本发明专利技术提供一种信号处理方法、装置及电子设备。本发明专利技术通过对列车运行过程中的钢轨音频信号进行收集，对钢轨音频信号中的高频分量进行铁轨状态预测，得到铁轨状态后，结合列车的轨迹信息，确定列车途径路段中存在运行风险的路段，实现钢轨的运行风险的自动检测分析，提高了高速铁路钢轨检测的检测效率，保证高速铁路安全运行。路安全运行。路安全运行。
【技术实现步骤摘要】
一种信号处理方法、装置及电子设备
[0001]本专利技术涉及列车安全检测
，尤其涉及一种信号处理方法、装置及电子设备。
技术介绍
[0002]随着高速铁路的快速发展，钢轨的安全检测显的尤为重要。钢轨在使用的过程中，会发生折断、裂纹及其它影响和限制钢轨使用性能的伤损形式，即为钢轨伤损。钢轨伤损的种类很多，常见的有磨耗、剥离及轨头核伤、轨腰蝶、孔裂纹等。钢轨伤损是断轨的主要原因，是影响行车安全的重要隐患，列车出轨事故主要由钢轨断裂产生。列车在加速和制动过程中以及通过钢轨接缝、弯道和道岔时，对钢轨造成强烈的摩擦、挤压、弯曲和冲击作用，它们的长期反复作用，钢轨极易产生疲劳裂纹，裂纹一旦产生就易于快速扩展，从而造成钢轨折断等重大恶性事故。高速列车对钢轨的摩擦、挤压、弯曲和冲击等力作用更加突出，因此高速铁路钢轨更容易产生裂纹，而且从裂纹发展到钢轨断裂的速度更快。为了保证高速铁路的安全运行，必须缩短高速铁路的检测周期，同时由于高速铁路的行车密度大、车速高，传统的探伤速度很难满足高速铁路的需求。
[0003]目前，我国高速铁路的钢轨检测主要有人工巡查、轨检车检测等手段。人工巡查费时、费力、可靠性差，上路巡查时间不足，人工巡检的方式无法满足高速铁路安全检查的需要。针对轨道空间几何尺寸信息、钢轨裂痕程度指标、钢轨应力指标的检测主要为轨检车、人工巡查等检测方式相结合。轨检车检测项目齐全，但它检测周期长，成本高，检测位置和视角受局限，灵活性较差。目前钢轨检测存在检测效率低，高速铁路存在安全隐患。
技术实现思路
[0004]本专利技术提供了一种信号处理方法、装置及电子设备，能够提高高速铁路钢轨检测的检测效率，保证高速铁路安全运行。
[0005]第一方面，本专利技术提供了一种信号处理方法，包括：获取列车运行过程中收集的钢轨音频信号，以及列车的轨迹信息；对钢轨音频信号进行频谱分析和滑窗切分，分离钢轨音频信号的正常分量和高频分量，得到多个时段的高频分量；基于各时段的高频分量，以及预设的钢轨状态预测模型，得到各时段的高频分量对应的钢轨状态；钢轨状态包括正常状态、受应力状态和存在暗伤状态；基于各时段的高频分量对应的钢轨状态，以及列车的轨迹信息，确定列车的途径路段中存在运行风险的路段。
[0006]在一种可能的实现方式中，基于各时段的高频分量，以及预设的钢轨状态预测模型，得到各时段的高频分量对应的钢轨状态，包括：对各时段的高频分量进行频谱分析和灰度处理，得到多个灰度图像；对多个灰度图像进行小波变换和小波逆变换，增强各灰度图像中高频部分，得到多个高频图像；将多个高频图像输入预设的钢轨状态预测模型，得到各时段的高频分量对应的钢轨状态。
[0007]在一种可能的实现方式中，基于各时段的高频分量，以及预设的钢轨状态预测模
型，得到各时段的高频分量对应的钢轨状态之前，还包括：获取已知钢轨状态的多个钢轨音频信号；基于已知钢轨状态的多个钢轨音频信号，生成训练样本；基于训练样本，进行神经网络训练，得到预设的钢轨状态预测模型。
[0008]在一种可能的实现方式中，训练样本中每个训练样本以一个高频图像为输入，以该高频图像对应的钢轨状态为输出；基于训练样本，进行神经网络训练，得到预设的钢轨状态预测模型，包括：基于各训练样本，以高频图像为输入，以钢轨状态为输出，进行神经网络训练，得到第一预测模型；以第一预测模型为教师模型，构建教师
‑
学生模型：其中，教师
‑
学生模型中的教师模型和学生模型为相同深度的神经网络模型；基于教师模型和学生模型的检测精度，对学生模型进行多尺度知识蒸馏训练和剪枝量化，将训练得到的学生模型确定为预设的钢轨状态预测模型：
[0009]在一种可能的实现方式中，基于教师模型和学生模型的检测精度，对学生模型进行多尺度知识蒸馏训练和剪枝量化，将训练得到的学生模型确定为预设的钢轨状态预测模型，包括：基于教师模型和学生模型的检测精度，对学生模型进行多尺度知识蒸馏训练；计算训练得到的学生模型中各归一化层的通道数量及各通道的权重值；将各归一化层中权重值小于阈值的通道删除，获得简化后的学生模型，其中，每个归一化层至少保留一个通道；基于各训练样本，重新训练简化后的学生模型，并将训练得到的学生模型确定为预设的钢轨状态预测模型。
[0010]在一种可能的实现方式中，基于各时段的高频分量，以及预设的钢轨状态预测模型，得到各时段的高频分量对应的钢轨状态之后，还包括：若某时段的高频分量对应的钢轨状态为受应力状态，则将该时段的高频分量输入预设的应力预测模型，得到该时段高频分量对应的应力；计算该时段高频分量对应的应力级别；基于该时段高频分量所在时段和列车的轨迹信息，确定该存在应力的钢轨位置；基于该时段高频分量对应的应力级别和该存在应力的钢轨位置，生成第一指令，第一指令用于指示运维人员通过轨检车对该存在应力的钢轨位置进行检测；向用户发送第一指令。
