CN108470163A - 轨道道岔板离缝病害检测方法及终端设备 - Google Patents

Abstract

本发明适用于轨道检测技术领域，提供了一种轨道道岔板离缝病害检测方法及终端设备。所述方法包括：根据轨道道岔板的敲击回波信号建立轨道道岔板离缝病害弹性波回波信号样本库；根据神经网络建立轨道道岔板离缝病害识别模型；根据模型确定样本库中的信号对应的轨道道岔板离缝病害理论结果；判断理论结果与样本库中的信号对应的轨道道岔板离缝病害真实结果的差值是否超过预设阈值；若判定差值没有超过预设阈值，则根据当前的轨道道岔板离缝病害识别模型确定待测轨道道岔板的敲击回波信号对应的轨道道岔板离缝病害情况。采用上述方案后，克服了人工识别效率低的问题，实现了无砟轨道道岔离缝病害智能识别。

Description

轨道道岔板离缝病害检测方法及终端设备

技术领域

本发明属于轨道检测技术领域，尤其涉及一种轨道道岔板离缝病害检测方 法及终端设备。

背景技术

随着我国高速铁路快速建设发展，无砟轨道作为轨道、列车的载体，其质 量好坏直接关系到列车运行的平顺性和舒适性。但受列车荷载和环境荷载的长 期反复作用，无砟轨道层间结构已经出现了离缝等病害，特别是在无砟轨道的 道岔板部分，结构复杂，岔区与正线存在受力不均匀等现象，造成了道岔板下 部离缝病害严重。

目前，对于道岔板离缝病害的检测手段是采用弹性波的方法，通过敲击轨 道板表面，产生向下传播的弹性波，并利用弹性波在不同波阻抗界面发生反射， 再通过传感器接收反射波，识别方法主要是对反射波进行时频分析，由于反射 波受敲击力量大小，敲击物与轨道板接触时间的限制，通过该方法不能有效判 断道岔板是否存在离缝病害，影响铁路的安全稳定运行。

发明内容

有鉴于此，本发明实施例提供了一种轨道道岔板离缝病害检测方法及终端 设备，以解决现有技术中不能有效判断道岔板是否存在离缝病害，影响铁路的 安全稳定运行的问题。

本发明实施例的第一方面提供了一种轨道道岔板离缝病害检测方法，包括：

根据轨道道岔板的敲击回波信号建立轨道道岔板离缝病害弹性波回波信号 样本库；

根据神经网络建立轨道道岔板离缝病害识别模型；

根据所述模型确定所述样本库中的信号对应的轨道道岔板离缝病害理论结 果；

判断所述理论结果与所述样本库中的信号对应的轨道道岔板离缝病害真实 结果的差值是否超过预设阈值；

若判定所述差值没有超过预设阈值，则根据当前的轨道道岔板离缝病害识 别模型确定待测轨道道岔板的敲击回波信号对应的轨道道岔板离缝病害情况。

作为进一步的技术方案，所述方法还包括：

若判定所述差值超过预设阈值，根据预存的梯度下降法、所述轨道道岔板 离缝病害真实结果和所述神经网络调整所述轨道道岔板离缝病害识别模型，将 调整后的轨道道岔板离缝病害识别模型作为新的轨道道岔板离缝病害识别模 型，重新执行根据所述模型确定所述样本库中的信号对应的轨道道岔板离缝病 害理论结果的步骤。

