基于GWO-CNN-LSTM的铁路轨道高低不平顺值反演模型研究

U213.2; 为利用列车的车体振动加速度来准确反演铁路的轨道高低不平顺值,提出一种基于灰狼优化算法(GWO)、卷积神经网络(CNN)和长短期记忆网络(LSTM)构建车体振动加速度与轨道高低不平顺值的关系模型(GWO-CNN-LSTM).首先,将轨检车的实测数据根据轨道检测数据特点,采用莱因达准则进行异常值剔除的预处理;然后,利用处理后的数据以车体振动加速度作为模型的输入,以轨道高低不平顺值作为模型的输出,利用CNN学习车体振动加速度的波形信息,将CNN学习到的特征输入LSTM;最后,再用GWO优化LSTM模型的关键参数,进而反演出轨道高低不平顺值,为突出该模型的适应性,又随机选取了其他区段进...

Full description

Saved in:
Bibliographic Details
Published in铁道标准设计 Vol. 68; no. 6; pp. 65 - 71
Main Authors 石小双, 金容鑫, 杨钢锋, 尹海涛, 毛汉领, 李欣欣
Format Journal Article
LanguageChinese
Published 广西大学机械工程学院,南宁 530004%中国铁路南宁局集团有限公司质量技术检测所,南宁 530004%广西大学机械工程学院,南宁 530004 01.06.2024
广西先进制造系统与先进制造技术省级重点实验室,南宁 530004
Subjects
railway track
track longitudinal irregularity
轨道高低不平顺
长短期记忆网络
卷积神经网络
inversion
convolutional neural network
long and short term memory network
gray wolf optimization algorithm
铁路轨道
反演
灰狼优化算法
Online AccessGet full text
ISSN1004-2954
DOI10.13238/j.issn.1004-2954.202210240004

Cover

More Information
Summary:U213.2; 为利用列车的车体振动加速度来准确反演铁路的轨道高低不平顺值,提出一种基于灰狼优化算法(GWO)、卷积神经网络(CNN)和长短期记忆网络(LSTM)构建车体振动加速度与轨道高低不平顺值的关系模型(GWO-CNN-LSTM).首先,将轨检车的实测数据根据轨道检测数据特点,采用莱因达准则进行异常值剔除的预处理;然后,利用处理后的数据以车体振动加速度作为模型的输入,以轨道高低不平顺值作为模型的输出,利用CNN学习车体振动加速度的波形信息,将CNN学习到的特征输入LSTM;最后,再用GWO优化LSTM模型的关键参数,进而反演出轨道高低不平顺值,为突出该模型的适应性,又随机选取了其他区段进行了反演.文中采用3个性能指标来评价模型,并与其他经典的方法进行对比分析.结果表明,GWO-CNN-LSTM模型的均方根误差、平均绝对误差和拟合优度分别为0.141、0.107和0.977,与单一的LSTM相比,GWO-CNN结合LSTM可以使拟合优度提高20.1％;与循环神经网络、BP神经网络和支持向量回归相比,所提出的GWO-CNN-LSTM模型其均方根误差降低68.1％～79.1％,平均绝对误差降低60.4％～68.3％,拟合优度提高27.7％～44.9％,验证了 GWO-CNN-LSTM模型用于轨道高低不平顺值反演的有效性.GWO-CNN-LSTM模型为铁路轨道高低不平顺反演研究提供了新的思路.
ISSN:1004-2954
DOI:10.13238/j.issn.1004-2954.202210240004