一种基于列车振动特征的轨道交通钢轨波磨识别方法技术

本发明专利技术属于铁路轨道的技术领域，尤其涉及一种基于列车振动特征的轨道交通钢轨波磨识别方法，其步骤包括：列车振动及关联信号采集与处理；振动信号增强处理；钢轨波磨与振动信号标签映射；振动信号卷积神经网络结构设计与训练；钢轨波磨状态识别。本发明专利技术提出列车一系振动特征采用一维卷积神经网络对列车振动信号的样本集进行自适应特征提取，基于重叠采样提高振动样本集信噪比和使用率，使源输入更加准确，对每一条样本的识别时间均小于0.25ms，满足钢轨波磨在线监测的时效性需求，且其技术框架运用灵活，在未来可嵌入至轨道交通智慧运维大系统以产生更大规模的经济效益。维大系统以产生更大规模的经济效益。维大系统以产生更大规模的经济效益。

【技术实现步骤摘要】
一种基于列车振动特征的轨道交通钢轨波磨识别方法


[0001]本专利技术属于铁路轨道的
，尤其涉及一种基于列车振动特征的轨道交通钢轨波磨识别方法。

技术介绍

[0002]近年来我国城市轨道交通建设如火如荼，正迎来并长期处于快速发展期。在城市轨道交通运行密度增大、轨道形式增多的情况下，钢轨波磨越来越突出，不进会导致车辆与轨道部件疲劳开裂或断裂事故，缩短服役寿命还会引起沿线居民振动噪声投诉。因此，及时检测钢轨波磨，对于城市轨道交通智慧化建设具有鲜明的科学意义与工程应用价值。
[0003]目前，钢轨波磨主流检测方法总体上可分为直接检测与间接检测两大类。直接检测法是指当列车处于停运状态时，将测量设备直接应用在钢轨表面来检测波磨，人工卡尺、波磨小车等便携设备，其测量精度较高但效率低下。间接检测方法中，由于实测的动态响应数据具有非稳态、非线性、强耦合特征，利用传统的数字信号处理方法对其进行数据分析时难度较大，往往无法有效提取信号中真实故障信息。
[0004]另外，地铁线路的现场运营环境十分复杂，车辆启动与制动频繁、减振轨道形式多样、列车时速变化等因素均影响着钢轨波磨识别检测模型的稳定性。因此，现有钢轨波磨识别方法的鲁棒性不足。
[0005]解决上述技术问题的意义在于：本专利技术提出使用基于列车一系振动特征，采用一维卷积神经网络对列车振动信号的样本集进行自适应特征提取，基于重叠采样提高振动样本集信噪比和使用率，使源输入更加准确，对每一条样本的识别时间均小于0.25ms，满足钢轨波磨在线监测的精度和时效性需求。

