【技术实现步骤摘要】
本专利技术涉及车辆振动监测领域，具体涉及一种基于bo-cnn-lstm的轨道车辆横向振动状态识别方法及系统。
技术介绍
1、随着轨道交通的快速建设与不断发展，车辆运行安全性变得尤为重要，轨道车辆车体振动状态是评价的关键参数，也是提高车辆运行稳定性的重要依据。剧烈的车体振动运行不仅会对轨道车辆的稳定性、乘坐舒适性产生影响，还会产生环境噪声和影响车辆寿命。车体振动不仅受车辆结构和参数的影响，还面临轨道不平顺、车速、载荷等多个因素的影响。因此，准确识别车体振动状态对于了解其运行状态和安全运营具有重要意义。
2、目前，现有的轨道车辆车体振动状态识别方法主要包括直接测量法和动力学仿真分析方法。直接测量法是指在车辆车体中直接安放传感器，通过传感器获取车体运行时实际的振动状态；直接测量法虽然能取得很好的车辆相关振动识别效果，但现有的轨道车辆种类和数量多，安装的传感器需要现场测试，安装的传感器多，存在需要耗费大量的人力、物力的问题。动力学仿真分析方法是通过建立车辆-轨道耦合动力学模型进行数值计算，实现对轨道车辆振动状态的识别，但该方法要求是需要建立精确的耦合模型来分析得到车体振动，而实际中由于影响振动的模型系统参数较多，构建的耦合模型的精确度低，存在振动状态识别准确性低的问题。
3、因此，为解决以上问题，需要一种新的轨道车辆横向振动状态识别方法及系统，能够更为准确地识别轨道车辆车体横向振动状态，识别误差小、准确性高、识别消耗低。
技术实现思路
1、有鉴于此，本专利技术的目的
2、本专利技术的基于bo-cnn-lstm的轨道车辆横向振动状态识别方法，包括如下步骤：
3、s1.获取数据集；所述数据集包括转向架振动数据以及车体横向振动数据；
4、s2.构建基于bo、cnn、lstm的bo-cnn-lstm模型，利用数据集对bo-cnn-lstm模型进行模型训练，得到训练好的bo-cnn-lstm模型；
5、s3.将待测的转向架振动数据输入到训练好的bo-cnn-lstm模型，输出预测的车体横向振动数据。
6、进一步，所述转向架振动数据包括转向架横向速度和转向架横摆角速度；所述车体横向振动数据包括车体横向加速度和车体横摆角加速度。
7、进一步，所述步骤s1，还包括：对数据集进行归一化处理，得到归一化后的数据集。
8、进一步，所述bo-cnn-lstm模型，每个cnn层由卷积操作、激活函数和池化操作组成，用于学习序列数据的特征；将转向架振动数据作为cnn层的输入，提取转向架振动数据的空间特征，并建立相应特征向量作为lstm模型的输入。
9、进一步，所述bo-cnn-lstm模型，将cnn层提取的特征向量输入到lstm模型中进行序列建模，捕捉到输入序列中的长期依赖关系，以车体横向振动状态为输出，输出相应的时序预测结果。
10、进一步，所述bo-cnn-lstm模型，利用bo对lstm模型超参数进行优化；其中，所述超参数包括隐含层神经元个数、初始学习率、l2正则化强度。
11、进一步，利用bo对lstm模型超参数进行优化，具体包括：
12、设定优化过程的最大迭代次数；根据lstm模型超参数的范围，随机产生初始化样本点，将初始化的样本点输入到高斯过程中，并对lstm模型进行训练，利用lstm模型目标函数输出的损失值对概率代理模型进行修正，使得概率代理模型更加接近真实的函数分布；其中，将lstm模型超参数在测试集上的损失作为目标函数；
13、判断当前执行次数是否达到最大迭代次数，若否，则利用采样函数在修正后的概率代理模型中选取下一组需要评估的样本点，将新的样本评估点作为输入，传入lstm模型中进行训练，获得目标函数新的输出值，以此来更新样本集合和概率代理模型；若是，则优化结束，输出当前选取的最佳超参数组合以及对应的lstm模型目标函数的损失值。
14、进一步，利用数据集对bo-cnn-lstm模型进行模型训练，具体包括：
15、将数据集划分为训练集以及测试集；使用训练集对bo-cnn-lstm模型进行训练，并根据bo-cnn-lstm模型在测试集上的性能指标来调整lstm模型超参数的配置。
16、一种基于bo-cnn-lstm的轨道车辆横向振动状态识别系统，包括数据集单元、状态识别单元；
17、所述数据集单元，用于获取数据集；所述数据集包括转向架振动数据以及车体横向振动数据；
