一種基于BP神經(jīng)網(wǎng)絡(luò)的軌枕定位方法

趙 龍 王國祥 劉 暢 陳海軍 鄭子天

(1.中鐵二院工程集團(tuán)有限責(zé)任公司,成都 610031; 2.四川拓繪科技有限公司,成都 610031)

1 概述

軌道的平順性檢測是高速鐵路軌道精調(diào)的關(guān)鍵環(huán)節(jié)之一,而鐵路軌道檢查儀(以下簡稱軌檢儀)是檢查鐵路平順性的重要設(shè)備[1]。隨著技術(shù)的發(fā)展和新設(shè)備的應(yīng)用,軌檢儀已經(jīng)從靜態(tài)測量轉(zhuǎn)化為動態(tài)測量,并初步實現(xiàn)從理論研究到產(chǎn)品的轉(zhuǎn)換。目前比較成熟的產(chǎn)品有SGJ-T型慣導(dǎo)軌檢儀和基于慣導(dǎo)定位和多種傳感器組合的軌道檢測儀,這些慣導(dǎo)軌檢儀的應(yīng)用,大大提高了軌道測量的效率和精度。軌枕識別器是軌檢儀的重要部分,可實現(xiàn)對病害軌道的快速查找和定位,并指導(dǎo)高速鐵路無砟軌道的精調(diào)[2]。

軌枕識別研究方法主要分為2類:①基于圖像處理和模式識別的方法;②基于軌枕或扣件本身的物理特征的方法。其中,基于圖像識別的方法是根據(jù)軌枕圖像的特征(如圖像的灰度、直方圖或邊緣特征),通過模式識別或人工判讀的方法對采集圖像進(jìn)行分析,歸納和聚類,最后將圖像和里程進(jìn)行關(guān)聯(lián),以實現(xiàn)軌枕的識別和定位[3-9];基于軌枕本身物理特性的識別方法主要利用軌枕物理特性,如利用道釘,扣件等金屬的電磁特性或者軌枕的光譜特性等[10-14]。這兩類方法都有其固有缺陷,其中,基于圖像處理的方法對光線要求比較苛刻,在夜晚或光線比較暗的隧道無法獲取清晰的軌道圖片,并且圖像處理速度慢,無法滿足實時識別的要求;而基于物理特性的軌枕識別方法對傳感器的安裝位置和軌道的狀態(tài)有嚴(yán)格要求,且電磁干擾對識別結(jié)果影響較大[15]。

由此提出一種基于激光傳感器線型掃描的軌枕識別方法,利用BP神經(jīng)網(wǎng)絡(luò)對掃描數(shù)據(jù)進(jìn)行處理,并利用多個樣本數(shù)據(jù)對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,提取并定位軌枕數(shù)據(jù),該方法可大幅提高軌枕識別的效率和準(zhǔn)確度,該方法具有不受光線影響,處理速度快等特點,并且激光不受軌枕物理特性的限制,感應(yīng)距離長,不易出現(xiàn)因為超出感應(yīng)距離而漏檢的情況。

2 硬件和數(shù)據(jù)同步

軌枕識別器的硬件包括數(shù)據(jù)采集傳感器、里程編碼器和數(shù)據(jù)采集板3個部分,數(shù)據(jù)采集傳感器負(fù)責(zé)軌枕數(shù)據(jù)的采集,里程編碼器記錄當(dāng)前軌檢儀推行的里程,數(shù)據(jù)采集板將軌枕數(shù)據(jù)和里程數(shù)據(jù)進(jìn)行匯總,并通過一定頻率發(fā)送到電腦端。

2.1 數(shù)據(jù)采集傳感器

傳統(tǒng)的軌枕識別設(shè)備分為接觸式和非接觸式,接觸式采集是指軌枕識別器通過與軌枕接觸采集數(shù)據(jù),這種設(shè)備因檢測精度不穩(wěn)且使用壽命低而被淘汰。非接觸式測量通過激光、電磁場、聲波或可見光等媒介對軌枕數(shù)據(jù)進(jìn)行采集。在軌枕識別器中,常用的傳感器包括激光傳感器、電渦流傳感器,接近開關(guān)、超聲波傳感器和高速攝像機(jī)。

