精测精捣作业效果影响因素分析方法及装置与流程

1.本发明涉及轨道交通技术领域，尤其涉及精测精捣作业效果影响因素分析方法及装置。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.目前，为有效提高有砟轨道大机捣固改善轨道几何不平顺的作业效果，明确提出了基于新型控制网对轨道进行精确测量，利用测量成果开展数字化精捣作业，同时指出应建立精测精捣作业效果评价体系。以及对不同测量方式、不同捣固模式、不同机组的作业效果进行跟踪分析，以全面、准确掌握不同维修模式下的设备质量变化规律，为科学制定维修策略提供支撑，进一步推进运营普速铁路轨道精测精捣工作，提升作业效率和质量。
4.普速铁路轨道精测和精捣作业模式种类繁多，精测精捣作业效果受到多种因素的影响，例如：捣前线路质量、捣前准备工作、捣固作业模式、轨道测量方式、大机捣固车型、稳定车作业频率等，导致各路局轨道精捣作业效率和效果参差不齐等。目前还没有一种定量分析方法，来确定影响精测精捣作业效果因素的权重。仅是通过现场作业经验，定性评价不同因素的影响。综上所述，影响精测精捣作业效果的因素众多，采用合理的计算方法量化不同因素的影响权重需求，明确影响精测精捣作业效果的主要因素，从而科学地指导现场施工作业和有效提升作业质量是现有砟铁路精测精捣亟待解决的问题。


技术实现要素：

5.本发明实施例提供一种精测精捣作业效果影响因素分析方法，用以量化影响精测精捣作业效果各因素的权重，解决影响精测精捣作业效果主要因素的问题，该方法包括：
6.获取精测精捣作业存在的影响因素数据；其中，影响因素数据包括下述至少一种：捣前测量方式、捣固车型号、捣固模式、稳定作业频率、捣固前捣固指数、是否稳定作业，每一影响因素数据下包含多种子数据；
7.获取精测精捣作业的评价指标数据，其中，评价指标数据包括下述至少一种：捣固后捣固指数、捣固指数改善率及捣固指数单位改善率；
8.对每一影响因素数据下包含的多种子数据进行数据处理，得到输入数据集，将评价指标数据作为输出数据集，基于输入数据集、输出数据集得到训练样本；
9.利用训练样本训练预先搭建的初始bp神经网络，得到训练好的bp神经网络；其中，初始bp神经网络为根据影响因素数据、以及评价指标数据搭建；
10.根据训练好的bp神经网络，得到各影响因素数据的权重。
11.本发明实施例还提供一种精测精捣作业效果影响因素分析装置，用以量化影响精测精捣作业效果各因素的权重，解决影响精测精捣作业效果主要因素的问题，该装置包括：
12.影响因素数据获取模块，用于获取精测精捣作业存在的影响因素数据；其中，影响
因素数据包括下述至少一种：捣前测量方式、捣固车型号、捣固模式、稳定作业频率、捣固前捣固指数、是否稳定作业，每一影响因素数据下包含多种子数据；
13.评价指标数据获取模块，用于获取精测精捣作业的评价指标数据，其中，评价指标数据包括下述至少一种：捣固后捣固指数、捣固指数改善率及捣固指数单位改善率；
14.第一处理模块，用于对每一影响因素数据下包含的多种子数据进行数据处理，得到输入数据集，将评价指标数据作为输出数据集，基于输入数据集、输出数据集得到训练样本；
15.第二处理模块，用于利用训练样本训练预先搭建的初始bp神经网络，得到训练好的bp神经网络；其中，初始bp神经网络为根据影响因素数据、以及评价指标数据搭建；
16.第三处理模块，用于根据训练好的bp神经网络，得到各影响因素数据的权重。
17.本发明实施例还提供一种计算机设备，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，所述处理器执行所述计算机程序时实现上述精测精捣作业效果影响因素分析方法。
18.本发明实施例还提供一种计算机可读存储介质，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上述精测精捣作业效果影响因素分析方法。
19.本发明实施例还提供一种计算机程序产品，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上述精测精捣作业效果影响因素分析方法。
20.本发明实施例中，获取精测精捣作业存在的影响因素数据；其中，影响因素数据包括下述至少一种：捣前测量方式、捣固车型号、捣固模式、稳定作业频率、捣固前捣固指数、是否稳定作业，每一影响因素数据下包含多种子数据；获取精测精捣作业的评价指标数据，其中，评价指标数据包括下述至少一种：捣固后捣固指数、捣固指数改善率及捣固指数单位改善率；对每一影响因素数据下包含的多种子数据进行数据处理，得到输入数据集，将评价指标数据作为输出数据集，基于输入数据集、输出数据集得到训练样本；利用训练样本训练预先搭建的初始bp神经网络，得到训练好的bp神经网络；其中，初始bp神经网络为根据影响因素数据、以及评价指标数据搭建；根据训练好的bp神经网络，得到各影响因素数据的权重。这样，可以量化影响精测精捣作业效果各因素的权重，解决影响精测精捣作业效果主要因素的问题，更科学合理的量化各因素权重，为推进普速铁路轨道精测精捣现场应用和作业模式优选提出合理化建议，对大机维修作业降低成本、提高效率提供依据。
