铁路轨道状态检测数据处理智能分析方法

这是一个 BP 网络 , 最上面的是输入层 , 最下面 的是输出层, 各层与上一层和下一层之间全互连 , 每个 神经元都采用 S 形函数作为输出输入的映射函数, 学 习算法是下面将述及的反向传播算法。 2. 4 神经网络的数学分析 输出节点的实际输出 ol
[ 3]
它的微分是 f ′ ( x ) = f ( x ) ( 1- f ( x ) )
Abstract: T his paper gives som e primary discussion abo ut met hodol ogy of t he int el lig ent analy sis of t rack g eo met ry condit io n based on ar tif icial neural net w ork under t he pr act ical backgr ound in maint enance depart ment . A so ft w are sy st em is ex plo it ed w hich can repr ocess and cl assif y t he dat a fro m t he t rack r ecording car and giv e scient ific and reasonable evaluat ion aut om at icall y. T he paper discusses t he methodolog y o f art if icial neural net w ork and the dat a str ucture of t rack g eo met ry recording car . Back P ropag ation alg orit hm are also analyzed and illust rat ed . F inally , t he t rack geomet ry r ecording data f rom Jing -Jiu railw ay on M ay 23, 2000 are used as an inst ance t o test t he application and eff ect iv eness of t he intelligent analy sis met hod. Keywords: ar tif icial neural net w ork; tr ack reco rding car; Back Pr opag at ion alg orit hm 年代就开始对轨道不平顺状态电算化管理技术进行研 究 , 并取得许多成果[ 1, 2] 。本文将人工神经网络理论引 入到轨道几何状态检测分析中 , 这种应用无疑是一种 有意义的探索。因为这种人工智能方法可以模拟人们 低层的思维模式, 善于解决模式识别、 模式聚 类等问 题 , 因此在一些很难定量分析的领域都可以尝试使用 这种方法。
阈值 的调整过程如下 对于输出节点Hale Waihona Puke Baidu
l
( k + 1) =
l
l
( k) +
l
l
=
E
l
=
对于隐含节点
i
( k + 1) =
i
i
( k) + ′ i′
i
=
′
E
i
=
图 1 网络的拓扑结构
式中, k 是表示一个重复的次数 ; l 、i 为在输出层 l 节 点的阈值和隐含层 i 节点的阈值。 前面已提及采用 S 形函数作为输出输入的映射 函数 f ( x) = 1 1 - e- x
p
络的输入, 经过计算, 输出即为分类的模式。
Ek = ek =
∑e
k= 1 k l
k
≤
k
t - ol
式 中, p 是参与训练样本 ( x ( k ) ) 的数量, t 是 目标输 出 , 对每个训练样本来说是 ( x ( k ) , t( k ) ) 。 2. 5 网络的运行 网络的运行分成两个主要的阶段: 训练阶段和运 行阶段。 在训练阶段, 把一些采集好的并且已经归类好 的数据按照前面的方法进行编码输入到网络进行反复 迭代计算, 直到结果满意时为止 , 训练好的网络所有信 息都集中存储到了网络的权重之中。 在运行阶段 , 把所 获得的数据输入到神经元的网络的输入层 , 利用已经 训练好的网络的权值计算出相应的输出值 , 注意这时 网络的输出值是 [ 0, 1] 区间中的数 , 因为 S 形函数是 把任意一个实数压缩到 [ 0, 1] 区间上 , 因此要按四舍五 入的原则把这些小数变成 0 或者 1, 从而确定这组输 入数据所对应的分类。
1 引言
铁路基础设施中最重要的设备无疑是铁路轨道 , 对轨道状况及时进行检查是做好维修养护工 作的关 键 , 其中动态检查尤为重要。轨道动态检查是由部、 局 的轨道检查车完成的 , 并通过轨检车数据处理软件给 出三级分结果。在实际工作中 , 对检查取得的原始数 据 , 由于处理、 分析的工作层面角度不同, 致使其指导 维修计划的作用远不如考核的作用大, 弱化了服务于 线路维修的应用功能。 因此 , 如何更有效地对轨检车检 查数据进行整理、 分析, 综合各种影响因素 , 准确反映 出轨道实际状况需要 , 更好地发挥轨检车应有的检查 指导功能 , 是力图要解决的问题。我国早在 20 世纪 80
Intelligent analysis of track geometry condition recording data
CHEN Feng 1 , ZHANG Jiang 1, ZHU Yao-bin 2
( 1 Schoo l o f Civil & Ar chitectur e Eng ineering , N o rt her n Jiaoto ng U niver sity , Beijing 100044, China; 2 Beijing-Xi T rack M aint enance Div isio n, Beijing Railw ay Administr ation, Beijing 100055, China)
94
铁 道 学 报
第 23 卷
