Page 189 - 《振动工程学报》2026年第3期

第 3 期 何 卫，等： 实测数据驱动的地铁振动源强 MLP 神经网络预测方法 789

序会对预测结果的均方误差进行监测，当出现过拟 绘图。
合的迹象时自动停止训练。 如图 14 所示，从双轴图中来看，排序后的实测⁃
在调参完成后，基于验证集的评估结果，使用调 预测点基本落在理想曲线附近。将样本从单一断面
参过程中表现最好的模型进行最终的模型训练。这 拓展到 52 个全断面后，核密度估计的形状与峰值位
个模型会使用全部的训练集进行训练，包括划分出 置会产生一定偏差，主要原因是各个断面最大 Z 振
来的训练集和验证集。最后，使用测试集对训练好 级的离散性程度差异较大，而“车轮不圆度”这一特
的最终模型进行评估，以确保模型在未知数据上有 征只定性而不定量，因此模型难以精确表征各断面
良好的泛化能力。图 14 给出了部分测试断面的预 的离散性差异，最终给出的高斯噪声只是综合考量
测 结 果 ，为 了 直 观 性 ，将 预 测 和 实 测 结 果 排 序 后 全断面离散特征后的结果。

图 14 部分测试断面预测结果
Fig. 14 Prediction results of partial test sections

4. 3 误差分析 些断面的最大 Z 振级波动幅度仅在 5 dB 以内。由
于所输入的训练样本涵盖了不同的车轮状态，而模
图 15 给出了测试集预测结果各项统计值的误
型中仅采用了粗粒度的分簇特征来刻画车轮不圆
差。由图 15 可知，基于 MLP 神经网络的振动源强
预测方法有不错的精度。最大值的误差相对较大， 度，该特征只定性而不定量，模型无法基于定性输入
而最小值与平均值的误差较小。前述实测数据表 给出完全符合实际车轮不圆度的预测输出，统一预
明，部分断面的最大 Z 振级极差达 20 dB 以上，而某 测模型得到的是泛化的预测结果。因此，在预测某

图 15 预测结果统计值误差
Fig. 15 Statistical values errors of prediction results