WO2022134868A1 - 一种基于特征融合的道岔尖轨伤损状态监测方法 - Google Patents

一种基于特征融合的道岔尖轨伤损状态监测方法 Download PDF

Info

Publication number
WO2022134868A1
WO2022134868A1 PCT/CN2021/128078 CN2021128078W WO2022134868A1 WO 2022134868 A1 WO2022134868 A1 WO 2022134868A1 CN 2021128078 W CN2021128078 W CN 2021128078W WO 2022134868 A1 WO2022134868 A1 WO 2022134868A1
Authority
WO
WIPO (PCT)
Prior art keywords
signal
feature
rail
damage
guided wave
Prior art date
Application number
PCT/CN2021/128078
Other languages
English (en)
French (fr)
Inventor
柳伟续
唐志峰
赵翔
张鹏飞
吕福在
Original Assignee
杭州浙达精益机电技术股份有限公司
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 杭州浙达精益机电技术股份有限公司 filed Critical 杭州浙达精益机电技术股份有限公司
Priority to US18/008,197 priority Critical patent/US20230176016A1/en
Publication of WO2022134868A1 publication Critical patent/WO2022134868A1/zh

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
    • G01N29/04—Analysing solids
    • G01N29/12—Analysing solids by measuring frequency or resonance of acoustic waves
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
    • B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
    • B61K9/08—Measuring installations for surveying permanent way
    • B61K9/10—Measuring installations for surveying permanent way for detecting cracks in rails or welds thereof
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
    • B61L27/53—Trackside diagnosis or maintenance, e.g. software upgrades for trackside elements or systems, e.g. trackside supervision of trackside control system conditions
    • 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
    • G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
    • 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
    • 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
    • G01N2291/025—Change of phase or condition
    • G01N2291/0258—Structural degradation, e.g. fatigue of composites, ageing of oils
    • 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
    • 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
    • G01N2291/04—Wave modes and trajectories
    • G01N2291/042—Wave modes
    • G01N2291/0425—Parallel to the surface, e.g. creep waves
    • 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
    • G01N2291/04—Wave modes and trajectories
    • G01N2291/044—Internal reflections (echoes), e.g. on walls or defects
    • 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
    • G01N2291/26—Scanned objects
    • G01N2291/262—Linear objects
    • G01N2291/2623—Rails; Railroads

