CN110751108A

CN110751108A - 一种地铁分布式振动信号相似度确定方法

Info

Publication number: CN110751108A
Application number: CN201911012464.3A
Authority: CN
Inventors: 李盛; 左想; 刘芳; 甘维兵; 杨燕; 岳丽娜; 王洪海; 王立新
Original assignee: Wuhan University of Technology WUT
Current assignee: Wuhan University of Technology WUT
Priority date: 2019-10-23
Filing date: 2019-10-23
Publication date: 2020-02-04
Anticipated expiration: 2039-10-23
Also published as: CN110751108B

Abstract

本发明公开了一种地铁分布式振动信号相似度确定方法，包括以下步骤：1)通过光纤传感器采集地铁隧道沿线路道床、洞壁在内的结构部位振动响应，获取原始监测振动数据集；2)对原始监测振动数据集进行信号预处理，提取地铁来车激发的分布式振动信号数据集；3)对分布式振动信号数据集归一化处理后，将其分为训练样本子集和测试样本子集；4)构建SDAE网络模型；使用训练样本和测试样本训练SDAE模型；5)选择两组振动信号，将该信号分别输入SDAE模型，然后抽取SDAE模型最后一层中间层的特征表示形成两组特征矩阵；6)计算两组信号的相似度。本发明方法通过抽取信号中蕴含的局部位置特征，通过特征矩阵之间的空间距离来表示振动信号相似度，简单可靠。

Description

一种地铁分布式振动信号相似度确定方法

技术领域

本发明涉及信号相似度计算，尤其涉及一种地铁分布式振动信号相似度确定方法。

背景技术

近年来地铁轨道交通技术在中国高速发展，随着城市地铁线路里程、客流量的不断攀升，确保地铁运营安全，尤其是对于地铁隧道的安全关注需求变得日益迫切。阵列光栅与传统其它方法相比具有大容量、分布式、长距离、精度高和耐久性长等特点，特别适合用于地铁隧道关注安全指标的时空连续监测。采用阵列光栅传感系统进行地铁隧道结构监测易于全面、实时地获取结构状态响应信息，可为大数据和智能云分析技术提供丰富可靠的长期监测数据，有利于通过开展基于监测数据的深度学习来抽取监测对象的蕴含特征，并提升保障轨道交通运营安全的智能化管理水平。

振动特征分析是反映及诊断结构工作状态的重要依据，基于阵列光栅分布式振动监测技术，可以实现地铁隧道沿线路道床、洞壁等结构部位振动响应的连续采集。持续观测并比较沿线结构在列车通过时的振动响应，有助于了抽取隧道沿程地质环境及结构设计参数所存在的特征差异。长期观测积累隧道沿线结构的分布式振动响应，对各测区地铁来车时激发的分布式振动响应特征开展相似性比较，可用于评价对应监测部位可能发生的地质变化或结构材料退化等现象。因此，对地铁隧道各个监测区域的分布式振动信号进行相似度计算是有其重要意义的。根据设计及运营规定，列车荷载一般具有规律性和重复性，行驶速度和列车载荷的波动范围在正常情况下可认为是稳定的。因此，同一监测区探测到的多组地铁来车激发振动响应理论上应具有相似一致性。若同一测区在地铁来车激发下得到的振动信号相似性偏差持续波动且超过预设的基准，则可以初步推断该测区在某一时间后存在结构隐患。

为了量化分布式振动监测结果所蕴含的隧道结构安全特征，对每个测区的地铁来车激发的振动信号计算其相似度是一种量化抽取信号特征的方式。无监督深度学习可以对学习样本进行自适应聚类和降维。其中，堆叠降噪自编码器(Stacked DenoisingAutoencoder，SDAE)作为无监督学习中的一种网络模型，由多个降噪自编码器(DenoisingAutoencoder，DAE)组成，可以自适应地学习输入数据的特征，具有很好的鲁棒性和泛化能力，适合用于开展振动信号特征的提取。

发明内容

本发明要解决的技术问题在于针对现有技术中的难以实施分布式振动监测并缺少基于分布式振动监测结果开展不同监测部位信号响应间相似度计算的现状，提供一种地铁分布式振动信号相似度确定方法。

