基于多種檢測數據的軌道狀態BP神經網絡評定方法研究

摘 要:為了有效利用多種檢測數據來綜合評價軌道的狀態，本文應用BP神經網絡技術建立了軌道狀態評定方法，并采用MATLAB軟件編制了具有自學習功能的評價軟件。BP神經網絡應用于軌道狀態的評價中，其學習樣本、規模及代表起關鍵作用，通過大量的樣本訓練，對“未知”樣本神經網絡模型的評價具有較高的準確性。理論分析與算例的結果表明，該評價方法是可行的、有效的，為解決軌道狀態評定提供了一條新的途徑。

關鍵詞:檢測數據軌道狀態評定BP神經網絡

中圖分類號:U213文獻標識碼:A文章編號:1674-098X(2011)08(c)-0005-02

1 引言

為了保證線路的安全可靠，工務部門往往采用多種檢測設備來檢測軌道的基本幾何尺寸，常用的有軌檢車、機車動態檢測儀(晃車儀)、添乘儀和軌道靜態智能檢測儀等[1-2]。不同的檢測設備其檢測數據的可靠性是不一樣的，一般而言，軌檢車和靜態智能檢測儀的數據檢測精度比較高，在現場常把這兩種檢測設備的檢測數據作為評價軌道狀態和制定維修計劃的重要依據，而機車動態檢測儀、添乘儀的檢測數據的可靠性相對較差，但是其檢測的時間密度較高，工務部門常把這兩種設備的檢測數據作為維修的參考[1-2]。因此，可以根據多種檢測設備的檢測數據來綜合評價軌道的狀態。考慮到各種檢測數據的可靠性差異，在評定軌道狀態時，不同檢測數據所占的權重是不一樣的。可靠性高的檢測數據所占的權重大，而可靠性低的數據則所占的權重小。本文把基于多源檢測數據的軌道狀態評定問題描述為以多種檢測數據作為輸入、以軌道的當前狀態作為輸出的一個模型問題，并選用BP神經網絡作為解決該問題的手段。

2 BP神經網絡簡介

BP神經網絡是采用后向傳播(Back propagation)進行訓練的網絡，通常，該網絡具有一個輸入層，一個輸出層和一個隱藏(中間)層。輸入信號Pi通過中間節點(隱層點)作用于輸出節點，經過非線性變換，產生輸出信號O，網絡訓練的每個樣本包括輸入向量P和期望輸出量T。網絡輸出值O與期望輸出值T之間有偏差，通過調整輸入節點與隱藏層節點的聯接權值wij和隱藏層節點與輸出節點之間的聯接權值Tjk以及閾值，使誤差沿梯度方向下降，經過反復學習訓練，確定與最小誤差相對應的網絡參數(權值和閾值)，停止訓練。此時經過訓練的BP神經網絡能對在輸入范圍內的輸入信息自行處理，然后輸出誤差最小的經過非線性轉換的輸出信息。

通常的BP訓練算法學習速度較慢，訓練次數常需要上千次甚至上萬次。為加快學習速率并減少震蕩，可采用動態學習因子α和動量因子β。根據每次訓練的偏差值大小動態地調整學習效率，如果訓練后的偏差值大于上次的偏差值，則說明本次迭代訓練被拒絕，應降低學習效率并重置動量因子，以防止震蕩;否則說明本次訓練被接受，增加學習效率和動量因子，加快訓練收斂的過程。

3 基于BP神經網絡的軌道狀態評價

3.1 問題的描述

軌檢車測得的原始數據主要由以下幾個指標構成:超限地點、高低(左軌、右軌)、軌向(左、右)、軌距、水平、三角坑、加速度(垂直、水平)、速度。其中除加速度、超限和速度指標以外，每項指標都由測量的峰值和檢測到的分布長度兩項組成[1]。數據處理時，首先對上一步得到的除速度以外的各項數據進行初步歸類，即把每項指標按照一定的標準分成四類，分別代表超限的程度，類別越高表示超限程度越大;然后對一個區間的各種類別進行求和，統計出該區間內某個指標共有幾處超限，以及總和的長度是多少。

本文以軌檢車、機車動態檢測儀、添乘儀和軌道靜態智能檢測儀等各種檢測設備測得的海量軌道動靜態檢測數據為依據，評定軌道當前運行狀態，并利用BP神經網絡制定工務部門的大中修和日常維修計劃。

這個問題的實質就是要完成一個從指標集D到分類方案集合T的非線性映射:

