CN114878691A - 一种用于钢轨波磨智能检测多分类的数据增强方法 - Google Patents

一种用于钢轨波磨智能检测多分类的数据增强方法 Download PDF

Info

Publication number
CN114878691A
CN114878691A CN202210801680.1A CN202210801680A CN114878691A CN 114878691 A CN114878691 A CN 114878691A CN 202210801680 A CN202210801680 A CN 202210801680A CN 114878691 A CN114878691 A CN 114878691A
Authority
CN
China
Prior art keywords
corrugation
node
target
condition
sample
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.)
Granted
Application number
CN202210801680.1A
Other languages
English (en)
Other versions
CN114878691B (zh
Inventor
刘晓龙
温泽峰
肖新标
梁树林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210801680.1A priority Critical patent/CN114878691B/zh
Publication of CN114878691A publication Critical patent/CN114878691A/zh
Application granted granted Critical
Publication of CN114878691B publication Critical patent/CN114878691B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • 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
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4472—Mathematical theories or simulation
    • 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
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/48—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by amplitude comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Acoustics & Sound (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Machines For Laying And Maintaining Railways (AREA)

Abstract

本发明涉及钢轨波磨技术领域，涉及一种用于钢轨波磨智能检测多分类的数据增强方法，包括：一，根据现场测试，获取足够多的无波磨情况下以及复杂波磨情况下的轮轨噪声测试样本；二，分别对实测无波磨情况下的轮轨噪声样本和复杂波磨情况下的轮轨噪声样本进行小波包分解，得到从低频到高频的小波包节点，选出需增强样本的目标节点；三，将复杂波磨情况下分解得到目标节点替换到无波磨情况下的对应节点位置，组成仅包含目标波磨的节点组合；四，对上述仅包含目标波磨的节点组合进行小波包重构得到时域样本，并对时域样本添加随机白噪声，增加信号的随机性，最终得到仅含有目标波磨的轮轨噪声样本。本发明能较佳地实现目标样本增强。

