CN113281414B - 钢轨短波病害类型的识别方法及装置、以及电子设备 - Google Patents
钢轨短波病害类型的识别方法及装置、以及电子设备 Download PDFInfo
- Publication number
- CN113281414B CN113281414B CN202110742512.5A CN202110742512A CN113281414B CN 113281414 B CN113281414 B CN 113281414B CN 202110742512 A CN202110742512 A CN 202110742512A CN 113281414 B CN113281414 B CN 113281414B
- Authority
- CN
- China
- Prior art keywords
- steel rail
- short
- wave
- axle box
- box acceleration
- 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
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0234—Metals, e.g. steel
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种钢轨短波病害类型的识别方法及装置、以及电子设备,其中该方法包括:获取在钢轨上行驶的检测车辆在不同位置采集到的轴箱加速度信号;根据所述轴箱加速度信号,计算所述钢轨不同位置的轨道冲击指数;判断所述钢轨中是否存在所述轨道冲击指数超过第一阈值的位置;若判断结果为是,则确定所述钢轨中存在短波病害;提取所述钢轨上每个连续超过所述第一阈值的位置区间中的峰值位置;根据所述峰值位置在所述钢轨中所处位置的特征,识别所述钢轨存在的短波病害类型。本发明可以准确的识别钢轨短波病害的类型,以解决相关技术中无法确定短波病害类型的技术问题。
Description
技术领域
本发明涉及城市轨道交通技术领域,尤其涉及钢轨短波病害类型的识别方法及装置、以及电子设备。
背景技术
轨道-车辆系统是一个相互作用的动态耦合系统,运行在高速铁路线路上的车辆受轨道不平顺的影响会产生振动。特别是轨道短波病害,例如焊缝低塌、钢轨擦伤、钢轨掉块、钢轨波磨等。在高速运行状态下,这些短波病害易引起高频激振,这类振动不仅会降低旅客乘坐舒适度,而且会致使高速列车轮轨系统的相互作用加剧,增加轮轨系统零部件结构损伤的概率,严重时会影响行车的安全性以及轨道-车辆系统可靠性。如果将轮对看成是刚性结构,轴箱直接与轮对相连,两者之间不存在减震系统,轨道短波激扰造成的轮轨系统的振动响应可以通过轮对直接传递到轴箱上,轴箱振动加速度可以体现轨道的不平顺状态。因此,相关技术中通常采用轴箱加速度评判轨道短波不平顺状态及其对车辆动力学性能的影响。
但是,相关技术中提供的利用轴箱垂向振动加速度分析轨道短波不平顺状态的方法中,多数仅能确定是否存在短波病害,不能精确的确定短波病害的类型。
发明内容
本发明实施例提供一种钢轨短波病害识别方法,用以识别钢轨短波病害的类型,以解决相关技术中无法确定短波病害类型的技术问题,该方法包括:
获取在钢轨上行驶的检测车辆在不同位置采集到的轴箱加速度信号;
根据轴箱加速度信号,计算钢轨不同位置的轨道冲击指数;
判断钢轨中是否存在轨道冲击指数超过第一阈值的位置;
若判断结果为是,则确定钢轨中存在短波病害;
提取钢轨上每个连续超过第一阈值的位置区间中的峰值位置;
根据峰值位置在钢轨中所处位置的特征,识别钢轨存在的短波病害类型。
进一步地,根据峰值位置在钢轨中所处位置的特征,识别钢轨存在的短波病害类型,包括:
在峰值位置位于钢轨的道岔区,且所述轨道冲击指数超过第二阈值的情况下,确定钢轨存在的短波病害类型包括道岔不良;
在峰值位置呈现等间隔特征,且间隔距离为预设距离的情况下,确定钢轨存在的短波病害类型包括焊缝不良;
在所述峰值位置未呈现所述等间隔特征,或呈现所述等间隔特征的情况下,确定钢轨存在的短波病害类型包括单点病害。
进一步地,在获取在钢轨上行驶的检测车辆在不同位置采集到的轴箱加速度信号之后,该方法还包括:
根据轴箱加速度信号计算波磨指数和能量集中因子;
在波磨指数超过第三阈值或能量集中因子超过第四阈值的情况下,确定钢轨存在钢轨波磨;
在波磨指数未超过第三阈值或能量集中因子未超过第四阈值的情况下,计算轴箱加速度信号的时频谱;
在时频谱中同时包含冲击性成分和拟周期性成分的情况下,确定钢轨存在的短波病害包括复合病害。
进一步地,计算轴箱加速度信号的时频谱,包括:
将轴箱加速度信号分解为多个固有模态函数和余项;
分别对每个固有模态函数和余项执行短时傅里叶变换;
叠加经过短时傅里叶变换之后得到的所有时频谱,得到轴箱加速度信号的时频谱。
进一步地,在获取在钢轨上行驶的检测车辆在不同位置采集到的轴箱加速度信号之前,该方法还包括:
分别获取多组已知短波病害类型的轴箱加速度样本信号;
通过贝叶斯分类计算不同短波病害类型的分类概率,得到不同短波病害类型的知识图谱;
在获取在钢轨上行驶的检测车辆在不同位置采集到的轴箱加速度信号之后,方法还包括:
结合知识图谱识别钢轨中存在的短波病害类型。
本发明实施例还提供一种钢轨短波病害类型的识别装置,用以解决相关技术中无法确定短波病害类型的技术问题,该装置包括:
第一获取单元,用于获取在钢轨上行驶的检测车辆在不同位置采集到的轴箱加速度信号;
