基于改进ResNet的车辆振动响应无砟轨道路基沉降识别
《Transportation Geotechnics》:Improved ResNet-based identification of ballastless track subgrade settlement using vehicle vibration responses
【字体:
大
中
小
】
时间:2026年09月18日
来源:Transportation Geotechnics 6.2
编辑推荐:
建立了一个考虑路基不均匀沉降的耦合车辆-轨道-路基动力学模型,用于生成用于基于深度学习的识别的多样化车辆响应数据集。车体垂向加速度作为路基沉降智能检测的敏感输入特征。提出了一种融合轻量级注意力机制(ECA和CBAM)的改进ResNet,将物理动力学知识与数据驱动的特征提取相结
建立了一个考虑路基不均匀沉降的耦合车辆-轨道-路基动力学模型,用于生成用于基于深度学习的识别的多样化车辆响应数据集。车体垂向加速度作为路基沉降智能检测的敏感输入特征。提出了一种融合轻量级注意力机制(ECA和CBAM)的改进ResNet,将物理动力学知识与数据驱动的特征提取相结合。所提出的物理信息深度学习方法在实时无砟轨道状态监测中表现出强大的抗噪性和跨条件泛化能力。
引言
随着高速铁路从大规模建设向长期运营转变,现有的运营维护系统面临重大挑战。路基作为铁路基础设施的基础支撑层,容易受到循环列车载荷和温度变化等环境因素的综合作用而发生不均匀沉降。由于无砟轨道结构的高刚度及其有限的适应基础变形的能力,保持轨道与路基之间的变形相容性很困难。这种状况会导致轨道系统结构损坏,进而影响其服务性能和耐久性[1]。当发生显著的路基不均匀沉降时,轨道无法保持其设计的几何形位。由此导致的轨道与路基变形不相容可能引起轨道结构内的层间粘结失效,导致层间开裂、局部脱空甚至大面积空隙形成等缺陷。这些问题不仅大幅增加了维护成本,还对乘坐舒适度和高速列车的运营安全构成严重威胁[2]、[3]、[4]。
路基不均匀沉降及其导致的轨道结构内层间空隙具有强隐蔽性、接触状态不连续、承受强烈动力载荷以及对环境因素敏感等特点。这些特性使得检测困难且修复成本高昂。微小的不相容变形往往在被忽视,直到造成轨道几何形位过大偏差甚至结构失效。传统监测方法——包括人工水准测量、激光扫描、埋设沉降桩、沉降板和分层沉降计——依赖于离散测点。因此,其精度有限、效率低下,且无法提供全面的实时监测[5]、[6]。新兴技术如GPS、地面穿透雷达和光纤传感提高了监测的连续性和实时性能。特别是光纤布拉格光栅传感器因其高灵敏度和强抗电磁干扰能力而被广泛采用。然而,这些技术通常伴随着高昂的实施成本和长期监测稳定性维护方面的挑战,限制了其满足高速铁路网络对成本效益和高效运营维护的需求[7]、[8]。
近年来,人工智能技术的快速发展为无砟轨道系统损伤检测提供了新的机遇。众多研究人员将机器学习和深度学习方法应用于该领域,聚焦于空隙识别、轨道不平顺分析、裂纹检测和扣件缺陷诊断等关键问题,并取得了可喜成果。例如,Li等[9]利用传感器获取的轨道砂浆层空隙数据,结合基于小波变换的特征提取与遗传算法优化的支持向量机(GA-SVM),实现了砂浆层空隙的高效识别。Xin等[10]基于车辆振动响应开发了CNN-SVM混合分类器,以准确识别砂浆空隙的位置和长度。Ma等[11]、[12]将卷积神经网络(CNN)与分析模态分解及连续小波变换相结合,用于检测无砟轨道的向上变形。Tang等[13]、[14]提出了一个无监督学习框架,利用车辆动力学响应和轨道不平顺监测数据来诊断高速铁路无砟轨道宽缝和窄缝处的向上变形。