铁路路基病害的智能识别

5铁路路基病害的智能识别杜攀峰1廖立坚2，杨新安2(1.湖南大学土木工程学院，湖南长沙410082;2.同济大学城市轨道与铁道工程系，上海200092)摘要：探地雷达适合于铁路路基病害的检测，但繁重的后期资料处理费时费力，不利于其在铁路路基检测中的推广使用。本文分析了各种路基病害图像的特征，从图像中提取出分段能量、方差和层面位置作为特征值，根据其值的大小不但能区分各种病害类型，而且可以比较病害的发育程度。计算已知样本数据的这些特征值，建立学习向量量化神经网络模型，通过不断地调整神经元的权值和阈值对这些特征值进行学习，直到满足给定精度为止。应用调整好的网络对沪宁线检测数据进行测试，结果表明，该模型对路基有无病害的识别率达到90%以上，以识别翻浆冒泥病害的效果最好。关键词：路基病害；探地雷达；特征值；学习向量量化INTELLIGENTRECOGNITIONOFDEFECTSINTRACKBEDANDSUBGRADEOFRAILWAYDuPanfeng1，LIAOLijian2，YANGXin-an2（1.CollegeofCivilEngineering,HunanUniversity,ChangshaHunanChina，410082）(2.DepartmentofUrbanTrackandRailwayEngineering,TongjiUniversity,Shanghai,China,200092)Abstract：GroundPenetratingRadar(GPR)isadaptedfordefectstestintrackbedandsubgradeofrailway,butthefollowingheavydataprocessingneedsmuchtimeandeffort,whichisnotconductivetoGPRspreadingandapplyinginrailwaysubgradetest.ThispaperanalyzescharacteristicsofGPRplotofdifferentkindsofdefectsintrackbedandsubgradeofrailway,extractssegmentedenergy,varianceandinterfaceforeigenvaluefromGPRdata.Theeigenvaluecannotonlydistinguishdifferentkindsofdefects,butalsovalueextentofdevelopmentofdefects.Sowecalculatetheeigenvalueofknownsampledata,establishlearningvectorquantizationnetworkmodel,makethenetworkstudytheeigenvaluebyconstantlyadjustingtheweightandthresholdofneuronsuntiltheerrorsmeetaccuracy,andusethenetworktotesttheGPRdataofShanghai-Nanjingrailway.Theresultsindicatethatthemodel’srecognitionrateofsubgradedefectsisupto90%,especiallyformudpumping.Keywords：subgradedefects；GPR；eigenvalue；learningvectorquantization5为了缩短列车运行时间，增加铁路运输能力，截止到目前，铁路部门已经在既有线上先后进行了六次大提速。列车提速加速了既有线路基的老化速度，使得路基病害正在逐年地增加，这些病害往往具有隐蔽性、突发性等特点，给铁路的正常运营和国家财产及人身安全造成极大危害。为克服传统路基质量检测方法存在的人为性、随机性、样点少、效率低等缺点，铁路建设和管理部门越来越多地应用探地雷达这一快速、高效、连续、无损、高精度的路基质量检测新技术来全面、及时、准确地了解整条线路连续路基状况信息。然而目前国内外对雷达探测资料的解释仍处于人工阶段，使得现场施工人员无法轻易理解，只有通过经验丰富的专业人员才能解释，在很大程度上限制了探地雷达在铁路路基检测领域内的应用与推广。 