作为进一步的技术方案，所述根据轨道道岔板的敲击回波信号建立轨道道 岔板离缝病害弹性波回波信号样本库包括：

获取不同敲击力度和不同形状的敲击物敲击轨道道岔板的目标敲击回波信 号；

根据频域分析法判断所述目标敲击回波信号的有效性；

若判定所述目标敲击回波信号有效，则根据所述目标回波信号建立轨道道 岔板离缝病害弹性波回波信号样本库。

作为进一步的技术方案，所述根据所述模型确定所述样本库中的信号对应 的轨道道岔板离缝病害理论结果包括：

根据所述模型获取所述样本库中信号的一维时间序列信号；

根据预存的标准卷积神经网络，将所述一维时间序列信号映射成多维时间 序列信号；

根据预存的深度神经网络从所述多维时间序列信号中提取轨道道岔板离缝 病害特征；

将所述轨道道岔板离缝病害特征转换成一维离缝病害特征，并从所述一维 离缝病害特征中提取特征形成终特征；

将所述终特征转换为所述样本库中的信号对应的轨道道岔板离缝病害理论 结果。

作为进一步的技术方案，所述根据预存的深度神经网络从所述多维时间序 列信号中提取轨道道岔板离缝病害特征包括：

根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维 度；

根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号 进行离缝病害特征提取。

本发明实施例的第二方面提供了一种轨道道岔板离缝病害检测装置，包括：

样本库建立模块，用于根据轨道道岔板的敲击回波信号建立轨道道岔板离 缝病害弹性波回波信号样本库；

识别模型建立模块，用于根据神经网络建立轨道道岔板离缝病害识别模型；

理论结果确定模块，用于根据所述模型确定所述样本库中的信号对应的轨 道道岔板离缝病害理论结果；

差值判断模块，用于判断所述理论结果与所述样本库中的信号对应的轨道 道岔板离缝病害真实结果的差值是否超过预设阈值；

病害情况确定模块，用于若判定所述差值没有超过预设阈值，则根据当前 的轨道道岔板离缝病害识别模型确定待测轨道道岔板的敲击回波信号对应的轨 道道岔板离缝病害情况。

作为进一步的技术方案，所述理论结果确定模块还用于：

若所述差值判断模块判定所述差值超过预设阈值，则根据预存的梯度下降 法、所述轨道道岔板离缝病害真实结果和所述神经网络调整所述轨道道岔板离 缝病害识别模型，将调整后的轨道道岔板离缝病害识别模型作为新的轨道道岔 板离缝病害识别模型，根据新的轨道道岔板离缝病害识别模型确定所述样本库 中的信号对应的轨道道岔板离缝病害理论结果。

作为进一步的技术方案，所述样本库建立模块还包括：

敲击回波信号获取模块，用于获取不同敲击力度和不同形状的敲击物敲击 轨道道岔板的目标敲击回波信号；

有效性判断模块，用于根据频域分析法判断所述目标敲击回波信号的有效 性；

样本库建立子模块，用于若判定所述目标敲击回波信号有效，则根据所述 目标回波信号建立轨道道岔板离缝病害弹性波回波信号样本库。

本发明实施例的第三方面提供了一种轨道道岔板离缝病害检测终端设备， 包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算 机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可 读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第 一方面所述的方法。

本发明实施例与现有技术相比存在的有益效果是：采用上述方案后，根据 轨道道岔板的敲击回波信号建立轨道道岔板离缝病害弹性波回波信号样本库， 并利用神经网络建立轨道道岔板离缝病害识别模型，能够有效克服敲击力量大 小，敲击物与轨道板接触时间等因素对检测结果的影响，降低漏检率和误检率， 提高了无砟轨道道岔离缝病害识别的准确率，克服了人工识别效率低的问题， 实现了无砟轨道道岔离缝病害智能识别。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技 术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅 仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳 动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种轨道道岔板离缝病害检测方法的步骤流程 图；

图2是本发明实施例提供的一种轨道道岔板离缝病害检测装置的结构示意 图；

图3是本发明另一实施例提供的一种轨道道岔板离缝病害检测装置的结构 示意图；

图4是本发明实施例提供的一种轨道道岔板离缝病害检测终端设备的示意 图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术 之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当 清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中， 省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节 妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

