• 查询稿件
  • 获取最新论文
  • 知晓行业信息
官方微信 欢迎关注

基于3D卷积神经网络的高铁轨道质量指数预测方法

赵正阳, 吴艳华, 程智博, 王云龙

赵正阳, 吴艳华, 程智博, 王云龙. 基于3D卷积神经网络的高铁轨道质量指数预测方法[J]. 铁路计算机应用, 2020, 29(12): 7-11, 16.
引用本文: 赵正阳, 吴艳华, 程智博, 王云龙. 基于3D卷积神经网络的高铁轨道质量指数预测方法[J]. 铁路计算机应用, 2020, 29(12): 7-11, 16.
ZHAO Zhengyang, WU Yanhua, CHENG Zhibo, WANG Yunlong. High–speed railway track quality index prediction method based on 3D convolution neural network[J]. Railway Computer Application, 2020, 29(12): 7-11, 16.
Citation: ZHAO Zhengyang, WU Yanhua, CHENG Zhibo, WANG Yunlong. High–speed railway track quality index prediction method based on 3D convolution neural network[J]. Railway Computer Application, 2020, 29(12): 7-11, 16.

基于3D卷积神经网络的高铁轨道质量指数预测方法

基金项目: 中国铁路总公司科技研究开发计划课题(J2018G008)
详细信息
    作者简介:

    赵正阳,研究实习员

    吴艳华,副研究员

  • 中图分类号: U216.3 : U238 : TP39

High–speed railway track quality index prediction method based on 3D convolution neural network

  • 摘要: 轨道质量指数(TQI,Track Quality Index)是反映高铁整体线路质量状态的重要指标,分析TQI数据的变化规律能够对高铁线路养护维修提供重要指导和参考依据。为提高TQI数据预测的准确性,提出了一种多项特征数据的3D卷积神经网络模型,分析了TQI数据特征,抽取时间、空间、检测项数据并形成三维特征数据集,基于3D卷积神经网络算法,构建8层TQI预测模型,并从初始化参数、学习速率、激活函数、损失函数、Dropout方法等角度对模型进行优化,并利用某高铁线检测数据进行试验验证。结果表明,3D卷积神经网络模型可较好的预测高铁线路状态变化趋势,且对比于BP神经网络和2D卷积神经网络方法,平均绝对误差分别降低了41.48%、26.32%,均方差分别降低了65.42%、39.93%,证明了该方法的准确性与有效性,对于预测TQI与制定高铁线路养护维修计划具有实用价值。
    Abstract: Track Quality Index(TQI) is an important indicator reflecting the overall quality status of the high-speed railway, thus the analysis of the change pattern of TQI data can provide important guidance and reference for the maintenance and repair of high-speed railway. This paper proposed a 3D convolutional neural network model with multiple feature data, analyzed the characteristics of TQI data, extracting time, space and detection items to form a three-dimensional feature data set. Based on 3D convolution neural network algorithm, the paper constructed an 8-layer TQI prediction model, and optimized the model from the aspects of initialization parameters, learning rate, activation function, loss function, Dropout method, and used the detection data of a high-speed railway line for experimental verification. The test results show that the 3D convolution neural network model can better predict the state change trend of high-speed railway lines. Compared with BP neural network and 2D convolution neural network, the average absolute error is reduced by 41.48% and 26.32%, and the mean square error is reduced by 65.42% and 39.93%, respectively. It is proved that the method is accurate and effective, and has practical value for predicting TQI and formulating maintenance plan of high-speed railway lines.
  • 逆变器是列车牵引传动系统中的重要组成部分,经常处于高压高频状态,且在列车运行过程中存在不确定性因素,使得逆变器易产生各种故障,其最常见的故障为绝缘栅双极型晶体管(IGBT,Insulated Gate Bipolar Transistor )开路故障。IGBT开路故障又分为单管开路、双管开路、三管及以上开路故障。其中,单管开路故障特征明显,且诊断较为简单;双管开路故障危害更大且故障特征更加复杂;三管及以上的开路出现故障的几率很小,通常不作考虑。因此,本文仅对双管开路故障的情况进行分析,及时定位故障的位置,可提高检修效率,降低维修成本,对列车的维修具有重要意义。

