CN118228191A - 轨道不平顺谱表征反演方法及装置 - Google Patents
轨道不平顺谱表征反演方法及装置 Download PDFInfo
- Publication number
- CN118228191A CN118228191A CN202410317962.3A CN202410317962A CN118228191A CN 118228191 A CN118228191 A CN 118228191A CN 202410317962 A CN202410317962 A CN 202410317962A CN 118228191 A CN118228191 A CN 118228191A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- irregularity
- periodic
- data
- fitting
- 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.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 216
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012512 characterization method Methods 0.000 title claims description 14
- 230000000737 periodic effect Effects 0.000 claims abstract description 152
- 230000003595 spectral effect Effects 0.000 claims abstract description 111
- 230000004927 fusion Effects 0.000 claims abstract description 30
- 238000012886 linear function Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 153
- 238000004590 computer program Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 206010012411 Derailment Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种轨道不平顺谱表征反演方法及装置,其中该方法包括:采集轨道不平顺动态检测数据,得到原始不平顺数据;对原始不平顺数据进行分析,得到轨道不平顺谱;根据随机性轨道不平顺谱,获取随机性谱线成分数据,采用多项式拟合方法对随机性谱线成分数据进行拟合,得到随机性拟合函数;根据周期性轨道不平顺谱,获取周期性谱峰成分数据,采用二阶高斯线型函数对周期性谱峰成分数据进行拟合,得到周期性拟合函数;将周期性拟合函数与随机性拟合函数融合,得到融合拟合函数;对融合拟合函数进行傅里叶逆变换,得到反演后的不平顺数据。本发明可以对实际线路轨道不平顺进行反演,从而更加全面地对轨道状态进行评估。
Description
技术领域
本发明涉及铁路轨道技术领域,尤其涉及轨道不平顺谱表征反演方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
轨道几何不平顺是轮轨相互作用的直接激励源,对于列车运行安全性、乘坐舒适性、车辆轨道部件寿命和环境噪音都有重要影响。根据谐波特征,可将轨道几何不平顺分为随机与周期性不平顺两种。轨道随机不平顺表示波长各不相同,无明显的基波,而周期性不平顺具有波形相近、基波波长相同且涵盖着其它波长成分等特点,对应波长与车辆敏感频率接近时将导致车辆产生更剧烈的周期性振动,亦会增加脱轨风险。由于现有技术中对于融合周期性谱峰成分的轨道谱反演的研究相对较少,无法更加全面掌握线路轨道的状态。
发明内容
本发明实施例提供一种轨道不平顺谱表征反演方法,用以对轨道不平顺进行反演,更加全面地对轨道状态进行评估,该方法包括:
采集轨道不平顺动态检测数据,得到原始不平顺数据;原始不平顺数据包括周期性不平顺数据和随机性不平顺数据;
对原始不平顺数据进行分析,得到轨道不平顺谱;轨道不平顺谱中包括周期性轨道不平顺谱和随机性轨道不平顺谱;