如图1所示，为本发明实施例提供的一种轨道道岔板离缝病害检测方法的 步骤流程图，包括：

步骤S101，根据轨道道岔板的敲击回波信号建立轨道道岔板离缝病害弹性 波回波信号样本库。

具体的，通过现场试验，实验室检测和数据仿真等技术手段，获取轨道道 岔板的敲击回波信号，在本实施例中，敲击的为高速铁路无砟轨道道岔板。利 用加速度传感器收集回波信号，利用频域分析的方法，判断信号的有效性，进 行数据筛选，然后对筛选后的数据建立标签库y，优选的，对于有离缝病害的 回波数据，用特征1表示，即y＝1，对于没有离缝的弹性回波数据用0表示， 即y＝0，最终形成样本-标签库，即轨道道岔板离缝病害弹性波回波信号样本库， 其他形式的数据表示形式也在本方案的保护范围之内。

步骤S102，根据神经网络建立轨道道岔板离缝病害识别模型。

具体的，根据神经网络建立轨道道岔板离缝病害识别模型，轨道道岔板离 缝病害识别模型包括数据映射层，特征提取层和分类识别层三层。

步骤S103，根据所述模型确定所述样本库中的信号对应的轨道道岔板离缝 病害理论结果。

具体的，将样本库中的信号代入到轨道道岔板离缝病害识别模型中，轨道 道岔板离缝病害识别模型根据信号计算得出对应的轨道道岔板离缝病害理论结 果。

步骤S104，判断所述理论结果与所述样本库中的信号对应的轨道道岔板离 缝病害真实结果的差值是否超过预设阈值。

具体的，得出理论结果后，计算理论结果与样本库中的信号对应的轨道道 岔板离缝病害真实结果的差值，差值可能为正值，也可能为负值，这里也可以 取差值的绝对值，这样可以直接判断正值阈值，简化算法，阈值可以根据实际 情况自行设定，并根据检测结果适当进行调整，优选的，选取样本库中的信号 样本量为N＝500，样本库中的信号i输出值为yi’，样本库中的信号i在样本 库中对应的值为yi，令当Δ/N<2％时，即1-98％＝2％，停止迭代，即 阈值为2％。当选择单个的信号时，阈值可以设为2，该阈值为工作人员经过多 次试验得出的，选择该阈值可以使得轨道道岔板离缝病害识别模型模拟的结果 更加准确，提高模拟的成功率，为工作人员对待测轨道的情况了解提供了可靠 的依据。

步骤S105，若判定所述差值没有超过预设阈值，则根据当前的轨道道岔板 离缝病害识别模型确定待测轨道道岔板的敲击回波信号对应的轨道道岔板离缝 病害情况。

具体的，若判定差值没有超过预设阈值，优选的，若判定差值没有超过2， 代表建立的轨道道岔板离缝病害识别模型可以直接进行模拟使用，收集待测轨 道道岔板的敲击回波信号，输入到轨道道岔板离缝病害识别模型中，得到对应 的轨道道岔板离缝病害情况，优选的，将实测待测轨道道岔板的敲击回波信号 x’作为模型的输入，通过轨道道岔板离缝病害识别模型计算，得到输出值y’， 当输出y’＝1时表示有离缝病害，当输出y’＝0时表示没有离缝病害。

采用上述方案后，根据轨道道岔板的敲击回波信号建立轨道道岔板离缝病 害弹性波回波信号样本库，并利用神经网络建立轨道道岔板离缝病害识别模型， 能够有效克服敲击力量大小，敲击物与轨道板接触时间等因素对检测结果的影 响，降低漏检率和误检率，提高了无砟轨道道岔离缝病害识别的准确率，克服 了人工识别效率低的问题，实现了无砟轨道道岔离缝病害智能识别。

此外，在一个具体事例中，所述方法还包括：

若判定所述差值超过预设阈值，根据预存的梯度下降法、所述轨道道岔板 离缝病害真实结果和所述神经网络调整所述轨道道岔板离缝病害识别模型，将 调整后的轨道道岔板离缝病害识别模型作为新的轨道道岔板离缝病害识别模 型，重新执行根据所述模型确定所述样本库中的信号对应的轨道道岔板离缝病 害理论结果的步骤。

