1、第 卷 第期中 国 机 械 工 程 年月 融合一维卷积神经网络和双向门控循环单元的 车辆轮胎径向载荷识别方法曾俊玮季元进任利惠葛方顺孙泽良黄章行同济大学铁道与城市轨道交通研究院，上海，摘要：针对轮胎载荷直接测量昂贵复杂及传统载荷识别方法精度低、鲁棒性差的现实，提出了一种融合一维卷积神经网络（）和双向门控循环单元（）的胶轮车辆轮胎径向载荷识别方法。充分考虑轮胎径向载荷数据的先验信息，以车辆振动响应、车体位姿、运行状态等多源信息构建特征集并经特征选择保留有效的特征子集，构造多时间步输入 单时间步输出的样本用以网络训练。运用 提取信号的多维度空间特征并输入 中双向捕获时序特征，得到载荷预测的结果，结
2、合预测精度、泛化性能、鲁棒性能修正理论模型。以 型车辆为例进行载荷识别，与传统算法相比，所提方法有效降低了载荷识别的误差，适用于不同运行工况，且能克服不同程度的测量噪声，在工程领域有现实应用价值。关键词：载荷识别；胶轮车辆；一维卷积神经网络；双向门控循环单元中图分类号：开放科学（资源服务）标识码（）：，：，：；（）；（）收稿日期：基金项目：国家自然科学基金（）；博士后创新人才支持计划（）；中国博士后科学基金（）引言轮胎载荷是车辆设计、安全性评估的基础数据，是车辆研发所必须知道的边界条件。测量轮胎载荷是进一步优化车辆设计、提高车辆机械强度和运行性能所必需的基础工作。车辆系统的状态检测对行车安全起
3、着至关重要的作用，轮胎动态载荷作为车辆与道路相互作用的直接结果，是数据监测的重点。特别是在曲线工况行车的情况下，左右侧走行轮出现增载与减载现象，严重时可能导致车轮倾覆，轮胎动态载荷对行车安全性的影响进一步加大。其中，对车辆行车安全性和平稳性影响最大的轮胎动态载荷主要为径向载荷，其频率范围大致在 。轮胎载荷的监测方法包括直接测量法与间接识别法。直接测量法原理简单，但具有很大的局限性：由于轮胎 路面之间的高速相对运动及各个方向载荷的相互影响，运行状态下的激励载荷通常难以测量，且车辆系统结构设计大多没有考虑传感器的安装位置，传感器的引入往往会阻碍系统的正常运行甚至改变原有结构的固有特性。如今常用的车
4、轮六分力计可实现车轮所受六分力的实时动态同步精密测量，但需要根据车轮轮毂定制生产，成本极高，不易推广。国内外很多学者也提出了一些间接的载荷求解方法。等通过时域算法利用桥梁弯矩和振动加速度辨识出列车以恒速通过桥梁时的垂向移动载荷，并利用最优状态估计方法在频域建立了移动载荷识别模型，识别出移动载荷功率谱，再通过逆傅立叶变换求得移动载荷的时程曲线，形成了移动载荷识别系统，该系统在实际工程应用中具有一定的精度和稳定性，但仍然存在许多不足之处。等利用时 频域辨识法由响应识别移动载荷，并重点比较了伪逆解法和奇异值解法的识别结果，讨论了载荷间距与移动速度以及测量噪声等参数对载荷识别结果的影响。等提出了铁路货
5、车轮轨接触力的反演模型，利用货车车体动态响应数据反演出轮轨接触力，但由于悬挂装置的隔离作用，轮轨接触力的高频分量不能很好地被预测。等提出了一种考虑道路摩擦变化的自适应轮胎力模型，将车辆模型和轮胎力模型相结合，构造了自适应观测器，用以计算轮胎侧向力、车辆侧滑角和路面摩擦力。等提出了利用扩展卡尔曼滤波器来估计车辆动态状态和轮胎 路面力的方法，并使用摩擦模型根据估计的纵向和横向力来评估摩擦因数和侧滑角。上述方法均基于物理模型，在建模时对一些复杂的非线性系统进行简化，从而造成识别精度降低，识别效果不佳，且识别条件较为苛刻，难以真正应用于工程实践。近年来，随着计算机水平的提高以及车辆系统感知能力的增强，
6、基于数据驱动的载荷识别模型被越来越多的学者研究。等提出一种基于径向基函数网络的连续测量轮轨接触力的方法，为载荷识别提供了新的思路，但受限于径向基神经网络的性能，该模型未能达到较好的结果。张冉佳将 神经网络应用于轮轨载荷的识别上，并用遗传算法对模型进行优化，完成载荷的识别，但误差较大。罗金屯等 建立了卷积神经网络模型来对轮轨力进行反演，对轮轴横向力反演结果进行对比分析，发现该模型在直线和曲线轨道行车条件下均能有效拟合趋势变化和数据指标。目前相关研究多为简单的神经网络模型的应用，识别精度仍有很大提升空间，且研究对象大多为既定的数据集，缺乏对不同质量数据适用性的考量，模型应对噪声情况较为恶劣的数据时