    目前,基于信号处理和机器学习相结合的故障诊断方法是研究的热点。Kou L等人[1]采用知识驱动和随机森林技术,对中性点箝位型逆变器IGBT开路进行故障诊断,取得了较好的诊断效果;钱存元等人[2]利用经验模态分解(EMD, Empirical Mode Decomposition)方法处理信号,再利用反向传播(BP, Back Propagation)神经网络进行故障诊断,实现了较高精度的故障诊断;赵智强等人[3]针对电容的老化进行故障诊断,采用自适应白噪声完整集合EMD与小波能量熵结合的特征提取方法,并利用改进的最小二乘支持向量机实现了Z源逆变器的故障诊断,准确率达到99.6%;孟建军等人[4]针对列车的辅助逆变器中IGBT开路故障进行研究,对故障信号进行小波重构建立了BP与广义回归神经网络,在保有较高精度的同时提高了迭代速度;陶洪峰等人[5]结合EMD及决策树相关向量机,实现了对二极管箝位型三电平逆变器的故障诊断,该方法可减少人为设置参数的数量,避免参数设置不合理对诊断结果产生的影响;Yang等人[6]将三相电流平均值作为故障特征,采用GA-ACO-BP算法实现故障在线检测。

    上述研究均取得了一定成果,但在列车的逆变器模块中,不同列车电路结构不同,且控制算法也不同。因此,本文针对CRH3C型动车组逆变器的IGBT双管故障进行研究。建立双电平电压源型逆变器模型,控制器采用空间矢量脉宽调制 (SVPWM ,Space Vector Pulse Width Modulation)算法,并对IGBT双管故障进行仿真,得到故障信号。再通过EMD-非洲秃鹫优化算法(AVOA ,African Vultures Optimization Algorithm)-BP方法,构建故障诊断模型,对故障信号进行识别,从而实现逆变器故障诊断。

    CRH3C型动车组逆变器包含直流输入、逆变桥、牵引电机、速度传感器、电流传感器及控制器。其中,控制器采用SVPWM算法,由速度传感器和电流传感器得到当前牵引电机的转速和三相电流,并输出开关信号控制IGBT的通断,从而控制牵引电机。 SVPWM控制器控制方式为转子磁链定向的矢量控制,该方法采用坐标变换的方法将牵引电机的动态模型进行简化,令坐标变换后的d轴与转子磁链方向重合,将交流牵引电机的物理模型转换为类似直流电机的物理模型,控制方式也采取类似直流电机的闭环调速。

    在控制牵引电机时,分别记三相逆变桥为abc,每一相都有两种工作状态,用1表示上桥臂导通,用0表示下桥臂导通,因此,三相组合一共有8种开关状态,SVPWM控制器对应构造了8个基本电压矢量,8种基本电压矢量V0~V7的分布及逆变桥的结构如图1所示。

    图  1  基本电压矢量空间分布及逆变桥主电路结构

    图1(b)中,T1~T6为逆变器的6个IGBT,直流输入电压为Ud。对于牵引电机所需要的任何电压均可由所在扇区相邻的2个基本电压向量合成,每个基本电压向量的作用时间由SVPWM控制器计算求得[7]。与传统的脉冲宽度调制(PWM,Pulse Width Modulation)方法相比,SVPWM控制器有着更高的直流电压利用率,更小的谐波成分,以及更低的转矩波动。逆变器控制框图如图2所示。

    图  2  逆变器控制框图

    图2$ \omega _m^ * $$ {\omega _m} $分别为牵引电机期望转速与实际转速;$ {i_a} $$ {i_b} $$ {i_c} $为三相定子电流的检测值;$ {i_{ds}} $$ {i_{qs}} $d-q坐标系下定子电流的检测值;$ \theta $为转子磁链的角度;$ i_{ds}^ * $$ i_{qs}^ * $d-q坐标系下定子电流的期望值;$ v_d^ * $$ v_q^ * $d-q坐标系下的期望电压。本文根据图2在Simulink中搭建如图3所示的逆变器仿真模型,该模型中的牵引电机参数如表1所示[8]

