CN110533115B - 基于变分模态分解的轨道电路传输特性定量评价方法 - Google Patents
基于变分模态分解的轨道电路传输特性定量评价方法 Download PDFInfo
- Publication number
- CN110533115B CN110533115B CN201910832322.5A CN201910832322A CN110533115B CN 110533115 B CN110533115 B CN 110533115B CN 201910832322 A CN201910832322 A CN 201910832322A CN 110533115 B CN110533115 B CN 110533115B
- Authority
- CN
- China
- Prior art keywords
- track circuit
- fluctuation
- attenuation
- characteristic
- decomposition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000005540 biological transmission Effects 0.000 title claims abstract description 33
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 11
- 230000006698 induction Effects 0.000 claims abstract description 42
- 238000007689 inspection Methods 0.000 claims abstract description 10
- 230000003137 locomotive effect Effects 0.000 claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 12
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000003990 capacitor Substances 0.000 description 4
- 230000008054 signal transmission Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013211 curve analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 241001669679 Eleotris Species 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G06Q50/40—
Abstract
本发明公开了一种基于变分模态分解的轨道电路传输特性定量评价方法。本发明采集机车信号或动检车的轨道电路感应信号，利用变分模态分解等处理方法获取轨道电路的传输特征，然后由自适应评分函数打分，完成对该线路每个轨道区段的轨道电路传输特性的直观定量评价。本发明具有较好的适用性，能够满足当前对轨道电路传输特性性能评价的需求。
Description
技术领域
本发明涉及铁路轨道检测与维护技术领域，具体涉及一种基于变分模态分解的轨道电路传输特性定量评价方法。
背景技术
轨道电路是利用两根钢轨作为导体传输移频信号，中间均匀铺设补偿电容，两端加设绝缘节，并通过缆线接上发送设备和接收设备形成的电气回路。它具有反映列车占用情况、传输行车信息及检测钢轨完整性等功能，是列车运行控制系统的关键设备之一。
轨道电路室外部分的运行环境复杂，道床、轨枕材质、补偿电容、温度、湿度等因素均可能影响轨道电路移频信号的传输质量，导致出现红光带和分路不良等影响正常行车的突发故障。由于这些故障的成因复杂，给现场运营部门进行故障分析、故障排查和日常维护带来了巨大压力。大量的现场维护经验表明，造成轨道电路故障的原因，很大比例与轨道电路室外部分的移频信号传输质量直接或间接相关。如能通过技术手段，及时发现轨道电路的信号传输问题，可协助运维部门及时掌握轨道电路的运用状态并制定科学的维护保养决策，对确保行车安全有着至关重要的现实意义。