他们进一步开发了两种策略,即完全无监督方法和少量样本微调方法。Guo等[15]采用随机森林算法从监测信号中区分多种干扰源,实现了轨道板变形的有效识别。Guo等[16]应用Mask R-CNN模型实现了铁路表面缺陷的高精度自动检测。Ye等[17]开发了STCNet-I网络,利用裂纹测试样本快速准确地识别板结轨道中的混凝土裂纹。He等[18]将分布式声波传感、信号处理技术和基于ResNet的模型相结合,构建缺陷数据集,从而提高了缺陷识别效率和准确性。Tang等[19]建立了一个两阶段框架,集成了改进的Faster R-CNN和支持向量数据描述(SVDD),提高了轨道错位在情况下的识别准确性。Li等[20]提出了一种改进的YOLOv5s模型,通过引入卷积块注意力模块(CBAM)、加权双向特征金字塔网络(BiFPN)和K-means++算法进行锚框优化,用于铁路扣件缺陷检测,有效解决了现有数据集的局限性。Yin等[21]采用轴箱振动频谱图作为输入特征,结合深度卷积神经网络,实现了扣件缺陷检测。Luo等[22]开发了基于粒子群优化算法的智能预测模型,用于高速列车-轨道动力相互作用下高速铁路扣件夹片的疲劳寿命预测。通过建立动力学响应分析模型,所提出的方法实现了高频振动条件下扣件夹片的高效疲劳寿命评估。
在铁路路基变形识别领域,Cai等[23]率先引入了径向基函数(RBF)神经网络用于反演识别。利用车辆-轨道-路基有限元模型获得的车体垂向加速度,他们进行了路基不均匀沉降的反演估算。然而,该方法受限于其特征表示能力和计算效率,导致精度不足且计算成本较高。随后,深度学习技术被引入该领域,实现了高层特征的自动提取和端到端建模,从而显著提高了识别性能和效率。Chen等[24]开发了一个基于一维全卷积编解码网络(FCN)的轨道不平顺反演和路基沉降识别框架。车辆振动加速度被用作信息载体,并通过集成时频分析提取沉降特征。Ren和Xu等[25]、[26]利用粒子群优化-支持向量机(PSO-SVM)和一维卷积神经网络(1D-CNN)方法,基于车辆动力学响应识别无砟轨道路基的差异沉降。他们的研究证实车体垂向加速度是沉降识别的敏感指标。Li等[27]提出了一种基于车辆-轨道动力学响应数据的CNN-LSTM深度学习模型。通过采用车体垂向加速度、俯仰角速度和轨道位移作为多通道输入,实现了路基不均匀沉降的准确识别。Wei等[28]结合精细数值模拟和注意力机制,包括高效通道注意力(ECA)和卷积块注意力模块(CBAM),开发了一种路基冻胀分区方法。该方法提高了车辆加速度信号的特征提取能力。总之,这些研究表明了深度学习技术在路基变形识别中的有效性。
尽管取得了这些进展,大多数现有的基于深度学习的识别方法依赖于单一振动信号作为数据源,导致识别精度有限且抗噪干扰能力不足。虽然多通道混合模型可以提高性能,但它们通常需要复杂的数据预处理程序,涉及复杂的网络架构和大量参数。此外,这些模型的训练往往依赖于复杂的有限元模拟或难以获取的现场监测数据。与现有主要关注改进一般分类任务中特征表示的注意力增强深度学习方法不同,本研究旨在探讨轻量级注意力机制在车辆-轨道-路基相互作用条件下从车辆振动响应中提取微弱沉降相关特征的有效性。
提出了一种集成车辆-轨道-路基动力学建模与深度学习的智能识别框架,用于无砟轨道路基沉降检测。首先,建立了一个考虑随机轨道不平顺激励和路基沉降效应的耦合车辆-轨道-路基动力学模型,以在不同沉降条件下生成具有物理意义的振动响应数据集。基于振动敏感性和频域分析,选择车体垂向加速度作为沉降识别的有效指标。随后,开发了一个融合ECA和CBAM注意力机制的改进ResNet模型,以增强从一维振动信号中提取沉降敏感特征的能力。与将注意力模块直接应用于常规分类任务不同,所提出的框架将通道和空间注意力机制与铁路动力学响应特性相结合,从而提高了特征表示能力、抗噪性和泛化性能。
