一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法技术

本发明专利技术涉及钢轨波磨检测技术领域，涉及一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法，其包括以下步骤：一、数据预处理与标准化，将轴箱加速度ABA信号和钢轨波磨信号统一标准化至空间参考系，并生成相应的训练数据和标签数据；二、构建适用于ABA信号特征提取和钢轨波磨粗糙度特征回归的一维卷积神经网络RCNet；三、RCNet训练；四、在训练好的RCNet的基础下，以ABA信号为输入便可定量检测钢轨波磨粗糙度的严重程度。本发明专利技术能较佳地进行定量检测。测。测。

【技术实现步骤摘要】
一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法


[0001]本专利技术涉及钢轨波磨检测
，具体地说，涉及一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法。

技术介绍

[0002]由于复杂的运行环境(如复杂的轨道结构和频繁的列车牵引与制动)及极端的工作条件(如线路的小半径曲线与极端温差)，钢轨在长期服役中不可避免地会遭受各种损伤。如果这些钢轨损伤不得到及时处理，将导致无法预估的运营事故，甚至危及乘客的生命安全及财产。在常见的钢轨损伤中，钢轨波浪形磨耗(简称钢轨波磨或波磨)便是其中的典型代表，它是沿钢轨轨头表面纵向分布的不均匀磨损，在高速、重载、轻轨和城市铁路系统中均广泛存在。钢轨波磨对列车和轨道系统有着十分不利的影响，如噪声污染、异常振动，甚至列车脱轨风险。如果能够在早期检测到钢轨波磨，则可以通过低成本钢轨打磨来缓解波磨的发展。否则，钢轨波磨将持续恶化，最终不得不进行高成本的换轨措施。因此，高效、准确的钢轨波磨检测方法是制定科学的钢轨维护策略的关键。此外，从经济和环境友好的角度来看，合理的铁路维护策略是铁路运营部门实现可持续发展和能源高效利用的重要前提。
[0003]目前，用于检测钢轨服役状态的方法可归纳为两大类，即直接检测法与间接检测法。其中，直接检测法将测量设备直接作用于钢轨表面以进行测试任务，该类方法虽然精度较高，但很大程度上依赖于操作员的工作经验和专业的设备需求。间接检测法利用钢轨波磨激励引起的动态响应信号对其进行识别检测，该类方法虽然满足了自动化要求，但主要侧重于定性识别，而很少考虑定量检测。钢轨波磨研究领域专家Grassie指出，钢轨波磨的高精度测量有助于制定合理的钢轨打磨标准。因此，开发一种高效的钢轨波磨定量检测方法非常重要。此外，除了上述实际工程的迫切需要外，在铁路系统由传统计划修逐渐转型到智慧状态修的研究进程中，关于钢轨波磨的智能检测也是其中必不可少的重要科学组成部分。
[0004]基于人工手动开展的钢轨波磨直接检测方法可以在规范操作的前提下获取较高的检测精度。然而，该测量过程只能在午夜列车下线的有限时间段内进行。因此，它无法满足现代铁路日益增长的日常维护需求。这种特殊工作环境需求限制了该类方法进一步的应用和发展，但它在较短轨道区间内的针对性检测方面有着独特的优势。此外，近年来随着传感器技术的巨大进步，基于传感器数据驱动的动态检测方法取得了长足的发展，根据传感器的属性，又可以将其归纳为两大类，即基于激光图像和基于振动的检测。
[0005]尽管基于振动的检测方法已被证实在工程应用中是实用的，但由于定量检测精度不足，该类尚未在现场大规模应用。根本原因在于现代机械系统中大数据的信号处理问题。例如，小波分析与傅里叶变换无论待分析数据如何变化均，采用了类似的理论过程，因此不具备自适应能力。并且由于海森堡测不准原理，时频分析技术无法同时达到最佳时频分辨率。而部分技术方法中组合使用了多种信号处理技术，但这将不可避免地引入新的参数设
置和匹配问题，以及对专家经验的要求。因此，使用传统的信号处理工具从复杂的振动信号中准确地提取钢轨波磨特征显得十分费力、低效，甚至无能为力。

