基于IPSO-LSTM的高速铁路无砟轨道不平顺预测_杜威.pdf

第 20 卷 第 3 期2023 年 3 月铁道科学与工程学报Journal of Railway Science and EngineeringVolume 20 Number 3March 2023基于IPSO-LSTM的高速铁路无砟轨道不平顺预测杜威1,2，任娟娟1,2,3，许雪山1,2，曾学勤1,2，何庆1,2(1.西南交通大学 高速铁路线路工程教育部重点实验室，四川 成都 610031；2.西南交通大学 土木工程学院，四川 成都 610031；3.长沙理工大学 交通运输工程学院，湖南 长沙 410114)摘要：为准确预测高速铁路无砟轨道不平顺发展趋势，结合改进粒子群优化算法(IPSO)和长短期记忆网络(LSTM)搭建轨道质量指数(TQI)预测模型(IPSO-LSTM)，将轨检车获取的各项轨道不平顺检测数据经过异常值剔除和降噪等预处理，形成TQI时间序列数据，利用标准化处理后的TQI样本开展模型训练和不平顺预测分析，并与其他常用预测方法进行对比。研究结果表明：长短期记忆网络具有记忆历史信息的功能，能较好地预测非线性时间序列的发展趋势。采用IPSO可解决LSTM中隐含层神经元个数和学习速率等超参数难以选取的问题，增强了模型预测性能。针对某高速铁路K5+000K7+000区段长达4年的轨道不平顺检测数据，IPSO-LSTM模型对TQI的预测精度最高，自回归积分滑动平均模型(ARIMA)次之，BP神经网络和灰色模型相差不大。IPSO-LSTM的平均相对误差和均方根误差分别为0.035和0.135，与ARIMA，BP神经网络和灰色模型相比，其平均相对误差降低22%45%，均方根误差降低26%45%，验证了IPSO-LSTM模型用于无砟轨道不平顺预测的有效性。IPSO-LSTM预测模型有望为了解和掌握高铁无砟轨道质量发展提供一种新的技术支撑。关键词：无砟轨道；轨道质量指数；不平顺预测；长短期记忆网络；改进粒子群优化算法中图分类号：U213 文献标志码：A 开放科学(资源服务)标识码(OSID)文章编号：1672-7029（2023）03-0753-09Irregularity prediction of slab track for high-speed railway based on IPSO-LSTMDU Wei1,2,REN Juanjuan1,2,3,XU Xueshan1,2,ZENG Xueqin1,2,HE Qing1,2(1.MOE Key Laboratory of High-speed Railway Engineering,Southwest Jiaotong University,Chengdu 610031,China;2.School of Civil Engineering,Southwest Jiaotong University,Chengdu 610031,China;3.School of Traffic and Transportation Engineering,Changsha University of Science and Technology,Changsha 410114,China)Abstract:To accurately predict the development trend of slab track irregularity for high-speed railways,a track quality index(TQI)prediction model(IPSO-LSTM)was built to improve particle swarm optimization(IPSO)and long short-term memory network(LSTM).The track irregularity detection data obtained by the track inspection vehicles were preprocessed by outlier elimination and noise reduction to generate time series data of 收稿日期：2022-03-24基金项目：国家重点研发计划项目(2021YFF0502100)；国家自然科学基金资助项目(52022085)；高速铁路无砟轨道设计与维护四川省青年科技创新研究团队项目(2022JDTD0015)通信作者：任娟娟(1983)，女，山西霍州人，教授，博士，从事高速铁路无砟轨道结构设计理论与损伤机理研究；Email：DOI:10.19713/ki.43-1423/u.T20220553铁 道 科 学 与 工 程 学 报2023 年 3月TQI.Then the standardized TQI samples were used to carry out model training and irregularity prediction.Comparisons with other commonly used prediction methods were made.The results show that long short-term memory network has the function of memorizing historical information and can predict the development trend of nonlinear time series well.The difficulty faced by LSTM in hyperparameter selection,such as the number of hidden layer neurons and learning rate is solved.The