本研究的主要贡献总结如下:
(1)建立了一个考虑实际轨道激励的车辆-轨道-路基耦合动力学模型。考虑了基于中国谱的路基沉降和轨道不平顺激励效应,以分析不同沉降幅度和波长下的车辆振动响应。结合动力学响应和时频分析,确认车体垂向加速度是沉降检测的敏感指标,为基于车辆振动响应的路基沉降识别提供了理论基础。
(2)提出了一种融合ECA和CBAM注意力机制的改进ResNet模型。为了解决车辆振动响应中沉降相关特征微弱和噪声敏感的问题,联合引入通道注意力和空间注意力机制,以增强沉降相关特征表示,从而提高微弱振动特征的提取能力和识别性能。
(3)建立了一套系统的模型评估策略。通过抗噪性实验和跨条件测试验证了所提方法在复杂工况下的鲁棒性和泛化能力,为高速铁路基础设施的智能监测和状态评估提供了一种可行的技术方案。整体识别框架如图1所示。
章节摘要
车辆-轨道-路基耦合动力学模型的建立
基于车辆-轨道耦合动力学理论,在MATLAB中建立了一个考虑路基沉降效应的高速铁路车辆-轨道-路基耦合动力学仿真模型。该模型的整体框架如图2所示。模型由四个子系统组成:车辆动力学子系统、轮轨相互作用子系统、轨道结构子系统和路基沉降子系统。
车辆动力学子系统被简化为
振动指标敏感性分析
车辆-轨道-路基系统中的车辆响应数据可通过车载传感器实时连续获取。与轨道结构参数和路基内部状态变量相比,此类数据更容易测量,且无需复杂的嵌入式仪器,使其非常适合工程检查和状态监测。本研究中建立的车辆-轨道-路基耦合动力学模型用于模拟相应的
基于车体加速度的路基沉降识别网络架构设计
在本研究中,采用ResNet进行基于车体加速度响应的无砟轨道路基沉降识别。与传统的CNN相比,ResNet引入了残差连接以缓解网络深度增加引起的梯度退化,从而能够从振动响应中更有效地提取判别性特征。
为进一步增强沉降相关特征的表示能力,融合了ECA和CBAM注意力机制
深度学习方法对比
为验证残差架构在提取路基不均匀沉降引起的微弱振动特征方面的优越性,在常规一维卷积神经网络(CNN)与残差神经网络(ResNet)之间进行了对比研究。两个模型均使用车体垂向加速度的原始时间序列信号作为输入,并采用相同的数据集划分策略。这消除了其他因素的影响,确保了公平的比较
结论
本研究的主要贡献是基于车辆响应信号和改进ResNet模型开发了一种无砟轨道路基不均匀沉降识别方法。具体结论如下:
(1)建立了一个考虑路基不均匀沉降的车辆-轨道-路基耦合动力学模型,并系统地分析了不同沉降条件下车辆的振动响应特性。结果表明车体
作者贡献声明
Yu Guo:原创草稿撰写、监督、软件、概念化。Chi Zhang:原创草稿撰写、软件、方法论、调查研究。Shaolin Wang:审阅与编辑、验证、资源、数据管理。
利益冲突声明
作者声明他们没有任何已知的竞争性经济利益或个人关系,这些关系可能影响本文所报告的工作。
致谢
本研究得到国家自然科学基金(项目编号:52502533)、天津市自然科学基金(项目编号:25JCQNJC00050)和内蒙古自治区自然科学基金(项目编号:2024MS05035)的支持。
Yu Guo | Chi Zhang | Shaolin Wang
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号