CN116223075B - 用于轨道交通车辆的振动稳定性检测系统及方法 - Google Patents
用于轨道交通车辆的振动稳定性检测系统及方法 Download PDFInfo
- Publication number
- CN116223075B CN116223075B CN202310492373.4A CN202310492373A CN116223075B CN 116223075 B CN116223075 B CN 116223075B CN 202310492373 A CN202310492373 A CN 202310492373A CN 116223075 B CN116223075 B CN 116223075B
- Authority
- CN
- China
- Prior art keywords
- vibration
- scale
- frequency domain
- feature
- feature vector
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000009826 distribution Methods 0.000 claims abstract description 41
- 239000013598 vector Substances 0.000 claims description 236
- 238000003062 neural network model Methods 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 41
- 238000000605 extraction Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000012935 Averaging Methods 0.000 claims description 12
- 230000003213 activating effect Effects 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 2
- 238000011105 stabilization Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000005265 energy consumption Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000005065 mining Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000000546 pharmaceutical excipient Substances 0.000 description 6
- 230000008439 repair process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/08—Railway vehicles
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Machines For Laying And Maintaining Railways (AREA)
Abstract
本申请公开了一种用于轨道交通车辆的振动稳定性检测系统及方法，其获取轨道交通车辆在预定时间段的振动信号；采用基于深度学习的人工智能技术，挖掘所述轨道交通车辆的振动信号中的各个隐藏特征的关联性特征分布信息，以此来准确地对于轨道交通车辆的振动稳定性进行评估检测。这样，可以准确地进行轨道交通车辆的运行状态监测，避免出现过修、欠修甚至事后修等问题。
Description
技术领域
本申请涉及智能化检测技术领域，且更为具体地，涉及一种用于轨道交通车辆的振动稳定性检测系统及方法。
背景技术
在轨道交通领域，通常利用无线传感器节点对轨道交通车辆，例如，地铁轮轴的运行状态进行实时监测，解决了地铁轮轴预防计划性维修维护模式存在的过修、欠修甚至事后修等问题，然而，无线传感器节点依赖外部电池供电，能量受限，当节点的能量耗尽时，节点的生命周期结束。利用电磁式振动能量收集技术将地铁轮轴振动的机械能转换为无线传感器节点工作的电能可解决节点能量受限的困境，电磁式振动能量收集的核心在于能量管理系统优化方法的设计，以实现电磁式振动能量收集供能环节和无线传感器节点耗能环节之间的协调。
但是，如果轨道交通车辆的振动不稳定，则其提供的能量在时间维度上存在较大波动，这使得用于进行振动能量转化的电磁式振动能量收集器所采集的能量存在较大的波动和不稳定。
因此，期望一种用于轨道交通车辆的振动稳定性检测方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于轨道交通车辆的振动稳定性检测系统及方法，其获取轨道交通车辆在预定时间段的振动信号；采用基于深度学习的人工智能技术，挖掘所述轨道交通车辆的振动信号中的各个隐藏特征的关联性特征分布信息，以此来准确地对于轨道交通车辆的振动稳定性进行评估检测。这样，可以准确地进行轨道交通车辆的运行状态监测，避免出现过修、欠修甚至事后修等问题。
根据本申请的一个方面，提供了一种用于轨道交通车辆的振动稳定性检测方法，其包括：
获取轨道交通车辆在预定时间段的振动信号；
基于快速傅里叶变换从所述振动信号提取多个振动频域统计特征值；
将所述多个振动频域统计特征值通过具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度振动频域统计关联特征向量；
将所述多个振动频域统计特征值通过具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度振动频域统计关联特征向量；
融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量以得到振动特征向量；
对所述振动特征向量进行特征分布调制以得到优化振动特征向量；
将所述优化振动特征向量通过分类器以得到分类结果，所述分类结果用于表示轨道交通车辆的振动稳定性是否符合预定标准。
在上述用于轨道交通车辆的振动稳定性检测方法中，将所述多个振动频域统计特征值通过具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度振动频域统计关联特征向量，包括：使用具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述具有第一尺度的一维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度振动频域统计关联特征向量，其中，所述具有第一尺度的一维卷积核的第一卷积神经网络模型的第一层的输入为所述多个振动频域统计特征值。
