[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

说明书

本发明属于铁路安全运行控制技术领域，具体的说是涉及一种基于深度学习的轨道‑车体振动状态预测方法。本发明的主要步骤为：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；构建CNN网络结构；将训练集输入CNN网络，对CNN网络进行训练；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。本发明的有益效果是：区别于传统的基于机器学习方法的轨道‑车体振动状态预测方法，本发明有效降低了建模的复杂度；本发明方法只需提供原始轨道不平顺数据用于对CNN网络的训练，能够自动提取到有利于轨道‑车体振动状态分类任务的特征，避免了复杂的特征提取、选择过程。

技术领域

本发明属于铁路安全运行控制技术领域，具体的说是涉及一种基于深度学习的轨道-车体振动状态预测方法。

背景技术

中国铁路事业快速发展，对轨道的稳定、安全和耐久性也提出了更高的要求。高铁速度的不断提升，车体和轨道之间的相互作用也更加强烈，使得车体对轨道的动力破坏也更加严重，同时轨道状态恶化又反过来威胁着列车的运行安全。因此，结合轨道几何不平顺和车体动态响应的综合轨道状态分析具有重要研究价值。

目前关于轨道-车体振动响应的分析研究，普遍是从传统的轨道-车辆耦合动力学角度出发建立耦合关系动力模型。然而由于车辆和轨道之间作用的复杂性，轨道-车辆动力学系统的精确模型复杂且难以获得，其准确性直接影响分析结果，同时由于现实情况下外界环境、车辆负载等因素十分复杂，不得不简化分析模型，因此用实测数据建立轨道-列车振动状态的分析模型就至关重要。从实测轨道不平顺数据出发建立轨道-车体响应的研究还较少，陈宪麦等使用朔黄铁路时速70KM/h-90KM/h的轨道不平顺数据构造了车体振动状态的PCA-SVM综合分类器，可以实现车体振动所处状态的预测。利用传统的机器学习方法对轨道-车体振动状态预测，需要人工进行特征提取和特征选择，其过程复杂且严重影响预测结果。

现如今深度学习在图像识别、语音识别、自然语音处理等多个领域取得了优秀的成绩。如今流行的深度学习模型有深度信念网络(Deep Belief Neural Networks，DBN)、循环神经网络(Recurrent Neural Networks，RNN)，卷积网络(Convolutional NeuralNetworks，CNN)等。CNN的历史始于神经科学实验，远早于相关计算模型的发展，神经生理学家Hubel和Wiesel研究哺乳动物视觉系统工作机制最终获得诺贝尔奖。

近年来CNN被广泛的应用于图像分类问题中。YannLecun最先将CNN用于手写数字识别并在该问题研究一直保持霸主地位。Krizhevsky在LSVRC-12竞赛中使用深度CNN模型(AlexNet)，并采用RELU+Dropout技术取得竞赛冠军。2014年Szegedy等设计了更深的CNN网络，搭建了一个22层的CNN网络(GoogleNet)，GoogleNet使用(1 1，3 3，5 5)三种卷积核的结构，对网络中的传统卷积层进行了修改，增加网络深度和宽度，提高深度神经网络性能，其参数为AlexNet的1/12。GoogleNet在SVRC-14中取得第1名，但是其只能接受固定大小的输入，同期比赛的第3名He等提出了一种SPP-net结构，其不要求固定大小因此模型训练前不需要对图片进行缩放裁剪，该模型在第一个全连接层和最后一个池化层加入了一种空间金字塔池化的结构(Spatial Pyramid Pooling，SPP)。该结构的作用是使CNN不同的输入大小产生相同的输出大小。由于其在网络加深的过程中会产生性能下降的问题，He等进一步提出残差神经网络(Deep Residual Learning，ResNet)解决了性能下降的问题。