7、，其预测效果不佳，缺乏一定的现实应用意义。本文提出一种基于一维卷积神经网络和双向门控循环单元混合的神经网络的载荷识别方法。卷积 神 经 网 络（，）可以有效地提取信号的多维度空间特征；门控循环单元（，）作为循环神经网络的变体，在处理时序数据时性能表现优异；而双向门控循环单元（，）可双向捕获特征，能更好地提取时序数据隐含信息，两者的结合大大增强了对多维度时序数据的空间、时序特征提取能力。该方法充分考虑轮胎径向载荷数据的先验信息，以车辆振动响应、车体位姿、运行状态等信息构建的特征集作为输入，利用 提取特征在高维空间的联系形成高维预测特征向量，再输入 中提取时序特征，最终输出载荷预测的结果。以 型车
8、辆为例，采用该方法建立其走行轮和导向轮径向力的预测模型。基本原理一维卷积神经网络 卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，主要由输入层、卷积层、池化层、全连接层和输出层构成。对单维时序信号的处理常采用 ，其基本架构如图所示，整个网络共计层。对于输入的时间序列，首先通过卷积层进行特征提取。不同的一维卷积核通过对局部区域卷积可提取出不同的特征信号。第层的输出结果可由上一层的输出 得到：（）（）其中，为第层权值矩阵；为第层偏置矩阵；图 基本架构 中国机械工程 第 卷 第期 年月上半月为第层激活函数。本文卷积层及全连接层的激活函数均选用 函数，其形式如下：（）（）函数在继承 函数优
9、点的同时，解决了 的局部神经元死亡问题，在负区域具有小的正斜率，因此，即使对于负输入值，它也可以进行反向传播。随后将卷积层提取的特征信号输入池化层。池化运算用于选择卷积层序列最重要的特征并实现特征降维，简化网络计算复杂度。本文的池化运算选取最大值池化。根据实际需要设计多层卷积层与池化层，将最后一层池化层的输出作为输入传递给全连接层。全连接层最终输出结果为（）（）式中，为第层权值矩阵；为第层偏置矩阵；为第层激活函数。将输出层结果与实际值的误差反向传递，计算误差梯度并更新权值及阈值，直至误差满足条件，完成训练。表征均方误差的损失函数如下：（）（）式中，为真实数据标签；为网络最终输出结果。双向门控循
10、环单元 门控循 环 单 元 是 循 环 神 经 网 络（，）的一种。循环神经网络具有记忆能力，能够有效保存历史信息，是专门用以处理序列信息的具有时间依赖的网络。长短期记忆网络（，）是一种特殊的 ，通过门控机制使循环神经网络记忆历史信息并选择性忘记一些不重要信息，且能够保留长期依赖的信息。是 的一种变体，参数相对少更容易收敛，训练效率高，能降低过拟合的风险，可有效解决 梯度消失的问题，适合构建较大的网络。引 用 重 置 门（）与 更 新 门（）的门控机制来控制梯度信息传播，缓解梯度消失现象，其结构如图所示。重置门与更新门分别用于捕捉时间序列里短期的依赖关系和长期的依赖关系，当前时间步输入和上一时
11、间步的隐藏状态 作为重置门与更新门的输入，经由激活函数为 的全连接层计算得到输出。重置门输出为（，）（）更新门输出为（，）（）图 结构原理图 在计算当前时间步的隐藏状态之前，首先进行候选隐藏状态的计算：（，）（）式中，、为权值矩阵；、为偏差矩阵。包含时间序列从前端某时刻至上一时间步的全部历史信息，由式（）可知，重置门的输出控制了上一时间步的隐藏状态 到当前时间步的传递，因此，重置门可以用来丢弃无意义的历史信息。最后，由更新门的输出对上一时间步的隐藏状态 和当前时间步的候选隐藏状态进行加权组合，得到当前时间步的隐藏状态：（）（）双向门控循环单元（）由一个前向的 和一个反向的 网络构成，其框架如图
