【技术实现步骤摘要】
本专利技术涉及轨道交通，尤其是涉及一种基于时间序列生成对抗网络的高速磁浮轨道不平顺数据生成方法、装置及存储介质。
技术介绍
1、目前，高速磁悬浮通过其无接触的运行模式实现了速度的飞跃提升，时速达到600公里级别的高速磁悬浮系统的提出为城市间的客运需求提供了新选择。高速磁悬浮能够以较低成本实现更高速度，从而实现远距离城市间的短时间通勤。此外，由于避免了轮轨接触，有效降低了运行过程中的机械噪声，这是现有轮轨列车无法比拟的另一原因。
2、在高速磁悬浮建设的过程中，其安全性与稳定性是至关重要的考量点，而轨道不平顺是产生车轨间动作用力的主要原因，从而成为高速磁悬浮列车振动的主要激扰源。一方面，精确的轨道不平顺数据的收集依赖高端传感器与精密的测量仪器。这些设备的安装、运维成本高昂，加上磁悬浮的运营环境特殊，导致大规模、持续性数据的获取极为复杂且受限；另一方面，工程领域中通常倾向于使用频谱建模来处理轨道不平顺数据，虽然在一定程度上简化了分析过程，但却可能错失了重要的时空变化特性信息。因此，现有的轨道不平顺数据量无法充分满足仿真实验对海量数据的需求，数据的匮乏直接影响了仿真实验的普适性与精确度。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的高速磁浮轨道不平顺数据存在精确度不足、数据量匮乏及时空变化特性信息缺失的缺陷而提供一种基于时间序列生成对抗网络的高速磁浮轨道不平顺数据生成方法、装置及存储介质，可应用于磁浮列车的轨道检测、维护和优化等领域，为轨道设计和列车运行提供
2、本专利技术的目的可以通过以下技术方案来实现：
3、根据本专利技术的第一方面，提供一种基于时间序列生成对抗网络的高速磁浮轨道不平顺数据生成方法，包括以下步骤：获取磁浮列车运行状态下的轨道不平顺数据并进行预处理；将预处理后的轨道不平顺数据输入预先构建的时间序列生成对抗网络模型进行训练与评估，得到轨道不平顺生成数据；其中，所述时间序列生成对抗网络模型包括嵌入函数、恢复函数、生成器与判别器，所述嵌入函数与所述恢复函数形成嵌入网络，所述生成器与所述判别器形成生成对抗网络，所述嵌入网络用于提供潜在空间，所述生成对抗网络在所述潜在空间中运行。
4、作为优选的技术方案，所述时间序列生成对抗网络模型的训练过程具体包括：基于预处理后的轨道不平顺数据，利用预先构建的第一损失函数训练所述嵌入网络，并利用预先构建的第二损失函数训练所述生成对抗网络。
5、作为优选的技术方案，所述第一损失函数的表达式为：
6、
7、式中，θe、θr分别表示嵌入网络和恢复网络的参数，表示生成器在闭环模式下的有监督损失，表示重建损失，λ为平衡与的超参数且λ≥0。
8、作为优选的技术方案，所述第二损失函数的表达式为：
9、
10、式中，θg、θd分别表示生成网络和鉴别网络的参数，表示生成器在闭环模式下的有监督损失，表示生成器在开环模式下的无监督损失，η为平衡与的超参数。
11、作为优选的技术方案，所述嵌入网络与所述生成对抗网络分别采用递归神经网络结构。
12、作为优选的技术方案，所述方法利用惯性基准法获取磁浮列车运行状态下的轨道不平顺数据，具体过程包括：获取磁浮列车运行状态下的加速度信号，并进行统一重采样和预处理；获取气隙信号；对处理后的加速度信号进行积分并与所述气隙信号叠加，得到轨道不平顺信号。
13、作为优选的技术方案，所述预处理的具体过程包括：绘制箱线图，并利用所述箱线图中的须计算异常值界限，所述箱线图用于识别和确定轨道不平顺数据中的潜在异常值；基于所述异常值界限，利用滑动窗口法对轨道不平顺数据进行交叉分析，得到异常值的位置；将所述异常值替换为与之相邻的正常数据的线性差值。
14、作为优选的技术方案，所述时间序列生成对抗网络模型的评估过程具体包括：每次迭代得到轨道不平顺生成数据后，分别利用预先构建的分类模型、回归预测模型计算所述轨道不平顺生成数据与预处理前轨道不平顺数据的分类误差、平均绝对误差，并利用所述分类误差和所述平均绝对误差量化模型的生成能力。
15、根据本专利技术的第二方面，提供一种基于时间序列生成对抗网络的高速磁浮轨道不平顺数据生成装置，包括存储器、处理器，以及存储于所述存储器中的程序，所述处理器执行所述程序时实现所述的方法。
