CN109357747B - 一种基于光纤振动信号的在线列车识别及速度估计方法 - Google Patents

Abstract

本发明公开了一种基于光纤振动信号的在线列车识别及速度估计方法，属于数据驱动型故障诊断领域。该方法包括如下步骤：（1）将每个采样点采集到光纤振动信号经过平滑滤波后通过短时傅里叶变换，获得用于数据分类的特征值能量熵；（2）通过无监督学习算法离线计算得到阈值后，在线将每个采样点的特征值进行分类，判断是否存在疑似列车的信号；（3）通过对列车特征进行建模，在疑似列车的信号里寻找满足列车特征模型的信号；（4）通过对列车信号进行改进的全局分段多项式拟合，获得列车的实时位置和速度。本发明基于光纤振动信号，解决了在干扰条件下无标签数据的故障诊断和跟踪问题。

Description

一种基于光纤振动信号的在线列车识别及速度估计方法

技术领域

本发明涉及一种基于光纤振动信号的在线列车识别及速度估计方法，属于数据驱动型故障诊断领域。

背景技术

近年来，随着我国高铁事业的飞速发展，高铁里程不断增加，铁路沿线的安全防护已经成为亟需解决的关键问题。非法破坏或穿越铁路护栏、在轨道上放置异物等危险或恶意行为，都会给铁路运营埋下严重的安全隐患，对社会公共财产造成巨大损失。

现阶段，为了实现入侵检测，普遍采用的方法有光波对射探测、脉冲电子围栏探测、振动电缆探测、振动光纤探测、视频智能分析技术等。其中，光波对射维护成本较高，容易被障碍物干扰；脉冲电子围栏安装维护成本较高，会产生无线干扰；振动电缆易受电磁干扰，不耐腐蚀；视频智能分析技术成本较高且容易受天气影响；相比之下，振动光纤探测安装和维护成本较低，且不受电磁干扰，抗腐蚀，具有较多的优良性能。但是它容易受到列车振动的影响，因此，在振动光纤探测的应用中，识别并隔离列车信号成为了首要问题。

列车信号相对于安静路况而言可以认定为异常事件，也就是“故障”；因此，对列车信号的识别及速度估计可以运用故障诊断领域的方法来解决。由于列车振动的强度及扩散过程缺少准确的数学模型，目前普遍采用数据驱动型故障诊断方法，通过对历史数据的分析，建立故障诊断算法，实现列车信号的识别及速度估计。而数据驱动型算法在利用大量的数据对未知模型故障进行学习时，需要准确地对原始数据进行标定，这在数据量较大时会产生大量的人力资源需求，无监督学习类算法可以有效地解决这类问题，但是现有技术中相关描述较少。

由于测量和自然环境的影响，采集的数据中普遍存在干扰问题，所以针对各类干扰情况下的故障诊断问题在近年来获得了较大的关注。对于存在干扰情况的故障诊断，其干扰势必会导致原故障识别问题转变为非线性分类问题，同时在干扰较大的情况下还会导致信号被淹没等问题，进而降低算法的准确性。因此，为了确保识别算法良好的检测性能，解决干扰问题十分关键。

发明内容

为了解决光纤振动信号在干扰及无监督信号条件下的在线列车识别及速度估计，本发明提出了一种基于光纤振动信号的在线列车识别及速度估计方法。

本发明为解决其技术问题采用如下技术方案：

一种基于光纤振动信号的在线列车识别及速度估计方法，包括如下步骤：

(1)将每个采样点采集到光纤振动信号经过平滑滤波后通过短时傅里叶变换，获得用于数据分类的特征值能量熵；

(2)通过无监督学习算法离线计算得到阈值后，在线将每个采样点的特征值进行分类，判断是否存在疑似列车的信号；

(3)通过对列车特征进行建模，在疑似列车的信号里寻找满足列车特征模型的信号；

(4)通过对列车信号进行改进的全局分段多项式拟合，获得列车的实时位置和速度。

步骤(1)中所述时频变换包括滤波、短时傅里叶变换及改进的能量熵计算。

所述滤波过程如下：

输入：原始光纤信号a_i,j,其中i为采样点序号，j为采样时间

过程：Step 1：设置权重系数σ₁，在实际测试中为0.5

Step 2：a′_i,j＝σ₁a_i,j-1+(1-σ₁)a_i,j，其中j＞1

输出：抑制噪声影响的时域信号矩阵a′_i,j

所述短时傅里叶变换由各个采样点滤波后的光纤振动信号获得其相应的时频特征，其过程如下：

Step 1：设置窗函数g₁(t)，窗函数长度L₁，重合率σ₂，信号长度n₁和采样率f₁，实地测试中，窗函数为矩形窗，L₁＝128，σ₂＝28％，n₁＝100，f₁＝100HZ

