基于深度学习的高铁轨道几何检测无效数据诊断方法.pdfVIP

摘要

高铁轨道的几何检测是保障列车行车安全的重要手段，目前高铁综合检测车

在对高铁轨道进行几何状态检测时，由于受到外界环境等因素的干扰，检测数据中

往往存在着部分无效数据，掩盖了轨道的真实状态。现行做法为人工判断无效数据，

工作量大，因此准确、快速地识别出无效数据对于轨道质量状态评估以及减轻铁路

部门检修负担具有重要意义。目前针对轨道几何检测无效数据诊断的研究较少，并

且由于其数据本身的多元性和复杂性，传统序列数据异常检测的算法效果有限。为

此，本文通过对某铁路的轨道几何检测数据和图像特征进行分析，基于数据重构和

图像分类的思想，提出了无效数据诊断的深度学习算法。具体内容如下所述：

分析了轨道几何检测数据的统计特征并根据其图像特征构建无效数据库。考

虑到轨道几何检测各项检测指标数据之间的相关性及其时序数据的特点，分别从

描述性统计分析、里程序列平稳性分析和检测指标相关性三个角度对轨道几何检

测数据进行了深入分析。根据各项检测指标的物理意义和相关性，对检测指标进行

分组并分别可视化，分析无效数据的图像特征，并基于此构建无效数据图像数据库。

提出了一种基于卷积神经网络的轨道几何检测无效数据诊断方法。考虑到不

同类型的无效数据产生原因不同，通常根据单边轨距和单边高低等图像的特征即

可进行判断。基于此，本文设计了一种用于图像分类的卷积神经网络模型。通过将

轨道几何检测数据分组分段可视化，构建无效数据图像数据库，将轨道几何检测无

效数据诊断问题转化为基于图像特征的图像分类问题。为了可视化模型的学习过

程，对卷积网络学习到的特征图进行绘制和分析。使用某铁路段的检测数据对模型

进行训练和测试，结果表明，该方法足以满足实际工程中的精度需要。

提出了一种基于Transformer自编码器的轨道几何检测无效数据识别方法。为

了充分挖掘轨道几何检测数据之间的相关依赖，基于Transformer设计了一个具有

双重注意力机制的自编码器，分别对里程信息相关性和不同检测指标间相关性进

行深度学习。该模型对原始输入序列数据进行数据重构，通过设置带有权重的损失

函数突显不同检测指标的重要程度，以重构误差作为异常程度评价指标，并根据经

验设置一个临界阈值来判断样本点的标签。使用某铁路段的检测数据对该方法进

行验证，结果表明，该模型对于无效数据的识别效果较好。

关键词：轨道几何状态检测；无效数据；深度学习；图像分类；数据重构；

无效数据检测与诊断

Abstract

Thegeometricdetectionofthehigh-speedrailtrackisanimportantmeanstoensure

thesafetyoftrains.Atpresent,whenthecomprehensivehigh-speedrailinspectionvehicle

detectsthegeometricstateofthehigh-speedrailtrack,duetotheinterferenceofexternal

environmentandotherfactors,thereareoftensomeinvaliddatainthedetectiondata,

whichcoversthetruestateofthetrack.Thecurrentpracticeistomanuallyjudgeinvalid

data,andtheworkloadisheavy.Therefore,accuratelyandquicklyidentifyinginvalid

dataisofgreatsignificancefortheassessmentoftrackqualitystatusandreducingthe

maintenanceburdenofrailwaydepartments.Atpresent,therearefewstudiesonthe

diagnosisofinvaliddatainorbitgeometrydetection,andduetothediv