第一计算单元,用于根据轴箱加速度信号,计算钢轨不同位置的轨道冲击指数;
第一判断单元,用于判断钢轨中是否存在轨道冲击指数超过第一阈值的位置;
第一确定单元,用于若判断结果为是,则确定钢轨中存在短波病害;
提取单元,用于提取钢轨上每个连续超过第一阈值的位置区间中的峰值位置;
第一识别单元,用于根据峰值位置在钢轨中所处位置的特征,识别钢轨存在的短波病害类型。
进一步地,第一识别单元包括:
第一确定子单元,用于在峰值位置位于钢轨的道岔区,且所述轨道冲击指数超过第二阈值的情况下,确定钢轨存在的短波病害类型包括道岔不良;
第二确定子单元,用于在峰值位置呈现等间隔特征,且间隔距离为预设距离的情况下,确定钢轨存在的短波病害类型包括焊缝不良;
第三确定子单元,用于在所述峰值位置未呈现所述等间隔特征,或呈现所述等间隔特征的情况下,确定钢轨存在的短波病害类型包括单点病害。
进一步地,该装置还包括:
第二计算单元,用于根据轴箱加速度信号计算波磨指数和能量集中因子;
第二确定单元,用于在波磨指数超过第三阈值或能量集中因子超过第四阈值的情况下,确定钢轨存在钢轨波磨;
第三计算单元,用于在波磨指数未超过第三阈值或能量集中因子未超过第四阈值的情况下,计算轴箱加速度信号的时频谱;
第三确定单元,用于在时频谱中同时包含冲击性成分和拟周期性成分的情况下,确定钢轨存在的短波病害包括复合病害。
进一步地,第三计算单元包括:
分解子单元,用于将轴箱加速度信号分解为多个固有模态函数和余项;
变换子单元,用于分别对每个固有模态函数和余项执行短时傅里叶变换;
叠加子单元,用于叠加经过短时傅里叶变换之后得到的所有时频谱,得到轴箱加速度信号的时频谱。
进一步地,该装置还包括:
第二获取单元,用于分别获取多组已知短波病害类型的轴箱加速度样本信号;
第四计算单元,用于通过贝叶斯分类计算不同短波病害类型的分类概率,得到不同短波病害类型的知识图谱;
第二识别单元,用于结合知识图谱识别钢轨中存在的短波病害类型。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在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上述钢轨短波病害类型的识别方法。
本发明实施例还提供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执行上述钢轨短波病害类型的识别方法的计算机程序。
本发明实施例中,首先,获取在钢轨上行驶的检测车辆在不同位置采集到的轴箱加速度信号,然后,根据轴箱加速度信号,计算钢轨不同位置的轨道冲击指数,进一步地,可以判断钢轨中是否存在轨道冲击指数超过第一阈值的位置,若判断结果为是,则确定钢轨中存在短波病害,进而,可以提取钢轨上每个连续超过第一阈值的位置区间中的峰值位置,从而根据峰值位置在钢轨中所处位置的特征,识别钢轨存在的短波病害类型,与现有技术中的技术方案相比,通过计算轨道冲击指数,确定轨道冲击指数超过第一阈值的位置,可以准确的根据位置特征识别钢轨存在的短波病害类型,解决了相关技术中无法确定短波病害类型的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例提供的钢轨短波病害识别方法的一个可选的实施方式的流程示意图;
图2为一个示例的焊缝不良的短波病害类型对应的轨道冲击指数波形特征的示意图;
图3为一个示例的道岔不良的短波病害类型对应的轨道冲击指数波形特征的示意图;
图4为一个示例的单点病害的一个示例的轨道冲击指数的示意图;
图5a为在一个示例路段中采样得到的轴箱加速度的原始数据的示意图;
图5b为对通过本发明实施例提供的钢轨短波病害识别方法对图5a所示的原始数据进行处理得到的时频谱示意图;
图6a为在另一示例路段中采样得到的轴箱加速度的示意图;
图6b为对图6a所示路段中采样得到的速度的示意图;
图7a为在另一示例路段中采样得到的轴箱加速度的原始数据的示意图;
图7b为图7a所示路段的轴箱加速度的功率谱示意图;
图7c为图7a所示路段的轴箱加速度的时频谱示意图;
图8a为图7a所示路段的轴箱加速度的频率曲线示意图;
图8b为图7a所示路段的速度的频率曲线示意图;
图9a为在另一示例路段中采样得到的轴箱加速度的原始数据的示意图;
图9b为图9a所示路段的轴箱加速度的功率谱示意图;
图9c为图9a所示路段的轴箱加速度的时频谱示意图;
图9d为图9a所示路段对速度采样得到的波形示意图;
图10a为对一个示例路段采样得到的轴箱加速度的原始数据的示意图;
图10b为图10a所示路段的波磨指数的曲线示意图;
图10c为图10a所示路段的轴箱加速度的功率谱示意图;
图10d为图10a所示路段的轴箱加速度的时频谱示意图;
图11为一个示例的朴素贝叶斯分类的原理示意图;
图12为根据本发明实施例提供的钢轨短波病害类型的识别方法对样本识别结果的准确率和误判率的示意图;
图13为本发明实施例提供的钢轨短波病害识别方法的另一个可选的实施方式的流程示意图;
图14为本发明实施例提供的钢轨短波病害识别方法中互补集合经验模态分解法的一个可选的实施方式的流程示意图;
图15为本发明实施例提供的钢轨短波病害识别装置的一个可选的实施方式的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
本发明实施例中提供了一种钢轨短波病害识别方法,用以识别钢轨短波病害的类型,以解决相关技术中无法确定短波病害类型的技术问题。如图1所示,该方法包括如下步骤:
步骤101,获取在钢轨上行驶的检测车辆在不同位置采集到的轴箱加速度信号。
