基于BP神经网络的地铁振动参数约简算法研究

《工业控制计算机｝２０１５年第２８卷第１０期　基于Ｂ　Ｐ神经网络的地铁振动参数约简算法研究　Ｒｅｄｕｃｔｉｏｎ　Ａｌｇｏｒｉｔｈｍ　ｏｆ　Ｓｕｂｗａｙ　Ｖｉｂｒａｔｉｏｎ　Ｐａｒａｍｅｔｅｒｓ　Ｂａｓｅｄ　ｏｎ　ＢＰ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　●　彭桂力　梁　茵　柴寿喜’　王秀丽’　王贝贝’　潘　雷’　（１天津城建大学控制与机械工程学院；天津３００３８１；２天津城建大学能源与安全工程学院，天津３００３８１）　摘要：目前，地铁已经成为城市交通的心脏，其运行势必会对建筑物产生影响，严重危害建筑物的外观和结构安全，同　时也会对建筑物内人员造成身体的和心理的伤害，所以必须对建筑物内的振动加以了解。为了研究地铁振动对建筑物的影　响，解决地铁在运行过程中建筑物所面临的问题，关键是从建筑物的振动参数中找到合理正确的数据，用于评价建筑物的　现状。提出了一种基于ＢＰ神经网络算法处理振动数据，对参数进行约简，以天津地铁３号线中山路——北站区间某建筑物　内在运行过程的振动数据作为研究对象，通过ＢＰ神经网络实现奸地铁振动参数的约简；同时对不同时刻，不同频率下地铁　运行中所产生振动振幅、，持续时间等参数进行处理，得到真实有效的地铁振动参数，通过ＭＡＴＬＡＢ仿真与实测数据进行比　较验证该方法的有效性。　关键词：地铁，振动，神经网络，约简算法　Ａｂｓｔｒａｃｔ：Ｔｈｉｓ　ｐａｐｅｒ　ｐｕｔｓ　ｆｏｒｗａｒｄ　ａ　ｋｉｎｄ　ｐｒｏｃｅｓｓ　ｖｉｂｒａｔｉｏｎ　ｐａｒａｍｅｔｅｒｓ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ，ｔｏ　ｒｅｄｕｃ—　ｔｉｏｎ　ｏｆ　ｐａｒａｍｅｔｅｒ．Ｉｔ　ｕｓｅｓ　ｔｈｅ　ｖｉｂｒａｔｉｏｎ　ｄａｔａ　ｏｆ　ａ　ｃｅｒｔａｉｎ　ｂｕｉｌｄｉｎｇ　ａｓ　ｔｈｅ　ｒｅｓｅａｒｃｈ　ｏｂｊｅｃｔ　ｗｈｉｃｈ　ｉｓ　Ｔｉａｎｊｉｎ　Ｍｅｔｒｏ　Ｌｉｎｅ　３－－ｂｅ—　ｔｗｅｅｎ　ｔｈｅ　Ｚｈｏｎｇｓｈａｎ　Ｒｏａｄ　ａｎｄ　ｔｈｅ　ｎｏａｈ　ｓｔａｔｉｏｎ，ａｎｄ　ｒｅａｌｉｚｅ　ｔｈｅ　ｒｅｄｕｃｔｉｏｎ　ｏｆ　ｔｈｅ　ｓｕｂｗａｙ　ｖｉｂｒａｔｉｏｎ　ｐａｒａｍｅｔｅｒ　ｔｈｒｏｕｇｈ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ．Ｏｎ　ｄｉｆｅｒｅｎｔ　ｔｉｍｅ　ａｎｄ　ｄｉｆｅｒｅｎｔ　ｆｒｅｑｕｅｎｃｙ　ｉｎ　ｔｈｅ　ｏｐｅｒａｔｉｏｎ　ｏｆ　ｔｈｅ　ｓｕｂｗａｙ　ｖｉｂｒａｔｉｏｎ　ａｍｐｌｉｔｕｄｅ，ｄｕｒａｔｉｏｎ　ａｎｄ　ｏｔｈ－　ｅｒ　ｐａｒａｍｅｔｅｒｓ　ｆｏｒ　ｐｒｏｃｅｓｓｉｎｇ，ｇｅｔ　ｔｈｅ　ｓｕｂｗａｙ　ｖｉｂｒａｔｉｏｎ　ｐａｒａｍｅｔｅｒｓ　ｏｆ　ｒｅａｌ　ａｎｄ　ｅｆｆｅｃｔｉｖｅ．　