预测轨道不平顺的模型生成方法和轨道不平顺的预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113919236A(43)申请公布日2022.01.11(21)申请号202111277810.8G06N3/08(2006.01)(22)申请日2021.10.29(71)申请人中国国家铁路集团有限公司地址100844北京市海淀区复兴路10号申请人中国铁道科学研究院集团有限公司中国铁道科学研究院集团有限公司基础设施检测研究所北京铁科英迈技术有限公司(72)发明人杨劲松刘金朝郭剑峰陶凯彭楠邵奇(74)专利代理机构北京三友知识产权代理有限公司11127代理人许曼刘飞(51)Int.Cl.G06F30/27(2020.01)权利要求书2页说明书12页附图6页(54)发明名称预测轨道不平顺的模型生成方法和轨道不平顺的预测方法(57)摘要本文提供了一种预测轨道不平顺的模型生成方法和轨道不平顺的预测方法，包括：获取车辆运行过程中的位移、加速度和角速度；对位移、加速度和角速度进行计算，得到轨道不平顺实际值序列，其中在车辆运行过程中不同时间点对应的不平顺实际值不同；将加速度中的垂向加速度输入初始神经网络模型中进行训练，通过损失函数循环调整初始神经网络模型；使通过模型训练后得到的不平顺预测值与对应的不平顺实际值之间的差距减小，使不平顺预测值的绝对值小于或等于对应的不平顺实际值的绝对值，并使不平顺预测值序列的峰值和谷值与对应的不平顺实际值之间的差值小于设定差值；进而得到目标神经网络模型。本文能够通过模型来方便快捷的预测轨道的不平顺情况。CN113919236ACN113919236A权利要求书1/2页1.一种预测轨道不平顺的模型生成方法，其特征在于，包括：获取车辆运行过程中的位移、加速度和角速度；对所述位移、加速度和角速度进行计算，得到轨道的不平顺实际值序列，其中在车辆运行过程中不同时间点对应的不平顺实际值不同；将所述加速度中的垂向加速度输入初始神经网络模型中进行训练，通过损失函数循环调整所述初始神经网络模型；使通过模型训练后得到的不平顺预测值与对应的不平顺实际值之间的差距减小，使不平顺预测值的绝对值小于或等于对应的不平顺实际值的绝对值，并使不平顺预测值序列的峰值和谷值与对应的不平顺实际值之间的差值小于设定差值；进而得到目标神经网络模型。2.根据权利要求1所述的预测轨道不平顺的模型生成方法，其特征在于，所述损失函数的确定方法包括：所述损失函数由风险系数和内侧系数中至少一者，以及不平顺实际值序列和不平顺预测值序列的均方误差构成；其中所述均方误差用于使通过模型训练后得到的不平顺预测值与对应的不平顺实际值之间的差距减小；所述风险系数用于使不平顺预测值序列的峰值和谷值等于对应的不平顺实际值；所述内侧系数用于使通过模型训练后得到的不平顺预测值的绝对值小于或等于对应的不平顺实际值的绝对值。3.根据权利要求2所述的预测轨道不平顺的模型生成方法，其特征在于，所述损失函数由风险系数和内侧系数中至少一者，以及不平顺实际值序列和不平顺预测值序列的均方误差构成进一步包括：所述损失函数通过如下公式确定：其中，EIF_MSE为损失函数，为均方误差，n为不平顺实际值序列中的不平顺实际值个数或不平顺预测值序列中的不平顺预测值个数；为风险系数，λ为大于等于0的任意值，y为不平顺实际值序列，yi为不平顺实际值序列中的第i个不平顺实际值，为0；为内侧系数，γ为大于等于0的任意值，y为不平顺实际值序列，yi为不平顺实际值序列中的第i个不平顺实际值，为不平顺预测值序列，为不平顺预测值序列中的第i个不平顺预测值。4.根据权利要求1所述的预测轨道不平顺的模型生成方法，其特征在于，所述将所述加速度中的垂向加速度输入初始神经网络模型中进行训练，通过损失函数循环调整所述初始神经网络模型进一步包括：将所述加速度中的垂向加速度输入一维卷积神经网络中进行训练，得到第一特征序列；2CN113919236A权利要求书2/2页将所述第一特征序列输入双向长短时记忆网络中进行正反两个方向的传播，得到第二特征序列；将所述第二特征序列输入全连接神经网络中进行训练，通过损失函数调整所述全连接神经网络。5.根据权利要求1所述的预测轨道不平顺的模型生成方法，其特征在于，所述对所述位移、加速度和角速度进行计算，得到轨道的不平顺实际值序列进一步包括：通过惯性基准法对所述位移、加速度和角速度进行计算，得到轨道的不平顺初始值序列；通过滤波算法对所述不平顺初始值序列进行数据的平滑和拟合，得到轨道的不平顺实际值序列。6.根据权利要求1所述的预测轨道不平顺的模型生成方法，其特征在于，所述将所述加速度中的垂向加速度输入初始神经网络模型中进行训练进一步包括：由所述加速度中提取出垂向加速度，其中在车辆运行过程中不同时间点对应的垂向加速度不同；按照车辆运行的时间顺