[发明专利]一种基于深度学习的轨道-车体振动状态预测方法

权利要求书

1.一种基于深度学习的轨道-车体振动状态预测方法，其特征在于，包括如下步骤：

S1、将二维的轨道不平顺数据转化成RGB图像数据以构建训练集；具体方法为：

S11、提取不平顺数据中车体振动垂直加速度，并计算垂直加速度绝对均值μ，标准差σ；

S12、对轨道不平顺数据划分单元构造原始训练样本，对每个轨道单元的左高低、左轨向、右高低、右轨向、超高、曲率、轨距、三角坑和速度这9项不平顺数据提取特征，根据轨道单元垂直加速度的绝对均值将车体振动状态划分等级当作标签；具体方法为：

S121、对轨道不平顺数据划分单元得到轨道单元特征矩阵X_r×c，其中r为矩阵行数表示待提取特征的轨道不平顺指标数量，c为矩阵列数表示轨道不平顺数据在空间上采样的点数；将轨道不平顺的9项数据划分成15米的单元，并设定轨检车每米采集4个数据点，得到9行60列的特征矩阵X_9×60；

S122、标签设置：计算每个轨道单元的车体振动状态：以σ，2σ和3σ为阈值，根据每个区段的垂直加速的绝对均值的大小，将车体振动状态划分成4个等级作为标签；

S13、将原始训练样本转化成图像训练样本，即将每个轨道单元的特征矩阵转化成RGB图像；

S2、构建CNN网络结构；

S3、将训练集输入CNN网络，对CNN网络进行训练；

S4、将待识别的轨道不平顺数据转化成轨道不平顺图像样本，输入到训练好的CNN模型进行车体振动状态预测。

2.根据权利要求1所述的一种基于深度学习的轨道-车体振动状态预测方法，其特征在于，所述步骤S13的具体方法为：

S131、利用Python中的PIL库将轨道单元特征矩阵X_r×c转换成RGB颜色空间的彩色图像，图像存储格式为[M，N，3]，表示图像为3个通道，每个通道M×N像素；

S132、利用PIL库的resize方法将轨道不平顺图像数据每个通道缩小到32×32像素；

S133、对轨道不平顺图像进行标准化，标准化公式如下：

其中X为图像矩阵，u为训练集图像像素的均值，δ为标准差。