高速铁路上行驶的检测车辆,由于轴箱直接与轮对相连,因此,轨道的不平顺产生的振动会通过轮对直接传递到轴箱上。因此,轴箱的振动加速度可以直接反应轨道短波不平顺情况,轴箱加速度信号可以包括轴箱的垂向振动加速度信号和/或轴箱的横向振动加速度信号。在采集时,按照一定的采样频率得到行驶在钢轨的不同位置时的轴箱加速度信号。例如,可以在某高速铁路的某路段上,以时间频率为xHz的采样频率采集轴箱加速度信号,得到一个信号序列。
步骤102,根据轴箱加速度信号,计算钢轨不同位置的轨道冲击指数。
轨道冲击指数可以用于描述钢轨的短波不平顺状态。具体而言,可以计算以第r点为中心的相邻K个轴箱加速度信号的均方根值,K≥2,进一步地,可以得到N-K+1个均方根值,r=1,……,N-K+1,N为采集信号总个数,然后计算所有均方根值的均值,然后,用每个均方根值除以均方根值的均值,从而,得到第r个测点出的轨道冲击指数(Track ImpactIndex,简称TII)。进一步地,计算所有测点出的TII值之后,可以得到钢轨上的轨道冲击指数波形。
步骤103,判断钢轨中是否存在轨道冲击指数超过第一阈值的位置。
第一阈值可以是根据存在短波病害钢轨所采集到的轴箱加速度样本信号确定出的阈值。第一阈值用于作为判断是否存在短波病害的阈值。
步骤104,若判断结果为是,则确定钢轨中存在短波病害。
步骤105,提取钢轨上每个连续超过第一阈值的位置区间中的峰值位置。
在存在短波病害时,通常有一段连续的路段,例如图2所示,在位置区间201和位置区间202均超过第一阈值。一个区间内通常会存在一个峰值,也即在一个区间内,轨道冲击指数会存在一个最大值,峰值对应的钢轨位置即为峰值位置。
步骤106,根据峰值位置在钢轨中所处位置的特征,识别钢轨存在的短波病害类型。
为了识别短波病害的具体类型,需要根据峰值位置的不同特征进行判断。
具体而言,根据峰值位置在钢轨中所处位置的特征,识别钢轨存在的短波病害类型,包括:
①在峰值位置位于钢轨的道岔区,且所述轨道冲击指数超过第二阈值的情况下,确定钢轨存在的短波病害类型包括道岔不良。
第二阈值用于在确定存在短波病害的情况下进一步判断是否存在道岔的阈值,第二阈值大于第一阈值。
如图3所示为道岔不良的短波病害类型对应的轨道冲击指数波形特征,第一阈值可以设置为4,第二阈值可以设置为6,由图3可以看出,超过第一阈值4的连续区间包括位置区间401~404,而进一步筛选之后,超过第二阈值的连续区间包括位置区间401,相应的峰值位置为283.4Km(千米)附近,根据钢轨的实际情况,判断这里恰好是道岔位置,因此,确定钢轨存在的短波病害类型包括道岔不良。
②在峰值位置呈现等间隔特征,且间隔距离为预设距离的情况下,确定钢轨存在的短波病害类型包括焊缝不良。
预设距离是根据钢轨的焊缝距离设置的,由于采集信号存在一定的误差,因此,预设距离可以是预设的距离区间,例如,25米左右(如±3米),100米左右或500米左右,预设距离可以根据钢轨实际的焊缝距离确定。
如图2所示为焊缝不良的短波病害类型对应的轨道冲击指数波形特征,第一阈值可以设置为4,可以看出超过第一阈值的连续区间为位置区间呈现了等间隔特征,且间隔在100米左右,因此,确定钢轨存在的短波病害类型包括焊缝不良。
③在峰值位置未呈现等间隔特征,或呈现等间隔特征且间隔距离不为预设距离的情况下,确定钢轨存在的短波病害类型包括单点病害。
图4为单点病害的一个示例的轨道冲击指数波形图。如图4所示,仅存在一个峰值较大的连续区间501,峰值位置不是道岔位置、也没有呈现等间隔特征,因此,确定钢轨存在的短波病害类型为单点病害,例如,钢轨擦伤、硌伤或剥离掉块等单点病害。
作为另一种实施方式,除了识别上面的短波病害类型之外,还可以对钢轨的波磨进行识别,从而判断钢轨是否存在复合病害。复合病害包括冲击性病害和周期性病害。
当即存在周期性病害又存在冲击性病害时,轴箱加速度的时频谱上会出现全频段覆盖和单一频率成分同时存在的情况。由此,可以通过以下方式,结合钢轨波磨指数和能量集中因子进行复合性病害的诊断:
1)利用轴箱加速度数据钢轨波磨指数RCI,j和能量因子η,若RCI,j大于阈值γ1,且η大于给定阈值γ2,则判断该处存在钢轨波磨,若否则不存在波磨;
2)若同时时频谱上存在一覆盖全频段的光带,则同时存在冲击性病害。
具体而言,在执行步骤101获取在钢轨上行驶的检测车辆在不同位置采集到的轴箱加速度信号之后,该方法还可以包括如下步骤(1)~步骤(4):
步骤(1)根据轴箱加速度信号计算波磨指数和能量集中因子。
波磨指数用于描述钢轨的波磨情况。根据轴箱加速度信号计算波磨指数的一种示例性方法为,计算第i个信号及其后相邻的M-1个轴箱加速度信号的均方根值,M≥2,进一步地,可以得到N-M+1个均方根值,i=1,……,N-M+1,N为采集信号总个数,然后,将钢轨分成多个子单元,确定每个子单元中的最大均方根值,并求取所有子单元最大均方根值的均值,然后,用每个信号对应的均方根值除以最大均方根值的均值,可以得到波磨指数。
能量集中因子可以描述波磨的引起的振动能量集中程度以及存在的可能性,一个示例中,可以通过计算功率谱密度,根据功率谱密度极大值点的能量与总能量的比值得到能量集中因子。能量集中因子越大,波磨的可能性越大。
步骤(2)在波磨指数超过第三阈值或能量集中因子超过第四阈值的情况下,确定钢轨存在钢轨波磨。
步骤(3)在波磨指数未超过第三阈值或能量集中因子未超过第四阈值的情况下,计算轴箱加速度信号的时频谱。
具体而言,在执行步骤(3)计算轴箱加速度信号的时频谱时,可以采用如下步骤1)~3):
