建基于卷积神经网络CNN
‑
门控循环单元GRU混合网络。利用单一网络各自的优势，实现优势互补，从而快速准确的估计轨道不平顺。

技术实现思路

[0005]本专利技术的目的是提供一种基于CNN
‑
GRU混合网络轨道不平顺估计方法，通过将卷积神经网络CNN与门控循环单元GRU相结合，根据数据特点以及网络在处理时序序列时自身的优势，采用串联的链式结构将两个基本网络模型进行优势互补，对轨道不平顺进行估计。
[0006]本专利技术所采用的技术方案是，基于CNN
‑
GRU混合网络轨道不平顺估计方法，具体按照以下步骤实施：
[0007]步骤1、获取某段铁路线路上轨道检测车检测的列车车体加速度序列和轨道不平顺序列；
[0008]步骤2、针对步骤1中列车车体加速度数据和轨道不平顺数据，利用拉依达准则进行异常值去除，并采用序列平均值填充残缺数据，构建数据集；
[0009]步骤3、对步骤2中去除异常值的列车车体加速度数据和轨道不平顺数据进行归一化处理，并划分训练集与测试集；
[0010]步骤4、根据步骤3得到训练集，搭建CNN
‑
GRU混合估计网络，利用CNN网络层提取列车车体加速度的特征信息，将CNN提取到的特征作为GRU网络的输入，通过GRU网络实现轨道不平顺估计；
[0011]步骤5、利用训练好的网络对测试样本进行估计，得到轨道不平顺的估计结果。
[0012]本专利技术的特点还在于，
[0013]步骤1中，某段铁路线路上检测得到的列车车体加速度序列为X＝{x1,x2,...,x
i
,...,x
n
}，x
n
为列车车体加速度序列中第n个采样点，轨道不平顺序列为Y＝{y1,y2,...,y
i
,...,y
n
}，y
n
为轨道不平顺序列中第n个采样点。
[0014]步骤2具体按照以下步骤实施：
[0015]步骤2.1、分别计算步骤1中的列车车体加速度序列X＝{x1,x2,...,x
i
,...,x
n
}和轨道不平顺序列Y＝{y1,y2,...,y
i
,...,y
n
}的平均值和标准差：
[0016][0017][0018][0019][0020]其中，为列车车体加速度序列的平均值；δ
X
为列车车体加速度序列的标准差；为轨道不平顺序列的平均值；δ
Y
为轨道不平顺序列的标准差；x
i
为列车车体加速度序列中第i个数据；y
i
为轨道不平顺序列中第i个数据；i＝1,2,...,n，n为轨道检测车采样点的总数；
[0021]步骤2.2、计算列车车体加速度和轨道不平顺序列中每个数据与步骤2.1得出的序列平均值的残差：
[0022][0023][0024]式中，表示列车车体加速度序列中第i个数据的残差；表示轨道不平顺序列中第i个数据的残差；为列车车体加速度序列的平均值；为轨道不平顺序列的平均值；
[0025]步骤2.3、根据步骤2.1计算出的序列标准差与步骤2.2计算出序列的残差，筛选出列车车体加速度和轨道不平顺序列中的异常值：
[0026][0027][0028]式中δ
X
为列车车体加速度序列的标准差；δ
Y
为轨道不平顺序列的标准差；表示列车车体加速度序列中第i个数据的残差；表示轨道不平顺序列中第i个数据的残差；
[0029]将列车车体加速度和轨道不平顺序列中异常值剔除；
[0030]步骤2.4、将步骤2.3剔除异常值的数据，用序列平均值进行填充，得到去除异常值的列车车体加速度序列X'＝{x'1,x'2,...,x'
i
,...,x'
n
}和轨道不平顺序列Y'＝{y'1,y'2,...,y'
i
,...,y'
n
}。
[0031]步骤3具体按照以下步骤实施：
[0032]步骤3.1、将步骤2.2剔除异常值后的列车车体加速度序列和轨道不平顺序列分别进行归一化：
[0033][0034][0035]式中，表示X'序列归一化后的第i个数据；x'
i
表示X'序列中第i个数据；x'
min
表示X'序列中最小的数据；x'
max
表示X'序列中最大的数据；表示Y'序列归一化后的第i个数据；y'
i
表示Y'序列中第i个数据；y'
min
表示Y'序列中最小的数据；y'
max
表示Y'序列中最大的数据；
[0036]得到归一化后的列车车体加速度序列为轨道不平顺序列为
[0037]步骤3.2、构造训练集与测试集：将步骤3.1得到的归一化后的列车车体加速度序列作为输入序列，轨道不平顺序列作为输出序列，按照8：2的比例划分为训练集与测试集；
[0038]步骤3.3、利用长度为L滑动步长为1的滑动窗口，将步骤3.2中列车车体加速度的训练集与测试集进切分。每个滑动窗口划分长度为L的列车车体加速度作为一个样本，滑动窗口内最后一个列车车体加速度数据对应的归一化后轨道不平顺值作为样本的标签值，即样本相应的输出值。在整个训练集与测试集上划分，得到的样本与相应的输出值构成数据集。
[0039]步骤4具体按照以下步骤实施：
