基于多傳感器數(shù)據(jù)融合的道岔區(qū)脫軌系數(shù)預(yù)測(cè)算法

楊桐，董昱

基于多傳感器數(shù)據(jù)融合的道岔區(qū)脫軌系數(shù)預(yù)測(cè)算法

楊桐，董昱

(蘭州交通大學(xué) 自動(dòng)化與電氣工程學(xué)院，甘肅 蘭州 730070)

針對(duì)目前車輛脫軌多發(fā)生在道岔區(qū)段，且現(xiàn)有脫軌評(píng)判方式考慮因素單一,不能全面評(píng)判輪軌接觸安全性的問(wèn)題，提出一種基于多傳感器數(shù)據(jù)融合的道岔區(qū)脫軌系數(shù)預(yù)測(cè)算法。通過(guò)T-snake模型對(duì)車載攝像機(jī)獲取的9號(hào)道岔區(qū)輪軌接觸圖像進(jìn)行圖像分割得到輪軌相對(duì)橫向位移量；選用遺傳算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)構(gòu)建融合模型，輸入相對(duì)位移量，速度量，加速度量以及輪重減載率進(jìn)行數(shù)據(jù)融合預(yù)測(cè)脫軌系數(shù)?，F(xiàn)場(chǎng)測(cè)試結(jié)果顯示，利用該方法的預(yù)測(cè)脫軌系數(shù)模型考慮因素較為全面，且具有良好的精確性和魯棒性。

脫軌；鐵路道岔；數(shù)據(jù)融合；脫軌系數(shù)預(yù)測(cè)

道岔是鐵路線路上的列車改變運(yùn)行方向的關(guān)鍵部分，道岔區(qū)段輪軌關(guān)系較線路區(qū)段更加復(fù)雜，車輛脫軌事故頻繁發(fā)生于道岔區(qū)段。因此，道岔區(qū)段的行車安全性更值得關(guān)注。鐵路應(yīng)用IEC 62290-1：2014標(biāo)準(zhǔn)文件中自動(dòng)化程度最高等級(jí)GOA4定義為設(shè)備監(jiān)控?；诖?，通過(guò)多傳感器數(shù)據(jù)融合方式研究道岔區(qū)段的行車安全，具有重要的現(xiàn)實(shí)意義[1?4]。目前，機(jī)器視覺(jué)活躍應(yīng)用于各個(gè)領(lǐng)域。但近年來(lái)國(guó)內(nèi)外學(xué)者多由輪軌接觸模型通過(guò)動(dòng)力學(xué)仿真來(lái)研究道岔區(qū)段的脫軌機(jī)理，在機(jī)器視覺(jué)多傳感器數(shù)據(jù)融合方面考慮因素單一，檢測(cè)精度低。馬曉川等[5]根據(jù)基本軌與尖軌的相對(duì)位置及軌下支撐方式，分析輪軌接觸特性，提出鐵路道岔區(qū)輪軌兩點(diǎn)接觸計(jì)算方法。XU等[6]在考慮尖軌和基本軌的相對(duì)運(yùn)動(dòng)基礎(chǔ)上，構(gòu)建道岔有限元模型，通過(guò)動(dòng)力學(xué)仿真軟件研究輪軌接觸關(guān)系。張鵬飛等[7]基于岔區(qū)輪軌系統(tǒng)動(dòng)力學(xué)及輪軌接觸關(guān)系理論，研究了固定轍叉結(jié)構(gòu)不平順對(duì)列車過(guò)岔動(dòng)力特性的影響。王永勝等[8]提出了一種基于改進(jìn)分水嶺算法的彩色踏面圖像分割方法，基于彩色梯度圖像進(jìn)行標(biāo)記，由分水嶺變換得到一次分割結(jié)果，通過(guò)圖像連通域分割算法完成踏面的提取。陳皓等[9]提出了一種NARX神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)脫軌系數(shù)的模型，但僅以軌道不平順因素作為輸入，存在考慮角度單一的問(wèn)題。劉俊君等[10]提出了改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法仿真預(yù)測(cè)脫軌系數(shù)的模型。輸入為橫移量，抬升量，速度值及接觸角，未考慮加速度值且輸入數(shù)據(jù)為仿真值，預(yù)測(cè)出的系數(shù)實(shí)際應(yīng)用價(jià)值低。本文通過(guò)研究道岔區(qū)輪軌接觸幾何關(guān)系，以軌頂面中心線和踏面中心線的相對(duì)位移差為評(píng)判標(biāo)準(zhǔn)，確定了輪軌接觸安全等級(jí)分類標(biāo)準(zhǔn)。通過(guò)圖像分割對(duì)車載攝像機(jī)獲取的輪軌接觸區(qū)域圖像幀進(jìn)行特征提取，融合多傳感器數(shù)據(jù)量作為小波神經(jīng)網(wǎng)絡(luò)的輸入值預(yù)測(cè)出脫軌系數(shù)。多傳感器數(shù)據(jù)融合算法架構(gòu)如圖1所示。 如圖1，輪對(duì)和鋼軌的接觸屬于空間接觸，且接觸面不規(guī)則。由于輪軌過(guò)垂線的截面與鋼軌過(guò)垂線的截面在同一平面內(nèi)，因此可將三維接觸轉(zhuǎn)換為二維接觸進(jìn)行處理。首先，研究道岔區(qū)域輪軌間的幾何接觸關(guān)系，根據(jù)位移量確定出安全等級(jí)分類標(biāo)準(zhǔn)；然后，對(duì)車載攝像機(jī)獲取的圖像幀進(jìn)行位移量特征提取。接著，建立多傳感器數(shù)據(jù)融合模型，輸入為位移量、速度、加速度和輪重減載率。根據(jù)遺傳算法對(duì)融合模型網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化。最后，由優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型輸出預(yù)測(cè)的脫軌系數(shù)來(lái)評(píng)價(jià)列車過(guò)叉安全性。