附图说明
21.为了更清楚地说明本发明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发明的一些实施例，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。在附图中：
22.图1为本发明实施例中提供的一种精测精捣作业效果影响因素分析方法的流程图；
23.图2为本发明实施例中提供的一种捣前测量方式的子数据的示例图；
24.图3为本发明实施例中提供的一种捣固车型号的子数据的示例图；
25.图4为本发明实施例中提供的一种捣固模式的子数据的示例图；
26.图5为本发明实施例中提供的一种捣固前后轨距累积分布图；
27.图6为本发明实施例中提供的一种mtqi捣固前后的累积分布图；
28.图7为本发明实施例中提供的一种对每一影响因素数据下包含的多种子数据进行数据处理，得到输入数据集的方法流程图；
29.图8为本发明实施例中提供的一种初始bp神经网络的示例图；
30.图9为本发明实施例中提供的一种精测精捣作业效果影响因素分析的整体实施流程图；
31.图10为本发明实施例中提供的一种神经网络结构图；
32.图11为本发明实施例中提供的一种基于bp神经网络主要影响因素数据拓扑结构图；
33.图12为本发明实施例中提供的一种对训练样本进行清洗时，r、mse及被清洗掉的数据num随清洗次数的变化的示意图；
34.图13为本发明实施例中提供的一种精测精捣作业效果影响因素分析装置的示意图；
35.图14为本发明实施例中提供的一种计算设备的示意图。
具体实施方式
36.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
37.本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
38.本文中术语“和/或”，仅仅是描述一种关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
39.在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本技术的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
40.经研究发现，普速铁路轨道精测和精捣作业模式种类繁多，精测精捣作业效果受到多种因素的影响，例如：捣前线路质量、捣前准备工作、捣固作业模式、轨道测量方式、大机捣固车型、稳定车作业频率等，导致各路局轨道精捣作业效率和效果参差不齐等。目前还没有一种定量分析方法，来确定影响精测精捣作业效果因素的权重。仅是通过现场作业经验，定性评价不同因素的影响。综上所述，影响精测精捣作业效果的因素众多，采用合理的
计算方法量化不同因素的影响权重需求，明确影响精测精捣作业效果的主要因素，从而科学地指导现场施工作业和有效提升作业质量是现有砟铁路精测精捣亟待解决的问题
41.针对上述研究，本发明实施例提供一种精测精捣作业效果影响因素分析方法，如图1所示，包括：
42.s101：获取精测精捣作业存在的影响因素数据；其中，影响因素数据包括下述至少一种：捣前测量方式、捣固车型号、捣固模式、稳定作业频率、捣固前捣固指数、是否稳定作业，每一影响因素数据下包含多种子数据；
43.s102：获取精测精捣作业的评价指标数据，其中，评价指标数据包括下述至少一种：捣固后捣固指数、捣固指数改善率及捣固指数单位改善率；
44.s103：对每一影响因素数据下包含的多种子数据进行数据处理，得到输入数据集，将评价指标数据作为输出数据集，基于输入数据集、输出数据集得到训练样本；
45.s104：利用训练样本训练预先搭建的初始bp神经网络，得到训练好的bp神经网络；其中，初始bp神经网络为根据影响因素数据、以及评价指标数据搭建；
46.s105：根据训练好的bp神经网络，得到各影响因素数据的权重。
47.本发明实施例中，获取精测精捣作业存在的影响因素数据；其中，影响因素数据包括下述至少一种：捣前测量方式、捣固车型号、捣固模式、稳定作业频率、捣固前捣固指数、是否稳定作业，每一影响因素数据下包含多种子数据；获取精测精捣作业的评价指标数据，其中，评价指标数据包括下述至少一种：捣固后捣固指数、捣固指数改善率及捣固指数单位改善率；对每一影响因素数据下包含的多种子数据进行数据处理，得到输入数据集，将评价指标数据作为输出数据集，基于输入数据集、输出数据集得到训练样本；利用训练样本训练预先搭建的初始bp神经网络，得到训练好的bp神经网络；其中，初始bp神经网络为根据影响因素数据、以及评价指标数据搭建；根据训练好的bp神经网络，得到各影响因素数据的权重。这样，可以量化影响精测精捣作业效果各因素的权重，解决影响精测精捣作业效果主要因素的问题，更科学合理的量化各因素权重，为推进普速铁路轨道精测精捣现场应用和作业模式优选提出合理化建议，对大机维修作业降低成本、提高效率提供依据。