在篩選傳感器的過程中,應(yīng)考慮傳感器的感應(yīng)距離、測量精度、輸出頻率和輸出類型等指標(biāo)。感應(yīng)距離是傳感器的測量范圍,測量分辨率是指在測量過程中能分辨的最小距離,輸出頻率是指每秒傳感器測量的次數(shù)。一般情況下,測量距離越小,頻率越高,在距離相同的情況下,聲波傳輸?shù)乃俣纫裙馑俸碗姶挪?所以超聲波傳感器的測量頻率低,輸出類型包括模擬量、數(shù)字量、開關(guān)量和圖片,傳感器指標(biāo)對比見表1。

表1 各類傳感器指標(biāo)對比

由于激光傳感器具有感應(yīng)距離長,測量分辨率和輸出分辨率高,且不受光源的強(qiáng)弱影響等優(yōu)點,故選擇激光傳感器作為數(shù)據(jù)采集器。

2.2 里程編碼器

里程編碼器一般用于計算里程,其主軸通常和行走輪的圓心固定,或通過鉸鏈與行走輪相連,利用行走輪帶動里程編碼器轉(zhuǎn)動,進(jìn)而記錄行走輪轉(zhuǎn)動的圈數(shù)。

里程編碼器的輸出分為A、B、Z三相脈沖,其中Z相脈沖記錄編碼器旋轉(zhuǎn)的圈數(shù)。A,B相脈沖與編碼器的分辨率相關(guān),如果編碼器的分辨率為μ,則1個A或B脈沖代表編碼器旋轉(zhuǎn)了μ/360°,A相和B相差90°,A相在前表示編碼器正向旋轉(zhuǎn),B相在前表示編碼器反向旋轉(zhuǎn)。

假設(shè)A相脈沖計數(shù)為ε,Z相脈沖計數(shù)為τ,行走輪直徑為φ,則當(dāng)前相對里程為

其中,L0為初始里程,式(1)和式(2)為考慮因坡度變化而引起的里程異常。

2.3 數(shù)據(jù)采集板

數(shù)據(jù)采集板收集傳感器和里程計的數(shù)據(jù),并通過發(fā)包的形式將數(shù)據(jù)傳輸?shù)诫娔X,數(shù)據(jù)采集板由微控制單元(MCU)、電源模塊、時鐘系統(tǒng)、串口模塊基準(zhǔn)電壓和外設(shè)數(shù)據(jù)線組成,見圖1。

圖1 數(shù)據(jù)采集板組成結(jié)構(gòu)

其中,MCU負(fù)責(zé)收集數(shù)據(jù)、處理數(shù)據(jù)和轉(zhuǎn)換數(shù)據(jù),并且將處理后的數(shù)據(jù)發(fā)送到電腦端;電源模塊則負(fù)責(zé)MCU、傳感器和編碼器的供電,通常情況下,MCU、傳感器和編碼器的工作電壓不一致,需要通過電源模塊進(jìn)行設(shè)定,基準(zhǔn)電壓則為MCU內(nèi)部數(shù)模轉(zhuǎn)換器提供電壓基準(zhǔn);激光傳感器模擬電壓可通過該電壓轉(zhuǎn)換為數(shù)字信號;時鐘系統(tǒng)用于激光傳感器數(shù)據(jù)和里程編碼器的同步;串口模塊負(fù)責(zé)于外部電腦通訊。

2.4 數(shù)據(jù)同步

硬件同步通過數(shù)據(jù)采集板的時鐘系統(tǒng)實現(xiàn),通常情況下,數(shù)據(jù)采集板收集的數(shù)據(jù)與采集傳感器和里程編碼器數(shù)據(jù)不一致,為了使兩者對應(yīng)起來,在數(shù)據(jù)采集板內(nèi)部集成精密的時鐘系統(tǒng),并將傳感器和里程計的數(shù)據(jù)統(tǒng)一到同一個時間坐標(biāo)系統(tǒng)下,見圖2。

圖2中,假設(shè)時鐘頻率為H,里程編碼器的數(shù)據(jù)獲取時間為tn,數(shù)據(jù)采集傳感器的數(shù)據(jù)獲取時間為tk,通常情況下tn≠tk。假設(shè)在tn時刻得到的里程計的里程值為ln,ln的值可根據(jù)式(2)計算,tk時刻得到的數(shù)據(jù)采集傳感器的值為ρk,則將＜τn,tn,ln>和＜τk,tk,lk>存放到時間表L中,L中的數(shù)據(jù)按時間順序排列,τ表示傳感器的類型,可取數(shù)據(jù)為0或1,0表示里程計,1表示數(shù)據(jù)采集傳感器,此時,τn=0,τk=1。