model prediction performance is enhanced by adopting IPSO.For the track irregularity data at K5+000 to K7+000 section of a high-speed railway for 4 years,the IPSO-LSTM model has the highest prediction accuracy for TQI,followed by the autoregressive integral moving average model(ARIMA).And the BP neural network is not much different from the grey model.The average relative error and root mean square error of IPSO-LSTM are 0.035 and 0.135,respectively.Compared with ARIMA,BP neural network and gray model,the average relative error is reduced by 22%45%,and the root mean square error is reduced by 26%45%for IPSO-LSTM.It verifies the validity of IPSO-LSTM model for predicting the irregularity of slab tracks.The IPSO-LSTM model is expected to provide a new technical support for controlling the development of slab track quality for high-speed railways.Key words:slab track;track quality index;irregularity prediction;long and short-term memory network;improved particle swarm optimization 轨道几何不平顺受到轨道因素(如钢轨接头、施工引起的轨道偏差等)、列车动荷载、路基不均匀沉降及自然环境等多种因素的共同作用，其检测方式主要包括人工静态不平顺检测和轨检车动态不平顺检测。由于轨道不平顺对列车安全平稳运行至关重要，尤其是对平顺性要求更高的高速铁路影响更大，因此充分利用轨检车检测数据对轨道不平顺开展预测分析，准确评估轨道质量发展趋势，对制定科学合理的轨道养护维修策略、降低维修成本及保障行车安全具有重要的现实意义。目前常用的轨道不平顺预测方法主要有回归模型、灰色预测模型、神经网络预测模型等。佐藤吉彦1基于大量轨道不平顺检测数据，利用回归分析获取了轨道高低不平顺的线性和非线性预测公式。加拿大PWMIS系统2利用轨道不平顺历史数据建立线性预测模型以指导线路的维修捣固作业。OBRIEN3利用卡尔曼滤波方法对轨检车检测数据进行了预测分析。由于我国主要采用轨道质量指数(Track Quality Index，TQI)来评价轨道平顺状态，因此国内学者主要针对 TQI数值或者构成TQI的单一不平顺指标开展预测研究。许玉德等4利用特性矩阵描述轨道变形并对高低不平顺进行了预测。周宇等5基于广深线的通过吨数、轨检车速度、路基状况等参数，采用多元回归分析方法预测轨道不平顺发展趋势。高建敏等6对比分析了线性回归、非线性回归及时间序列平滑预测等3种统计模型对轨道高低不平顺的预测效果，发现指数平滑预测模型的预测效果最佳。陈宪麦等7提出了一种可综合考虑轨道部件材料、施工过程、运营条件及外界环境等因素对轨道不平顺预测影响的综合因子法。曲建军等89以 TQI检测数据为时间序列样本，构建了用于轨道不平顺预测的非等时距灰色模型，并基于残差分析对模型进行了修正。郭然等10以25 m长的轨道单元区段为研究对象，建立了具有更新功能的轨道不平顺灰色预测模型。LI等11基于广义能量指标提出了轨道不平顺预测模型，并利用车辆动力学软件模拟得到的不平顺数据进行验证。马子骥等12将非等间距灰色模型分别与Elman神经网络和支持向量机结合13，构建了轨道质量指数预测模型，并采用沪昆线实测TQI进行验证。朱洪涛等14将轨道几何尺寸原始数据进行对齐处理，建立了自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)以预测轨道不平顺。由于神经网络具有自适应性和非线性映射能力等显著优点，近年来在轨道不平顺预测方面逐渐得到应用，主要包括BP神经网络模型和支持向量回归模型等。彭丽宇等15基于某重载铁路不平顺检测数据，对比分析了BP754第 3 期杜威，等：基于IPSO-LSTM的高速铁路无砟轨道不平顺预测神经网络与多元回归分析模型对单项不平顺指标的预测效果。马帅等16针对客货共线无砟轨道的TQI时间序列样本中的高频和低频部分，分别构建了ARMA-BP神经网络和ARMA-SVR的预测模型。通过对上述研究的总结不难发现，现有预测模型主要针对有砟轨道1,46,810,1215或客货共线无砟轨道16，而基于高速铁路无砟轨道不平顺的长期观测数据进行预测分析还比较少。有砟轨道的不平顺发展规律一般满足具有明显趋势的分段线性、多项式或指数形式等16，而客货共线无砟轨道因同时通行客车和货车，其运营条件比高铁无砟轨道差，加之高铁列车运行速度快、荷载频率高，两者的轨道力学性能劣化速度差异较大，导致轨道不平顺发展规律也不相同。考虑到高铁无砟轨道TQI是具有一定随机性的时序数据，深度学习中的长短期记忆(Long Short-Term Memory，LSTM)网络具有记忆历史信息的功能，可建立较长距离的时序依赖关系17，已