(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111278403.9 (22)申请日 2021.10.3 0 (71)申请人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 金涛　陈日成　袁丁　杨雅熙　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 代理人 张灯灿　蔡学俊 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/02(2020.01) (54)发明名称 基于MOGRIFIER-GRU深度学习的列车稳定性 预测方法及系统 (57)摘要 本发明涉及一种基于MOGRIFIER ‑GRU深度学 习的列车稳定性预测方法及系统， 该方法包括以 下步骤： 步骤S1： 获取不同路况下列车加速度和 轮轨力数据， 并对数据进行归一化处理， 得到用 于训练预测模型的训练数据； 步骤S2： 搭建 MOGRIFIER ‑GRU深度学习预测模型， 并通过训练 数据对MOGRIFIER ‑GRU深度学习预测模型进行训 练， 得到训练好的MOGRIFIER ‑GRU深度学习预测 模型； 步骤S3： 采集实际运行列车实时传回的数 据， 通过训练好的MOGRIFIER ‑GRU深度学习预测 模型， 预测列车稳定性。 该方法及系统有利于降 低列车稳定性 监测成本， 提高轮 轨力预测精度。 权利要求书2页 说明书6页 附图3页 CN 113987679 A 2022.01.28 CN 113987679 A 1.一种基于MOGRIFIER ‑GRU深度学习的列车稳定性预测方法， 其特征在于， 包括以下步 骤： 步骤S1： 获取不同路况下列车加速度和轮轨力数据， 并对数据进行归一化处理， 得到用 于训练预测模型的训练数据； 步骤S2： 搭建MOGRIFIER ‑GRU深度学习 预测模型， 并通过训练数据对MOGRIFIER ‑GRU深 度学习预测模型进行训练， 得到训练好的MO GRIFIER‑GRU深度学习预测模型； 步骤S3： 采集实际运行列车实时传回的数据， 通过训练好的MOGRIFIER ‑GRU深度学习预 测模型， 预测列车 稳定性。 2.根据权利 要求1所述的基于MOGRIFIER ‑GRU深度学习的列车稳定性预测方法， 其特征 在于， 所述 步骤S1具体包括以下步骤： 步骤S11： 根据实际情况利用SIMPACK软件建立列车动力学模型， 在不 同路况下仿真求 得列车左右轴箱和 转向架的垂向加速度和横向加速度以及轨道的垂向轮轨力和横向轮轨 力， 作为预测模型的训练数据， 定义预测模型的输入参数xi,yi如下所示： xi＝[Lab_LAi,Lab_VAi,Rab_LAi,Rab_VAi,Ltf_LAi,Ltf_VAi,Rtf_LAi,Rtf_VAi,F_LLi‑1, F_LVi‑1,F_RLi‑1,F_RVi‑1,v] yi＝[P_Li,Q_Li,P_Ri,Q_Ri] 其中i表示第i个数据点； Lab_LAi,Lab_VAi表示列车左轴箱处的横向、 垂向加速度值； Rab_LAi,Rab_VAi表示列车右轴箱处的横向、 垂向加速度值； Ltf_LAi,Ltf_VAi表示列车转向 架左侧处的横向、 垂向加速度值； Rtf_ LAi,Rtf_VAi表示列车转向架右侧处的横向、 垂向加速 度值； P_Li,Q_Li表示轨道左侧的垂向轮轨力和横向轮轨力值； P_Ri,Q_Ri表示轨道右侧的垂 向轮轨力和横向轮轨力值； v表示列车运行速度； 步骤S12： 对训练数据进行归一 化处理： 其中， 为归一化后的数据， 为归一化前的数据， 中 分别为变量x和y的最小值和最大值。 3.根据权利 要求1所述的基于MOGRIFIER ‑GRU深度学习的列车稳定性预测方法， 其特征 在于， 所述 步骤S2具体包括以下步骤： 步骤S21： 建立GRU单个神经 元预测模型， 由更新门zt、 重置门rt组成， 其公式如下 所示： zt＝sigmoid(ωz*[ht‑1,xt]+bz) rt＝sigmoid(ωr*[ht‑1,xt]+br) 其中， ωz、 ωr、 bz、 br分别为更新门和重置门的权值系数矩阵和偏置项， ht‑1为上一时刻 隐藏层输出， xt表示当前时刻的输入矩阵， []表示矩阵拼接， *表示矩阵乘法； 更新门用于控制前一 时刻的状态信 息被带入到当前状态中的程度， 更新门的值越大说 明前一时刻的状态信息带入越多； 重置门用于控制前一状态有多少信息被写入到当前的候 选集上， 重 置门越小， 前一状态的信息被写入的越少；权　利　要　求　书 1/2 页 2 CN 113987679 A 2步骤S22： 通过更新门zt、 重置门rt计算当前时刻的隐藏层输出ht： 其中， 为当前时刻的候选状态值， 为候选状态的权 重矩阵和偏置项； 步骤S23： 引入MOGRIFIER机制， 不改变GRU本身的结构， 让输入和状态首先进行交互， 以 增强相邻时刻信息的关联能力， 其公式如下 所示： 当i为奇数且i∈[1,2,3,4,. ..,r] 当i为偶数且i∈[1,2,3,4,. ..,r] 其中， Qi,Ri中表示第i个Q交 互矩阵和R交 互矩阵； r 表示交互轮数； 步骤S24： 构建网络结构， 设置输入层节点个数， 第一隐藏层由GRU神经元构成， 设置节 点个数， 输入层和第一隐藏层之间采取MOGRIFIER机制； 第二隐藏层由GRU神经元构成， 设置 节点个数； 设置 输出层节点个数； 得到 MOGRIFIER‑GRU深度学习预测模型； 步骤S25： 训练预测模型， 设定隐藏层为设定值的dropout机制， 训练过程中以设定概率 随机失效隐藏层神经元； 利用L2范数损失函数MS E评估预测模型目标和实际输出差距， 其中 函数值越小说明实际输出与目标输出的差值越小， 损失函数的公式如下 所示： 其中， N为数据样本数目， y为数据样本目标值， 为反归一 化后的模型 预测值； 当训练过程中损失函数值低于设定的阈值或达到训练周期上限值 时， 认为预测模型训 练完成。 4.根据权利 要求1所述的基于MOGRIFIER ‑GRU深度学习的列车稳定性预测方法， 其特征 在于， 所述步骤S3中， 通过实际运行列车轴箱和转向架上 的加速度传感器传回的数据和列 车数据， 先进 行带通滤波， 去除传感器直流电源和轮轨间高频噪声 带来的干扰； 将滤波后数 据进行归一化， 输入到MOGRIFIER ‑GRU深度学习预测模 型中， 并将 输出值进 行反归一化得到 最终预测的轮轨力， 进 而求得列车 稳定性指标。 5.一种基于MOGRIFIER ‑GRU深度学习的列车稳定性预测系统， 其特征在于， 包括存储 器、 处理器以及存储于存储器上并能够被处理器运行 的计算机程序指令， 当处理器运行该 计算机程序指令时， 能够实现如权利要求1 ‑4所述的方法步骤。权　利　要　求　书 2/2 页 3 CN 113987679 A 3