CN104634872A - 高铁钢轨伤损在线监测方法 - Google Patents

Abstract

本发明提供一种高铁钢轨伤损在线监测方法，其主要思想是，在高速铁路轨道沿线，按一定的距离安装加速度传感器，采集钢轨的振动信号，并构成传感器网络；接着利用传感器节点的处理器对是否存在伤损进行判断，若存在伤损，则伤损的信号将通过传感器网络送到信息中心或者探伤车进行报警和进一步的处理，其特征在于，其中对伤损进行判断的方法是基于稀疏非负矩阵分解特征提取和支持向量机分类的，稀疏非负矩阵分解采用奇异值分解进行矩阵初始化，应用交替最小二乘算法进行迭代计算。本发明方法可以得到准确的高铁钢轨监测结果，提高了伤损判断的速度和伤损判断的准确性。本发明可以广泛应用于钢轨的伤损监测。

Description

高铁钢轨伤损在线监测方法

技术领域

本发明涉及高铁钢轨伤损检测领域，尤其涉及一种高铁钢轨伤损在线监测方法。

背景技术

随着科技的进步，高铁运输技术也得到了快速发展。高铁一方面增强了输送能力，其低能耗和低污染的特点可以减少资源的浪费和降低对环境的破坏，另一方面高速铁路网络的建立，带动了相关产业的发展，将区域内的城市紧密联系，促进经济的发展和文化的交流。同时高速铁路的发展也对安全运营提出了严峻的挑战。不考虑人为的因素，影响高速铁路正常运行的主要因素是列车车辆和钢轨的健康状况。对于车辆的安全性，通过完备的自动控制系统可以对其健康状况进行实时的监测；而对于轨道的安全性，则还没有成熟有效的技术能够实现对钢轨的在线监测。事实上，钢轨伤损是铁路运输出现安全事故的最主要原因。钢轨伤损的类别很多，常见的伤损类型有：核伤、纵向裂纹、水平裂纹、焊接接头、轨面擦伤和剥离伤损等^[4]。特别地，车速的提高将伴随着强烈的冲击、摩擦和挤压，将对钢轨的健康状况造成更大的影响。因此发展快速、准确的钢轨探伤技术对于高铁的安全运行至关重要。

超声波技术很早就被应用到钢轨伤损的检测，包括基于传统超声技术的小型探伤仪和大型探伤车，超声检测技术容易受到钢轨表面的粗糙度以及清洁程度的影响，其探测速度也受到很大的限制，无法适应高铁的伤损检测速度要求。基于超声导波技术的钢轨检测法通过低频率和长波长的超声波来检测轨道伤损，能实现大范围的快速检测，有实现对整个轨道检测的潜力，但是只有当伤损发展到一定程度才能有效检测，即对微小的伤损效果不明显。基于电磁超声技术的钢轨检测法通过电磁效应车产生超声波来检测钢轨伤损，速度快，重复性好，但是容易引入噪声，且超声转换效率低。其他涡电流检测技术、图像技术等方法也都存在着成本高昂和不能对整个轨道的伤损准确检出的问题。可见，目前已有方法无法满足高铁钢轨伤损检测的速度和准确性的要求。

发明内容

针对目前已有的钢轨伤损检测方法存在的检测速度低和准确性差的问题，本发明的基本思路是在高速铁路轨道沿线，按一定的距离安装加速度传感器，采集钢轨的振动信号，并构成传感器网络；接着利用传感器节点的处理器对信号是否存在伤损进行判断，若存在伤损，则伤损的信号将通过传感器网络送到信息中心，其中对伤损进行判断的方法是基于稀疏非负矩阵分解方法和支持向量机的。

在现实世界里，很多数据都是非负的，而只有当数据非负时，隐藏的相应成分才具有实际意义。传统的统计分析方法在分析结果中可能出现负值，无法从物理或生理的角度来解释结果。因此，在信号处理中，寻找一种在精确度和解释度两个目标上都能达到很好效果的方法具有重要的意义。事实上，当数据潜在的成分有很好的物理解释时，在分解中引入非负性的限制条件是适当而且必要的。在非负矩阵分解中，其分解过程中只存在加性运算，不存在减性运算，这就能够保证在整个分解过程中不出现负值。因此，非负矩阵分解方法具有同时实现很高精确度和很好的解释度的潜力。本发明采用非负矩阵分解方法进行振动信号的特征提取。