48.下面对上述精测精捣作业效果影响因素分析方法加以详细说明。
49.针对上述s101，影响因素数据例如包括下述至少一种：捣前测量方式、捣固车型号、捣固模式、稳定作业频率、捣固前捣固指数、是否稳定作业。
50.具体的，影响因素数据包括：文字型数据、数据型数据、条件型数据。例如，文字型数据包括：捣前测量方式、捣固车型号、捣固模式、稳定作业频率、捣固前捣固指数，条件型数据例如包括：是否稳定作业，数据型数据例如包括：捣固前捣固指数。
51.此外，本发明实施例中，每一影响因素数据下包含多种子数据。
52.例如，如图2所示，为本发明实施例提供的一种捣前测量方式的子数据的示例图，其中，捣前测量方式包括下述至少一种子数据：0级轨检仪，四维小车+cpiii，惯导小车+gnss(global navigation satellite system)，惯导小车+导线网，惯导小车，水准仪+全站仪，水准仪，全站仪，惯导小车+cpiii(轨道控制网)，惯导小车+固定桩轨道控制网，0级轨检仪+gps，rtk等。结合不同控制网类型，全路绝对和相对测量方式类型达到十三余种，通过调研统计例如可以选取其中里程较多的7中测量方式。
53.如图3所示，为本发明实施例提供的一种捣固车型号的子数据的示例图，其中，捣
固车型号包括下述至少一种子数据：dwl-48(捣稳连)、dcl-32(09-32)、dc-32(08-32)。
54.如图4所示，为本发明实施例提供的一种捣固模式的子数据的示例图，其中，捣固模式的子数据包括下述至少一种：单捣+单捣，单捣+稳定+单捣，单捣+单捣+稳定，单捣+稳定+单捣+稳定，单捣+稳定，单遍双捣+稳定，单捣，单遍双捣等，单捣+单遍双捣+稳定，单遍双捣+单遍双捣+稳定，单遍双捣/单遍双捣+稳定，单遍双捣+稳定+单捣，单遍双捣+单捣，单遍双捣+单遍双捣，单捣/单遍双捣等，不同捣固模式现场作业后的效果也不同，通过调研统计例如可以选取其中里程较多的8种作业模式。
55.此外，稳定作业频率是稳定作业时采用的稳定频率大小，稳定作业频率的子数据例如包括下述至少一种：0hz、0～25hz，25～40hz，捣固前捣固指数是捣固前的检测数据，捣固前捣固指数的子数据包含多种数据值，是否稳定作业的子数据包括：稳定、未稳定。
56.针对上述s102，捣固指数mtqi是将轨道几何单项中轨距去掉，是由于捣固作业前后轨距单项几乎没有改变(如图5所示)。同时，结合图6所示的mtqi捣固前后的累积分布图，可以看出作业前后存在明显差异，因此采用捣固指数mtqi作为效果评价指标，提高了对效果敏感性，其计算公式如式(1)所示：
[0057][0058]
其中，σi为左高低、右高低、左轨向、右轨向、水平、三角坑6项不平顺200米检测数据的标准差(i＝1，2，...，6)。
[0059]
此处，高低是指：钢轨顶面沿着轨道延长方向上的垂向凹凸不平顺；轨向是指：钢轨内侧轨道延长方向上的横向凹凸不平顺；水平是指：同一横截面上左右钢轨顶面相对所在水平面的高低差；三角坑是指：左右两轨顶面相对轨道平面的扭曲，用相距一定基长水平的代数差表示；左右分别指的是左右两条钢轨。
[0060]
此外，捣固指数改善率可通过下述公式(2)计算得到：
[0061][0062]
其中，mtqi
bf
表示捣固前捣固指数，mtqi
af
表示捣固后捣鼓指数，ir表示捣固指数改善率。
[0063]
本发明一实施例中，捣固指数单位改善率例如可通过下述公式(3)计算得到：
[0064][0065]
其中，mtqi
bf
表示捣固前捣固指数，mtqi
af
表示捣固后捣鼓指数，ir表示捣固指数单位改善率。
[0066]
针对上述s103，对每一影响因素数据下包含的多种子数据进行数据处理，得到输入数据集。
[0067]
示例性的，根据每一影响因素数据下包含的多种子数据构建输入数据集：x＝[x1，x2，x3，x4，x5，x6]，其中，x1表示捣前测量方式，x1＝[0级轨检仪，四维小车+cpiii，惯导小车+gnss，惯导小车+导线网，惯导小车，水准仪+全站仪，水准仪]；x2表示捣固车型号，x2＝[dcl-32，dwl-48]；x3表示捣固模式，x3＝[单捣+单捣，单捣+稳定+单捣，单捣+单捣+稳定，单捣+稳
定+单捣+稳定，单捣+稳定，单遍双捣+稳定，单捣，单遍双捣]；x4表示是否稳定，x4＝[未稳定，稳定]；x5表示稳定作业频率，x5＝[0hz，0～25hz，25～40hz]；x6捣固前检测数据，x6＝[mtqi
bf
]。
[0068]
如图7所示，为本发明实施例提供的一种对每一影响因素数据下包含的多种子数据进行数据处理，得到输入数据集的方法流程图，包括：
[0069]
s701：对每一文字型数据下包含的多种子数据按照数字顺序进行数字编码，得到每一文字型数据对应的输入特征值。
[0070]
例如，文字型数据按照1～q进行编码，其中，q为大于1的正整数。
[0071]
s702：对每一条件型数据下包含的多种子数据采用预设数字进行编码，得到每一条件型数据对应的输入特征值。
[0072]
例如，条件型数据按照是否分别对应1，2。
[0073]