具体的，若判定差值超过预设的阈值，代表当前的轨道道岔板离缝病害识 别模型还存在较大的误差，不能直接进行模拟使用，利用梯度下降的方法，通 过迭代，将调整后的轨道道岔板离缝病害识别模型作为新的轨道道岔板离缝病 害识别模型，重新执行根据模型确定样本库中的信号对应的轨道道岔板离缝病 害理论结果的步骤，训练轨道道岔板离缝病害识别模型，实现最小误差意义下 的最优分类模型，当理论结果与样本库中的信号对应的轨道道岔板离缝病害真 实结果的差值没有超过预设阈值时，迭代停止。优选的，选取样本库中的信号 样本量为N＝500，样本库中的信号i输出值为yi’，样本库中的信号i在样本 库中对应的值为yi，令当Δ/N<2％时，即1-98％＝2％，停止迭代，代 表轨道道岔板离缝病害识别模型训练完成，该迭代停止的条件为工作人员经过 多次试验得出的，选择该阈值可以使得轨道道岔板离缝病害识别模型模拟的结 果更加准确，提高模拟的成功率，为工作人员对待测轨道的情况了解提供了可 靠的依据。

此外，在一个具体事例中，所述根据轨道道岔板的敲击回波信号建立轨道 道岔板离缝病害弹性波回波信号样本库包括：

获取不同敲击力度和不同形状的敲击物敲击轨道道岔板的目标敲击回波信 号。

根据频域分析法判断所述目标敲击回波信号的有效性。

若判定所述目标敲击回波信号有效，则根据所述目标回波信号建立轨道道 岔板离缝病害弹性波回波信号样本库。

首先，利用不同敲击力度和不同形状的敲击物敲击待测道岔板中的轨道板 表面，优选的，先选取一种形状的敲击物，用不同的敲击力度敲击待测道岔板 中的轨道板表面，然后再换取一种形状的敲击物，再用不同敲击力度敲击待测 道岔板中的轨道板表面，敲击物的形状可以为圆形、锥形和平面形等等，利用 加速度传感器收集敲击的回波信号，利用频域分析的方法，判断信号的有效性， 进行数据筛选；其次，对筛选后的数据建立标签库，优选的，对于有离缝病害 的回波数据，用特征1表示，即y＝1，对于没有离缝的弹性回波数据用0表示， 即y＝0，最终形成轨道道岔板离缝病害弹性波回波信号样本库。

此外，在一个具体事例中，所述根据所述模型确定所述样本库中的信号对 应的轨道道岔板离缝病害理论结果包括：

根据所述模型获取所述样本库中信号的一维时间序列信号。

根据预存的标准卷积神经网络，将所述一维时间序列信号映射成多维时间 序列信号。

根据预存的深度神经网络从所述多维时间序列信号中提取轨道道岔板离缝 病害特征。

将所述轨道道岔板离缝病害特征转换成一维离缝病害特征，并从所述一维 离缝病害特征中提取特征形成终特征。

将所述终特征转换为所述样本库中的信号对应的轨道道岔板离缝病害理论 结果。

具体的，轨道道岔板离缝病害识别模型包括数据映射层，特征提取层和分 类识别层三层，数据映射层利用卷积神经网络，根据采样频率、道岔板离缝回 波信号频率，将加速度传感器测得的一维时间序列信号映射成多维时间序列信 号，优选的，可以建立1000个尺寸为1*100卷积核，，将加速度传感器测得的 一维时间序列信号映射成1000维时间序列信号，其中卷积核的卷积步长为1； 为了使卷积后的数据长度保持不变，卷积时采用了在加速度传感器测得的一维 时间序列信号前后加0的“SAME”的卷积模式，在一维时间序列信号前后添 加零的个数均为100-1＝99个；卷积核的数据大小为1*100，其初值设置为0.01 (1/100)，最终值是通过梯度下降(Gradient Decent Algorithm，GDA)最优估 计方法得到。