根据随机性轨道不平顺谱,获取随机性谱线成分数据,采用多项式拟合方法对随机性谱线成分数据进行拟合,得到随机性拟合函数;
根据周期性轨道不平顺谱,获取周期性谱峰成分数据,采用二阶高斯线型函数对周期性谱峰成分数据进行拟合,得到周期性拟合函数;
将周期性拟合函数与随机性拟合函数融合,得到融合拟合函数;
对融合拟合函数进行傅里叶逆变换,得到反演后的不平顺数据。
本发明实施例还提供一种轨道不平顺谱表征反演装置,用以对轨道不平顺进行反演,更加全面地对轨道状态进行评估,该装置包括:
原始不平顺数据获取模块,用于采集轨道不平顺动态检测数据,得到原始不平顺数据;原始不平顺数据包括周期性不平顺数据和随机性不平顺数据;
轨道不平顺谱获取模块,用于对原始不平顺数据进行分析,得到轨道不平顺谱;轨道不平顺谱中包括周期性轨道不平顺谱和随机性轨道不平顺谱;
随机性拟合函数确定模块,用于根据随机性轨道不平顺谱,获取随机性谱线成分数据,采用多项式拟合方法对随机性谱线成分数据进行拟合,得到随机性拟合函数;
周期性拟合函数确定模块,用于根据周期性轨道不平顺谱,获取周期性谱峰成分数据,采用二阶高斯线型函数对周期性谱峰成分数据进行拟合,得到周期性拟合函数;
融合拟合函数确定模块,用于将周期性拟合函数与随机性拟合函数融合,得到融合拟合函数;
融合拟合函数反演模块,用于对融合拟合函数进行傅里叶逆变换,得到反演后的不平顺数据。
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轨道不平顺谱表征反演方法。
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计算机程序,所述计算机程序被处理器执行时实现上述轨道不平顺谱表征反演方法。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述轨道不平顺谱表征反演方法。
本发明实施例中,采集轨道不平顺动态检测数据,得到原始不平顺数据;原始不平顺数据包括周期性不平顺数据和随机性不平顺数据;对原始不平顺数据进行分析,得到轨道不平顺谱;轨道不平顺谱中包括周期性轨道不平顺谱和随机性轨道不平顺谱;根据随机性轨道不平顺谱,获取随机性谱线成分数据,采用多项式拟合方法对随机性谱线成分数据进行拟合,得到随机性拟合函数;根据周期性轨道不平顺谱,获取周期性谱峰成分数据,采用二阶高斯线型函数对周期性谱峰成分数据进行拟合,得到周期性拟合函数;将周期性拟合函数与随机性拟合函数融合,得到融合拟合函数;对融合拟合函数进行傅里叶逆变换,得到反演后的不平顺数据。在上述过程中,本发明实施例将周期性谱峰成分数据与随机性谱线成分数据进行融合,对实际线路轨道不平顺进行反演,从而更加全面地对轨道状态进行评估。
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为本发明实施例中轨道不平顺谱表征反演方法的流程图;
图2为本发明实施例中超高通道修正结果示意图;
图3为本发明实施例中轨道不平顺数据进行区段划分示意图;
图4为本发明实施例中轨道谱谱峰成分自动识别结果图;
图5为本发明实施例中CRTSⅢ型板高低谱随机拟合谱线及谱峰识别结果图;
图6为本发明实施例中不同谱峰拟合线型对比图;
图7为本发明实施例中轨道谱融合效果图;
图8为本发明实施例中谱峰能量示意图;
图9为本发明实施例中反演后高低不平顺空间域波形图;
图10为本发明实施例中功率谱比对图;
图11为本发明实施例中轨道不平顺谱表征反演装置的示意图。
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。
图1为本发明实施例中轨道不平顺谱表征反演方法的流程图,该方法包括:
步骤101,采集轨道不平顺动态检测数据,得到原始不平顺数据;原始不平顺数据包括周期性不平顺数据和随机性不平顺数据;
步骤102,对原始不平顺数据进行分析,得到轨道不平顺谱;轨道不平顺谱中包括周期性轨道不平顺谱和随机性轨道不平顺谱;
步骤103,根据随机性轨道不平顺谱,获取随机性谱线成分数据,采用多项式拟合方法对随机性谱线成分数据进行拟合,得到随机性拟合函数;
步骤104,根据周期性轨道不平顺谱,获取周期性谱峰成分数据,采用二阶高斯线型函数对周期性谱峰成分数据进行拟合,得到周期性拟合函数;
步骤105,将周期性拟合函数与随机性拟合函数融合,得到融合拟合函数;
步骤106,对融合拟合函数进行傅里叶逆变换,得到反演后的不平顺数据。