Description

一种用于钢轨波磨智能检测多分类的数据增强方法
技术领域
本发明涉及钢轨波磨技术领域，具体地说，涉及一种用于钢轨波磨智能检测多分类的数据增强方法。
背景技术
基于机器学习的钢轨短波波磨的智能检测与大多数其他类型的机械故障检测（如轴承故障诊断）有着很大的差异，最主要的一点是现实中钢轨的波浪型磨耗形式十分复杂，复杂幅值的多谐波叠加，导致钢轨波磨分类类型众多，单从波长方面讲，就可能存在若干种单一波长形式，如，31.5mm，40mm，50mm等，以及若干中复合波长形式，如31.5-40mm，31.5-50mm，40-50mm，以及31.5-40-50mm等。在现实中，大多数情况下，短波波磨是以某种复合波长的形式存在，这种情况可以获取足够数量的轮轨噪声样本，而单一波长虽然不像复合波长形式那么常见，仍然会在特定的轨道类型以及特定的曲线半径处出现，因此，相比于复合波长情况下，单一波长时的轮轨噪声样本会少很多。如果再把波磨幅值分类考虑进来，那么无论是单一波长情况还是复合波长情况，不同幅值等级下的轮轨噪声样本就更加难以获取。首先，由于试验条件限值，不可能在整个打磨周期对不同幅值水平下的轮轨噪声进行测试；其次，钢轨复合波长情况下的波磨幅值发展基本上无规律可循，例如，31.5-40mm的复合波磨，在某一阶段可能是由31.5mm占据主导，随着列车的运营，也有可能会出现40mm的波磨迅速发展而占据主导地位。最后，钢轨波磨情况下的轮轨噪声情况，无法像轴承故障诊断可以在实验室中模拟不同类型、不同程度的故障，从而获取足够的样本。在这种情况下，主要的钢轨短波波磨分类样本就会出现严重的不平衡，从而导致分类预测结果出现严重误差。
发明内容
本发明的内容是提供用于钢轨波磨智能检测多分类的数据增强方法，其能够解决样本不平衡带来的分类精度低的问题。
根据本发明的一种用于钢轨波磨智能检测多分类的数据增强方法，其包括以下步骤：
第一步，根据现场测试，获取足够多的无波磨情况下以及复杂波磨情况下的轮轨噪声测试样本；
第二步，分别对实测无波磨情况下的轮轨噪声样本S 0,j 和复杂波磨情况下的轮轨噪声样本S i,j 进行小波包分解，0表示无波磨，j表示样本数量，i表示波磨波长类型或波磨幅值类型，i根据分类目的而定；得到从低频到高频的小波包节点N k,i,j ，k表示小波包节点序号，k由分解层数决定；选出需增强样本的目标节点N d,i,j ；
第三步，将复杂波磨情况下分解得到目标节点替换到无波磨情况下的对应节点位置，组成仅包含目标波磨的节点组合；
第四步，对上述仅包含目标波磨的节点组合进行小波包重构得到时域样本，并对时域样本添加随机白噪声，增加信号的随机性，最终得到仅含有目标波磨的轮轨噪声样本。
作为优选，第一步中，复杂包含两方面，第一是波长，第二是幅值，对于两种分类目标均相同，两种分类目标为波长分类和幅值分类。
作为优选，第二步中，目标节点N d,i,j 可以是某一个节点或若干个节点。
本发明可实现目标样本的增强，从而解决样本不不平衡，进而提高钢轨波磨智能诊断的正确率。
附图说明
图1为实施例中一种用于钢轨波磨智能检测多分类的数据增强方法的流程图；
图2为实施例中样本不平衡情况下交叉验证精度示意图；
图3为实施例中数据增强情况下交叉验证精度示意图。
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。
如图1所示，本实施例提供了一种用于钢轨波磨智能检测多分类的数据增强方法，其包括以下步骤：
第一步，根据现场测试，获取足够多的无波磨情况下，以及复杂波磨情况下的轮轨噪声测试样本，此处的复杂包含两方面，第一是波长，第二是幅值，对于两种分类目标（波长分类，幅值分类）均相同；
第二步，分别对实测无波磨情况下的轮轨噪声样本S 0,j （0表示无波磨，j表示样本数量）和复杂波磨情况下的轮轨噪声样本S i,j （i表示波磨波长类型，或者波磨幅值类型，可根据分类目的而定，j表示样本数量）进行小波包分解，得到从低频到高频的小波包节点N k,i,j （k表示小波包节点序号，由分解层数决定），选出目标节点N d,i,j ，节点N d,i,j 表示需要增强的样本所对应的目标节点，它可以是某一个节点，也可以是若干个节点。
第三步，将复杂波磨情况下分解得到目标节点替换到无波磨情况下的对应节点位置，组成仅包含目标波磨的节点组合；
第四步，对上述仅包含目标波磨的节点组合进行小波包重构得到时域样本，并对时域样本添加随机白噪声，增加信号的随机性，最终得到仅含有目标波磨的轮轨噪声样本。
通过该方法增强数据样本，解决了钢轨波磨智能诊断过程中的部分类型样本不平衡的问题，进而提高了对各种情况下钢轨波磨智能诊断的准确率。以支持向量机分类器为例，如图2、图3和表1所示，为便于显示，图2图3中横、纵坐标log2c、log2g分别表示惩罚系数c与核函数参数g的对数。图2中样本不平衡情况下，使用网格搜索寻优算法，得到最优惩罚系数c=86475.2704，最优核函数参数g=0.0078125，采用五折交叉验证，得到交叉验证精度=92.1296%；图3中样本增强情况下，用网格搜索寻优算法，得到最优惩罚系数c=111.4305，最优核函数参数g=10.5561，采用五折交叉验证，得到交叉验证精度=99.8698%。
在实例中，样本不平衡情况下，3种标签下不平衡的样本数量为其余5种标签的充足样本数量的1/8。对于数据增强情况下，每种标签下的数据样本数量均相同，对两种情况下训练得到的分类器进行测试，得到测试准确率如表1所示，其中样本不平衡情况下，测试集准确率为91.36%；数据增强情况下，平均测试集准确率达到99.09%。
表1 测试集准确率
Figure 539974DEST_PATH_IMAGE002
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (3)