    图  3  逆变器仿真模型
    表  1  牵引电机参数
    参数名称 数值 参数名称 数值
    极对数 2 转子电阻$ {R_r} $ 0.16 Ω
    转子漏感$ {L_{lr}} $ 0.6 mH 转动惯量$ J $ 5 kg·m2
    定子漏感$ {L_{ls}} $ 1.42 mH 互感$ {L_m} $ 25.4 mH
    定子电阻$ {R_s} $ 0.15 $ \Omega $ 额定功率 562 kW
    下载: 导出CSV 
    | 显示表格

    一个逆变器中包含6个IGBT,其开关信号由SVPWM控制器发出。相对于单管开路故障,双管开路故障发生时电流畸变更加严重,对牵引电机转速影响也更为明显。双管开路故障又分为同桥臂故障与不同桥臂故障,共包含15种故障情况和1种无故障情况,用1代表IGBT发生故障、0表示IGBT正常,并以T1~T6的6位编码作为故障标签,例如,T1T2双管故障标签为110000。

    当无故障发生时,三相电流呈现相位互差120°的正弦波形,如图4所示,其电流最大幅值为100 A左右。

    图  4  无故障三相电流波形

    设定半载匀速运行为列车的运行状态,发生故障时,将逆变器仿真模型中对应的故障管同时断开连接,由于故障种类较多,仅以T1T2、T1T4、T1T5及T4T5为例,其双管开路故障三相电流波形如图5所示。图5中,电流波形与正常运行时对比发生不同程度的畸变,电流最大幅值明显增加,导致其他元件处于过载状态,不仅对于整个电路的寿命产生严重影响,对列车的安全运行也有严重的影响。

    图  5  双管开路故障电流波形

    由三相电流信号的波形可知,信号中存在着许多毛刺,可能会对最终故障诊断的效果产生影响,因此,先对三相电流信号进行EMD去噪处理。EMD去噪需要对信号进行分解,将原始信号分解成一系列内涵模态分量及残余分量,去除高频分量后再将其余分量重构,形成新的信号。EMD分解的步骤如下[9]

    (1)求原始信号xt)上下极值点,并求得上、下包络线及其均值mt) ,画出均值包络线;

    (2)用原始信号减均值包络线,得到中间信号st)=xt)−mt);

    (3)判断该st)是否满足本征模态函数(IMF,Intrinsic Mode Functions)的2个约束条件,若满足,该信号就是一个IMF分量,记为ct);否则,重复(1)~(3);

    (4)求得第一个IMF分量后,将原始信号减去该IMF分量,作为新的原始信号继续分解,重复以上步骤直到IMF分量小于预设值或残余分量为单调函数,此时EMD分解结束,并剩余一个残余分量rt)。本征模态函数的约束条件为,在数据中信号极值点个数与过零点个数相差小于 2,并且,信号的上下包络线要关于时间轴对称。

    通常,信号中包含的噪声为高频量,因此,将IMF分量中频率最高的分量去除,将其余分量重构得到新的无噪声平滑信号。去噪后的三相电流波形比较如图6所示,去噪后的信号高频毛刺明显减少,波形更加光滑。

    图  6  去噪后三相电流波形对比

    在去除信号中代表噪声的最高频的IMF1分量后,剩余IMF2~IMF10(本文中电流信号最多分解到第10层)及残余分量rt),将其能量占比作为EMD故障特征,计算步骤如下。

    (1)第 $ i $ 个IMF分量的能量Ei

    $$ {E_{\text{i}}} = \sum\limits_{j = 1}^n {p_{ij}^2} $$ (1)

    式(1)中,i=2, 3, ···, 10,$ {p_{ij}} $为第$ i $个IMF分量中第j个样本点的幅值,$ n $为样本点个数。

    (2)残余分量的能量Er

    $$ {E_{\text{r}}} = \sum\limits_{j = 1}^n {q_j^2} $$ (2)