下面具体说明每一步骤。
在步骤101中,采集轨道不平顺动态检测数据,得到原始不平顺数据;原始不平顺数据包括周期性不平顺数据和随机性不平顺数据。
在一实施例中,对原始不平顺数据进行分析之前,包括:
对原始不平顺数据进行预处理,得到预处理后的不平顺数据;
对原始不平顺数据进行分析,得到轨道不平顺谱,包括:
对预处理后的不平顺数据进行分析,得到轨道不平顺谱。
具体实施例中,预处理的具体操作步骤如下:
步骤一:避免求解路基、桥梁及隧道不同地段轨道谱时各地段轨道不平顺检测数据互相干扰,影响不同轨下基础轨道谱求解精度,需要对检测数据里程进行校准,本发明利用曲线台账信息对各检测数据里程进行校准,通过斜率及超高量等信息提取曲线区段后,基于梯形特征利用道格拉斯-普克(DP)算法,识别曲线直缓-缓圆、圆缓-缓直各区段近似起止点检测里程位置索引值x0、x1,形成曲线起止点关键特征里程矩阵,依据曲线台账里程信息y0、y1进行插值修正,线性插值函数如式(1)所示。
式中,x为新数据里程索引值,y即x各索引对应更新后里程信息。
某区段超高数据对齐情况如图2所示,并调整长短链区段里程,确定检测数据全部检测通道的实际里程。
步骤二:使用变化率修正法进行异常值处理,并利用小波分析方法对轨道不平顺数据趋势项进行剔除。
步骤三:轨道不平顺数据计算样本长度选用1024m(4096点),分析高低、轨向、水平及轨距四项轨道不平顺数据,最大检测波长120m,按4096点对各地段轨道不平顺数据进行区段划分,并根据区段平均检测速度及标准差对检测数据异常区段进行剔除,线路桥梁地段各区段检测速度如图3中的(a)部分所示,线路桥梁地段各区段各项不平顺标准差如图3中的(b)部分所示。
具体实施例中,对原始不平顺数据进行里程校准、异常值及趋势项剔除、区段划分,得到预处理后的不平顺数据。
在步骤102中,对原始不平顺数据进行分析,得到轨道不平顺谱;轨道不平顺谱中包括周期性轨道不平顺谱和随机性轨道不平顺谱。
在一实施例中,对原始不平顺数据进行分析,得到轨道不平顺谱,包括:
采用经典谱Welch方法,对原始不平顺数据进行分析,得到轨道不平顺谱。
具体实施例中,基于窗长为4096的新矩形窗Welch法,对预处理后的不平顺数据进行谱线求解及合成。
在步骤103至步骤104中,根据随机性轨道不平顺谱,获取随机性谱线成分数据,采用多项式拟合方法对随机性谱线成分数据进行拟合,得到随机性拟合函数;
根据周期性轨道不平顺谱,获取周期性谱峰成分数据,采用二阶高斯线型函数对周期性谱峰成分数据进行拟合,得到周期性拟合函数。
在一实施例中,根据周期性轨道不平顺谱,获取周期性谱峰成分数据,包括:
在周期性轨道不平顺谱中,采用高斯平滑滤波识别得到周期性谱峰成分数据。
在一实施例中,在周期性轨道不平顺谱中,采用高斯平滑滤波识别得到周期性谱峰成分数据,包括:
采用高斯平滑滤波对周期性轨道不平顺谱进行去噪处理,在去噪后的周期性轨道不平顺谱中,识别周期性谱峰成分数据。
具体实施例中,由于轨道不平顺平均谱计算会产生大量噪声,影响着谱峰频带识别准确性,因此在识别过程中采用高斯平滑滤波的方式对周期性成分数据进行去噪。高斯平滑滤波作为典型的低通滤波,可以有效地去除数据中的噪声,保留数据的主要特征。它使用一维高斯函数作为权重,对数据中的每个点及其邻域内的点进行加权平均,从而得到滤波后数据。一维高斯函数的表达式为:
式中,σ是高斯函数的标准差,它决定了滤波器的形状和平滑程度。
在一实施例中,采用多项式拟合方法对随机性谱线成分数据进行拟合,得到随机性拟合函数,包括:
将随机性轨道不平顺谱进行对数处理,确定多项式拟合函数的变量;
基于确定变量后的多项式拟合函数,对随机性谱线成分数据进行拟合,得到随机性拟合函数。
在一实施例中,按照以下公式,确定随机性拟合函数:
其中,λ为波长;Sr(λ)为随机性轨道不平顺谱;fr为对数坐标下随机性拟合函数;n为多项式拟合总阶数,i代表第i阶,q和p为变量,lg()代表对数函数。
在一实施例中,采用二阶高斯线型函数对周期性谱峰成分数据进行拟合,得到周期性拟合函数,包括:
将周期性轨道不平顺谱进行对数处理,确定二阶高斯线型函数的变量;
基于确定变量后的二阶高斯线型函数,对周期性谱峰成分数据进行拟合,得到周期性拟合函数。
在一实施例中,按照以下公式,确定周期性拟合函数:
lg[Spf(q)]=lg[S(q)]-fr(q);
