一种轨道车辆车外噪声预测方法、设备及介质
文献发布时间:2024-04-18 20:00:50
技术领域
本申请涉及轨道车辆噪声预测技术领域,特别是涉及一种轨道车辆车外噪声预测方法、设备及介质。
背景技术
轨道车辆是一个复杂多样的系统,其中包括许多重要部件。由于这些部件所产生的噪声是轨道车辆的一个重要噪声来源,于是制造商一般会在设计和早期制作阶段对离线状态下的重要部件进行降噪控制。然而将这些部件装置到列车之后,会受到工况、其他部件之间相互作用等因素的影响产生新的噪声,不仅影响系统的性能,还会影响乘客的旅行舒适度。因此,预测车外噪声非常重要,这也是提高轨道车辆系统性能、降低噪声的关键。
一直以来噪声预测都是轨道车辆领域重要的关注内容,其技术也不断地发展和完善。大多数现有的噪声预测是使用传统的计算机模拟方法,虽然利用计算机模拟方法进行噪声预测稳定性较高,但数值建模和模拟的过程相对来说较为复杂,需要大量的计算资源和运行时间。随着机器学习的广泛应用,当前公开了一些机器学习方法,可以实现噪声预测,但是模型的准确率以及训练效率有待提高。
如何构建一种新的机器学习模型,高精度、高可靠地预测车外噪声是亟待解决的一种技术问题。
发明内容
为解决上述技术问题,本发明的目的为提供一种精度高、可靠性高的轨道车辆车外噪声预测方法、设备及介质。
本发明提供的技术方案如下:
一种轨道车辆车外噪声预测方法,包括:获取基于机器学习的本体噪声数据-车外噪声预测模型;以电机、整流器、变压器、逆变器、转向架、齿轮箱、风扇为本体,获取其噪声数据;根据本体噪声数据-车外噪声预测模型,处理本体噪声数据,获得车外噪声预测结果。
优选地,所述获取基于机器学习的本体噪声数据-车外噪声预测模型包括:获得本体噪声数据样本与车外噪声数据样本,对数据进行预处理后获得标准化数据集;构建Transformer-TCN网络模型;对Transformer-TCN网络模型进行训练,通过自定义损失函数计算模型误差,当自定义损失函数中网络损失值不再下降时终止训练,计算模型误差,得到Transformer-TCN最优网络模型,反之,则继续训练;输入样本数据至Transformer-TCN最优网络模型,输出车外噪声预测结果,得到本体噪声数据-车外噪声预测模型。
优选地,所述获得本体噪声数据样本与车外噪声数据样本,对数据进行预处理后获得标准化数据集包括:获得本体噪声数据样本与车外噪声数据样本,得到初始数据集D,D={(x
优选地,所述数据预处理包括缺失值插补、异常值去除、归一化,具体为如果数据缺失的样本数量较多,直接删除缺失的样本,反之如果数据缺失的样本较少,则用其他数据随机进行填补;当数据存在异常值时直接进行删除;归一化处理,将数据范围控制在[0,1]内,消除特征之间的尺度差异。
优选地,所述构建Transformer-TCN网络模型包括:在编码器部分,包括若干相同的多头自注意力层、前馈神经层以及求和与正则化层,对序列中的特征表示进行提取,获取全局信息,同时选择TCN代替嵌入层;在解码器部分,用TCN层、全连接层和激活函数层代替传统的Transformer解码器,其中TCN对特征信息进行时序整合,利用卷积层捕捉依赖关系;整个Transformer-TCN模型共有n个编码器以及n个解码器。
优选地,所述对Transformer-TCN网络模型进行训练包括:Transformer-TCN网络模型的嵌入层对噪声数据进行编码,在多头自注意力层提取数据的全局信息,然后通过前馈神经层将自注意力层的输出进行非线性变换,最后经过求和与正则化层学习输入与输出之间的映射关系;每个编码器中子层的传递关系表示为:
Output
其中,Input
每个解码器的输出表示为:
Output
其中,W
优选地,所述计算模型误差包括:在得到初步预测结果后,使用自定义损失函数计算真实样本和预测样本的差距,其中自定义损失函数计算公式为:
其中,Loss为网络损失值,y为目标值,L
反向传播时使用Adam优化算法更新模型参数值;当Loss不再下降时终止训练,得到Transformer-TCN最优网络模型;反之,则继续训练。
优选地,所述输入样本数据至Transformer-TCN最优网络模型,输出车外噪声预测结果包括:输入样本数据至Transformer-TCN最优网络模型,输出车外噪声预测结果,整个网络函数表示为:
L
其中,L
一种轨道车辆车外噪声预测设备,包括:存储器,用于存储计算机程序;处理器,用于执行计算机程序时实现如上所述轨道车辆车外噪声预测方法的步骤。
一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述轨道车辆车外噪声预测方法的步骤。
相对于现有技术,本发明轨道车辆车外噪声预测方法、设备及介质通过利用基于机器学习的本体噪声数据-车外噪声预测模型,来处理本体噪声数据,获得车外噪声预测结果,其通过以轨道车辆上的主要部件为本体,通过本体噪声预测车外噪声,并结合机器学习,来实现装置之后的在线轨道车辆外部噪声预测,能降低噪声预测的计算成本,并进一步提高噪声预测的准确性与可靠性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例轨道车辆车外噪声预测方法的流程示意图;
图2为图1所示轨道车辆车外噪声预测方法中获取基于机器学习的本体噪声数据-车外噪声预测模型的流程示意图;
图3为图1所示轨道车辆车外噪声预测方法的原理示意图。
具体实施方式
为了使本领域的技术人员更好地理解本申请中的技术方案,下面将对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,当元件被称为“固定于”或“设置于”另一个元件上,它可以直接在另一个元件上或者间接设置在另一个元件上;当一个元件被称为是“连接于”另一个元件,它可以是直接连接到另一个元件或间接连接至另一个元件上。