奇异值分解是一种将相关变量转变为一组能够更好表达变量关系的不相关变量，同时，可以对数据点中变化最大的量进行识别和排序。本发明采用奇异值分解的方法进行非负矩阵的初始化。

本发明提供一种高铁钢轨伤损在线监测方法，在高速铁路轨道沿线，按一定的距离安装加速度传感器，采集钢轨的振动信号，并构成传感器网络；接着利用传感器节点的处理器对是否存在伤损进行判断，若存在伤损，则伤损的信号将通过传感器网络送到信息中心或者探伤车进行报警和进一步的处理，其特征在于：其中对伤损进行判断的方法是按照下面的步骤完成的：

(1)首先采集不同钢轨伤损类型的振动信号和无伤损的振动信号，并对振动信号进行低通滤波，得到维数为n×p的训练数据集V^train，记为样本标签对应有伤损和无伤损分别设置成1和0；

(2)对训练数据集进行稀疏非负矩阵分解，得到

$V_{n\×p}^{\mathrm{train}}\≈W_{n\×k}^{\mathrm{train}}{H}_{k\×p}^{\mathrm{train}}$

式中，k≤min(n，p)。是基矩阵，其每一行表示提取到的特征，是系数矩阵，列h_i表示第i个样本在特征空间的表达；

(3)把作为训练样本，和对应的样本标签输入支持向量机进行二值分类训练，得到完成训练的支持向量机；

(4)对于采集的要判断是否存在伤损的振动信号，进行低通滤波，得到维数为n×r的测试数据集V^test，记为设p+r＝m。

(5)将测试数据集投影到特征空间，得到测试样本在特征空间的表达即

$V_{n\×r}^{\mathrm{test}}\≈W_{n\×k}^{\mathrm{train}}{H}_{k\×r}^{\mathrm{test}}$

该计算是和已知，求解的过程，是一个非负约束最小二乘问题，采用交替最小二乘算法迭代计算完成。

(6)把作为测试样本输入完成训练的支持向量机进行分类，当输出标签为1则表示有伤损，否则表示无伤损。

前述的非负矩阵分解问题，是对于一个非负数据矩阵V以及分解的秩数K(K≤min(N，M))，将V近似分解为一个N×K的非负矩阵W和一个K×M的非负矩阵H的乘积，即

V＝WH+E

式中，E是一个N×M的矩阵，表示残差矩阵。在进行分解时，要利用代价函数来衡量近似分解的效果，代价函数采用基矩阵W和增益系数矩阵H之间的欧氏距离

$D_F\left(V\right|\left|\mathrm{WH}\right)=\min \frac{1}{2}{\left|\right|V-\mathrm{WH}\left|\right|}_F^2$ 其中W，H≥0.

式中，当且仅当V＝WH时，取得极小值0。

前述的稀疏非负矩阵分解，采用下面的计算步骤完成：

a)对矩阵W进行矩阵初始化；

b)确定最大迭代数和精度要求；

c)按下式中最小二乘准则求取矩阵H；

式中，符号表示Moore-Penrose伪逆，而[Y]₊表示对Y施加严格意义上的正约束。

d)将矩阵H中所有值为负的元素设置为0；

e)按下式中最小二乘准则求取矩阵W；

f)将矩阵W中所有值为负的元素设置为0；

g)重复步骤c～f，直到代价函数计算结果满足精度要求，或者达到最大迭代数，计算完成。

前述的交替最小二乘算法，是指上述的稀疏非负矩阵分解算法中去掉步骤a)之后的计算步骤；

前述的矩阵初始化，是按照如下的方法完成的：

假设A为一个秩为r的n×m的矩阵，则有

$A={\mathrm{\Σ}}_{j=1}^r{\mathrm{\λ}}_j{u}_j{x}_j^T$

其中，λ₁≥λ₂≥…≥λ_r＞0，λ_j表示矩阵A的非零奇异值特征值(1≤j≤r)，且u_j，x_j为奇异向量。对任意k≤r，秩为k的最佳2范数逼近A(k)可以很容易地从前k个元素的和中获得，即

