一種基于BP神經網絡的軌枕定位方法

趙 龍 王國祥 劉 暢 陳海軍 鄭子天

(1.中鐵二院工程集團有限責任公司,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的關鍵環節之一,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備[1]。隨著技術的發展和新設備的應用,軌檢儀已經從靜態測量轉化為動態測量,并初步實現從理論研究到產品的轉換。目前比較成熟的產品有SGJ-T型慣導軌檢儀和基于慣導定位和多種傳感器組合的軌道檢測儀,這些慣導軌檢儀的應用,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,可實現對病害軌道的快速查找和定位,并指導高速鐵路無砟軌道的精調[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行分析,歸納和聚類,最后將圖像和里程進行關聯,以實現軌枕的識別和定位[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有嚴格要求,且電磁干擾對識別結果影響較大[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神經網絡對掃描數據進行處理,并利用多個樣本數據對BP神經網絡進行訓練,提取并定位軌枕數據,該方法可大幅提高軌枕識別的效率和準確度,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,感應距離長,不易出現因為超出感應距離而漏檢的情況。

2 硬件和數據同步

軌枕識別器的硬件包括數據采集傳感器、里程編碼器和數據采集板3個部分,數據采集傳感器負責軌枕數據的采集,里程編碼器記錄當前軌檢儀推行的里程,數據采集板將軌枕數據和里程數據進行匯總,并通過一定頻率發送到電腦端。

2.1 數據采集傳感器

傳統的軌枕識別設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據,這種設備因檢測精度不穩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據進行采集。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、超聲波傳感器和高速攝像機。

在篩選傳感器的過程中,應考慮傳感器的感應距離、測量精度、輸出頻率和輸出類型等指標。感應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。一般情況下,測量距離越小,頻率越高,在距離相同的情況下,聲波傳輸的速度要比光速和電磁波慢,所以超聲波傳感器的測量頻率低,輸出類型包括模擬量、數字量、開關量和圖片,傳感器指標對比見表1。

表1 各類傳感器指標對比

由于激光傳感器具有感應距離長,測量分辨率和輸出分辨率高,且不受光源的強弱影響等優點,故選擇激光傳感器作為數據采集器。

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動,進而記錄行走輪轉動的圈數。

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的圈數。A,B相脈沖與編碼器的分辨率相關,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了μ/360°,A相和B相差90°,A相在前表示編碼器正向旋轉,B相在前表示編碼器反向旋轉。

假設A相脈沖計數為ε,Z相脈沖計數為τ,行走輪直徑為φ,則當前相對里程為

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 數據采集板

數據采集板收集傳感器和里程計的數據,并通過發包的形式將數據傳輸到電腦,數據采集板由微控制單元(MCU)、電源模塊、時鐘系統、串口模塊基準電壓和外設數據線組成,見圖1。

圖1 數據采集板組成結構

其中,MCU負責收集數據、處理數據和轉換數據,并且將處理后的數據發送到電腦端;電源模塊則負責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行設定,基準電壓則為MCU內部數模轉換器提供電壓基準;激光傳感器模擬電壓可通過該電壓轉換為數字信號;時鐘系統用于激光傳感器數據和里程編碼器的同步;串口模塊負責于外部電腦通訊。

2.4 數據同步

硬件同步通過數據采集板的時鐘系統實現,通常情況下,數據采集板收集的數據與采集傳感器和里程編碼器數據不一致,為了使兩者對應起來,在數據采集板內部集成精密的時鐘系統,并將傳感器和里程計的數據統一到同一個時間坐標系統下,見圖2。

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

圖2 數據采集傳感器和里程編碼器數據獲取時序

輸出過程中,輸出的頻率h遠小于時鐘的頻率H,故需要對表L中的數據重新采樣,并將里程計編碼器數據和數據采集傳感器數據進行同步。假設在時間tk處有采樣點,且距tk最近的里程編碼器的數據記錄時間為tn和tm,tn和tm位于tk兩側,且tm>tn,距tk最近的數據采集傳感器的數據記錄時間為tp和tq,tp和tq位于tk兩側,且tq>tp,見圖3。

圖3 數據重采樣和數據同步

tk時刻里程的數據lk可通過式(3)計算,tk時刻軌枕掃描數據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據歸化到同一坐標軸上,見圖4。

由圖4可知,數據并不是均勻地呈現方波狀,而是會出現很多奇點,這些奇點會嚴重影響軌枕識別的正確性和可靠性,而神經網絡可將這些基點濾掉,實現軌枕的正確識別。

圖4 里程和軌枕掃描數據

3 BP神經網絡識別數據

3.1 BP神經網絡的簡介

BP神經網絡是人工智能中應用最廣泛的神經網絡,它是一種按照誤差逆向傳播算法訓練的多層前饋

神經網絡。其計算過程分為正向計算和反向計算,在正向計算中,數據從輸入層錄入,經過層層計算,從輸出層輸出,用于智能識別。反向計算用于對神經網絡的訓練過程中,當實際輸出與期望輸出不一致時,通過誤差反轉將誤差分配給各個神經元。

