(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 20221081823 0.3 (22)申请日 2022.07.13 (65)同一申请的已公布的文献号 申请公布号 CN 114997027 A (43)申请公布日 2022.09.02 (73)专利权人 成都理工大 学 地址 610051 四川省成 都市成华区二仙桥 东三路1号 (72)发明人 朱思宇　易瑞　 (74)专利代理 机构 成都禾创知家知识产权代理 有限公司 51284 专利代理师 刘凯 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06F 30/15(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 110334371 A,2019.10.15 JP 20180 31676 A,2018.0 3.01 CN 113392457 A,2021.09.14 CN 111159938 A,2020.0 5.15 JP 20180 31187 A,2018.0 3.01 CN 114692473 A,202 2.07.01 牛留斌.基 于BP神经网络的轨道不平顺与车 体振动关联模型. 《中国铁道科 学》 .2016,(第02 期), 吴昀璞等.基于多域融合CN N的高速列车转 向架故障检测. 《系统仿真学报》 .2018,(第1 1 期), 审查员 唐婧婧 (54)发明名称 一种智能求 解车桥系统随机信号的方法 (57)摘要 本发明公开了一种智能求解车桥系统随机 信号的方法， 采用SPEM ‑CNN‑LSTM混合算 法， 将人 工智能算法和随机虚拟激励法进行结合， 即随机 虚拟激励法 ‑卷积‑长短时记忆深度学习法； SPEM 模块求解出大量的随机系统响应， CNN ‑LSTM模块 为卷积神经网络 ‑长短时记忆网络模块完成输入 数据的特征提取以及随机 响应的预测工作； 需要 通过SPEM计算得到不确定性车桥系统响应样本， 把获得的不确定车桥系统响应样本作为输出数 据， 通过构造的随机虚拟激励样本作为输出数 据， 把输出数据和输入数据一同输入到卷积长短 时组合神经网络中进行训练与预测。 本发明车辆 和桥梁结构之间的动态相互作用被集成到具有 不确定性的车桥系统模型中， 降低了计算成本， 对系统响应进行了更精确的预测。 权利要求书2页 说明书14页 附图16页 CN 114997027 B 2022.10.11 CN 114997027 B 1.一种智能求 解车桥系统随机信号的方法， 其特 征在于， 包括以下步骤： 步骤1： 通过商业有限元软件Ansys建立车辆模型和桥梁模型， 根据解析解验证车辆模 型的自振频率和桥梁模型自振频率， 并根据计算得到的桥梁模型自振频率及模态验证桥梁 模型的正确性； 步骤2： 确定车辆模型和桥梁模型参数的变异系数Cov， 依据变异系数Cov和均值通过 Monte Carlo抽样获得随机参数； 步骤3： 明确车辆和桥梁不确定模型样本数量， 将随机参数结合模型带入Ansys中获得 车辆和桥梁不确定模型模态和自振频率； 步骤4： 依据随机虚拟激励 法原理， 将车辆和桥梁不确定模型的模态数据与轨道不平顺 激励样本代入车桥耦合随机振动系统中， 求出 车桥耦合随机振动系统响应数据； 步骤5： 根据构造的随机虚拟激励 ， 把随机虚拟激励 样本分为正弦和余弦激励 样本， 分别带入车桥耦合 随机振动系统， 并计算车桥耦合 随机振动系统的正弦和余弦响应 样本； 步骤6： 根据求解得到的正弦和余弦响应样本， 结合空间频率进行梯形积分， 得到系统 响应统计量， 得到大量响应样本； 步骤7： 随机选取若干条预定长度的轨道不平顺激励样本作为输入数据， 将车桥耦合随 机振动系统响应作为输出 数据； 步骤8： 验证CNN ‑LSTM深度学习组合网络的预测正确性， 结合实际数据在训 练之前对 CNN‑LSTM深度学习组合网络进行超参数设置； 步骤9： 通过选定输入数据和输出数据将其代入CNN ‑LSTM深度学习组合网络中， 通过卷 积层对所述若干条预定长度的轨道不平顺激励进行卷积运算， 采用SPEM ‑CNN‑LSTM混合算 法得到激励样本数据特 征， 最后输入LSTM层进行时间序列训练； 步骤10： 完成训练后， 依据需要对不确定车桥系统响应进行智能预测； 步骤11： 通过CNN ‑LSTM深度学习组合网络得到更多的车桥耦合随机振动系统响应样 本； 根据响应样本求得其标准差或是 方差。 2.根据权利要求1所述的一种智能求解车桥系统随机信号的方法， 其特征在于， 所述 SPEM‑CNN‑LSTM混合算法包括两个模块， 第一个模块为SPEM模块， 用于求解出大量的随机系 统响应， 第二个模块为CNN ‑LSTM模块， 用于完成输入数据的特征提取以及随机响应的预测 工作； 其中CNN ‑LSTM模块包括5个卷积层和5个池化层、 一个特征学习LSTM层和一个LSTM输 出层， 一个dropout  Layer用于防止过拟合， 以及平滑和全 连层； 卷积核为20 ×20， 通道数量 为1， 池化层的池化区域 为1×2， 通道为1， 与卷积相对应。 3.根据权利要求1所述的一种智能求解车桥系统随机信号的方法， 其特征在于， 步骤9 中得到轨道不平顺激励样本数据特 征具体为： 所述SPEM ‑CNN‑LSTM混合算法中CNN ‑LSTM神经网络由两个神 经网络组合而成， 其中一 个为特征提取网络， 另一为长短时记忆网络， 首先对构造的随机虚拟激励 进行卷 积运算， 其提取的特 征数据为：权　利　要　求　书 1/2 页 2 CN 114997027 B 2（1） 式中， 代表卷积网络输出层对应值， 代表第l层第j个特征提取数据， 代表第l‑1层第i个数据虚拟激励数据， 代表l层第i到j阶卷积核大小， *代表卷积核 k在 第l‑1层所有关联的feature  maps上做卷积运算， 代表网络参数， Mj代表所属总的求和 数量。 4.根据权利要求3所述的一种智能求解车桥系统随机信号的方法， 其特征在于， 所述步 骤10中对不确定车桥系统响应的智能预测具体为： 通过卷积提取特征数据输入到LSTM层进行预测， 将公式 （1） 中 获得的特征数据值输 入到长短时记 忆网络中， 进行 标记和预测， 具体 计算公式如下 所示： （2） 上式中， 代表长短时记忆网络模 型中的激励函数； wi代表输入数据的信号 和单 个神经元相连接的权重 值；bf代表偏置 值反映了神经元内部的状态； yl表示神经元的输出第 l层的预测值。权　利　要　求　书 2/2 页 3 CN 114997027 B 3