    式(2)中,$ {q_j} $表示残余分量rt)中第j个样本点的幅值。

    (3)总能量Et

    $$ {E_t} = {E_r} + \sum\limits_{i = 2}^{10} {{E_i}} $$ (3)

    (4)以各分量的能量占比作为故障特征向量H,其公式为

    $$ H = \left[\frac{{{E_2}}}{{{E_t}}},\frac{{{E_3}}}{{{E_t}}}, \ldots ,\frac{{{E_{10}}}}{{{E_t}}},\frac{{{E_r}}}{{{E_t}}}\right] $$ (4)

    分别求取三相定子电流的故障特征$ {H_a} $$ {H_b} $$ {H_c} $,令$ T = \left[ {{H_a},{H_b},{H_c}} \right] $

    BP神经网络是一种多层的、向前反馈的神经网络。在分类时,当预测类别与实际类别不符时,则反向传播误差,并不断调整神经网络的权重阈值,最终达到分类目的。但BP神经网络也存在许多缺陷,例如,对初始权重阈值较敏感,易陷入局部最优,导致训练误差较大,且多次重复训练得到的结果都有较大差别。针对上述问题,本文采用AVOA对BP神经网络初始的权重和阈值进行优化,优化后的BP神经网络即为AVOA - BP 故障诊断模型。

    AVOA通过模拟非洲秃鹫的觅食和航行行为进行问题寻优,具有寻优能力强、收敛速度快等特点。AVOA优化BP神经网络的流程如图7所示[10],将BP神经网络误差作为饱食度,指导秃鹫种群中每个秃鹫进行位置更新,每个秃鹫所在的位置都代表了BP神经网络中初始权重和阈值的一组取值。其算法主要步骤如下。

    图  7  AVOA优化BP神经网络的流程示意

    (1)初始化参数及种群。设置算法超参数P1P2P3分别为0.6、0.4、0.6,该参数用于控制更新策略。随机生成0~1之间的随机数:randp1randp2randp3

    (2)计算适应度并选取最优秃鹫B1与次优秃鹫B2,其他秃鹫按式(5)向最优解或次优解移动

    $$ R(i) = \left\{ \begin{gathered} {B_1}{\text{ if }}{p_i} = {L_1} \\ {B_2}{\text{ if }}{p_i} = {L_2} \\ \end{gathered} \right. $$ (5)

    式(5)中,$ i $为当前迭代次数;L1L2为选择最优秃鹫与次优秃鹫的概率参数,二者均在0~1之间,且二者和为1;Ri)表示被选中的最优秃鹫或次优秃鹫,$ {p_i} $为选择概率,其公式为

    $$ {p_i} = \frac{{{F_i}}}{{\displaystyle\sum\limits_{i = 1}^n {{F_i}} }} $$ (6)

    式(6)中,Fi表示第i次迭代中秃鹫的饱食度;n为总迭代次数。

    (3)更新参数$ t $$ z $,并计算秃鹫饱食度$ F $,计算公式为

    $$ t=h\cdot\left(\left(sin\left(\frac{\pi}{2}\cdot k\right)\right)^w+\cos\left(\frac{\pi}{2}\cdot k\right)-1\right) $$ (7)
    $$ F = (2 \cdot ran{d_1} + 1) \cdot z \cdot (1 - k) + t $$ (8)

    式(7)、式(8)中,参数t的引入有助于防止算法陷入局部最优解,使算法增加进入探索阶段的概率;w设置为2.5,该值越大进入探索阶段的概率越大;$ h $是介于−2~2之间的随机数; $ z $是介于−1~1之间的随机数,且每次迭代都会改变,当$ z $<0 ,表示秃鹫处于饥饿状态; $ k $为当前迭代次数与最大迭代次数的比值。

    (4)根据饱食度F选取当前进行的阶段,当$ \left| F \right| \geqslant 1 $进行探索阶段,该阶段秃鹫会进行大范围搜索;否则进入开发阶段,秃鹫在小范围进行精细搜索。