技术实现思路

[0006]本专利技术为了解决上述现有技术中存在的问题，提供了一种基于列车振动特征的轨道交通钢轨波磨识别方法，建立了以振动特征为输入的卷积神经网络以智能识别钢轨波磨状态，重新设定波磨超限定义标准、判别标准和神经网络结构构成和参数定义，相较于现有方法具有明显的先进性和优越性。
[0007]本专利技术为解决这一问题所采取的技术方案是：一种基于列车振动特征的轨道交通钢轨波磨识别方法，包括以下步骤：S101、列车振动及关联信号采集与处理；S102、振动信号增强处理；S103、钢轨波磨与振动信号标签映射；S104、振动信号卷积神经网络结构设计与训练；S105、钢轨波磨状态识别。
[0008]优选的，所述步骤S101包含振动信号采集和信号处理过程，其中：所述振动信号采集过程中，先选取振动信号采集测点，确定信号类型；再同步采集
列车运行速度并开展轨道不平顺测试获得钢轨波磨状态数据；所述信号处理过程为坐标转换过程，将速度随时间的关系积分得到列车位置与时间的关系，再根据位置与时间的对应关系，用位置坐标替换加速度信号的时间坐标，实现时域信号到空间域信号的转变。
[0009]进一步优选的，所述振动信号采集测点位于列车轴箱或转向架，信号类型为加速度信号。
[0010]进一步优选的，所述步骤S102中所述振动信号增强处理为采用等间距空间滑动窗对振动信号进行重叠采样，增强有效信号，降低背景信号；其中：重叠采样系数是0
‑
1之间的任意数。
[0011]进一步优选的，所述步骤S103中所述钢轨波磨与振动信号标签映射的规则为：钢轨波磨超限里程区间对应振动样本集标签定义为“1”，钢轨波磨不超限里程区间对应振动样本集标签定义为“0”。
[0012]判断所述波磨超限/不超限的方法包括以下步骤：步骤S301：定义钢轨波磨超限原则，约定连续3个1/3倍频程中心波长的粗糙度超过限值3dB，或单个中心波长的粗糙度超过限值6dB，判断该区间波磨超限；步骤S302：根据波磨是否超限赋予对应振动数据响应标签，波磨超限标签定义为“1”，否则为“0”。
[0013]进一步优选的，所述步骤S104的振动信号卷积神经网络结构共11层，1层为输出层，2、4、6、8层为卷积层，3、5、7、9层为池化层，10层为全连接层，11层为分类层；其中：输出层：用于将振动信号样本集输入；卷积层：用于振动信号的特征提取；池化层：用于将振动信号的特征进行压缩提取；全连接层：用于将数据特征转化为特征图并展平形成全连接层；分类层：用于将训练数据集进行分类。
[0014]进一步优选的，所述振动信号卷积神经网络结构训练过程包括以下步骤：S401：将振动信号样本集输入到1层，1层用于将输入数据送入卷积神经网络进行特征提取；S402：2、3层设置为大卷积核卷积与池化层，用于提取振动信号的短时特征；S403：4
‑
9层设置为小卷积核卷积和池化层，用于捕捉振动信号样本的局部与全局特征；S404：10层通过ReLu函数将数据特征转化为特征图并展平形成全连接层；S405：11层对训练数据集进行分类。
[0015]进一步优选的，所述卷积神经网络结构训练使用函数包括：same零补命令，卷积层使用；Adam优化器训练网络，使训练网络基于样本数据迭代地更新神经网络权重，设定学习率为0.0001，损失函数采用binary_crossentropy；批处理，利用批处理样本进行训练，批大小为2
n
（n=8
‑
10）；5折交叉验证法，对模型进行训练以提高其泛化能力，提高训练模型的模型鲁棒
性；其中：5折交叉验证法的Early Stopping技术中设置patience为50
‑
150；大卷积核大小为2
n
（n=5
‑
8）,小卷积核大小为2
n
（n=1
‑
4），卷积步长1
‑
3；池化层的卷积核数目为2
‑
8个，步长为1
‑
3。
[0016]进一步优选的，所述步骤S105中钢轨波磨状态识别中，首先定义正常钢轨标签为0，波磨钢轨标签为1，规定sigmoid分类层输出小于一定阈值时，则判断此样本标签为0，否则为1，从而则完成对钢轨波磨状态进行准确识别与定位。
[0017]本专利技术具有的优点和积极效果是：1、相对于间接检测法，本专利技术的技术方案能够有效提取真实故障信息，基于振动特征的识别结果不低于93%，耗时满足实时监测要求。
[0018]2、相对于直接检测法，本专利技术的技术方案实现了钢轨波磨实时在线监测，避免了大量人力、物力的反复投诉，节约经费支出。
[0019]3、通过本专利技术，可使钢轨打磨从状态修到预防修，避免钢轨波磨过渡产生的车辆、钢轨损坏和振动噪声投入。
附图说明
[0020]以下将结合附图和实施例来对本专利技术的技术方案作进一步的详细描述，但是应当知道，这些附图仅是为解释目的而设计的，因此不作为本专利技术范围的限定。此外，除非特别指出，这些附图仅意在概念性地说明此处描述的结构构造，而不必要依比例进行绘制。
[0021]图1是本专利技术的流程框图；图2是加速度、钢轨波磨测试的示意图；图3是空间坐标转换后的振动、波磨信号的示意图；图4是钢轨波磨标签映射的两种情况的示意图；图5是本方法振动信号卷积神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于列车振动特征的轨道交通钢轨波磨识别方法，其特征在于，包括以下步骤：S101、列车振动及关联信号采集与处理；S102、振动信号增强处理；S103、钢轨波磨与振动信号标签映射；S104、振动信号卷积神经网络结构设计与训练；S105、钢轨波磨状态识别。2.根据权利要求1所述的一种基于列车振动特征的轨道交通钢轨波磨识别方法，其特征在于，所述步骤S101包含振动信号采集过程和信号处理过程；其中：所述振动信号采集过程中，先选取振动信号采集测点，确定信号类型；再同步采集列车运行速度并开展轨道不平顺测试获得钢轨波磨状态数据；所述信号处理过程为坐标转换过程，将速度随时间的关系积分得到列车位置与时间的关系，再根据位置与时间的对应关系，用位置坐标替换加速度信号的时间坐标，实现时域信号到空间域信号的转变。3.根据权利要求2所述的一种基于列车振动特征的轨道交通钢轨波磨识别方法，其特征在于，所述振动信号采集测点位于列车轴箱或转向架，信号类型为加速度信号。4.根据权利要求1所述的一种基于列车振动特征的轨道交通钢轨波磨识别方法，其特征在于，所述步骤S102中所述振动信号增强处理为采用等间距空间滑动窗对振动信号进行重叠采样，增强有效信号，降低背景信号；其中：重叠采样系数是0
‑
1之间的任意数。5.根据权利要求1所述的一种基于列车振动特征的轨道交通钢轨波磨识别方法，其特征在于，所述步骤S103中所述钢轨波磨与振动信号标签映射的规则为：钢轨波磨超限里程区间对应振动样本集标签定义为“1”，钢轨波磨不超限里程区间对应振动样本集标签定义为“0”。6.根据权利要求5所述的一种基于列车振动特征的轨道交通钢轨波磨识别方法，其特征在于，判断所述波磨超限/不超限的方法包括以下步骤：步骤S301：定义钢轨波磨超限原则，约定连续3个1/3倍频程中心波长的粗糙度超过限值3dB，或单个中心波长的粗糙度超过限值6dB，判断该区间波磨超限；步骤S302：根据波磨是否超限赋予对应振动数据响应标签，波磨超限标签定义为“1”，否则为“0”。7.根据权利要求1所述的一种基于列车振动特征的轨道交通钢轨波磨识别方法，其特征在于，所述步骤S104的振动信号卷积神经网络结构共11层，1层为输出层，2、4、6、8层为卷积层，3、5、7、9层为池化层，10层为全连接层，11层为分类层；...

【专利技术属性】
技术研发人员：何宾，刘冀钊，胡叙洪，齐春雨，胡文林，王少林，姜博龙，陈江雪，宋哲男，陶功权，谢清林，温泽峰，
申请(专利权)人：中国铁路设计集团有限公司，
类型：发明
国别省市：