5此外，实际检测时探地雷达所采集的数据量都十分庞大(1公里就有上千道数据)，需要投入大量的时间和精力去解释。而且人眼划分标准不一，误判时有发生。本文通过整理和总结同济大学和上海铁路局完成的沪宁线段路基检测的实际资料，提取了各种路基病害的特征值，使用学习向量量化神经网络对这些特征值进行训练，得到划分各种病害的分类判决规则，从而能够对探地雷达检测资料进行自动分析，智能地识别各种路基病害。1各种路基病害的特征提取特征提取是成功识别各种路基病害的关键，提取的特征值应该既方便计算又能非常明显地突出各种病害的不同点。道床翻浆指道碴脏污后，道床积水在列车动力作用下形成泥浆挤压冒出，基床翻浆冒泥是指土质基面或风化石质基面被水侵蚀软化，在列车动力作用下液化成泥浆挤压冒出，基床产生了永久变形[1]。可见在路基的翻浆冒泥位置混杂着介电常数很大的泥浆，它与原介质构成一个反射系数很大的反射界面，使得雷达反射波振幅突然增大，从而形成许多上下导通的呈不规则形状的通道，这里称为“翻浆冒泥通道”，简称翻冒通道[2]。见图1(b～d)。翻冒通道只在道床中发育的为道床翻浆冒泥，翻冒通道在基床中发育但尚未冒穿道碴层的为隐含翻浆冒泥，翻冒通道在基床中发育且已经冒穿道碴层的为基床翻浆冒泥，由此可根据翻冒通道来区分翻浆冒泥的程度。下沉病害由基床土被水侵蚀，极度软化所致，其雷达图像具有连续的高低不平的同相轴，如图1(e)。道床石碴压入路基基面的病害，称为道碴陷槽，其图像为道碴和基床填土层面的同相轴发生间断，如图1(f)。再者，下沉和道碴陷槽的横剖面图有明显不同，下沉病害图的层面同相轴整体沉降，道碴陷槽则是呈凹凸不平状。5道碴囊下沉曲线基床翻冒通道隐含翻冒通道道床翻冒通道地基土基床填土道碴　　　　　(a)正常路基　　　　(b)道床翻浆冒泥　　　(c)隐含翻浆冒泥　　　(d)基床翻浆冒泥　　　　(e)下沉病害　　　　　(f)道碴陷槽图1各种路基病害的雷达图像(a)NormalTrackbedandSubgrade(b)MudPumpinginTrackbed(c)MudPumpinginSubgrade(d)MudPumpinginTrackbedandSubgrade(e)BallastSettlement(f)BallastTubSubsidenceFig.1GPRPlotsofAllKindsofDefectsinTrackbedandSubgradeofRailway5根据病害的这些特性，取信号的能量、方差和层面位置作为特征值，能量和方差的大小反映了电磁波的紊乱程度，层面位置反映下沉和道碴陷槽的状况。为确定冒泥通道和下沉的位置，可以采用分段加窗的方法，将一道长度为的信号分成段，每段长度取，如各段数据互为独立，则估计的方差将只有原来不分段的，达到一致估计的目的，但若增加、减小，则分辨率下降。相反，若减小、增加，虽偏差减小，但估计方差增大。所以在实际中必须兼顾分辨率与方差的要求适当选取与的值，在分段时为了减少因分段数增加给分辨率带来的影响，采取各段数据有一定重叠的方法，设重叠50%，求得特征值如下：(1)(2)(3) 5其中，表示第段的能量，为第个采样点的振幅，表示第段的样本方差，为第段的振幅均值，表示第段的层面值，为层面信息，如果是层面点，其值为1，否则为0。对图1的各雷达图像，信号长度为，将其分为段，每段长度为，计算其特征值，将特征值进行归一化处理后，画成曲线图如图2。从图中可见，由于翻冒通道处的能量和方差特别大，使得从分段能量和方差曲线图中可以清晰地确定出翻冒通道的位置，从而能够从图中直接判断翻浆冒泥的发育程度。分段层面位置图把下沉和道碴陷槽病害区分出来，下沉和陷槽的具体情况还需分析原图的界面的连续性和它们的横断面图。综上所述，取雷达信号的分段能量、方差和层面位置作为特征值，根据其值的大小不但区分出各种病害类型，而且可以比较病害的发育程度，为进一步地自动识别提供了理论依据。5层面位置方差能量区段区段区段图2特征值曲线图Fig.2EigenvalueCurveDiagram52学习向量量化神经网络模型铁路路基病害的识别问题其实是一个模式分类问题，竞争型神经网络、自组织神经网络、学习向量量化(LearningVectorQuantization,LVQ)神经网络是模式分类问题的首选，它们能够通过其输入样本学会检测其规律性和输入样本相互之间的关系，并且根据这些输入样本信息自适应调整网络，使网络以后的响应与输入样本相适应。