CN111637964B - 钢轨波磨识别方法 - Google Patents
钢轨波磨识别方法 Download PDFInfo
- Publication number
- CN111637964B CN111637964B CN202010397696.1A CN202010397696A CN111637964B CN 111637964 B CN111637964 B CN 111637964B CN 202010397696 A CN202010397696 A CN 202010397696A CN 111637964 B CN111637964 B CN 111637964B
- Authority
- CN
- China
- Prior art keywords
- vibration
- domain information
- time domain
- information
- vehicle
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明涉及轨道交通轮轨短波不平顺的监测,特别涉及钢轨波磨识别方法,该方法包括通过安装在车辆上的振动传感器实时采集车辆沿轨道运动时产生的特定振动信息从而获得振动时域信息;将振动时域信息分割为与各个不同时间段依次对应的分段振动时域信息并确保每个分段振动时域信息所对应的车辆运动路径等长;将各分段振动时域信息分别转换成频域信息;将频域信息输入到用于钢轨波磨识别的卷积神经网络模型,得到卷积神经网络对钢轨波磨状态的分类结果。使本方法在车辆复杂的运营条件及速度时变工况下仍然能保持较高的识别精度,精度稳定在99.2%。
Description
技术领域
本发明涉及轨道交通轮轨短波不平顺的监测,特别涉及用于钢轨波磨识别的卷积神经网络构建方法。
背景技术
钢轨波磨即钢轨波浪形磨损,如图1所示。由于地铁载重容量高、运行密度大,线路条件复杂(如曲线半径小、轨道结构多样化),车辆启动与制动频繁,使得轮轨相互作用加剧,钢轨波浪形磨损(简称钢轨波磨)严重。
钢轨波磨会带来一系列问题,如引起车辆轨道的异常振动与噪声污染,降低车辆和轨道部件的疲劳可靠性。据文献报道,存在钢轨波磨的地铁线路在打磨前后司机室车内噪声差异可达到近10dBA,而存在显著钢轨波磨的地铁钢轨扣件的振动加速度甚至能达到195g。此外,一些车辆轨道零部件的疲劳断裂失效与钢轨波磨有直接关系,如车辆轴箱吊耳断裂、一系钢弹簧疲劳断裂、钢轨扣件弹条断裂等。钢轨波磨已严重影响车辆的安全营运并极大地增加了养护费用。目前钢轨打磨是控制钢轨波磨最主要的手段之一,在制定打磨策略时(如打磨周期与打磨量),提前获悉钢轨波磨状态是十分必要的。因此对钢轨波磨进行状态监测和故障识别具有重要意义。
钢轨波磨的传统测量方法可归纳为3类:弦测法、惯性基准法与机器视觉法。弦测法使用钢轨本身作为移动参考系,使测量参考的基准随钢轨高低不平顺变化而处于变化状态,造成传递函数比(测量值与实际值之比)不恒为1,导致弦测法往往不能真实可靠地测试钢轨波磨。惯性基准法常通过轴箱加速度的二次积分来表征波磨值,其缺点是易受到来自车轮磨耗的干扰,并且由于高通滤波器的影响,在低速工况下测量误差较大,一般仅用于大型轨检车。机器视觉法往往需要精密的光电摄像设备以及复杂的图像处理手段,运用庞杂的模式识别技术以进行特定的后端处理,实际应用难度较大且代价昂贵。例如使用基于传统方法之一的波磨测试仪CAT测试一条地铁线路往往会耗时长达一月之久,耗时漫长,传统检测方法可靠性与通用性还不足并且成本较高。
发明内容
本发明提供了一种卷积神经网络构建方法,根据采集的特定机械运动信息构建的卷积神经网络具有准确、高效的识别能力。
为了实现上述目的,本申请采用的技术方案是对机构沿设定路径运动所产生的特定振动信息进行采集和处理的方法,所述特定振动信息用以表征所述机构沿设定路径运动时产生的特定振动检测特征,包括:通过安装在机构上的振动传感器实时采集机构沿设定路径运动时产生的特定振动信息从而获得振动时域信息;将振动时域信息分割为与各个不同时间段依次对应的分段振动时域信息并确保每个分段振动时域信息所对应的机构运动路径等长;将各分段振动时域信息分别转换成频域信息。
进一步地是,所述运动为非匀速运动,即在现实中,多数物体、机构的运动均为非匀速运动,本方法能提供较高的准确度。
进一步地是,将各分段振动时域信息分别转换成频域信息包括:对各分段振动时域信息进行傅里叶变换得到频域信息。
进一步地是,本方法包括去除各频域信息中不影响特定振动检测特征表征的频率范围的频域数据从而分别得到经优化的频域信息。
进一步地是,各所述经优化的频域信息可表达为频率坐标轴长度相同的频谱。后续可将该频谱中的频谱数据输入卷积神经网络进行训练。
根据上述方法,本发明提供了一种对轨道交通载具的特定振动信息进行采集和处理的方法,所述特定振动信息用以表征所述载具运动时产生的特定振动检测特征,通过安装在载具上的振动传感器实时采集载具沿轨道运动时产生的特定振动信息从而获得振动时域信息;将振动时域信息分割为与各个不同时间段依次对应的分段振动时域信息并确保每个分段振动时域信息所对应的载具运动路径等长;将各分段振动时域信息分别转换成频域信息。
不同于其他机械结构在一定工作时间段内往往具有固定旋转频率,即速度为定值。轨道车辆在实际运营时速度通常表现为非稳态的特征,大部分时刻速度处于震荡变化中。若仍以常见的固定时间窗口对振动信号进行切片划分,则在此时间窗口内列车经过钢轨的位移大小不一,这会对后续钢轨波磨准确定位带来更大的挑战。因此,本技术提出将振动时域信号转化到位移空间域再进行分割。