其中,S(q)为实测轨道谱值;Spf(q)为实测谱峰数值;fpf为对数坐标下周期性拟合函数;a1、a2、b1、b2、c1、c2为拟合参数,q和p为变量,lg()代表对数函数,fr为对数坐标下随机性拟合函数。
以一个具体实施例中为例,介绍周期性谱峰成分自动识别步骤以及对高速铁路CRTSⅡ型全地段高低实测谱线的处理效果:
步骤一:首先将得到的均值谱取10的对数得到p,以q和p作为多项式拟合的自变量和因变量,详见(3),对数坐标下多项式拟合函数如式(4)所示,经试算此处多项式定为6阶,谱线及拟合曲线见图4中的(a)部分。
式中,λ为空间波长,m;Sr(λ)为实测随机轨道谱;fr为对数坐标下随机谱线拟合函数;n为多项式拟合阶数。
步骤二:将得到的轨道实测谱减去6阶多项式得到P1(q),曲线如图4中的(b)部分。
步骤三:对P1(q)进行峰值查找,设置合适阈值并确定峰值如图4中的(c)部分所示,阈值设置与实测谱情况相关,应保证不去除过多数据点,一般识别的谱峰不应超过10个,在这里设为0.3。
步骤四:为找寻波谷,对P1(q)取负数,使其翻转,并对得到的信号进行高斯平滑滤波去除信号中剩余的高频随机噪声成分,再查找峰值并记录,如图4中的(d)部分所示。
步骤五:将步骤三得到的谱峰值点前后邻近的步骤四得到的峰值点确认为谱峰区间起止点位置,由此确定谱峰区间,如图4中的(e)部分及图4中的(f)部分所示。
上述过程基于高斯平滑滤波及多项式拟合方法,识别出谱峰成分,并对轨道谱线谱峰剔除,并对余下数据点进行三次Hermite插值,选用8阶多项式对插值拟合后数据点进行拟合即可获得轨道谱拟合公式,应用时,对拟合公式中的x、y取10的幂次方即可得到轨道随机不平顺谱,公式如式(3)及式(4)所示。通过周期性谱峰成分自动识别算法及随机谱线8阶多项式拟合处理后如图5所示。从而实现了对所求谱线进行谱峰频带及特征波长的自动识别。
在步骤105中,将周期性拟合函数与随机性拟合函数融合,得到融合拟合函数。
在一实施例中,所述周期性谱峰成分数据包括周期性谱峰的密度和频带。
在一实施例中,还包括:
根据周期性谱峰的密度和频带,确定谱峰能量;
根据谱峰能量,确定轨道周期性不平顺情况下表征的波长及幅值。
具体实施例中,具体实施例中,将fr作为谱线基线进行剔除,并在轨道谱谱峰成分自动识别模块初步自动识别的谱峰起始波长基础上,将每个谱峰波长前后距离最远的非负值对应的空间频率作为谱峰频带区间起始点,进一步精确谱峰频带宽度,确定谱峰频带起始及终止波长分别为λ0及λend。结果如表1所示。
表1谱峰及谱峰频带识别结果
具体实施例中,对于谱峰线型拟合函数主要有高斯函数(多阶高斯、伪高斯)及洛伦兹函数、Voigt函数等,为选取适合轨道谱谱峰线型的拟合函数,对不同函数线型拟合方法进行对比,由于各谱峰波段区间内数据点较少,因此首先对获得的各谱峰进行三次样条插值,然后对每个谱峰进行拟合以提高拟合精度,拟合效果如图6所示,图6中的(a)部分为二阶高斯拟合效果图,图6中的(b)部分为拟合优度对比图。可知:轨道谱谱峰更贴近于高斯线型,拟合效果优于洛伦兹线型及Voigt线型,对比一阶高斯、伪高斯、二阶高斯拟合模型发现,二阶高斯函数拟合效果最佳,因此选取二阶高斯线型对轨道谱谱峰进行拟合。
对数坐标下,二阶高斯函数拟合公式见式(5)及式(6),其中q作为拟合自变量。
lg[Spf(q)]=lg[S(q)]-fr(q) (5)
式中,S(q)为实测轨道谱值;Spf(q)为实测谱峰数值;fpf为对数坐标下谱峰二次高斯拟合函数;a1、a2、b1、b2、c1、c2为拟合参数。
利用2阶高斯函数对表1中识别的6个谱峰在对数坐标系中依次进行拟合,并将各谱峰波段内赋值,其余波长范围置零,同8阶多项式拟合得到的随机谱数据进行叠加,获得融合拟合函数,根据融合拟合函数获得轨道谱融合效果图,如图7所示。
具体实施例中,窄带周期轨道不平顺谱峰随着窗函数长度增加、分析带宽减小谱峰高度会进一步增大,但方差应保持恒定值,因此只能用窄带方差(能量谱)进行表征,即需利用谱密度和分析频率带宽计算窄带周期轨道不平顺方差,称为谱峰能量PE。结合上述周期谱峰成分识别及拟合方法,实现轨道谱各峰PE的计算:利用上述拟合得到的8阶多项式拟合函数fr及各谱峰2阶高斯拟合函数fpf,根据式(7)运算得到各个谱峰功率谱密度值以识别得到的谱峰起始频率作为上下限频率,对各谱峰功率谱密度/>进行积分求解PE。