目前国内外对轨道电路运用状态的检测主要依赖地面集中监测系统和车载检测设备。地面集中监测系统采集每个轨道电路区段的发送端电压和接收端电压，根据预先设定的阈值进行超限报警。基于故障树和现场专家经验，人们也开展了由集中监测系统监测信息进行轨道电路故障的智能诊断研究，但由于缺乏室外轨道电路监测信息，对于发生在轨道区间的某些问题，如补偿电容容值下降、补偿电容断线故障、道床泄露电阻变化等导致的轨道电路信号传输波动和衰减难以检测，从而不能对故障根因进行准确分析。
为了能对轨道区段进行分析，一般采用车载检测设备。一种是用于行车的机车信号设备，另一种是动检车或综合检测车上的轨道电路检测装置。这两种装置均是由安装在机车底部的TCR设备利用感应方式接收沿钢轨传输的轨道电路信号。这种动态检测方式通过列车移动可以采集整条线路的轨道电路感应信号，一定程度上弥补了轨道电路室外监测的缺失。目前现场主要是通过维护工人对感应信号波形进行人工经验分析，辅助判定和诊断轨道区段的补偿电容故障情况。线性拟合方法对动检车采集的轨道电路感应信号进行轨道电路传输特性分析。该方法将轨道电路感应信号曲线与线性拟合直线相减得到的差值波形作为轨道电路的波动特性，然后由人工凭经验判断差值波形的波动情况。上面基于机车信号或动检车进行区间轨道电路检测分析的方法，主要不足有：(1)波动评估的准确性完全依赖于人工专业经验，由于差值波形波动的随机性和无明显规律性，即使是同一个人对不同区段的差值波形进行评估也难以准确评估；(2)一条线路的轨道区段有数百个甚至上千个，数据量相当大，完全依赖人工进行区段的差值波形的波动评估，效率低，工作量特别大，甚至不可行；(3)通过人工经验观察机车信号感应波形或是差值波形的波动特性评估，均属于定性评估，评估结果较笼统，无法对轨道电路区间质量进行直观准确评价，不利于指导维修决策。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于变分模态分解的轨道电路传输特性定量评价方法解决了轨道电路传输特性评价结果不准确的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于变分模态分解的轨道电路传输特性定量评价方法，包括以下步骤：
S1、采集机车或动检车的轨道电路的感应信号，依据载频交替规则将其划分为多个轨道电路区段的移频感应信号{A1,A2,...,Ai,...,AN}，其中Ai为第i个轨道电路区段的移频感应信号；
S2、对第i个轨道电路区段的移频感应信号Ai进行滑动滤波去噪预处理得到去噪后的信号A′i；
S3、采用变分模态滤波分解VMD对去噪后的信号A′i进行自适应分解，得到模态分量{Ui|i＝1,2,...,K}，并通过信息熵和多维标度法确定信号A′i的最优分解层数K；
S4、计算前K-1层模态分量的峭度值{Qj|j＝1,2,...,K-1}，并根据前K-1层模态分量的峭度值计算移频感应信号Ai的波动特征Bi；
S5、选取含有趋势分量的第K层模态分量UK，将模态分量UK运用最小二乘法拟合得到移频感应信号Ai的衰减特征Si；
S6、将波动特征Bi添加到移频感应信号Ai对应的轨道电路区段的历史波动特征集，采用密度聚类DBSCAN算法计算得到移频感应信号Ai对应的轨道电路区段的波动系数PBi；
S7、将衰减特征Si添加到移频感应信号Ai对应的轨道电路区段的历史衰减特征集，采用密度聚类DBSCAN算法计算得到移频感应信号Ai对应的轨道电路区段的衰减系数PSi；
S8、将波动系数PBi和衰减系数PSi进行归一化处理，通过波动系数评分函数和归一化处理后的波动系数PBi计算移频感应信号Ai对应的轨道电路区段的波动评分值QBi，通过衰减系数评分函数和归一化处理后的衰减系数PSi计算移频感应信号Ai对应的轨道电路区段的衰减评分值QSi；
S9、通过波段评分值QBi和衰减评分值QSi对轨道电路传输特性进行定量评价。
进一步地：所述步骤S3中最优分解层数K的计算方法为：
S31、采用变分模态分解VMD对去噪后的信号A′i进行自适应分解，以每层模态估计带宽之和最小作为约束条件，得到自适应分解后的模态分量{Ui|i＝1,2,...,K}；
S32、计算每层模态分量Ui的信息熵Hi；
S33、对信息熵{Hi|i＝1,2,...,K}通过多维标度法确定最优分解层数K。
进一步地：所述步骤S4中波动特征Bi的计算公式为：
上式中，Qj为前K-1层模态分量的峭度值。
进一步地：所述步骤S6中波动系数PBi的计算方法为：
S61、将波动特征Bi添加到移频感应信号Ai对应的轨道电路区段的历史波动特征集，采用密度聚类DBSCAN算法对历史波动特征集进行聚类，得到历史波动特征集的二维聚类中心(xb,yb)；