本发明解决的技术问题所采用的技术方案是：一种地铁分布式振动信号相似度确定方法，包括以下步骤：

1)通过阵列光栅传感光缆采集地铁隧道沿线路道床、洞壁等结构部位的振动响应，获取原始监测振动数据集；

2)对原始监测振动数据集进行信号预处理，提取地铁来车激发的分布式振动信号数据集；所述信号预处理包括滤波、去噪和等长处理，等长处理后每组信号长度均为l；

3)对分布式振动信号数据集做归一化处理后，将其分为训练样本子集和测试样本子集，训练样本子集中的信号作为训练样本，测试样本子集中的信号作为训练模型的检测样本；

4)使用训练样本和测试样本依次训练和检验SDAE模型性能；

5)选择两组不同监测部位或同一监测部位在地铁列车两个不同通过时段的振动信号，将两组信号分别输入SDAE模型，然后抽取SDAE模型堆叠的最后一层自编码网络的中间层特征表示形成两组维度均为1×n的特征矩阵L₁和L₂，表示如下：

第一组特征矩阵：L₁＝[x₁,x₂,...,x_n]

第二组特征矩阵：L₂＝[y₁,y₂,...,y_n]

其中，n为最后一层中间层的节点个数；

6)计算两组信号的相似度：计算L₁与L₂之间的加权欧式距离作为两组信号的相似度。

按上述方案，所述步骤4)中使用训练样本和测试样本训练SDAE模型，具体如下：

4.1)初始化SDAE网络参数，设置其层数为N，其中，输入层编号为1；中间层编号依次为2，3，...，N-1；输出层编号为N；

每个中间层为一个DAE模型；

4.2)将训练样本输入到第一个DAE模型中进行预训练，预训练具体步骤如下：

4.21)将训练样本构成的输入矩阵随机分割为num个列向量维度相同的子矩阵，i＝1，2，3，...，batch_size，其中batch_size为子矩阵的个数；

4.22)由DAE模型的降噪特性对每个batch引入噪声，即以一定的概率随机将输入数据置为0；

4.23)DAE模型由输入层、隐藏层和输出层组成，设置输入层、输出层节点个数为l，隐藏层节点个数为t，初始化每层连接的权值为0到1之间的随机数矩阵，每层的偏置值为默认值b，每层连接的激活函数为Sigmoid函数；

4.24)设置模型学习率为c，训练最大次数epoch为s；

4.25)定义模型的损失函数为输入样本数据和输出样本数据的均方误差；

4.26)通过调整c、s、b、t以及batch_size的大小使得损失函数收敛并且结果最小化，完成DAE模型的训练；

4.3)预训练完第一个DAE模型后，提取第一个DAE模型中隐藏层的特征表示构成特征矩阵Y，并将Y作为第二个DAE网络的输入样本数据，训练第二个DAE网络模型；直至完成全部N-2个DAE网络模型的训练；

4.4)依次将每个DAE模型的隐藏层作为SDAE网络的第2，3，...，N-1层，最后将最后一个DAE网络的输出层作为SDAE模型的第N层输出层，将其堆叠得到SDAE模型；

4.5)SDAE模型训练完成后，使用测试样本验证模型训练效果及泛化能力，统计测试样本的输入数据和输出数据之间的均方误差计算结果，以统计结果作为模型训练评价指标，若统计结果中，超过60％数据的均方误差计算结果超过预定的阈值，则需要调整SDAE模型的层数或学习率参数重新进行训练；若统计结果中，超过90％数据计算结果未超过阈值，说明模型性能较好，完成SDAE模型的搭建。

按上述方案，所述步骤4.4)还包括SDAE模型的微调训练，具体如下：完成SDAE模型的无监督预训练后，将无监督学习到的模型参数作为有监督学习参数初始化，对SDAE网络整体采用反向传播算法进行微调，并使用梯度下降法对权值进行更新，通过微调使得其损失函数最小化完成SDAE模型的微调训练。

本发明产生的有益效果是：针对阵列光栅传感系统对地铁隧道结构安全监测形成的海量数据，利用堆叠降噪自编码器的自适应优势，能够有效抽取信号中蕴含的局部位置特征，为特征表示矩阵之间的空间距离度量提供了便利，从而提供一种基于振动信号相似度的计算方法来评价隧道沿线结构状态的改变。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的方法流程图；

图2是本发明实施例的地铁分布式振动信号波形示意图；

图3是本发明实施例的堆叠降噪自编码器的整体结构示意图；

图4是是本发明实施例的降噪自编码器示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，一种分布式地铁振动信号相似度确定方法，图1是本发明总体流程图。相似度计算的对象是基于阵列光栅传感采集获得的地铁隧道分布式结构振动信号。具体步骤如下：

1)通过阵列光栅传感光缆采集地铁隧道分布式结构振动信号的原始数据，经过光纤解调器和计算机处理获取初步处理过的数据集并滤除其中的低频分量以过滤噪声。

2)对数据集做等长处理，截取数据集中每组信号长度均为l，并保证每组信号中均包含一次完整的地铁来车激发的振动响应。若信号长度不足l，在信号首尾处补0对齐；若信号长度超过l，在保证地铁来车激发的振动响应部分完整的前提下，截去信号首尾部分使其长度为l。