以CRTSⅢ型板桥梁地段高低谱为例,依据上述方法计算PE,波长33.03m处谱峰如图8中的(a)部分所示,以空间频率为横坐标,功率谱密度为纵坐标,对该函数在谱峰频段内求定积分解得A,即为PE值,依照此方法对各谱峰求解结果如图8中的(b)部分所示。可知PE可以更直观反映出周期谱峰成分均方值大小。
在一实施例中,将周期性拟合函数与随机性拟合函数融合,得到融合拟合函数,包括:
根据轨道不平顺谱,获取谱峰频带数据;
根据谱峰频带数据,确定谱峰频带起始谱峰波长和终止谱峰波长;
根据起始谱峰波长和终止谱峰波长,将周期性拟合函数与随机性拟合函数融合,得到融合拟合函数。
在一实施例中,按照以下公式,确定融合拟合函数:
其中,λ为波长,λ0为起始谱峰波长,λend为终止谱峰波长;Sr(λ)为随机性轨道不平顺谱;n为多项式拟合总阶数,i代表第i阶,q和p为变量,S(q)为实测轨道谱值;Spf(q)为实测谱峰数值;a1、a2、b1、b2、c1、c2为拟合参数,q和p为变量,lg()代表对数函数。
在步骤106中,对融合拟合函数进行傅里叶逆变换,得到反演后的不平顺数据。
具体实施例中,以对CRTSⅠ型板式线路桥梁地段高低谱随机及周期成分进行拟合为例,按照采样间隔0.25m,轨道不平顺波长范围为2~100m。通过逆傅里叶变换后得到的长度为1024m的高低不平顺随机序列如图9所示,图9中的(a)部分为周期性不平顺谱反演波形,图9中的(b)部分为随机性不平顺谱反演波形,图9中的(c)部分为周期性和随机性不平顺谱反演波形,随机不平顺谱反演功率谱如图10中的(a)部分所示,随机不平顺成分与周期不平顺成分融合后的反演功率谱如图10中的(b)部分所示。
本发明实施例中还提供了一种轨道不平顺谱表征反演装置,如下面的实施例所述。由于该装置解决问题的原理与轨道不平顺谱表征反演方法相似,因此该装置的实施可以参见轨道不平顺谱表征反演方法方法的实施,重复之处不再赘述。如图11,该装置包括:
原始不平顺数据获取模块1101,用于采集轨道不平顺动态检测数据,得到原始不平顺数据;原始不平顺数据包括周期性不平顺数据和随机性不平顺数据;
轨道不平顺谱获取模块1102,用于对原始不平顺数据进行分析,得到轨道不平顺谱;轨道不平顺谱中包括周期性轨道不平顺谱和随机性轨道不平顺谱;
随机性拟合函数确定模块1103,用于根据随机性轨道不平顺谱,获取随机性谱线成分数据,采用多项式拟合方法对随机性谱线成分数据进行拟合,得到随机性拟合函数;
周期性拟合函数确定模块1104,用于根据周期性轨道不平顺谱,获取周期性谱峰成分数据,采用二阶高斯线型函数对周期性谱峰成分数据进行拟合,得到周期性拟合函数;
融合拟合函数确定模块1105,用于将周期性拟合函数与随机性拟合函数融合,得到融合拟合函数;
融合拟合函数反演模块1106,用于对融合拟合函数进行傅里叶逆变换,得到反演后的不平顺数据。
在一实施例中,还包括预处理模块,具体用于:
对原始不平顺数据进行预处理,得到预处理后的不平顺数据;
对原始不平顺数据进行分析,得到轨道不平顺谱,包括:
对预处理后的不平顺数据进行分析,得到轨道不平顺谱。
在一实施例中,轨道不平顺谱获取模块1102,具体用于:
采用经典谱Welch方法,对原始不平顺数据进行分析,得到轨道不平顺谱。
在一实施例中,还包括周期性谱峰成分数据获取模块,用于:
在周期性轨道不平顺谱中,采用高斯平滑滤波识别得到周期性谱峰成分数据。
在一实施例中,周期性谱峰成分数据获取模块,具体用于:
采用高斯平滑滤波对周期性轨道不平顺谱进行去噪处理,在去噪后的周期性轨道不平顺谱中,识别周期性谱峰成分数据。
在一实施例中,随机性拟合函数确定模块1103,具体用于:
将随机性轨道不平顺谱进行对数处理,确定多项式拟合函数的变量;
基于确定变量后的多项式拟合函数,对随机性谱线成分数据进行拟合,得到随机性拟合函数。
在一实施例中,按照以下公式,确定随机性拟合函数:
其中,λ为波长;Sr(λ)为随机性轨道不平顺谱;fr为对数坐标下随机性拟合函数;n为多项式拟合总阶数,i代表第i阶,q和p为变量,lg()代表对数函数。
在一实施例中,周期性拟合函数确定模块1104,具体用于:
将周期性轨道不平顺谱进行对数处理,确定二阶高斯线型函数的变量;
基于确定变量后的二阶高斯线型函数,对周期性谱峰成分数据进行拟合,得到周期性拟合函数。
在一实施例中,按照以下公式,确定周期性拟合函数:
lg[Spf(q)]=lg[S(q)]-fr(q);
其中,S(q)为实测轨道谱值;Spf(q)为实测谱峰数值;fpf为对数坐标下周期性拟合函数;a1、a2、b1、b2、c1、c2为拟合参数,q和p为变量,lg()代表对数函数,fr为对数坐标下随机性拟合函数。
