一种接触线磨耗参数的级联回归测量方法及系统与流程
本发明涉及电气化铁路接触网运维,具体涉及一种接触线磨耗参数的级联回归测量方法及系统。属于人工智能与轨道交通工程交叉。
背景技术:
1、接触线(又称接触网导线)是电气化铁路牵引供电系统的核心组成部分,通过受电弓滑板的滑动接触向电力机车传输电能。在列车长期运行过程中,受电弓滑板与接触线之间的机械摩擦与电火花烧蚀共同作用,导致接触线底部工作面逐渐磨损。当磨耗量超过允许限度时,接触线的机械强度和载流能力显著下降,严重时可能发生断线事故,直接危及行车安全。因此,定期、准确地测量接触线的磨耗参数(包括磨耗宽度、残余厚度、磨耗角度、圆角半径及高度差等),是接触网运维工作中保障供电安全的基础性环节。
2、目前,接触线磨耗参数的计算主要依赖基于激光扫描截面廓形的传统几何分析算法,其基本流程如下:首先,利用激光轮廓传感器采集接触线截面二维廓形散点数据,对数据进行去噪、归一化、排序等预处理;其次,采用滑动窗口法扫描廓形数据,通过极值搜索识别左右侧壁特征点(即圆弧段与直线段的过渡点),确定左右侧壁的边界位置;然后,对上包络线进行分段圆拟合(通常采用ransac或最小二乘法),确定接触线原始圆弧的圆心和半径参数;接着,在拟合圆的基础上,通过曲率分析或直线段检测方法提取磨耗直线段的起止点,并迭代剔除偏离拟合圆的异常点;最后,计算磨耗直线段两端点之间的欧氏距离作为磨耗宽度,通过七次多项式修正计算残余厚度,并计算磨耗角度和圆角半径等参数。
3、近年来,随着深度学习技术的快速发展,部分研究者开始探索将神经网络应用于接触网磨耗检测领域。例如,已有专利采用神经网络结合b样条插值方法进行接触线位置预测和磨损检测;另有方案利用深度学习算法实现接触网的三维重建以检测磨耗程度;还有采用深度学习技术建立接触线磨耗速率与其致因因素之间的关系研究;以及利用遗传算法优化bp神经网络进行接触网磨耗预测的尝试。
4、然而,上述传统几何分析算法和现有的神经网络方法仍存在以下明显的技术缺陷:
5、1.计算流程繁琐、处理效率低。传统几何分析算法需要对每帧廓形数据依次执行窗口扫描、极值搜索、圆拟合、曲率收缩迭代、异常点剔除、直线段提取等多个串行计算步骤,单帧处理时间较长。在需要对整条线路进行接触线磨耗普查(涉及数千至数万帧廓形数据)时,累计计算时间极为可观,成为工程应用中的效率瓶颈。
6、2.输入维度高、冗余大。原始廓形散点通常包括数百至上千个二维坐标点,若神经网络直接应用于廓形数据,会导致输入维度高、参数量大。此外,廓形的磨耗直线段区域存在大量冗余采样点,而关键的圆弧段和磨耗过渡区(曲率变化剧烈处)反而没有得到充分的特征表达,不利于网络对关键几何特征的提取和学习。
7、3.缺乏对磨耗区域的显式检测与聚焦机制。无论是传统几何分析方法还是现有的神经网络方法,均未设置独立的磨耗区域检测环节。以单一端到端回归架构直接映射时,网络需要同时从全局廓形中隐式学习“磨耗区域在哪”和“磨耗参数是多少”这两个性质不同的任务,增加了学习难度,限制了预测精度的进一步提升。
8、4.预测结果缺乏物理几何一致性。现有采用纯数据驱动的神经网络方法,其损失函数通常仅包含预测值与标签值之间的均方误差,不包括任何几何物理约束。网络可能输出在数学上拟合良好但物理上不一致的预测结果——例如预测的磨耗宽度、磨耗深度和原始圆弧半径之间不满足圆内接弦的几何关系,导致预测结果在工程中不可信。
9、5.对不同线型和磨损程度的适应性不足。传统算法中的窗口大小、曲率阈值、拟合点数等关键参数依赖人工经验设定,对不同型号接触线(如cuag150、cumg120等不同截面形状)和不同磨损阶段(从轻微磨损到严重磨损)的适应性有限,参数需要针对不同场景反复调试,自动化程度低。
10、基于上述现有技术的缺陷,亟需开发一种既能保持高计算精度,又能显著提高计算速度、降低输入维度、具备磨耗区域自动检测能力、保障预测结果物理一致性、且对多种线型和磨损阶段具有良好泛化能力的新型接触线磨耗参数测量方法。
技术实现思路