18、所述状态识别单元，用于构建基于bo、cnn、lstm的bo-cnn-lstm模型，利用数据集对bo-cnn-lstm模型进行模型训练，得到训练好的bo-cnn-lstm模型；将待测的转向架振动数据输入到训练好的bo-cnn-lstm模型，输出预测的车体横向振动数据。
19、本专利技术的有益效果是：本专利技术公开的一种基于bo-cnn-lstm的轨道车辆横向振动状态识别方法及系统，为融合了贝叶斯优化算法(bo)、卷积神经网络(cnn)和长短期记忆网络(lstm)的车辆振动状态识别新方法，利用cnn学习并提取转向架横向速度及横摆角速度的波形特征，将相应的特征输入lstm；采用bo优化得到lstm模型的最优超参数配置，进而输出车体横向加速度及横摆角加速度，实现实时识别轨道车辆车体横向振动状态，识别误差小、准确性高、识别消耗低。
本文档来自技高网...【技术保护点】
1.一种基于BO-CNN-LSTM的轨道车辆横向振动状态识别方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于BO-CNN-LSTM的轨道车辆横向振动状态识别方法，其特征在于：所述转向架振动数据包括转向架横向速度和转向架横摆角速度；所述车体横向振动数据包括车体横向加速度和车体横摆角加速度。
3.根据权利要求1所述的基于BO-CNN-LSTM的轨道车辆横向振动状态识别方法，其特征在于：所述步骤S1，还包括：对数据集进行归一化处理，得到归一化后的数据集。
4.根据权利要求1所述的基于BO-CNN-LSTM的轨道车辆横向振动状态识别方法，其特征在于：所述BO-CNN-LSTM模型，每个CNN层由卷积操作、激活函数和池化操作组成，用于学习序列数据的特征；将转向架振动数据作为CNN层的输入，提取转向架振动数据的空间特征，并建立相应特征向量作为LSTM模型的输入。
5.根据权利要求1所述的基于BO-CNN-LSTM的轨道车辆横向振动状态识别方法，其特征在于：所述BO-CNN-LSTM模型，将CNN层提取的特征向量输入到LSTM模型中
6.根据权利要求1所述的基于BO-CNN-LSTM的轨道车辆横向振动状态识别方法，其特征在于：所述BO-CNN-LSTM模型，利用BO对LSTM模型超参数进行优化；其中，所述超参数包括隐含层神经元个数、初始学习率、L2正则化强度。
7.根据权利要求1所述的基于BO-CNN-LSTM的轨道车辆横向振动状态识别方法，其特征在于：利用BO对LSTM模型超参数进行优化，具体包括：
8.根据权利要求1所述的基于BO-CNN-LSTM的轨道车辆横向振动状态识别方法，其特征在于：利用数据集对BO-CNN-LSTM模型进行模型训练，具体包括：
9.一种基于BO-CNN-LSTM的轨道车辆横向振动状态识别系统，其特征在于：包括数据集单元、状态识别单元；
...【技术特征摘要】
1.一种基于bo-cnn-lstm的轨道车辆横向振动状态识别方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于bo-cnn-lstm的轨道车辆横向振动状态识别方法，其特征在于：所述转向架振动数据包括转向架横向速度和转向架横摆角速度；所述车体横向振动数据包括车体横向加速度和车体横摆角加速度。
3.根据权利要求1所述的基于bo-cnn-lstm的轨道车辆横向振动状态识别方法，其特征在于：所述步骤s1，还包括：对数据集进行归一化处理，得到归一化后的数据集。
4.根据权利要求1所述的基于bo-cnn-lstm的轨道车辆横向振动状态识别方法，其特征在于：所述bo-cnn-lstm模型，每个cnn层由卷积操作、激活函数和池化操作组成，用于学习序列数据的特征；将转向架振动数据作为cnn层的输入，提取转向架振动数据的空间特征，并建立相应特征向量作为lstm模型的输入。
5.根据权利要求1所述的基于bo-cnn-lstm的轨道车辆横向振动...
【专利技术属性】
技术研发人员：周军超，刘乙翰，黄尚武，蒋伟，陈奥，
申请(专利权)人：四川轻化工大学，
类型：发明
国别省市：
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。