[发明专利]一种基于列车振声复合特征的轨道交通钢轨波磨识别方法

说明书

本发明属于铁路轨道的技术领域，具体公开了一种基于列车振声复合特征的轨道交通钢轨波磨识别方法，包括以下步骤：列车振动、噪声及关联信号采集与处理；振动、噪声信号增强、融合；振动、噪声复合数据与波磨关系映射和样本集建立；振动、噪声复合样本集卷积神经网络结构设计与训练；钢轨波磨状态识别。本发明基于振声融合数据，使用一维卷积神经网络对振动融合数据的样本集进行自适应特征提取。同时采用随机搜索法确定最优参数，缩短样本训练与识别时间，满足钢轨波磨检测、监测精度和时效性需求。

技术领域

本发明属于铁路轨道的技术领域，特别是一种基于列车振声复合特征的轨道交通钢轨波磨识别方法。

背景技术

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。运营里程的增多，导致运营现场暴露出不少问题，其中钢轨波磨凸显会影响列车运行安全并引起沿线居民振动噪声投诉。因此，及时检测钢轨波磨并提前预报，能够有效预防安全问题和避免投诉。

解决上述技术问题的难度在于：

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，且大多采用单一信号输入，模型大，精度低。

解决上述技术问题的意义在于：本发明基于振声融合数据，使用一维卷积神经网络对振动融合数据的样本集进行自适应特征提取。同时采用随机搜索法确定最优参数，缩短样本训练与识别时间，满足钢轨波磨检测、监测精度和时效性需求。

发明内容

根据上述提出的问题，本发明提出了一种基于列车振声复合特征的轨道交通钢轨波磨识别方法。

本发明的技术方案是：

一种基于列车振声复合特征的轨道交通钢轨波磨识别方法，包括以下步骤：

步骤S101：列车振动、噪声及关联信号采集与处理；

步骤S102：振动、噪声信号增强、融合；

步骤S103：振动、噪声复合数据与波磨关系映射和样本集建立；

步骤S104：振动、噪声复合样本集卷积神经网络结构设计与训练；

步骤S105：钢轨波磨状态识别。

优选的，所述步骤S101中，在车外设置加速度传感器采集振动信号和列车速度信号，同时采集钢轨波磨状态数据，在车内设置声压传感器采集噪声信号；对采集的速度信号进行时间积分获得列车位移信息，将速度信号转换为位移信号，根据位移信号与时间信号的一一对应关系，替换振动信号和噪声信号的时间坐标。

进一步优选的，所述加速度传感器设置在列车轴箱或转向架处，所述声压传感器设置在转向架上方的列车内，高度为距离车厢内底部1.2m处。

进一步优选的，所述步骤S102中，采用具有0-1之间重叠系数的空间滑移窗对步骤S101中得到的空间域的振动信号和噪声信号进行切割，将同一个滑移窗内的振动数据和噪声数据并联形成双通道数据。

优选的，所述步骤S103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倍频程处的粗糙度超限3dB或单个频率处超限6dB，判断该区段波磨超限；

步骤S302：根据波磨是否超标赋予对应振动、噪声的复合数据响应标签，波磨超限标签定义为“1”，否则为“0”；

步骤S303：将映射样本集分为训练集和测试集，分别占比p%和（1-p）%。

优选的，所述步骤S104中，根据数据量确定振动、噪声的复合样本集采用一维卷积神经网络结构，确定其层数、作用和函数，采用随机搜索法确定最优参数。