一种基于深度学习的重载列车全域车钩力辨识方法

摘要: 本发明涉及轨道交通,尤其是涉及一种基于深度学习的重载列车全域车钩力辨识方法。背景技术:1、随着我国重载列车的不断发展,列车的载重与编组长度的持续提升,导致列车间...
一种基于深度学习的重载列车全域车钩力辨识方法

本发明涉及轨道交通,尤其是涉及一种基于深度学习的重载列车全域车钩力辨识方法。

背景技术:

1、随着我国重载列车的不断发展,列车的载重与编组长度的持续提升,导致列车间的纵向相互作用力呈几何级数急剧加剧,对列车纵向动力学控制提出了前所未有的严苛挑战。车钩力作为直接反映列车纵向动力学状态的核心指标,其实时变化规律不仅判断列车运行安全的“晴雨表”,更是实现纵向冲动精准管控的关键依据。实时掌握全域车钩力分布特征,能够为牵引制动系统的动态调整提供数据支撑,从源头规避因力值突变导致的部件损伤与安全事故的发生。

2、传统全域布设传感器监测车钩力的方案存在成本高、恶劣环境下可靠性不足与检修兼容性等缺点,且多因素耦合导致的车钩力强非线性、强关联性特征,使得车钩力沿列车编组的动态分布规律、传递衰减特性以及纵向冲动的触发与演化机理尚未被完全量化解析,难以实现对车钩力的精准捕捉与提前预判。因此,对重载列车车钩力进行系统性的机理研究与模型构建,实现车钩力的实时、精准、低成本监测,不仅是破解重载列车安全管控难题的迫切需求,更对降低运营维护成本、提升重载运输综合效益具有不可替代的重要意义。

3、因此,亟需一种基于深度学习的重载列车全域车钩力辨识方法,以有限测点的时序数据和空间位置信息为输入,实现关键测点到全域车钩力的精准预测,减少监测设备的安装、降低运营维护成本,提高重载运输综合效益。

技术实现思路

1、有鉴于此,本发明的目的在于提供一种基于深度学习的重载列车全域车钩力辨识方法,以实现通过有限测点的时序数据和空间位置信息为输入,实现关键测点到全域车钩力的精准预测。

2、第一方面,本发明实施例提供了一种基于深度学习的重载列车全域车钩力辨识方法,包括:

3、对传感器采集的车钩力时序数据进行多尺度一维卷积特征提取,经可学习权重系数加权融合后输出多尺度局部时序特征;

4、采用双向lstm网络对时序特征进行前向与逆向长程依赖建模,并经多头自注意力机制结合相对位置编码进行多子空间注意力计算,将双向lstm输出与多头自注意力输出经残差连接与层归一化融合后,再与多尺度局部时序特征拼接并映射至目标维度;

5、以列车编组物理拓扑为约束,通过多尺度空间注意力挖掘测点间空间关联并以相对距离物理先验修正注意力分数,根据测点位置索引生成动态邻接矩阵,以动态邻接矩阵为引导通过图卷积聚合空间特征,输出已知测点的时空融合特征;

6、基于空间注意力机制根据已知测点时空融合特征、位置坐标及目标位置坐标自适应分配贡献权重,插补生成全域车钩力。

7、可选的,多尺度一维卷积采用三个并行卷积分支,分别捕捉时序信号的瞬时变化特征、短期波动特征和中期趋势特征。

8、可选的,双向lstm网络为两层结构,隐藏层维度设为输入特征维度的一半,前向输出与反向输出拼接后恢复至输入特征维度。

9、可选的,多头自注意力机制将特征映射至h个子空间并行计算注意力权重,h为预设的正整数。

10、可选的,多尺度空间注意力采用不同卷积核大小的深度卷积分支并行提取不同空间尺度的测点特征,并通过注意力机制分支全局建模测点间关联,将各分支输出融合后得到多尺度空间注意力加权特征。

11、可选的,图卷积采用两级结构,第一级以动态邻接矩阵为左乘因子与空间注意力输出执行矩阵乘法,获得初步融合特征;第二级将初步融合特征与空间注意力输出沿特征维度拼接,经线性层映射及激活函数处理后,输出维度与空间注意力输出维度一致的已知测点时空融合特征。