经过上述处理后一组地铁来车时激发的分布式振动信号典型波形如图2所示。

3)训练SDAE模型；

在模型训练前，需要对数据进行进一步的归一化处理，如公式(1)所示。

式中：

表示进行归一化处理后的第i个输入样本数据，表示来车激励引起的某一测区激发的振动响应信号归一化结果，x_(i)表示输入样本中第i个输入数据，表示来车激励引起的某一测区激发的振动响应原始信号，x_min表示输入样本数据中的最小值，x_max表示输入样本数据中的最大值；

选取经过上述预处理后的n个测区共m组地铁来车激发的振动信号构成的数据集作为样本集U，其维度为m×l，其中l为信号长度。将U中数据按比例k分为训练样本子集和测试样本子集，其中训练样本子集作为训练数据集D，测试样本子集作为测试数据集T。

本发明利用深度学习中无监督学习模型自适应学习分布式振动信号的特征，采用了SDAE网络模型来进行信号的特征提取，SDAE模型结构示意图如图3所示。

对SDAE模型进行训练的具体步骤如下：

(1)设置SDAE网络的层数为N层.其中输入层编号为1；中间层编号依次为2,3,...,N-1；输出层编号为N；

(2)将训练集数据作为第一个DAE网络的输入，训练第一个DAE网络DAE1，单个DAE结构如图4所示。DAE网络为三层结构，即输入层、隐藏层和输出层。其中编码器是将输入数据从输入层传播到隐藏层，隐藏层是学习到输入数据的特征表示。解码器是将隐藏层的特征表示尽量还原为输入数据，即隐藏层到输出层是重构原始输入层的过程。DAE网络训练过程如下：

2.1)将输入层训练数据集矩阵D随机分割为num个列向量维度相同的子矩阵batch_(i)，i＝1,2,3,...,batch_size，其中batch_size为子矩阵的个数。

2.2)为了使模型具有更好的鲁棒性，往输入数据中引入噪声，即以一定概率将输入数据随机重置为0。具体地，在每个batch中，batch＝batch×(rand(batch_size，d)>k)，其中rand(batch_size,d)表示随机生成矩阵，k表示设定的阈值，如果随机生成矩阵中的值小于阈值k，那么将batch中对应的元素重置为0，定义加入噪声后的batch数据集为batch_(i)，i＝1,2,3，...,batch_size。

2.3)初始化DAE网络的参数，具体地，设置输入层到隐藏层、隐藏层到输出层的权重值均为0到1之间的随机数矩阵，设置网络偏置初始值均为b。

2.4)设置学习率learning_rate为c，设置最大训练次数epoch为s次；

2.5)设置输入层到隐藏层连接方式为

i＝1,2,3,...,batch_size。其中Sigmoid为激活函数，表达式如公式(2)所示；w₁为输入层到隐藏层的权值矩阵，b₁为隐藏层的偏置值；

2.6)设置隐藏层到输出层连接方式为，i＝1,2,3,...,batch_size。

其中Sigmoid为激活函数；w₂为隐藏层到输出层的权值矩阵，b₂为输出层的偏置值；

2.7)z_(i)＝Sigmoid(w₂·y_(i)+b₂)DAE网络模型的训练目标是通过寻找一组最优的网络参数使得网络的输出数据误差与输入数据误差尽可能的小，即实现损失函数L(w₁,w₂,b₁,b₂)最小化，其损失函数表达式如公式(3)所示。

式中：等式右边第一项表示网络输入数据与输出数据的误差总和；第二项为正则化约束项，用于防止训练过拟合；

和z_(i)分别是第i个样本的输入向量与重构向量；

表示

和z_(i)之间的均方差，其表达式如公式(4)所示。

2.8)调整学习率c、偏置初始值b以及batch_size大小训练DAE模型，使得其损失函数收敛并且误差达到最小值后完成预训练。

(3)预训练完DAE₁模型后，提取DAE₁模型中隐藏层的特征表示构成特征矩阵Y，并将Y作为第二个DAE网络DAE₂的输入样本数据，训练DAE₂模型。

(4)重复步骤(3)，预训练N-2个DAE模型。然后将DAE₁的输入层作为SDAE模型的输入层，依次将DAE₁，DAE₂，...，DAE_N-2的隐藏层作为SDAE模型的2,3,...,N-1层，最后将DAE_N-2的输出层作为SDAE模型的输出层。以此堆叠组成SDAE模型。