本发明提供了一种用于钢轨波磨识别的卷积神经网络构建方法,包括上述的对轨道交通载具的特定振动信息进行采集和处理的方法,去除各频域信息中不影响特定振动检测特征表征的频率范围的频域数据从而分别得到经优化的频域信息,各经优化的频域信息表达为频率坐标轴长度相同的频谱,将所述频谱中的频谱数据作为一维卷积神经网络的训练样本。
相比于传统的采用波磨测试仪CAT进行检测识别,采用本方法,通过卷积神经网络训练后,后续只需要采集振动信息与车辆位移信息即可,将该信号输入含有特定训练后的卷积神经网络的计算机处理,便可以快速、高效的对钢轨波磨进行识别。
进一步地是,根据设定的波磨阈值对训练样本进行分类标记,得到钢轨正常状态标签、钢轨波磨状态标签。
具体的是,所述根据设定的波磨阈值对训练样本进行分类标记包括以下步骤:
采集钢轨波磨信号、轴箱振动信号,设置波磨阈值,得到钢轨波磨信号与轴箱振动信号的非线性映射关系,将该非线性映射关系作为所述一维卷积神经网络的训练标签。
进一步地是,对同一区间位置的钢轨使用波磨测试仪CAT采集钢轨波磨信号,利用加速度传感器采集相应位置处轴箱振动信号,通过数学换算得到两者之间的非线性映射关系。
本发明在另一方面还提供了一种依据载具在轨道上运动产生的特定振动信息获得检测结果的方法,所述特定振动信息用以表征所述载具在轨道上运动时产生的特定振动检测特征,包括:
通过安装在载具上的振动传感器实时采集载具沿轨道运动时产生的特定振动信息从而获得振动时域信息;将振动时域信息分割为与各个不同时间段依次对应的分段振动时域信息并确保每个分段振动时域信息所对应的载具运动路径等长;将各分段振动时域信息分别转换成频域信息;将频域信息输入到训练完毕的卷积神经网络,得到检测结果。当采集的数据信息需要输入到卷积神经网络(CNN)中进行训练时,CNN要求输入样本平移不变,但是机构的运动速度实际中往往是处于非稳态的,所以本发明将振动时域信息转化到位移空间域再进行分割处理。
通过采用本方法,在机构沿设定路径运动时,便自适应性地可克服机构时速不断变化导致时域信号长度不一致与CNN要求的输入样本平移不变问题,并且通过将振动时域信息分割为与各个不同时间段依次对应的分段振动时域信息并确保每个分段振动时域信息所对应的机构运动路径等长,这样设置“空间窗”长度,可自定义输入CNN得出结果的定位的分辨率。
本发明还提供了一种依据载具在轨道上运动产生的特定振动信息获得检测结果的方法:
去除各频域信息中不影响特定振动检测特征表征的频率范围的频域数据从而分别得到经优化的频域信息,各经优化的频域信息表达为频率坐标轴长度相同的频谱,将该频谱中的频谱数据经过训练完毕的卷积神经网络处理后,得到检测结果。正如上述所言,轨道交通的特点即为车辆的进出站、变速等,在整个线路中的非匀速运动,采用本方法特别适用于对轨道交通振动时域信号的采集、处理,能更好的输入到卷积神经网络中,得到较高的准确度。
由此,本发明还提供了一种钢轨波磨识别方法,包括通过安装在车辆上的振动传感器实时采集车辆沿轨道运动时产生的特定振动信息从而获得振动时域信息;将振动时域信息分割为与各个不同时间段依次对应的分段振动时域信息并确保每个分段振动时域信息所对应的车辆运动路径等长;将各分段振动时域信息分别转换成频域信息;将频域信息输入到用于钢轨波磨识别的卷积神经网络模型,得到卷积神经网络对钢轨波磨状态的分类结果。使本方法在车辆复杂的运营条件及速度时变工况下仍然能保持较高的识别精度,该识别精度稳定在99.2%。
进一步地是,所述用于钢轨波磨识别的卷积神经网络模型的构建包括:通过安装在车辆上的振动传感器实时采集车辆沿轨道运动时产生的特定振动信息从而获得振动时域信息;将振动时域信息分割为与各个不同时间段依次对应的分段振动时域信息并确保每个分段振动时域信息所对应的车辆运动路径等长;将各分段振动时域信息分别转换成频域信息;
去除各频域信息中不影响特定振动检测特征表征的频率范围的频域数据从而分别得到经优化的频域信息,各经优化的频域信息表达为频率坐标轴长度相同的频谱,将所述频谱中的频谱数据作为卷积神经网络的训练样本;经过训练后得到所述用于钢轨波磨识别的卷积神经网络模型。
本发明在构建了一种“端到端”地基于卷积神经网络的地铁钢轨波磨识别方法中,本方法提出了“空间域”这样的一定长度的虚拟空间段落切割的方法制作卷积神经网络的样本集,该样本集长度的设置可任意调节钢轨波磨识别时的定位分辨率,使本方法在车辆复杂的运营条件及速度时变工况下仍然能保持较高的识别精度,稳定在99.2%。
进一步地是,所述卷积神经网络模型为一维卷积神经网络模型。即采用一维卷积神经网络模型即可达到所需要求,尽量减少复杂程度。
进一步地是,本钢轨波磨识别方法包括采用以下设备:
加速度传感器,该振动传感器设置于车辆上,用于获取车辆振动信息;
位移传感器,该位移传感器设置于车辆上,用于获取车辆位移信息;
数据采集系统,该数据采集系统分别与振动传感器、位移传感器连接,分别用于收集振动传感器采集的车辆振动信息和位移传感器采集的车辆位移信息;
数据处理装置,包含有用于钢轨波磨识别的卷积神经网络模型的处理程序,所述数据处理装置与数据采集系统连接,用于对数据采集系统接收数据进行处理,用于将车辆振动信息和车辆位移信息经过卷积神经网络模型处理后识别钢轨波磨状态。
具体的是,所述加速度传感器采集信号时,将该加速度传感器设置于车辆的轴箱上,采集车辆振动信息,以方便信息的采集。
进一步地是,所述位移传感器为光电转速传感器,该光电转速传感器置于车辆构架上。
进一步地是,采集钢轨波磨信号的波磨测试仪对待识别钢轨进行波磨检测,将波磨检测结果与卷积神经网络对钢轨波磨状态的分类结果进行比对。
进一步地是,所述波磨测试仪为CAT波磨测试仪。