16、根据本专利技术的第三方面，提供一种存储介质，其上存储有程序，所述程序被执行时实现所述的方法。
17、与现有技术相比，本专利技术具有以下有益效果：
18、1、相比于采用对数据频谱直接建模的传统方法，本专利技术通过设计构建时间序列生成对抗网络模型，并利用磁浮列车运行状态下的轨道不平顺数据对模型进行训练和评估，能够在时域内直接处理和生成数据，使得生成的数据能够在每一个时间点上更精确地反映磁浮轨道的不平顺特征，在保留时域信息的同时提升整体数据的精度；
19、2、传统的生成对抗网络(gan)在学习和生成时间序列分布时，通常无法有效处理数据中的时序依赖性和复杂的动态行为，与之相比，本专利技术提出的模型在训练时结合嵌入网络与生成对抗网络，以此实现对特征编码、数据生成表示以及跨时间序列迭代学习的统一处理，损失函数包括嵌入网络的重建损失、生成对抗网络的无监督损失和基于原始数据的有监督损失，真实数据和合成数据的潜在动态通过有监督损失同步，不仅能够学习和重现轨道不平顺数据随时间变化的动态特征，还能准确捕捉数据的时空依赖性、丰富轨道不平顺数据；
20、3、本专利技术具有独立的时间序列生成能力，能够捕捉轨道不平顺数据分布中的复杂模式，可以在不依赖于现有时间序列的情况下，从数据的分布中完整地生成新的时间序列，真正实现从数据分布到时间序列的完整生成过程。
本文档来自技高网...【技术保护点】
1.一种基于时间序列生成对抗网络的高速磁浮轨道不平顺数据生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时间序列生成对抗网络的高速磁浮轨道不平顺数据生成方法，其特征在于，所述时间序列生成对抗网络模型的训练过程具体包括：
3.根据权利要求2所述的基于时间序列生成对抗网络的高速磁浮轨道不平顺数据生成方法，其特征在于，所述第一损失函数的表达式为：
4.根据权利要求2所述的基于时间序列生成对抗网络的高速磁浮轨道不平顺数据生成方法，其特征在于，所述第二损失函数的表达式为：
5.根据权利要求1所述的基于时间序列生成对抗网络的高速磁浮轨道不平顺数据生成方法，其特征在于，所述嵌入网络与所述生成对抗网络分别采用递归神经网络结构。
6.根据权利要求1所述的基于时间序列生成对抗网络的高速磁浮轨道不平顺数据生成方法，其特征在于，所述方法利用惯性基准法获取磁浮列车运行状态下的轨道不平顺数据，具体过程包括：
7.根据权利要求1所述的基于时间序列生成对抗网络的高速磁浮轨道不平顺数据生成方法，其特征在于，所述预处理的具体过
8.根据权利要求1所述的基于时间序列生成对抗网络的高速磁浮轨道不平顺数据生成方法，其特征在于，所述时间序列生成对抗网络模型的评估过程具体包括：
9.一种基于时间序列生成对抗网络的高速磁浮轨道不平顺数据生成装置，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。
10.一种存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-8中任一所述的方法。
...【技术特征摘要】
1.一种基于时间序列生成对抗网络的高速磁浮轨道不平顺数据生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时间序列生成对抗网络的高速磁浮轨道不平顺数据生成方法，其特征在于，所述时间序列生成对抗网络模型的训练过程具体包括：
3.根据权利要求2所述的基于时间序列生成对抗网络的高速磁浮轨道不平顺数据生成方法，其特征在于，所述第一损失函数的表达式为：
4.根据权利要求2所述的基于时间序列生成对抗网络的高速磁浮轨道不平顺数据生成方法，其特征在于，所述第二损失函数的表达式为：
5.根据权利要求1所述的基于时间序列生成对抗网络的高速磁浮轨道不平顺数据生成方法，其特征在于，所述嵌入网络与所述生成对抗网络分别采用递归神经网络结构。
6.根据权利要求1所述的基于时间序列生成对...
【专利技术属性】
技术研发人员：倪菲，陈张航，徐俊起，林国斌，荣立军，吉文，高定刚，王珊，
申请(专利权)人：同济大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。