【技术实现步骤摘要】
本专利技术涉及数据融合，尤其涉及一种数据融合的钢轨焊缝病害检测方法、设备及介质。
技术介绍
1、随着高速铁路运营里程增长、速度提高以及密度增大等发展趋势，铁路基础设施状态逐渐由新转旧，随之而来的安全维护将是未来铁路管理的重中之重。而钢轨焊缝作为钢轨的薄弱结构，在焊接过程中产生的缺陷容易发展成疲劳裂纹，其热影响区很容易发生断轨，会严重影响列车正常运行和运行安全，因此钢轨焊缝病害的检测问题变得越来越重要。
2、现有的钢轨焊缝病害检测方法主要是依靠信号处理和机器学习技术，如通过训练算法和模型，可以实现对焊缝图像和数据的自动分析和判断。实际应用中，机器学习只依赖单个数据源数据如轴箱加速度可能会导致检测精度受限，可靠性降低，不能提供更为详细的缺陷信息，从而对进行钢轨焊缝病害检测时的准确性较低。
技术实现思路
1、针对上述问题，本专利技术的实施例提供了一种数据融合的钢轨焊缝病害检测方法、设备及介质。
2、第一方面，本专利技术实施例提供了一种数据融合的钢轨焊缝病害检测方法，包括：
3、采集轴箱部位的振动加速度，并采集轮对部位上的轮轨力数据；
4、将所述振动加速度对应的首个波形峰值位置与所述轮轨力数据对应的首个波形峰值位置进行初对齐；
5、按照预设的采样窗口计算初对齐后的轮轨力数据与初对齐后的振动加速度之间的相似度，根据所述相似度将初对齐后的轮轨力数据对应的波形窗口与初对齐后的振动加速度对应的波形窗口进行精对齐；
6、根据精对
7、将所述目标振动加速度数据及所述目标轮轨力数据进行通道融合，得到融合数据，利用预先构建的神经网络模型对所述融合数据进行钢轨焊缝病害检测，得到钢轨焊缝的病害程度。
8、根据本专利技术的实施例，在所述将所述振动加速度对应的首个波形峰值位置与所述轮轨力数据对应的首个波形峰值位置进行初对齐之前，还包括：
9、根据预设的采集距离对所述振动加速度及所述轮轨力数据进行筛选，得到所述采集距离下的振动加速度及轮轨力数据；
10、分别对所述采集距离下的振动加速度及轮轨力数据进行降采样，并分别对降采样后的振动加速度及轮轨力数据配置重叠数据及缺失数据；
11、提取配置后的振动加速度对应的首个波形峰值位置；并提取配置后的轮轨力数据对应的首个波形峰值位置。
12、根据本专利技术的实施例，所述将所述振动加速度对应的首个波形峰值位置与所述轮轨力数据对应的首个波形峰值位置进行初对齐，包括：
13、将所述轮轨力数据对应的首个波形峰值位置为基准峰值位置；
14、按照所述基准峰值位置调整所述振动加速度对应的首个波形峰值位置；
15、将调整后的所述振动加速度对应的首个波形峰值位置与所述轮轨力数据对应的首个波形峰值位置进行对齐；
16、按照对齐后的首个波形峰值位置将所述振动加速度及所述轮轨力数据进行数据对齐。
17、根据本专利技术的实施例，所述按照预设的采样窗口计算初对齐后的轮轨力数据与初对齐后的振动加速度之间的相似度，包括：
18、将初对齐后的轮轨力数据作为基准数据，并获取所述基准数据对应的基准采样频率；
19、按照所述基准采样频率对对齐后的加速度数据进行下采样；
20、按照所述采样窗口中的采样点数量分割对齐后的轮轨力数据的窗口，得到基准窗口；
21、按照所述采样窗口中的采样点数量分割下采样后的加速度数据的窗口，得到匹配窗口；
22、逐一计算所述基准窗口与所述匹配窗口之间的相似度。
23、根据本专利技术的实施例，所述根据所述相似度将初对齐后的轮轨力数据对应的波形窗口与初对齐后的振动加速度对应的波形窗口进行精对齐，包括：
24、将初对齐后的轮轨力数据对应的波形窗口作为基准窗口，将初对齐后的振动加速度对应的波形窗口作为匹配窗口；
25、选取每一个基准窗口对应的相似度最高的匹配窗口；
26、利用预设的最大值索引函数确定所述匹配窗口的窗口位置；
27、根据所述窗口位置对所述匹配窗口进行线性插值修正，得到所述匹配窗口对应的加速度修正窗口；
28、按照将所述基准窗口与所述加速度修正窗口进行对齐。
29、根据本专利技术的实施例，所述根据精对齐后的轮轨力数据与精对齐后的振动加速度提取钢轨焊缝位置，包括：
30、提取精对齐后的轮轨力数据与精对齐后的振动加速度对应的凸起波形；
31、将所述凸起波形对应的位置作为钢轨焊缝位置。
32、根据本专利技术的实施例，所述将所述目标振动加速度数据及所述目标轮轨力数据进行通道融合，得到融合数据，包括：
33、提取预设的第一通道中的目标振动加速度数据的第一通道位置；
34、提取预设的第二通道中的目标轮轨力数据的第二通道位置；
