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 PDFInfo
- 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
- node
- rail
- target
- wave grinding
- corrugation
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 title claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 239000002131 composite material Substances 0.000 description 7
- 238000002790 cross-validation Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000013434 data augmentation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (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)
- 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
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
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。
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)
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 |
-
2022
- 2022-07-08 CN CN202210801680.1A patent/CN114878691B/zh active Active
Patent Citations (9)
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)
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 |
---|---|---|
CN109299705B (zh) | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 | |
Hsu et al. | Machine learning many-body localization: Search for the elusive nonergodic metal | |
CN108334948B (zh) | 一种基于宽残差网络学习模型的机械轴承故障诊断技术 | |
JP2021057042A (ja) | 製品の分類システムおよび製品の分類方法 | |
CN107909564A (zh) | 一种基于深度学习的全卷积网络图像裂纹检测方法 | |
CN110703057A (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
CN106201897B (zh) | 基于主成分分布函数的软件缺陷预测不平衡数据处理方法 | |
Chen et al. | Fault feature extraction and diagnosis of gearbox based on EEMD and deep briefs network | |
TW200842570A (en) | Method for enhancing the diagnostic accuracy of a VLSI chip | |
CN114997218B (zh) | 一种针对轨道车辆车轮多边形磨耗的识别检测方法 | |
CN109211546A (zh) | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 | |
CN115017943B (zh) | 轴承故障诊断模型训练方法及训练装置 | |
CN113946920B (zh) | 一种数据不平衡且数据集存在偏差的滚动轴承故障诊断方法 | |
Kim et al. | An oversampling method for wafer map defect pattern classification considering small and imbalanced data | |
Duan et al. | A novel classification method for flutter signals based on the CNN and STFT | |
Yao et al. | Improving rolling bearing fault diagnosis by DS evidence theory based fusion model | |
Li et al. | An interpretable aerodynamic identification model for hypersonic wind tunnels | |
CN103957116A (zh) | 一种云故障数据的决策方法及系统 | |
CN110956613A (zh) | 基于图像质量的目标检测算法性能归一化评价方法及系统 | |
CN114140736A (zh) | 一种基于高低频重建的图像异常检测方法 | |
CN102034111A (zh) | 一种对飞行器结构损伤状态进行多元化识别与检测的方法 | |
Dai et al. | Smart filter aided domain adversarial neural network for fault diagnosis in noisy industrial scenarios | |
CN114878691B (zh) | 一种用于钢轨波磨智能检测多分类的数据增强方法 | |
CN116106016A (zh) | 一种基于联合学习卷积神经网络的滚动轴承故障诊断方法 | |
Zhu et al. | Structural damage identification considering uncertainties in nonuniform measurement conditions based on convolution neural networks |
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 |