圖1 多傳感器數(shù)據(jù)融合算法架構(gòu)

1 道岔區(qū)域輪軌接觸幾何關(guān)系

在鐵路道岔轉(zhuǎn)轍器部件內(nèi)，車輪荷載由尖軌和基本軌共同承擔(dān)。由于尖軌橫截面幾何形態(tài)的可變性導(dǎo)致輪軌接觸關(guān)系復(fù)雜。根據(jù)基本軌與尖軌的相對(duì)位置及軌下支撐方式，以中國(guó)9號(hào)單開道岔為例，分析對(duì)比CHN60鋼軌和磨損型LMA踏面匹配時(shí)的接觸幾何關(guān)系。LMA型踏面輪緣如圖2(a)所示，不同斷面處尖軌(軌頂寬分別為25，35和55 mm)與基本軌的空間位置關(guān)系如圖2(b)，2(c)和2(d)所示。道岔區(qū)輪軌接觸幾何關(guān)系圖如圖3所示(以軌頂面35 mm為例)。

如圖3，當(dāng)車輪踏面與主次接觸點(diǎn)的最小距離d，d為0時(shí)，踏面和軌頂面為一點(diǎn)接觸或兩點(diǎn)接觸情況，該接觸狀態(tài)較為普遍；當(dāng)輪對(duì)的橫向位移較大時(shí)，車輪輪緣外側(cè)和鋼軌外側(cè)面接觸，出現(xiàn)爬軌情況。當(dāng)輪對(duì)縱向位移角較大時(shí)，車輪與鋼軌無(wú)接觸點(diǎn)，出現(xiàn)跳軌情況[11?12]。綜上，輪軌間的相對(duì)空間關(guān)系可用位移量進(jìn)行劃分。鐵道科學(xué)院通過(guò)測(cè)量車輪抬升量實(shí)驗(yàn)將爬軌過(guò)程分為4個(gè)階段，但實(shí)際運(yùn)行中存在軌面不平順等因素并且橫向位移和縱向位移呈一一對(duì)應(yīng)關(guān)系。在輪對(duì)軌道過(guò)軸線的垂向截面上，本文建立以二者中心線的位移差作為評(píng)判標(biāo)準(zhǔn)，該安全評(píng)判標(biāo)準(zhǔn)如表1所示。

(a) LMA型踏面；(b) 尖軌頂寬25 mm；(c) 尖軌頂寬35 mm；(d) 尖軌頂寬55 mm

圖3 道岔區(qū)輪軌接觸幾何關(guān)系圖

表1 位移安全評(píng)判標(biāo)準(zhǔn)

圖4 車輪抬升量隨時(shí)間變化曲線

2 圖像特征提取

圖像特征提取的目的是通過(guò)對(duì)車載攝像機(jī)獲取道岔區(qū)輪軌接觸圖像幀，并對(duì)圖像進(jìn)行處理，進(jìn)而得到輪軌間相對(duì)橫向位移[13?14]。車載攝像機(jī)獲取的圖像可以實(shí)時(shí)監(jiān)測(cè)輪軌間的接觸狀態(tài)，利用提取出的位移量使得后續(xù)多傳感器數(shù)據(jù)融合預(yù)測(cè)脫軌系數(shù)更為準(zhǔn)確。