在一实施例中,所述周期性谱峰成分数据包括周期性谱峰的密度和频带。
在一实施例中,还包括谱峰能量确定模块,具体用于:
根据周期性谱峰的密度和频带,确定谱峰能量;
根据谱峰能量,确定轨道周期性不平顺情况下表征的波长及幅值。
在一实施例中,融合拟合函数确定模块1105,具体用于:
根据轨道不平顺谱,获取谱峰频带数据;
根据谱峰频带数据,确定谱峰频带起始谱峰波长和终止谱峰波长;
根据起始谱峰波长和终止谱峰波长,将周期性拟合函数与随机性拟合函数融合,得到融合拟合函数。
在一实施例中,按照以下公式,确定融合拟合函数:
其中,λ为波长,λ0为起始谱峰波长,λend为终止谱峰波长;Sr(λ)为随机性轨道不平顺谱;n为多项式拟合总阶数,i代表第i阶,q和p为变量,S(q)为实测轨道谱值;Spf(q)为实测谱峰数值;a1、a2、b1、b2、c1、c2为拟合参数,q和p为变量,lg()代表对数函数。
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轨道不平顺谱反演法。
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计算机程序,所述计算机程序被处理器执行时实现上述轨道不平顺谱表征反演方法。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述轨道不平顺谱表征反演方法。
本发明实施例中,采集轨道不平顺动态检测数据,得到原始不平顺数据;原始不平顺数据包括周期性不平顺数据和随机性不平顺数据;对原始不平顺数据进行分析,得到轨道不平顺谱;轨道不平顺谱中包括周期性轨道不平顺谱和随机性轨道不平顺谱;根据随机性轨道不平顺谱,获取随机性谱线成分数据,采用多项式拟合方法对随机性谱线成分数据进行拟合,得到随机性拟合函数;根据周期性轨道不平顺谱,获取周期性谱峰成分数据,采用二阶高斯线型函数对周期性谱峰成分数据进行拟合,得到周期性拟合函数;将周期性拟合函数与随机性拟合函数融合,得到融合拟合函数;对融合拟合函数进行傅里叶逆变换,得到反演后的不平顺数据。在上述过程中,本发明实施例将周期性谱峰成分数据与随机性谱线成分数据进行融合,对实际线路轨道不平顺进行反演,从而更加全面地对轨道状态进行评估。
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 (17)
1.一种轨道不平顺谱表征反演方法,其特征在于,包括:
采集轨道不平顺动态检测数据,得到原始不平顺数据;原始不平顺数据包括周期性不平顺数据和随机性不平顺数据;
对原始不平顺数据进行分析,得到轨道不平顺谱;轨道不平顺谱中包括周期性轨道不平顺谱和随机性轨道不平顺谱;
根据随机性轨道不平顺谱,获取随机性谱线成分数据,采用多项式拟合方法对随机性谱线成分数据进行拟合,得到随机性拟合函数;
根据周期性轨道不平顺谱,获取周期性谱峰成分数据,采用二阶高斯线型函数对周期性谱峰成分数据进行拟合,得到周期性拟合函数;
将周期性拟合函数与随机性拟合函数融合,得到融合拟合函数;
对融合拟合函数进行傅里叶逆变换,得到反演后的不平顺数据。
2.如权利要求1所述的方法,其特征在于,对原始不平顺数据进行分析之前,包括:
对原始不平顺数据进行预处理,得到预处理后的不平顺数据;
对原始不平顺数据进行分析,得到轨道不平顺谱,包括:
对预处理后的不平顺数据进行分析,得到轨道不平顺谱。
3.如权利要求1所述的方法,其特征在于,对原始不平顺数据进行分析,得到轨道不平顺谱,包括:
采用经典谱Welch方法,对原始不平顺数据进行分析,得到轨道不平顺谱。
4.如权利要求1所述的方法,其特征在于,根据周期性轨道不平顺谱,获取周期性谱峰成分数据,包括:
在周期性轨道不平顺谱中,采用高斯平滑滤波识别得到周期性谱峰成分数据。
5.如权利要求4所述的方法,其特征在于,在周期性轨道不平顺谱中,采用高斯平滑滤波识别得到周期性谱峰成分数据,包括:
采用高斯平滑滤波对周期性轨道不平顺谱进行去噪处理,在去噪后的周期性轨道不平顺谱中,识别周期性谱峰成分数据。
6.如权利要求1所述的方法,其特征在于,采用多项式拟合方法对随机性谱线成分数据进行拟合,得到随机性拟合函数,包括:
将随机性轨道不平顺谱进行对数处理,确定多项式拟合函数的变量;
基于确定变量后的多项式拟合函数,对随机性谱线成分数据进行拟合,得到随机性拟合函数。
