一种基于混合深度学习模型的地铁轨道不平顺评价方法

本发明涉及轨道交通，尤其涉及一种基于混合深度学习模型的地铁轨道不平顺评价方法。

背景技术：

1、随着城市轨道交通发展规模的不断增长和运营速度的不断提高，地铁已成为全球重要且具有代表性的城市交通工具。然而，地铁轨道不平顺造成的安全问题日益严重。轨道不平顺作为车轨耦合系统的主要激励源，会加剧车体的上浮、下沉、点头、侧摆，使紧固件松动、轨枕下沉，甚至导致列车脱轨。近年来，结合轨道不平顺与车辆动态响应来评估轨道状态已成为研究热点。通过建立预测模型将轨道不平顺度与车辆响应关联起来。在关注轨道不平顺幅值的同时，利用车辆的动态响应来评估轨道状态，及时消除与敏感波长相关、发展迅速、变化显著的轨道不平顺。

2、基于车辆动态响应的轨道不平顺预测方法可分为数值模型分析、系统识别和数据驱动方法。数值模型分析方法在建模过程中对复杂的非线性系统进行简化和近似，导致数值模型方法的预测结果不够精确。系统辨识方法仅适用于列车匀速行驶的情况。在变速和非线性因素的情况下，表征输入和输出关系的有效性会降低。

3、目前，数据驱动和机器学习(ml)方法受到学者的青睐。然而，这些方法依赖数据来训练和预测系统的行为。可分为朴素贝叶斯分类器、支持向量机、随机森林和其他机器学习方法。在ml方法中，神经网络具有逼近任意函数的能力。因此，ml模型可以表达车辆响应与轨道不平顺之间的非线性关系。但是，传统的机器学习需要手动确定特征，并且不容易表达车辆和轨道之间的复杂动态关系，模型的性能将受到限制。深度学习(dl)技术是一种蓬勃发展的新型机器学习方法。dl可以自动提取特征并具有非线性实体处理能力，提高模型的预测性能。

技术实现思路

1、本发明的目的在于提供一种基于混合深度学习模型的地铁轨道不平顺评价方法，旨在根据数据特点以及网络模型在处理时序序列时自身的优势，各个网络模型优势互补，实现轨道垂向不平顺的端到端预测。

2、为实现上述目的，本发明提供了一种基于混合深度学习模型的地铁轨道不平顺评价方法，包括以下步骤：

3、基于速度传感器、加速度传感器和激光摄像单元获得车辆沿轨道行驶时产生的速度序列、垂向振动加速度序列和轨道垂向不平顺序列；

4、对所述垂向振动加速度数据和所述轨道垂向不平顺数据进行异常值去除，并采用序列平均值填充残缺数据，构建训练集和测试集；

5、将精英反向学习和高斯变异策略加入鱼鹰优化算法来优化卷积神经网络和门控循环单元中超参数；

6、搭建鱼鹰优化算法-卷积神经网络-门控循环单元的混合深度学习模型，结合卷积神经网络和门控循环单元学习车辆运行速度和垂向加速度信号的形状特征和序列特征；

7、利用指标所述混合深度学习模型的预测精度；

8、利用训练好的网络对测试样本进行估计，得到轨道不平顺的预测结果，并验证模型的性能。

9、其中，所述异常值去除通过拉依达准则进行。

10、其中，所述构建训练集和测试集的比例为7:3。

11、其中，所述指标包括绝对百分比误差、均方根误差、平均绝对误差和拟合优度。

12、其中，所述利用训练好的网络对测试样本进行估计，得到轨道不平顺的预测结果，并验证模型的性能的具体方式：

13、基于所述训练集和所述测试集，采用鱼鹰优化算法-卷积神经网络-门控循环单元混合深度学习模型对轨道垂向不平顺进行评价；

14、基于对比方法验证鱼鹰优化算法-卷积神经网络-门控循环单元混合深度学习模型的性能。

15、本发明的一种基于混合深度学习模型的地铁轨道不平顺评价方法，基于速度传感器、加速度传感器和激光摄像单元获得车辆沿轨道行驶时产生的速度序列、垂向振动加速度序列和轨道垂向不平顺序列；对所述垂向振动加速度数据和所述轨道垂向不平顺数据进行异常值去除，并采用序列平均值填充残缺数据，构建训练集和测试集；将精英反向学习和高斯变异策略加入鱼鹰优化算法来优化卷积神经网络和门控循环单元中超参数；搭建鱼鹰优化算法-卷积神经网络-门控循环单元混合深度学习模型，结合卷积神经网络和门控循环单元学习车辆运行速度和垂向加速度信号的形状特征和序列特征；利用指标来评价鱼鹰优化算法-卷积神经网络-门控循环单元模型的预测精度；利用训练好的网络对测试样本进行估计，得到轨道不平顺的预测结果，并验证模型的性能，利用改进鱼鹰优化算法iooa优化卷积神经网络cnn和门控循环单元gru的超参数，结合卷积神经网络cnn和门控循环单元gru来学习车辆运行速度和垂向振动加速度信号的形状特征和序列特征，根据数据特点以及网络模型在处理时序序列时自身的优势，各个网络模型优势互补，实现轨道垂向不平顺的端到端预测。

技术特征：

1.一种基于混合深度学习模型的地铁轨道不平顺评价方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种基于混合深度学习模型的地铁轨道不平顺评价方法，其特征在于，

3.如权利要求1所述的一种基于混合深度学习模型的地铁轨道不平顺评价方法，其特征在于，

4.如权利要求1所述的一种基于混合深度学习模型的地铁轨道不平顺评价方法，其特征在于，

5.如权利要求1所述的一种基于混合深度学习模型的地铁轨道不平顺评价方法，其特征在于，

技术总结本发明涉及轨道交通技术领域，具体涉及一种基于混合深度学习模型的地铁轨道不平顺评价方法，包括基于速度、加速度传感器和激光摄像单元获得车辆沿轨道行驶时产生的速度序列、垂向振动加速度序列和轨道垂向不平顺序列；对垂向振动加速度数据和轨道垂向不平顺数据进行异常值去除，构建训练集和测试集；搭建鱼鹰优化算法‑卷积神经网络‑门控循环单元的混合深度学习模型，学习车辆运行速度和垂向加速度信号的形状特征和序列特征；利用指标评价混合深度学习模型的预测精度；利用训练好的网络对测试样本进行估计，并验证模型的性能，该方法根据数据特点以及网络模型在处理时序序列时自身的优势，实现轨道垂向不平顺的端到端预测。技术研发人员：贺德强,孙海猛,姚作芳,靳震震,陈彦君,项载毓,李琴,李宏伟,杨秋梅受保护的技术使用者：广西大学技术研发日：技术公布日：2024/10/10