2.1 圖像預(yù)處理

為了得到較好的分割效果首先對(duì)圖像進(jìn)行預(yù)處理。以尖軌頂35 mm圖像幀為例，獲取原圖如圖5(a)所示，預(yù)處理步驟包括減少后續(xù)運(yùn)算量的圖像灰度化，結(jié)果如圖5(b)所示；減少圖像噪聲的高斯濾波，結(jié)果如圖5(c)所示；以及使得圖像像素點(diǎn)灰度均勻化分布的直方圖均衡化，結(jié)果如圖5(d)所示。

(a)輪軌接觸原圖像；(b)預(yù)處理后原圖像；(c) 高斯濾波后圖像；(d) 直方圖均衡化后圖像

2.2 Snake模型基礎(chǔ)

道岔輪軌接觸區(qū)域灰度差異較小，車輪與鋼軌存在相對(duì)運(yùn)動(dòng)性。選取對(duì)噪聲和對(duì)比度不敏感snake模型對(duì)道岔區(qū)輪軌接觸部分進(jìn)行分割提取。

snake模型[13]為一種主動(dòng)輪廓線模型，其思想為：由控制點(diǎn)構(gòu)成的固定形狀曲線，在定義力的作用下使曲線時(shí)刻保持連續(xù)平滑，并不斷地朝著真實(shí)的輪廓線逼近。由能量函數(shù)定義snake模型中的目標(biāo)輪廓線，其能量函數(shù)total定義為：

式中：第1項(xiàng)為內(nèi)部能量int，第2項(xiàng)為外部能量ext，主動(dòng)輪廓線在內(nèi)、外力的共同作用下尋求其能量函數(shù)的極小值。其中內(nèi)部能量int表達(dá)式為：

式中：第1項(xiàng)表示彈性能量，數(shù)值上等于v的1階導(dǎo)數(shù)模平方與系數(shù)的乘積，其值決定著主動(dòng)輪廓線的拉伸難易程度。第2項(xiàng)表示彎曲能量為v的2階導(dǎo)數(shù)模，其數(shù)值決定著主動(dòng)輪廓線的變形難易程度。外部能量表達(dá)式為：

令關(guān)于的微分項(xiàng)為：

當(dāng)(,)的值達(dá)到穩(wěn)定值時(shí)，即可求解出式(5)的值。

2.3 T-snake模型基礎(chǔ)

T-snake(topology adaptive snake，拓?fù)渥赃m應(yīng)蛇模型) 模型是一種拓?fù)渥赃m應(yīng)主動(dòng)輪廓模型。它是對(duì)傳統(tǒng)的snake模型進(jìn)行離散化處理后得到的，一定程度上解決了傳統(tǒng)snake模型對(duì)初始目標(biāo)輪廓選取敏感和彎曲函數(shù)對(duì)輪廓影響較小的問(wèn)題。T-snake模型的思想是將連續(xù)曲線看做由個(gè)離散點(diǎn)構(gòu)成，對(duì)于第個(gè)離散點(diǎn)其節(jié)點(diǎn)模型如圖6所示，在T-snake模型中其內(nèi)部能量函數(shù)int定義為：

式中：k1為彈性系數(shù)；k2為彎曲系數(shù)。xi+1，xi，xi?1為3個(gè)相鄰的離散點(diǎn)，di為任意2個(gè)離散點(diǎn)之間的距離。

由上述公式可得，內(nèi)外能量函數(shù)的和即為T-snake模型總能量，求解該能量極小值的過(guò)程思想和傳統(tǒng)snake模型相同，也就是求解第個(gè)離散點(diǎn)微分近似項(xiàng)的穩(wěn)定值。

2.4 改進(jìn)T-snake模型提取道岔輪軌接觸區(qū)

T-snake模型在繼承了傳統(tǒng)snake模型優(yōu)點(diǎn)的同時(shí)，還是存在曲率約束不足，當(dāng)圖像背景和提取目標(biāo)灰度差異較小時(shí)，分割效果不明顯的問(wèn)題。針對(duì)這些問(wèn)題，本文在式(7)的基礎(chǔ)上引入?yún)^(qū)域能量項(xiàng)Region，該區(qū)域能量項(xiàng)是基于局部區(qū)域的最小方差之上的，將外部能量函數(shù)重新定義為：