下面结合附图和具体实施方式对本发明做进一步的说明。本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显。或通过本发明的实践了解到。
附图说明
构成本发明的一部分的附图用来辅助对本发明的理解,附图中所提供的内容及其在本发明中有关的说明可用于解释本发明,但不构成对本发明的不当限定。在附图中:
图1为用于说明地铁钢轨波磨示意图;
图2为用于说明地铁轴箱振动测试示意图;
图3为用于说明实施方式中基于1-DCNN的轨道交通钢轨波磨识别方法流程示意图;
图4为用于说明实施方式中建立的1-DCNN模型的示意图;
图5为实施方式中试验次数与精度、耗时的试验结果柱状图;
图6为实施方式中训练轮数与精度的折线图;
图7为实施方式中训练轮数与误差的折线图;
图8为用于说明本实施方式中的空间域中定位时间点的示意图;
图9为用于说明本采用得到的时间点对振动时域信号进行分割的示意图;
图10为用于说明本用于轨道交通钢轨波磨识别的系统的示意图。
具体实施方式
下面结合附图对本发明进行清楚、完整的说明。本领域普通技术人员在基于这些说明的情况下将能够实现本发明。在结合附图对本发明进行说明前,需要特别指出的是:
本发明中在包括下述说明在内的各部分中所提供的技术方案和技术特征,在不冲突的情况下,这些技术方案和技术特征可以相互组合。
此外,下述说明中涉及到的本发明的实施例通常仅是本发明一分部的实施例,而不是全部的实施例。因此,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
关于本发明中术语和单位。本发明的说明书和权利要求书及有关的部分中的术语“包括”以及它的任何变形,意图在于覆盖不排他的包含。
如图1-10,本实施方式以轨道交通钢轨波磨识别为例对本发明进行说明,首先需采用本发明的用于钢轨波磨识别的卷积神经网络构建方法构建卷积神经网络模型,本方法基于一维卷积神经网络即1-DCNN对钢轨波磨进行状态识别时分为五个步骤:(1)信号采集与“空间域”切割;(2)振动-波磨信号非线性映射;(3)样本集建立;(4)1-DCNN结构设计与训练;(5)钢轨波磨状态识别。
本方法采用了设备,包括:
振动信号采集器1,该振动信号采集装置设置于车辆上,用于获取车辆振动信息;
位移信号采集器2,该位移信号采集装置设置于车辆上,用于获取车辆位移信息;
数据采集系统3,该数据采集系统3分别与振动信号采集器1、位移信号采集器2连接,用于收集振动信号采集器1采集的车辆振动信息和位移信号采集器2采集的车辆位移信息;本数据采集系统3为多通道数据采集系统;
数据处理装置4,所述数据处理装置4与数据采集系统3连接,用于对数据采集系统3接收数据进行处理,用于将车辆振动信息和车辆位移信息作为一维卷积神经网络训练样本输入后识别钢轨波磨状态。
用于轨道交通钢轨波磨识别的系统还包括用于采集钢轨波磨信号的波磨测试仪,所述波磨测试仪与所述数据处理装置4连接。
所述振动信号采集器1为加速度传感器。所述加速度传感器设置于列车轴箱上。列车的左右轴箱均设置所述的加速度传感器,这样以将两边的钢轨波磨均检测出来,保障振动信息更加完善。
所述位移传感器为设置于车辆构架上的光电转速传感器。这里的光电转速传感器为单头反射式光电传感器,所述单头反射式光电传感器的发射端朝向车辆车轮一侧。
一、进行信号采集与空间域切割。(空间域,由图像像元组成的空间。在图像空间中以长度(距离)为自变量直接对像元值进行处理称为空间域处理。)
通过在列车轴箱处安装加速度传感器以获得振动信号,如图2所示。图3中(a)所示便为采集到的轴箱垂向振动时域信号。不同于其他机械结构在一定工作时间段内往往具有固定旋转频率,即速度为定值。轨道车辆在实际运营时速度通常表现为非稳态的特征,大部分时刻速度处于震荡变化中。若仍以常见的固定时间窗口对振动信号进行切片划分,则在此时间窗口内列车经过钢轨的位移大小不一,这会对后续钢轨波磨准确定位带来更大的挑战。因此,本申请提出将振动时域信号转化到位移空间域再进行分割。
首先,对列车速度进行积分,得到图3中(b)所示的位移随时间变化图,将振动时域信号引入位移空间域信号。这里可以设立坐标系,位移空间域是指,横坐标是时间,单位s,纵坐标是位移,单位m。往往在处理振动信号时,不会分析位移随时间的变化规律,本发明提出应用虚拟的固定空间段落将空间域上获得的时间点引入到振动时域信号上,对其进行切割划分,以最终得到训练样本集。
其次,参照图8,设置“空间域”窗口X作为位移段落。以每Xm的长度在位移空间域上滑动,以定位时间,即找到第1*Xm、第2*Xm、...、第(M-1)*Xm、第Sm对应的时间T1、T2、...、TM-1、TM,其中S为总位移, 为向上取整。
再次,参照图9,将由“空间域”得到的时间序列节点T1、T2、...、TM-1、TM作为切割点,对原始时域信号进行分割,图3中的(c)便为经空间域节点切割后的样本时域信号。
最后,由于列车时速不断变化,切割后的每个时域信号长度参差不齐,甚至相差几个数量级,这会造成样本数据质量大打折扣,十分不利于深度学习网络模型的训练。与此同时,机械振动时域信号的平移特性一直是特征提取与识别分类的难点之一,在声源识别、图像追踪等研究领域平移不变性也是其共性障碍,解决这类问题具有重要意义。傅里叶变换将时域信号转化到频域后可减轻平移带来的影响,是一种简单有效的方法。对比分析时域、频域与时频组合域三种不同数据类型下的卷积网络表现性能,当以频域数据为样本集时能大幅提高测试精度。因此对分割后的时域信号进行傅里叶变换,统一关注某截止频率N以下的频域信号,得到图3中的(d)所示的频谱,大大降低了原始时域信号伸缩、平移及扭曲带来的变化,将其作为1-DCNN的样本输入进行训练。