在上述用于轨道交通车辆的振动稳定性检测方法中，将所述多个振动频域统计特征值通过具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度振动频域统计关联特征向量，包括：使用具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述具有第二尺度的一维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度振动频域统计关联特征向量，其中，所述具有第二尺度的一维卷积核的第二卷积神经网络模型的第一层的输入为所述多个振动频域统计特征值。
在上述用于轨道交通车辆的振动稳定性检测方法中，融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量以得到振动特征向量，包括：以如下公式来融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量以得到振动特征向量；其中，所述公式为：
其中，表示所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量，/>表示级联函数，/>表示所述振动特征向量。
在上述用于轨道交通车辆的振动稳定性检测方法中，对所述振动特征向量进行特征分布调制以得到优化振动特征向量，包括：以如下公式对所述振动特征向量进行正定赋范空间的几何约束重参数化以得到所述优化振动特征向量；其中，所述公式为：
其中，是所述振动特征向量，/>是所述振动特征向量的转置向量，/>和/>分别是所述振动特征向量和所述优化振动特征向量的第/>个位置的特征值，且/>是行向量形式，和/>是所述振动特征向量的各个位置特征值集合的均值和方差，/>表示向量的二范数的平方，/>表示矩阵的Frobenius范数，/>表示计算以数值为幂的自然指数函数值。
在上述用于轨道交通车辆的振动稳定性检测方法中，将所述优化振动特征向量通过分类器以得到分类结果，所述分类结果用于表示轨道交通车辆的振动稳定性是否符合预定标准，包括：使用所述分类器的多个全连接层对所述优化振动特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
在上述用于轨道交通车辆的振动稳定性检测方法中，进一步包括响应于所述分类结果为轨道交通车辆的振动稳定性符合预定标准，生成启动能量收集指令。
根据本申请的另一个方面，提供了一种用于轨道交通车辆的振动稳定性检测系统，其包括：
信号获取模块，用于获取轨道交通车辆在预定时间段的振动信号；
特征值提取模块，用于基于快速傅里叶变换从所述振动信号提取多个振动频域统计特征值；
第一尺度特征提取模块，用于将所述多个振动频域统计特征值通过具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度振动频域统计关联特征向量；
第二尺度特征提取模块，用于将所述多个振动频域统计特征值通过具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度振动频域统计关联特征向量；
融合模块，用于融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量以得到振动特征向量；
特征分布调制模块，用于对所述振动特征向量进行特征分布调制以得到优化振动特征向量；
振动稳定结果生成模块，用于将所述优化振动特征向量通过分类器以得到分类结果，所述分类结果用于表示轨道交通车辆的振动稳定性是否符合预定标准。
在上述用于轨道交通车辆的振动稳定性检测系统中，所述第一尺度特征提取模块，用于：使用具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述具有第一尺度的一维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度振动频域统计关联特征向量，其中，所述具有第一尺度的一维卷积核的第一卷积神经网络模型的第一层的输入为所述多个振动频域统计特征值。
在上述用于轨道交通车辆的振动稳定性检测系统中，所述第二尺度特征提取模块，用于：使用具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述具有第二尺度的一维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度振动频域统计关联特征向量，其中，所述具有第二尺度的一维卷积核的第二卷积神经网络模型的第一层的输入为所述多个振动频域统计特征值。
与现有技术相比，本申请提供的用于轨道交通车辆的振动稳定性检测系统及方法，其获取轨道交通车辆在预定时间段的振动信号；采用基于深度学习的人工智能技术，挖掘所述轨道交通车辆的振动信号中的各个隐藏特征的关联性特征分布信息，以此来准确地对于轨道交通车辆的振动稳定性进行评估检测。这样，可以准确地进行轨道交通车辆的运行状态监测，避免出现过修、欠修甚至事后修等问题。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的用于轨道交通车辆的振动稳定性检测方法的场景示意图。
图2为根据本申请实施例的用于轨道交通车辆的振动稳定性检测方法的流程图。
图3为根据本申请实施例的用于轨道交通车辆的振动稳定性检测方法的架构示意图。
图4为根据本申请实施例的用于轨道交通车辆的振动稳定性检测方法中步骤S170的子步骤的流程图。
图5为根据本申请实施例的用于轨道交通车辆的振动稳定性检测系统的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
针对于轨道交通车辆的振动不稳定会导致能量存在较大的波动性和不稳定性，因此，为了能够稳定实现电磁式振动能量收集供能环节和无线传感器节点耗能环节之间的协调，以此来准确地进行轨道交通车辆的运行状态监测，避免出现过修、欠修甚至事后修等问题，就需要对于轨道交通车辆的振动稳定性进行实时监测管理。但是，由于轨道交通车辆的振动时序信号易受其他外界环境因素的干扰，难以对于轨道交通车辆的有效振动信号特征进行捕捉提取，并且其振动信号具有较多的隐藏特征，这些隐藏特征间具有着相互的关联关系，这对于提高轨道交通车辆的振动稳定性检测的精准度带来了困难。因此，在此过程中，难点在于如何准确地挖掘出所述轨道交通车辆的振动信号中的各个隐藏特征的关联性特征分布信息，以此来准确地对于轨道交通车辆的振动稳定性进行评估检测，以稳定实现电磁式振动能量收集供能环节和无线传感器节点耗能环节之间的协调，从而准确地进行轨道交通车辆的运行状态监测，避免出现过修、欠修甚至事后修等问题。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述轨道交通车辆的振动信号中的各个隐藏特征的关联性特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取轨道交通车辆在预定时间段的振动信号。接着，考虑到对于所述轨道交通车辆的振动信号来说，其在所述预定时间段内为时域信号，表现形式为波形图，由于所述时域信号虽然在时间关联中对于特征的显性更为直观，但是由于关于所述轨道交通车辆的振动稳定性的信号较弱，其会受到外界噪声的干扰，导致对于所述振动信号的特征提取的精准度较低，进而影响对于轨道交通车辆的运行状态检测。而频域信号的特征却不同于时域信号，将所述振动信号转换到频域中，能够通过所述振动信号在频域中的隐含特征分布信息确定所述轨道交通车辆的振动状态特征，以此来对其振动稳定性特征进行增强。因此，在本申请的技术方案中，使用所述振动信号的频域特征来进行振动稳定性检测。