式中：為Region的比例值本文取2。Region的定義如下：

式中：(,)為的灰度值，W1為圖像內(nèi)部區(qū)域，1為灰度均值；相同的W2和2為外部區(qū)域和其灰度均值。式(8)中外力和膨脹力的計(jì)算公式如下：

式中：和分別為外力和膨脹力的系數(shù)。外力為高斯核函數(shù)與輸入圖像像素值卷積模平方與系數(shù)乘積的負(fù)數(shù)；膨脹力為第個(gè)離散點(diǎn)出單位法向量，二值函數(shù)和膨脹力幅度值三者乘積的倒數(shù)。當(dāng)像素值大于閾值時(shí)二值函數(shù)((,))取正，反之取負(fù)。通常情況下為常數(shù)，為了提高收斂速度和算法的穩(wěn)定性，本文將定義為：

式中：W為離散點(diǎn)的3×3的鄰域，為該領(lǐng)域內(nèi)最大最小灰度值之差，和為灰度方差以及灰度均值。

2.5 分割結(jié)果分析

基于上，為了驗(yàn)證提出算法的分割效果，在MATLAB仿真軟件中，選用蘭州鐵路局蘭州北編組站提供的道岔區(qū)輪軌接觸圖像作為輸入圖像，采集的圖像中線路鋼軌材質(zhì)為U71Mn，其型號(hào)為CHN60軌，道岔號(hào)為9號(hào)道岔，車輪踏面型號(hào)為L(zhǎng)MA-30，具體實(shí)驗(yàn)環(huán)境設(shè)備參數(shù)如表2所示。

表2 實(shí)驗(yàn)環(huán)境設(shè)備參數(shù)

實(shí)驗(yàn)中相關(guān)參數(shù)取值如下：參考snake算法在圖像分割方面的應(yīng)用[13]，式(3)中控制圖像外部能量的系數(shù)為5.0，平滑函數(shù)中的高斯核函，數(shù)()為1.35。分別對(duì)尖軌頂25進(jìn)行道岔區(qū)踏面邊緣分割，結(jié)果如圖7所示。

(a) 原圖像；(b) 預(yù)處理圖像；(c) 初始輪廓線；(d) Snake 分割；(e) T-snake分割；(f) 本文分割結(jié)果

由圖7(d)，7(e)和7(f)可得，輪緣凹陷處局部(矩形內(nèi)部分)的分割效果為本文改進(jìn)后T-snake算法效果最優(yōu)，對(duì)凹陷處邊緣捕捉能力比snake和未優(yōu)化的T-snake算法要強(qiáng)，T-snake模型對(duì)凹陷處邊緣捕捉能力優(yōu)于snake模型。為了客觀地評(píng)價(jià)本文算法的分割結(jié)果，引入算法迭代次數(shù)，普拉特品質(zhì)因數(shù)(Pratt’s figure of merit，PFM)和標(biāo)準(zhǔn)誤差(Standard Error，SE)這2個(gè)評(píng)價(jià)標(biāo)準(zhǔn)。PFM和SE的計(jì)算方法如下：

式中：s為實(shí)際實(shí)驗(yàn)中提取像素點(diǎn)的個(gè)數(shù)；l為理想標(biāo)準(zhǔn)情況下提取出像素點(diǎn)的個(gè)數(shù)；為第個(gè)提取點(diǎn)到真實(shí)點(diǎn)的距離；為距離系數(shù)，本文取5。s為實(shí)際提取的邊緣特征值；為理想情況標(biāo)準(zhǔn)邊緣特征值。通過(guò)式(12)和式(13)可以得出，當(dāng)PFM的值越大且SE的值越小時(shí)，提取的踏面邊緣越接近于真實(shí)邊緣。

在道岔區(qū)輪軌接觸輸入圖像中，手動(dòng)提取車輪輪緣踏面的邊界，將其作為理想標(biāo)準(zhǔn)情況下的目標(biāo)邊界，分別采用標(biāo)準(zhǔn)snake，標(biāo)準(zhǔn)T-snake和本文改進(jìn)后的T-snake算法的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比，并結(jié)合算法的迭代次數(shù)多角度進(jìn)行評(píng)價(jià)，具體實(shí)驗(yàn)結(jié)果評(píng)價(jià)標(biāo)準(zhǔn)如表3所示。

表3 實(shí)驗(yàn)結(jié)果評(píng)價(jià)標(biāo)準(zhǔn)