S62、计算波动特征Bi到二维聚类中心(xb,yb)的距离，并将其作为波动系数PBi。
进一步地：所述步骤S7中衰减系数PSi的计算方法为：
S71、将衰减特征Si添加到移频感应信号Ai对应的轨道电路区段的历史衰减特征集，采用密度聚类DBSCAN算法对历史衰减特征集进行聚类，得到历史衰减特征集的二维聚类中心(xs,ys)；
S72、计算衰减特征Si到二维聚类中心(xs,ys)的距离，并将其作为衰减系数PSi。
进一步地：所述步骤S8中波动系数评分函数和衰减系数评分函数具体为：
上式中，QB(x)为波动系数评分函数，QS(x)为衰减系数评分函数，σB为历史波动特征集的自适应参数，σS为历史衰减特征集的自适应参数，x为自变量。
进一步地：所述历史波动特征集的自适应参数σB的计算方法为：在波动特征集的DBSCAN二维聚类平面上，以聚类中心(xb,yb)为圆心，统计半径为0.8的圆内的波动特征点分布的方差作为历史波动特征集的自适应参数σB。
进一步地：所述历史衰减特征集的自适应参数σS的计算方法为：在衰减特征集的DBSCAN二维聚类平面上，以聚类中心(xs,ys)为圆心，统计半径为0.8的圆内的衰减特征点分布的方差作为历史衰减特征集的自适应参数σS。
本发明的有益效果为：本发明采集机车信号或动检车的轨道电路感应信号，利用变分模态分解等处理方法获取轨道电路的传输特征，然后由自适应评分函数打分，完成对该线路每个轨道区段的轨道电路传输特性的直观定量评价。本发明具有较好的适用性，能够满足当前对轨道电路传输特性性能评价的需求。
与现有技术相比有以下优点：
1)与目前使用的人工经验分析相比，本发明对轨道电路每个区段的传输特性进行自动分析，不需人工介入，降低了人为因素导致的误判，且显著提高了分析效率。
2)现有方法是定性评估，评估结论比较笼统，本发明能够以打分的方式对轨道电路传输特性进行定量评价，评价结论直观反映了轨道电路传输特性的正常、故障或者退化的具体程度。该方法对全线路轨道电路每一区段的传输特性状态给出评分，有助于为运维部门实施维修计划提供指导，也能为上级监管部门进行维修质量考核给出直观依据。
3)本发明采用的变分模态分解VMD是非递归的方法，本质上不同于EMD和LMD等递归方法。该方法克服了模态混叠及频率效应等缺点，具有更好的鲁棒性，适合处理非线性、非平稳的感应电压信号。通过组合信息熵和多维标度法确定VMD分解的最优层数，利用峭度确定出信号波形尖峰度的数据统计量作为波动特征，再使用最小二乘法拟合曲线作为衰减特征，得到的波动特征和衰减特征更好地反映了轨道电路的传输特征。
4)本发明以轨道电路区段为评价单位，对每一区段采用DBSCAN密度聚类确定轨道区段的聚类中心、当前特征到聚类中心的距离作为评价系数、聚类点方差作为评分函数的自适应参数，自适应计算该轨道区段的波动分值和衰减分值。该方法能自动适应不同线路的不同轨道区段的定量评价，克服了采用固定阈值一刀切的评价方法的弊端，更符合铁路现场实际需求。
附图说明
图1为本发明流程图；
图2为本发明中轨道电路感应信号预处理前后的示意图；
图3为本发明中模态分量的信息熵示意图；
图4为本发明中信息熵的多维标度距离示意图；
图5为本发明中轨道电路感应信号VMD的分解结果示意图；
图6为本发明中聚类结果示意图；
图7为本发明中自适应评分函数示意图；
图8为本发明中各轨道区段波动分值和衰减分值的示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于变分模态分解的轨道电路传输特性定量评价方法，包括以下步骤：
S1、采集机车或动检车的轨道电路的感应信号，依据载频交替规则将其划分为多个轨道电路区段的移频感应信号{A1,A2,...,Ai,...,AN}，其中Ai为第i个轨道电路区段的移频感应信号；
S2、对第i个轨道电路区段的移频感应信号Ai进行滑动滤波去噪预处理得到去噪后的信号Ai'，如图2所示，图2(a)为移频感应信号Ai的曲线图，图2(b)为去噪后的信号Ai'的曲线图；
S3、采用变分模态滤波分解VMD(Variational Mode Decomposition)对去噪后的信号Ai'进行自适应分解，得到模态分量{Ui|i＝1,2,...,K}，并通过信息熵和多维标度法确定信号Ai'的最优分解层数K；
最优分解层数K的计算方法为：
S31、采用变分模态分解VMD对去噪后的信号Ai'进行自适应分解，以每层模态估计带宽之和最小作为约束条件，得到自适应分解后的模态分量{Ui|i＝1,2,...,K}；