步骤1)将轴箱加速度信号分解为多个固有模态函数和余项。
在分解时,可以通过互补集合经验模态分解法(Complementary EnsembleEmpirical Mode Decomposition,简称CEEMD),从而得到不同的固有模态函数(IntrinsicMode Function,简称IMF)。CEEMD算法是在整合经验模态分解法(Ensemble EmpiricalMode Decomposition,简称EEMD)算法基础上采用添加有限次的不同白噪声的方法,克服了EEMD在添加白噪声次数较少时重构误差较大的缺点。既可减少计算时间,也可以减少重构误差。分解后可以得到:
式中,s(t)为轴箱加速度信号,IMFk为第k个IMF,k=1~K,R(t)为余项。
步骤2)分别对每个固有模态函数和余项执行短时傅里叶变换。
步骤3)叠加经过短时傅里叶变换之后得到的所有时频谱,得到轴箱加速度信号的时频谱。
针对每个IMF和余项做短时Fourier变换(STFT),再将得到的时频谱进行叠加,即可得到聚集性较好而且模态混叠较少的时频谱。
步骤(4)在时频谱中同时包含冲击性成分和拟周期性成分的情况下,确定钢轨存在的短波病害包括复合病害。
复合病害包括冲击性病害和周期性病害,分别对应于时频谱中的冲击性成分和拟周期性成分。当既存在周期性病害又存在冲击性病害时,轴箱加速度的时频谱上会出现全频段覆盖和单一频率成分同时存在的情况。
下面详细说明冲击性病害和周期性病害的特征。
针对冲击性病害,利用本发明实施例提供的方法,基于上述CEEMD-STFT的时频分析某一冲击性病害对应的轴箱加速度数据,其轴箱加速度的原始数据以及得到的时频谱分别如图5a、图5b所示。从图5a中可以看出,该冲击性病害引起的轴箱加速度幅值变换较大,同时,在图5b的时频谱上表现为存在一个频带覆盖范围较宽的瞬间冲击。此外,根据轨道冲击指数法计算可以发现各种冲击性病害数据对应的轨道冲击指数波形分别如图2~图4所示。
针对周期性病害,利用本发明实施例提供的方法,基于CEEMD-STFT的时频对某一高速线路波磨区段轴箱加速度数据进行分析,列车驶过某一波磨区段时,轴箱加速度和速度分别如图6a、图6b所示。由图6a可以看出在K1+400至K1+600之间轴箱加速度幅值突然增大,而在该区段,由图6b可以看出,列车运行速度也在上升。
基于此,选取K1+409至K1+412之间的数据进行观察,该区段的轴箱加速度原始数据如图7a所示,其功率谱和时频谱分别如图7b、图7c所示。从图7b、图7c两图中可以看出,在短短的3米之内,轴箱加速度信号几乎覆盖了从60Hz至270Hz之间的一个较宽的频带,非线性、非平稳特征明显。
进一步地,对信号的频率曲线进行提取,结果如图8a所示。对比图8b所示的车辆经过该小区段时的速度可以看出,轴箱加速度的响应频率随着速度变化也在变化,而且呈现的趋势近似,其中,曲折线的部分为速度,横向的一条较平滑的曲线为速度趋势项。
此外,减速区段数据特性亦如此,选取K273+350至K273+550之间的数据进行分析,该区段的轴箱加速度原始数据如图9a所示,其功率谱和时频谱分别如图9b、图9c所示。从图9b、图9c两图中可以看出,在150米之内,轴箱加速度信号覆盖了从610Hz至615Hz之间的一个较宽的频带,非线性、非平稳特征明显。对比图9d所示的车辆经过该小区段时的速度可以看出,响应频率随着速度变化也在变化,而且呈现的趋势近似,其中,曲折线的部分为速度,横向的一条较平滑的曲线为速度趋势项。
某一高速线路K556+840附近存在一复合病害(接头附近平直度不良伴随绝缘接头后方钢轨波磨)。利用上述的基于CEEMD-STFT的时频分析方法针对对应位置轴箱加速度数据进行分析,轴箱加速度信号的原始数据、波磨指数、功率谱以及CEEMD-STFT之后叠加得到时频谱分别如图10a、图10b、图10c和图10d所示,从图10d中可以看出该绝缘接头附近的信号中既存在冲击性成分又存在钢轨波磨引起的周期性成分。
为了更准确地对钢轨存在的短波病害类型进行识别,还可以结合贝叶斯分类方法和知识图谱来进行识别。具体而言,可以先根据贝叶斯分类方法对训练样本进行学习,构建知识图谱,进一步地,在执行步骤101获取在钢轨上行驶的检测车辆在不同位置采集到的轴箱加速度信号之前,该方法还可以包括如下步骤:
首先,分别获取多组已知短波病害类型的轴箱加速度样本信号;
然后,通过贝叶斯分类计算不同短波病害类型的分类概率,得到不同短波病害类型的知识图谱。
贝叶斯分类通过计算后验的概率分布对数据进行分类。在统计学中,给定两事件X和Y,贝叶斯公式定义为:
其中,P(X)和P(Y)分别代表事件X和Y发生的概率;P(X|Y)表示在已知事件Y发生的前提下,事件X发生的概率;P(Y|X)则表示在已知事件X发生的前提下,事件Y发生的概率。其中,一种简单贝叶斯分类——朴素贝叶斯分类为了精简算法,设定给定类别的不同属性的值之间相互独立,其原理如图11所示。
其中,Y表示类别,mi表示不同属性的值,并且属性mi和mj(i≠j)之间相互独立。假设有k个类Y1,Y2,…Yk,对于给定的样本数据X={X1,X2,…Xn},其中Xi表示样本X第i个属性的值,当判定样本X属于类Yi时,满足
P(Yi|X)>P(Yj|X),i≠j且1≤i,j≤k
参考贝叶斯公式
其中P(X)对于不同的类别不变,所以仅需要求解P(X|Yi)P(Yi)的最大值,记作argmaxP(X|Yi)P(Yi)。
对于假定类条件独立的朴素贝叶斯分类方法,P(X|Yi)可以写成:
P(X|Yi)P(Yi)>P(X|Yj)P(Yj)i≠j且1≤i,j≤k
样本X属于类Yi。
利用以上方法,通过对大量训练样本(例如,可以采集1000组轴箱加速度信号)进行学习,构建知识图谱。
进一步地,在执行步骤101获取在钢轨上行驶的检测车辆在不同位置采集到的轴箱加速度信号之后,可以结合知识图谱识别钢轨中存在的短波病害类型。
实验性地,针对五条长大高速线路进行轨道短波病害的识别以及评判,获得病害数量以及准确率和误判率如图12所示。由图12可以看出,本发明实施例提供的钢轨短波病害类型的识别方法,基于时频分析和数据挖掘的轨道短波病害识别短波病害类型的准确率较高。
结合图13,说明本发明实施例提供的钢轨短波病害类型的识别方法的一个具体实施方式。
如图13所示,利用轴箱垂向振动加速度,基于时频分析和数据挖掘方法,对轨道短波病害的自动分类以及诊断,详细步骤如下:
(1)利用轴箱加速度计算轨道冲击指数(TII);
(2)若TII阈值γ1,则轨面存在冲击性病害,若否,则不存在
(3)若TII峰值位于道岔区,则存在道岔不良;若否,执行下一步;
(4)若TII峰值呈现等间隔特征,其间隔为25米、100米或500米,则存在焊缝不良;若否则存在钢轨擦伤、硌伤或剥离掉块等单点病害;
(5)利用轴箱加速度计算波磨指数RCI以及能量因子η;
(6)若RCI大于阈值γ2且能量因子大于阈值γ3,则存在钢轨波磨;若否,则不存在钢轨波磨;
(7)通过CEEMD-STFT方法利用轴箱加速度计算对应的时频谱;
(8)若时频谱中即存在拟周期性成分又存在冲击性成分,则存在复合病害;
(9)以1000个病害案例作为训练集,通过贝叶斯理论进行输入性学习,获取各种病害对应的数据特征,构建知识图谱;
(10)以轴箱加速度数据作为输入,知识图谱作为判断依据,进行轨道短波病害类型的识别。
其中,CEEMD算法的一个具体实施方式如图14所示,经过图14所示的步骤,原始的车辆动态响应信号(轴箱加速度信号)被分解为公式1,进一步地,信号通过CEEMD分解为不同的IMF和一个余项(R(t)),再分别进行后续的时频分析,能够有效减少模态混叠干扰。在得到总体平均的IMFs之后,将每个IMF和余项,做短时Fourier变换(STFT),再将得到的时频谱进行叠加,即可得到聚集性较好而且模态混叠较少的时频谱。
本发明实施例中还提供了一种钢轨短波病害类型的识别装置,如下面的实施例所述。由于该装置解决问题的原理与钢轨短波病害类型的识别方法相似,因此该装置的实施可以参见钢轨短波病害类型的识别方法的实施,重复之处不再赘述。
如图15所示,该钢轨短波病害类型的识别装置包括第一获取单元301,第一计算单元302,第一判断单元303,第一确定单元304,提取单元305和第一识别单元306。
其中,第一获取单元301用于获取在钢轨上行驶的检测车辆在不同位置采集到的轴箱加速度信号;第一计算单元302用于根据轴箱加速度信号,计算钢轨不同位置的轨道冲击指数;第一判断单元303用于判断钢轨中是否存在轨道冲击指数超过第一阈值的位置;第一确定单元304用于若判断结果为是,则确定钢轨中存在短波病害;提取单元305用于提取钢轨上每个连续超过第一阈值的位置区间中的峰值位置;第一识别单元306用于根据峰值位置在钢轨中所处位置的特征,识别钢轨存在的短波病害类型。
进一步地,第一识别单元包括:
第一确定子单元,用于在峰值位置位于钢轨的道岔区,且所述轨道冲击指数超过第二阈值的情况下,确定钢轨存在的短波病害类型包括道岔不良;
第二确定子单元,用于在峰值位置呈现等间隔特征,且间隔距离为预设距离的情况下,确定钢轨存在的短波病害类型包括焊缝不良;
第三确定子单元,用于在峰值位置呈现等间隔特征,且间隔距离不为预设距离的情况下,确定钢轨存在的短波病害类型包括单点病害。
进一步地,该装置还包括:
第二计算单元,用于根据轴箱加速度信号计算波磨指数和能量集中因子;
第二确定单元,用于在波磨指数超过第三阈值或能量集中因子超过第四阈值的情况下,确定钢轨存在钢轨波磨;
第三计算单元,用于在波磨指数未超过第三阈值或能量集中因子未超过第四阈值的情况下,计算轴箱加速度信号的时频谱;
第三确定单元,用于在时频谱中同时包含冲击性成分和拟周期性成分的情况下,确定钢轨存在的短波病害包括复合病害。
进一步地,第三计算单元包括:
分解子单元,用于将轴箱加速度信号分解为多个固有模态函数和余项;
变换子单元,用于分别对每个固有模态函数和余项执行短时傅里叶变换;
叠加子单元,用于叠加经过短时傅里叶变换之后得到的所有时频谱,得到轴箱加速度信号的时频谱。
进一步地,该装置还包括:
第二获取单元,用于分别获取多组已知短波病害类型的轴箱加速度样本信号;
第四计算单元,用于通过贝叶斯分类计算不同短波病害类型的分类概率,得到不同短波病害类型的知识图谱;
第二识别单元,用于结合知识图谱识别钢轨中存在的短波病害类型。
本发明实施例中提供的钢轨短波病害类型的识别装置,通过获取在钢轨上行驶的检测车辆在不同位置采集到的轴箱加速度信号,然后,根据轴箱加速度信号,计算钢轨不同位置的轨道冲击指数,进一步地,可以判断钢轨中是否存在轨道冲击指数超过第一阈值的位置,若判断结果为是,则确定钢轨中存在短波病害,进而,可以提取钢轨上每个连续超过第一阈值的位置区间中的峰值位置,从而根据峰值位置在钢轨中所处位置的特征,识别钢轨存在的短波病害类型,与现有技术中的技术方案相比,通过计算轨道冲击指数,确定轨道冲击指数超过第一阈值的位置,可以准确的根据位置特征识别钢轨存在的短波病害类型,解决了相关技术中无法确定短波病害类型的技术问题。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在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上述钢轨短波病害类型的识别方法。