具体地，考虑到所述振动信号中具有较多的特征信息，并且这些特征信息之间具有着关联性，因此，在进行所述振动信号的频域特征提取时，为了能够充分地挖掘出所述振动信号在频域中的特征分布的关联特征信息，以此来提高对于所述轨道交通车辆的振动稳定性检测的精度，进一步基于快速傅里叶变换从所述振动信号提取多个振动频域统计特征值。
然后，使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行所述多个振动频域统计特征值的特征挖掘，特别地，考虑到由于所述多个振动频域统计特征值中的各个振动频域统计特征值在不同的统计特征类型跨度下具有不同的关联关系。因此，为了能够充分地提取出所述多个振动频域统计特征值间的关联关系，以此来提高对于所述轨道交通车辆的振动稳定性检测的精准度，在本申请的技术方案中，进一步使用具有不同尺度的一维卷积核的卷积神经网络模型来进行所述多个振动频域统计特征值的隐含关联特征挖掘，以此来提取出所述多个振动频域统计特征值间在不同的振动频域统计特征类型跨度下的多尺度高维隐含关联特征分布信息。具体地，将所述多个振动频域统计特征值通过具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度振动频域统计关联特征向量，并且将所述多个振动频域统计特征值通过具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度振动频域统计关联特征向量。应可以理解，通过具有不同尺度的一维卷积核的卷积神经网络模型能够在提取所述振动信号的频域特征时关注于所述各个振动频域统计特征值间在不同频域统计特征类型跨度下的多尺度关联特征信息，以提高所述振动信号的频域特征提取的信息量，进而提高后续分类的准确性。
应可以理解，通过使用不同尺度的一维卷积核的卷积神经网络模型来进行所述多个振动频域统计特征值的特征挖掘，能够在不同尺度的频域统计特征类型上提取出不同的振动信号的隐藏特征信息。然后，进一步再融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量，以此来融合所述振动信号的多个振动频域统计特征值在不同的频域统计特征类型上的多尺度高维隐藏关联特征，从而得到振动特征向量。相应地，在本申请的一个具体示例中，可以通过级联的方式来融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量以得到振动特征向量。
进一步地，再将所述优化振动特征向量作为分类特征向量通过分类器中进行分类处理，以得到用于表示轨道交通车辆的振动稳定性是否符合预定标准的分类结果。也就是，在本申请的技术方案中，所述分类器的标签包括所述轨道交通车辆的振动稳定性符合预定标准，以及，所述轨道交通车辆的振动稳定性不符合预定标准，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述轨道交通车辆的振动稳定性是否符合预定标准的评估判断标签，因此，在得到所述分类结果后，可基于所述分类结果来对于所述轨道交通车辆的振动稳定性进行评估检测，以在响应于所述分类结果为轨道交通车辆的振动稳定性符合预定标准时，生成启动能量收集指令。这样，能够准确地对于轨道交通车辆的振动稳定性进行评估检测，从而稳定实现电磁式振动能量收集供能环节和无线传感器节点耗能环节之间的协调。
特别地，在本申请的技术方案中，在融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量得到所述振动特征向量时，为了充分利用不同尺度下的振动频域统计特征值的关联特征，优选地将所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量直接级联以得到所述振动特征向量。但是，这样，由于所述振动特征向量简单地合并了所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量的特征分布，其整体特征分布可能存在相对于分类器的预定类标签收敛性差的问题，从而影响模型的训练速度和分类结果的准确性。
因此，优选地，对所述振动特征向量，例如记为进行正定赋范空间的几何约束重参数化，表示为：
和/>是特征集合/>的均值和方差，/>表示向量的二范数的平方，/>表示矩阵的Frobenius范数，/>和/>分别是校正前和校正后的振动特征向量的第/>个位置的特征值，且/>是行向量形式。
这里，所述振动特征向量的正定赋范空间的几何约束重参数化可以基于贝塞尔不等式的投影模长度量关系，通过以内积形式表示的向量范数平方在向量自身的关联集合空间内的投影，来使得向量的分布集合在具有正定性的赋范空间的几何度量子空间内具有模长约束性，以基于特征分布的几何约束来将分布空间重参数化到具有闭子空间的有界正定赋范空间。这样，就提高所述振动特征向量整体的特征分布在预定类标签属性下的收敛性，从而提升了模型的训练速度和分类结果的准确性。这样，能够准确地对于轨道交通车辆的振动稳定性进行评估检测，以稳定实现电磁式振动能量收集供能环节和无线传感器节点耗能环节之间的协调，从而准确地进行轨道交通车辆的运行状态监测，避免出现过修、欠修甚至事后修等问题。