BP神經網絡在理論和性能上都比較成熟,具有很強的非線性映射能力和柔性的網絡結構。對于軌枕識別來講,這些優點表現如下。

(1)算法穩定可靠

軌枕識別需要穩定可靠的算法,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)具有較強的容錯和糾錯能力

通常情況下,軌道狀態復雜,一般的算法極易漏識軌枕,BP神經網絡具有學習的功能,把識別錯誤的數據糾正后作為新的訓練樣本重新訓練BP神經網絡,使得BP神經網絡具有更強的容錯能力。

3.2 BP神經網絡的構建

一般情況下,BP神經網絡分為輸入層、隱藏層和輸出層(見圖5)。其中,輸入層用于數據的輸入;隱藏層可以有1層或多層,且每個隱藏層節點都有1個激勵函數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節點。

圖5 BP神經網絡結構

針對軌枕識別規律,算法采用4層網絡結構:分別為1個輸入層、2個隱藏層和1個輸出層。神經網絡的輸入層為(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值進行處理,有

式(5)中,x為當前里程;x0為與x最近且小于x的數據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據比較小,當測得的數據呈“U”形時,可以初步判斷該區域為軌枕。

對于一個理想數據(無奇點),激光傳感器得到數據可以分為下降沿、平緩區和上升沿,而下降沿、平緩區和上升沿組成的“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個區域識別出來即可(見圖7)。

圖6 里程值的修正

圖7 BP神經網絡識別過程

3.3 訓練樣本與目標函數

當BP神經網絡構建后,應對BP神經網絡進行訓練,使其在不受奇點影響的情況下仍能正確識別軌枕,設定訓練誤差目標為0.001,訓練迭代次數不超過300,學習速率為0.05。

在選擇訓練樣本中,應針對不同的鐵路選擇不同的訓練樣本,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型板樣本訓練出的網絡無法應用于其他板型。

在訓練過程中,為了使得訓練快速達到預期目標,并將自然語言轉換為計算機能識別的數字語言。算法對目標函數進行二值化處理,見圖8。

圖8 原始數據和二值化處理后結果函數

在圖8中,將原始數據(即神經網絡輸入數據)和經過判讀后的二值化數據(即神經網絡輸出數據)輸入神經網絡,并對神經網絡訓練,訓練后的神經網絡即可用于軌枕識別和定位。

3.4 軌枕定位

將訓練后的神經網絡用于軌枕識別,將得到包含0和1的二值化數據,要定位軌枕還需要從這些數據中提取里程。不難看出,這些二值化數據的x軸正包含了掃描點里程信息,而由“下降沿”,“平緩區”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量;a為待識別軌枕的總數量;誤識率是判斷軌枕識別算法的重要指標,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,在理想狀態下,誤識率應為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行測試,測試段詳細信息見表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,測試環境復雜,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

保證算法收斂的關鍵在于使用正確的訓練樣本和使用較大的誤差目標。如果訓練樣本中含有錯誤項,會使誤識率提高或者算法不收斂;小的誤差目標說明算法期望值大,這樣會使程序將正確的訓練樣本誤認為是錯誤的,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,誤差目標不宜過小,因為測試2的測試環境較復雜,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,采集的數據圖形呈規則的方波狀,數據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,容易將異物當做軌枕。

4.4 實驗結果

通過對實驗數據進行分析,得到如下結論。

(1)誤差目標與誤識率成正比

誤差目標越小,誤識率越少,軌枕定位精度越高,在神經網絡訓練過程中,誤差目標是軌枕識別精度的體現,一般來講,誤差目標越小,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,誤差目標越小,誤識率就越小,當誤差目標小于0.001時,誤識率趨近于0,即BP神經網絡識別正確率趨近100%;當誤差目標逐步變大的時候,誤識率的趨勢也隨之變大,但在某些區域由于樣本的差異會出現局部最小值。

圖9 誤識率(百分比)和誤差目標的關系

(2)誤差目標越小,算法收斂越難

迭代次數是神經網絡學習速度的直接體現,一般情況下,誤差目標越小,迭代次數越小或者函數無法迭代,見圖10,當誤差目標等于0.001,可保證函數收斂,且迭代次數為28～40次。

圖10 迭代次數和誤差目標的關系

(3)加入軌枕缺失學習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,由于測試條件復雜也極易造成漏檢,為了防止這種情況的發生,可以通過添加軌枕缺失的學習樣本, BP神經網絡可根據軌枕缺失學習樣本重新調整網絡權重,進而將缺失軌枕補齊。

5 結論

闡述在運動狀態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方法,包括傳感器選型和多傳感器同步,再次構建用于軌枕識別的BP神經網絡,通過訓練后的神經網絡識別定位軌枕,最后通過實驗分析和對比得出如下結論。

(1)BP神經網絡可以有效識別軌枕,降低軌枕的誤識率。

(2)BP神經網絡具有自我糾錯的特性,當遇到識別錯誤的時候,可以將錯誤的數據當做樣本重新訓練網絡,訓練后的網絡將不會出現類似識別錯誤。

(3)相較于傳統算法,BP神經網絡具有靈活性好、可自我修正等優點,能有效降低軌枕的誤識率。