(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221081573 5.4 (22)申请日 2022.07.12 (71)申请人 中国铁道科 学研究院集团有限公司 地址 100081 北京市海淀区大柳树路2号 申请人 中国铁道科 学研究院集团有限公司 基础设施检测研究所 　 北京铁科英迈技 术有限公司 (72)发明人 杨飞　孙宪夫　魏子龙　张瑶　 尤明熙　张煜　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 专利代理师 沈珍珠　郝博 (51)Int.Cl. G01D 21/02(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 轨道状态评价方法及装置 (57)摘要 本发明提出了一种轨道状态评价方法及装 置， 涉及铁路轨道状态检测技术领域， 该方法包 括： 采集多种车型的检测车辆在测试轨道行驶时 的车辆速度、 车体振动加速度及轨道不平顺数 据； 建立每种车型的车体振动加速度预测模型， 并将每种车型的车辆速度及轨道不平顺数据作 为输入样本， 车体振动加速度作为输出样本， 分 别训练每种车型的车体振动加速度预测模型； 在 检测轨道状态时， 利用任意一辆检测车辆在待检 轨道行驶， 并采集车辆速度及轨道不平顺数据； 将采集的车辆速度及轨道不平顺数据输入至训 练完成的多种车型的车体振动加速度预测模型， 分别输出每种车型的预测车体振动加速度； 根据 每种车型的预测车体振动加速度对待检轨道的 状态进行评价。 权利要求书2页 说明书10页 附图9页 CN 115371724 A 2022.11.22 CN 115371724 A 1.一种轨道状态评价方法， 其特 征在于， 包括： 采集多种车型的检测车辆在测试轨道行驶 时的车辆速度、 车体振动加速度及轨道不平 顺数据； 建立每种车型的车体振动加速度预测模型， 并将每种车型的车辆速度及轨道不平顺数 据作为输入样本， 车体振动加速度作为输出样本， 分别训练每种 车型的车体振动加速度预 测模型； 在检测轨道状态时， 利用任意一辆检测车辆在待检轨道行驶， 并采集车辆速度及轨道 不平顺数据； 将采集的车辆速度及轨道不平顺数据输入至训练完成的多种车型的车体振动加速度 预测模型， 分别输出每种车 型的预测车体振动加速度； 根据每种车 型的预测车体振动加速度对待检轨道的状态进行评价。 2.如权利要求1所述的方法， 其特征在于， 所述轨道不平顺数据至少包括： 长波高低、 长 波轨向、 高低、 轨向、 水平、 三角坑、 超高及轨距； 所述车体振动加速度至少包括： 车体垂向加速度及车体横向加速度。 3.如权利要求1所述的方法， 其特 征在于， 还 包括： 根据所述轨道不平顺数据， 利用小波分析技术滤除波长在第 一长度至第 二长度范围之 外的数据。 4.如权利要求1所述的方法， 其特征在于， 所述车体振动加速度预测模型采用CNN ‑GRU 网络结构的深度学习模型； 其中， 对于每个空间里程点， CNN ‑GRU网络结构的深度学习模型的输入为空间里程点以及空 间里程点之前的长度为L ‑1的轨道不平顺数据及车辆速度， 对应的输出为空间里程点位置 处的车体振动加速度； 其中， L 为输入长度。 5.如权利要求1所述的方法， 其特征在于， 根据每种车型的预测车体振动加速度对待检 轨道的状态进行评价， 包括： 根据每种车型的预测车体振动加速度， 选取同一区段的加速度波形进行最大包络拟 合， 得到最大包络值； 根据最大包络值对待检轨道的状态进行评价。 6.一种轨道状态评价装置， 其特 征在于， 包括： 数据采集模块， 用于采集多种车型的检测车辆在测试轨道行驶时的车辆速度、 车体振 动加速度及轨道不平顺数据； 模型训练模块， 用于建立每种车型的车体振动加速度预测模型， 并将每种车型的车辆 速度及轨道不平顺数据作为输入样本， 车体振动加速度作为输出样本， 分别训练每种 车型 的车体振动加速度预测模型； 所述数据采集模块， 还用于在检测轨道状态时， 利用任意一辆检测车辆在待检轨道行 驶， 并采集车辆 速度及轨道不平顺数据； 预测模块， 用于将采集的车辆速度及轨道不平顺数据输入至训练完成的多种车型的车 体振动加速度预测模型， 分别输出每种车 型的预测车体振动加速度； 轨道状态评价模块， 用于根据每种车型的预测车体振动加速度对待检轨道的状态进行 评价。权　利　要　求　书 1/2 页 2 CN 115371724 A 27.如权利要求6所述的装置， 其特征在于， 所述轨道不平顺数据至少包括： 长波高低、 长 波轨向、 高低、 轨向、 水平、 三角坑、 超高及轨距； 所述车体振动加速度至少包括： 车体垂向加速度及车体横向加速度。 8.如权利要求6所述的装置， 其特 征在于， 还 包括： 数据预处 理模块； 其中， 所述数据预处理模块用于根据所述轨道不平顺数据， 利用小波分析技术滤除波 长在第一长度至第二长度范围之外的数据。 9.如权利要求6所述的装置， 其特征在于， 所述车体振动加速度预测模型采用CNN ‑GRU 网络结构的深度学习模型； 其中， 对于每个空间里程点， CNN ‑GRU网络结构的深度学习模型的输入为空间里程点以及空 间里程点之前的长度为L ‑1的轨道不平顺数据及车辆速度， 对应的输出为空间里程点位置 处的车体振动加速度； 其中， L 为输入长度。 10.如权利要求6所述的装置， 其特 征在于， 轨道状态评价模块具体用于： 根据每种车型的预测车体振动加速度， 选取同一区段的加速度波形进行最大包络拟 合， 得到最大包络值； 根据最大包络值对待检轨道的状态进行评价。 11.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1至5任一所述方 法。 12.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机程 序， 所述计算机程序被处 理器执行时实现权利要求1至 5任一所述方法。 13.一种计算机程序产品， 其特征在于， 所述计算机程序产品包括计算机程序， 所述计 算机程序被处 理器执行时实现权利要求1至 5任一所述方法。权　利　要　求　书 2/2 页 3 CN 115371724 A 3