Step 2：其中spectrogram为短时傅里叶变换函数，g₁(L₁)为长度为L₁的窗函数，

Step 3：计算能量熵

其中：k₁,k₂为截频区间，实地测试中为：

输出：能量熵

所述的步骤(3)中，所述列车特征进行建模依据为长度大于200米的刚体，行驶方向恒定不变，速度大于0。

所述的步骤(3)中，所述列车特征模型如下：

其中，L为列车长度，单位为米，V为列车速度；

相应地，转换为离散情况下，为

其中，为j₁时刻检测到列车的采样点最小值，dr为采样点间隔，为j₁时刻列车的振动带长度，σ₃为误报系数，实地测试中为0.5。

对于任意j₁时刻，有：

其中：为j₁+nT时刻检测到列车振动信号的采样点最小值，为j₁+nT时刻的振动带长度，为估计的列车速度，T为每个样本时间间隔，由短时傅里叶变换的重合率和窗函数长度决定,对于任意的正整数n都有下式成立：

本发明的有益效果如下：

(1).根据列车信号及干扰的特点，通过滤波和截频处理后得到可以用于识别列车信号的特征。

(2).对每个采样点单独进行聚类分析，有效解决了光纤信号强度随距离衰减的问题。

(3).改进的K-Means聚类算法通过引入不稳定参数，使聚类结果的簇间距离最大化，有效解决了无标签数据故障难以识别的问题和离群小样本无法识别的问题。

(4).将改进的聚类算法和列车特征模型相结合，有效解决了在处理非线性分类问题时漏报率较低会导致误报率较高的问题和特征信号被淹没的问题。

(5).将改进的全局分段多项式拟合用于确定列车轨迹，解决了无参考位置难以准确跟踪目标的问题；其中，增加原函数、一阶导数及二阶导数连续的约束条件有效解决了拟合曲线不光滑、误差较大的问题。

(6).本方法通过软件算法完成，数据来源为光纤振动信号，保证了算法的灵活性和低成本优势。

(7).本方法能够直接用于高速列车信号的在线识别和列车速度估计。

附图说明

图1为本发明的基于光纤振动信号的在线列车识别及速度估计算法流程图。

图2为一组实测数据的时域三维图。

图3为一组实测数据的在线分类效果图。

图4为一组实测数据的模型匹配后效果图。

图5为一组实测数据的位置曲线。

图6为一组实测数据的速度曲线。

图7为一组实测数据的速度误差曲线。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示，本发明基于光纤振动信号的在线列车识别及速度估计算法包括时频变换、在线分类、模型匹配及在线拟合四个步骤，具体如下：

步骤一：对时域信号进行滤波

输入：原始光纤信号a_i,j,其中i为采样点序号，j为采样时间，原始光纤信号如图2所示

过程：

Step 1：设置权重系数σ₁(在实际测试中为0.5)

Step 2：a′_i,j＝σ₁a_i,j-1+(1-σ₁)a_i,j，其中j＞1，a_i,j-1为采样点i在采样时刻j采集到的振动信号

输出：抑制噪声影响的时域信号矩阵a′_i,j

步骤二：短时傅里叶变换

输入：抑制噪声影响的时域信号矩阵a′_i,j

过程：

Step 1：设置窗函数g₁(t)，窗函数长度L₁，重合率σ₂，信号长度n₁和采样率f₁，实地测试中，窗函数为矩形窗，L₁＝128，σ₂＝28％，n₁＝100，f₁＝100HZ

Step 2：其中spectrogram为短时傅里叶变换函数，g₁(L₁)为长度为L₁的窗函数，

Step 3：计算能量熵

其中：k₁,k₂为截频区间，实地测试中为：

输出：能量熵

步骤三：K-means聚类

输入：能量熵

过程：

Step 1:设置最大迭代次数n_max，实地测试中为2000次；

Step 2:从能量熵中选出2i个样本作为初始均值向量

实验中取各行降序排列的上四分位数和下四分位数。

执行循环for i＝1,2,......11262

Step 3：计算样本与两个均值向量的距离，采用欧式距离计算。

Step 4：根据距离最近的均值向量确定每个样本点的簇标记。

Step 5:将各个样本划入相应的簇

Step 6：更新均值向量。

若均值向量未更新

Step 7:

Step 8:σ₂＝σ₂ ²

其中，σ₂为不稳定因子，实地测试中初值为1.05。

迭代次数达到n_max后

Step 9:第n_max次迭代的均值向量为则阈值

结束循环

数据在线分类结果如图3所示。

步骤四：根据阈值对信号进行分类，若信号能量熵大于阈值，则标记为疑似列车信号。

即：其中，为第i个采样点第j₁时刻的信号标记，1为疑似列车，0为没有列车，ε_i为聚类算法得到的第i个采样点的阈值。

步骤五：模型匹配

依据先验知识，对列车进行了特征建模如下：

其中，L为列车长度，单位为米，V为列车速度。

相应地，转换为离散情况下，为

其中，为j₁时刻检测到列车的采样点最小值，dr为采样点间隔，为j₁时刻列车的振动带长度，σ₃为误报系数，实地测试中为0.5。

对于任意j₁时刻，有：

其中：为j₁+nT时刻检测到列车振动信号的采样点最小值，为j₁+nT时刻的振动带长度，为估计的列车速度，为j₁时刻的振动带长度，T为每个样本时间间隔，由短时傅里叶变换的重合率和窗函数长度决定,对于任意的正整数n都有下式成立：