本发明实施例提供的计算机设备,通过获取在钢轨上行驶的检测车辆在不同位置采集到的轴箱加速度信号,然后,根据轴箱加速度信号,计算钢轨不同位置的轨道冲击指数,进一步地,可以判断钢轨中是否存在轨道冲击指数超过第一阈值的位置,若判断结果为是,则确定钢轨中存在短波病害,进而,可以提取钢轨上每个连续超过第一阈值的位置区间中的峰值位置,从而根据峰值位置在钢轨中所处位置的特征,识别钢轨存在的短波病害类型,与现有技术中的技术方案相比,通过计算轨道冲击指数,确定轨道冲击指数超过第一阈值的位置,可以准确的根据位置特征识别钢轨存在的短波病害类型,解决了相关技术中无法确定短波病害类型的技术问题。
本发明实施例还提供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执行上述钢轨短波病害类型的识别方法的计算机程序。
本发明实施例提供的计算机可读存储介质,通过获取在钢轨上行驶的检测车辆在不同位置采集到的轴箱加速度信号,然后,根据轴箱加速度信号,计算钢轨不同位置的轨道冲击指数,进一步地,可以判断钢轨中是否存在轨道冲击指数超过第一阈值的位置,若判断结果为是,则确定钢轨中存在短波病害,进而,可以提取钢轨上每个连续超过第一阈值的位置区间中的峰值位置,从而根据峰值位置在钢轨中所处位置的特征,识别钢轨存在的短波病害类型,与现有技术中的技术方案相比,通过计算轨道冲击指数,确定轨道冲击指数超过第一阈值的位置,可以准确的根据位置特征识别钢轨存在的短波病害类型,解决了相关技术中无法确定短波病害类型的技术问题。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种钢轨短波病害类型的识别方法,其特征在于,包括:
获取在钢轨上行驶的检测车辆在不同位置采集到的轴箱加速度信号;
根据所述轴箱加速度信号,计算所述钢轨不同位置的轨道冲击指数;
判断所述钢轨中是否存在所述轨道冲击指数超过第一阈值的位置;
若判断结果为是,则确定所述钢轨中存在短波病害;
提取所述钢轨上每个连续超过所述第一阈值的位置区间中的峰值位置;
根据所述峰值位置在所述钢轨中所处位置的特征,识别所述钢轨存在的短波病害类型;
所述根据所述峰值位置在所述钢轨中所处位置的特征,识别所述钢轨存在的短波病害类型,包括:
在所述峰值位置位于所述钢轨的道岔区,且所述轨道冲击指数超过第二阈值的情况下,确定所述钢轨存在的所述短波病害类型包括道岔不良;
在所述峰值位置呈现等间隔特征,且间隔距离为预设距离的情况下,确定所述钢轨存在的所述短波病害类型包括焊缝不良;
在所述峰值位置未呈现所述等间隔特征,或呈现所述等间隔特征且所述间隔距离不为所述预设距离的情况下,确定所述钢轨存在的所述短波病害类型包括单点病害。
2.如权利要求1所述的方法,其特征在于,在获取在钢轨上行驶的检测车辆在不同位置采集到的轴箱加速度信号之后,所述方法还包括:
根据所述轴箱加速度信号计算波磨指数和能量集中因子;
在所述波磨指数超过第三阈值或所述能量集中因子超过第四阈值的情况下,确定所述钢轨存在钢轨波磨;
在所述波磨指数未超过第三阈值或所述能量集中因子未超过第四阈值的情况下,计算所述轴箱加速度信号的时频谱;
在所述时频谱中同时包含冲击性成分和拟周期性成分的情况下,确定所述钢轨存在的短波病害包括复合病害。
3.如权利要求2所述的方法,其特征在于,所述计算所述轴箱加速度信号的时频谱,包括:
将所述轴箱加速度信号分解为多个固有模态函数和余项;
分别对每个所述固有模态函数和所述余项执行短时傅里叶变换;
叠加经过所述短时傅里叶变换之后得到的所有时频谱,得到所述轴箱加速度信号的时频谱。
4.如权利要求2所述的方法,其特征在于,在获取在钢轨上行驶的检测车辆在不同位置采集到的轴箱加速度信号之前,所述方法还包括:
分别获取多组已知短波病害类型的轴箱加速度样本信号;
通过贝叶斯分类计算不同短波病害类型的分类概率,得到不同短波病害类型的知识图谱;
在获取在钢轨上行驶的检测车辆在不同位置采集到的轴箱加速度信号之后,所述方法还包括:
结合所述知识图谱识别所述钢轨中存在的短波病害类型。
5.一种钢轨短波病害类型的识别装置,其特征在于,包括:
第一获取单元,用于获取在钢轨上行驶的检测车辆在不同位置采集到的轴箱加速度信号;
第一计算单元,用于根据所述轴箱加速度信号,计算所述钢轨不同位置的轨道冲击指数;
第一判断单元,用于判断所述钢轨中是否存在所述轨道冲击指数超过第一阈值的位置;
第一确定单元,用于若判断结果为是,则确定所述钢轨中存在短波病害;
提取单元,用于提取所述钢轨上每个连续超过所述第一阈值的位置区间中的峰值位置;
第一识别单元,用于根据所述峰值位置在所述钢轨中所处位置的特征,识别所述钢轨存在的短波病害类型;
所述第一识别单元包括:
第一确定子单元,用于在所述峰值位置位于所述钢轨的道岔区,且所述轨道冲击指数超过第二阈值的情况下,确定所述钢轨存在的所述短波病害类型包括道岔不良;
第二确定子单元,用于在所述峰值位置呈现等间隔特征,且间隔距离为预设距离的情况下,确定所述钢轨存在的所述短波病害类型包括焊缝不良;
第三确定子单元,用于在所述峰值位置未呈现所述等间隔特征,或呈现所述等间隔特征的情况下,确定所述钢轨存在的所述短波病害类型包括单点病害。
6.如权利要求5所述的装置,其特征在于,所述装置还包括:
第二计算单元,用于根据所述轴箱加速度信号计算波磨指数和能量集中因子;