從客觀評(píng)價(jià)標(biāo)準(zhǔn)上來(lái)看，本文提出的算法在提取輪軌接觸圖像中踏面的邊緣的實(shí)驗(yàn)中PFM與SE系數(shù)，以及算法迭代次數(shù)與收斂時(shí)間上優(yōu)于其他3種分割方法。

3 多傳感器數(shù)據(jù)融合

3.1 融合模型構(gòu)建

本文采用非線性逼近和容錯(cuò)能力強(qiáng)的小波神經(jīng)網(wǎng)絡(luò)構(gòu)建多傳感器輸入融合預(yù)測(cè)模型。該模型的輸入數(shù)據(jù)為道岔區(qū)輪軌相對(duì)橫向位移量，列車速度值，列車加速度值，輪重減載率。由參考文獻(xiàn)[14]隱含層節(jié)點(diǎn)數(shù)為5，輸出為預(yù)測(cè)值脫軌系數(shù)。得到融合模型如圖8所示[14]。

圖8 脫軌系數(shù)預(yù)測(cè)融合模型

1) 輸入層：()=[x()x()x()x()]T，1()為道岔區(qū)輪軌相對(duì)橫向位移量，2()為列車速度值，3()為列車加速度值，4()為輪重減載率。

其中，速度值由速度傳感器獲?。患铀俣戎涤杉铀俣葌鞲衅鳙@??；輪重減載率由測(cè)力傳感器獲?。坏啦韰^(qū)輪軌相對(duì)橫移量是通過(guò)對(duì)車載攝像機(jī)獲取的輪軌接觸圖像進(jìn)行分割，由分割得到的邊緣曲線確定輪軌中心線計(jì)算得到的，的計(jì)算方法 如下：

式中：0為單個(gè)像素的長(zhǎng)度；為提取出的踏面邊緣中心線和鋼軌中心線間的像素點(diǎn)個(gè)數(shù)，具體計(jì)算示意圖如圖9所示。

2) 隱藏層：計(jì)算公式如下。

式中：()為隱含層第各節(jié)點(diǎn)輸出值；w為輸入層和隱含層的連接權(quán)值；b為平移因子；a為尺度變換因子；為小波基函數(shù)，選用Morlet母小波函數(shù)，計(jì)算公式如下：

3) 輸出層：計(jì)算公式如式(14)所示。

式中：hk(i)為隱含層第i各節(jié)點(diǎn)輸出值；wk為輸出層和隱含層的連接權(quán)值；k為隱含層節(jié)點(diǎn)數(shù)；m為輸出層節(jié)點(diǎn)數(shù)。

3.2 GA優(yōu)化融合模型參數(shù)

脫軌系數(shù)融合模型是由小波神經(jīng)網(wǎng)絡(luò)構(gòu)建的。本文擬采用GA遺傳算法來(lái)優(yōu)化融合模型的參數(shù)，使網(wǎng)絡(luò)收斂速度加快，融合結(jié)果精度提高。遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)包括網(wǎng)絡(luò)結(jié)構(gòu)的確定、遺傳算法優(yōu)化網(wǎng)絡(luò)初始參數(shù)。其具體步驟如下。

1) 參數(shù)編碼：每個(gè)染色體編碼為(wwba)形式的實(shí)數(shù)串。

2) 適應(yīng)度函數(shù)：訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)后，預(yù)測(cè)輸出和期望輸出之間的誤差絕對(duì)值和即個(gè)體適應(yīng)度值。

3) 選擇操作：每個(gè)個(gè)體被選擇的概率為：

式中：F為個(gè)體的適應(yīng)度值；為概率系數(shù)，為種群個(gè)數(shù)。

4) 交叉操作：采用實(shí)數(shù)交叉法。

5) 變異操作：基因a進(jìn)行突變操作。

3.3 優(yōu)化結(jié)果

基于以上闡述，在matlab2016a軟件平臺(tái)中進(jìn)行融合模型參數(shù)優(yōu)化實(shí)驗(yàn)，算法中，種群規(guī)模=20，進(jìn)化代數(shù)為50，初始交叉概率0=0.7，最優(yōu)個(gè)體適應(yīng)度值如圖10所示。

圖10 最優(yōu)個(gè)體適應(yīng)度值

從圖10可以看出，在仿真運(yùn)行到15代左右，最優(yōu)個(gè)體的適應(yīng)度值已趨于穩(wěn)定，表明遺傳算法已得到優(yōu)化的融合模型參數(shù)，具體數(shù)值見(jiàn)表3。