特征提取层包括建立深度神经网络(Deep Neural Network,DNN)，并利用 池化(pooling)和丢弃(dropout)等机制，从多维时间序列信号中提取道岔板离 缝病害特征，其中，池化是为了降低数据维度，池化核的大小为3x3，为了锐 化突出数据特征，采用最大池化的方法，即取3x3模块中的最大值，丢弃(dropout) 是为了防止过拟合，增加系统的鲁棒性，优选的，丢弃(dropout)的概率采用0.8， 特征提取层共17层，该结果为工作人员经过数次试验得出的最理想的数据。

分类识别层包括建立全连接层(fully connected layer)和逻辑回归等降维 输出层结合标签库标签，实现道岔板离缝病害分类识别，其中全连接层为三层， 第一层作用是将特征输出层的多维数据变成一维数据，第二层和第三层的作用 是进一步数据提取特征，逻辑回归层是将全连接层的输出转化为0，1两个值， 优选的，可以用y’表示，当输出y’＝1时表示有离缝病害，当输出y’＝0时 表示没有离缝病害。

此外，在一个具体事例中，所述根据预存的深度神经网络从所述多维时间 序列信号中提取轨道道岔板离缝病害特征包括：

根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维 度。根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号 进行离缝病害特征提取。池化是为了降低数据维度，池化核的大小为3x3，为 了锐化突出数据特征，采用最大池化的方法，即取3x3模块中的最大值，丢弃 (dropout)是为了防止过拟合，增加系统的鲁棒性，优选的，丢弃(dropout)的概率 采用0.8，特征提取层共17层，该结果为工作人员经过数次试验得出的最理想 的数据。

如图2所示，为本发明实施例一种轨道道岔板离缝病害检测装置的结构示 意图，包括：

样本库建立模块201，用于根据轨道道岔板的敲击回波信号建立轨道道岔 板离缝病害弹性波回波信号样本库。

识别模型建立模块202，用于根据神经网络建立轨道道岔板离缝病害识别 模型。

理论结果确定模块203，用于根据所述模型确定所述样本库中的信号对应 的轨道道岔板离缝病害理论结果。

差值判断模块204，用于判断所述理论结果与所述样本库中的信号对应的 轨道道岔板离缝病害真实结果的差值是否超过预设阈值。

病害情况确定模块205，用于若判定所述差值没有超过预设阈值，则根据 当前的轨道道岔板离缝病害识别模型确定待测轨道道岔板的敲击回波信号对应 的轨道道岔板离缝病害情况。

采用上述方案后，根据轨道道岔板的敲击回波信号建立轨道道岔板离缝病 害弹性波回波信号样本库，并利用神经网络建立轨道道岔板离缝病害识别模型， 能够有效克服敲击力量大小，敲击物与轨道板接触时间等因素对检测结果的影 响，降低漏检率和误检率，提高了无砟轨道道岔离缝病害识别的准确率，克服 了人工识别效率低的问题，实现了无砟轨道道岔离缝病害智能识别。

如图3所示，为本发明实施例一种轨道道岔板离缝病害检测装置的结构示 意图，包括：

样本库建立模块301，用于根据轨道道岔板的敲击回波信号建立轨道道岔 板离缝病害弹性波回波信号样本库。

识别模型建立模块302，用于根据神经网络建立轨道道岔板离缝病害识别 模型。

理论结果确定模块303，用于根据所述模型确定所述样本库中的信号对应 的轨道道岔板离缝病害理论结果。

差值判断模块304，用于判断所述理论结果与所述样本库中的信号对应的 轨道道岔板离缝病害真实结果的差值是否超过预设阈值。

病害情况确定模块305，用于若判定所述差值没有超过预设阈值，则根据 当前的轨道道岔板离缝病害识别模型确定待测轨道道岔板的敲击回波信号对应 的轨道道岔板离缝病害情况。