然而竞争型和自组织神经网络是采用无监督学习方式来训练样本数据，它们的分类原则取决于输入向量之间的距离，不能严格区分两个非常接近的输入向量之间的类别。LVQ网络将竞争学习思想和有监督学习算法相结合，在网络学习过程中，通过教师信号对输入样本的分配类别进行规定，从而克服了前两种网络采用无监督学习算法带来的缺乏分类信息的弱点[3-8]。因此本文优先采用该种神经网络模型。LVQ网络的结构如图3所示，由输入层、竞争层和输出层神经元组成。输入层有个神经元接受输入向量，与竞争层之间完全连接；竞争层有个神经元，分为若干组并呈一维线阵排列；输出层每个神经元只与竞争层中的一组神经元连接，连接权值固定为1。在LVQ网络的训练过程中，输入层和竞争层之间的连接权值被逐渐调整为聚类中心。当一个输入样本被送至LVQ网络时，竞争层的神经元通过胜者为王竞争学习规则产生获胜神经元，容许其输出为1，而其他神经元输出均为0。与获胜神经元所在组相连接的输出神经元其输出也为1，而其他神经元输出为0，从而给出当前输入样本的模式类。………类别1类别2类别3…输出层竞争层输入层……图3学习向量量化网络Fig.3LearningVectorQuantizationNetworkLVQ网络学习算法的步骤如下：(1)初始化。给竞争层各神经元权值向量，赋小随机数，确定初始学习速率 5和训练次数。(2)输入样本向量。(3)寻找获胜神经元。，　(4)(4)根据分类是否正确按不同规则调整获胜神经元的权值：当网络分类结果与教师信号一致，向输入样本方向调整权值(5)否则向逆输入样本方向调整权值(6)其他非获胜神经元的权值保持不变。(5)更新学习速率(7)(6)当时，，转到步骤(2)输入下一个样本，重复各步骤直到。3案例分析3.1网络的训练选择同济大学和上海铁路局完成的沪宁线段路基检测的实际资料为研究对象[2]。从已知的实际资料中沿铁路纵向选取如下数据：正常路基100道、道床翻浆冒泥50道、基床翻浆冒泥25道、隐含翻浆冒泥25道、下沉病害50道、道碴陷槽20道。将这些数据按式(1)～(3)计算其特征值，并归一化处理后，作为样本输入LVQ网络。每道样本由21个特征值组成，所以网络的输入层神经元为21，设竞争层神经元为42，输出层神经元为6，输出层模式类表示为，正常路基[100000]，道床翻冒[010000]，隐含翻冒[001000]，基床翻冒[000100]，下沉[000010]，道碴陷槽[000001]。设定学习速率为0.01，最大训练步数10000，期望误差小于0.1，随着运算步数的增加，竞争层神经元的权重向量发生改变，直到误差满足给定要求才停止。3.2网络的测试网络训练好以后，其权值就固定下来。以后对于每一个输入值，网络就会输出相应的分类值，从而进行网络的测试。现选取沪宁线下行K140+450～K141+475段雷达探测资料共1026道数据，提取特征值并归一化处理后输入LVQ网络进行测试。得到分类结果如表1。3.3分类结果的比较为验证LVQ网络对路基病害分类的有效性，把测试数据和现场开挖整治的数据进行对比，如表2。结果表明，LVQ网络对三类翻浆冒泥病害的分类精度均达到了90%以上，正常路基被判为翻冒病害的机率为4.9%，翻冒病害的路基被判为正常的机率为5.8%，可见LVQ网络能够有效地划分正常路基和翻浆冒泥路基的界限。但是对下沉和道碴陷槽的识别率较低，两者的界限模糊不清，为此，需对路基的横断面图加以分析，取横断面的特征值重新训练网络，再加以分类。由于横断面图的数量有限，未能在所有出现这两种病害的位置加测横断面图，仅从存在的5个横断面图来看，有4张下沉，1张道碴陷槽，与实际吻合。表1LVQ网络测试结果Table1ResultofLVQNetworkTest里　程病害类型K140+450～K140+531K140+606～K140+652K140+660～K140+703K140+710～K140+774K140+787～K140+793K140+806～K140+910K141+060～K141+136K141+136～K141+175K141+186～K141+423K141+433～K141+475其　他基床翻浆冒泥下　沉基床翻浆冒泥下　沉道碴陷槽下　沉隐含翻浆冒泥基床翻浆冒泥下　沉道床翻浆冒泥正　常表2测试结果与真实值对比Table1CompareofTestResultandTrueValue测试样本类型数量/道真实数据/道分类精度/%道床翻浆冒泥基床翻浆冒泥隐含翻浆冒泥下　沉道碴陷槽43166771657道床翻浆冒泥　39基床翻浆冒泥3正　常1基床翻浆冒泥　157道床翻浆冒泥6隐含翻浆冒泥　　3隐含翻浆冒泥71正常　　　6下沉90道碴陷槽　　　75道碴陷槽　4下沉3道床翻浆冒泥10隐含翻浆冒泥　　9　90.794.592.254.557.1 5正　常568下沉8道碴陷槽　　　195.14结论在实际制定整修计划时，区分各种病害类型和确定其具体里程是十分重要的，探地雷达不但能够给出病害区段，还能分析翻浆冒泥的发育程度，为整治设计提供了依据。