表3 優(yōu)化后融合模型參數(shù)

4 仿真實(shí)驗(yàn)與結(jié)果分析

現(xiàn)場(chǎng)實(shí)驗(yàn)地點(diǎn)為蘭州鐵路局蘭州北編組站線路。機(jī)車型號(hào)為東風(fēng)7C型，鋼軌型號(hào)為CHN60軌，道岔為9號(hào)道岔。道岔線路長(zhǎng)700 m，以2 min為采樣周期，共取200組數(shù)據(jù)，每20組數(shù)據(jù)為一個(gè)樣本，分為訓(xùn)練集和測(cè)試集?，F(xiàn)場(chǎng)多傳感器數(shù)據(jù)及融合后的部分脫軌系數(shù)如表4所示。預(yù)測(cè)誤差對(duì)比如圖11所示。

表4 初始數(shù)據(jù)及融合結(jié)果

從圖11可以看出，融合結(jié)果的誤差在4%范圍內(nèi)，預(yù)測(cè)結(jié)果良好。主要誤差存在的原因?yàn)檩斎氲南鄬?duì)位移量，因?yàn)閳D像分割結(jié)果與真實(shí)踏面邊緣像素點(diǎn)存在一定的誤差。總體來(lái)看，融合數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)吻合度良好，滿足閾值要求，融合后的脫軌系數(shù)對(duì)于過(guò)岔安全性研究具有一定的意義。

圖11 融合結(jié)果誤差對(duì)比

通過(guò)觀測(cè)表4中輸入數(shù)據(jù)對(duì)融合結(jié)果影響可以客觀地評(píng)價(jià)本文融合模型與實(shí)際脫軌理論的吻合度。以輪對(duì)相對(duì)橫移量為基礎(chǔ)坐標(biāo)軸，繪制速度，加速度及輪重減載率與融合結(jié)果的三維示意圖如圖12，圖13和圖14所示。由圖可得，本文實(shí)測(cè)數(shù)據(jù)與預(yù)測(cè)脫軌系數(shù)的關(guān)系符合脫軌理論。

圖12 運(yùn)行速度對(duì)融合結(jié)果的影響

為了避免了樣本數(shù)據(jù)過(guò)學(xué)習(xí)以及欠學(xué)習(xí)情況的發(fā)生，實(shí)驗(yàn)采用10折交叉驗(yàn)證方法，將200個(gè)樣本數(shù)據(jù)隨機(jī)分成10組，每20個(gè)數(shù)據(jù)為一個(gè)樣本統(tǒng)一編號(hào)，進(jìn)行10組預(yù)測(cè)實(shí)驗(yàn)。第次實(shí)驗(yàn)中，第10組樣本數(shù)據(jù)為測(cè)試數(shù)據(jù)，其余9組(180個(gè)樣本數(shù)據(jù))為訓(xùn)練數(shù)據(jù)。同時(shí)對(duì)本文模型、單一小波神經(jīng)網(wǎng)絡(luò)、文獻(xiàn)[9]中的NARX神經(jīng)網(wǎng)絡(luò)和文獻(xiàn)[10]中的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)4種預(yù)測(cè)模型進(jìn)行對(duì)比實(shí)驗(yàn)，分別取平均相對(duì)誤差和最大相對(duì)誤差，結(jié)果如圖15和圖16所示。

圖13 加速度對(duì)融合結(jié)果的影響

圖14 輪重減載率對(duì)融合結(jié)果的影響

圖15 平均相對(duì)誤差結(jié)果圖

圖16 最大相對(duì)誤差結(jié)果圖

由圖15~16可知，10次交叉實(shí)驗(yàn)的4種預(yù)測(cè)模型中，本文預(yù)測(cè)模型平均相對(duì)誤差和最大相對(duì)誤差較單一小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和文獻(xiàn)[9]文獻(xiàn)[10]預(yù)測(cè)模型要低，本文模型的平均相對(duì)誤差基本在 1.6%~2.9%波動(dòng)，最大相對(duì)誤差基本在2.2%~3.8%波動(dòng)。從圖16可知，4種模型最大相對(duì)誤差值均未超過(guò)6.5%，因此，對(duì)每種預(yù)測(cè)模型的10次測(cè)試按相對(duì)誤差在1%~2%，2%~3%，3%~4%，4%~5%，5%范圍外的樣本組進(jìn)行統(tǒng)計(jì)，并換算成比例。4種模型的相對(duì)誤差分布情況對(duì)比如表5所示。