综上,便自适应性地克服了列车时速不断变化导致时域信号长度不一致与CNN要求的输入样本平移不变问题,并且通过设置“空间窗”长度可任意调节钢轨波磨状态识别定位的分辨率。
二、振动-波磨信号非线性映射
异于轴承与齿轮箱等机械系统有着被学术界公认的故障诊断标准数据集,如凯斯西储大学(CWRU)公开的轴承振动数据、PHM2009challenge提供的齿轮箱数据以及国内首次面向全球公开发布的滚动轴承加速寿命试验数据,目前世界上没有任何一种公认的钢轨波磨激励下的标准振动数据集。除此之外,由于钢轨波磨的波浪形磨损特征,导致传统的通过电火花加工技术引入指定故障缺陷,再获取对应振动信号的手段不再适用。因此钢轨波磨与振动信号之间的映射关系需通过其他途径加以表征,并且1-DCNN作为有监督模型,输入样本必须配对相应的标签类型。探寻振动-波磨信号之间准确的映射关系对1-DCNN的训练至关重要。
如图2所示,对同一区间位置的钢轨使用CAT采集钢轨波磨信号,利用加速度传感器采集相应位置处轴箱振动信号,通过数学换算便可得到两者之间的映射关系。如图3中的(f)时域内所得为波磨测试信号,图3中(e)为波磨的1/3倍频程频谱。对2.1节经“空间域”切割后的振动时域信号做均方根值计算便得到图3中(f)空间域所示波形,通过设置恰当的波磨阈值便可得到振动-波磨信号非线性映射关系,以区分出钢轨波磨状态。
CAT钢轨波磨测量仪采用手工测量方式,专用于测量钢轨波磨,及其粗糙度。测量工作可以在无限长度的轨道上以步行1m/s(3.6km/h)速度完成。
三、样本集建立:
CNN的样本输入数据本质上是计算机可识别的数字矩阵。针对本发明所提出的1-DCNN,样本集为M*N的矩阵,即空间域划分后的所有样本频域数据。深度学习中为验证模型的泛化能力通常将样本集划分为训练集与测试集,若样本集中p%为训练集,则剩余(1-p)%作为测试集。
四、1-DCNN结构设计与训练
本发明提出的1-DCNN框架如图3中的(h)所示。自上而下:输入层为样本集矩阵;前四层网络结构相同,经小卷积核卷积后通过ReLU激活函数变为一组特征图,送往最大池化层进行降采样;第五层为大卷积核卷积,旨在对上一层输入特征图进行自动学习面向诊断的局部特征;将最后一个池化层的所有特征图展平形成全连接层,经抑制过拟合技术Dropout处理后,传递到最后的sigmoid分类层。作用于振动时域信号,第一层大卷积核有益于过滤高频噪声污染从而俘获中低频带相关特征信息。与第一层大卷积核不同的是,本发明1-DCNN模型输入样本为频域数据,若第一层卷积核较大,则会破坏频域中各频带相干关系。前四层小卷积核结构在较少参数下加深网络,同时抑制过拟合。
第五层大卷积核增加了卷积核滤波提取的特征表达能力,一定程度上约束网络内部协变量转移,提高网络的识别精度与泛化能力。在CNN模型中,选择相宜的模型超参数能确保在较高识别精度前提下兼顾模型训练速度。针对本发明构建的1-DCNN模型,使用随机搜索法寻找各超参数最佳设置,最终得到如表1所示的1-DCNN参数配置。图4为表1参数配置下1-DCNN模型结构细节。
前四层小卷积核大小为3*1,第五层大卷积核大小为64*1,步长均为1*1。五层卷积池化结构中卷积核数目分别为2、2、4、4、8,池化层卷积核大小与步长均为2*1。卷积层使用“same”零补命令,使卷积层输入与输出长度相等。采用“Adam”优化器训练网络,学习率设为0.001,损失函数为“binary_crossentropy”。为避免梯度弥散与梯度爆炸,利用批处理样本进行训练,批大小为128。Dropout与EarlyStopping技术可有效改善训练过程中过拟合问题。本发明Dropout设为0.5,早停机制中patience设为20,即当测试集精度在20轮内不再提高便停止训练。由于一维特性,输入层在三个方向上仅有长度分量,宽与深均为1。随着卷积池化的交替进行,特征图长度逐渐减小,深度加深,输入信号的拓扑结构特征被网络逐层挖掘并自我学习。
表1 1-DCNN参数配置
本发明所提出的1-DCNN模型建立在基于Python语言的Keras深度学习库中。数据处理装置4的PC硬件配置采用i7-8700处理器16GB内存Windows10系统。
五、钢轨波磨状态识别
针对钢轨波磨状态识别,定义正常钢轨标签为0,波磨钢轨标签为1。规定若sigmoid激活层输出小于0.5时,则判断此样本标签为0,否则为1。通过上述操作,则可以对钢轨波磨状态进行准确识别与定位。
以下进行实施方式举例
(一)数据说明
对国内某城市地铁线路进行现场试验,使用波磨测试仪CAT测试该线路多个区间的钢轨不平顺,利用B&K3560D多通道数据采集系统获取轴箱振动信号。需要说明的是试验列车车轮为初镟状态,车轮不圆、磨耗及扁疤等能引起车辆零部件异常振动的影响源恢复至良好,力求轴箱振动信号主要来自轨道的不平顺激励。
(二)数据集建立
通过现场试验获得的振动数据经过适当的划分后便可直接用于1-DCNN的训练。将振动信号进行“空间域”分割,设置“空间域”窗口X为10m,将列车经过钢轨每10m位移时的时域信号进行切割,再对其进行傅里叶变换,关注截止频率N为1024Hz以下的频谱,再将其转为可供计算机识别的数字矩阵。对现场试验获取的大量振动信号与波磨信号进行统计分析,将波磨阈值设为35(单位为m/s2),即时域信号RMS值小于35时其标签为0,否则为1。从而得到两者之间蕴含的非线性映射关系,以对样本集数据编辑标签。
概而言之,以“空间域”切割后的时域信号判断样本集的标签类型,其频域信号则作为1-DCNN的样本输入。以上述方法处理现场试验数据,共得到13460条样本及其对应的标签,其中90%作为训练集,10%作为测试集。