$A^{\left(k\right)}={\mathrm{\Σ}}_{j=1}^k{\mathrm{\λ}}_j{C}^{\left(j\right)}$

式中，这里，假设A是非负的，利用上式可以产生一个矩阵来逼近A，因此能够为矩阵提供有效的初始化。

矩阵初始化的具体步骤如下：

a)计算矩阵A最大的k个奇异值对，并写成A＝USX^T的奇异值形式，其中S为包含非零奇异值特征值的矩阵，U和X是酉矩阵；

b)由Perron-Frobenius定理可知，若A是一个非负矩阵，u₁，x₁也应是非负的，所以这里令W的第一列类似地，令H的第一行

c)当2≤j≤k时，考虑正交性的要求，u_j和x_j可能出现负数元素的情况。对于矩阵 $C^{\left(j\right)}=u_j{x}_j^T,$ 取正数部分则这里令W的第j列 $W(:,j)=\sqrt{S(j,j)C_{+}^{\left(j\right)}}{u}_j,$ 类似地，H的第j行 $H(j,:)=\sqrt{S(j,j)C_{+}^{\left(j\right)}}{x}_j^T.$

以上为本发明提出高铁钢轨伤损在线监测方法的伤损判断方法。本发明利用非负矩阵分解方法和支持向量机方法相结合，其中采用奇异值分解进行矩阵初始化，加快了分解的收敛速度，稀疏交替最小二乘方法进行非负分解，提高了计算速度，并且能够得到更准确的伤损判断结果，从而达到实时检测的目的。下面结合附图，对具体实施实例及其有益效果作进一步的说明。

附图说明

图1高铁钢轨伤损在线监测方法的伤损判断方法示意图

图2不同初始化方法识别效果对比

图3不同初始化方法的收敛效果对比

具体实施方式

下面结合附图，对高铁钢轨伤损在线监测方法的具体实施方式说明如下：

图1为高铁钢轨伤损在线监测方法的主要步骤图。通过对高铁钢轨和高铁车厢建立模型，可以获得典型的钢轨振动信号，建立具有代表性的钢轨伤损振动信号的数据集，每个样本的振动信号采样数为3724个，整个数据集共有300个样本，其中无损信号有100个样本，而典型的伤损信号共有200个样本。为了对有无伤损进行判断，这里选择80个无损样本和160个存在伤损的样本构成训练集，而测试集是由20个无损样本和40个存在伤损的样本构成。

首先对于振动信号应用低通滤波器滤除信号噪声，低通滤波器的参数为3000Hz。然后将大小为240×3724的训练数据集按照前述的非负分解方法进行分解，k＝5，得到训练集的特征以及特征空间，将大小为60×3724的测试数据集投影到训练阶段所获得的特征空间，得到测试集的特征。支持向量机使用LIBSVM软件库(http://www.csie.ntu.edu.tw/～cjlin/libsvm)实现，采用默认参数。将得到的训练集的特征作为参数输入支持向量机进行训练，得到完成训练的支持向量机，最后把测试集的特征输入完成训练的支持向量机，得到有无伤损的监测结果。

为了对不同初始化策略的效果进行对比，图2给出了两种初始化方法对应的识别效果，图3给出了两种初始化方法对应的代价函数在迭代过程中的变化曲线。本发明方法的识别率为100％，高于基于随机初始化方法的98.5％，表明本发明方法可以获得很好的识别效果。同时还可以看出，本发明方法所需要的迭代次数要少，说明本发明方法具有更快的收敛速度。

从以上分析和比较可知，本发明提出的基于支持向量机的彩色滤波阵列插值方法优于已有方法，可以获得更好的结果图像。

Claims (1)

1.一种高铁钢轨伤损在线监测方法，在高速铁路轨道沿线，按一定的距离安装加速度传感器，采集钢轨的振动信号，并构成传感器网络；接着利用传感器节点的处理器对是否存在伤损进行判断，若存在伤损，则伤损的信号将通过传感器网络送到信息中心或者探伤车进行报警和进一步的处理，其特征在于：其中对伤损进行判断的方法是按照下面的步骤完成的：

(1)首先采集不同钢轨伤损类型的振动信号和无伤损的振动信号，并对振动信号进行低通滤波，得到维数为n×p的训练数据集V^train，记为样本标签对应有伤损和无伤损分别设置成1和0；

(2)对训练数据集进行稀疏非负矩阵分解，得到

$V_{n\×p}^{\mathrm{train}}\≈W_{n\×k}^{\mathrm{train}}{H}_{k\×p}^{\mathrm{train}}$

式中，k≤min(n，p)。是基矩阵，其每一行表示提取到的特征，是系数矩阵，列h_i表示第i个样本在特征空间的表达；

(3)把作为训练样本，和对应的样本标签输入支持向量机进行二值分类训练，得到完成训练的支持向量机；

(4)对于采集的要判断是否存在伤损的振动信号，进行低通滤波，得到维数为n×r的测试数据集V^test，记为设p+r＝m；

(5)将测试数据集投影到特征空间，得到测试样本在特征空间的表达即

$V_{n\×r}^{\mathrm{test}}\≈W_{n\×k}^{\mathrm{train}}{H}_{k\×r}^{\mathrm{test}}$

该计算是和已知，求解的过程，是一个非负约束最小二乘问题，采用交替最小二乘算法迭代计算完成；

(6)把作为测试样本输入完成训练的支持向量机进行分类，当输出标签为1则表示有伤损，否则表示无伤损；

前述的非负矩阵分解问题，是对于一个非负数据矩阵V以及分解的秩数K(K≤min(N，M))，将V近似分解为一个N×K的非负矩阵W和一个K×M的非负矩阵H的乘积，即

V＝WH+E

上式中，E是一个N×M的矩阵，表示残差矩阵，在进行分解时，要利用代价函数来衡量近似分解的效果，代价函数采用基矩阵W和增益系数矩阵H之间的欧氏距离

$D_F\left(V\right|\left|\mathrm{WH}\right)=\min \frac{1}{2}{\left|\right|V-\mathrm{WH}\left|\right|}_F^2$ 其中W，H≥0

上式中，当且仅当V＝WH时，取得极小值0；

前述的稀疏非负矩阵分解，采用下面的计算步骤完成：

a)对矩阵W进行矩阵初始化；

b)确定最大迭代数和精度要求；

c)按下式中最小二乘准则求取矩阵H：

上式中，符号表示Moore-Penrose伪逆，而[Y]₊表示对Y施加严格意义上的正约束；

d)将矩阵H中所有值为负的元素设置为0；

e)按下式中最小二乘准则求取矩阵W：

f)将矩阵W中所有值为负的元素设置为0；

g)重复步骤c～f，直到代价函数计算结果满足精度要求，或者达到最大迭代数，计算完成；

前述的交替最小二乘算法，是指上述的稀疏非负矩阵分解算法中去掉步骤a)之后的计算步骤；

前述的矩阵初始化，是按照如下的方法完成的：

假设A为一个秩为r的n×m的矩阵，则有

$A={\mathrm{\Σ}}_{j=1}^r{\mathrm{\λ}}_j{u}_j{x}_j^T$

其中，λ₁≥λ₂≥…≥λ_r＞0，λ_j表示矩阵A的非零奇异值特征值(1≤j≤r)，且u_j，x_j为奇异向量，对任意k≤r，秩为k的最佳2范数逼近A(k)可以很容易地从前k个元素的和中获得，即

$A^{\left(k\right)}={\mathrm{\Σ}}_{j=1}^k{\mathrm{\λ}}_j{C}^{\left(j\right)}$

式中，这里，假设A是非负的，利用上式可以产生一个矩阵来逼近A，因此能够为矩阵提供有效的初始化，矩阵初始化的具体步骤如下：

a)计算矩阵A最大的k个奇异值对，并写成A＝USX^T的奇异值形式，其中S为包含非零奇异值特征值的矩阵，U和X是酉矩阵；

b)由Perron-Frobenius定理可知，若A是一个非负矩阵，u₁，x₁也应是非负的，所以这里令W的第一列类似地，令H的第一行

c)当2≤j≤k时，考虑正交性的要求，u_j和x_j可能出现负数元素的情况。对于矩阵取正数部分则这里令W的第j列类似地，H的第j行 $H(j,:)=\sqrt{S(j,j)C_{+}^{\left(j\right)}}{x}_j^T.$