第二确定单元,用于在所述波磨指数超过第三阈值或所述能量集中因子超过第四阈值的情况下,确定所述钢轨存在钢轨波磨;
第三计算单元,用于在所述波磨指数未超过第三阈值或所述能量集中因子未超过第四阈值的情况下,计算所述轴箱加速度信号的时频谱;
第三确定单元,用于在所述时频谱中同时包含冲击性成分和拟周期性成分的情况下,确定所述钢轨存在的短波病害包括复合病害。
7.如权利要求6所述的装置,其特征在于,所述第三计算单元包括:
分解子单元,用于将所述轴箱加速度信号分解为多个固有模态函数和余项;
变换子单元,用于分别对每个所述固有模态函数和所述余项执行短时傅里叶变换;
叠加子单元,用于叠加经过所述短时傅里叶变换之后得到的所有时频谱,得到所述轴箱加速度信号的时频谱。
8.如权利要求6所述的装置,其特征在于,所述装置还包括:
第二获取单元,用于分别获取多组已知短波病害类型的轴箱加速度样本信号;
第四计算单元,用于通过贝叶斯分类计算不同短波病害类型的分类概率,得到不同短波病害类型的知识图谱;
第二识别单元,用于结合所述知识图谱识别所述钢轨中存在的短波病害类型。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在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权利要求1至4任一所述方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至4任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110742512.5A CN113281414B (zh) | 2021-06-30 | 2021-06-30 | 钢轨短波病害类型的识别方法及装置、以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110742512.5A CN113281414B (zh) | 2021-06-30 | 2021-06-30 | 钢轨短波病害类型的识别方法及装置、以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113281414A CN113281414A (zh) | 2021-08-20 |
CN113281414B true CN113281414B (zh) | 2022-10-25 |
Family
ID=77286252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110742512.5A Active CN113281414B (zh) | 2021-06-30 | 2021-06-30 | 钢轨短波病害类型的识别方法及装置、以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113281414B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114348054A (zh) * | 2022-01-14 | 2022-04-15 | 北京唐智科技发展有限公司 | 一种铁路道岔病害监测方法、装置及系统 |
CN114659486B (zh) * | 2022-02-28 | 2023-09-29 | 成都唐源电气股份有限公司 | 一种基于数字滤波的钢轨惯性波磨测量方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000136988A (ja) * | 1998-10-30 | 2000-05-16 | East Japan Railway Co | レール波状摩耗検出手法 |
JP2011245917A (ja) * | 2010-05-24 | 2011-12-08 | Hitachi Ltd | 鉄道車両の状態監視装置及び状態監視方法、並びに鉄道車両 |
CN105346561A (zh) * | 2015-12-02 | 2016-02-24 | 北京交通大学 | 基于运营车辆的轨道道岔病害检测系统及方法 |
CN109142524A (zh) * | 2018-08-14 | 2019-01-04 | 唐智科技湖南发展有限公司 | 一种轨道损伤检测方法、装置及设备 |
CN110987348A (zh) * | 2019-12-19 | 2020-04-10 | 中国国家铁路集团有限公司 | 基于弓网动态响应的接触网硬点确定方法及装置 |
CN112556627A (zh) * | 2020-11-20 | 2021-03-26 | 中国铁道科学研究院集团有限公司 | 钢轨波磨检测系统及方法 |
-
2021
- 2021-06-30 CN CN202110742512.5A patent/CN113281414B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000136988A (ja) * | 1998-10-30 | 2000-05-16 | East Japan Railway Co | レール波状摩耗検出手法 |
JP2011245917A (ja) * | 2010-05-24 | 2011-12-08 | Hitachi Ltd | 鉄道車両の状態監視装置及び状態監視方法、並びに鉄道車両 |