s703：将每一数据型数据下包含的多种子数据直接作为每一数据型数据对应的输入特征值。
[0074]
s704：根据每一文字型数据对应的输入特征值、每一条件型数据对应的输入特征值、为每一数据型数据对应的输入特征值，得到输入数据集。
[0075]
针对上述s104，初始bp神经网络为根据影响因素数据、以及评价指标数据搭建，例如，预先针对每一评价指标数据搭建一个初始bp神经网络；其中，每一初始bp神经网络包含输入层、隐含层、输出层，将各影响因素数据作为每一bp神经网络输入层的节点，将一个评价指标数据作为一个初始bp神经网络的输出层的节点，例如图8所示，为本发明实施例提供的一种初始bp神经网络的示例图，将捣前测量方式、捣固车型号、捣固模式、是否稳定、稳定作业频率、mtqi
bf
等经处理后作为输入层，确定该网络输入层节点个数n＝6。将mtqi
af
、ir、ir作为输出层，确定输出层节点个数m＝1。
[0076]
本发明一实施例中，利用训练样本训练预先搭建的初始bp神经网络，得到训练好的bp神经网络，例如包括：利用训练样本分别训练各初始bp神经网络，对各初始bp神经网络训练后得到的训练后bp神经网络的输出层进行拟合，得到各训练后bp神经网络的期望输出和实际输出相关系数；根据各训练后bp神经网络的期望输出和实际输出相关系数，将期望输出和实际输出相关系数最大的训练后bp神经网络作为训练好的bp神经网络。
[0077]
例如，在输出层节点为mtqi
af
时相关系数r可以到达0.8左右，而输出层节点为ir或ir时，r只有0.5左右。说明该神经网络可以较好地拟合mtqi
af
。因此，选用mtqi
af
作为神经网络模型的唯一输出。
[0078]
此外，为了进一步提升模型的拟合效果，在建立初始bp神经网络模型的基础上，需要对训练样本进行清洗，因此本发明一实施例中，还包括：采用下述方法对训练样本进行多次清洗，采用清洗后的训练样本训练各初始bp神经网络：计算各初始bp神经网络针对各训练样本的实际输出；计算各训练样本的实际输出与对应实际误差之间的标准差，删除标准差大于预设标准差的训练样本。
[0079]
例如，计算输出的mtqi
af
、ir、ir与实际误差值e的标准差(用样本方差的1/2次方估计)，去除超过3σ的样本，并重新训练。其中，实际输出与期望输出之间的误差：ei＝o
i-yi；其中，oi为bp神经网络的实际输出，yi为期望输出(即训练样本对应的输出数据集)，误差均值：
误差标准差：清洗数据判断标准：|e
i-μ＞3σ，迭代清洗n次。此处，清洗次数对r、mse及被清洗掉的数据量影响不大，所以例如可以选择清洗100次。
[0080]
另外，在训练的过程中，例如首先直接对数据进行处理，改变输出层、隐含层激活函数及隐含层神经元的数量，分别对输出层进行拟合，通过评价网络指标：期望输出和实际输出相关系数r、期望输出和实际输出拟合斜率k、均方误差mse的值，选取能够满足精测精捣模式主因素分析的相对较好的组合方式。最终确定隐含层l＝30个神经元，激活函数为tansig，输出层为purelin。设置改模型输入层、隐含层和输出层的神经元之间初始化连接权值ω
ij
、ω
jk
，初始化隐含层阈值α和输出层阈值b，并确定学习速率。
[0081]
具体的，例如采用以下步骤一～步骤四，利用训练样本训练预先搭建的初始bp神经网络：
[0082]
步骤一：根据训练样本中的影响因素数据、初始bp神经网络的输入层和隐含层间连接权值、以及隐含层各节点阈值，计算隐含层输出值。
[0083]
例如，采用下述公式(4)根据训练样本中的影响因素数据x，初始bp神经网络的输入层和隐含层间连接权值ω
ij
和隐含层间连接权值α，计算隐含层输出值h：
[0084][0085]
其中，i为输入层不同影响因素对应编号，取值1，
…
，n，其中n最大取值为6；l为隐含层个数；f为隐含层激活函数tansig。
[0086]
步骤二：根据初始bp神经网络的隐含层输出值、隐含层与输出层间连接权值、输出层节点的阈值，计算初始bp神经网络的实际输出。
[0087]
例如，采用下述公式(5)根据初始bp神经网络的隐含层输出值h，隐含层与输出层间连接权值ω
jk
、输出层节点的阈值b，计算初始bp神经网络的实际输出o。
[0088][0089]
其中，m为输出节点个数。
[0090]
步骤三：根据初始bp神经网络的实际输出、以及训练样本对应的期望输出，计算初始bp神经网络的预测误差；其中，训练样本对应的期望输出为训练样本的输出数据集。
[0091]
例如，采用下述公式(6)根据初始bp神经网络的实际输出o和训练样本对应的期望输出y，计算初始bp神经网络的预测误差e。
[0092]ek
＝o
k-y
k k＝1,2,
…
,m (6)
[0093]
步骤四：确定初始bp神经网络的预测误差是否小于预设误差，若是停止训练，若否则更新初始bp网络的输入层和隐含层间连接权值、隐含层与输出层间连接权值、隐含层各节点阈值，输出层节点的阈值，返回步骤一。
[0094]
例如，采用下述公式(7)、(8)根据初始bp神经网络的预测误差e，更新初始bp网络的输入层和隐含层间连接权值ω