1、本发明的目的在于:针对目前存在的上述问题,提供了一种接触线磨耗参数的级联回归测量方法及系统,通过曲率自适应三次样条控制点提取实现廓形数据的高效压缩与几何特征保持,通过"注意力磨耗区域检测→lstm-bp磨耗参数回归"的两级级联网络架构实现检测与测量的任务解耦,通过融合几何一致性约束的多任务联合损失函数确保预测结果的物理合理性,从而在保持高计算精度的前提下,大幅缩短计算时间,降低输入维度,提升模型泛化能力,实现不同型号接触线在不同磨损阶段下全部磨耗参数的端到端快速、准确预测。
2、本发明的技术方案如下:
3、一种接触线磨耗参数的级联回归测量方法,包括以下步骤:
4、对接触线截面廓形散点进行三次样条拟合,根据曲率积分比例将总弧长划分为个区间,在每个区间内取曲率峰值位置作为控制点,获得固定数量的控制点序列;
5、将控制点序列输入第一级网络,通过多头自注意力机制对每个控制点输出磨耗段起点、磨耗段终点和非边界点的三类概率,根据概率确定磨耗区域的起止位置;
6、根据起止位置裁剪出磨耗区域内的控制点子序列,输入第二级lstm网络提取序列几何特征,再经全连接网络映射输出磨耗宽度、残余厚度、磨耗角度、圆角半径和高度差;
7、采用联合损失函数进行端到端训练,其中为各磨耗参数预测值与标签值的加权均方误差之和,为基于圆内接弦几何关系的约束项,为权重系数。
8、通过预先训练的级联神经网络替代传统几何分析算法的复杂串行计算过程,将磨耗参数计算从多步骤迭代转化为一次前向传播,单帧廓形处理时间较传统方法显著缩短,能够充分满足接触网智能运维对高通量数据处理的需求,有效突破了传统方法的效率瓶颈。同时,通过两级级联架构将“区域定位”与“参数测量”解耦,使网络能够分别优化两个子任务,相比单一端到端回归架构显著提升了预测精度。
9、进一步地,所述根据曲率积分比例将总弧长划分为个区间,在每个区间内取曲率峰值位置作为控制点,具体包括:
10、对预处理后廓形散点进行三次样条插值拟合,得到连续廓形曲线,其中为弧长参数;
11、计算各采样点的离散曲率,其中为连续廓形曲线在该点的切线斜率,为连续廓形曲线在该点的切线斜率的变化率;
12、第段样条区间分配的控制点数量由下式确定:
13、,
14、其中和分别为第段区间的起始弧长和结束弧长,为控制点总数。
15、将原始数百至上千个散点压缩为固定数量的控制点序列,输入维度降低一个数量级以上。由于曲率积分比例分配策略使控制点在曲率大的圆弧段和磨耗过渡区密集分布、在曲率小的磨耗直线段稀疏分布,能够在保留精细几何特征的同时消除冗余采样点,显著降低了模型的输入维度和参数量,加速了训练收敛并提升了模型鲁棒性。该步骤在传统几何分析算法的预处理阶段与现有方法形成了明确区分,奠定了后续网络处理的数据基础。
16、进一步地,所述通过多头自注意力机制对每个控制点输出磨耗段起点、磨耗段终点和非边界点的三类概率,具体包括:
17、控制点序列经正弦位置编码后输入多头自注意力层,通过下式计算注意力权重:
18、,
19、其中、、为控制点序列特征矩阵经可学习投影矩阵、、的线性投影,为每个注意力头的维度;
20、注意力层输出的全局上下文特征经两层全连接分类器后,通过softmax函数对每个控制点输出三类概率;
21、磨耗段起点索引,终点索引。
22、多头自注意力机制能够捕捉控制点之间的长程依赖关系,通过计算每个控制点与其他所有控制点之间的注意力权重,实现对磨耗区域边界的准确定位。该机制通过“磨耗区域起点、终点、非边界点”的三分类设计,使磨耗区域定位准确率达到较高水平,为第二级网络的精细化参数回归提供了精准的局部区域输入,避免了全局搜索带来的计算冗余和特征干扰。
23、进一步地,所述联合损失函数中,定义为:
24、
25、其中为各任务损失权重系数,为磨耗宽度的网络预测值,为磨耗宽度的真实标签值,为残余厚度的网络预测值,为残余厚度的真实标签值,为磨耗角度的网络预测值,为磨耗角度的真实标签值,为圆角半径的真实标签值,为左侧高度差的网络预测值,为左侧高度差的真实标签值,为右侧高度差的网络预测值,为右侧高度差的真实标签值。