这样 f′ ( netk ) = f ( netk ) ( 1- f ( netk ) ) 对于输出节点 o l = f ( netl ) f′ ( netl ) = o l ( 1 - o l ) 对于隐含节点 f′ ( neti ) = y i ( 1 - y i ) 对于整个网络和全部样本 p 来说, 误差 E k 为
f
T
式中, D 表示采集的数据集合 , 即区间段统计结果, 它
第5 期
铁 路轨道状态检测数据处理智能分析方法
93
D = { d 1 , d 2 , d 3, …, d 7 ) d i = ( ds i 1 , dsi 2 , ds i 3, ds i 4) , ds ij ∈ ( 0, + ∞) , i = 1 ～ 7, j = 1 ～ 4} 显然集合 D 中的每一个元素都是一个 7 维的向 量 , 它们分别表示高低、 轨向、 轨距、 水平、 三角坑、 垂直 加速度和水平加速度。而每个向量又都是一个 4 维向 量表示 4 种级别。因而就是在这 7 组数据上进行分类 工作。 T 表示分类的类别集合 , 在这里有 4 种类别 , 为 T = { t 1 , t 2 , … , t 4} 它们分别表示合格、 较合格 ( 应适当进行检修) 、 不 合格( 应进行检修 ) 、 严重破坏( 应立即修理 ) 4 种状态。 f 就是从 D 到 T 的映射, 需要做的就是找出这个 映射关系, 通过人工神经元网络的机制模拟出来。 2. 2 数据信息编码 通过上一步的问题描述可知 , 就是要找到一个集 合 D ∈ R 到集合 T ∈ { 0, 1} 的映射 , 所以无需理会数 据的具体含义, 只要把集合 D 中的数据原封不动的作 为网络的输入 , 而对于 T 集合中的数据要进行编码 , 因为 BP 网络[ 3] 对于分类问题有很好的应用效果 , 而 BP 一般选用的映射函数 f 是 S 形函数, 知道它的值 域是 [ 0, 1] , 因此用一串 4 位的二进制数对集合 T 中 的元素进行编码。 2. 3 神经网络模型 在把问题很好的表征和编码以后, 就可以建立神 经元网络模型了。这里用一个有 28 个输入节点、 4个 输出节点的网络, 经反复试验, 选用了一层隐 含层节 点 , 它含有 8 个神经元, 经测试其收敛速度是最快的 , 网络的拓扑结构如图 1 所示。
第 23 卷 第 5 期 2 0 0 1 年 10 月
铁 道 学 报 JO U RN A L OF T HE CHI NA R AI LW A Y SO CIET Y
V o l. 23 N o . 5 O cto ber 2001
文章编号 : 10018360( 2001) 05-009204
i
) -
l
))2
这个误差 E 是用来调整反馈到输出层连接的权重。在 调整过程中对于输出节点 T li ( k + 1) = T li ( k ) + 式中, T li = T li E = ly i T li l = ( t l- ol ) f ′ 其中, ( neti ) 对隐节点层, 权重调整按下式进行 W ij ( k + 1) = W ij ( k ) + 式中, 其中, E W ij = - ′ W ij E = - i′ xj W ij i′ = f′ ( neti ) l T li W ij
收稿日期 : 2001-02-10; 修回日期 : 2001-06-25 基金项目 : 铁道部科技发展计划项目 ( 96F03) 作者简介 : 陈 峰 ( 1962— ) , 男 , 内蒙古呼和浩特人 , 副教授 , 硕士。
2 用于轨检数据自动分类的 BP 网络模型
2. 1 问题描述 轨检车数据的分类工作实质上就是要完成一个复 杂的非线性的映射 , 映射可以描述成下述模型 D 可以写成
铁路轨道状态检测数据处理智能分析方法
陈 峰 , 张 江 , 朱耀斌
1 1 2
( 1 北方交通大学 土木建筑工程学院 , 北京 100044; 2 北京铁路局 北京西工务段 , 北京 100055) 摘 要 : 从工务部门实际应用背景出发 , 提出了用人工神 经网络理论对目前铁路轨检数据进行再次处理的智能分 析方法 , 并编制了相应 的软件系统 , 该系统可以对由 轨检车测得的数据进 行再次处理并作出 智能的模式归类 , 给 出合理的评价。文章讨论了人工神经网络 方法、 轨检 车数据的数据结构 , 并对 BP 反向传播网络的 算法进行了分 析介绍。最后 , 以京九铁路上行线 2000 年 5 月 23 日的轨检 数据为实例进行了实例分析。 关键词 : 人工神经网络 ; 轨检车 ; BP 算法 中图分类号 : T P183; U 213. 213 文献标识码 : A
28 4
ol = f ( ∑T li y i i
l
) = f ( netl )
net l =
∑T
i j
li
yi -
l
隐节点的输出 y i y i = f ( ∑W ij x j neti =
i
) = f ( neti )
∑W
j
ij
xj -
i
这里, x j 为输入层第 j 个节点的输出 ; W ij 为隐节点层 第 j 个节点与输入层第 i 个节点之间的连接权重; y i 为输入层第 i 个节点的输出 ; T li 为输出层节点 l 与隐 节点层节点 j 的连接权重 ; l 、i 为输出节点和隐含节 点调整过程的阈值。 误差 E 被定义为以下公式 E= 1 2 ( tl - o l ) = 2 1 ( tl - f ( ∑T li f ( ∑W ij x j 2 i j
图 2 训练次数与样本误差的对应关系
在网络能具体应用之前先要对网络进行训练, 为 了达到能够精确分类的程度, 选取每个神经元的输出 误差控制在 0. 2 左右 , 并小于 0. 3, 这样的精度足够。 根据误差的计算公式 , 每个样本的训练总误差要达到 0. 08, 作者使用了京广线上行 2000 年 5 月 25 日、 京广 线下行 2000 年 5 月 23 日等多组的实际轨检数据对网 络进行训练 , 每次训练中样本数为 2 011 个 , 一共进行 了 14 450 次训练, 网络的平均误差终于可以降到接近 这个数 , 而如果再让误差降低, 则很可能出现 震动现 象。训练次数与样本误差的对应关系如图 2 所示。在 图 2 中 , 横坐标是训练的次数, 纵坐标样本误差 ES 是 每个样本误差的平均值乘以 2 再开方。