Professional Documents
Culture Documents
基于BP神经网络的铁路轨道几何不平顺预测方法
基于BP神经网络的铁路轨道几何不平顺预测方法
40 No.
9
2 0 1 8 年 9 月 J OURNAL OF THE CHINA RAILWAY SOCIETY September 2 0 1 8
基于 BP 神经网络的铁路轨道几何不平顺预测方法
彭丽宇, 张进川, 苟娟琼, 李学伟
(北京交通大学 经济管理学院,北京 1 00044 )
摘 要:设备密集型重载铁路对轨道平顺状态预测技术十分重视,受限于数据挖掘分析技 术,轨 道 检 测 车 在 养 护
维修计划决策支持方面还未完全发挥应有的作用。本文 根 据 轨 道 不 平 顺 的 变 化 特 点,采 用 神 经 网 络 方 法 对 重 载
铁路轨道不平顺 7 项参数进行预测,从而为养护维修策略的决策 提 供 支 持。 将 某 重 载 铁 路 K42 0 +000 ~K42 6 +
000 区段长达 1 8 个月的轨道不平顺检测数据用于模型 训 练 并 进 行 预 测 分 析,结 果 显 示:双 隐 层、单 隐 层 BP 网 络
0 6 5 2 、0 .
模型和多元回归分析模型的均方预测误差平均值分别为 0 . 0 6 8 9 、0 .
1 0 5 1 ,平 均 相 对 误 差 分 别 为 8 .
03 %、
6 5 % 、1 1 .
8. 5 7 % 。双隐层 BP 网络模型模型精度更高,该模型为重载铁路轨道不平顺 发 展 预 测 的 研 究 提 供 了 新 的
思路。
关键词:轨道不平顺;BP 神经网络;轨检车;预测方法
中图分类号:U2 1 3 .
2 文献标志码:A doi :1 0 .
3 9 6 9/j .
issn.
1 00 1-8 3 6 0 .
201 8.
09.
021
Abstract :Prediction techni q ue of track irre g ularit y is crucial to e q ui p ment-intensive heav y haul railwa y .Limited
to the data minin g anal y sis technolo gy ,track ins p ection car still could not full y p la y its role in decision su pp ort
for the maintenance p lan.Based on the variation characteristics of track irre g ularit y ,this p a p er used the neural
network method to p redict 7 track irre g ularit y p arameters of a heav y haul railwa y ,so as to p rovide su pp ort for
the p olic y-makin g of maintenance strate gy .The track irre g ularit y data of a heav y load railwa y at K42 0 +000 ~
K42 6 +000 section for 1 8 months were used for model trainin g and p rediction anal y sis.The results show that
the mean s q uare p rediction error of the double hidden la y er ,the sin g le hidden la y er BP network model and the
multi p le re g ression anal y sis model is 0 . 0 6 5 2 ,0 .
0 6 8 9 ,0 .
1 0 5 1 res p ectivel y ,and the avera g e relative error is
0 3 % ,8 .
8. 6 5 % ,1 1 .5 7 % res p ectivel y .The double hidden la y er BP network model ,with hi g her accurac y ,p ro-
vides a new wa y of thinkin g for the develo p ment p rediction of heav y haul railwa y track irre g ularities.
Key words :track irre g ularit y ;Back-Pro p a g ation neural network ;track ins p ection car ;p rediction techni q ue
…
索,但是重载铁路由 于 存 在 运 量 大、轴 重 大、密 度 大 的
x3
特点,其轨道平顺状态预测研究还相对欠缺。
…
oj
xn
本文基于轨道不 平 顺 变 化 的 特 点,结 合 神 经 网 络
的非线 性 映 射 能 力,使 用 BP 神 经 网 络 对 线 路 轨 道 不 输入层 隐层 输出层
平顺的状态进行了预测。为了进一步验证文中提出的 图1 BP 神经网络结构
网络模型有效性,利 用 某 重 载 铁 路 线 路 的 轨 道 不 平 顺 BP 神经网络在 输 入 层 与 输 出 层 之 间 增 加 若 干 层
检测数据进行了验证,并 与 多 元 多 重 回 归 模 型 所 得 预 (一层或多层)神 经 元,这 些 神 经 元 称 为 隐 单 元。 在 其
测结果进行了对比。 计 算 结 果 显 示,双 隐 层 神 经 网 络 结构中,神经元在层与层之间是全连接,而在层内部则
具 有 较 高 的 预 测 精 度,能 够 用 于 重 载 铁 路 轨 道 质 量 是无连接的。各 隐 层 节 点 采 用 Si g moid 激 励 函 数,输
预测。 出层激励函数根据应用的不同需要而有所不同 [1 4 ]。
误差反向传递算 法 (BP 算 法)主 要 有 两 个 学 习 阶
1 理论模型
段:信号正向传播阶段,隐层通过处理经过输入层的信
1.