图1为根据本申请实施例的用于轨道交通车辆的振动稳定性检测方法的场景示意图。如图1所示，在该应用场景中，首先，获取轨道交通车辆在预定时间段的振动信号（例如，如图1中所示意的901）；然后，将获取的所述振动信号输入至部署有用于轨道交通车辆的振动稳定性检测算法的服务器（例如，如图1中所示意的902）中，其中所述服务器能够基于用于轨道交通车辆的振动稳定性检测算法对所述振动信号进行处理，以生成用于表示轨道交通车辆的振动稳定性是否符合预定标准的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2为根据本申请实施例的用于轨道交通车辆的振动稳定性检测方法的流程图。如图2所示，根据本申请实施例的用于轨道交通车辆的振动稳定性检测方法，包括步骤：S110，获取轨道交通车辆在预定时间段的振动信号；S120，基于快速傅里叶变换从所述振动信号提取多个振动频域统计特征值；S130，将所述多个振动频域统计特征值通过具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度振动频域统计关联特征向量；S140，将所述多个振动频域统计特征值通过具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度振动频域统计关联特征向量；S150，融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量以得到振动特征向量；S160，对所述振动特征向量进行特征分布调制以得到优化振动特征向量；以及，S170，将所述优化振动特征向量通过分类器以得到分类结果，所述分类结果用于表示轨道交通车辆的振动稳定性是否符合预定标准。
图3为根据本申请实施例的用于轨道交通车辆的振动稳定性检测方法的架构示意图。如图3所示，在该网络架构中，首先，获取轨道交通车辆在预定时间段的振动信号；然后，基于快速傅里叶变换从所述振动信号提取多个振动频域统计特征值；接着，将所述多个振动频域统计特征值通过具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度振动频域统计关联特征向量；然后，将所述多个振动频域统计特征值通过具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度振动频域统计关联特征向量；接着，融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量以得到振动特征向量；然后，对所述振动特征向量进行特征分布调制以得到优化振动特征向量；以及，最后，将所述优化振动特征向量通过分类器以得到分类结果，所述分类结果用于表示轨道交通车辆的振动稳定性是否符合预定标准。
具体地，在步骤S110中，获取轨道交通车辆在预定时间段的振动信号。针对于前述轨道交通车辆的振动不稳定会导致能量存在较大的波动性和不稳定性的问题，因此，为了能够稳定实现电磁式振动能量收集供能环节和无线传感器节点耗能环节之间的协调，以此来准确地进行轨道交通车辆的运行状态监测，避免出现过修、欠修甚至事后修等问题，就需要对于轨道交通车辆的振动稳定性进行实时监测管理。
但是，由于轨道交通车辆的振动时序信号易受其他外界环境因素的干扰，难以对于轨道交通车辆的有效振动信号特征进行捕捉提取，并且其振动信号具有较多的隐藏特征，这些隐藏特征间具有着相互的关联关系，这对于提高轨道交通车辆的振动稳定性检测的精准度带来了困难。因此，在此过程中，难点在于如何准确地挖掘出所述轨道交通车辆的振动信号中的各个隐藏特征的关联性特征分布信息，以此来准确地对于轨道交通车辆的振动稳定性进行评估检测，以稳定实现电磁式振动能量收集供能环节和无线传感器节点耗能环节之间的协调，从而准确地进行轨道交通车辆的运行状态监测，避免出现过修、欠修甚至事后修等问题。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述轨道交通车辆的振动信号中的各个隐藏特征的关联性特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取轨道交通车辆在预定时间段的振动信号。
具体地，在步骤S120中，基于快速傅里叶变换从所述振动信号提取多个振动频域统计特征值。接着，考虑到对于所述轨道交通车辆的振动信号来说，其在所述预定时间段内为时域信号，表现形式为波形图，由于所述时域信号虽然在时间关联中对于特征的显性更为直观，但是由于关于所述轨道交通车辆的振动稳定性的信号较弱，其会受到外界噪声的干扰，导致对于所述振动信号的特征提取的精准度较低，进而影响对于轨道交通车辆的运行状态检测。
而频域信号的特征却不同于时域信号，将所述振动信号转换到频域中，能够通过所述振动信号在频域中的隐含特征分布信息确定所述轨道交通车辆的振动状态特征，以此来对其振动稳定性特征进行增强。因此，在本申请的技术方案中，使用所述振动信号的频域特征来进行振动稳定性检测。
具体地，考虑到所述振动信号中具有较多的特征信息，并且这些特征信息之间具有着关联性，因此，在进行所述振动信号的频域特征提取时，为了能够充分地挖掘出所述振动信号在频域中的特征分布的关联特征信息，以此来提高对于所述轨道交通车辆的振动稳定性检测的精度，进一步基于快速傅里叶变换从所述振动信号提取多个振动频域统计特征值。
具体地，在步骤S130和步骤S140中，将所述多个振动频域统计特征值通过具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度振动频域统计关联特征向量；以及，将所述多个振动频域统计特征值通过具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度振动频域统计关联特征向量。
然后，使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行所述多个振动频域统计特征值的特征挖掘，特别地，考虑到由于所述多个振动频域统计特征值中的各个振动频域统计特征值在不同的统计特征类型跨度下具有不同的关联关系。
因此，为了能够充分地提取出所述多个振动频域统计特征值间的关联关系，以此来提高对于所述轨道交通车辆的振动稳定性检测的精准度，在本申请的技术方案中，进一步使用具有不同尺度的一维卷积核的卷积神经网络模型来进行所述多个振动频域统计特征值的隐含关联特征挖掘，以此来提取出所述多个振动频域统计特征值间在不同的振动频域统计特征类型跨度下的多尺度高维隐含关联特征分布信息。
具体地，将所述多个振动频域统计特征值通过具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度振动频域统计关联特征向量，并且将所述多个振动频域统计特征值通过具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度振动频域统计关联特征向量。
进一步地，在本申请实施例中，将所述多个振动频域统计特征值通过具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度振动频域统计关联特征向量，包括：使用具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述具有第一尺度的一维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度振动频域统计关联特征向量，其中，所述具有第一尺度的一维卷积核的第一卷积神经网络模型的第一层的输入为所述多个振动频域统计特征值。