Ｋｅｙｗｏｒｄｓ：ｓｕｂｗａｙ，ｖｉｂｒａｔｉｏｎ，ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ，ｒｅｄｕｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　随着城市地铁的建设和人们对生活质量的提高，地铁在运　何进行现场测试地铁振动尤为重要。为了保证测试结果的合理　行过程中的负面效应显现出来，城市地铁的运行往往会引起结　性和准确性，必须根据需要解决的问题，合理选择地铁振动测试　构物的振动，这些振动通过周围地层向地面传播，诱发附近地下　的地点＿ａ］，以及采用的振动仪器和测试振动参数。　结构以及地表附近的建筑物，在建筑物内产生二次振动如果建　本项目主要研究的是地铁在运行过程中，所产生的振动参　筑物的振动超过它所容许的振动阈值时，就会引起结构物的开　数对建筑物的影响。所采用的数据是天津地铁连续３天７２小时　裂、脱落甚至会造成毁坏，对建筑物的结构安全产生影响…。严　所产生的振动参数。其中，主要的振动测试点布置在地铁运营线　重的振动容易引起人体内脏器官的共振，轻微的振动也会危害　路附近的地表——天津地铁３号线运行时中山路到北站区间某　身心健康。所以国家根据《城市区域环境振动标准》（ＧＢＩＯＯ７０—　建筑物内，测试的采样频率均为５１２Ｈｚ，满足香农采样定律，测　８８）规定，居民住宅区的铅垂向振级标准值，昼间７０ｄＢ，夜间　量振动频率范围为０．３Ｈｚ－２５０Ｈｚ。该测试的地点位于天津市繁　６７ｄＢ。最后列车振动还会对精密仪器和设备产生影响。主要表　华的市区，城区内道路交通繁忙，建筑密集，人口众多，这些因素　现在影响精密仪器仪表的测量精度和测量范围。地铁交通系统对　也造成测试振动过程中的干扰较大，振动传播受到建筑基础群　地表建筑物的振动研究近些年越来越受到重视［２ｊ。　的影响，传播规律复杂。所以我们采用连续不间断测量的方式，　本文提出一种利用ＢＰ神经网络算法对地铁产生振动数据　把１天内２４小时内的振动数据测量出来，对数据进行分析，从　进行处理研究。地铁产生振动的原因有很多，地铁列车在铁轨上　中分离出有效的振动数据。　行驶时，车轮与道岔、钢轨的碰撞以及线路不平顺等原因都会引　本项目主要采用的测试方式为加速度传感器测量方式，因　起车轮的振动，这些振动随着铁轨到扣件，再到轨枕，然后由道　为在地铁振动测试方面，由于列车激振荷载存在高频分量，列车　床经隧道结构到达外围护地层，最后传至地面及建筑物，从而引　振动频率范围也是较大，常用的是加速度值作为直接测量值，精　发建筑物振动，这些振动可以诱发建筑物结构产生二次振动，对　度相对较高。测试仪器采用的是杭州爱华仪器有限公司的　建筑物以及人体是有伤害的。在其传播振动的过程中影响的因　ＡＷＡ６２５６Ｂ＋型环境振动分析仪。它由环境振动加速度计、主　素很多，而这些因素往往属于非线性问题，很难采用传统的建立　机、环境振动测量分析软件组成，主要用于环境振动测量，同时　精确的数学模型的方法来解决。本文算法得到适合的网络，成功　安装人体振动测量软件，可以对０．