35、将所述第一通道位置及所述第二通道位置进行对齐，按照对齐后的通道位置将所述目标振动加速度数据及所述目标轮轨力数据进行数据叠加，得到融合数据。
36、根据本专利技术的实施例，所述利用预先构建的神经网络模型对所述融合数据进行钢轨焊缝病害检测，得到钢轨焊缝的病害程度，包括：
37、利用所述神经网络模型中的卷积核对所述融合数据进行卷积操作；
38、将卷积后的融合数据输入至所述神经网络模型中的残差模块中；
39、对残差后的融合数据进行全局平均化；
40、利用所述神经网络模型中的分类层将全局平均化后的融合数据进行病害程度分类，得到钢轨焊缝的病害程度。
41、第二方面，本专利技术实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现上述方面所述多燃料电池系统风扇控方法的步骤。
42、第三方面，本专利技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方面所述数据融合的钢轨焊缝病害检测方法的步骤。
43、与现有技术相比，本专利技术的上述技术方案具有如下有益效果：
44、本专利技术的实施例通过对轴箱部位安装的传感器采集的振动加速度数据以及轮对上应变片采集到的轮轨力数据进行数据对齐，一是基于焊接接头的首个峰值位置进行初对齐，二是基于振动加速度和轮轨力的相关性进行精对齐；提取钢轨焊缝的位置，截取出焊缝位置的振动加速度和轮轨力数据，之后输入到搭建的基于深度学习的“端到端”识别算法的神经网络中，最后输出健康等级做出决策。
本文档来自技高网...【技术保护点】
1.一种数据融合的钢轨焊缝病害检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的数据融合的钢轨焊缝病害检测方法，其特征在于，在所述将所述振动加速度对应的首个波形峰值位置与所述轮轨力数据对应的首个波形峰值位置进行初对齐之前，还包括：
3.如权利要求2所述的数据融合的钢轨焊缝病害检测方法，其特征在于，所述将所述振动加速度对应的首个波形峰值位置与所述轮轨力数据对应的首个波形峰值位置进行初对齐，包括：
4.如权利要求1所述的数据融合的钢轨焊缝病害检测方法，其特征在于，所述按照预设的采样窗口计算初对齐后的轮轨力数据与初对齐后的振动加速度之间的相似度，包括：
5.如权利要求1所述的数据融合的钢轨焊缝病害检测方法，其特征在于，所述根据所述相似度将初对齐后的轮轨力数据对应的波形窗口与初对齐后的振动加速度对应的波形窗口进行精对齐，包括：
6.如权利要求1所述的数据融合的钢轨焊缝病害检测方法，其特征在于，所述根据精对齐后的轮轨力数据与精对齐后的振动加速度提取钢轨焊缝位置，包括：
7.如权利要求1所述的数据融合的钢轨焊缝
8.如权利要求1所述的数据融合的钢轨焊缝病害检测方法，其特征在于，所述利用预先构建的神经网络模型对所述融合数据进行钢轨焊缝病害检测，得到钢轨焊缝的病害程度，包括：
9.一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1至8中任一项所述数据融合的钢轨焊缝病害检测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8中任一项所述数据融合的钢轨焊缝病害检测方法的步骤。
...【技术特征摘要】
1.一种数据融合的钢轨焊缝病害检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的数据融合的钢轨焊缝病害检测方法，其特征在于，在所述将所述振动加速度对应的首个波形峰值位置与所述轮轨力数据对应的首个波形峰值位置进行初对齐之前，还包括：
3.如权利要求2所述的数据融合的钢轨焊缝病害检测方法，其特征在于，所述将所述振动加速度对应的首个波形峰值位置与所述轮轨力数据对应的首个波形峰值位置进行初对齐，包括：
4.如权利要求1所述的数据融合的钢轨焊缝病害检测方法，其特征在于，所述按照预设的采样窗口计算初对齐后的轮轨力数据与初对齐后的振动加速度之间的相似度，包括：
5.如权利要求1所述的数据融合的钢轨焊缝病害检测方法，其特征在于，所述根据所述相似度将初对齐后的轮轨力数据对应的波形窗口与初对齐后的振动加速度对应的波形窗口进行精对齐，包括：
6.如权利要求1所述的...
【专利技术属性】
技术研发人员：马子钦，边志宏，焦杨，
申请(专利权)人：国能铁路装备有限责任公司，
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。