更进一步地，在本申请实施例中，将所述多个振动频域统计特征值通过具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度振动频域统计关联特征向量，包括：使用具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述具有第二尺度的一维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度振动频域统计关联特征向量，其中，所述具有第二尺度的一维卷积核的第二卷积神经网络模型的第一层的输入为所述多个振动频域统计特征值。
应可以理解，通过具有不同尺度的一维卷积核的卷积神经网络模型能够在提取所述振动信号的频域特征时关注于所述各个振动频域统计特征值间在不同频域统计特征类型跨度下的多尺度关联特征信息，以提高所述振动信号的频域特征提取的信息量，进而提高后续分类的准确性。
进一步地，通过使用不同尺度的一维卷积核的卷积神经网络模型来进行所述多个振动频域统计特征值的特征挖掘，能够在不同尺度的频域统计特征类型上提取出不同的振动信号的隐藏特征信息。
具体地，在步骤S150中，融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量以得到振动特征向量。进一步再融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量，以此来融合所述振动信号的多个振动频域统计特征值在不同的频域统计特征类型上的多尺度高维隐藏关联特征，从而得到振动特征向量。
相应地，在本申请的一个具体示例中，可以通过级联的方式来融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量以得到振动特征向量。
其中，融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量以得到振动特征向量，包括：以如下公式来融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量以得到振动特征向量；其中，所述公式为：
其中，表示所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量，/>表示级联函数，/>表示所述振动特征向量。
具体地，在步骤S160中，对所述振动特征向量进行特征分布调制以得到优化振动特征向量。特别地，在本申请的技术方案中，在融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量得到所述振动特征向量时，为了充分利用不同尺度下的振动频域统计特征值的关联特征，优选地将所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量直接级联以得到所述振动特征向量。但是，这样，由于所述振动特征向量简单地合并了所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量的特征分布，其整体特征分布可能存在相对于分类器的预定类标签收敛性差的问题，从而影响模型的训练速度和分类结果的准确性。
因此，优选地，对所述振动特征向量，例如记为进行正定赋范空间的几何约束重参数化，也就是，以如下公式对所述振动特征向量进行正定赋范空间的几何约束重参数化以得到所述优化振动特征向量；其中，所述公式为：
其中，是所述振动特征向量，/>是所述振动特征向量的转置向量，/>和/>分别是所述振动特征向量和所述优化振动特征向量的第/>个位置的特征值，且/>是行向量形式，和/>是所述振动特征向量的各个位置特征值集合的均值和方差，/>表示向量的二范数的平方，/>表示矩阵的Frobenius范数，/>表示计算以数值为幂的自然指数函数值。
这里，所述振动特征向量的正定赋范空间的几何约束重参数化可以基于贝塞尔不等式的投影模长度量关系，通过以内积形式表示的向量范数平方在向量自身的关联集合空间内的投影，来使得向量的分布集合在具有正定性的赋范空间的几何度量子空间内具有模长约束性，以基于特征分布的几何约束来将分布空间重参数化到具有闭子空间的有界正定赋范空间。这样，就提高所述振动特征向量整体的特征分布在预定类标签属性下的收敛性，从而提升了模型的训练速度和分类结果的准确性。这样，能够准确地对于轨道交通车辆的振动稳定性进行评估检测，以稳定实现电磁式振动能量收集供能环节和无线传感器节点耗能环节之间的协调，从而准确地进行轨道交通车辆的运行状态监测，避免出现过修、欠修甚至事后修等问题。
具体地，在步骤S170中，将所述优化振动特征向量通过分类器以得到分类结果，所述分类结果用于表示轨道交通车辆的振动稳定性是否符合预定标准。进一步地，再将所述优化振动特征向量作为分类特征向量通过分类器中进行分类处理，以得到用于表示轨道交通车辆的振动稳定性是否符合预定标准的分类结果。
也就是，在本申请的技术方案中，所述分类器的标签包括所述轨道交通车辆的振动稳定性符合预定标准，以及，所述轨道交通车辆的振动稳定性不符合预定标准，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。
应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述轨道交通车辆的振动稳定性是否符合预定标准的评估判断标签，因此，在得到所述分类结果后，可基于所述分类结果来对于所述轨道交通车辆的振动稳定性进行评估检测，以在响应于所述分类结果为轨道交通车辆的振动稳定性符合预定标准时，生成启动能量收集指令。这样，能够准确地对于轨道交通车辆的振动稳定性进行评估检测，从而稳定实现电磁式振动能量收集供能环节和无线传感器节点耗能环节之间的协调。
在本申请一具体示例中，使用所述分类器以如下公式对所述优化振动特征向量进行处理以获得分类结果；
其中，所述公式为：，其中，/>到为权重矩阵，/>到/>为偏置向量，/>为所述优化振动特征向量。
综上，基于本申请实施例的用于轨道交通车辆的振动稳定性检测系统及方法，其获取轨道交通车辆在预定时间段的振动信号；采用基于深度学习的人工智能技术，挖掘所述轨道交通车辆的振动信号中的各个隐藏特征的关联性特征分布信息，以此来准确地对于轨道交通车辆的振动稳定性进行评估检测。这样，可以准确地进行轨道交通车辆的运行状态监测，避免出现过修、欠修甚至事后修等问题。
示例性系统
图5为根据本申请实施例的用于轨道交通车辆的振动稳定性检测系统的框图。如图5所示，根据本申请实施例的用于轨道交通车辆的振动稳定性检测系统100，包括：信号获取模块110，用于获取轨道交通车辆在预定时间段的振动信号；特征值提取模块120，用于基于快速傅里叶变换从所述振动信号提取多个振动频域统计特征值；第一尺度特征提取模块130，用于将所述多个振动频域统计特征值通过具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度振动频域统计关联特征向量；第二尺度特征提取模块140，用于将所述多个振动频域统计特征值通过具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度振动频域统计关联特征向量；融合模块150，用于融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量以得到振动特征向量；特征分布调制模块160，用于对所述振动特征向量进行特征分布调制以得到优化振动特征向量；以及，振动稳定结果生成模块170，用于将所述优化振动特征向量通过分类器以得到分类结果，所述分类结果用于表示轨道交通车辆的振动稳定性是否符合预定标准。