12、所示。网络可以提取时序信号在时间顺序及时间逆序上的特征，记忆时间片段起点及终点至当前时间步的前向及反向历史信息。其隐藏状态由前向传播层的输出与反向传播层的输出计算得到：（）（）其中，、分别为、的权值矩阵；为拼接函数。充分利用了单时刻前后时段的信息，使特征提取更加全面，提高了预测的精度。图 总体框架 轮胎径向载荷识别模型本文模型理论框架如图所示。轨道不平顺融合一维卷积神经网络和双向门控循环单元的 车辆轮胎径向载荷识别方法 曾俊玮季元进任利惠等产生的载荷激励输入至车辆系统激发相应的振动响应，结合车体位姿、运行状态等多源信息，经数据预处理，特征选择后保留有效的特征子集，作为一个样本的输入，而载荷值则
13、作为该样本的标签。构造“多时间步输入 单时间步输出”形式的样本集，用于训练基于 和 的轮胎径向载荷识别模型。该模型联合应用一维卷积神经网络和双向门控循环单元，可充分提取信号的时间空间特征，且具有较强的抗噪能力。采用均方误差、可决系数 等指标评判模型的识别误差及精度，并分析模型在不同运行工况下的泛化性能，应对不同噪声级别和异常程度的输入数据的鲁棒性能，不断改进，得到最终模型。图模型理论框架 数据处理与特征选择由于多源输入数据具有不同的量纲，为了提高训练效果，需将原始数据转换为量纲一指标测评值，故对数据进行归一化或标准化处理。由于车辆系统运行工况繁多且复杂，数据可能存在较多异常冲击值，而极端值会对
14、归一化效果产生很大影响，故本文采用 标准化方法，计算公式如下：（）式中，为原始数据；为平均数；为标准差。在车辆系统布置雷达、加速度计、位移传感器、陀螺仪等传感器，可采集多个通道的信号，每个通道的信号为样本的一种特征。由于传感器种类繁多及测点布置位置多样，每个样本的原始特征很多，为提高模型的效率和泛化性能，避免维度灾难，需对输入数据进行特征选择，去除无关特征及冗余特征。本文采用过滤法（）和包裹法（）组合式算法，先使用 剔除无关特征，降低特征维度；然后利用 进行特征选择，去掉冗余特征。其中，采用互信息法，捕捉每个特征和标签之间的任意关系（包括线性和非线性），进行相关性的计算，其公式为（；）（，）（
15、，）（）（）（）其返回值在之间，表示完全不相关，表示完全相关。则是结合后续回归模型，根据评估结果进行选择，它包含个主要过程：候选特征子集的生成；特征子集优度的评价；终止条件的判定；特征子集有效性的验证。样本集构造与网络设计特征选择后的多源时间序列数据构成特征集，将标准化后的个通道的数据进行拼接、截取、滑动取样。每一时刻的载荷值作为一个样本的标签，该时刻前后共个时间步长的振动响应、车体位姿、运行状态信息作为一个样本的特征，构造出形式为个输入、个输出的样本，如图所示。相比单时刻输入输出对应的样本，本文的样本构造方式充分考虑了研究对象是时序信号而非普通数据的现实，以时间片段取样使得每个样本的输入充分
16、保留了时间维度上的特征信息，由时间切段而非单个时刻的特征预测输出，可有效克服各传感器测点存在相位差、动力学系统输入输出存在时间滞后、单个时刻数据可能损坏或异常、信号含噪声过多等情况带来的识别不准问题，使模型更稳定，鲁棒性更强。图样本集的构造 本文将 和 集成并改进后应用到胶轮车辆径向载荷识别模型中，充分发挥 的空间特征提取能力和 的时序特征提取能力。在 中加入 层，用来规范数据分布，增强模型泛化性能和鲁棒性能；在全连接层加入 层来随机屏蔽部分神经元输出，防止模型过拟合。采用学习率可以自适应的 优化算法来训练模型，实现车辆径向载荷的识别。以下节具体使用到的 模型中国机械工程 第 卷 第期 年月上半月为例，其网络结构如图所示。单个样本的输入为 个通道 个时间步的时序数据，输出为中间时刻的载荷值。对样本的输入再次进行滑动取样，取样窗大小为 ，步长为，共取得按照时间顺序的 组 的小片段。对以上小片段经过两次卷积、最大池化操作提取数据空间特征，一维卷积核的大小为，步长为，两次卷积深度分别为 和 ，卷积核个数分别为 和，激活函数采用 ；卷积和池化过程中不进行填充，最终得到 个通道的特征数据。将 组