1 多元多重回归模型 息来计算每个单元的实际输出值;误差反向传播阶段,
多元回归模型是用来对多变量进行回归分析的数 如果不能获得期望的 输 出 值,则 通 过 以 逐 层 递 归 的 形
学模型,通常含有 多 个 自 变 量 与 一 个 因 变 量。 当 该 模 式计算实际输出与期 望 输 出 之 差 值 (即 误 差),从 而 以
型用于分析多个因 变 量 与 多 个 自 变 量 的 依 赖 关 系 时, 此差值来调节权值。 BP 算法的基本步骤如下:
则称为多元多重回归模型,其模型结构为 Step 1 设置初始权值为较小的随机非零值。
ìçy 1 =β0 1 +β1 1 x 1 +β2 1 x 2 + … +βm 1 x m +ε1 Step2 给定输 入/输 出 样 本 集 合 {
u p ,y p }p ,重 复
ççy 2 =β0 2 +β1 2 x 1 +β2 2 x 2 + … +βm 2 x m +ε2 下列过程至满足收敛条件( E all ≤ε):
(1 )对于每个样本,计算正向过程
í
ç︙
îy p =β0 p +β1 p x 1 +β2 p x 2 + … +βmp x m +εp
ç I
çìo j p = f 1 ( ∑w kj u kp ) j = 1 ,2 ,…J
(1 ) ç k =1
í (3 )
x1, x 2 ,…,x m 为 自 变 量;y 1 ,y 2 ,…,y p 为 因 变
J
式中:
∑w j i o j p )
ç
çd ip = f 2 (
ε~ N (0 ,
σ2 )为 随 机 误 差。 该 模 型
î
β 为模型 参 数;
量; j =1
的矩阵表示形式为 式中:I 、J 分 别 为 输 入 层 与 隐 层 节 点 数;
w kj 、
w ji 分 别
éçβ0 1 β1 1 … βm 1 ùç é 1 ù
éçy 1 ùç éçε1 ùç f 1 、f 2 分别为
为输入层到隐层、隐层到输出层的权值;
ç ç
çβ0 2 β1 2 … βm 2 ç çx 1 ç
çy 2 ç çε2 ç o jp 为隐层第 j 个节点的输
隐层与输出层的激励函数;
ç ç=
ç ç ç ç + ç ç (2 )
ç︙ ︙
ç︙ ç ︙ ç ç︙ ç ç︙ ç d ip 为输出层第 i 个节点的输出。
出;
β0 p β1 p … βmp û ëx m û 1
∑
çë çû
çë ç ç ç çëε çû
yp p (2 )计算 误 差 指 标 E ip = (d ip - y ip ) 2 ,其
假设共有 n 组自变量与因变量数据,利用最小 二 2 i
P
乘法求模型 参 数 的 估 计 值,使 残 差 的 平 方 和 最 小,即 d p 为模型输出;总误差指标 E all = ∑E p 。
中,
n p p =1
i =1 j =1
ìç∂E ip ∂E ip
J
利用拉直法及矩阵四块求逆公式求解此二次规划 = · f'2 ( ∑w j i o j p ) ·o j p
ç∂w j i ∂d ip j =1
问题,可以得到模型参数的估计值,具体步骤这里不再 í (4 )
ç∂E ip ∂E ip I
· ∑ w kj u kp ) ·u kp
赘述。 =
'
万方数据 f 1 (
î∂w kj ∂w j i
ç
k =1
156 铁 道 学 报 第 40 卷
的检测时 间 为 2 0 1 6 年 1 月 到 2 0 1 7 年 6 月,期 间 每 月 0.
06
左高低 (
a)单隐层神经网络
1.
4 右高低
线路维修
左轨向 0.
095
1.
2 右轨向
轨距
均方误差 MSE
单项标准差
0.
076
1.
0 水平
三角坑 0.
057
0.
8
0.
038
0.
6 0.