26、通过单一网络同时优化六个磨耗参数的回归任务,实现了在一次前向传播中并行输出全部磨耗参数,无需逐参数分别建模或迭代计算,显著简化了应用流程。各任务独立设置损失权重系数,能够根据各参数的工程重要程度和量纲差异灵活调整监督强度,使网络训练过程更加稳定可控。该损失函数与几何约束损失函数协同作用,共同驱动网络参数向最优方向更新。
27、进一步地,所述联合损失函数中,定义为:
28、
29、其中为标准截面原始高度,为残余厚度的网络预测值,为磨损后圆角半径,为与接触线型号相关的常量偏置,为磨耗宽度,为圆角半径标称值,为权重系数;
30、第一项约束磨耗深度与磨耗宽度及原始圆弧半径满足圆内接弦几何关系,第二项约束圆角半径预测值不偏离标称值。
31、通过将磨耗深度、磨耗宽度与原始圆弧半径之间的圆内接弦几何关系嵌入损失函数,网络在训练过程中被引导学习满足物理规律的预测。推理阶段输出的各磨耗参数之间满足接触线截面固有的几何约束关系,避免了纯数据驱动方法可能出现的物理不一致问题——例如磨耗深度与磨耗宽度同时增大但二者之间不满足几何关系,或者预测值在数值上接近标签但在几何上不可达。几何一致性校验合格率较纯数据驱动方案显著提升,有效增强了预测结果在工程应用中的可信度。
32、进一步地,所述第二级lstm网络的前向传播过程为:
33、遗忘门;
34、输入门;
35、候选细胞状态;
36、细胞状态更新;
37、输出门;
38、隐藏状态;
39、其中为当前时刻输入,为上一时刻隐藏状态,为上一时刻细胞状态,为sigmoid激活函数,为逐元素乘积,、、、分别为遗忘门、输入门、单元状态更新和输出门的权值矩阵,、、、分别为对应的偏置项;
40、全连接网络采用relu激活函数:,其中为lstm最终时刻的隐藏状态。
41、lstm通过遗忘门、输入门和输出门的门控机制,能够选择性地保留和传递磨耗区域控制点序列中的几何特征信息,有效捕捉廓形数据作为一维有序点云所具有的天然顺序依赖性和局部连续性特征。relu激活函数的引入增强了全连接网络的非线性映射能力,使网络能够建立从几何特征到磨耗参数空间的高精度回归映射,相比全连接网络单独处理序列数据具有明显的精度优势。
42、进一步地,所述端到端训练的损失函数中还包括第一级网络的边界分类损失:
43、,
44、其中为第个控制点的真实类别标签的one-hot编码,为网络预测的类别概率;
45、总损失函数为,其中为分类损失权重系数;
46、训练过程中,回归损失和几何约束损失的梯度从各预测头经全连接层、lstm层回传至第一级网络的自注意力层和边界分类器,分类损失的梯度从边界分类器回传至自注意力层。
47、通过将分类损失与回归损失联合优化,第一级网络的注意力权重同时受到边界检测分类任务和最终参数回归任务的双重监督。回归损失的梯度从预测头经全连接层、lstm层回传至第一级网络的自注意力层和边界分类器,使第一级网络不仅学习“哪些控制点是磨耗区域边界”这一局部分类任务,还间接学习“裁剪出的子序列能否使第二级网络输出准确的磨耗参数”这一全局回归任务。这种协同优化机制使第一级网络的边界检测精度显著高于独立训练的第一级网络。
48、进一步地,所述根据起止位置裁剪出磨耗区域内的控制点子序列,具体包括:
49、设定lstm最大序列长度;
50、对于长度的子序列,在其末尾填充个零向量;
51、在lstm的每个时间步,根据掩码矩阵判断当前时间步是否为填充位,当为填充数据时跳过该时间步的状态更新;
52、lstm处理完个时间步后,取最后一个有效时间步的隐藏状态作为序列特征。
53、解决了不同廓形因磨损程度不同导致磨耗区域控制点数量不固定、无法直接批量输入lstm网络的技术难题。通过填充和掩码机制,任意长度的磨耗区域子序列均可统一为固定长度输入网络,且填充数据不影响lstm的特征提取。训练和推理阶段采用相同的处理策略,确保了模型在不同长度的磨耗区域子序列上均能正确提取特征,增强了方法的通用性和鲁棒性。
54、进一步地,所述磨耗参数包括:磨耗宽度、残余厚度、磨耗角度、圆角半径、左侧高度差和右侧高度差;
55、方法以全局综合误差e作为模型评价指标:
56、,
57、其中为测试集样本数量。
58、为磨耗宽度、残余厚度和磨耗角度三个关键参数提供了统一的评价尺度,解决了多参数预测精度难以综合比较的技术问题。该指标为网络训练过程中的模型选择和超参数优化提供了明确的量化依据,也为不同模型之间的性能对比提供了公平、统一的衡量标准。
59、本技术还包括一种接触线磨耗参数的级联回归测量系统,实现一种接触线磨耗参数的级联回归测量方法,包括:
60、廓形预处理与自适应样条编码模块,用于将接触线截面原始廓形散点数据经过去噪、归一化后,通过曲率自适应三次样条控制点提取单元转换为固定维度的控制点序列;
61、磨耗区域检测模块,包括位置编码单元、多头自注意力特征提取单元和磨耗区域边界分类预测单元,用于对控制点序列进行位置编码后提取全局上下文特征,预测每个控制点的类别概率以实现磨耗区域的自动检测与定位;
62、磨耗参数回归模块,包括磨耗区域特征裁剪单元、lstm序列特征提取单元和全连接非线性映射单元,用于在检测到的磨耗区域内提取序列几何特征并映射输出全部磨耗参数;
63、多任务输出与几何一致性校验模块,包括多个独立的预测头和几何一致性校验单元,用于并行预测全部磨耗参数并检查参数之间的物理几何一致性。
64、与现有的技术相比本发明的有益效果是:
65、1、本技术通过预先训练的级联神经网络替代传统几何分析算法的复杂串行计算过程,将磨耗参数计算从多步骤迭代转化为一次前向传播。经实际测试验证,单帧廓形处理时间较传统几何分析算法显著缩短,在需要对整条线路大量廓形数据进行批量磨耗普查时,累计节省的计算时间极为可观,能够充分满足接触网智能运维对高通量数据处理的需求,有效突破了传统方法的效率瓶颈。
66、2、本技术通过曲率自适应三次样条控制点提取,将原始数百至上千个散点压缩为固定数量的控制点序列,输入维度降低一个数量级以上。相比均匀采样策略,曲率自适应采样通过使控制点在圆弧段和磨耗过渡区等几何变化剧烈的关键区域密集分布,在保留精细几何特征的同时消除了磨耗直线段的冗余采样点,显著降低了模型的输入维度和参数量,加速了训练收敛并提升了模型鲁棒性。
67、3、本技术通过第一级注意力网络显式检测磨耗区域边界,第二级lstm-bp网络在限定的磨耗区域内进行精细化参数回归,将“磨耗区域定位”和“磨耗参数测量”两个不同性质的任务解耦。相比取消检测模块、将全部控制点直接输入回归网络的方案,本技术级联架构的预测误差显著降低。这种级联设计使网络能够分别优化两个子任务——第一级网络专注边界检测,第二级网络专注参数回归,实现了“先检测后测量”的渐进式计算范式,相比单一端到端回归架构,显著提升了磨耗参数的预测精度。
68、4、本技术通过在损失函数中引入磨耗深度-宽度-半径的圆内接弦几何关系约束和圆角半径偏差约束,网络在训练过程中被引导学习满足物理规律的预测。相比取消几何约束损失、仅使用多任务均方误差的方案,本技术将几何一致性合格率显著提升。推理阶段输出的各磨耗参数之间满足接触线截面固有的几何约束关系,避免了纯数据驱动方法可能出现的物理不一致问题(如磨耗深度与磨耗宽度不满足圆内接弦几何关系),有效提升了预测结果在工程应用中的可信度。
69、5、本技术利用覆盖多种常见型号和多种磨损阶段(从新线轻微磨损到接近报废极限的严重磨损)的样本训练模型,使网络从多样化数据中自动学习廓形几何与磨耗参数之间的通用映射规律。在不同型号接触线和不同磨损阶段的测试子集上,模型均能保持稳定的预测精度,对未见过的线型和磨损状态均能保持较高预测精度,无需针对不同场景单独调整参数,具有较强的工程实用价值。
70、6、用户只需输入接触线廓形散点坐标,系统自动完成样条压缩、区域检测、特征提取和多参数回归的全流程,在一次前向传播中并行输出磨耗宽度、残余厚度、磨耗角度、圆角半径和左右侧高度差等全部磨耗参数,无需逐参数分别建模或迭代计算,无需中间人工干预或参数调试,显著降低了应用门槛和操作复杂度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com