圖2 數(shù)據(jù)采集傳感器和里程編碼器數(shù)據(jù)獲取時序

輸出過程中,輸出的頻率h遠(yuǎn)小于時鐘的頻率H,故需要對表L中的數(shù)據(jù)重新采樣,并將里程計編碼器數(shù)據(jù)和數(shù)據(jù)采集傳感器數(shù)據(jù)進(jìn)行同步。假設(shè)在時間tk處有采樣點,且距tk最近的里程編碼器的數(shù)據(jù)記錄時間為tn和tm,tn和tm位于tk兩側(cè),且tm>tn,距tk最近的數(shù)據(jù)采集傳感器的數(shù)據(jù)記錄時間為tp和tq,tp和tq位于tk兩側(cè),且tq>tp,見圖3。

圖3 數(shù)據(jù)重采樣和數(shù)據(jù)同步

tk時刻里程的數(shù)據(jù)lk可通過式(3)計算,tk時刻軌枕掃描數(shù)據(jù)ρk可通過式(4)計算。

式(3)和式(4)中,可將里程和激光傳感器掃描的數(shù)據(jù)歸化到同一坐標(biāo)軸上,見圖4。

由圖4可知,數(shù)據(jù)并不是均勻地呈現(xiàn)方波狀,而是會出現(xiàn)很多奇點,這些奇點會嚴(yán)重影響軌枕識別的正確性和可靠性,而神經(jīng)網(wǎng)絡(luò)可將這些基點濾掉,實現(xiàn)軌枕的正確識別。

圖4 里程和軌枕掃描數(shù)據(jù)

3 BP神經(jīng)網(wǎng)絡(luò)識別數(shù)據(jù)

3.1 BP神經(jīng)網(wǎng)絡(luò)的簡介

BP神經(jīng)網(wǎng)絡(luò)是人工智能中應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò),它是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋

神經(jīng)網(wǎng)絡(luò)。其計算過程分為正向計算和反向計算,在正向計算中,數(shù)據(jù)從輸入層錄入,經(jīng)過層層計算,從輸出層輸出,用于智能識別。反向計算用于對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中,當(dāng)實際輸出與期望輸出不一致時,通過誤差反轉(zhuǎn)將誤差分配給各個神經(jīng)元。

BP神經(jīng)網(wǎng)絡(luò)在理論和性能上都比較成熟,具有很強(qiáng)的非線性映射能力和柔性的網(wǎng)絡(luò)結(jié)構(gòu)。對于軌枕識別來講,這些優(yōu)點表現(xiàn)如下。

(1)算法穩(wěn)定可靠

軌枕識別需要穩(wěn)定可靠的算法,要求識別正確率高,識別速度快,一般情況下,在軌檢儀推行過程中就能實時識別和定位軌枕。

(2)具有較強(qiáng)的容錯和糾錯能力

通常情況下,軌道狀態(tài)復(fù)雜,一般的算法極易漏識軌枕,BP神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)的功能,把識別錯誤的數(shù)據(jù)糾正后作為新的訓(xùn)練樣本重新訓(xùn)練BP神經(jīng)網(wǎng)絡(luò),使得BP神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的容錯能力。

3.2 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

一般情況下,BP神經(jīng)網(wǎng)絡(luò)分為輸入層、隱藏層和輸出層(見圖5)。其中,輸入層用于數(shù)據(jù)的輸入;隱藏層可以有1層或多層,且每個隱藏層節(jié)點都有1個激勵函數(shù)f(x)和1個修正值θ;輸出層與隱藏層相似,唯一不同的是它沒有后續(xù)節(jié)點。

圖5 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

針對軌枕識別規(guī)律,算法采用4層網(wǎng)絡(luò)結(jié)構(gòu):分別為1個輸入層、2個隱藏層和1個輸出層。神經(jīng)網(wǎng)絡(luò)的輸入層為(x,y),其中,x為里程,y是該里程下激光傳感器測得的數(shù)值,但在實際情況下,x值比較大,且不具有唯一性,因此需對x值進(jìn)行處理,有