在一个示例中，在上述用于轨道交通车辆的振动稳定性检测系统100中，所述第一尺度特征提取模块，用于：使用具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述具有第一尺度的一维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度振动频域统计关联特征向量，其中，所述具有第一尺度的一维卷积核的第一卷积神经网络模型的第一层的输入为所述多个振动频域统计特征值。
在一个示例中，在上述用于轨道交通车辆的振动稳定性检测系统100中，
所述第二尺度特征提取模块，用于：使用具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述具有第二尺度的一维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度振动频域统计关联特征向量，其中，所述具有第二尺度的一维卷积核的第二卷积神经网络模型的第一层的输入为所述多个振动频域统计特征值。
在一个示例中，在上述用于轨道交通车辆的振动稳定性检测系统100中，所述融合模块，用于：以如下公式来融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量以得到振动特征向量；其中，所述公式为：
其中，表示所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量，/>表示级联函数，/>表示所述振动特征向量。
在一个示例中，在上述用于轨道交通车辆的振动稳定性检测系统100中，所述特征分布调制模块，用于：以如下公式对所述振动特征向量进行正定赋范空间的几何约束重参数化以得到所述优化振动特征向量；其中，所述公式为：
其中，是所述振动特征向量，/>是所述振动特征向量的转置向量，/>和/>分别是所述振动特征向量和所述优化振动特征向量的第/>个位置的特征值，且/>是行向量形式，/>和/>是所述振动特征向量的各个位置特征值集合的均值和方差，/>表示向量的二范数的平方，/>表示矩阵的Frobenius范数，/>表示计算以数值为幂的自然指数函数值。
在一个示例中，在上述用于轨道交通车辆的振动稳定性检测系统100中，所述振动稳定结果生成模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述优化振动特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
在一个示例中，在上述用于轨道交通车辆的振动稳定性检测系统100中，进一步包括响应于所述分类结果为轨道交通车辆的振动稳定性符合预定标准，生成启动能量收集指令。
这里，本领域技术人员可以理解，上述用于轨道交通车辆的振动稳定性检测系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的用于轨道交通车辆的振动稳定性检测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (7)
1.一种用于轨道交通车辆的振动稳定性检测方法，其特征在于，包括：
获取轨道交通车辆在预定时间段的振动信号；
基于快速傅里叶变换从所述振动信号提取多个振动频域统计特征值；
将所述多个振动频域统计特征值通过具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度振动频域统计关联特征向量；
将所述多个振动频域统计特征值通过具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度振动频域统计关联特征向量；
融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量以得到振动特征向量；
对所述振动特征向量进行特征分布调制以得到优化振动特征向量；以及
将所述优化振动特征向量通过分类器以得到分类结果，所述分类结果用于表示轨道交通车辆的振动稳定性是否符合预定标准；
融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量以得到振动特征向量，包括：以如下公式来融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量以得到振动特征向量；
其中，所述公式为：
Vc＝Concat[V1，V2]
其中，V1，V2表示所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量，Concat[·]表示级联函数，Vc表示所述振动特征向量；
对所述振动特征向量进行特征分布调制以得到优化振动特征向量，包括：
以如下公式对所述振动特征向量进行正定赋范空间的几何约束重参数化以得到所述优化振动特征向量；
其中，所述公式为：
其中，V是所述振动特征向量，VT是所述振动特征向量的转置向量，vi和vi'分别是所述振动特征向量和所述优化振动特征向量的第i个位置的特征值，且V是行向量形式，μ和σ是所述振动特征向量的各个位置特征值集合的均值和方差，表示向量的二范数的平方，||·||F表示矩阵的Frobenius范数，exp(·)表示计算以数值为幂的自然指数函数值；
将所述优化振动特征向量通过分类器以得到分类结果，所述分类结果用于表示轨道交通车辆的振动稳定性是否符合预定标准，包括：
使用所述分类器的多个全连接层对所述优化振动特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
2.根据权利要求1所述的用于轨道交通车辆的振动稳定性检测方法，其特征在于，将所述多个振动频域统计特征值通过具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度振动频域统计关联特征向量，包括：使用具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述具有第一尺度的一维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度振动频域统计关联特征向量，其中，所述具有第一尺度的一维卷积核的第一卷积神经网络模型的第一层的输入为所述多个振动频域统计特征值。