采用上述方案后，根据轨道道岔板的敲击回波信号建立轨道道岔板离缝病 害弹性波回波信号样本库，并利用神经网络建立轨道道岔板离缝病害识别模型， 能够有效克服敲击力量大小，敲击物与轨道板接触时间等因素对检测结果的影 响，降低漏检率和误检率，提高了无砟轨道道岔离缝病害识别的准确率，克服 了人工识别效率低的问题，实现了无砟轨道道岔离缝病害智能识别。

此外，在一个具体事例中，所述理论结果确定模块303还用于：

若所述差值判断模块304判定所述差值超过预设阈值，则根据预存的梯度 下降法、所述轨道道岔板离缝病害真实结果和所述神经网络调整所述轨道道岔 板离缝病害识别模型，将调整后的轨道道岔板离缝病害识别模型作为新的轨道 道岔板离缝病害识别模型，根据新的轨道道岔板离缝病害识别模型确定所述样 本库中的信号对应的轨道道岔板离缝病害理论结果。

此外，在一个具体事例中，所述样本库建立模块301还包括：

敲击回波信号获取模块3011，用于获取不同敲击力度和不同形状的敲击物 敲击轨道道岔板的目标敲击回波信号。

有效性判断模块3012，用于根据频域分析法判断所述目标敲击回波信号的 有效性。

样本库建立子模块3013，用于若判定所述目标敲击回波信号有效，则根据 所述目标回波信号建立轨道道岔板离缝病害弹性波回波信号样本库。

此外，在一个具体事例中，所述理论结果确定模块303包括：

一维信号获取模块3031，用于根据所述模型获取所述样本库中信号的一维 时间序列信号。

一维信号转换模块3032，用于根据预存的标准卷积神经网络，将所述一维 时间序列信号映射成多维时间序列信号。

病害特征提取模块3033，用于根据预存的深度神经网络从所述多维时间序 列信号中提取轨道道岔板离缝病害特征。

病害特征转换模块3034，用于将所述轨道道岔板离缝病害特征转换成一维 离缝病害特征，并从所述一维离缝病害特征中提取特征形成终特征。

终特征转换模块3035，用于将所述终特征转换为所述样本库中的信号对应 的轨道道岔板离缝病害理论结果。

此外，在一个具体事例中，所述病害特征提取模块3033包括：

维度降低模块3036，用于根据预存的深度神经网络并利用池化机制降低所 述多维时间序列信号的维度。

病害特征提取子模块3037，用于根据预存的深度神经网络并利用丢弃机制 对降低维度的多维时间序列信号进行离缝病害特征提取。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后， 各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施 过程构成任何限定。

图4是本发明一实施例提供的轨道道岔板离缝病害检测终端设备的示意图， 包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40 上运行的计算机程序42，例如轨道道岔板离缝病害检测程序。所述处理器40 执行所述计算机程序42时实现上述各个轨道道岔板离缝病害检测方法实施例 中的步骤，例如图1所示的步骤101至105。或者，所述处理器40执行所述计 算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图2所示模 块201至205的功能。

示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述 一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行， 以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计 算机程序指令段，该指令段用于描述所述计算机程序42在所述轨道道岔板离缝 病害检测终端设备4中的执行过程。例如，所述计算机程序42可以被分割成同 步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块)，各模块具体 功能如下：

根据轨道道岔板的敲击回波信号建立轨道道岔板离缝病害弹性波回波信号 样本库。

根据神经网络建立轨道道岔板离缝病害识别模型。

根据所述模型确定所述样本库中的信号对应的轨道道岔板离缝病害理论结 果。

判断所述理论结果与所述样本库中的信号对应的轨道道岔板离缝病害真实 结果的差值是否超过预设阈值。

若判定所述差值没有超过预设阈值，则根据当前的轨道道岔板离缝病害识 别模型确定待测轨道道岔板的敲击回波信号对应的轨道道岔板离缝病害情况。

作为进一步的技术方案，所述方法还包括：

若判定所述差值超过预设阈值，根据预存的梯度下降法、所述轨道道岔板 离缝病害真实结果和所述神经网络调整所述轨道道岔板离缝病害识别模型，将 调整后的轨道道岔板离缝病害识别模型作为新的轨道道岔板离缝病害识别模 型，重新执行根据所述模型确定所述样本库中的信号对应的轨道道岔板离缝病 害理论结果的步骤。