(三)结果分析
为减少训练过程中随机误差,观察1-DCNN模型10次试验下的性能表现。如图5所示,以测试集的识别精度与每条样本测试耗时作为评判标准以验证模型识别率与时效性。可看出10次试验下诊断率均不低于99%,单个测试样本耗时均小于0.2ms,充分说明该1-DCNN模型在复杂现场运营条件和列车速度时变工况下能有效、快速且稳定地对钢轨波磨进行智能识别并分类。与此同时,预测钢轨波磨发生位置与现场实际状况吻合较好,印证“空间域”理论,即智能识别分类钢轨波磨并准确定位其空间位置。
统计图5可知10次试验精度变化范围为99.03%~99.33%,平均精度为99.2%,标准差为0.1;耗时变化仅在毫秒单位内轻微波动,已满足钢轨波磨在线监测时效性需求。为进一步了解1-DCNN网络性能,分别以精度最高与最低的第2次、第7次试验为例,分析模型训练过程中其测试精度与误差曲线演变规律,如图6和图7所示。剖析曲线可知,两次试验精度与误差在数值上略有差异,并且精度较高的第2次试验误差较低,但两次试验的曲线变化总体趋势相同。由于引入EarlySopping机制,在训练轮数达到44次后,精度达到最佳不再提高,误差均收敛到0.06以下。以上现象均符合卷积网络训练过程中的自我学习与认知规律,通过分析10次试验下边界个例的精度与误差曲线变化,更加论证了本发明所提1-DCNN方法的鲁棒特性。
以本实验数据来源的某城市地铁线路为例,使用波磨测试仪CAT测试该线路每区间的钢轨波磨耗时达一月之久,而采用本发明所需总时间不超过3小时,其中包含振动数据的采集与模型的预测,并且可安排正常营运的列车进行在线监测,不影响车辆的日常营运计划。针对亟待解决的钢轨波磨在线监测问题,笔者所提出的技术手段能极大的提高生产效率,节省大量人力物力支出,为钢轨波磨在线监测提供新的解决方法。
以上对本发明的有关内容进行了说明。本领域普通技术人员在基于这些说明的情况下将能够实现本发明。基于本发明的上述内容,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
Claims (9)
1.依据载具在轨道上运动产生的特定振动信息获得检测结果的方法,所述特定振动信息用以表征所述载具在轨道上运动时产生的特定振动检测特征,其特征在于,包括:
通过安装在载具上的振动传感器实时采集载具沿轨道运动时产生的特定振动信息从而获得振动时域信息;将振动时域信息分割为与各个不同时间段依次对应的分段振动时域信息并确保每个分段振动时域信息所对应的载具运动路径等长;将各分段振动时域信息分别转换成频域信息;将频域信息输入到训练完毕的卷积神经网络,得到检测结果;
将振动时域信息分割为与各个不同时间段依次对应的分段振动时域信息并确保每个分段振动时域信息所对应的载具运动路径等长,包含对列车速度进行积分,得位移随时间变化图,将振动时域信号引入位移空间域信号,以每Xm的长度在位移空间域上滑动,以定位时间序列节点作为切割点,对原始时域信号进行分割;
所述训练完毕的卷积神经网络由对同一区间位置的钢轨使用CAT采集钢轨波磨信号,利用加速度传感器采集相应位置处轴箱振动信号,通过数学换算得到两者之间的映射关系;通过安装在车辆上的振动传感器实时采集车辆沿轨道运动时产生的特定振动信息从而获得振动时域信息;将振动时域信息分割为与各个不同时间段依次对应的分段振动时域信息并确保每个分段振动时域信息所对应的车辆运动路径等长;将各分段振动时域信息分别转换成频域信息;
去除各频域信息中不影响特定振动检测特征表征的频率范围的频域数据从而分别得到经优化的频域信息,各经优化的频域信息表达为频率坐标轴长度相同的频谱,将所述频谱中的频谱数据作为卷积神经网络的训练样本;经过训练后得到用于钢轨波磨识别的卷积神经网络模型。
2.如权利要求1所述的依据载具在轨道上运动产生的特定振动信息获得检测结果的方法,其特征在于:
去除各频域信息中不影响特定振动检测特征表征的频率范围的频域数据从而分别得到经优化的频域信息,各经优化的频域信息表达为频率坐标轴长度相同的频谱,将该频谱中的频谱数据经过训练完毕的卷积神经网络处理后,得到检测结果。
3.钢轨波磨识别方法,其特征在于,包括通过安装在车辆上的振动传感器实时采集车辆沿轨道运动时产生的特定振动信息从而获得振动时域信息;将振动时域信息分割为与各个不同时间段依次对应的分段振动时域信息并确保每个分段振动时域信息所对应的车辆运动路径等长;将各分段振动时域信息分别转换成频域信息;将频域信息输入到用于钢轨波磨识别的卷积神经网络模型,得到卷积神经网络对钢轨波磨状态的分类结果;
将振动时域信息分割为与各个不同时间段依次对应的分段振动时域信息并确保每个分段振动时域信息所对应的载具运动路径等长,包含对列车速度进行积分,得位移随时间变化图,将振动时域信号引入位移空间域信号,以每Xm的长度在位移空间域上滑动,以定位时间序列节点作为切割点,对原始时域信号进行分割;
训练完毕的卷积神经网络由对同一区间位置的钢轨使用CAT采集钢轨波磨信号,利用加速度传感器采集相应位置处轴箱振动信号,通过数学换算得到两者之间的映射关系;
所述用于钢轨波磨识别的卷积神经网络模型的构建包括:通过安装在车辆上的振动传感器实时采集车辆沿轨道运动时产生的特定振动信息从而获得振动时域信息;将振动时域信息分割为与各个不同时间段依次对应的分段振动时域信息并确保每个分段振动时域信息所对应的车辆运动路径等长;将各分段振动时域信息分别转换成频域信息;
去除各频域信息中不影响特定振动检测特征表征的频率范围的频域数据从而分别得到经优化的频域信息,各经优化的频域信息表达为频率坐标轴长度相同的频谱,将所述频谱中的频谱数据作为卷积神经网络的训练样本;经过训练后得到所述用于钢轨波磨识别的卷积神经网络模型。