ij
、隐含层与输出层间连接权值ω
jk
、隐含层各节点阈值α、输出层节点的阈值b。
[0095][0096]
ω
jk
＝ω
jk
+ηh
jek j＝1,2,
…
,l；k＝1,2,
…
,m
ꢀꢀꢀ
(8)
[0097]
其中，η为学习速率。
[0098]
此外，本发明另一实施例中，步骤四还可以包括：确定初始bp神经网络的训练次数是否小于预设训练次数，若是则停止训练，若否则更新初始bp网络的输入层和隐含层间连接权值、隐含层与输出层间连接权值、隐含层各节点阈值，输出层节点的阈值，返回步骤一。
[0099]
这样，根据精测精捣作业模式数据，选取了符合该数据特点的输出层、隐含层激活函数及隐含层神经元的数量。在bp神经网络模型中为优化训练结果，对样本数据进行了清洗，将可能存在的异常数据进行了剔除，确定了清洗次数，提高了神经网络模型的精度。
[0100]
针对上述s105，根据训练好的bp神经网络，得到各影响因素数据的权重，例如包括：根据训练好的bp神经网络的每次历史训练过程，得到各影响因素数据的历史权重；对各影响因素数据的历史权重加指数后进行归一化处理，得到各影响因素数据的权重。
[0101]
具体的，每次训练记录网络各因素的连接权值。各影响因素权重的处理有两种方式。一种是直接将输入层和隐含层之间的权值乘以隐含层和输出层之间的权值，一种是将两层的权重分别取指数之后相乘。由于需要对各因素的影响程度进行量化，进行量化的方式是对每次训练的权重进行归一化求贡献度，而直接使用权重的方式会使求得的贡献度存在负值，与实际意义不相符。因此选取权重加指数之后进行处理，这样既保留了各权重之间的大小关系，又不会出现负值情况。
[0102]
此外，本发明一实施例中，每次训练时，得到各影响因素数据的权重后，对权重排序，保存每次的排序值，统计多次训练的权重排序结果，计算各影响因素数据的权重的排序值的均值或贡献度。对排序值均值或贡献度进行排序，得到最终排序结果的结果。
[0103]
如图9所示为本发明实施例提供的一种精测精捣作业效果影响因素分析的整体实施流程图，包括：从精测精捣作业模式数据库中行选取影响因素数据，对影响因素数据进行处理得到训练样本，搭建神经网络，利用神经网络对训练样本进行清洗，利用清洗后的训练样本训练神经网络，训练后的神经网络不满足误差要求则进行权重修正后继续进行训练，满足误差要求则得到训练好的神经网络，根据训练好的神经网络确定各影响因素数据的权重，最后还可以各影响因素数据的权重进行排序，根据排序结果确定主要影响因素数据，根据主要影响因素数据优化精测精捣工艺法。
[0104]
以下以一具体示例对本发明实施例所述的精测精捣作业效果影响因素分析方法加以详细说明。以全路普速铁路精测精捣数据为例，演示基于神经网络模型对各影响因素的权重计算过程。
[0105]
(1)数据预处理
[0106]
对影响因素数据进行处理，以mtqi
bf
、捣前测量方式、捣固模式、捣固车型、是否稳定、稳定频率等因素作为输入，以mtqi
af
作为输出。输入按照如下述表1所示的方式处理：
[0107]
表1输入因素对应编码示例
[0108][0109]
(2)模型的建立
[0110]
用matlab搭建一个一层的神经网络，图10为神经网络结构图，图11为基于bp神经网络主因素拓扑结构图。mtqi
bf
、捣前测量方式、捣固模式、捣固车型、是否稳定、稳定频率等因素作为输入，以mtqi
af
作为输出。选择隐含层个数l＝30，采用tansig激活函数；输出层采用purelin激活函数，输入进行归一化，输出不归一化，拟合捣固效果后的相关指标。
[0111]
(3)数据清洗
[0112]
为提升拟合效果，对数据进行清洗，对输入的形式进行测试，使用上述参数拟合，求输出误差的标准差(用样本方差的1/2次方估计)，去除超过预设误差的样本，重新训练。迭代清洗n次，图12显示对输入进行处理时r、mse及被清洗掉的数据num随清洗次数的变化。在清洗100次之后，清洗次数对r、mse及被清洗掉的数据影响不大，所以选择清洗100次。
[0113]
(4)影响权重的计算和结果例如可以采用如下表2所示的方式展示：
[0114]
表2影响因素数据的权重及排序
[0115][0116]
本发明实施例中还提供了一种精测精捣作业信息装置，如下面的实施例所述。由于该装置解决问题的原理与精测精捣作业信息方法相似，因此该装置的实施可以参见精测精捣作业信息方法的实施，重复之处不再赘述。
[0117]
如图13所示，为本发明实施例提供的一种精测精捣作业效果影响因素分析装置的示意图，包括：影响因素数据获取模块1301、评价指标数据获取模块1302、第一处理模块1303、第二处理模块1304、以及第三处理模块1305；其中，
[0118]
影响因素数据获取模块1301，用于获取精测精捣作业存在的影响因素数据；其中，影响因素数据包括下述至少一种：捣前测量方式、捣固车型号、捣固模式、稳定作业频率、捣固前捣固指数、是否稳定作业，每一影响因素数据下包含多种子数据；
[0119]