S32、计算每层模态分量Ui的信息熵Hi；
S33、对信息熵{Hi|i＝1,2,...,K}通过多维标度法确定最优分解层数K的取值为6。
为验证分解层数最优问题，随机抽取6条感应信号样本进行VMD分解，将获取的模态分量计算信息熵如图3所示。通过多维标度法确定不同分解层数下信息熵距离如图4所示，确定分解层数为6时样本点间距离较大，位置较为疏散，表征了原感应信号主要特征，而其他模态分量可视为虚假分量进行丢弃。
模态分量如图5所示。可以看出，轨道电路传输特性曲线在各层细节信号呈现规律性的波动，未出现奇异的波动幅值。每层都包含特征曲线部分信息，其中U1～U5层是去除趋势量的模态分量，而U6层是包含趋势分量的模态分量。可看出VMD适用于区间轨道电路传输特性曲线分析。
S4、计算前K-1层模态分量的峭度值{Qj|j＝1,2,...,K-1}，并根据前K-1层模态分量的峭度值计算移频感应信号Ai的波动特征Bi；波动特征Bi的计算公式为：
上式中，Qj为前K-1层模态分量的峭度值。
S5、选取含有趋势分量的第K层模态分量UK，将模态分量UK运用最小二乘法拟合得到移频感应信号Ai的衰减特征Si；
S6、将波动特征Bi添加到移频感应信号Ai对应的轨道电路区段的历史波动特征集，采用密度聚类DBSCAN(Density-Based Spatial Clustering of Applications withNoiseDensity-Based Spatial Clustering of Applications with Noise)算法计算得到移频感应信号Ai对应的轨道电路区段的波动系数PBi；
波动系数PBi的计算方法为：
S61、将波动特征Bi添加到移频感应信号Ai对应的轨道电路区段的历史波动特征集，采用密度聚类DBSCAN算法对历史波动特征集进行聚类，得到历史波动特征集的二维聚类中心(xb,yb)，如图6所示；
S62、计算波动特征Bi到二维聚类中心(xb,yb)的距离，并将其作为波动系数PBi，如图7所示。
S7、将衰减特征Si添加到移频感应信号Ai对应的轨道电路区段的历史衰减特征集，采用密度聚类DBSCAN算法计算得到移频感应信号Ai对应的轨道电路区段的衰减系数PSi，如图7所示；
衰减系数PSi的计算方法为：
S71、将衰减特征Si添加到移频感应信号Ai对应的轨道电路区段的历史衰减特征集，采用密度聚类DBSCAN算法对历史衰减特征集进行聚类，得到历史衰减特征集的二维聚类中心(xs,ys)，如图6所示；
S72、计算衰减特征Si到二维聚类中心(xs,ys)的距离，并将其作为衰减系数PSi。
S8、将波动系数PBi和衰减系数PSi进行归一化处理，通过波动系数评分函数和归一化处理后的波动系数PBi计算移频感应信号Ai对应的轨道电路区段的波动评分值QBi，如图8所示，通过衰减系数评分函数和归一化处理后的衰减系数PSi计算移频感应信号Ai对应的轨道电路区段的衰减评分值QSi，如图8所示；
动系数评分函数和衰减系数评分函数具体为：
上式中，QB(x)为波动系数评分函数，QS(x)为衰减系数评分函数，σB为历史波动特征集的自适应参数，σS为历史衰减特征集的自适应参数，x为自变量，QB(x)的计算值为波动评分值QBi，QS(x)的计算值为衰减评分值QSi。
历史波动特征集的自适应参数σB的计算方法为：在波动特征集的DBSCAN二维聚类平面上，以聚类中心(xb,yb)为圆心，统计半径为0.8的圆内的波动特征点分布的方差作为历史波动特征集的自适应参数σB。
历史衰减特征集的自适应参数σS的计算方法为：在衰减特征集的DBSCAN二维聚类平面上，以聚类中心(xs,ys)为圆心，统计半径为0.8的圆内的衰减特征点分布的方差作为历史衰减特征集的自适应参数σS。
S9、通过波段评分值QBi和衰减评分值QSi对轨道电路传输特性进行定量评价。
对本发明效果进行验证：
(1)由某条线路动检车采集的轨道电路感应信号，通过滑动滤波对感应信号进行预处理如图2所示。采用VMD对感应信号进行分解，得到若干个模态分量，每个模态分量包含了信号不同的特征信息。
(2)为验证分解层数最优问题，随机抽取6条感应信号样本进行VMD分解，将获取的模态分量计算信息熵如图3所示。通过多维标度法确定不同分解层数下信息熵距离如图4所示，确定分解层数为6时样本点间距离较大，位置较为疏散，表征了原感应信号主要特征，而其他模态分量可视为虚假分量进行丢弃。