7.如权利要求6所述的方法,其特征在于,按照以下公式,确定随机性拟合函数:
其中,λ为波长;Sr(λ)为随机性轨道不平顺谱;fr为对数坐标下随机性拟合函数;n为多项式拟合总阶数,i代表第i阶,q和p为变量,lg()代表对数函数。
8.如权利要求1所述的方法,其特征在于,采用二阶高斯线型函数对周期性谱峰成分数据进行拟合,得到周期性拟合函数,包括:
将周期性轨道不平顺谱进行对数处理,确定二阶高斯线型函数的变量;
基于确定变量后的二阶高斯线型函数,对周期性谱峰成分数据进行拟合,得到周期性拟合函数。
9.如权利要求8所述的方法,其特征在于,按照以下公式,确定周期性拟合函数:
lg[Spf(q)]=lg[S(q)]-fr(q);
其中,S(q)为实测轨道谱值;Spf(q)为实测谱峰数值;fpf为对数坐标下周期性拟合函数;a1、a2、b1、b2、c1、c2为拟合参数,q和p为变量,lg()代表对数函数,fr为对数坐标下随机性拟合函数。
10.如权利要求1所述的方法,其特征在于,所述周期性谱峰成分数据包括周期性谱峰的密度和频带。
11.如权利要求10所述的方法,其特征在于,还包括:
根据周期性谱峰的密度和频带,确定谱峰能量;
根据谱峰能量,确定轨道周期性不平顺情况下表征的波长及幅值。
12.如权利要求1所述的方法,其特征在于,将周期性拟合函数与随机性拟合函数融合,得到融合拟合函数,包括:
根据轨道不平顺谱,获取谱峰频带数据;
根据谱峰频带数据,确定谱峰频带起始谱峰波长和终止谱峰波长;
根据起始谱峰波长和终止谱峰波长,将周期性拟合函数与随机性拟合函数融合,得到融合拟合函数。
13.如权利要求12所述的方法,其特征在于,按照以下公式,确定融合拟合函数:
其中,λ为波长,λ0为起始谱峰波长,λend为终止谱峰波长;Sr(λ)为随机性轨道不平顺谱;n为多项式拟合总阶数,i代表第i阶,q和p为变量,S(q)为实测轨道谱值;Spf(q)为实测谱峰数值;a1、a2、b1、b2、c1、c2为拟合参数,q和p为变量,lg()代表对数函数。
14.一种轨道不平顺谱表征反演装置,其特征在于,包括:
原始不平顺数据获取模块,用于采集轨道不平顺动态检测数据,得到原始不平顺数据;原始不平顺数据包括周期性不平顺数据和随机性不平顺数据;
轨道不平顺谱获取模块,用于对原始不平顺数据进行分析,得到轨道不平顺谱;轨道不平顺谱中包括周期性轨道不平顺谱和随机性轨道不平顺谱;
随机性拟合函数确定模块,用于根据随机性轨道不平顺谱,获取随机性谱线成分数据,采用多项式拟合方法对随机性谱线成分数据进行拟合,得到随机性拟合函数;
周期性拟合函数确定模块,用于根据周期性轨道不平顺谱,获取周期性谱峰成分数据,采用二阶高斯线型函数对周期性谱峰成分数据进行拟合,得到周期性拟合函数;
融合拟合函数确定模块,用于将周期性拟合函数与随机性拟合函数融合,得到融合拟合函数;
融合拟合函数反演模块,用于对融合拟合函数进行傅里叶逆变换,得到反演后的不平顺数据。
15.一种计算机设备,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13任一所述方法。
16.一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计算机程序,所述计算机程序被处理器执行时实现权利要求1至13任一所述方法。
17.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现权利要求1至13任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410317962.3A CN118228191A (zh) | 2024-03-20 | 2024-03-20 | 轨道不平顺谱表征反演方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410317962.3A CN118228191A (zh) | 2024-03-20 | 2024-03-20 | 轨道不平顺谱表征反演方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118228191A true CN118228191A (zh) | 2024-06-21 |
Family