3.根据权利要求2所述的用于轨道交通车辆的振动稳定性检测方法，其特征在于，将所述多个振动频域统计特征值通过具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度振动频域统计关联特征向量，包括：使用具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述具有第二尺度的一维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度振动频域统计关联特征向量，其中，所述具有第二尺度的一维卷积核的第二卷积神经网络模型的第一层的输入为所述多个振动频域统计特征值。
4.根据权利要求3所述的用于轨道交通车辆的振动稳定性检测方法，进一步包括响应于所述分类结果为轨道交通车辆的振动稳定性符合预定标准，生成启动能量收集指令。
5.一种用于轨道交通车辆的振动稳定性检测系统，其特征在于，包括：
信号获取模块，用于获取轨道交通车辆在预定时间段的振动信号；
特征值提取模块，用于基于快速傅里叶变换从所述振动信号提取多个振动频域统计特征值；
第一尺度特征提取模块，用于将所述多个振动频域统计特征值通过具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度振动频域统计关联特征向量；
第二尺度特征提取模块，用于将所述多个振动频域统计特征值通过具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度振动频域统计关联特征向量；
融合模块，用于融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量以得到振动特征向量；
特征分布调制模块，用于对所述振动特征向量进行特征分布调制以得到优化振动特征向量；以及
振动稳定结果生成模块，用于将所述优化振动特征向量通过分类器以得到分类结果，所述分类结果用于表示轨道交通车辆的振动稳定性是否符合预定标准；
所述融合模块，还用于：以如下公式来融合所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量以得到振动特征向量；
其中，所述公式为：
Vc＝Concat[V1，V2]
其中，V1，V2表示所述第一尺度振动频域统计关联特征向量和所述第二尺度振动频域统计关联特征向量，Concat[·]表示级联函数，Vc表示所述振动特征向量；
所述特征分布调制模块，还用于：
以如下公式对所述振动特征向量进行正定赋范空间的几何约束重参数化以得到所述优化振动特征向量；
其中，所述公式为：
其中，V是所述振动特征向量，VT是所述振动特征向量的转置向量，vi和vi'分别是所述振动特征向量和所述优化振动特征向量的第i个位置的特征值，且V是行向量形式，μ和σ是所述振动特征向量的各个位置特征值集合的均值和方差，表示向量的二范数的平方，||·||F表示矩阵的Frobenius范数，exp(·)表示计算以数值为幂的自然指数函数值；
所述振动稳定结果生成模块，还用于：
使用所述分类器的多个全连接层对所述优化振动特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
6.根据权利要求5所述的用于轨道交通车辆的振动稳定性检测系统，其特征在于，所述第一尺度特征提取模块，用于：使用具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述具有第一尺度的一维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度振动频域统计关联特征向量，其中，所述具有第一尺度的一维卷积核的第一卷积神经网络模型的第一层的输入为所述多个振动频域统计特征值。
7.根据权利要求6所述的用于轨道交通车辆的振动稳定性检测系统，其特征在于，所述第二尺度特征提取模块，用于：使用具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述具有第二尺度的一维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度振动频域统计关联特征向量，其中，所述具有第二尺度的一维卷积核的第二卷积神经网络模型的第一层的输入为所述多个振动频域统计特征值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310492373.4A CN116223075B (zh) | 2023-05-05 | 2023-05-05 | 用于轨道交通车辆的振动稳定性检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310492373.4A CN116223075B (zh) | 2023-05-05 | 2023-05-05 | 用于轨道交通车辆的振动稳定性检测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116223075A CN116223075A (zh) | 2023-06-06 |
| CN116223075B true CN116223075B (zh) | 2023-08-11 |
Family
ID=86573482
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310492373.4A Active CN116223075B (zh) | 2023-05-05 | 2023-05-05 | 用于轨道交通车辆的振动稳定性检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116223075B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116930749B (zh) * | 2023-06-15 | 2024-02-13 | 浙江联大科技有限公司 | 管状电机的遇阻检测系统及其方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103853884A (zh) * | 2014-02-24 | 2014-06-11 | 昆明理工大学 | 一种水轮机活动导叶振动特性预测方法 |
| 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 |
| CN113324648A (zh) * | 2021-07-09 | 2021-08-31 | 中国铁道科学研究院集团有限公司铁道科学技术研究发展中心 | 一种便携式高速铁路轮轨振动时空同步测试方法及系统 |
