[发明专利]基于DRSN和person相关系数的道床故障预警方法

权利要求书

1.一种基于DRSN和person相关系数的道床故障预警方法，其特征在于，包括以下步骤：

获取道床的多条振动响应信号；

计算每条振动响应信号的有效值，有效值计算公式如下：

式中，Val表示有效值，n″表示时间点的个数，m_i″表示时间点i″的振动响应幅值；

以其中一条振动响应信号的有效值作为基准有效值，将其余振动响应信号按照其有效值与基准有效值的比例进行幅值缩放，得到训练样本；

利用训练样本训练DRSN网络模型；

将道床结构状态正常和结构状态未知的振动响应信号进行幅值缩放，然后分别输入到DRSN网络模型中，提取特征向量；

利用person相关系数计算两个特征向量的相关性，并与预设阈值进行比较，判断道床是否出现故障。

2.根据权利要求1所述的基于DRSN和person相关系数的道床故障预警方法，其特征在于，两次进行幅值缩放后，均对振动响应信号进行长度切割。

3.根据权利要求2所述的基于DRSN和person相关系数的道床故障预警方法，其特征在于，切割形成的相邻样本重叠部分数据点。

4.根据权利要求3所述的基于DRSN和person相关系数的道床故障预警方法，其特征在于，重叠部分占切割长度的一半。

5.根据权利要求2-4中任意一项所述的基于DRSN和person相关系数的道床故障预警方法，其特征在于，

道床结构状态未知的振动响应信号切割后形成n'条样本，最终得到的特征向量记为

道床结构状态正常的振动响应信号切割后形成i'条样本，最终得到的特征向量记为S＝{s₁,s₂,…,s_i′}；

计算S^τ中每个特征向量与S中每个特征向量之间的相关性，总共有n′×i′条相关值；

统计相关值异常的比例，若超过预警阈值则进行报警。

6.根据权利要求1所述的基于DRSN和person相关系数的道床故障预警方法，其特征在于，训练DRSN网络模型之前，将训练样本进行归一化处理，将其数值映射到(-1，1)之间。

7.根据权利要求6所述的基于DRSN和person相关系数的道床故障预警方法，其特征在于，归一化处理公式如下：

式中，x代表训练样本，min(x)代表输入样本数据中的最小值，max(x)代表输入样本数据中的最大值。

8.根据权利要求1所述的基于DRSN和person相关系数的道床故障预警方法，其特征在于，为抑制信号中噪声对特征学习的干扰，利用软阈值方式抑制噪声，表达式如下所示：

式中：x表示网络学习的特征，t表示阈值。

9.根据权利要求1所述的基于DRSN和person相关系数的道床故障预警方法，其特征在于，DRSN网络模型训练的具体步骤如下：

1)设置输入层的输入大小，并依次经过卷积层、两个残差收缩层、卷积层、两个残差收缩层、全局平均池化层和全连接层；

2)将网络的参数按照正态分布随机赋值；

3)将训练样本作为输入，训练DRSN网络模型；

4)将训练样本划分为多个批次batch_size；

5)设置学习率learning_rate为c，设置最大训练次数epoch为k次；

6)设置输入层到隐藏层连接方式为其中，relu为激活函数，w₁为输出层到隐藏层的权值矩阵，b₁为隐藏层的偏置值，i＝1,2,…,batch_size；

7)设置隐藏层到输出层连接方式为z_(i)＝relu(w₂·y_(i)+b₂)，其中，relu为激活函数，w₂为隐藏层到输出层的权值矩阵，b₂为输出层的偏置值，i＝1,2,…,batch_size；

8)DRSN网络模型的训练目标是找到一组最优的网络参数使损失函数L(w₁,w₂,b₁,b₂)最小，损失函数表达式如下所示：

式中：等式右边第一项表示网络输入数据与输出数据的误差总和；第二项为正则化约束项，用于防止训练过拟合；和z_(i)分别是第i个样本的输入向量和重构向量；表示和z_(i)之间的均方差，其表达式如下式所示：

9)设置合适的learning_rate和batch_size，通过梯度下降算法训练DRSN模型，使损失函数收敛。