轨道交通已成为我国重要的交通运输方式,我国目前是全球运营速度最快、里程最长、在建高速铁路规模最大的国家。由于线路会因列车行驶和自然条件等因素产生几何形变,并威胁到列车的安全运行,所以对轨道几何状态的检测和预警是一项至关重要的任务。目前,由于综合检测车成本高、配置少,运行线路检测周期长达15天,维修间隔期内轨道不平顺超限将严重威胁行车安全,因此有必要加强轨道运营状态监测。本文重点研究了基于深度学习和轨道动态检测数据的轨道不平顺智能估计算法,该算法综合了车辆测量单元获取的车辆振动数据,用于估计轨道几何不平顺。基于本文研究成果,将测得运营车辆的车体响应输入估计模型,即可实时获取轨道不平顺状态,为线路养护维修提供科学依据。本文的主要工作及研究成果包括:(1)开展了轨道动态检测数据的预处理工作。本文基于莱因达准则识别和剔除轨道动态检测数据中的异常值,保证了模型使用数据的准确性;在此基础上,采用小波阈值法对轨检数据进行去噪处理,并通过均方根误差、信噪比等评价指标确定了轨检数据中不同观测分量关于小波基函数、阈值函数等参数的设置,为后续轨道不平顺估计模型研究提供支持。(2)基于相干分析确立了估计模型关联变量,研究了关联变量的频域特性和各频段成分指导轨道养护维修规律。车体加速度和几何不平顺的相干分析表明,高低不平顺与车体垂向加速度的相干性函数高,且两者在0.029～0.0358)空间频率范围内相干函数超过0.8,即高低不平顺是引起车体垂直振动的主要因素,所以确立模型的输入变量为车体垂向加速度、预测输出变量为高低不平顺。并基于Welch法对动检数据进行频域特性分析,分离提取出动检数据不同频段成分,依据我国轨道不平顺状态评价管理办法确定了3阶逼近数据为能够有效反映轨道超限情况的频段成分。(3)基于深度学习理论,自主搭建了适用于解决工程实际问题的轨道不平顺估计模型。以车体响应为模型输入搭建了基于循环神经网络的轨道几何不平顺估计模型,该模型通过监督学习的方式训练。通过分析多组对照实验结果,提出了批尺寸为65536、训练期数为20的模型训练方案,以及适用于轨道几何不平顺估计的最优模型结构:双循环层LSTM神经网络,第一、二循环层单元数分别为32和64,网络第三层为线性全连接层;第一、二循环层的LSTM单元内部分别使用tanh和Re LU激活函数;采用RMSProp算法对参数进行更新;循环层输入的Dropout率为0.2,循环层内部循环连接的Recurrent Dropout率为0.7。(4)研究了轨道不平顺估计模型在多种实际应用场景下的预测性能,分析了数据频段和输入变量对模型预测的影响规律。基于轨道不平顺估计模型,对其在线路全长、不同时点及不同线路实际应用场景下的预测效果进行了研究。研究表明,模型在上述应用场景下均方根误差不超过0.0449mm,具有高准确性和强泛化性。此外,模型在低频频段的预测表现中相较于原始数据预测准确度有小幅提升。当预测与训练线路情况差别较大时,增加模型输入可提高模型预测性能,且新增车体横加作为模型输入对模型预测准确性改善程度大于引入车辆运行速度;当同时引入车体横加和车辆运行速度作为模型输入变量时,模型的预测准确度最高。