需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本申请的描述中,“多个”、“若干个”的含义是两个或两个以上,除非另有明确具体的限定。
须知,本说明书附图所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本申请可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本申请所能产生的功效及所能达成的目的下,均应仍落在本申请所揭示的技术内容所能涵盖的范围内。
如图1至图3所示,本发明实施例提供一种轨道车辆车外噪声预测方法,包括步骤:获取基于机器学习的本体噪声数据-车外噪声预测模型;以电机、整流器、变压器、逆变器、转向架、齿轮箱、风扇为本体,获取其噪声数据;根据本体噪声数据-车外噪声预测模型,处理本体噪声数据,获得车外噪声预测结果。
其中,本实施例中,获取基于机器学习的本体噪声数据-车外噪声预测模型的步骤包括:
S1:收集本体噪声数据样本以及车外噪声数据样本,对数据进行预处理,获得标准化数据集;
S2:引入TCN(时间卷积网络)对传统Transformer模型进行改进,构建Transformer-TCN网络模型;
S3:对Transformer-TCN网络模型进行训练,通过自定义损失函数计算模型误差;
S4:输出轨道车辆车外噪声预测结果。
本实施例中,步骤S1具体包括:
S1.1,通过LMS振动噪声数据采集仪获取本体噪声数据样本以及与之对应的车外噪声数据样本,得到初始数据集D,可以表达为:
D={x
S1.2,数据预处理包括:缺失值插补、异常值去除、归一化;
如果数据缺失的样本数量较多,直接删除缺失的样本,反之如果数据缺失的样本较少,则用其他数据随机进行填补;当数据存在异常值时直接进行删除;归一化处理,将数据范围控制在[0,1]内,消除特征之间的尺度差异。
当然,在其它实施例中,还可以采用其它方式对数据进行预处理。
S1.3,当数据预处理完成之后,得到了标准化数据集D’,D’可以表示为:
其中,
在本实施例中,步骤S2构建Transformer-TCN网络模型具体包括:
在编码器部分,包括若干相同的多头自注意力层、前馈神经层以及求和与正则化层,对序列中的特征表示进行提取,获取全局信息;同时选择TCN代替嵌入层;
在解码器部分,用TCN层、全连接层和激活函数层代替传统的Transformer解码器,其中TCN对特征信息进行时序整合,利用卷积层捕捉依赖关系;
整个Transformer-TCN模型共有n个编码器以及n个解码器。
Transformer凭借自注意机制,使模型可以并行化,是一种能够提取小样本深度特征以获取全局信息的模型。而TCN的网络结构主要由因果卷积、膨胀卷积和残差连接组成,可以捕获序列依赖关系并提高模型的泛化能力。于是,结合Transformer以及TCN的优点,提出了Transformer-TCN模型,该模型具有更快的训练能力和还有更优的泛化能力。
当然,在其它实施例中,也可以构建其它网络模型,但本实施例构建的Transformer-TCN模型具有更快的训练能力和更优的泛化能力。
在本实施例中,步骤S3具体包括:
S3.1,Transformer-TCN网络模型的嵌入层对噪声数据进行编码,在多头自注意力层提取数据的全局信息,然后通过前馈神经层将自注意力层的输出进行非线性变换,最后经过求和与正则化层学习输入与输出之间的映射关系。
其中注意力计算公式见式:
其中,d
于是,每个编码器中子层的传递关系可以表示为:
Output
其中,Input
TCN层包括因果卷积、膨胀卷积和残差连接,其中计算公式如下:
式中,F(·)表示进行卷积运算,x
残差连接公式为:
H(x)=F(x)+x
其中,H(·)为残差连接运算,F(x)为残差函数,x为残差连接的输入;
于是,每个解码器的输出可以表示为:
Output
S3.2,得到初步预测结果后,使用自定义损失函数计算真实样本和预测样本的差距,其中自定义损失函数计算公式为:
其中,Loss为网络损失值,y为目标值,L
S3.3,反向传播时使用Adam优化算法更新模型参数值;
当Loss不再下降时终止训练,得到Transformer-TCN最优网络模型;反之,则继续训练。
当然,在其它实施例中,也可以采用函数来计算模型误差并判定何时可终止训练。
在实施例中,S4具体包括:
输入样本数据至Transformer-TCN最优网络模型,输出车外噪声预测结果,整个网络函数可表示为:
L
其中,L
本实施例还提供一种轨道车辆车外噪声预测设备,包括:存储器,用于存储计算机程序;处理器,用于执行计算机程序时实现如上所述轨道车辆车外噪声预测方法的步骤。
本实施例还提供一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述轨道车辆车外噪声预测方法的步骤。
离线本体噪声与装置后的车外噪声存在着复杂的关系,利用数学模型很难精准的去实现该噪声预测。本实施例轨道车辆车外噪声预测方法、设备及介质以离线状态下的牵引电机、牵引整流器、牵引变压器、牵引逆变器、牵引转向架、齿轮箱、风扇为本体,收集大量本体噪声数据以及所对应的车外噪声数据,以本体噪声数据为输入,车外噪声预测结果为输出,通过引入时间卷积网络的Transformer网络模型进行训练和学习,实现对轨道车辆车外噪声的精准预测。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
- 一种烧结钕铁硼晶界扩散工装及晶界扩散的方法
- 一种Al-Si-Cu晶界扩散添加剂及含有该晶界扩散添加剂的钕铁硼磁体