模型匹配效果如图4所示。

步骤六：全局分段多项式拟合

上一个步骤中只获得了每个时间段列车的振动带范围，没有一个确切的位置，但是列车的轨迹是较为光滑的，在离线数据中发现多项式的图像与列车振动带图像较为相似，可以用来拟合。

全局分段多项式拟合求解过程推导如下：

对于任意一个时间检测间隔T(实验中为1s),所有时间检测点有t_i+T＝t_i+1。

为了获取列车在一段时间Δt(实验中为5s)内的最可能的轨迹，采用多段多项式在线拟合的方法来拟合列车轨迹。对于任意一个拟合区间Δt_i有(t_i,t_i+1,...t_i+n-1)∈Δt_i,显而易见，对于Δt_i+1,它和Δt_i重合的部分为(t_i+1,...t_i+n-1)。但是在实际项目中，并不需要重合的部分轨迹的相等，只需要在分段点处的轨迹,速度和加速度都连续就可以了。

则两端连续区间需要确定的拟合函数f(t)形式为：

其中，为对于采样时间i的第j个多项式的系数，i为采样时间，m_i为基函数个数，为基函数，以四阶多项式为例，

令

则总体拟合误差最小的最小二乘模型为：

其中则拉格朗日函数为：

其中：λ₁为待求解常数，λ₂为待求解常数，λ₃为待求解常数，

对于全局连续的情况：

令

则全局总体拟合误差最小的最小二乘模型为：

相应地，拉格朗日函数为：

L(α,λ₁,λ₂,λ₃)＝||Xα-y||²+2λ₁Z₁α+2λ₂Z₂α+2λ₃Z₃α

根据函数取得极值的必要条件，有：

令

则：

令

则：

令

则：

令

求得λ₃后，将其带回公式(11)中，可求得λ₂；再带回公式(10)中，可求得λ₁，最后带回(9)中，求得待定的系数α。

下面对本发明进行验证：

采集高铁金温线沿线23公里的光纤振动数据，验证算法对列车信号的在线识别及速度估计性能，曲线见图5-7。

由以上步骤和附图可知，本发明可以有效地实现基于光纤信号的在线列车识别及速度估计，保证良好的估计效果，对实时列车定位具有重要意义。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离不发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于光纤振动信号的在线列车识别及速度估计方法，其特征在于：包括如下步骤：

(1)将每个采样点采集到光纤振动信号经过平滑滤波后通过短时傅里叶变换，获得用于数据分类的特征值能量熵；

(2)通过无监督学习算法离线计算得到阈值后，在线将每个采样点的特征值进行分类，判断是否存在疑似列车的信号；

(3)通过对列车特征进行建模，在疑似列车的信号里寻找满足列车特征模型的信号；

(4)通过对列车信号进行改进的全局分段多项式拟合，获得列车的实时位置和速度。

2.根据权利要求书1所述的一种基于光纤振动信号的在线列车识别及速度估计方法，其特征在于：

所述滤波过程如下：

输入：原始光纤信号a_i,j,其中i为采样点序号，j为采样时间

过程：Step1：设置权重系数σ₁，在实际测试中为0.5

Step2：a_i,j′＝σ₁a_i,j-1+(1-σ₁)a_i,j，其中j＞1

输出：抑制噪声影响的时域信号矩阵a_i,j′

所述短时傅里叶变换由各个采样点滤波后的光纤振动信号获得其相应的时频特征，其过程如下：

Step1：设置窗函数g₁(t)，窗函数长度L₁，重合率σ₂，信号长度n₁和采样率f₁，实地测试中，窗函数为矩形窗，L₁＝128，σ₂＝28％，n₁＝100，f₁＝100Hz

Step2：其中spectrogram为短时傅里叶变换函数，g₁(L₁)为长度为L₁的窗函数，

Step3：计算能量熵

其中：k₁,k₂为截频区间，实地测试中为：

输出：能量熵

3.根据权利要求书1所述的一种基于光纤振动信号的在线列车识别及速度估计方法，其特征在于：所述的步骤(3)中，所述列车特征进行建模依据为长度大于200米的刚体，行驶方向恒定不变，速度大于0。

4.根据权利要求书1所述的一种基于光纤振动信号的在线列车识别及速度估计方法，其特征在于：所述的步骤(3)中，所述列车特征模型如下：

其中，L为列车长度，单位为米，V为列车速度；

相应地，转换为离散情况下，为

其中，为j₁时刻检测到列车的采样点最小值，dr为采样点间隔，为j₁时刻列车的振动带长度，σ₃为误报系数，实地测试中为0.5；

对于任意j₁时刻，有：

其中：为j₁+nT时刻检测到列车振动信号的采样点最小值，为j₁+nT时刻的振动带长度，为估计的列车速度，T为每个样本时间间隔，由短时傅里叶变换的重合率和窗函数长度决定,对于任意的正整数n都有下式成立：