基于GA-BP模型的列车脱轨系数预测

摘要：为实现列车脱轨系数的精准预测，本文提出一种基于GA-BP神经网络模型的列车脱轨系数预测方法。通过在SIMPACK中建立50个自由度的车辆模型，形成深度学习训练数据集。依据已有研究，确定车速、半径、超高、轨距加宽、缓和曲线、轨底坡、轮轨摩擦系数等参数作为属性进行直接脱轨系数预测，同时针对传统神经网络收敛速度慢等缺点，采用遗传算法（Genetic Algorithm，GA）进行优化。结果表明：GA-BP神经网络预测模型在相对误差及迭代次数上有明显改善，克服了BP神经网络随机选取权值和阈值的缺陷，初步验证了该方法在列车脱轨系数预测方面的可行性。

关键词：脱轨系数；BP神经网络；遗传算法；预测模型

随着人工智能蓬勃发展，利用机器学习和深度学习的方法挖掘轨道安全指标背后的规律，建立基于数据的预测方法成为最近的研究热点。张磊[1]等基于BP神经网络建立了小半径曲线侧磨仿真模型，解决了钢轨的磨耗预测需求。张卜[2]等研究了基于BP-LSTM网络的组合式预测模型及其在脱轨系数预测中的应用，为预测脱轨系数变化趋势提供参考。鉴于BP神经网络易陷入局部最小值的缺陷，本文基于麻雀搜索算法和遗传算法对BP神经网络进行改进，以期实现钢轨磨耗的精准预测，从而为钢轨的精准养修和科学更换提供科学依据。鉴于BP神经网络易陷入局部最小值的缺陷，本文基于遗传算法对BP神经网络进行改进，以期实现列车脱轨系数的预测，从而为列车的运行安全提供保障。

1.列车模型

本文依据国内某型高速列车结构参数，利用SIMPACK软件建立车辆模型，如图2所示。该车由1个车体、2个构架、4个轮对、一系和二系悬挂等部件构成，整个车辆系统共计50个自由度。建立列车的结构拓扑关系，如图3所示。结构拓扑关系即列车各个部件之间的联系方式，用力元定义一、二系悬挂的纵向、垂向和横向刚度及阻尼。在直线线路上设置京津轨道谱激扰，轮轨关系采用LMA型踏面，CHN60型钢轨（图1、2）。

2.模型基本原理

误差逆传播神经网络即BP神经网络是目前最广泛成熟的一种人工神经网络，凭借算法结构简单、自学习能力强、泛化程度高的优势得到科研人员的广泛研究，其本质是一种误差反向传播训练的神经网络，单元结构如图3所示。

BP神经网络结构包括输入层、隐含层、输出层，Kolmogorov定理已经证明经过充分学习的三层BP神经网络即只含有一个隐含层，可以精确表示任意非线性关系[3]。BP神经网络的核心思想是对于给定的学习样本，使网络的输入等于样本的输入，根据网络实际输出与样本输出的误差来动态修正连接权值，使网络输出与样本输出间的误差达到设定精度的过程[4]。

遗传算法（Genetic Algorithm，GA）是模拟自然界中的进化机制处理数据，在运行时可以进行随机的整体搜索和优化并且自主学习积累知识[5]。在求解问题时遗传算法可以同时处理整个解空间，也可以同时从不同点取得极值进行比较。在应用于改进其他学习算法时，其适应能力很强。

3.数据集和预测结果

本文研究车速、超高、轮对抬升量这三项因素对脱轨系数的影响，通过不同条件下的仿真试验，提取车速、半径、超高、轨距加宽、缓和曲线、轨底坡、轮轨摩擦系数作为属性（表1）。

从表1可以看出样本数据单位不同，数据量级相差较大，这对使用梯度下降法寻优的神经网络训练极为不利，因此采用 进行归一化处理，将各维度的数值放缩至（0，1）范围，x为原始数值，μ为该维数据的平均值，σ为该维数据的标准差。将表中1-32组数据作为输入学习样本，剩余4组数据作为模型测试数据，分别利用传统的BP神经网络和GA-BP神经网络进行脱轨系数预测，预测结果见表2。

由表2可知，GA-BP模型与实测值更加接近，4组测试样本的相对误差最大仅为5.2%。相比于传统BP模型，GA-BP模型相对误差显著降低，这是因为神经网络的初始权值和阈值两个重要参数经过了优化，GA-BP模型预测精度更为稳定。

图4为种群适应度进化曲线，从图中可以看出，在相同迭代次数下GA-BP模型适应度递减趋势明显快于传统BP模型，当迭代次数达到38次时适应度值便达到了全局最优解且适应度值得到明显优化，表明此时BP神经网络的权值和与之为最优解状态。故而GA-BP算法能够显著提升BP神经网络的预测精度和收敛速度。

4.结论

本文将GA算法和BP神经网络相结合构建了基于GA-BP的列车脱轨系数预测模型，得到以下结论：（1）GA-BP组合预测模型相比于传统BP模型，预测精度更高，计算结果更稳定，在小样本情况下也能准确依据轮轨接触参数和行车条件直接预测脱轨系数，对保障列车行驶安全性有重要意义。（2）通过SIMPACK中仿真模拟的数据样本来验证本文模型的适应性，结果表明：GA-BP模型的相对误差最大仅为5.2%，且相较于传统BP模型收敛速度更快，在迭代38次后就达到了全局最优解。故而本文提出的GA-BP模型可为后续脱轨系数预测提供一定参考。

参考文献：

[1]张磊.基于BP神经网络的哈尔滨地铁小半径曲线钢轨磨耗预测[D].哈尔滨工业大学，2021.

[2]张卜，刘怡伶，张文静.基于BP-LSTM网络的列车脱轨系数预测[J].农业装备与车辆工程，2022，60（7）：52-56.

[3]刘天舒.BP神经网络的改进研究及应用[D].东北农业大学，2011.

[4]尹光志，李铭辉，李文璞，等.基于改进BP神经网络的媒体瓦斯渗透率预测模型[J].煤炭学报，2013，38（7）：1179-1184.

[5]叶志坚，王菁，吴越，等.基于GA-SVM的钢轨廓形类型在线识别算法研究[J].仪表技术与传感器，2024（9）：99-105.

【作者简介】秦佳伟（1997-），男，汉族，陕西省西安市人，硕士研究生学历，中国铁路西安局集团有限公司工务机械段工作，主要研究方向：行车安全。