基于1D CNN和LSTM的高速列车小幅蛇行预测方法

摘要

随着我国铁路事业的快速发展，高速铁路里程快速增加，高速铁路的占比和车辆的运行速度越来越高。因此，对列车的运行状态进行监测及风险预警的重要性也日益凸显。　　高速列车的横向稳定性是影响车辆安全运行的关键因素。由于列车的轮对具有一定锥度，造成轮对产生绕着其运行轨道的中心线一边横移一边摇头的耦合运动，即蛇行运动。当列车速度超过临界值时，蛇行运动的振幅就会不断扩大，从而发生蛇行失稳。高速列车在运行期间发生蛇行失稳，可能对轨道造成损坏，甚至可能导致列车脱轨等严重事故。当列车处于高速运行状态时，容易发生幅度明显大于正常状态而又小于蛇行失稳阈值的小幅蛇行运动。小幅蛇行运动有小幅收敛和小幅发散两种演变方向，小幅蛇行发生后列车逐渐恢复到正常状态为小幅收敛，小幅蛇行发生后蛇行运动幅度继续扩大则为小幅发散。小幅蛇行运动会影响乘坐舒适性和加剧轮轨磨耗，它还可能预示列车将发生蛇行失稳，因为在蛇行失稳发生前往往会发生小幅蛇行运动。因此，对列车小幅蛇行运动的监测对于列车行车安全有着重要意义。　　本文以某型号高速列车的转向架为研究对象，展开对高速列车小幅蛇行的预测研究，旨在提高列车横向稳定性状态监测的准确性和时效性。本文主要研究内容为：　　(1)提出了基于一维卷积神经网络(One Dimensional Convolutional Neural Network,1DCNN)的高速列车小幅蛇行识别方法，该方法以列车构架横向加速度信号为输入，通过1DCNN局部特征学习能力自适应地提取加速度信号的特征，再通过全连接网络对特征进行分类。实验结果表明：当输入数据长度为300和400时，该方法的识别准确率达到100%。　　(2)为了提高监测系统对车辆横向稳定性的预警能力，提出了基于一维卷积神经网络和长短期记忆网络(LongShort-TermMemory,LSTM)的小幅蛇行预测方法，该方法在1DCNN的基础上加入了LSTM，通过1DCNN自动提取特征的同时利用LSTM学习加速度信号在时间维度的信息。实验结果表明：在提前0.6s时，该方法对蛇行失稳和正常状态的预测准确率均为100%，对小幅收敛和小幅发散的预测准确率分别为93.89%和91.11%；提前1.2s时，对正常状态的预测准确率为100%，对小幅收敛、小幅发散和蛇行失稳的预测准确率分别为83.33%、91.11%和95%。　　(3)为了进一步提高准确率，在基于1DCNN和LSTM的小幅蛇行预测模型的基础上，融合了三个传感器的横向加速度信号。为了对比不同融合方式的效果，分别建立了数据级、特征级和决策级融合模型。特征级融合模型中，根据融合不同层输出的特征，分别建立了融合1DCNN层输出、融合LSTM1层输出和融合LSTM2层输出三种特征级融合模型。实验结果显示：在提前0.6s时和提前1.2s时，融合1DCNN和LSTM1层输出的特征级融合模型的准确率高于只输入一个传感器数据时1DCNN+LSTM模型的准确率。

目录

声明

第 1 章 绪论

1.1 研究背景和意义

1.2 蛇行运动研究现状

1.3 神经网络用于故障诊断的研究现状

1.4 本文主要研究内容和结构安排

第 2 章基于 1D CNN 的高速列车小幅蛇行识别方法

2.1 BP 神经网络

2.1.1 神经元

2.1.2 神经网络层

2.2 卷积神经网络

2.2.1 卷积层

2.2.2 池化层

2.2.3 一维卷积神经网络

2.3.1 数据采集

2.3.2 数据预处理

2.3.3 样本选取

2.3.4 标签数据处理

2.4.1 模型结构

2.4.2 模型参数

2.5.1 实验环境

2.5.2 结果分析

2.6 本章小节

第 3 章 基于 1D CNN 和 LSTM 的高速列车小幅蛇行预测方法

3.1 循环神经网络

3.1.1 RNN

3.1.2 LSTM

3.2 Attention 机制

3.3.1 模型结构

3.3.2 模型参数

3.4 实验验证

3.4.1 数据截取

3.4.2 结果分析

3.5 本章小节

第 4 章基于信息融合的高速列车小幅蛇行预测方法

4.1.1 信息融合概述

4.1.2 D-S证据理论

4.2 融合方式

4.2.1 数据级融合

4.2.2 特征级融合

4.2.3 决策级融合

4.3 实验验证

4.4 列车蛇行运动智能监测系统

4.5 本章小结

总结与展望

致 谢

参考文献

攻读硕士学位期间发表的学术论文和参与的科研项目