５ＨｚＮ１Ｄ０　Ｈｚ的全身振动进　在神经网络中识别出地铁产生振动的峰值的大小，完成对地铁　行７种频率计权、４种时间计权测量及统计分析，可以用于全身　对建筑物和人体的影响的研究。　振动测量，也内置安装低频１／３　ＯＣＴ分析软件对中心频率　１　地铁振动数据的实测和数据分析处理　０．５Ｈｚ－２００Ｈｚ内低频振动进行实时１／３　ＯＣＴ分析。这样可以　为了了解地铁运行产生振动对建筑物的影响，提出一个合　满足地铁振动测量范围，对建筑物和人体影响的频率要求。通过　理的地铁振动处置方法，地铁振动数据的实测是十分关键的，如　加速度传感器采集后的数据，必须进行预处理工作，然后才能进　天津市建委科技项目（２０１４－４６）；天津市高等学校科技发展基金计划项目（２０１４０５２７）　１６　基于ＣＥＫＦ的ＳＬＡＭ算法研究与分析　状态值，从而对自身实现定位估计，但在实际中路标比较分散，　需要对速度进行实时调整，从而获得实现估计定位的最佳状态　数目，进而提高算法的一致性，可作为本文以后改进的方向。　参考文献　［１］Ｍ．Ｗ．Ｍ．Ｇａｍｉｎｉ　Ｄｉｓｓａｎａｙａｋｅ，Ｐａｕｌ　Ｎｅｗｍａｎ，Ｓｔｅｖｅｎ　Ｃｌａｒｋ，Ｈｕｇｈ　Ｆ．Ｄｕｒｒａｎｔ—Ｗｈｙｔｅ．Ｍ．Ｃｓｏｒｂａ．Ａ　Ｓｏｌｕｔｉｏｎ　ｔｏ　ｔｈｅ　Ｓｉｍｕｌｔａｎｅｏｕｓ　Ｌｏ．　ｃａｌｉｚａｔｉｏｎ　ａｎｄ　Ｍａｐ　Ｂｕｉｌｄｉｎｇ（ＳＬＡＭ）Ｐｒｏｂｌｅｍ［Ｊ］．ｔＥＥＥ　Ｔｒａｎｓ—　ａｃｔｉｏｎｓ　ｏｎ　Ｒｏｂｏｔｉｃｓ　ａｎｄ　Ａｕｔｏｍａｔｉｏｎ．２００１，１　７（３）．２２９—２４１　ａ仅有１个路标点的情况　ｂ传感器观测范围为８ｍ时的情况　［２］Ｇｕｉｖａｎｔ　Ｊ，Ｅｄｕａｒｄｏ　Ｎ．Ｓｏｌｖｉｎｇ　ｃｏｍｐｕｔａｔｉｏｎａｌ　ａｎｄ　ｍｅｍ　ｒｅ—　ｑＵｉｒｅｍｅｎｔｓ　ｏｆ　ｆｅａｔｕｒｅ—ｂａｓｅｄ　ｓｉｍｕｌｔａｎｅｏｕｓ　Ｉｏｃａｌｉｚａｔｉｏｎ　ｍａｐ—　ｐｉｎｇ　ａｌｇｏｒｉｔｈｍｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ　ｏｎ　Ｒｏｂｏｔｉｃｓ　ａｎｄ　Ａｕｔｏｍａｔｉｏｎ，　２００３，１　９（４）：７４９－７５５　［３］季秀才，郑志强，张辉．ＳＬＡＭ问题中机器人定位误差分析与控制［Ｊ］．　自动化学报，２００８，３４（３）　［４］李阳铭，孟庆虎，梁华为，等．基于粒子滤波的无线传感器网络辅助同　步定位与地图创建方法研究［Ｊ］．机器人，２００８，３０（５）　［５］付巍，朱岩，付军立，等．基于中心差分扩展卡尔曼滤波的电源频率估　计［Ｊ］．探测与控制学报，２０１０，３２（３）　ｃ传感器观测范嗣为１６ｍ时的情况　［６］杨放琼，谭青，彭高明，Ｒ．Ａ．Ｗｉｌｌｇｏｓｓ．两轮驱动移动机器人系统误差　分析及校正［Ｊ］．现代机械，２００５（４）　［７］郭利进．大尺度环境下移动机器人同时定位与地图创建研究［Ｄ］．