    (5)进行探索阶段时,根据参数$ {P_{\text{1}}} $确定该阶段的搜寻策略,当$ {P_{\text{1}}} \geqslant ran{d_{p1}} $时,个体位置更新方式采用式(9),否则采用式(10)。

    $$ P(i + 1) = R(i) - \left| {X \cdot R(i) - P(i)} \right| \cdot F $$ (9)
    $$ P(i + 1) = R(i) - F + ran{d_2} \cdot ((ub - lb) \cdot ran{d_3} + lb) $$ (10)

    式(9)、式(10)中,$ P(i) $为当前迭代中秃鹫的位置矢量;$ X $为每次迭代变化的随机运动参数,是0到2 之间的随机数;$ ub $$ lb $分别代表待优化参数的上下界。

    (6)$ \left| F \right| $在0.5~1之间时,秃鹫位置更新策略取决于$ {P_2} $与随机参数$ ran{d_{p2}} $的关系,当$ {P_2} \geqslant ran{d_{p2}} $时采用式(11),否则采用式(12)。

    $$ P(i + 1) = \left| {X \cdot R(i) - P(i)} \right| \cdot (F + ran{d_4}) - {R_i} + {P_i} $$ (11)
    $$ P(i + 1) = R(i) - ({S_1} + {S_2}) $$ (12)
    $$ {S_1} = R(i) \cdot \frac{{ran{d_5} \cdot P(i)}}{{2\pi }} \cdot \cos (P(i)) $$ (13)
    $$ {S_2} = R(i) \cdot \frac{{ran{d_6} \cdot P(i)}}{{2\pi }} \cdot \sin (P(i)) $$ (14)

    式(11)~式(14)中,$ ran{d_4} $$ ran{d_5} $$ ran{d_6} $均为0~1间的随机数。

    (7)当$ \left| F \right| $ < 0.5时,秃鹫位置更新策略取决于$ {P_3} $与随机参数$ ran{d_{p3}} $的大小关系,当$ {P_3} \geqslant ran{d_{p3}} $时采用式(15),否则采用式(16)。

    $$ P(i + 1) = \frac{{{A_1} + {A_2}}}{2} $$ (15)
    $$ P(i + 1) = R(i) - \left| {d(t)} \right| \cdot F \cdot Levy(d) $$ (16)

    式(15)~式(16)中,$ d $表示每个秃鹫的维度;dt)表示秃鹫到最优秃鹫或次优秃鹫的距离;相关参数及函数计算方法为

    $$ {A_1} = {B_1}(i) - \frac{{{B_1}(i) \cdot P(i)}}{{{B_1}(i) - P{{(i)}^2}}} \cdot F $$ (17)
    $$ {A_2} = {B_2}(i) - \frac{{{B_2}(i) \cdot P(i)}}{{{B_2}(i) - P{{(i)}^2}}} \cdot F $$ (18)
    $$ Levy(x) = 0.01 \cdot \dfrac{{u \cdot \sigma }}{{{{\left| v \right|}^{\frac{1}{\beta }}}}} $$ (19)
    $$ \sigma = {\Biggr(\frac{{\Gamma \left(1 + \beta \right) \cdot \sin \left(\dfrac{{\pi \beta }}{2}\right)}}{{\Gamma \left(\dfrac{{1 + \beta }}{2}\right) \cdot \beta \cdot {2^{\frac{{\beta - 1}}{2}}}}}\Biggr)^{\frac{1}{\beta }}} $$ (20)

    式(17)~式(20)中,$ \beta = 1.5 $;B1i)、B2i)分别表示第i次的迭代最优秃鹰和次优秃鹰;$ u $$ v $服从正态分布,$ u \sim N(0,{\sigma ^2}) $$ v \sim N(0,1) $。重复步骤(2)~(7)直到达到最大迭代次数或误差满足要求。