(3)使用图2预处理后曲线为例，计算步骤S2获取的主模态分量如图5所示。可以看出，轨道电路传输特性曲线在各层细节信号呈现规律性的波动，未出现奇异的波动幅值。每层都包含特征曲线部分信息，其中U1～U5层是去除趋势量的模态分量，而U6层是包含趋势分量的模态分量。可看出VMD适用于区间轨道电路传输特性曲线分析。
(4)对采集到的某条线路轨道电路的感应信号，依据载频交替规则将其划分为552轨道电路区段。按照步骤S1-步骤S3获取各自的模态分量分别计算衰减特征和波动特征，并添加到相应区段的历史数据集中进行DBSCAN聚类分析，确定聚类中心如图6所示。计算各聚类点到聚类中心距离作为评价系数，映射到自适应评分函数如图7所示，从而得到衰减分值和波动分值如图8所示。
Claims (8)
1.一种基于变分模态分解的轨道电路传输特性定量评价方法，其特征在于，包括以下步骤：
S1、采集机车或动检车的轨道电路的感应信号，依据载频交替规则将其划分为多个轨道电路区段的移频感应信号{A1,A2,...,Ai,...,AN}，其中Ai为第i个轨道电路区段的移频感应信号；
S2、对第i个轨道电路区段的移频感应信号Ai进行滑动滤波去噪预处理得到去噪后的信号A′i；
S3、采用变分模态滤波分解VMD对去噪后的信号A′i进行自适应分解，得到模态分量{Ui|i＝1,2,...,K}，并通过信息熵和多维标度法确定信号A′i的最优分解层数K；
S4、计算前K-1层模态分量的峭度值{Qj|j＝1,2,...,K-1}，并根据前K-1层模态分量的峭度值计算移频感应信号Ai的波动特征Bi；
S5、选取含有趋势分量的第K层模态分量UK，将模态分量UK运用最小二乘法拟合得到移频感应信号Ai的衰减特征Si；
S6、将波动特征Bi添加到移频感应信号Ai对应的轨道电路区段的历史波动特征集，采用密度聚类DBSCAN算法计算得到移频感应信号Ai对应的轨道电路区段的波动系数PBi；
S7、将衰减特征Si添加到移频感应信号Ai对应的轨道电路区段的历史衰减特征集，采用密度聚类DBSCAN算法计算得到移频感应信号Ai对应的轨道电路区段的衰减系数PSi；
S8、将波动系数PBi和衰减系数PSi进行归一化处理，通过波动系数评分函数和归一化处理后的波动系数PBi计算移频感应信号Ai对应的轨道电路区段的波动评分值QBi，通过衰减系数评分函数和归一化处理后的衰减系数PSi计算移频感应信号Ai对应的轨道电路区段的衰减评分值QSi；
S9、通过波段评分值QBi和衰减评分值QSi对轨道电路传输特性进行定量评价。
2.根据权利要求1所述的基于变分模态分解的轨道电路传输特性定量评价方法，其特征在于，所述步骤S3中最优分解层数K的计算方法为：
S31、采用变分模态分解VMD对去噪后的信号A′i进行自适应分解，以每层模态估计带宽之和最小作为约束条件，得到自适应分解后的模态分量{Ui|i＝1,2,...,K}；
S32、计算每层模态分量Ui的信息熵Hi；
S33、对信息熵{Hi|i＝1,2,...,K}通过多维标度法确定最优分解层数K。
3.根据权利要求1所述的基于变分模态分解的轨道电路传输特性定量评价方法，其特征在于，所述步骤S4中波动特征Bi的计算公式为：
上式中，Qj为前K-1层模态分量的峭度值。
4.根据权利要求1所述的基于变分模态分解的轨道电路传输特性定量评价方法，其特征在于，所述步骤S6中波动系数PBi的计算方法为：
S61、将波动特征Bi添加到移频感应信号Ai对应的轨道电路区段的历史波动特征集，采用密度聚类DBSCAN算法对历史波动特征集进行聚类，得到历史波动特征集的二维聚类中心(xb,yb)；
S62、计算波动特征Bi到二维聚类中心(xb,yb)的距离，并将其作为波动系数PBi。
5.根据权利要求1所述的基于变分模态分解的轨道电路传输特性定量评价方法，其特征在于，所述步骤S7中衰减系数PSi的计算方法为：
S71、将衰减特征Si添加到移频感应信号Ai对应的轨道电路区段的历史衰减特征集，采用密度聚类DBSCAN算法对历史衰减特征集进行聚类，得到历史衰减特征集的二维聚类中心(xs,ys)；
S72、计算衰减特征Si到二维聚类中心(xs,ys)的距离，并将其作为衰减系数PSi。
6.根据权利要求5所述的基于变分模态分解的轨道电路传输特性定量评价方法，其特征在于，所述步骤S8中波动系数评分函数和衰减系数评分函数具体为：
上式中，QB(x)为波动系数评分函数，QS(x)为衰减系数评分函数，σB为历史波动特征集的自适应参数，σS为历史衰减特征集的自适应参数，x为自变量。