评价指标数据获取模块1302，用于获取精测精捣作业的评价指标数据，其中，评价指标数据包括下述至少一种：捣固后捣固指数、捣固指数改善率及捣固指数单位改善率；
[0120]
第一处理模块1303，用于对每一影响因素数据下包含的多种子数据进行数据处理，得到输入数据集，将评价指标数据作为输出数据集，基于输入数据集、输出数据集得到训练样本；
[0121]
第二处理模块1304，用于利用训练样本训练预先搭建的初始bp神经网络，得到训练好的bp神经网络；其中，初始bp神经网络为根据影响因素数据、以及评价指标数据搭建；
[0122]
第三处理模块1305，用于根据训练好的bp神经网络，得到各影响因素数据的权重。
[0123]
在一种可能的实施方式中，影响因素数据包括：文字型数据、数据型数据、条件型数据；第一处理模块，具体用于对每一文字型数据下包含的多种子数据按照数字顺序进行数字编码，得到每一文字型数据对应的输入特征值；对每一条件型数据下包含的多种子数据采用预设数字进行编码，得到每一条件型数据对应的输入特征值；将每一数据型数据下包含的多种子数据直接作为每一数据型数据对应的输入特征值；根据每一文字型数据对应的输入特征值、每一条件型数据对应的输入特征值、为每一数据型数据对应的输入特征值，得到输入数据集。
[0124]
在一种可能的实施方式中，还包括：第四处理模块，用于针对每一评价指标数据搭建一个初始bp神经网络；其中，每一初始bp神经网络包含输入层、隐含层、输出层，将各影响因素数据作为每一bp神经网络输入层的节点，将一个评价指标数据作为一个初始bp神经网络的输出层的节点。
[0125]
在一种可能的实施方式中，第二处理模块，具体用于利用训练样本分别训练各初始bp神经网络，对各初始bp神经网络训练后得到的训练后bp神经网络的输出层进行拟合，得到各训练后bp神经网络的期望输出和实际输出相关系数；根据各训练后bp神经网络的期望输出和实际输出相关系数，将期望输出和实际输出相关系数最大的训练后bp神经网络作为训练好的bp神经网络。
[0126]
在一种可能的实施方式中，第二处理模块，具体用于按照如下步骤利用训练样本训练预先搭建的初始bp神经网络：步骤一：根据训练样本中的影响因素数据、初始bp神经网络的输入层和隐含层间连接权值、以及隐含层各节点阈值，计算隐含层输出值；步骤二：根据初始bp神经网络的隐含层输出值、隐含层与输出层间连接权值、输出层节点的阈值，计算初始bp神经网络的实际输出；步骤三：根据初始bp神经网络的实际输出、以及训练样本对应的期望输出，计算初始bp神经网络的预测误差；其中，训练样本对应的期望输出为训练样本的输出数据集；步骤四：确定初始bp神经网络的预测误差是否小于预设误差，若是停止训练，若否则更新初始bp网络的输入层和隐含层间连接权值、隐含层与输出层间连接权值、隐含层各节点阈值，输出层节点的阈值，返回步骤一。
[0127]
在一种可能的实施方式中，还包括：样本清洗模块，用于采用下述方法对训练样本进行多次清洗，采用清洗后的训练样本训练各初始bp神经网络：计算各初始bp神经网络针对各训练样本的实际输出；计算各训练样本的实际输出与对应实际误差之间的标准差，删除标准差大于预设标准差的训练样本。
[0128]
在一种可能的实施方式中，第三处理模块，具体用于根据训练好的bp神经网络的每次历史训练过程，得到各影响因素数据的历史权重；对各影响因素数据的历史权重加指
数后进行归一化处理，得到各影响因素数据的权重。
[0129]
基于前述发明构思，如图14所示，本发明还提出了一种计算机设备1400，包括存储器1410、处理器1420及存储在存储器1410上并可在处理器1420上运行的计算机程序1430，所述处理器1420执行所述计算机程序1430时实现前述精测精捣作业效果影响因素分析方法。
[0130]
本发明实施例还提供一种计算机可读存储介质，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上述精测精捣作业效果影响因素分析方法。
[0131]
本发明实施例还提供一种计算机程序产品，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上述精测精捣作业效果影响因素分析方法。
[0132]
本发明实施例中，获取精测精捣作业存在的影响因素数据；其中，影响因素数据包括下述至少一种：捣前测量方式、捣固车型号、捣固模式、稳定作业频率、捣固前捣固指数、是否稳定作业，每一影响因素数据下包含多种子数据；获取精测精捣作业的评价指标数据，其中，评价指标数据包括下述至少一种：捣固后捣固指数、捣固指数改善率及捣固指数单位改善率；对每一影响因素数据下包含的多种子数据进行数据处理，得到输入数据集，将评价指标数据作为输出数据集，基于输入数据集、输出数据集得到训练样本；利用训练样本训练预先搭建的初始bp神经网络，得到训练好的bp神经网络；其中，初始bp神经网络为根据影响因素数据、以及评价指标数据搭建；根据训练好的bp神经网络，得到各影响因素数据的权重。这样，可以量化影响精测精捣作业效果各因素的权重，解决影响精测精捣作业效果主要因素的问题，更科学合理的量化各因素权重，为推进普速铁路轨道精测精捣现场应用和作业模式优选提出合理化建议，对大机维修作业降低成本、提高效率提供依据。