天　津：天津大学，２００７　图５路标点稀疏性和观测模型对机器人定位估计的影响　４结束语　机器人在长时间运动过程中，定位估计造成的误差会不断　积累而增加，同时机器人运动观测到的状态数、路标分布的稀疏　性、机器人运动过速以及舵角变化率等也是影响定位产生误差　的主要原因。本文中通过改变机器人运动速度获得不同的观测　（上接第１３页）　不同天数的相同时间的振动参数厚图　［８］高明．基于全景视觉的单目ＳＬＡＭ系统［Ｄ］合肥：合肥工业大学，　２００９　［收稿日期：２０１５．５　２８］　４结束语　本文提出一种新型的方法来研究振动数据，与传统的振动　分析相比具有一定的优越性，但是由于神经网络在建立和训练　过程中存在随机性，对算法中的训练样本数、隐含层数、神经元　的个数的确定都在一个探索的过程，只能通过不断的实验和训　练来确定网络的正确性，所以基于智能方法对数据的处理和研　究需要进一步努力。　参考文献　［１］申旭鹏．基于ＢＰ神经网络的爆破振速峰值预测［Ｊ］．爆破，２０１３（３）　［２］俞克强，宫宁生，丁磊．一种神经网络控制模型的研究与应用［Ｊ］．计　算机应用与软件，２０１３（６）　［３ｌＹＥ　Ｍｉｎｇ－ｑｕａｎ，ＨＵ　Ｘｕｅｇａｎｇ．Ｓｅａｓｏｎａｌ　ａｒｔｉｆｉｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｆｏｒｅｃａｓｔｉｎｇ　ｍｏｄｅｌ　ａｎｄ　ｉｔｓ　ａｐｐｆｉｃａｉｏｔｎ　ｉｎ　ｔｈｅ　ＧＭ（１，１）ｒｅｓｉｄｕａｌ　ｅｒｒｏｒ　ｃｏｒｒｅｃａｔｉｏｎ［ｄ］．Ｃｏｍｐｕｔｅｒｓ　ｉｎ　Ｅｎｇｉｎｅｅｒｉｎｇ＿２ＯＯ５　图９没有ＢＰ神经网络的数据原图　训练后的网络仿真结果　［４］孙晓玲，王宁，梁艳．应用ＢＰ神经网络的教学评价模型及仿真［Ｊ］．计　算机仿真，２０１Ｏ（１１）　［５］谢伟平，张良涛，钟珞．人工神经网络在轨道振动分析中的应用［Ｊ］．　华中科技大学学报（城市科学版），２００３，２０（１４）　［６］Ｄｉｎｇ　Ｌｕ，Ｃａｉ　Ｌｉｎ，Ｃｈｅｎ　Ｊｉａｂｉｎ，　ｅｔ　ａ１．Ｉｍｐｒｏｖｅｄ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｉｎｆｏｒｍａｔｉｏｎ　ｆｕｓｉｏｎ　ｉｎ　ｉｎｔｅｇｒａｔｅｄ　ｎａｖｉｇａｔｉｏｎ　ｓｙｓｔｅｍ［Ｃ］／／Ｐｒｏ—　ｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２００７　ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｍｅｃｈａｔｒｏｎｉｃｓ　ａｎｄ　Ａｕｔｏｍａｔｉｏｎ．２００７　［７］罗学东，范新宇，代贞伟，等．ＢＰ神经网络模型在露天矿爆破振动参　数预测中的应用及修正［Ｊ］．中南大学学报（自然科学版），２０１３，４４　（１２）：５０１９－５０２４　［８］陈帆，谢洪涛．基于粗糙集和ＲＢＦ神经网络的地铁施工安全风险评　估［Ｊ］．安全与环境学报，２０１３，１３（４）：２３２—２３５　图１０　ＢＰ神经网络训练后的数据仿真图　［收稿日期：２０１５．７．７］