表5 預(yù)測(cè)模型相對(duì)誤差分布

表5中，模型1為單一小波神經(jīng)網(wǎng)絡(luò)，模型2為改進(jìn)BP神經(jīng)網(wǎng)絡(luò)，模型3為NARX神經(jīng)網(wǎng)絡(luò)，模型4為本文模型。由表5可以看出，本文模型預(yù)測(cè)的相對(duì)誤差分布在1%~2%和2%~3%范圍區(qū)間內(nèi)的比例要比其他3種預(yù)測(cè)模型高，而大誤差的概率遠(yuǎn)低于其他3種預(yù)測(cè)模型。這說(shuō)明，該模型具有良好的穩(wěn)定性和預(yù)測(cè)結(jié)果的精確性。

5 結(jié)論

1) 針對(duì)現(xiàn)有動(dòng)力學(xué)仿真研究方法研究脫軌機(jī)理不具有現(xiàn)實(shí)監(jiān)測(cè)列車過(guò)叉運(yùn)行安全性問(wèn)題，采用多傳感器實(shí)時(shí)監(jiān)測(cè)采集的數(shù)據(jù)作為輸入進(jìn)行脫軌系數(shù)的預(yù)測(cè)。

2) 特征量提取部分，引入?yún)^(qū)域能量項(xiàng)對(duì)T-snake算法進(jìn)行改進(jìn)。實(shí)驗(yàn)結(jié)果表明，本文算法提取效果良好且分割精度優(yōu)于標(biāo)準(zhǔn)snake和T-snake算法。

3) 構(gòu)建多傳感器數(shù)據(jù)融合模型進(jìn)行脫軌系數(shù)的預(yù)測(cè)，并對(duì)預(yù)測(cè)模型進(jìn)行交叉驗(yàn)證。實(shí)驗(yàn)結(jié)果顯示，本文提出的模型合理且具有良好的魯棒性，有較高的理論價(jià)值和實(shí)際應(yīng)用前景。

[1] 王健. 基于輪軌關(guān)系的小號(hào)碼道岔轉(zhuǎn)轍器區(qū)脫軌機(jī)理研究[D]. 成都: 西南交通大學(xué), 2018. WANG Jian. Study on derailment theory of switch area in small number turnouts based on wheel-rail relationship [D]. Chengdu: Southwest Jiaotong University, 2018.

[2] WANG P, WANG J, MA X, et al. Theoretical 3D model for quasi-static critical derailment coefficient of railway vehicles and a simplified formula[J]. Mathematical Problems in Engineering, 2018(10)：1-13.

[3] 易思蓉. 鐵道工程[M]. 2版. 北京: 中國(guó)鐵道出版社，2009. YI Sirong. Railway engineering[M]. 2nd ed. Beijing: China Railway Press, 2009.

[4] 王平. 高速鐵路道岔設(shè)計(jì)理論與實(shí)踐[M]. 成都: 西南交通大學(xué)出版社, 2011. WANG Ping. Design theory and practice of high-speed railway turnout [M]. Chengdu: Southwest Jiaotong University Press, 2011.

[5] 馬曉川, 徐井芒, 王平, 等. 鐵路道岔轉(zhuǎn)轍器部件輪軌兩點(diǎn)接觸計(jì)算方法研究[J]. 鐵道學(xué)報(bào), 2019, 41(7): 155?161. MA Xiaochuan, XU Jingmang, WANG Ping, et al. Research on calculation method of wheel-rail two-point contact of railway turnout switcher components[J]. Journal of the China Railway Society, 2019, 41(7): 155? 161.

[6] XU J M, WANG P L. Effects of profile wear on wheel-rail contract conditions and dynamic interaction of vchicle and turnout[J]. Advances in Mechanical Engineering, 2016, 8(1): 1?14.

[7] 張鵬飛, 朱旭東, 雷曉燕. 提速道岔轍叉翼軌的加高值方案優(yōu)化[J/OL].西南交通大學(xué)學(xué)報(bào): 1?9[2019?11?28]. http://kns.cnki.net/kcms/detail/51.1277.U.20190918.1049.011.html. ZHANG Pengfei, ZHU Xudong, LEI Xiaoyan. Optimization of the raising value scheme of turnout wings for speed increase turnout[J/OL]. Journal of Southwest Jiaotong University: 1?9[2019?11?28]. http:// kns.cnki.net/kcms/detail/51.1277.U.20190918.1049.011.html.