019
0 14
0.4
第 6 8 12 数
2016 年 1 月 2016 年 7 月 2017 年 1 月 2017 年 7 月 一 10 节点
隐 10
2016 年 4 月 2016 年 10 月 2017 年 4 月 层 8
节 12 14 6 隐
层
点 二
日期 数 第
图2 典型区段单项标准差随时间变化曲线 (
b)双隐层神经网络
由于 2 0 1 6 年 6 月至 7 月之间的线路维修,高低不 图3 网络预测精度与隐层节点数关系图
平顺标准差明显减小;维修前后,各项不平顺标准差均 (4 )激励(传递)函数的确定。在 BP 神经网络中,
呈逐渐增大趋势。其他区段的数据也有相同特征。以 隐层和输出层节点的 输 入 输 出 之 间 具 有 函 数 关 系,这
下详细 介 绍 BP 神 经 网 络 模 型 的 构 建 过 程 与 应 用 个函数 称 为 激 励 函 数。 Si g moid 函 数 连 续、可 导、有
分析。 界,是关于原点对称 的 增 函 数,也 是 常 用 的 激 励 函 数。
2.
1 BP 神经网络模型的构建 在使用 Si g moid 函数之前需要将网络的输入和输出值
BP 神经网络构 建 过 程 主 要 是 对 合 理 的 模 型 参 数 归一化处理于区间[-1 ,1 ]内。
进行选取 [1 5 ],具体包括: (5 ) 训 练 方 法 的 确 定。 基 于 Levenber g-Mar-
(1 )网络层数的确定。合理的网络结构模型的精 q uardt (LM)规则的训练方法不但收敛速度快,而且运
度至关重要,本文分 别 设 计 了 包 含 单 隐 层 和 双 隐 层 的 算次数和花费时间是 所 有 的 改 进 算 法 中 最 少 的,虽 然
BP 神经网络,用来对线路不平顺状态进行预测。 存在内存占用大的问 题,但 是 本 文 输 入 输 出 节 点 数 目
(2 )输入输出层神经节点数目的确定。输入输出 较少,所 以 基 于 LM 规 则 的 训 练 函 数 仍 然 是 最 好 的
万方数据
层神经节点的数目依赖于网络目的和数据类型。由于 选择。
第 9 期 彭丽宇等:基于 BP 神经网络的铁路轨道几何不平顺预测方法 157
1
N 受 2 0 1 6 年 7 月线路维修的影响,该次数据不能用
∑ (y i -^
yi) (6 )
2
MSE = 于构造 输 入 输 出 数 据,导 致 2 0 1 6 年 7 月 ~ 1 0 月 无 预
N i =1
1 y i -^ 测数据。通过模型预 测 的 结 果 可 以 看 到,预 测 值 与 实
N
yi
MP E =
N ∑
i =1 yi
(7 )
际的数据吻合度较高,误差在允许的范围之内,因此可
式中: N 为样本数量;
y i 为第 i 个样本的观测值; ^
yi 为 应用该模型对未来的数据进行预测。
第 i 个样本的预测值。 一 般 选 用 均 方 误 差 做 为 BP 神 2.
3 不同模型计算结果精度对比
经网络的性能函数。 为了进一步检验 模 型 的 精 度,本 文 对 多 元 多 重 回
归模型、单隐层神经网络、双隐层神经网络的预测误差
进行了 对 比,见 表 1 。表 中 结 果 为 K42 0 + 000 ~ K42 6
1.
3 1.
3
左高低 右高低
单项标准差
单项标准差
1.
1 1.
1
+000 范围内 3 0 个区段的统计平均值。
0.
9 0.
9
预测 预测 表1 不同方法预测结果误差对比表
区间 区间
0.
7 0.
7
单隐层 BP 双隐层 BP 多元回归
2016 年 1 月 2017 年 1 月 2016 年 1 月 2017 年 1 月 类别
2016 年 7 月 2017 年 7 月 2016 年 7 月 2017 年 7 月 神经网络 神经网络 分析
日期 日期 均方误差 MSE 0.
068 9 0.
065 2 0.
105 1
(
a)左高低 (
b)右高低
平均相对误差 MP E/% 8.
65 8.
03 11.
57
0.
9 1.1
左轨向 右轨向
单项标准差
单项标准差
0.
8 1.0
0.
7 0.9
0.
6 0.8 从预测误差结果对比可以看出:
0.
5 预测区间 0. 7 预测区间 (1 )从整体上看,模型精度高低顺序依次是:双隐
0.
4 0.6
2016 年 1 月 2017 年 1 月 2016 年 1 月 2017 年 1 月 层 BP 网 络 模 型、单 隐 层 BP 网 络 模 型、多 元 多 重 回 归
2016 年 7 月 2017 年 7 月 2016 年 7 月 2017 年 7 月
模型;从平均相对误 差 上 看,由 大 到 小 分 别 是:多 元 多
日期 日期
(c)左轨向 (d)右轨向 重回归 模 型、单 隐 层 BP 网 络 模 型、双 隐 层 BP 网 络 模
1.
0 0.
9
轨距 水平 型。
单项标准差
单项标准差
0.
9 0.
7
(2 )同单隐层 BP 网络模型相比,双隐层 BP 网 络
0.
8 0.
5 模型整体精度要更好,这 从 一 定 程 度 上 说 明 随 着 隐 层
预测区间 预测区间
0.
7 0.
3 数的增加,有助于提高网络预测精度。
2017 年 1 月 2016 年 1 月 2017 年 1 月
3
2016 年 1 月
2016 年 7 月 2017 年 7 月 2016 年 7 月 2017 年 7 月 结束语
日期 日期 本文根据轨道不 平 顺 的 变 化 特 点,针 对 轨 道 不 平
(e)轨距 (f)水平
0.9
顺状态,利用 BP 神 经 网 络 对 左 右 高 低、左 右 轨 向、轨
三角坑
0.8 距、水平、三 角 坑 七 项 检 测 数 据 的 区 段 标 准 差 进 行 预
单项标准差
0.7
测,结 果 显 示 本 文 提 出 的 BP 神 经 网 络 可 以 对 轨 道 的
0.6
0.5 预测区间 不平顺状态进行准确地预测。
0.4
2017 年 1 月
从预测结果 来 看,双 隐 层 BP 网 络 模 型 比 单 隐 层
2016 年 1 月
2016 年 7 月 2017 年 7 月 BP 网络模型和多元 回 归 分 析 模 型 具 有 更 高 的 预 测 精
日期
(
g)三角坑
度,这从一定程度上说明随着隐层数的增加,有助于提
单隐层; 双隐层。 高网络预测精度;但相对比单 隐 层 BP 网 络 模 型,预 测
图4 BP 神经网络模型训练与预测结果 精度并无显著提高。
总之,通过分析获得的轨检车数据,可以从中掌握
2.
2 神经网络的预测精度分析 线路不平顺的动态质 量,以 便 能 够 科 学 的 指 导 线 路 养
本节分别采 用 单 隐 层 和 双 隐 层 的 BP 神 经 网 络, 护维修工作,有效评估工务部门的工作质量,从而实现
对图 2 中的数据进行建模分析。为了去除线路维修的
万方数据 轨道的科学管理工作。
158 铁 道 学 报 第 40 卷
Massachusetts ,2 00 2 . 87.
[7 ]DANIEL K.Optimal Estimation and Rail Tracking Analy- HAN Jin ,YANG Yue ,CHEN Feng ,et al.Prediction of
sis [D].Amherst :University of Massachusetts ,2 00 5 . Track Irregularity Based on Non-equal Interval Weighted
[8 ]许玉德,吴纪 才 .利 用 线 性 预 测 模 型 分 析 轨 道 几 何 不 平 顺 Grey Model and Neural Network[J].Journal of the China
发展[J].石家庄铁道学院学报,2 00 5 ,1 8 (1 ):6-9 . Railway Society ,2 0 1 4 ,3 6 (1 ):8 1-8 7 .
[1 4 ]史峰,王小川,郁磊,等 .MATLAB 神 经 网 络 3 0 个 案 例 分
XU Yude ,WU Jicai.Analysis on Development of Track Ir-
regularities with Linear Forecast Model [J].Journal of Shi- 析[M].北京:北京航空航天大学出版社,2 0 1 0 .
[1 5 ]张友鹏,伍亚萍,赵珊鹏 .基于遗传 BP 神经网络 的 绝 缘 子
j iazhuang Railway Institute ,2 00 5 ,1 8 (1 ):6-9 .
[9 ]常 欢,刘 仍 奎,方 圆 .改 进 的 轨 道 质 量 指 数 线 性 预 测 模 型 研 泄漏电流预测[J].铁道学报,2 0 1 6 ,3 8 (5 ):4 6-5 2 .
CHANG H uan ,LIU Rengkui ,FANG Yuan.Research of ating of Leakage Current of Insulators Based on the GA-
Improved Linear Prediction Model of Track Quality Index BP Neural Network[J].Journal of the China Railway So-
[J].Railway Computer Application ,2 0 1 0 ,1 9 (6 ):1-3 . ciety ,2 0 1 6 ,3 8 (5 ):4 6-5 2 .
[1 0 ]周 宇,许 玉 德,李 浩 然 .轨 道 几 何 不 平 顺 非 线 性 预 测 模 型 (责任编辑 张剑冰)
[J].交通运输工程学报,2 004 ,4 (4 ):2 1-2 4 .
万方数据