取雷达信号的分段能量、方差和层面位置作为特征值，根据其值的大小不但能区分各种病害类型，而且可以比较病害的发育程度，为自动识别提供了理论依据。LVQ网络克服了竞争型网络采用无监督学习算法带来的缺乏分类信息的弱点。其收敛速度快，划分类别准确，非常适合路基病害模式类的识别。该模型对有无病害的识别率达到了90%以上，而且计算速度快，操作简单，大大减轻了工作人员对后期数据处理的负担，能够帮助非专业人员理解铁路路基探测数据，从而有利于探地雷达在铁路路基检测领域的推广和使用。参考文献(References)：[1]杨新安.路基检测新技术[M].北京：中国铁道出版社，2006.11–17.[2]杨新安，高艳灵.沪宁铁路翻浆冒泥病害的地质雷达检测[J].岩石力学与工程学报，2004，23(1)：116-119.(YANGXin’an，GAOYanling.GPRInspectionforShanghai-NanjingRailwayTrackbed[J].ChineseJournalofRockMechanicsandEngineering，2004，23(1)：116-119.)[3]韩立群.人工神经网络教程[M].北京：北京邮电大学出版社，2006.102–105.[4]周开利，康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社，2005.117–128.[5]MichalopoulouZH，AlexandrouD，deMoustierC.ApplicationofNeuralandStatisticalClassifierstotheProblemofSeafloorcharacterization[J]．IEEEJournalofOceanicEngineering，1995，20(3)：190～197[6]ChakrabortyB，KodagaliV，BarachoJ.Sea-FloorClassificationUsingMultibeamEcho-SoundingAngularBackscatterData：AReal-TimeApproachEmployingHybridNeuralNetworkArchitecture[J].IEEEJournalofOceanicEngineering，2003，28(1)：12–128.[7]肖建华.智能模式识别方法[M].广州：华南理工大学出版社，2006.1–6.[8]谷萩隆嗣.人工神经网络与模糊信号处理[M].北京：科学出版社，2003.110–115.[9]董辉，傅鹤林，冷伍明.滑坡变形的支持向量机非线性组合预测[J].铁道学报，2007，29(1)：132–136.(DONGXiao，FUHelin，LENGWuming.NonlinearCombinationPredictingBasedonSupportVectorMachinesforLandslideDeformation[J].JournaloftheChinarailwaySociety，2007，29(1)：132–136.)[10]廖立坚,杨新安,杜攀峰.铁路路基雷达探测数据的处理[J].中国铁道科学，2008，29（3）：18-23.（LIAOLijian,YANGXinan,DUPanfeng.ProcessingGPRDetectionDataofRailwaySubgrade[J].ChinaRailwayScience，2008，29（3）：18-23）5作者简介杜攀峰，男，1970年8月生，讲师，湖南大学土木工程学院，主要从事道路工程方面的教学和研究。联络方式（１）通讯地址：湖南大学土木工程学院道路教研室（２）邮编：410082（３）电话：13508482284（４）E-mail：panfengdu96@yahoo.com.cn5