1.一种用于钢轨波磨智能检测多分类的数据增强方法，其特征在于：包括以下步骤：
第一步，根据现场测试，获取足够多的无波磨情况下以及复杂波磨情况下的轮轨噪声测试样本；
第二步，分别对实测无波磨情况下的轮轨噪声样本S 0,j 和复杂波磨情况下的轮轨噪声样本S i,j 进行小波包分解，0表示无波磨，j表示样本数量，i表示波磨波长类型或波磨幅值类型，i根据分类目的而定；得到从低频到高频的小波包节点N k,i,j ，k表示小波包节点序号，k由分解层数决定；选出需增强样本的目标节点N d,i,j ；
第三步，将复杂波磨情况下分解得到目标节点替换到无波磨情况下的对应节点位置，组成仅包含目标波磨的节点组合；
第四步，对上述仅包含目标波磨的节点组合进行小波包重构得到时域样本，并对时域样本添加随机白噪声，增加信号的随机性，最终得到仅含有目标波磨的轮轨噪声样本。
2.根据权利要求1所述的一种用于钢轨波磨智能检测多分类的数据增强方法，其特征在于：第一步中，复杂包含两方面，第一是波长，第二是幅值，对于两种分类目标均相同，两种分类目标为波长分类和幅值分类。
3.根据权利要求1所述的一种用于钢轨波磨智能检测多分类的数据增强方法，其特征在于：第二步中，目标节点N d,i,j 可以是某一个节点或若干个节点。
CN202210801680.1A 2022-07-08 2022-07-08 一种用于钢轨波磨智能检测多分类的数据增强方法 Active CN114878691B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210801680.1A CN114878691B (zh) 2022-07-08 2022-07-08 一种用于钢轨波磨智能检测多分类的数据增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210801680.1A CN114878691B (zh) 2022-07-08 2022-07-08 一种用于钢轨波磨智能检测多分类的数据增强方法

Publications (2)

Publication Number Publication Date
CN114878691A true CN114878691A (zh) 2022-08-09
CN114878691B CN114878691B (zh) 2022-10-25

Family

ID=82682984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210801680.1A Active CN114878691B (zh) 2022-07-08 2022-07-08 一种用于钢轨波磨智能检测多分类的数据增强方法

Country Status (1)

Country Link
CN (1) CN114878691B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102953303A (zh) * 2011-08-19 2013-03-06 北京市重大项目建设指挥部办公室 地铁钢轨波磨的整治方法
CN105292177A (zh) * 2015-11-26 2016-02-03 唐智科技湖南发展有限公司 一种用轴箱振动、冲击信息测量轨道波磨的方法
CN109373907A (zh) * 2018-09-20 2019-02-22 华东交通大学 一种钢轨磨损检测装置
CN109583101A (zh) * 2018-12-04 2019-04-05 西南交通大学 一种铁路扣件检测方法及装置
CN109785301A (zh) * 2018-12-27 2019-05-21 北京交通大学 一种基于图像处理的钢轨波磨自动识别方法与评估方法
CN110029544A (zh) * 2019-06-03 2019-07-19 西南交通大学 一种轨道不平顺的测量方法及装置
CN110426005A (zh) * 2019-07-01 2019-11-08 中国铁道科学研究院集团有限公司节能环保劳卫研究所 基于imf能量比的高速铁路钢轨波磨声学诊断方法
CN111311567A (zh) * 2020-02-12 2020-06-19 北京交通大学 对轨道线路图像进行扣件和钢轨病害识别的方法
CN113486874A (zh) * 2021-09-08 2021-10-08 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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102953303A (zh) * 2011-08-19 2013-03-06 北京市重大项目建设指挥部办公室 地铁钢轨波磨的整治方法
CN105292177A (zh) * 2015-11-26 2016-02-03 唐智科技湖南发展有限公司 一种用轴箱振动、冲击信息测量轨道波磨的方法
CN109373907A (zh) * 2018-09-20 2019-02-22 华东交通大学 一种钢轨磨损检测装置
CN109583101A (zh) * 2018-12-04 2019-04-05 西南交通大学 一种铁路扣件检测方法及装置
CN109785301A (zh) * 2018-12-27 2019-05-21 北京交通大学 一种基于图像处理的钢轨波磨自动识别方法与评估方法
CN110029544A (zh) * 2019-06-03 2019-07-19 西南交通大学 一种轨道不平顺的测量方法及装置
CN110426005A (zh) * 2019-07-01 2019-11-08 中国铁道科学研究院集团有限公司节能环保劳卫研究所 基于imf能量比的高速铁路钢轨波磨声学诊断方法
CN111311567A (zh) * 2020-02-12 2020-06-19 北京交通大学 对轨道线路图像进行扣件和钢轨病害识别的方法
CN113486874A (zh) * 2021-09-08 2021-10-08 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