式(5)中,x為當(dāng)前里程;x0為與x最近且小于x的數(shù)據(jù)下降沿或上升沿起點,見圖6。

圖6中,由于激光傳感器安裝在軌檢儀的底部,而軌枕一般突出在軌道面上,故激光傳感器在軌枕上測出的數(shù)據(jù)比較小,當(dāng)測得的數(shù)據(jù)呈“U”形時,可以初步判斷該區(qū)域為軌枕。

對于一個理想數(shù)據(jù)(無奇點),激光傳感器得到數(shù)據(jù)可以分為下降沿、平緩區(qū)和上升沿,而下降沿、平緩區(qū)和上升沿組成的“U”形就是要識別的軌枕(見圖6)。因此,在軌枕識別的時候,只需要將這3個區(qū)域識別出來即可(見圖7)。

圖6 里程值的修正

圖7 BP神經(jīng)網(wǎng)絡(luò)識別過程

3.3 訓(xùn)練樣本與目標(biāo)函數(shù)

當(dāng)BP神經(jīng)網(wǎng)絡(luò)構(gòu)建后,應(yīng)對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,使其在不受奇點影響的情況下仍能正確識別軌枕,設(shè)定訓(xùn)練誤差目標(biāo)為0.001,訓(xùn)練迭代次數(shù)不超過300,學(xué)習(xí)速率為0.05。

在選擇訓(xùn)練樣本中,應(yīng)針對不同的鐵路選擇不同的訓(xùn)練樣本,如無砟軌道CRTSⅢ型板的軌枕間距和承軌槽寬度與有砟軌道的軌枕間距和軌枕寬度不同,因此,針對無砟軌道CRTSⅢ型板樣本訓(xùn)練出的網(wǎng)絡(luò)無法應(yīng)用于其他板型。

在訓(xùn)練過程中,為了使得訓(xùn)練快速達(dá)到預(yù)期目標(biāo),并將自然語言轉(zhuǎn)換為計算機(jī)能識別的數(shù)字語言。算法對目標(biāo)函數(shù)進(jìn)行二值化處理,見圖8。

圖8 原始數(shù)據(jù)和二值化處理后結(jié)果函數(shù)

在圖8中,將原始數(shù)據(jù)(即神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù))和經(jīng)過判讀后的二值化數(shù)據(jù)(即神經(jīng)網(wǎng)絡(luò)輸出數(shù)據(jù))輸入神經(jīng)網(wǎng)絡(luò),并對神經(jīng)網(wǎng)絡(luò)訓(xùn)練,訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)即可用于軌枕識別和定位。

3.4 軌枕定位

將訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)用于軌枕識別,將得到包含0和1的二值化數(shù)據(jù),要定位軌枕還需要從這些數(shù)據(jù)中提取里程。不難看出,這些二值化數(shù)據(jù)的x軸正包含了掃描點里程信息,而由“下降沿”,“平緩區(qū)”和“上升沿”組成的“U”形就是要定位的軌枕。假定“U”形的“下降沿”起點和終點里程分別為d0和d1,“上升沿”的起點和終點里程分別為u0和u1,則軌枕的里程l為

其中,d和u分別表示下降沿和上升沿的里程。

4 實驗分析

4.1 軌枕誤識率

軌枕誤識率η(簡稱誤識率)表示軌枕識別的錯誤率,其公式為

其中,e為待識別軌枕錯誤的數(shù)量;a為待識別軌枕的總數(shù)量;誤識率是判斷軌枕識別算法的重要指標(biāo),一般情況下,誤識率高說明算法識別錯誤率高,算法性能差,誤識率低說明算法識別錯誤率低,算法性能好,在理想狀態(tài)下,誤識率應(yīng)為0。

4.2 工程背景

為了驗證該算法的正確性和實用性,該算法先后在西南某鐵路進(jìn)行測試,測試段詳細(xì)信息見表2。

表2 實驗工程段信息

由表2可知,測試1是在無砟軌道上進(jìn)行的,該測試軌枕排列均勻,軌枕與軌枕間距相對固定,中間無異物,測試條件良好;測試2是在有砟軌道上進(jìn)行的,該軌道軌枕間距不固定,軌枕與軌枕間有石塊或雜草,對測試干擾大,測試環(huán)境復(fù)雜,且部分地段存在缺失軌枕的情況。