[0011]在一种可能的实现方式中，将各时段的高频分量输入预设的钢轨状态预测模型，得到各时段的高频分量对应的钢轨状态之后，还包括：获取列车行驶过程中拍摄的行车视频，提取与该存在应力的钢轨位置对应的视频片段，并分析得到枕木铺设情况和钢轨变形情况；基于枕木铺设情况和钢轨变形情况，确定该存在应力的钢轨位置的运行风险等级；基于该存在应力的钢轨位置的运行风险等级，确定第一指令的紧急级别。
[0012]在一种可能的实现方式中，向用户发送第一指令之后，还包括：接收第一响应，第一响应包括轨检车对该存在应力的钢轨位置的检测结果；若检测结果为钢轨正常，则基于该时段高频分量，以及该时段高频分量对应的正常状态，对钢轨状态预测模型，进行重新训练，得到重新训练的钢轨状态预测模型；并基于重新训练的钢轨状态预测模型进行钢轨状态检测；若检测结果为受应力状态或存在暗伤状态，则生成维修指令，指示用户对该存在应力的钢轨位置进行维修。
[0013]第二方面，本专利技术实施例提供了一种信号处理装置，包括：通信单元，用于获取列车运行过程中收集的钢轨音频信号，以及列车的轨迹信息；处理单元，用于对钢轨音频信号进行频谱分析和滑窗切分，分离钢轨音频信号的正常分量和高频分量，得到多个时段的高频分量；基于各时段的高频分量，以及预设的钢轨状态预测模型，得到各时段的高频分量对
应的钢轨状态；钢轨状态包括正常状态、受应力状态和存在暗伤状态；基于各时段的高频分量对应的钢轨状态，以及列车的轨迹信息，确定列车的途径路段中存在运行风险的路段。
[0014]在一种可能的实现方式中，处理单元，具体用于对各时段的高频分量进行频谱分析和灰度处理，得到多个灰度图像；对多个灰度图像进行小波变换和小波逆变换，增强各灰度图像中高频部分，得到多个高频图像；将多个高频图像输入预设的钢轨状态预测模型，得到各时段的高频分量对应的钢轨状态。
[0015]在一种可能的实现方式中，处理单元，还用于获取已知钢轨状态的多个钢轨音频信号；基于已知钢轨状态的多个钢轨音频信号，生成训练样本；基于训练样本，进行神经网络训练，得到预设的钢轨状态预本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种信号处理方法，其特征在于，包括：获取列车运行过程中收集的钢轨音频信号，以及列车的轨迹信息；对所述钢轨音频信号进行频谱分析和滑窗切分，分离所述钢轨音频信号的正常分量和高频分量，得到多个时段的高频分量；基于各时段的高频分量，以及预设的钢轨状态预测模型，得到所述各时段的高频分量对应的钢轨状态；所述钢轨状态包括正常状态、受应力状态和存在暗伤状态；基于所述各时段的高频分量对应的钢轨状态，以及所述列车的轨迹信息，确定列车的途径路段中存在运行风险的路段。2.根据权利要求1所述的信号处理方法，其特征在于，所述基于各时段的高频分量，以及预设的钢轨状态预测模型，得到所述各时段的高频分量对应的钢轨状态，包括：对各时段的高频分量进行频谱分析和灰度处理，得到多个灰度图像；对所述多个灰度图像进行小波变换和小波逆变换，增强各灰度图像中高频部分，得到多个高频图像；将所述多个高频图像输入所述预设的钢轨状态预测模型，得到所述各时段的高频分量对应的钢轨状态。3.根据权利要求1所述的信号处理方法，其特征在于，所述基于各时段的高频分量，以及预设的钢轨状态预测模型，得到所述各时段的高频分量对应的钢轨状态之前，还包括：获取已知钢轨状态的多个钢轨音频信号；基于所述已知钢轨状态的多个钢轨音频信号，生成训练样本；基于所述训练样本，进行神经网络训练，得到预设的钢轨状态预测模型。4.根据权利要求3所述的信号处理方法，其特征在于，所述训练样本中每个训练样本以一个高频图像为输入，以该高频图像对应的钢轨状态为输出；所述基于所述训练样本，进行神经网络训练，得到预设的钢轨状态预测模型，包括：基于各训练样本，以高频图像为输入，以钢轨状态为输出，进行神经网络训练，得到第一预测模型；以所述第一预测模型为教师模型，构建教师
‑
学生模型：其中，所述教师
‑
学生模型中的教师模型和学生模型为相同深度的神经网络模型；基于教师模型和学生模型的检测精度，对学生模型进行多尺度知识蒸馏训练和剪枝量化，将训练得到的学生模型确定为预设的钢轨状态预测模型。5.根据权利要求4所述的信号处理方法，其特征在于，所述基于教师模型和学生模型的检测精度，对学生模型进行多尺度知识蒸馏训练和剪枝量化，将训练得到的学生模型确定为预设的钢轨状态预测模型，包括：基于教师模型和学生模型的检测精度，对学生模型进行多尺度知识蒸馏训练；计算训练得到的学生模型中各归一化层的通道数量及各通道的权重值；将各归一化层中权重值小于阈值的通道删除，获得简化后的学生模型，其中，每个归一化层至少保留一个通道；基于所述各训练样...
【专利技术属性】
技术研发人员：向前，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。