4.如权利要求3所述的钢轨波磨识别方法,其特征在于,所述卷积神经网络模型为一维卷积神经网络模型。
5.如权利要求3所述的钢轨波磨识别方法,其特征在于,包括采用以下设备:
加速度传感器,该振动传感器设置于车辆上,用于获取车辆振动信息;
位移传感器,该位移传感器设置于车辆上,用于获取车辆位移信息;
数据采集系统,该数据采集系统分别与振动传感器、位移传感器连接,分别用于收集振动传感器采集的车辆振动信息和位移传感器采集的车辆位移信息;
数据处理装置,包含有用于钢轨波磨识别的卷积神经网络模型的处理程序,所述数据处理装置与数据采集系统连接,用于对数据采集系统接收数据进行处理,用于将车辆振动信息和车辆位移信息经过卷积神经网络模型处理后识别钢轨波磨状态。
6.如权利要求5所述的钢轨波磨识别方法,其特征在于,所述加速度传感器采集信号时,将该加速度传感器设置于车辆的轴箱上,采集车辆振动信息。
7.如权利要求5所述的钢轨波磨识别方法,其特征在于,所述位移传感器为光电转速传感器,该光电转速传感器置于车辆构架上。
8.如权利要求3所述的钢轨波磨识别方法,其特征在于,采集钢轨波磨信号的波磨测试仪对待识别钢轨进行波磨检测,将波磨检测结果与卷积神经网络对钢轨波磨状态的分类结果进行比对。
9.如权利要求8所述的钢轨波磨识别方法,其特征在于,所述波磨测试仪为CAT波磨测试仪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010397696.1A CN111637964B (zh) | 2020-05-12 | 2020-05-12 | 钢轨波磨识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010397696.1A CN111637964B (zh) | 2020-05-12 | 2020-05-12 | 钢轨波磨识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111637964A CN111637964A (zh) | 2020-09-08 |
CN111637964B true CN111637964B (zh) | 2021-10-26 |
Family
ID=72328600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010397696.1A Active CN111637964B (zh) | 2020-05-12 | 2020-05-12 | 钢轨波磨识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111637964B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215263B (zh) * | 2020-09-23 | 2022-08-02 | 西南交通大学 | 基于深度卷积神经网络的钢轨波磨检测方法 |
CN113947130B (zh) * | 2021-08-03 | 2022-06-14 | 西南交通大学 | 车轮多边形磨损波形回归预测ai模型训练使用方法及设备 |
CN113947129B (zh) * | 2021-08-03 | 2022-06-14 | 西南交通大学 | 车轮失圆状态智能识别ai模型训练使用方法、设备及介质 |
CN113465733B (zh) * | 2021-08-13 | 2022-04-05 | 重庆大学 | 基于eemd-dnn的振动台结构位移响应预测方法及装置 |
CN113486874B (zh) * | 2021-09-08 | 2021-11-05 | 西南交通大学 | 一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法 |
CN114881076B (zh) * | 2022-04-29 | 2023-04-18 | 西南交通大学 | 基于支持向量机的钢轨波磨识别方法、装置、设备及介质 |
CN115140115B (zh) * | 2022-07-18 | 2023-10-17 | 中国铁道科学研究院集团有限公司 | 声振结合的高速铁路钢轨波磨识别方法和装置 |
CN115600086B (zh) * | 2022-11-15 | 2023-04-07 | 西南交通大学 | 一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法 |
CN116819395B (zh) * | 2023-08-28 | 2024-01-12 | 北京城建智控科技股份有限公司 | 一种轨道交通道岔故障分析方法及系统 |
CN117235507B (zh) * | 2023-11-13 | 2024-01-23 | 成都西交轨道交通技术服务有限公司 | 一种钢轨打磨车磨石异常状态识别方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3249627C2 (de) * | 1982-05-22 | 1986-05-15 | Witzenmann GmbH, Metallschlauch-Fabrik Pforzheim, 7530 Pforzheim | Flexibles Leitungselement mit einem Wellrohr |