(5)完成SDAE模型的无监督预训练后，将无监督学习到的模型参数作为有监督学习参数初始化，对SDAE网络整体进行微调。具体地，在SDAE网络去掉输出层后在最后一层增加一个Softmax分类器，该分类器表达式如公式(5)所示。

其中，

表示第N层第j个神经元的输入，

表示第N层第j个神经元的输出，e表示自然常数，表示第N层所有神经元的输入之和。

采用反向传播算法对网络微调，并使用梯度下降法对权值进行更新，具体步骤如下：

5.1)将训练数据集D输入到SDAE网络进行训练，输出得到最终的特征编码；

5.2)将特征编码输入到Softmax分类器进行分类；

5.3)定义SDAE微调的损失函数表达式如公式(6)所示。

式中：M{·}是一个指示性函数，当大括号中值为真时，该函数结果为1，否则结果为0。其中l为信号的长度，t为SDAE最后一层中间层的节点数，θ_r为模型权值和偏置参数。

5.4)当损失函数收敛且达到最小值后，SDAE网络微调训练完成。

(6)SDAE模型训练完成后，使用测试数据集验证模型训练效果及泛化能力，统计测试数据集的输入数据和输出数据之间的均方误差计算结果，以统计结果作为模型训练评价指标。若统计结果表明大部分数据的均方误差计算结果超过预定的阈值，则需要调整SDAE模型的层数、学习率等参数重新进行训练；若统计结果中大部分数据计算结果未超过阈值，说明模型性能较好，完成SDAE模型的搭建。

(7)在测试数据集T中任意选取两组信号作为训练完成的SDAE模型的输入，抽取SDAE模型堆叠的最后一层的中间层的特征表示形成两组维度均为1×t的特征矩阵L₁和L₂，其中t为最后一层中间层的节点个数。两组样本数据的特征矩阵分别为λ₁＝[λ₁₁,λ₁₂,...,λ_1t]，λ₂＝[λ₂₁,λ₂₂,...,λ_2n]。

(8)相似度计算：对L₁和L₂分别进行标准化，标准化表达式如公式(7)所示。

式中：X^(*)表示对原始矩阵标准化后的矩阵，X表示标准化前的矩阵，mean表示X的均值，std表示X的标准差。

对标准化后的L₁和L₂计算其加权欧式距离的值，计算表达式如公式(8)所示。

式中：d₁₂表示L₁和L₂加权欧式距离的结果，std_i表示第i个维度的标准差。

加权欧式距离结果即为相似度量化结果。

比较加权欧式距离大小，可认为在选取的数据集中，地铁经过所关注测区的行驶速度和列车载荷均相对稳定，在地铁轨道结构短期未发生变化和其它外界因素无影响的前提下，若选取的两组振动响应信号为同一监测部位，则应具有较高相似度，相应计算所得的特征表示的加权欧式距离值应较小，若选取的两组振动信号来自不同监测部位，由于结构设计状态及所处地质环境的差异，其信号相似度应较低，即计算所得的加权欧式距离值应较大。

基于振动信号相似度的评价隧道沿线结构状态的变化。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims

1.一种地铁分布式振动信号相似度确定方法，其特征在于以下步骤：

3)对分布式振动信号数据集做归一化处理后，将其分为训练样本子集和测试样本子集，训练样本子集中的信号作为训练样本，测试样本子集中的信号作为测试样本；

4)构建SDAE网络模型；使用训练样本和测试样本依次训练和测试SDAE模型；获取符合预期信号特征的参数；

5)选择两组不同监测部位或同一监测部位在地铁列车两个不同通过时段的振动信号，将该信号分别输入步骤4)中已经训练好的SDAE模型，然后抽取SDAE模型堆叠的最后一层自编码网络的中间层的特征表示形成两组维度均为1×n的特征矩阵L₁和L₂，表示如下：

第一组特征矩阵：L₁＝[x₁,x₂,...,x_n]

第二组特征矩阵：L₂＝[y₁,y₂,...,y_n]

其中，n为最后一层中间层的节点个数；

2.根据权利要求1所述的地铁分布式振动信号相似度确定方法，其特征在于，所述步骤4)中构建SDAE网络模型，使用训练样本和测试样本依次训练和检验SDAE模型性能，具体如下：

每个中间层为一个DAE模型；

4.24)设置模型学习率为c，训练最大次数epoch为s；

3.根据权利要求1所述的地铁分布式振动信号相似度确定方法，其特征在于，所述步骤4.4)还包括SDAE模型的微调训练，具体如下：完成SDAE模型的无监督预训练后，将无监督学习到的模型参数作为有监督学习参数初始化，对SDAE网络整体采用反向传播算法进行微调，并使用梯度下降法对权值进行更新，通过微调使得其损失函数最小化完成SDAE模型的微调训练。