作为进一步的技术方案，所述根据轨道道岔板的敲击回波信号建立轨道道 岔板离缝病害弹性波回波信号样本库包括：

获取不同敲击力度和不同形状的敲击物敲击轨道道岔板的目标敲击回波信 号。

根据频域分析法判断所述目标敲击回波信号的有效性。

若判定所述目标敲击回波信号有效，则根据所述目标回波信号建立轨道道 岔板离缝病害弹性波回波信号样本库。

作为进一步的技术方案，所述根据所述模型确定所述样本库中的信号对应 的轨道道岔板离缝病害理论结果包括：

根据所述模型获取所述样本库中信号的一维时间序列信号。

根据预存的标准卷积神经网络，将所述一维时间序列信号映射成多维时间 序列信号。

根据预存的深度神经网络从所述多维时间序列信号中提取轨道道岔板离缝 病害特征。

将所述轨道道岔板离缝病害特征转换成一维离缝病害特征，并从所述一维 离缝病害特征中提取特征形成终特征。

将所述终特征转换为所述样本库中的信号对应的轨道道岔板离缝病害理论 结果。

作为进一步的技术方案，所述根据预存的深度神经网络从所述多维时间序 列信号中提取轨道道岔板离缝病害特征包括：

根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维 度。

根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号 进行离缝病害特征提取。

所述轨道道岔板离缝病害检测终端设备4可以是桌上型计算机、笔记本、 掌上电脑及云端服务器等计算设备。所述轨道道岔板离缝病害检测终端设备可 包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4 仅仅是轨道道岔板离缝病害检测终端设备4的示例，并不构成对轨道道岔板离 缝病害检测终端设备4的限定，可以包括比图示更多或更少的部件，或者组合 某些部件，或者不同的部件，例如所述轨道道岔板离缝病害检测终端设备还可 以包括输入输出设备、网络接入设备、总线等。

所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还 可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、 专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可 编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器 件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理 器或者该处理器也可以是任何常规的处理器等。

所述存储器41可以是所述轨道道岔板离缝病害检测终端设备4的内部存储 单元，例如轨道道岔板离缝病害检测终端设备4的硬盘或内存。所述存储器41 也可以是所述轨道道岔板离缝病害检测终端设备4的外部存储设备，例如所述 轨道道岔板离缝病害检测终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card) 等。进一步地，所述存储器41还可以既包括所述轨道道岔板离缝病害检测终端 设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算 机程序以及所述轨道道岔板离缝病害检测终端设备所需的其他程序和数据。所 述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上 述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上 述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不 同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功 能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在， 也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬 件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模 块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上 述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程， 在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详 述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示 例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来 实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用 和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现 所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法， 可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示 意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现 时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一 个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间 的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或 通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为 单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者 也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部 单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中， 也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元 中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的 形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品 销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解， 本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指 令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中， 该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中， 所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、 对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括： 能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、 磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机 存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软 件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法 管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根 据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照 前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其 依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特 征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发 明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种轨道道岔板离缝病害检测方法，其特征在于，包括：

根据轨道道岔板的敲击回波信号建立轨道道岔板离缝病害弹性波回波信号样本库；

根据神经网络建立轨道道岔板离缝病害识别模型；

根据所述模型确定所述样本库中的信号对应的轨道道岔板离缝病害理论结果；

判断所述理论结果与所述样本库中的信号对应的轨道道岔板离缝病害真实结果的差值是否超过预设阈值；

若判定所述差值没有超过预设阈值，则根据当前的轨道道岔板离缝病害识别模型确定待测轨道道岔板的敲击回波信号对应的轨道道岔板离缝病害情况。

2.如权利要求1所述的轨道道岔板离缝病害检测方法，其特征在于，还包括：

若判定所述差值超过预设阈值，根据预存的梯度下降法、所述轨道道岔板离缝病害真实结果和所述神经网络调整所述轨道道岔板离缝病害识别模型，将调整后的轨道道岔板离缝病害识别模型作为新的轨道道岔板离缝病害识别模型，重新执行根据所述模型确定所述样本库中的信号对应的轨道道岔板离缝病害理论结果的步骤。