7.根据权利要求6所述的基于变分模态分解的轨道电路传输特性定量评价方法，其特征在于，所述历史波动特征集的自适应参数σB的计算方法为：在波动特征集的DBSCAN二维聚类平面上，以聚类中心(xb,yb)为圆心，统计半径为0.8的圆内的波动特征点分布的方差作为历史波动特征集的自适应参数σB。
8.根据权利要求6所述的基于变分模态分解的轨道电路传输特性定量评价方法，其特征在于，所述历史衰减特征集的自适应参数σS的计算方法为：在衰减特征集的DBSCAN二维聚类平面上，以聚类中心(xs,ys)为圆心，统计半径为0.8的圆内的衰减特征点分布的方差作为历史衰减特征集的自适应参数σS。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910832322.5A CN110533115B (zh) | 2019-09-04 | 2019-09-04 | 基于变分模态分解的轨道电路传输特性定量评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910832322.5A CN110533115B (zh) | 2019-09-04 | 2019-09-04 | 基于变分模态分解的轨道电路传输特性定量评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110533115A CN110533115A (zh) | 2019-12-03 |
| CN110533115B true CN110533115B (zh) | 2021-09-14 |
Family
ID=68666753
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910832322.5A Active CN110533115B (zh) | 2019-09-04 | 2019-09-04 | 基于变分模态分解的轨道电路传输特性定量评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110533115B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340516A (zh) * | 2020-03-13 | 2020-06-26 | 安图实验仪器(郑州)有限公司 | 基于信息熵与变异系数融合算法的满意度评价系统及方法 |
| CN111667150B (zh) * | 2020-05-15 | 2023-06-20 | 南方电网科学研究院有限责任公司 | 一种电网应急运行管理方法、装置、设备及存储介质 |
| CN112632797A (zh) * | 2021-01-04 | 2021-04-09 | 中车青岛四方车辆研究所有限公司 | 用于监测接触器状态的方法、装置和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011058826A1 (ja) * | 2009-11-11 | 2011-05-19 | 株式会社村田製作所 | 可変容量装置 |
| CN109374997A (zh) * | 2018-09-03 | 2019-02-22 | 三峡大学 | 基于vmd初始化s变换的混合动力系统电能质量扰动检测与评估方法 |
| CN109708875A (zh) * | 2019-01-24 | 2019-05-03 | 北华大学 | 一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11819592B2 (en) * | 2013-10-18 | 2023-11-21 | Carlos D. Garcia | Adsorption of proteins on conducting surfaces upon application of external potential |
-
2019
- 2019-09-04 CN CN201910832322.5A patent/CN110533115B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011058826A1 (ja) * | 2009-11-11 | 2011-05-19 | 株式会社村田製作所 | 可変容量装置 |
| CN109374997A (zh) * | 2018-09-03 | 2019-02-22 | 三峡大学 | 基于vmd初始化s变换的混合动力系统电能质量扰动检测与评估方法 |