12、可选的,贡献权重通过将目标位置与各测点位置的差值和方差拼接为二维特征,经mlp映射为高维特征并沿特征维度取均值转化为标量位置影响因子,将标量位置影响因子与基础注意力分数逐元素相加后经归一化生成。

13、可选的,多尺度空间注意力通过数值钳位将测点间相对距离差值约束在预设范围内,以适配不同列车编组长度。

14、第二方面,本发明实施例还提供一种重载列车全域车钩力辨识系统,系统包括:

15、第一提取单元,用于对传感器采集的车钩力时序数据进行多尺度一维卷积特征提取,经可学习权重系数加权融合后输出多尺度局部时序特征;

16、数据处理单元,用于采用双向lstm网络对时序特征进行前向与逆向长程依赖建模,并经多头自注意力机制结合相对位置编码进行多子空间注意力计算,将双向lstm输出与多头自注意力输出经残差连接与层归一化融合后,再与多尺度局部时序特征拼接并映射至目标维度;

17、第二提取单元,用于以列车编组物理拓扑为约束,通过多尺度空间注意力挖掘测点间空间关联并以相对距离物理先验修正注意力分数,根据测点位置索引生成动态邻接矩阵,以动态邻接矩阵为引导通过图卷积聚合空间特征,输出已知测点的时空融合特征;

18、生成单元,用于基于空间注意力机制根据已知测点时空融合特征、位置坐标及目标位置坐标自适应分配贡献权重,插补生成全域车钩力。

19、第三方面,本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质存储计算机指令,计算机指令使计算机执行如第一方面或第一方面任何一种实施方式中的一种基于深度学习的重载列车全域车钩力辨识方法。

20、本发明实施例带来了以下有益效果:

21、本发明实施例通过建立了以有限测点时序数据、空间位置信息为输入,融合列车纵向动力学物理先验与数据驱动优势,建立时域特征编码器、空间特征编码器和车钩力空间特征插补模型,通过时序特征提取、空间依赖建模与时空融合架构设计,实现从关键测点到全域车钩力的精准外推估算。

22、本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

23、为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。

1.一种基于深度学习的重载列车全域车钩力辨识方法,其特征在于,构建步骤如下:

2.根据权利要求1所述的一种基于深度学习的重载列车全域车钩力辨识方法,其特征在于,所述多尺度一维卷积采用三个并行卷积分支,分别捕捉时序信号的瞬时变化特征、短期波动特征和中期趋势特征。

3.根据权利要求1所述的一种基于深度学习的重载列车全域车钩力辨识方法,其特征在于,所述双向lstm网络为两层结构,隐藏层维度设为输入特征维度的一半,前向输出与反向输出拼接后恢复至输入特征维度。

4.根据权利要求1所述的一种基于深度学习的重载列车全域车钩力辨识方法,其特征在于,所述多头自注意力机制将特征映射至h个子空间并行计算注意力权重,h为预设的正整数。

5.根据权利要求1所述的一种基于深度学习的重载列车全域车钩力辨识方法,其特征在于,所述多尺度空间注意力采用不同卷积核大小的深度卷积分支并行提取不同空间尺度的测点特征,并通过注意力机制分支全局建模测点间关联,将各分支输出融合后得到多尺度空间注意力加权特征。

6.根据权利要求1所述的一种基于深度学习的重载列车全域车钩力辨识方法,其特征在于,所述图卷积采用两级结构,第一级以动态邻接矩阵为左乘因子与空间注意力输出执行矩阵乘法,获得初步融合特征;第二级将所述初步融合特征与所述空间注意力输出沿特征维度拼接,经线性层映射及激活函数处理后,输出维度与所述空间注意力输出维度一致的已知测点时空融合特征。

7.根据权利要求1所述的一种基于深度学习的重载列车全域车钩力辨识方法,其特征在于,所述贡献权重通过将目标位置与各测点位置的差值和方差拼接为二维特征,经mlp映射为高维特征并沿特征维度取均值转化为标量位置影响因子,将所述标量位置影响因子与基础注意力分数逐元素相加后经归一化生成。

8.根据权利要求1所述的一种基于深度学习的重载列车全域车钩力辨识方法,其特征在于,所述多尺度空间注意力通过数值钳位将测点间相对距离差值约束在预设范围内,以适配不同列车编组长度。