[0133]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0134]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0135]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0136]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一
个方框或多个方框中指定的功能的步骤。
[0137]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种精测精捣作业效果影响因素分析方法，其特征在于，包括：获取精测精捣作业存在的影响因素数据；其中，影响因素数据包括下述至少一种：捣前测量方式、捣固车型号、捣固模式、稳定作业频率、捣固前捣固指数、是否稳定作业，每一影响因素数据下包含多种子数据；获取精测精捣作业的评价指标数据，其中，评价指标数据包括下述至少一种：捣固后捣固指数、捣固指数改善率及捣固指数单位改善率；对每一影响因素数据下包含的多种子数据进行数据处理，得到输入数据集，将评价指标数据作为输出数据集，基于输入数据集、输出数据集得到训练样本；利用训练样本训练预先搭建的初始bp神经网络，得到训练好的bp神经网络；其中，初始bp神经网络为根据影响因素数据、以及评价指标数据搭建；根据训练好的bp神经网络，得到各影响因素数据的权重。2.如权利要求1所述的精测精捣作业效果影响因素分析方法，其特征在于，影响因素数据包括：文字型数据、数据型数据、条件型数据；对每一影响因素数据下包含的多种子数据进行数据处理，得到输入数据集，包括：对每一文字型数据下包含的多种子数据按照数字顺序进行数字编码，得到每一文字型数据对应的输入特征值；对每一条件型数据下包含的多种子数据采用预设数字进行编码，得到每一条件型数据对应的输入特征值；将每一数据型数据下包含的多种子数据直接作为每一数据型数据对应的输入特征值；根据每一文字型数据对应的输入特征值、每一条件型数据对应的输入特征值、为每一数据型数据对应的输入特征值，得到输入数据集。3.如权利要求2所述的精测精捣作业效果影响因素分析方法，其特征在于，还包括：针对每一评价指标数据搭建一个初始bp神经网络；其中，每一初始bp神经网络包含输入层、隐含层、输出层，将各影响因素数据作为每一bp神经网络输入层的节点，将一个评价指标数据作为一个初始bp神经网络的输出层的节点。4.如权利要求2所述的精测精捣作业效果影响因素分析方法，其特征在于，利用训练样本训练预先搭建的初始bp神经网络，得到训练好的bp神经网络，包括：利用训练样本分别训练各初始bp神经网络，对各初始bp神经网络训练后得到的训练后bp神经网络的输出层进行拟合，得到各训练后bp神经网络的期望输出和实际输出相关系数；根据各训练后bp神经网络的期望输出和实际输出相关系数，将期望输出和实际输出相关系数最大的训练后bp神经网络作为训练好的bp神经网络。5.如权利要求4所述的精测精捣作业效果影响因素分析方法，其特征在于，利用训练样本分别训练各初始bp神经网络之前，还包括：采用下述方法对训练样本进行多次清洗，采用清洗后的训练样本训练各初始bp神经网络：计算各初始bp神经网络针对各训练样本的实际输出；计算各训练样本的实际输出与对应实际误差之间的标准差，删除标准差大于预设标准差的训练样本。
6.如权利要求4所述的精测精捣作业效果影响因素分析方法，其特征在于，利用训练样本训练预先搭建的初始bp神经网络，包括：步骤一：根据训练样本中的影响因素数据、初始bp神经网络的输入层和隐含层间连接权值、以及隐含层各节点阈值，计算隐含层输出值；步骤二：根据初始bp神经网络的隐含层输出值、隐含层与输出层间连接权值、输出层节点的阈值，计算初始bp神经网络的实际输出；步骤三：根据初始bp神经网络的实际输出、以及训练样本对应的期望输出，计算初始bp神经网络的预测误差；其中，训练样本对应的期望输出为训练样本的输出数据集；步骤四：根据初始bp神经网络的预测误差是否小于预设误差，若是停止训练，若否则更新初始bp网络的输入层和隐含层间连接权值、隐含层与输出层间连接权值、隐含层各节点阈值，输出层节点的阈值，返回步骤一。7.如权利要求1所述的精测精捣作业效果影响因素分析方法，其特征在于，根据训练好的bp神经网络，得到各影响因素数据的权重，包括：根据训练好的bp神经网络的每次历史训练过程，得到各影响因素数据的历史权重；对各影响因素数据的历史权重加指数后进行归一化处理，得到各影响因素数据的权重。8.