式中，D表示采集數據的集合，它可以寫成

指標集中的元素D中每一個元素都是一個19維的向量，分別軌檢車、機車動態檢測儀、添乘儀和軌道靜態智能檢測儀等各種檢測設備積累的海量軌道動靜態檢測數據:軌檢車的軌距上、軌距下、水平、高低、軌向、三角坑緩、三角坑直圓;添乘儀的一級水加(水平加速度，簡稱水加)、一級垂加(垂直加速度，簡稱垂加)、二級水加、二級垂加、三級水加、三級垂加;晃車儀的二級水加、二級垂加、三級水加、三級垂加、四級水加、四級垂加。而每個向量又都是一個四維向量表示四種級別[2]。因而就是在這19組數據上進行分類工作。

一般情況下，可以把分類級別T定為4種級別，即:

各個級別分別表示“合格”、“較合格適當應進行檢修”、“不合格應進行檢修”、“嚴重破壞應立即修理”四種狀態。于是，問題就變為尋找從D到T的映射關系f，即通過人工神經元網絡的機制把f模擬出來。

3.2 BP神經網絡模型的建立

通過上一步的問題描述可以知道，就是要找到一個集合 到集合的映射，所以無需理會數據的具體含義，只要把集合D中的數據原封不動的作為網絡輸出，而對于T集合中的數據要進行編碼，因為BP網絡對于分類問題有很好的應用效果，而BP一般選用的映射函數是f到S形函數，知道它的值域是[0，1]，因此用一串4位的二進制數對集合T中的元素進行編碼。編碼之后，就可以建立神經網絡模型了。這里有76個輸入節點、4個輸出節點的網絡，經反復試驗，選用了一層隱含層節點，它含有8個神經元，經測試其收斂速度是最快。

3.3 神經網絡的數學分析以及運行

網絡的運行主要分為兩個主要階段:訓練階段和運行階段。

在訓練階段，把一些采集好并歸類好的數據按照前面的方法進行編碼，輸入到網絡進行反復迭代計算，直至結果滿意為止，最后將訓練好的網絡信息都集中存儲到網絡的權重之中。

在運行階段，把所獲得的數據輸入到神經元網絡的輸入層，利用已經訓練好的網絡的權值計算出相應的輸出值，注意這時網絡的輸出值處于[0，1]區間，因為S形函數是把任意一個實數壓縮到[0，1]區間內，因此要按照四舍五入的原則把這些小數變成0或者1，從而確定這組輸出數據所對應的分類。

4 算例

本文取正常行駛速度120km/h為標準。軌檢車和智能檢測儀的評分標準如表1～表3所示。

對于添乘儀和晃車儀，一級的水加和垂加是優良標準、二級的是合格標準，對于三、四級則是失格標準。

對于軌道狀態的檢測，目前主要有兩種檢測方式:靜態數據檢測和動態數據檢測。靜態檢測就是在沒有列車通過的時候，對軌道狀態進行檢測，所用設備主要為軌道靜態智能檢測儀;動態檢測是在列車運行過程中，對軌道狀態進行檢測。不同儀器檢測的數據有不同的適用范圍。

靜態檢測對暗坑等病害不夠敏感，工務檢測標準里面取智能檢測儀的軌向數據，本文取左軌向、右軌向以及軌距的檢測數據。軌檢車對于水平、高低、三角坑緩的數據比較精確。添乘儀一般放在列車尾部，對尾部擺動比較敏感，即對水平加速度的檢測數據比較真實。晃車儀一般放在列車頭部，由于機車較重，對列車的點頭運動反映比較真實，因此對垂直加速度的檢測比較準確。跟據以上特性，用各種儀器的檢測標準作為標準，建立標準作為神經網絡的訓練模版。通過從工務段得來的一組數據，以軌檢數據作為示范實例，對南疆線某一里程的直線線路來進行分析。采用Matlab對上述標準進行訓練，設置訓練次數為1000次，訓練完畢后將實際的多種檢測數據代入神經網絡。

5 結語

本文應用BP神經網絡技術建立了軌道狀態的評定方法，采用MATLAB軟件編制了具有自學習功能的評價軟件。BP神經網絡應用于軌道狀態的評價中，其學習樣本、規模及代表起關鍵作用，通過大量的樣本訓練，對“未知”樣本的神經網絡模型的評價具有較高的準確性。理論分析與算例的結果表明，該評價方法是可行的、有效的，為解決軌道狀態評定提出了一條新的途徑。評價方法中所選學習樣本集和學習樣本代表對評價的結果影響較大，是今后應用該方法時要認真考慮的兩個因素。

參考文獻

[1]秦長利.城市軌道交通工程測量[M].北京:中國建筑工業出版社，2008.

[2]許玉德，李海鋒，戴月輝.軌道交通工務管理[M].上海:同濟大學出版社，2007.

[3]韓力群.人工神經網絡理論、設計及應用[M].2版.北京:化學工業出版社，2007.