| CN113358380A (zh) * | 2021-05-27 | 2021-09-07 | 同济大学 | 一种轨道车辆蛇行运动稳定性检测和评定方法 |
| CN115586023A (zh) * | 2022-09-30 | 2023-01-10 | 中车青岛四方机车车辆股份有限公司 | 一种轨道车辆传动系统故障诊断方法及系统 |
| CN115758212A (zh) * | 2022-11-10 | 2023-03-07 | 四川轻化工大学 | 一种基于并行网络和迁移学习的机械设备故障诊断方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10354362B2 (en) * | 2016-09-08 | 2019-07-16 | Carnegie Mellon University | Methods and software for detecting objects in images using a multiscale fast region-based convolutional neural network |
| KR101903982B1 (ko) * | 2017-02-16 | 2018-10-04 | 주식회사 티브이에스 | 진동 제어 장치 및 방법 |
-
2023
- 2023-05-05 CN CN202310492373.4A patent/CN116223075B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103853884A (zh) * | 2014-02-24 | 2014-06-11 | 昆明理工大学 | 一种水轮机活动导叶振动特性预测方法 |
| 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 |
| CN113358380A (zh) * | 2021-05-27 | 2021-09-07 | 同济大学 | 一种轨道车辆蛇行运动稳定性检测和评定方法 |
| CN113324648A (zh) * | 2021-07-09 | 2021-08-31 | 中国铁道科学研究院集团有限公司铁道科学技术研究发展中心 | 一种便携式高速铁路轮轨振动时空同步测试方法及系统 |
| CN115586023A (zh) * | 2022-09-30 | 2023-01-10 | 中车青岛四方机车车辆股份有限公司 | 一种轨道车辆传动系统故障诊断方法及系统 |
| CN115758212A (zh) * | 2022-11-10 | 2023-03-07 | 四川轻化工大学 | 一种基于并行网络和迁移学习的机械设备故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| dyna response prediction of vehicle-bridge interaction system using feedfordward neutralnetwork and deep long short-term memory network;Huile Li;《structures》;第34卷;2415-2431 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116223075A (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | A projective and discriminative dictionary learning for high-dimensional process monitoring with industrial applications | |
| CN104809722B (zh) | 一种基于红外热像的电气设备故障诊断方法 | |
| CN116223075B (zh) | 用于轨道交通车辆的振动稳定性检测系统及方法 | |
| CN115235612B (zh) | 伺服电机的故障智能诊断系统及其诊断方法 | |
| CN115834433B (zh) | 基于物联网技术的数据处理方法及系统 | |
| CN110766056A (zh) | 一种融合图像生成和多标签分类的异常图像检测方法 | |
| CN114825257A (zh) | Led灯检测的漏电保护装置及其漏电保护方法 | |
| CN114021822A (zh) | 一种清洁能源发电功率预测方法和系统 | |
| CN117558472B (zh) | 核反应堆冷却系统及其冷却控制方法 | |
| CN116374645A (zh) | 用于斗轮机的运行状态监控系统及其方法 | |
| Li et al. | Source-free domain adaptation framework for fault diagnosis of rotation machinery under data privacy | |
| CN117407770A (zh) | 基于神经网络的高压开关柜故障模式分类及预测方法 | |
| CN110705693A (zh) | 一种无人机异常行为识别模块及其识别方法 | |
| Yan et al. | Few-Shot Mechanical Fault Diagnosis for a High-Voltage Circuit Breaker via a Transformer-Convolutional Neural Network and Metric Meta-learning | |
| CN116204821B (zh) | 用于轨道交通车辆的振动评估方法及系统 | |
| CN116486345A (zh) | 物业服务平台管理系统及其方法 | |
| CN115982573B (zh) | 多功能送料机及其控制方法 | |
| CN111858343A (zh) | 一种基于攻击能力的对抗样本生成方法 | |
| CN116385962A (zh) | 基于机器视觉的廊道内人员监控系统及其方法 | |
| CN116100171A (zh) | 非金属激光切割机及其控制方法 | |
| CN116124448A (zh) | 用于风电齿轮箱的故障诊断系统及其方法 | |
| CN111354019B (zh) | 一种基于神经网络的视觉跟踪失效检测系统及其训练方法 | |
| CN118260700B (zh) | 一种dc/dc设备异常预警的方法及终端 | |
| CN115661759B (zh) | 井下设备的实时在线监控系统及其监控方法 | |
| CN116825217B (zh) | 制备高纯五氟化磷的方法 |
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 |