详情

原文传递一种基于证据推理规则的轨道高低不平顺幅值估计方法

专利名称：	一种基于证据推理规则的轨道高低不平顺幅值估计方法
摘要：	本发明涉及一种基于证据推理规则的轨道高低不平顺幅值估计方法，属于轨道交通安全运行维护领域。该方法从轨检车获取车轴和车体的频域特征信号及高低不平顺幅值；确定输入特征和不平顺幅值的参考值，计算样本的综合相似度分布；构造反映输入与不平顺幅值之间关系的投点统计表，并转换得到输入的证据矩阵表；确定输入信息源的可靠性；利用证据推理规则融合样本输入激活的证据并从融合结果推理高低不平顺幅值；构建优化模型训练参数，基于最优参数集合即可推理测试样本的轨道高低不平顺幅值。该方法能通过安装在普通列车上的传感器获得的振动信号有效估计轨道高低不平顺估计值，成本低，精度高，从而实现了轨道高低不平顺幅值的实时监测。
专利类型：	发明
国家地区组织代码：	浙江;33
申请人：	杭州电子科技大学
发明人：	郑进;徐晓滨
专利状态：	有效
申请日期：	2016-04-27T00:00:00+0800
发布日期：	2019-01-01T00:00:00+0800
申请号：	CN201610274162.3
公开号：	CN105923014A
代理机构：	浙江杭州金通专利事务所有限公司 33100
代理人：	王佳健
分类号：	B61K9/08(2006.01)I
申请人地址：	310018 浙江省杭州市下沙高教园区2号大街
主权项：	一种基于证据推理规则的轨道高低不平顺幅值估计方法，其特征在于该方法包括以下步骤：(1)设定GJ?4型轨检车安装在车轴与车体上的加速度计获得车轴和车厢位置的时域振动加速度信号为r 1 (t)和r 2 (t)，其单位为G(重力加速度，9.8m/s 2 )，轨检车以100?120km/h的时速，每隔0.15?0.3m采样一次加速度振动信号，共采集T S 次，一般T S >5000，则采样时刻t＝1,2,…,T S ；设轨检车在采样时刻t利用惯性测量方法测得垂直位移为d(t)，其单位为mm；(2)将步骤(1)中每个采样时刻的时域振动加速度信号r 1 (t)和r 2 (t)分别以5.25m的窗口长度进行短时傅里叶变换，然后求得各频域幅值绝对值的平均值作为车轴和车体的频域特征信号f 1 (t)和f 2 (t)，其中分别为输入特征信号f 1 (t)和f 2 (t)的最小和最大值；将垂直位移d(t)取绝对值记为Ir(t)，Ir(t)∈[l 1 ，l 2 ]，其中l 1 和l 2 分别是Ir(t)的最小和最大值；将f 1 (t)、f 2 (t)和Ir(t)表示成样本集合S＝{[f 1 (t),f 2 (t),Ir(t)]\|t＝1,2,…,T S }，其中[f 1 (t),f 2 (t),Ir(t)]为一个样本向量；(3)设定轨道高低不平顺幅值Ir的结果参考值集合D＝{D n \|n＝1,…,N}，频域振动信号f i 的输入参考值集合 N为轨道高低不平顺幅值的结果参考值Ir的个数，J i 为频域振动信号f i 的参考值个数；(4)将T个样本向量[f 1 (t),f 2 (t),Ir(t)]中的样本对(f i (t),Ir(t))分别用定性信息转换方法变化为关于参考值相似度的形式，具体步骤如下：(4?1)样本对(f i (t),Ir(t))的输入值f i (t)匹配参考值的相似度分布为 S I ( f i ( t ) ) = { ( A j i , α i , j ) \| j = 1 , ... , J i ; i = 1 , 2 } - - - ( 1 a ) ]]> 其中 α i , j = A j + 1 i - f i ( t ) A j + 1 i - A j i , α i , j + 1 = 1 - α i , j A j i ≤ f i ( t ) ≤ A j + 1 i - - - ( 1 b ) ]]> α i,j' ＝0 j'＝1,...,J i ,j'≠j,j+1 (1c)α i,j 表示输入值f i (t)匹配参考值的相似度；(4?2)样本对(f i (t),Ir(t))的结果值Ir(t)匹配参考值D n 的相似度分布为S O (Ir(t))＝{(D n ,γ n )\|n＝1,...,N} (2a)其中 γ n = D n + 1 - I r ( t ) D n + 1 - D n , γ n + 1 = 1 - γ n D n ≤ I r ( t ) ≤ D n + 1 - - - ( 2 b ) ]]> γ n' ＝0 n'＝1,...,N,n'≠n,n+1 (2c)γ n 表示结果值Ir(t)匹配参考值D n 的相似度；(4?3)根据步骤(4?1)和步骤(4?2)，样本对(f i (t),Ir(t))可以被转化地表示为相似度分布的形式(α i,j γ n ,α i,j+1 γ n ,α i,j γ n+1 ,α i,j+1 γ n+1 )，其中，α i,j γ n 表示样本对(f i (t),Ir(t))中输入值匹配参考值同时结果值Ir(t)匹配参考值D n 