技术实现思路

[0006]本专利技术的内容是提供一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法，其能够克服现有的钢轨波磨检测方法不能同时考虑检测效率和准确性问题。
[0007]根据本专利技术的一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法，其包括以下步骤：一、数据预处理与标准化，将轴箱加速度ABA信号和钢轨波磨信号统一标准化至空间参考系，并生成相应的训练数据和标签数据；二、构建适用于ABA信号特征提取和钢轨波磨粗糙度特征回归的一维卷积神经网络RCNet；三、RCNet训练；四、在训练好的RCNet的基础下，以ABA信号为输入便可定量检测钢轨波磨粗糙度的严重程度。
[0008]作为优选，步骤一中，通过滑动窗口将ABA信号和钢轨波磨信号分割成若干段，将切割后的ABA信号用作训练数据，利用切割后的钢轨波磨信号的粗糙度水平当做标签数据。
[0009]作为优选，粗糙度的计算公式如下：L
r = 10 lg (r /r
0 )2其中L
r
是粗糙度程度；r是钢轨波磨原始信号幅值变化的均方根值，r0是单位粗糙度水平，且r
0 = 1 μm。
[0010]作为优选，步骤二中，RCNet包括特征提取和回归预测；特征提取由卷积层、激活函数和池化层交替组合形成；卷积层是CNN的核心，连接前一层传递的特征向量的局部区域，创建稀疏连接；每个卷积核的参数在相同的输入输出特征图之间共享；卷积运算的数学模型描述为：式中，i和j分别是输入和输出的索引，k是网络层数，l代表第l层网络；算子*表示对每一层的输入特征Xl
‑
1 i和权重特征Wl ij进行卷积运算，对应得到第l个输出特征Xl j，Bl j则表示偏置项；在特征提取阶段，使用ReLU作为激活函数，函数表达式如下：f(x) = max{0, x}池化层采用最大池化算子，数学表达式为：其中ql i(t)是第l层第i个特征向量中第t个神经元的激活值，K是池化区域的宽度，Pl+1 i(j)是第l+1个神经元的对应值；RCNet的回归预测由全局最大池化层GMP和全连接层组成；采用GMP来修正RCNet的结构；RCNet中的全连接层是模型终端的输出层，全连接层的大小对应于预期输出的特征数
量；在回归问题中，使用线性函数来实现输出预测；其数学表达式定义为：f (x) = x。
[0011]作为优选，步骤三中，RCNet训练具体如下：RCNet使用优化算法Adam作为优化器；学习率α设置为0.001；均方误差MSE被用作损失函数；初始权重和偏差值是随机分配；随着RCNet开始训练，通过最小化MSE来更新相关参数；权重和偏置梯度V
dw
和V
db
的加权平均值计算为：的加权平均值计算为：其中β1表示一阶矩估计的指数衰减率，设置为0.9；经过偏差校正计算，得到指数加权平均值的修正值如下：加权平均值的修正值如下：其中t表示当前迭代；应用于缩放函数平方梯度的指数加权平均值为：其中β2是二阶矩估计的指数衰减率，设置为0.999；S
dw
和S
db
分别是权重和偏置的平方梯度指数加权平均值；相应校正值计算为：在已知学习率α的情况下，权重和偏置可以通过如下两式进行反向传播更新；ε设置为10
−7；在训练过程中，R2用于评估RCNet预测值与真实值之间的拟合程度；R2越接近1，拟合度越高，相应的钢轨波磨粗糙度检测结果越准确；R2定义为：其中n是RCNet的输出尺度大小；、和分别是真实值、预测值和真实值的平均值。
[0012]本专利技术的有益效果如下：1）开发了一种基于数据驱动的卷积回归模型RCNet，用于钢轨波磨粗糙度的定量检测。RCNet在定量检测钢轨波磨粗糙度方面具有较高的拟合度、较低的损失水平和高效的计算能力。
[0013]2）在没有先验经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法，其特征在于：包括以下步骤：一、数据预处理与标准化，将轴箱加速度ABA信号和钢轨波磨信号统一标准化至空间参考系，并生成相应的训练数据和标签数据；二、构建适用于ABA信号特征提取和钢轨波磨粗糙度特征回归的一维卷积神经网络RCNet；三、RCNet训练；四、在训练好的RCNet的基础下，以ABA信号为输入便可定量检测钢轨波磨粗糙度的严重程度。2.根据权利要求1所述的一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法，其特征在于：步骤一中，通过滑动窗口将ABA信号和钢轨波磨信号分割成若干段，将切割后的ABA信号用作训练数据，利用切割后的钢轨波磨信号的粗糙度水平当做标签数据。3.根据权利要求2所述的一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法，其特征在于：粗糙度的计算公式如下：L
r = 10 lg (r /r
0 )2其中L
r
是粗糙度程度；r是钢轨波磨原始信号幅值变化的均方根值，r0是单位粗糙度水平，且r
0 = 1 μm。4.根据权利要求3所述的一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法，其特征在于：步骤二中，RCNet包括特征提取和回归预测；特征提取由卷积层、激活函数和池化层交替组合形成；卷积层是CNN的核心，连接前一层传递的特征向量的局部区域，创建稀疏连接；每个卷积核的参数在相同的输入输出特征图之间共享；卷积运算的数学模型描述为：式中，i和j分别是输入和输出的索引，k是网络层数，l代表第l层网络；算子*表示对每一层的输入特征Xl
‑
1 i和权重特征Wl ij进行卷积运算，对应得到第l个输出特征Xl j，Bl j则表示偏置项；在特征提取阶段，使用ReLU作为激活函数，函数表达式...

【专利技术属性】
技术研发人员：温泽峰，谢清林，陶功权，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：