JP3876976B2 (ja) * | 2001-12-18 | 2007-02-07 | 日本精工株式会社 | 評価装置および評価方法 |
JP2012021790A (ja) * | 2010-07-12 | 2012-02-02 | Railway Technical Research Institute | レール波状摩耗検出方法、および、レール波状摩耗検出システム |
CN103473417A (zh) * | 2013-09-16 | 2013-12-25 | 北京航空航天大学 | 一种针对轮体结构伞形振动的颗粒阻尼减振设计方法 |
CN104823035A (zh) * | 2012-11-29 | 2015-08-05 | 株式会社佐竹 | 旋转机械的监视装置 |
JP6079202B2 (ja) * | 2012-12-14 | 2017-02-15 | 株式会社ニコン | 振動装置及び振動プログラム |
CN107941511A (zh) * | 2017-11-10 | 2018-04-20 | 长安大学 | 一种基于信号时频分解的频率—峭度图的实现方法 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
JP2019093892A (ja) * | 2017-11-22 | 2019-06-20 | 日本車輌製造株式会社 | レール波状摩耗検出装置、及びレール波状摩耗検出方法 |
JP2019104389A (ja) * | 2017-12-13 | 2019-06-27 | 日鉄レールウェイテクノス株式会社 | 鉄道用曲線軌道における波状摩耗の予兆検知システム及び予兆検知方法 |
CN110296802A (zh) * | 2019-06-26 | 2019-10-01 | 国网辽宁省电力有限公司葫芦岛供电公司 | 基于振动速度传感器波形采集的杆塔螺栓松动判别方法 |
CN110530509A (zh) * | 2019-09-05 | 2019-12-03 | 西南交通大学 | 基于最大熵谱分析的高速动车组轴箱振动主频预测方法 |
CN110789566A (zh) * | 2019-11-11 | 2020-02-14 | 成都西交智众科技有限公司 | 基于轴箱加速信号的轨道缺陷监测方法及监测设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175434B (zh) * | 2019-06-19 | 2022-06-14 | 西南交通大学 | 一种基于卷积神经网络的铁路扣件系统损伤检测方法 |
CN110658005B (zh) * | 2019-10-08 | 2021-08-03 | 西南交通大学 | 一种基于车体加速度识别钢轨波磨病害的方法 |
-
2020
- 2020-05-12 CN CN202010397696.1A patent/CN111637964B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3249627C2 (de) * | 1982-05-22 | 1986-05-15 | Witzenmann GmbH, Metallschlauch-Fabrik Pforzheim, 7530 Pforzheim | Flexibles Leitungselement mit einem Wellrohr |
JP3876976B2 (ja) * | 2001-12-18 | 2007-02-07 | 日本精工株式会社 | 評価装置および評価方法 |
JP2012021790A (ja) * | 2010-07-12 | 2012-02-02 | Railway Technical Research Institute | レール波状摩耗検出方法、および、レール波状摩耗検出システム |
CN104823035A (zh) * | 2012-11-29 | 2015-08-05 | 株式会社佐竹 | 旋转机械的监视装置 |
JP6079202B2 (ja) * | 2012-12-14 | 2017-02-15 | 株式会社ニコン | 振動装置及び振動プログラム |
CN103473417A (zh) * | 2013-09-16 | 2013-12-25 | 北京航空航天大学 | 一种针对轮体结构伞形振动的颗粒阻尼减振设计方法 |
CN107941511A (zh) * | 2017-11-10 | 2018-04-20 | 长安大学 | 一种基于信号时频分解的频率—峭度图的实现方法 |
JP2019093892A (ja) * | 2017-11-22 | 2019-06-20 | 日本車輌製造株式会社 | レール波状摩耗検出装置、及びレール波状摩耗検出方法 |
JP2019104389A (ja) * | 2017-12-13 | 2019-06-27 | 日鉄レールウェイテクノス株式会社 | 鉄道用曲線軌道における波状摩耗の予兆検知システム及び予兆検知方法 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN110296802A (zh) * | 2019-06-26 | 2019-10-01 | 国网辽宁省电力有限公司葫芦岛供电公司 | 基于振动速度传感器波形采集的杆塔螺栓松动判别方法 |
CN110530509A (zh) * | 2019-09-05 | 2019-12-03 | 西南交通大学 | 基于最大熵谱分析的高速动车组轴箱振动主频预测方法 |