[8] 王永勝, 馬增強(qiáng), 宋子彬, 等. 基于圖像畸變校正的車輪踏面區(qū)域提取[J]. 圖學(xué)學(xué)報(bào), 2018, 39(3): 432?439. WANG Yongsheng, MA Zenqiang, SONG Zibin, et al. Wheel tread area extraction based on image distortion correction[J]. Journal of Graphics, 2018, 39(3): 432?439.

[9] 陳皓, 程曉卿, 俞秀蓮, 等. 列車脫軌系數(shù)的精確預(yù)測(cè)方法研究[J]. 計(jì)算機(jī)仿真, 2013, 30(7): 142?146. CHEN Hao, CHENG Xiaoqing, YU Xiulian, et al. Study on the prediction method of train derailment coefficient[J]. Computer Simulation, 2013, 30(7): 142? 146.

[10] 劉俊君, 校美玲, 陳明義. 基于輪軌接觸關(guān)系的列車運(yùn)行安全預(yù)測(cè)仿真研究[J]. 石家莊鐵路職業(yè)技術(shù)學(xué)院學(xué)報(bào), 2019, 18(3): 47?52. LIU Junjun, XIAO Meilin, CHENG Mingyi. Simulation study on train safety prediction based on wheel-rail contact relationship[J]. Journal of Shijiazhuang Railway Vocational Technology College, 2019, 18(3): 47?52.

[11] Elias Kassa, Jens C O. Nielsen. Dynamic train–turnout interaction in an extended frequency range using a detailed model of track dynamics[J]. Journal of Sound and Vibration, 2008(4): 893?914.

[12] 翟婉明, 陳果. 根據(jù)車輪抬升量評(píng)判車輛脫軌的方法與準(zhǔn)則[J]. 鐵道學(xué)報(bào), 2001(2): 17?26. ZHAI Wanming, CHEN Guo. Methods and criteria for judging vehicle derailment based on wheel lift[J]. Journal of the China Railway Society, 2001(2): 17?26.

[13] 周春瑜, 程顯毅. 自適應(yīng)濾波結(jié)合改進(jìn)T-Snake模型的甲狀腺超聲圖自動(dòng)分割方法[J/OL]. 計(jì)算機(jī)應(yīng)用研究: 1?4[2019?11?28].https://doi.org/10.19734/j.issn.1001-3695.2018.09.0787. ZHOU Chunyu, CHENG Xianyi. Automatic segmentation of thyroid ultrasound map based on adaptive filtering and improved T-Snake model[J/OL]. Application Research of Computers: 1?4[2019?11?28]. https://doi.org/10.19734/j.issn.1001-3695.2018.09.0787.

[14] 路學(xué)海, 潘迪夫, 韓錕, 等. 基于改進(jìn)的QPSO-WNN滾動(dòng)算法的鐵路沿線短期風(fēng)速預(yù)測(cè)[J]. 鐵道科學(xué)與工程學(xué)報(bào), 2016, 13(5): 978?984. LU Xuehai, PAN Difu, HAN Kun, et al. Short-term wind speed prediction along railway line based on improved QPSO-WNN rolling algorithm[J]. Journal of Railway Science and Engineering, 2016, 13(5): 978? 984.

Prediction algorithm of derailment coefficient in turnout area based on multi-sensor data fusion

YANG Tong, DONG Yu

(College of Automation and Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China)

For the current vehicle derailment occurred in the switch section, and the existing way of derailing judge to consider a single factor can not fully judge the security issue of wheel-rail contact, an algorithm for predicting derailment coefficients in turnout areas based on multi-sensor data fusion is proposed. The method used the T-snake model to segment the wheel-rail contact image of the No. 9 turnout area acquired by the vehicle camera to obtain the relative lateral displacement of the wheel-rail. The wavelet neural network optimized by genetic algorithm is used to construct the fusion model. The input data is the relative displacement amount, speed amount, acceleration amount, and wheel load reduction ratio to perform data fusion to predict the derailment coefficient. The field test results show the accuracy of the derailment coefficient predicted by this method is high, and the considerations are comprehensive.

derailment; railway turnout; data fusion; derailment coefficient prediction

U213.6

A

1672 ? 7029(2020)08 ? 1883 ? 10

10.19713/j.cnki.43?1423/u.T201901061

2019?11?30

國(guó)家自然科學(xué)基金資助項(xiàng)目(61763023)

董昱(1962?)，男，河南鄧州人，教授，從事鐵路交通信息工程及控制研究；E?mail：627388224@qq.com

(編輯 蔣學(xué)東)