CN105346561A (zh) * | 2015-12-02 | 2016-02-24 | 北京交通大学 | 基于运营车辆的轨道道岔病害检测系统及方法 |
CN109142524A (zh) * | 2018-08-14 | 2019-01-04 | 唐智科技湖南发展有限公司 | 一种轨道损伤检测方法、装置及设备 |
CN110987348A (zh) * | 2019-12-19 | 2020-04-10 | 中国国家铁路集团有限公司 | 基于弓网动态响应的接触网硬点确定方法及装置 |
CN112556627A (zh) * | 2020-11-20 | 2021-03-26 | 中国铁道科学研究院集团有限公司 | 钢轨波磨检测系统及方法 |
Non-Patent Citations (2)
Title |
---|
评判高铁轨道短波不平顺病害的轨道冲击指数法;刘金朝等;《中国铁道科学》;20160715;第37卷(第04期);第34-41页 * |
钢轨波磨指数与轨道短波不平顺关系研究;牛留斌等;《中国铁道科学》;20200915;第41卷(第05期);第46-55页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113281414A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A two-level adaptive chirp mode decomposition method for the railway wheel flat detection under variable-speed conditions | |
CN113281414B (zh) | 钢轨短波病害类型的识别方法及装置、以及电子设备 | |
Wang et al. | Optimization of segmentation fragments in empirical wavelet transform and its applications to extracting industrial bearing fault features | |
Caprioli et al. | Rail inspection in track maintenance: A benchmark between the wavelet approach and the more conventional Fourier analysis | |
CN103914617B (zh) | 地铁车辆转向架轴承的故障诊断方法 | |
CN110987348B (zh) | 基于弓网动态响应的接触网硬点确定方法及装置 | |
CN105092467B (zh) | 一种高速铁路车轮踏面擦伤快速监测装置及方法 | |
CN110197588A (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
CN106441893A (zh) | 火车滚动轴承故障与杂质振动区分方法 | |
CN103335617A (zh) | 一种基于振动信号的铁路钢轨几何形变检测方法 | |
CN113358380B (zh) | 一种轨道车辆蛇行运动稳定性检测和评定方法 | |
CN108254179A (zh) | 一种基于meemd排列熵的高速列车轮对轴承故障诊断方法 | |
CN114997252B (zh) | 一种基于惯性原理的车轮多边形车载检测方法 | |
CN113486874B (zh) | 一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法 | |
CN107121285A (zh) | 一种滚动轴承振动信号故障特征提取方法 | |
CN110501172A (zh) | 一种基于轴箱振动的轨道车辆车轮状态识别方法 | |
Zhang et al. | An adaptive graph morlet wavelet transform for railway wayside acoustic detection | |
Wei et al. | Carriage interior noise-based inspection for rail corrugation on high-speed railway track | |
CN116297841A (zh) | 一种基于光纤分布式振动检测的铁路轨道病害识别方法 | |
CN102519577A (zh) | 道路中路面的识别方法及系统 | |
CN107782548B (zh) | 一种基于对轨道交通工具零部件检测系统 | |
Komorski et al. | Development of the urban rail vehicle acoustic model | |
Kojima et al. | Fault detection of railway track by multi-resolution analysis | |
Alten et al. | Detecting and classifying rail corrugation based on axle bearing vibration | |
CN113343919A (zh) | 钢轨连续等距离擦硌伤的检测方法、装置、及计算机设备 |
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 |