CN110789566A (zh) * | 2019-11-11 | 2020-02-14 | 成都西交智众科技有限公司 | 基于轴箱加速信号的轨道缺陷监测方法及监测设备 |
Non-Patent Citations (9)
Title |
---|
"Automatic Detection of Corrugation: Preliminary Results in the Dutch Network Using Axle Box Acceleration Measurements";Shaoguang Li 等;《Proceedings of the 2015 Joint Rail Reference》;20151231;23-26页 * |
"城轨车载式钢轨波磨检测系统的设计与应用";王俊智;《中国优秀硕士/博士学位论文全文数据库》;20191231;81页 * |
"基于EMD和神经网络的轮轨故障噪声诊断识别方法研究";江航 等;《振动与冲击》;20141231;第33卷(第17期);34-38页 * |
"基于人工智能算法的轨道不平顺估计";路天玙;《中国优秀硕士/博士学位论文全文数据库》;20141231;102页 * |
"基于卷积神经网络的钢轨测量廓形畸变动态识别";曾玖贞 等;《南华大学学报》;20171231;第31卷(第1期);7页 * |
"基于支持向量机的轨道波磨检测方法研究";周志青 等;《第十三届全国振动理论及应用学术会议论文集》;20191231;第193-197页 * |
"基于非等时距灰色理论与BP神经网络的钢轨波磨预测";陈鑫 等;《智能计算机与应用》;20200331;第10卷(第3期);223-227页 * |
"铁路钢轨波浪形磨损研究进展";金学松 等;《西南交通大学学报》;20161231;第51卷(第2期);264-273页 * |
Li J 等."Corrugation Detection of High-Speed Railway Using Wheel Dynamic Responses".《Shock & Vibration,》.2019,2695647页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111637964A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111623868B (zh) | 用于钢轨波磨识别的卷积神经网络构建方法 | |
CN111637964B (zh) | 钢轨波磨识别方法 | |
Islam et al. | Automated bearing fault diagnosis scheme using 2D representation of wavelet packet transform and deep convolutional neural network | |
CN111896625B (zh) | 钢轨伤损实时监测方法及其监测系统 | |
US11761930B2 (en) | Prediction method of part surface roughness and tool wear based on multi-task learning | |
CN111947928B (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
Kankar et al. | Rolling element bearing fault diagnosis using wavelet transform | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
CN113947130B (zh) | 车轮多边形磨损波形回归预测ai模型训练使用方法及设备 | |
CN107844067A (zh) | 一种水电站闸门在线状态监测控制方法及监测系统 | |
CN113988326A (zh) | 一种地铁设备维修优化方法及系统 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN114700587B (zh) | 一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN116861369A (zh) | 工业互联网异构数据融合的空压机健康评估方法及系统 | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
CN116956215A (zh) | 一种传动系统故障诊断方法及系统 | |
CN111597948A (zh) | 一种轴承振动信号的故障检测和分类方法 | |
CN116644278A (zh) | 基于样本筛选和特征提取的双模型轴承异常检测算法 | |
CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 | |
CN111401661B (zh) | 一种机械设备的预测性维护方法和维护系统 | |
CN116644304A (zh) | 基于相似性的货车轴承异常特征提取与分类方法 | |
CN116502043A (zh) | 一种基于孤立森林算法的精轧电机状态分析方法 | |
CN113807431A (zh) | 一种基于多源信息融合的智能主轴状态评估方法和系统 |
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 |