    AVOA-BP故障诊断模型的输入为三相电流信号的EMD故障特征,输出为故障标签预测值。为了提高精度并降低网络复杂程度,对应6个IGBT,每次选取一个IGBT的标签作为网络输出,分别构建6个AVOA-BP神经网络,因此BP网络输出层仅有一个神经元。神经网络输入层神经元个数为33,由T中故障特征的个数决定。隐含层神经元数量经测试设置为70左右最佳。根据Matlab中默认的BP网络神经元连接方式,计算可知共有2 380个权值及71个阈值。设定种群大小为100,最大迭代次数为500,参数上下界分别为1和−1。

    故障诊断模型设置好后,采用EMD对三相电流信号进行处理,提取特征数据。将这些数据划分为训练集和测试集,共包含16种故障标签,每种故障类型有10组数据,共160组数据,将其中130组作为训练集,其余30组作为测试集,在Matlab中编写模型训练程序,实现数据预处理及模型训练功能。

    由于实际值只有0或1两种取值,因此将预测结果以0.5作为阈值,低于阈值视为0,否则视为1。采用准确率(Accuracy)、均方误差(MSE,Mean-Square Error)、决定系数(R2,R-Squar)评价模型的性能。其中,准确率越高表示诊断效果越好,MSE越低表示模型预测值与实际值误差越小,R2越接近1表示模型的拟合效果越好。

    为验证模型的性能,本文与采用梯度下降法的传统BP模型、采用粒子群算法(PSO,Particle Swarm Optimization)优化的BP模型及采用Levenberg-Marquardt(L-M)算法的BP模型的诊断结果进行对比。传统的BP模型通常采用梯度下降法,使网络的权值和阈值沿梯度的反方向,按一定步长大小进行更新;L-M-BP模型在梯度下降法的基础上进行了改进,通常比标准的梯度下降法收敛更快;PSO-BP模型与AVOA-BP模型类似。为保证实验的公平性,模型的网络结构均一致,优化算法的最大迭代次数和种群大小均分别设为500和100。传统BP模型和L-M-BP模型的学习率设为0.1。4类方法的实验结果如图8所示。4种模型总体性能的对比如表2所示。

    图  8  模型预测结果
    表  2  模型诊断效果对比
    模型名称 样本数量 正确数量 MSE 准确率 R2
    AVOA-BP 30 30 0.005 100% 0.939
    L-M-BP 30 29 0.027 96.7% 0.878
    传统BP 30 23 0.026 76.7% 0.666
    PSO-BP 30 17 0.05 56.7% -0.705
    下载: 导出CSV 
    | 显示表格

    表2可知,本文设计的AVOA-BP故障诊断模型在测试集中达到了100%的故障诊断准确率,MSE值最小且R2值最大,其各项指标均优于对照组。L-M-BP模型也取得了很好的诊断效果,但分析其预测结果可知,该模型虽只诊断错了第13号样本,但该样本对应的故障标签中,存在6个标签诊断错误,同时,该很多预测值与阈值非常接近,反映出该模型的泛化性较差,易出现误诊。而传统BP模型与PSO-BP模型诊断效果均不理想,准确率较低,无法有效对逆变器故障进行诊断。

    本文以CRH3C型动车组中的逆变器为研究对象,搭建了逆变器的仿真模型并得到故障信号,构建EMD-AVOA-BP故障诊断模型对逆变器IGBT的双管故障进行诊断,并将诊断结果与其他常用方法进行对比。经过对比可知,本文设计的EMD-AVOA-BP故障诊断模型的各项指标均优于其他模型,验证了其有效性,实现了对高速列车逆变器IGBT双管故障的精准诊断,对提高逆变器检修效率具有一定参考意义。

  • 图  1   TQI预测模型流程

    图  2   K100区段2018年7项检测指标变化

    图  3   2018年1月K100~K100.8区段7项检测指标变化

    图  4   三维数据集模型散点

    图  5   3D卷积神经网络内部结构

    图  6   Mish函数曲线

    图  7   3D卷积神经网络训练过程损失

    图  8   预测数据与真实数据对比

    图  9   历史数据与预测数据趋势对比

    表  1   3D卷积神经网络结构

    层数核结构卷积步长激活函数输出形状
    输入层///5*5*7
    3D卷积层132*(5*5*7)1*1*1Mish5*5*7
    3D池化层12*2*24*2*2/2*3*4
    3D卷积层264*(2*4*6)1*1*1Mish2*3*4
    3D池化层22*2*24*2*2/1*2*2
    2D卷积层1128*(1*2*2)1*1Mish1*2*2
    2D池化层12*21*1/2*2
    全连接层//Sigmoid1
    下载: 导出CSV