ID=91511183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410317962.3A Pending CN118228191A (zh) | 2024-03-20 | 2024-03-20 | 轨道不平顺谱表征反演方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118228191A (zh) |
-
2024
- 2024-03-20 CN CN202410317962.3A patent/CN118228191A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7054792B2 (en) | Method, computer program, and system for intrinsic timescale decomposition, filtering, and automated analysis of signals of arbitrary origin or timescale | |
KR101882925B1 (ko) | 납땜 이음의 품질을 검사하는 방법 | |
CN109143975A (zh) | 用于执行对由传感器获取的信号的噪声去除操作的方法和根据该方法的系统 | |
EP3088871B1 (en) | Raman spectrum detection method | |
CN113343928B (zh) | 变速路段高速铁路钢轨波磨检测方法及装置、计算机设备 | |
CN104870955A (zh) | 光谱学装置和方法 | |
De Moura et al. | Applications of detrended-fluctuation analysis to gearbox fault diagnosis | |
JP6239601B2 (ja) | ダイヤモンドの赤外分析 | |
Karamihas | Development of cross correlation for objective comparison of profiles | |
CN105005978A (zh) | 一种基于Savitzky-Golay滤波器参数优化的光谱实时滤波方法 | |
Azami et al. | A novel signal segmentation method based on standard deviation and variable threshold | |
CN103017665A (zh) | 数字散斑干涉条纹快速滤波系统 | |
CN118228191A (zh) | 轨道不平顺谱表征反演方法及装置 | |
CN111460934B (zh) | 一种超导高场磁共振的中心频率计算方法及系统 | |
Schmetz et al. | Decision support by interpretable machine learning in acoustic emission based cutting tool wear prediction | |
KR20240074822A (ko) | 차량 제동 시스템에 의해 발생하는 소음을 인공지능을 사용하여 식별 및 특성화하는 방법 | |
CN105156901B (zh) | 一种基于小波分析的光纤预警系统降噪方法及装置 | |
Gogolewski et al. | Application of wavelet transform to determine surface texture constituents | |
CN115140115B (zh) | 声振结合的高速铁路钢轨波磨识别方法和装置 | |
CN114818782B (zh) | 钢轨连续擦伤识别方法及装置 | |
CN118606687A (zh) | 高速铁路轨道车辆系统对偶周期性识别方法及装置 | |
CN117593205B (zh) | 用于区分光谱的本底与特征峰的方法及其相关产品 | |
CN112183423B (zh) | 高频弓网动态响应信号的滤波方法及装置 | |
Kubátová et al. | Software filters of surface roughness | |
CN116821625A (zh) | 机车齿轮故障检测方法、装置及服务器 |
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 |