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JEAN BAPTISTE TARY等: ""Analysis of time-varying signals using continuous wavelet and synchrosqueezed transforms"", 《PHILOSOPHICAL TRANSACTIONS A》 *
XIAOLONG LIU等: ""An indirect method for rail corrugation measurement based on numerical models and wavelet packet decomposition"", 《MEASUREMENT》 *
周成 等: ""基于三维轮轨瞬态动力学模型的钢轨波磨不平顺动力影响与识别"", 《铁道科学与工程学报》 *
朱崇巧: "基于HHT的高速铁路钢轨波磨检测方法", 《电子测量技术》 *
翟国锐等: "城市轨道交通钢轨波浪形磨耗检测仿真研究", 《北京交通大学学报》 *
陈双喜等: "基于改进的EMD方法提取车辆-轨道垂向耦合系统动态特性", 《振动与冲击》 *

Also Published As

Publication number Publication date
CN114878691B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
Zhao et al. Deep convolutional neural network based planet bearing fault classification
Cheng et al. Gear fault identification based on Hilbert–Huang transform and SOM neural network
Qin et al. The fault diagnosis of rolling bearing based on ensemble empirical mode decomposition and random forest
Jiang et al. Fault Diagnosis of Rotating Machinery Based on Multisensor Information Fusion Using SVM and Time‐Domain Features
Li et al. Multiscale symbolic Lempel–Ziv: An effective feature extraction approach for fault diagnosis of railway vehicle systems
CN112906644A (zh) 基于深度迁移学习的机械故障智能诊断方法
Pan et al. A deep learning network via shunt-wound restricted Boltzmann machines using raw data for fault detection
Chen et al. Fault feature extraction and diagnosis of gearbox based on EEMD and deep briefs network
Hasan et al. Multi-sensor fusion-based time-frequency imaging and transfer learning for spherical tank crack diagnosis under variable pressure conditions
CN111983569B (zh) 基于神经网络的雷达干扰抑制方法
Li et al. IncepTCN: A new deep temporal convolutional network combined with dictionary learning for strong cultural noise elimination of controlled-source electromagnetic data
CN110879254A (zh) 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法
Upadhyay et al. Diagnosis of bearing defects using tunable Q-wavelet transform
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
CN110503075A (zh) 基于pso-eemd方法的行星齿轮箱故障诊断方法及系统
Gao et al. Fault diagnosis method of rolling bearings based on adaptive modified CEEMD and 1DCNN model
Zheng Rolling bearing fault diagnosis based on partially ensemble empirical mode decomposition and variable predictive model-based class discrimination
Li et al. Optimal symbolic entropy: An adaptive feature extraction algorithm for condition monitoring of bearings
Zhang et al. Research on the fault diagnosis method for rolling bearings based on improved VMD and automatic IMF acquisition
Yang et al. Early change detection in dynamical bearing degradation process based on hierarchical graph model and adaptive inputs weighting fusion
CN115659143A (zh) 一种基于试验设计的故障实时诊断方法
CN111461183A (zh) 改进人工鱼群算法优化bp神经网络的平轮故障检测方法
Li et al. Transformer-based meta learning method for bearing fault identification under multiple small sample conditions
Liu et al. Multi-scale residual anti-noise network via interpretable dynamic recalibration mechanism for rolling bearing fault diagnosis with few samples
CN114878691B (zh) 一种用于钢轨波磨智能检测多分类的数据增强方法

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