    表  2   3类预测方法各指标列表

    预测方法评估指标
    MAEMAPEMSERMSE
    3D卷积神经网络0.1825.44%0.0390.1979
    LeNet-5卷积神经网络0.2477.39%0.0650.25
    双隐层BP神经网络0.319.31%0.110.33
    下载: 导出CSV

    表  3   3类预测方法指标对比

    方法对比误差减少(%)
    MAEMAPEMSERMSE
    3D卷积神经网络相比于LeNet-5卷积神经网络26.3226.3239.9322.48
    3D卷积神经网络相比于双隐层BP神经网络41.4841.4865.4241.19
    下载: 导出CSV
  • [1] 汤国防. 铁路轨道几何不平顺变化特征及其预测模型研究[D]. 北京: 北京交通大学, 2010.
    [2] 张 念. 铁路轨道几何不平顺趋势预测的关键算法研究[D]. 成都: 西南交通大学, 2015.
    [3] 潘海泽,黄远春,汪 磊,等. 基于灰色GM(1, 1)和灰色-马尔可夫模型的轨道几何不平顺预测及应用研究 [J]. 铁道标准设计,2010(10):5-9. DOI: 10.3969/j.issn.1004-2954.2010.10.002
    [4] 宋博洋. 基于时间序列模型的轨道质量指数预测研究 [J]. 山东科学,2014,27(3):66-72. DOI: 10.3976/j.issn.1002-4026.2014.03.013
    [5] 韩 晋,杨 岳,陈 峰,等. 基于非等时距加权灰色模型与神经网络的轨道不平顺预测 [J]. 铁道学报,2014,36(1):81-87.
    [6] 冯 超,余朝刚,孙 雷,等. 基于改进GM(1, 1)与WOA-LSSVM组合预测模型的轨道不平顺预测 [J]. 铁道标准设计,2019,63(4):34-39.
    [7] 王建西,李海锋,许玉德. 基于概率分布推移变化的铁路轨道几何状态评价与预测方法 [J]. 中国铁道科学,2008(5):31-34. DOI: 10.3321/j.issn:1001-4632.2008.05.006
    [8]

    Tanaka H, Yamamoto S, Oshima T, et al. Methods for Detecting and Predicting Localized Rapid Deterioration of Track Irregularity Based on Data Measured with High Frequency [J]. Quarterly Reports of RTRI, 2018, 59(3): 169-175. DOI: 10.2219/rtriqr.59.3_169

    [9]

    Falamarzi A, Moridpour S, Hesami R, et al. Rail Degradation Prediction Models for Tram System: Melbourne Case Study [J]. Journal of Advanced Transportation, 2018(Pt. 2): 407-414.

    [10]

    Guler H. Prediction of railway track geometry deterioration using artificial neural networks: a case study for Turkish state railways [J]. Structure and Infrastructure Engineering, 2014, 10(5): 614-626. DOI: 10.1080/15732479.2012.757791

    [11] 彭丽宇,张进川,苟娟琼,等. 基于BP神经网络的铁路轨道几何不平顺预测方法 [J]. 铁道学报,2018,40(9):154-158. DOI: 10.3969/j.issn.1001-8360.2018.09.021
    [12] 杨怀志,吴艳华,程智博. 基于铁路数据服务平台的高速铁路工务设备大数据应用研究 [J]. 铁路计算机应用,2018,27(7):93-97.
    [13] 张 颖,袁和金. 基于3D卷积神经网络的人体行为识别方法 [J]. 软件导刊,2017,16(11):9-11.
图(9)  /  表(3)
计量
  • 文章访问数:  108
  • HTML全文浏览量:  275
  • PDF下载量:  27
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-07-21
  • 刊出日期:  2021-01-07

目录

/

返回文章
返回