[0040]步骤4.1、建立卷积神经网络CNN，通过卷积神经网络CNN对步骤3.3中构建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于CNN
‑
GRU混合网络轨道不平顺估计方法，其特征在于，具体按照以下步骤实施：步骤1、获取某段铁路线路上轨道检测车检测的列车车体加速度序列和轨道不平顺序列；步骤2、针对步骤1中列车车体加速度数据和轨道不平顺数据，利用拉依达准则进行异常值去除，并采用序列平均值填充残缺数据，构建数据集；步骤3、对步骤2构建的数据集进行归一化处理，划分训练集与测试集；步骤4、搭建CNN
‑
GRU混合估计网络，通过GRU网络实现轨道不平顺估计；步骤5、对测试样本进行估计，得到轨道不平顺的估计结果。2.根据权利要求1所述的基于CNN
‑
GRU混合网络轨道不平顺估计方法，其特征在于，所述步骤1中，某段铁路线路上检测得到的列车车体加速度序列为X＝{x1,x2,...,x
i
,...,x
n
}，x
n
为列车车体加速度序列中第n个采样点，轨道不平顺序列为Y＝{y1,y2,...,y
i
,...,y
n
}，y
n
为轨道不平顺序列中第n个采样点。3.根据权利要求1所述的基于CNN
‑
GRU混合网络轨道不平顺估计方法，其特征在于，所述步骤2具体按照以下步骤实施：步骤2.1、分别计算步骤1中的列车车体加速度序列X＝{x1,x2,...,x
i
,...,x
n
}和轨道不平顺序列Y＝{y1,y2,...,y
i
,...,y
n
}的平均值和标准差：}的平均值和标准差：}的平均值和标准差：}的平均值和标准差：其中，为列车车体加速度序列的平均值；δ
X
为列车车体加速度序列的标准差；为轨道不平顺序列的平均值；δ
Y
为轨道不平顺序列的标准差；x
i
为列车车体加速度序列中第i个数据；y
i
为轨道不平顺序列中第i个数据；i＝1,2,...,n，n为轨道检测车采样点的总数；步骤2.2、计算列车车体加速度和轨道不平顺序列中每个数据与步骤2.1得出的序列平均值的残差：均值的残差：式中，表示列车车体加速度序列中第i个数据的残差；表示轨道不平顺序列中第i个数据的残差；为列车车体加速度序列的平均值；为轨道不平顺序列的平均值；步骤2.3、根据步骤2.1计算出的序列标准差与步骤2.2计算出序列的残差，筛选出列车车体加速度和轨道不平顺序列中的异常值：
式中δ
X
为列车车体加速度序列的标准差；δ
Y
为轨道不平顺序列的标准差；表示列车车体加速度序列中第i个数据的残差；表示轨道不平顺序列中第i个数据的残差；将列车车体加速度和轨道不平顺序列中异常值剔除；步骤2.4、将步骤2.3剔除异常值的数据，用序列平均值进行填充，得到去除异常值的列车车体加速度序列X'＝{x'1,x'2,...,x'
i
,...,x'
n
}和轨道不平顺序列Y'＝{y'1,y'2,...,y'
i
,...,y'
n
}。4.根据权利要求3所述的基于CNN
‑
GRU混合网络轨道不平顺估计方法，其特征在于，所述步骤3具体按照以下步骤实施：步骤3.1、将步骤2.2剔除异常值后的列车车体加速度序列和轨道不平顺序列分别进行归一化：归一化：式中，表示X'序列归一化后的第i个数据；x'
i
表示X'序列中第i个数据；x'
min
表示X'序列中最小的数据；x'
max
表示X'序列中最大的数据；表示Y'序列归一化后的第i个数据；y'
i
表示Y'序列中第i个数据；y'
min
表示Y'序列中最小的数据；y'
max
表示Y'序列中最大的数据；得到归一化后的列车车体加速度序列为轨道不平顺序列为步骤3.2、构造训练集与测试集：将步骤3.1得到的归一化后的列车车体加速度序列作为输入序列，轨道不平顺序列作为输出序列，按照8：2的比例划分为训练集与测试集；步骤3.3、利用长度为L滑动步长为1的滑动窗口，将步骤3.2中列车车体加速度的训练集与测试集进切分，每个滑动窗口划分长度为L的列车车体加速度作为一个样本，滑动窗口内最后一个列车车体加速度数据对应的归一化后轨道不平顺值作为样本的标签值，即样本相应的输出值，在整个训练集与测试集上划分，得到的样本与相应的输出值构成数据集。5.根据权利要求4所述的基于CNN
‑
GRU混合网络轨道不平顺估计方法，其特征在于，所述步骤4具体按照以下步骤实施：步骤4.1、建立卷积神经网络CNN，通过卷积神经网络CNN对步骤3.3中构建的数据集进行特征提取，挖掘列车车体加速度与轨道不平顺之间的内在联系，CNN网络包括2层卷积层，卷积核的数目分别为32和16，并采用ReLu做为激活函数，每次卷积后经过一次最大值池化操作对特征向量进行降维，所述CNN层卷积、池化操作具体步骤为：C1＝f(X
⊙
W1...

【专利技术属性】
技术研发人员：金永泽，李佳婕，梁莉莉，姬文江，弋英民，黑新宏，穆凌霞，费蓉，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：