3.如权利要求1所述的轨道道岔板离缝病害检测方法，其特征在于，所述根据轨道道岔板的敲击回波信号建立轨道道岔板离缝病害弹性波回波信号样本库包括：

获取不同敲击力度和不同形状的敲击物敲击轨道道岔板的目标敲击回波信号；

根据频域分析法判断所述目标敲击回波信号的有效性；

若判定所述目标敲击回波信号有效，则根据所述目标回波信号建立轨道道岔板离缝病害弹性波回波信号样本库。

4.如权利要求1所述的轨道道岔板离缝病害检测方法，其特征在于，所述根据所述模型确定所述样本库中的信号对应的轨道道岔板离缝病害理论结果包括：

根据所述模型获取所述样本库中信号的一维时间序列信号；

根据预存的标准卷积神经网络，将所述一维时间序列信号映射成多维时间序列信号；

根据预存的深度神经网络从所述多维时间序列信号中提取轨道道岔板离缝病害特征；

将所述轨道道岔板离缝病害特征转换成一维离缝病害特征，并从所述一维离缝病害特征中提取特征形成终特征；

将所述终特征转换为所述样本库中的信号对应的轨道道岔板离缝病害理论结果。

5.如权利要求4所述的轨道道岔板离缝病害检测方法，其特征在于，所述根据预存的深度神经网络从所述多维时间序列信号中提取轨道道岔板离缝病害特征包括：

根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度；

根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行离缝病害特征提取。

6.一种轨道道岔板离缝病害检测装置，其特征在于，包括：

样本库建立模块，用于根据轨道道岔板的敲击回波信号建立轨道道岔板离缝病害弹性波回波信号样本库；

识别模型建立模块，用于根据神经网络建立轨道道岔板离缝病害识别模型；

理论结果确定模块，用于根据所述模型确定所述样本库中的信号对应的轨道道岔板离缝病害理论结果；

差值判断模块，用于判断所述理论结果与所述样本库中的信号对应的轨道道岔板离缝病害真实结果的差值是否超过预设阈值；

病害情况确定模块，用于若判定所述差值没有超过预设阈值，则根据当前的轨道道岔板离缝病害识别模型确定待测轨道道岔板的敲击回波信号对应的轨道道岔板离缝病害情况。

7.如权利要求6所述的轨道道岔板离缝病害检测装置，其特征在于，所述理论结果确定模块还用于：

若所述差值判断模块判定所述差值超过预设阈值，则根据预存的梯度下降法、所述轨道道岔板离缝病害真实结果和所述神经网络调整所述轨道道岔板离缝病害识别模型，将调整后的轨道道岔板离缝病害识别模型作为新的轨道道岔板离缝病害识别模型，根据新的轨道道岔板离缝病害识别模型确定所述样本库中的信号对应的轨道道岔板离缝病害理论结果。

8.如权利要求6所述的轨道道岔板离缝病害检测装置，其特征在于，所述样本库建立模块还包括：

敲击回波信号获取模块，用于获取不同敲击力度和不同形状的敲击物敲击轨道道岔板的目标敲击回波信号；

有效性判断模块，用于根据频域分析法判断所述目标敲击回波信号的有效性；

样本库建立子模块，用于若判定所述目标敲击回波信号有效，则根据所述目标回波信号建立轨道道岔板离缝病害弹性波回波信号样本库。

9.一种轨道道岔板离缝病害检测终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。