一种精测精捣作业效果影响因素分析装置，其特征在于，包括：影响因素数据获取模块，用于获取精测精捣作业存在的影响因素数据；其中，影响因素数据包括下述至少一种：捣前测量方式、捣固车型号、捣固模式、稳定作业频率、捣固前捣固指数、是否稳定作业，每一影响因素数据下包含多种子数据；评价指标数据获取模块，用于获取精测精捣作业的评价指标数据，其中，评价指标数据包括下述至少一种：捣固后捣固指数、捣固指数改善率及捣固指数单位改善率；第一处理模块，用于对每一影响因素数据下包含的多种子数据进行数据处理，得到输入数据集，将评价指标数据作为输出数据集，基于输入数据集、输出数据集得到训练样本；第二处理模块，用于利用训练样本训练预先搭建的初始bp神经网络，得到训练好的bp神经网络；其中，初始bp神经网络为根据影响因素数据、以及评价指标数据搭建；第三处理模块，用于根据训练好的bp神经网络，得到各影响因素数据的权重。9.如权利要求8所述的精测精捣作业效果影响因素分析装置，其特征在于，影响因素数据包括：文字型数据、数据型数据、条件型数据；第一处理模块，具体用于对每一文字型数据下包含的多种子数据按照数字顺序进行数字编码，得到每一文字型数据对应的输入特征值；对每一条件型数据下包含的多种子数据采用预设数字进行编码，得到每一条件型数据对应的输入特征值；将每一数据型数据下包含的多种子数据直接作为每一数据型数据对应的输入特征值；根据每一文字型数据对应的输入特征值、每一条件型数据对应的输入特征值、为每一数据型数据对应的输入特征值，得到输入数据集。10.如权利要求9所述的精测精捣作业效果影响因素分析装置，其特征在于，还包括：第四处理模块，用于针对每一评价指标数据搭建一个初始bp神经网络；其中，每一初始bp神经网络包含输入层、隐含层、输出层，将各影响因素数据作为每一bp神经网络输入层的
节点，将一个评价指标数据作为一个初始bp神经网络的输出层的节点。11.如权利要求9所述的精测精捣作业效果影响因素分析装置，其特征在于，第二处理模块，具体用于利用训练样本分别训练各初始bp神经网络，对各初始bp神经网络训练后得到的训练后bp神经网络的输出层进行拟合，得到各训练后bp神经网络的期望输出和实际输出相关系数；根据各训练后bp神经网络的期望输出和实际输出相关系数，将期望输出和实际输出相关系数最大的训练后bp神经网络作为训练好的bp神经网络。12.如权利要求9所述的精测精捣作业效果影响因素分析装置，其特征在于，第二处理模块，具体用于按照如下步骤利用训练样本训练预先搭建的初始bp神经网络：步骤一：根据训练样本中的影响因素数据、初始bp神经网络的输入层和隐含层间连接权值、以及隐含层各节点阈值，计算隐含层输出值；步骤二：根据初始bp神经网络的隐含层输出值、隐含层与输出层间连接权值、输出层节点的阈值，计算初始bp神经网络的实际输出；步骤三：根据初始bp神经网络的实际输出、以及训练样本对应的期望输出，计算初始bp神经网络的预测误差；其中，训练样本对应的期望输出为训练样本的输出数据集；步骤四：确定初始bp神经网络的预测误差是否小于预设误差，若是停止训练，若否则更新初始bp网络的输入层和隐含层间连接权值、隐含层与输出层间连接权值、隐含层各节点阈值，输出层节点的阈值，返回步骤一。13.如权利要求11所述的精测精捣作业效果影响因素分析装置，其特征在于，还包括：样本清洗模块，用于采用下述方法对训练样本进行多次清洗，采用清洗后的训练样本训练各初始bp神经网络：计算各初始bp神经网络针对各训练样本的实际输出；计算各训练样本的实际输出与对应实际误差之间的标准差，删除标准差大于预设标准差的训练样本。14.如权利要求8所述的精测精捣作业效果影响因素分析装置，其特征在于，第三处理模块，具体用于根据训练好的bp神经网络的每次历史训练过程，得到各影响因素数据的历史权重；对各影响因素数据的历史权重加指数后进行归一化处理，得到各影响因素数据的权重。15.一种计算机设备，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7任一所述方法。16.一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7任一所述方法。17.一种计算机程序产品，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7任一所述方法。

技术总结
本发明公开了一种精测精捣作业效果影响因素分析方法及装置，涉及轨道交通技术领域，其中该方法包括：获取精测精捣作业存在的影响因素数据、精测精捣作业的评价指标数据，每一影响因素数据下包含多种子数据；对每一影响因素数据下包含的多种子数据进行数据处理，得到输入数据集，将评价指标数据作为输出数据集，基于输入数据集、输出数据集得到训练样本；利用训练样本训练预先搭建的初始BP神经网络，得到训练好的BP神经网络；其中，初始BP神经网络为根据影响因素数据、以及评价指标数据搭建；根据训练好的BP神经网络，得到各影响因素数据的权重。本发明可以量化影响精测精捣作业效果各因素的权重。各因素的权重。各因素的权重。


技术研发人员：曲建军 杨厚昌 张晓阳 刘攀 康庆涛 龙亦语 徐菲
受保护的技术使用者：中国铁道科学研究院集团有限公司 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
技术研发日：2023.02.01
技术公布日：2023/7/19