基于CNN-Bi-LSTM的高速铁路轨道不规则识别方法
Jinsong Yang1, Jinzhao Liu1, Jianfeng Guo1
1Infrastructure Inspection Research Institute, China Academy of Railway Sciences, Beijing 100081, China.
Sensors (Basel, Switzerland)
|May 11, 2024
概括
这项研究引入了一种新的方法,用于识别高速列车中的轨道不规则,使用车身加速. 该CNN-Bi-LSTM模型准确地预测了轨道状况,提高了运营安全.
科学领域:
- 铁路工程 铁路工程是指铁路工程.
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 轨道平滑对于高速列车安全至关重要.
- 现有的轨道不规则检测方法需要不断改进.
研究的目的:
- 开发一个准确的轨道不规则识别方法,使用随时可用的车身加速数据.
- 为使用常规车辆检测轨道不规则提供基础.
主要方法:
- 使用车身加速序列作为输入和相应的轨道不规则序列作为输出构建了一个数据集.
- 霍德里克·普雷斯科特过器 (HP过) 算法被用来提取不规则数据的波动趋势.
- 一个卷积神经网络-双向长期短期记忆 (CNN-Bi-LSTM) 网络被用于特征提取和点对点的不规则预测.
- 提出了一种新的损失函数,即指数加权内拟合平均平方误差 (EIF-MSE),以提高大值的预测准确度并减少错误报警.
主要成果:
- 该CNN-Bi-LSTM模型证明了从汽车车身加速数据中有效地提取特征.
- 拟议的EIF-MSE损失函数提高了预测重大轨道不规则的准确性.
- 该模型成功地减少了在轨道不规则检测中错误报警的风险.
结论:
- 开发的CNN-Bi-LSTM模型提供了一种可行的方法,用于使用汽车车身加速来识别轨道不规则.
- 该方法使用模拟和真实世界高速铁路数据进行了验证.
- 这项研究为开发常规车辆轨道不规则识别系统提供了有希望的方向.