| CN109708875A (zh) * | 2019-01-24 | 2019-05-03 | 北华大学 | 一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| A Variety of Engine Faults Detection Based on Optimized Variational Mode Decomposition-Robust Independent Component Analysis and Fuzzy C-Mean Clustering;XIAOYANG BI et al.;《IEEE Access》;20190225;第27756-27768页 * |
| 基于变分模态分解和排列熵的输电线路故障诊断;姜媛媛等;《电子测量与仪器学报》;20170830;第1025-1030页 * |
| 基于变分模态分解和能量谱的轨道电路分路不良故障监测;苏丽娜等;《铁道标准设计》;20190410;第155-160页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110533115A (zh) | 2019-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110533115B (zh) | 基于变分模态分解的轨道电路传输特性定量评价方法 | |
| CN111896625B (zh) | 钢轨伤损实时监测方法及其监测系统 | |
| CN107451004A (zh) | 一种基于定性趋势分析的道岔故障诊断方法 | |
| CN113344134B (zh) | 一种低压配电监控终端数据采集异常检测方法及系统 | |
| CN108445868B (zh) | 一种基于现代信号处理技术的汽车智能故障诊断系统及方法 | |
| CN109766927A (zh) | 基于混合深度学习的高铁道岔智能故障检测方法 | |
| CN111170103B (zh) | 设备故障识别方法 | |
| CN110533007B (zh) | 一种桥梁车载应变影响线特征智能识别与提取方法 | |
| CN115409131A (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
| CN104949840A (zh) | 一种基于振动分析的柴油机故障诊断方法 | |
| CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
| CN103646013B (zh) | 一种基于协方差矩阵范数逼近的多重故障重构方法 | |
| CN112668527A (zh) | 一种超声导波半监督成像检测方法 | |
| CN105572492A (zh) | 一种城轨列车辅助逆变器故障诊断装置 | |
| CN104457643A (zh) | 一种轨道几何检测数据的脉冲噪声滤波方法及装置 | |
| CN108844612A (zh) | 一种基于数理统计概率模型的变压器内部故障识别方法 | |
| CN116593829B (zh) | 基于数据分析的输电线路隐患在线监测系统 | |
| CN114184870A (zh) | 非侵入式负荷识别方法及设备 | |
| US11331024B2 (en) | Calibration method for critical point of mental fatigue based on self-organized criticality | |
| CN111971581A (zh) | 用于验证由雨量传感器提供的数据的设备、方法和计算机程序产品 | |
| CN107782548A (zh) | 一种基于对轨道交通工具零部件检测系统 | |
| CN112215307A (zh) | 一种应用机器学习自动检测地震仪器信号异常的方法 | |
| CN104457644A (zh) | 轨道几何检测数据中非脉冲异常数据的检测方法及装置 | |
| CN113483931B (zh) | 弓网接触力区段异常识别方法及装置 | |
| CN114044431B (zh) | 乘客输送装置的梯级滚轮异常监测方法、装置及乘客输送装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |