专利名称：基于narx神经网络的轮轨力预测方法
技术领域：
本发明属于铁路安全运行控制技术领域，尤其涉及一种基于NARX神经网络的轮轨力预测方法。
背景技术：
随着铁路运输向着高速、重载、大运量和高密度的方向发展，保证列车的安全平稳运行成为当前的一项重要任务，因此我国采用轨道检测车或综合检测列车等对铁路基础设施服役状态进行周期性检测。在基础设施的诸多检测项目中，轮轨力是导致轨道失效/破坏、列车脱轨、车辆部件损伤的重要因素，也是用来评定行车平稳性和安全性，并作为限速、 提速的主要依据，因此轮轨力的获取具有重要的理论与实际意义。物理测力轮对是检测轨道/车辆系统运行状态的重要工具，是一种用于测量轮轨力的特殊传感器。物理测力轮对利用车轮作为传递元件的弹性体，当受到轮轨力的作用时， 车轮产生变形，通过检测并解析这种变形与轮轨力之间的对应关系，可以确定轮轨间相互作用力的量值。但物理测力轮对存在成本过大、故障率高等缺陷，从而限制了物理测力轮对的推广使用。美国John hlock将神经网络建模方法与基于时间延迟的动态系统相空间重构理论和非线性时序分析方法相结合，提出一种时间延迟神经网络(TDNN)，输入实测的轨道高低不平顺,来预测垂向轮轨力。美国^Transportation Technology Center, Inc. (TTCI)提出的基于神经网络的车辆动力学预测技术，该技术采用BP神经网络，以轨道不平顺和速度等参数为输入，实现了轮轨力等动力学参数的预测，并进一步应用于轨道几何形位的评判。由于轨道不平顺/轮轨力系统为复杂非线性动态系统，而BP神经网络是一种静态神经网络， 因此BP神经网络难以准确描述轨道不平顺和轮轨力之间的复杂动态关系。英国Gualano L.基于Jordan神经网络，开发了一种新的递归神经网络结构，可实现基于实测轨道不平顺的轮轨力预测。上述技术均实现了利用神经网络对轮轨力的预测，但是，预测精度不尽理想，尤其是在横向轮轨力的预测方面均存在不足之处。
发明内容
本发明的目的是，为了提高对轮轨力的预测精度，弥补背景技术中提出的轮轨力测量方法在横向轮轨力预测方面存在的不足，提出了一种基于NARX(非线性回归)神经网络的轮轨力预测方法。为了实现上述目的，本发明采用的技术方案是，一种基于NARX神经网络的轮轨力预测方法，其特征是所述方法包括步骤1 利用轨道检测车采集轨道不平顺数据；步骤2 对轨道不平顺数据进行仿真，得到轮轨力数据；步骤3 对轨道不平顺数据和轮轨力数据进行归一化处理；
步骤4 设定NARX神经网络预测模型；步骤5 在归一化处理后的轨道不平顺数据和轮轨力数据中选取训练样本，训练 NARX神经网络预测模型；步骤6 在归一化处理后的轨道不平顺数据和轮轨力数据中选取测试样本，对训练好的NARX神经网络预测模型进行测试，输出测试后的轮轨力数据；步骤7:对测试样本中的轮轨力数据和测试后的轮轨力数据进行分析，评价NARX 神经网络预测模型的性能。所述轨道不平顺数据包括左轨高低不平顺数据、左轨轨向不平顺数据、右轨高低不平顺数据和右轨轨向不平顺数据。所述轮轨力数据包括横向轮轨力数据和垂向轮轨力数据。所述对轨道不平顺数据和轮轨力数据进行归一化处理具体利用公式
、=ΧΧ' "_ΧΓ ;其中，Xi为轨道不平顺数据/轮轨力数据，Xfflin为轨道不平顺数据/轮轨力
max min
数据中的最小值，Xfflax为轨道不平顺数据/轮轨力数据中的最大值，i为大于等于1并且小于等于轨道检测车采集到的轨道不平顺数据总数的整数。所述设定NARX神经网络预测模型具体是，设定NARX神经网络的中间层节点采用 tan-sigmoid函数，输出层节点采用线性函数，输入层节点个数为4，中间层节点数目为15， 输出层节点数目为1，输入延迟和输出延迟都为45。所述训练NARX神经网络预测模型具体采用贝叶斯正则化算法训练NARX神经网络。所述步骤7具体采用均方根误差法、曲线拟合法或者线性回归分析法评价NARX神经网络预测模型的性能；其中，均方根误差法具体利用公式·=二(乂力-夂⑴)2，y(j)为
测试样本中的轮轨力数据，ym(j)为测试后的轮轨力数据，N为测试样本数目；所述曲线拟合法是对测试样本中的轮轨力数据和测试后的轮轨力数据进行曲线拟合；所述线性回归分析法是对测试样本中的轮轨力数据和测试后的轮轨力数据进行线性回归分析。本发明利用实测到的轨道不平顺数据，采用NARX神经网络模型，预测轮轨力，提高了铁路行车安全评价的准确性。
图1是基于NARX神经网络的轮轨力预测方法流程图；图2是NARX神经网络结构图；图3是测试样本中的横向轮轨力数据与NARX神经网络输出的测试后的轮轨力数据曲线拟合对比图；图4是测试样本中的横向轮轨力数据与NARX神经网络输出的测试后的轮轨力数据相关性分析图。
具体实施例方式下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。图1是基于NARX神经网络的轮轨力预测方法流程图，图1中，基于NARX神经网络的轮轨力预测方法包括下列步骤步骤101 利用轨道检测车采集轨道不平顺数据。轨道不平顺数据包括左轨高低不平顺数据、左轨轨向不平顺数据、右轨高低不平顺数据和右轨轨向不平顺数据，并将其作为神经网络模型的输入数据。步骤102 对轨道不平顺数据进行仿真，得到轮轨力数据。通过动力学仿真软件ADAMS/RAIL，建立车辆/轨道动力学模型，输入3000个轨道不平顺数据，进行仿真，得到相应的3000个左前轮的横向轮轨力和垂向轮轨力数据，作为神经网络模型的目标数据。步骤103 对轨道不平顺数据和轮轨力数据进行归一化处理。归一化处理具体利用公式X =T^f-;其中，Xi为轨道不平顺数据、横向轮轨力
max min
数据或者垂向轮轨力数据，Xfflin为轨道不平顺数据、横向轮轨力数据或者垂向轮轨力数据中的最小值，Xmax为轨道不平顺数据、横向轮轨力数据或者垂向轮轨力数据中的最大值，i为大于等于1并且小于等于轨道检测车采集到的轨道不平顺数据总数的整数。步骤104 设定NARX神经网络预测模型。NARX神经网络的中间层节点采用tan-sigmoid函数，输出层节点采用线性函数， 输入层节点个数为4，中间层节点数目为15，输出层节点数目为1，输入延迟和输出延迟都为45。步骤105 在归一化处理后的轨道不平顺数据、横向轮轨力数据和垂向轮轨力数据中选取训练样本，训练NARX神经网络预测模型。图2是NARX神经网络结构图，其中，Hi) 为归一化处理后的轨道不平顺数据，y(i)为横向轮轨力数据和垂向轮轨力数据。y(k)为输出的横向轮轨力数据和垂向轮轨力数据。抽取2500组归一化处理后的轨道不平顺数据以及与之对应的横向轮轨力数据和垂向轮轨力数据作为训练样本。在NARX神经网络中，需要训练优化的参数为节点的权值与阈值，采用贝叶斯正则化算法训练神经网络。贝叶斯正则化(BR，Bayesian Regularization 算法)，是为了提高网络推广能力。训练过程中要建立一个由各层输出误差、权值和阈值构成的特殊性能参数，依据L-M(LeVenberg-Marguart)优化理论对网络的权值和阈值进行调整，使该参数最小化。步骤106 抽取500组归一化处理后的轨道不平顺数据以及与之对应的横向轮轨力数据和垂向轮轨力数据作为测试样本，对训练好的NARX神经网络预测模型进行测试，输出测试后的横向轮轨力数据和垂向轮轨力数据。步骤107 对测试样本中的横向轮轨力数据和垂向轮轨力数据以及测试后的横向轮轨力数据和垂向轮轨力数据进行分析，评价NARX神经网络预测模型的性能。评价NARX神经网络预测模型的性能可以采用均方根误差法、曲线拟合法或者线性回归分析法。均方根误差法具体利用公式
权利要求
1.一种基于NARX神经网络的轮轨力预测方法，其特征是所述方法包括 步骤1 利用轨道检测车采集轨道不平顺数据；步骤2 对轨道不平顺数据进行仿真，得到轮轨力数据； 步骤3 对轨道不平顺数据和轮轨力数据进行归一化处理； 步骤4 设定NARX神经网络预测模型；步骤5:在归一化处理后的轨道不平顺数据和轮轨力数据中选取训练样本，训练NARX 神经网络预测模型；步骤6 在归一化处理后的轨道不平顺数据和轮轨力数据中选取测试样本，对训练好的NARX神经网络预测模型进行测试，输出测试后的轮轨力数据；步骤7 对测试样本中的轮轨力数据和测试后的轮轨力数据进行分析，评价NARX神经网络预测模型的性能。
2.根据权利要求1所述的一种基于NARX神经网络的轮轨力预测方法，其特征是所述轨道不平顺数据包括左轨高低不平顺数据、左轨轨向不平顺数据、右轨高低不平顺数据和右轨轨 向不平顺数据。
3.根据权利要求1所述的一种基于NARX神经网络的轮轨力预测方法，其特征是所述轮轨力数据包括横向轮轨力数据和垂向轮轨力数据。
4.根据权利要求1所述的一种基于NARX神经网络的轮轨力预测方法，其特征是所述对轨道不平顺数据和轮轨力数据进行归一化处理具体利用公式^ = :X:n ;其中，Xi为轨max min道不平顺数据/轮轨力数据，Xfflin为轨道不平顺数据/轮轨力数据中的最小值，Xfflax为轨道不平顺数据/轮轨力数据中的最大值，i为大于等于1并且小于等于轨道检测车采集到的轨道不平顺数据总数的整数。
5.根据权利要求1所述的一种基于NARX神经网络的轮轨力预测方法，其特征是所述设定NARX神经网络预测模型具体是，设定NARX神经网络的中间层节点采用tan-sigmoid函数，输出层节点采用线性函数，输入层节点个数为4，中间层节点数目为15，输出层节点数目为1，输入延迟和输出延迟都为45。
6.根据权利要求1所述的一种基于NARX神经网络的轮轨力预测方法，其特征是所述训练NARX神经网络预测模型具体采用贝叶斯正则化算法训练NARX神经网络。
7.根据权利要求1所述的一种基于NARX神经网络的轮轨力预测方法，其特征是所述步骤7具体采用均方根误差法、曲线拟合法或者线性回归分析法评价NARX神经网络预测模型的性能；其中，均方根误差法具体利用公式—cy,=括Z;(yU)-ymU))2，y0)为测试样本中的轮轨力数据，ym(j)为测试后的轮轨力数据，N为测试样本数目；所述曲线拟合法是对测试样本中的轮轨力数据和测试后的轮轨力数据进行曲线拟合；所述线性回归分析法是对测试样本中的轮轨力数据和测试后的轮轨力数据进行线性回归分析。
全文摘要
本发明公开了铁路安全运行控制技术领域中的一种基于NARX神经网络的轮轨力预测方法。包括利用轨道检测车采集轨道不平顺数据；对轨道不平顺数据进行仿真，得到轮轨力数据；对轨道不平顺数据和轮轨力数据进行归一化处理；设定NARX神经网络预测模型；选取训练样本，训练NARX神经网络预测模型；选取测试样本，对训练好的NARX神经网络预测模型进行测试，输出测试后的轮轨力数据；对测试样本中的轮轨力数据和测试后的轮轨力数据进行分析，评价NARX神经网络预测模型的性能。本发明利用实测到的轨道不平顺数据，采用NARX神经网络模型，预测轮轨力，提高了铁路行车安全评价的准确性。
文档编号G06N3/08GK102360454SQ20111030816
公开日2012年2月22日 申请日期2011年10月12日 优先权日2011年10月12日
发明者刑宗义, 刘松, 周慧娟, 庞学苗, 秦勇, 程晓卿, 贾利民 申请人:北京交通大学