的综合相似度；(5)根据步骤(4)，将样本集S中的所有样本对转化为综合相似度的形式，用它们可构造结果参考值和输入参考值之间的投点统计表，如下表1所示，其中a n,j 表示所有输入值f i (t)匹配参考值并且结果值Ir(t)匹配参考值D n 的样本对(f i (t),Ir(t))综合相似度的和，表示所有结果值Ir(t)匹配参考值D n 的样本对综合相似度的和，表示所有输入值f i (t)匹配参考值的样本对综合相似度的和，并有表1 样本对(f i (t),Ir(t))的投点统计表 (6)根据步骤(5)中的投点统计表，可获得当输入值f i (t)取参考值时，结果值Ir(t)为参考值D n 的信度为 β n , j i = a n , j / δ n Σ k = 1 N ( a k , j / δ k ) - - - ( 3 ) ]]> 并有则可定义对应于参考值的证据为 e j i = [ β 1 , j i , β 2 , j i , ... , β N , j i ] - - - ( 4 ) ]]> 因此，可构造出如表2所示的证据矩阵表来描述输入f i 和结果Ir之间的关系；表2 输入f i 的证据矩阵表 (7)定义证据的可靠性r i 描述输入信息源f i 评估轨道高低不平顺幅值Ir的能力，具体获取步骤如下：(7?1)定义输入值f i (t)与结果值Ir(t)的相对变化值为 Cf i ( t ) = f i ( t ) m a x t , t ∈ { 1 , 2 , ... , T s } ( f i ( t ) ) - - - ( 5 ) ]]> C I r ( t ) = I r ( t ) m a x t , t ∈ { 1 , 2 , ... , T s } ( I r ( t ) ) - - - ( 6 ) ]]> (7?2)根据(7?1)定义的相对变化值，可获取反映输入特征信号与不平顺幅值变化趋势的评价因子为 af i = Σ t = 1 T s \| C I r ( t ) - Cf i ( t ) \| - - - ( 7 ) ]]> (7?3)根据(7?2)获得的评价因子，可由下式计算输入信息源f i 的可靠性 r i = m i n k , k ∈ { 1 , 2 } ( af k ) af i - - - ( 8 ) ]]> (8)给定样本集中的任意一组输入样本向量F(t)＝(f 1 (t),f 2 (t))，根据步骤(6)获得的输入证据矩阵表和步骤(7)获得的输入信息源可靠性，可利用证据推理规则推理出初始的轨道高低不平顺估计值具体步骤如下：(8?1)对于输入值f i (t)，其必然落入某两个参考值构成的区间此时这两个参考值对应的证据和被激活，则输入值f i (t)的证据可由参考值证据和以加权和的形式获得e i ＝{(D n ,p n,i ),n＝1,...,N} (9a) p n , i = α i , j β n , j i + α i , j + 1 β n , j + 1 i - - - ( 9 b ) ]]> (8?2)利用式(9a)和式(9b)获得f 1 (t)和f 2 (t)的证据e 1 和e 2 ，并设定初始证据权重w i ＝r i ，利用证据推理规则对它们进行融合，得到融合结果为O(F(t))＝{(D n ,p n,e(2) ),n＝1,...,N} (10a) p n , e ( 2 ) = m ^ n , e ( 2 ) Σ k ⊆ D m ^ k , e ( 2 ) m ^ n , e ( 2 ) = [ ( 1 - r 2 ) m n , 1 + ( 1 - r 1 ) m n , 2 ] + Σ B ∩ C = n m B , 1 m C , 2 - - - ( 10 b ) ]]> (8?3)根据步骤(8?2)得到融合结果O(F(t))，估计的高低不平顺幅值可由下式推理得到 I ^ r ( t ) = Σ n = 1 N D n p n , e ( 2 ) - - - ( 11 ) ]]> (9)基于均方误差构建参数优化模型，具体步骤如下：(9?1)确定优化参数集合 w i 表示证据的权重，其他参数分别设定为D 1 ＝l 1 ,D N ＝l 2 , (9?2)将最小化均方误差作为优化目标函数 min P ξ ( P ) = 1 T s Σ t = 1 T s ( I ^ r ( t ) - I r ( t ) ) 2 - - - ( 12 a ) ]]> s.t. 0≤w i ≤1,i＝1,2 (12b) A j - 1 i < A j i < A j + 1 i , j = 2 , ... , J i - 1 - - - ( 12 c ) ]]> D 2 <D 3 <…<D N?1 (12d)式(12b)?(12d)表示优化参数需满足的约束条件；(9?3)利用基于梯度的方法或者非线性优化软件包，获得最优的参数集合P，从现行列车车轴和车体上安装的加速度计采集输入特征信号，将其利用步骤(2)处理，再一次重复步骤(4)～步骤(8)即可得到更为精确的轨道高低不平顺估计值
所属类别：	发明专利