4.3 實驗難點

(1)如何保證算法收斂

保證算法收斂的關(guān)鍵在于使用正確的訓(xùn)練樣本和使用較大的誤差目標(biāo)。如果訓(xùn)練樣本中含有錯誤項,會使誤識率提高或者算法不收斂;小的誤差目標(biāo)說明算法期望值大,這樣會使程序?qū)⒄_的訓(xùn)練樣本誤認(rèn)為是錯誤的,從而造成算法難以收斂。

(2)如何提高算法效率

誤差目標(biāo)的選取要趨于平衡,過大會造成誤識率提高,過小會造成算法效率低或算法不收斂。如在測試2中,誤差目標(biāo)不宜過小,因為測試2的測試環(huán)境較復(fù)雜,算法期望值小反而有利于識別軌枕。

(3)如何有效防止軌枕漏檢

在測試1中,軌枕漏檢的幾率小,采集的數(shù)據(jù)圖形呈規(guī)則的方波狀,數(shù)據(jù)漏檢主要是因為傳感器被遮擋或主控單元電壓低;而測試2軌枕漏檢的幾率大,主要是因為軌枕之間的異物對測試的干擾大,且軌枕的間距不均勻,容易將異物當(dāng)做軌枕。

4.4 實驗結(jié)果

通過對實驗數(shù)據(jù)進(jìn)行分析,得到如下結(jié)論。

(1)誤差目標(biāo)與誤識率成正比

誤差目標(biāo)越小,誤識率越少,軌枕定位精度越高,在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中,誤差目標(biāo)是軌枕識別精度的體現(xiàn),一般來講,誤差目標(biāo)越小,表示軌枕識別的期望值越高,軌枕識別精度越高,如圖9。

由圖9可知,誤差目標(biāo)越小,誤識率就越小,當(dāng)誤差目標(biāo)小于0.001時,誤識率趨近于0,即BP神經(jīng)網(wǎng)絡(luò)識別正確率趨近100%;當(dāng)誤差目標(biāo)逐步變大的時候,誤識率的趨勢也隨之變大,但在某些區(qū)域由于樣本的差異會出現(xiàn)局部最小值。

圖9 誤識率(百分比)和誤差目標(biāo)的關(guān)系

(2)誤差目標(biāo)越小,算法收斂越難

迭代次數(shù)是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度的直接體現(xiàn),一般情況下,誤差目標(biāo)越小,迭代次數(shù)越小或者函數(shù)無法迭代,見圖10,當(dāng)誤差目標(biāo)等于0.001,可保證函數(shù)收斂,且迭代次數(shù)為28～40次。

圖10 迭代次數(shù)和誤差目標(biāo)的關(guān)系

(3)加入軌枕缺失學(xué)習(xí)樣本可以有效防止軌枕漏檢

一般情況下,激光傳感器以40Hz的頻率采樣,可以保證軌枕識別正確,但在激光傳感器遮擋或主控單元低電壓工作的時候,會導(dǎo)致激光傳感器的采樣頻率下降,從而使得某些軌枕漏檢。另外,在測試2的條件下,由于測試條件復(fù)雜也極易造成漏檢,為了防止這種情況的發(fā)生,可以通過添加軌枕缺失的學(xué)習(xí)樣本, BP神經(jīng)網(wǎng)絡(luò)可根據(jù)軌枕缺失學(xué)習(xí)樣本重新調(diào)整網(wǎng)絡(luò)權(quán)重,進(jìn)而將缺失軌枕補(bǔ)齊。

5 結(jié)論

闡述在運(yùn)動狀態(tài)下自動識別和定位軌枕的原理和基本方法,以及軌枕識別的實現(xiàn)方法,包括傳感器選型和多傳感器同步,再次構(gòu)建用于軌枕識別的BP神經(jīng)網(wǎng)絡(luò),通過訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)識別定位軌枕,最后通過實驗分析和對比得出如下結(jié)論。

(1)BP神經(jīng)網(wǎng)絡(luò)可以有效識別軌枕,降低軌枕的誤識率。

(2)BP神經(jīng)網(wǎng)絡(luò)具有自我糾錯的特性,當(dāng)遇到識別錯誤的時候,可以將錯誤的數(shù)據(jù)當(dāng)做樣本重新訓(xùn)練網(wǎng)絡(luò),訓(xùn)練后的網(wǎng)絡(luò)將不會出現(xiàn)類似識別錯誤。

(3)相較于傳統(tǒng)算法,BP神經(jīng)網(wǎng)絡(luò)具有靈活性好、可自我修正等優(yōu)點,能有效降低軌枕的誤識率。