Definitions

  • Ultrasonic guided wave technology is widely used in non-destructive testing and online monitoring in all walks of life due to its characteristics of long-distance, large-scale, full-section detection, and single-ended transceiver.
  • the railway turnout tip rail is very suitable for the monitoring and evaluation of the working condition by using the guided wave technology, regardless of the material or component type.
  • the traditional ultrasonic testing, eddy current testing, and magnetic flux leakage testing (Xiong Longhui. Research on the magnetic flux leakage detection technology for rail cracks [D].
  • the prior art lacks an effective structural health monitoring method, and the on-line monitoring of the switch rail structure becomes more and more important from both economic and safety aspects.
  • the present invention proposes a method and method for monitoring the damage state of the switch point rail based on feature fusion, which can realize real-time online automatic monitoring of the service state of the switch point rail.
  • the guided wave signal obtained from monitoring may be affected by various sources, including site environmental conditions, waveguide boundary conditions, waveguide vibration, and noise caused by electronic monitoring systems; these may lead to misjudgment of tip rail damage and omission. Before feature extraction, the guided wave signal should be preprocessed.
  • M is the length of the echo signal x'(n), that is, the total number of sampling points in the echo signal; n represents the number of sampling points in the echo signal;
  • the present invention can improve the data quality through the above-mentioned preprocessing, and overcome the problems of misjudgment and omission of the damage of the tip rail.
  • De-dimensionalization is performed on each reference signal x(n) in the reference library signal in the following manner, and the de-dimensionalization is set as:
  • the eigenvector ssf of the signal of the switch tip-rail guided wave is obtained, which is expressed as:
  • S4 Perform damage-sensitive feature selection on the eigenvector ssf of the signal of the switch tip rail guided wave, and use the binary particle swarm algorithm to obtain the optimal feature subset.
  • the eigenvectors ssf of each switch tip-rail guided wave signal in the optimal feature subset SSF gbest have the same number and the same eigenparameters, and these eigenparameters are taken from some of the 20 kinds of eigenvectors F monitoring .
  • the optimal feature subset SSF gbest is used as the training set of the least square vector machine LS-SVM, and the cross-validation method is used for training to obtain the LS-SVM model of automatic identification of switch point rail damage;
  • the above optimal feature subset SSF gbest contains half of the features corresponding to the damaged echo signal x' 2 (n) and the healthy echo signal x' 2 (n) respectively (that is, both are half of BN).
  • the signals are respectively marked as: the healthy and no damage state of the switch point rail and the simulated damage state of the switch point rail.
  • the eigenvector of the switch point rail guided wave signal of the switch point rail guided wave signal MS(n) obtained by the same processing in the above steps S1 to S3 According to the feature number NF in step S4, feature selection is performed on the feature vector ssf ms of the switch point rail guided wave signal, so as to obtain the feature vector of the switch point rail guided wave signal after feature selection. And input into the LS-SVM model for automatic identification of the damage of the turnout tip rail obtained in step S5, and output the current damage status of the tip rail, which is divided into a healthy state and a damaged state.
  • Extract time-domain statistical features including skewness (SF 1 ), kurtosis (SF 2 ), peak-to-peak value (SF 3 ), kurtosis factor (SF 4 ), root mean square (SF 5 ), standard deviation (SF 6 ) , Crest Factor (SF 7 ), Shape Factor (SF 8 ), Pulse Factor (SF 9 ), Maximum (SF 15 ), Variance (SF 16 ), Minimum (SF 17 ), Root Square Amplitude (SF 18 ) and margin factor (SF 10 );
  • the time-frequency analysis method based on Complementary ensemble empirical mode decomposition is used to extract the features of the above reference signal x(n) in the time-frequency domain.
  • CEEMD Complementary ensemble empirical mode decomposition
  • c t (n) is the t-th eigenmode function IMF obtained by decomposition
  • N is the number of all eigenmode functions IMF
  • r n (n) is the n-th residual component
  • the number N of the eigenmode functions IMFs in different frequency bands is obtained by processing according to the following formula according to the length M of the input reference signal x(n):
  • y(n) is the reconstructed signal of the decomposed reference signal x(n);
  • y(n) is the reconstructed signal of x(n) based on CEEMD
  • the energy spectral entropy feature includes the local energy spectral entropy feature ESEF 1 of the first two eigenmode functions IMF (high frequency components) and the global energy spectral entropy feature ESEF 2 of all eigenmode functions IMF.
  • the energy spectral entropy ESEF 1 is used to Represents the local damage information
  • the average energy spectrum entropy ESEF 2 is used to represent the overall damage information of the switch tip rail;
  • the local energy spectral entropy feature ESEF 1 is calculated as:
  • the global energy spectral entropy feature ESEF 2 is calculated as:
  • p ij represents the energy coefficient of the i-th sampling point of the j-th eigenmode function in the reference signal x(n), e is the base of the natural logarithm; c ij represents the i-th sampling point of the j-th eigenmode function. the value of a sampling point;
  • the fourteen time-domain statistical features and three power-spectrum-domain statistical features extracted are combined with the common average energy feature SF 14 to form the first 18 feature parameters in the feature vector F monitoring .
  • the entropy feature ESEF 2 constitutes the last two feature parameters in the feature vector F monitoring .
  • the healthy echo signals in the healthy and non-damaged state are the echo signals at different positions of the rail bottom, rail waist and rail head collected by the turnout tip rail in the healthy and non-damaged state, and each of them contains all the healthy and non-damaged echo signals.
  • one third of the echo signal of the switch rail is in three working states: closed, open and moving;
  • the damage echo signals in the simulated damage state are the guided wave signals at different positions of the rail bottom, rail waist and rail head collected by the switch tip rail in the simulated damage state, including all the signals in the simulated damage state.
  • One-third of the echo signal of the switch rail is in three working states: closed, open and moving.
  • the said healthy and non-damaged state refers to the condition that there are no cracks or simulated iron blocks on the switch point rail, including three different working states of the switch point rail being closed, open and moving;
  • the simulated damage state is It refers to the use of iron blocks to be pasted to different positions of the rail bottom, rail waist and rail head of the switch point rail each time to simulate the damage situation, including the three different working states of the switch point rail being closed, open and moving.
  • the least squares support vector machine uses a Gaussian radial basis function as a kernel function, and the cross-validation method is a leave-one-out cross-validation method.
  • the number BN of the reference library signals is at least 240.
  • the initialization parameters of the population in the binary particle swarm algorithm are: the number of particles Num is 20, the maximum number of iterations Die is 100, the maximum and minimum iterative speeds V max are 6 and V min is -6, and the learning factor c1 is 2. , c2 is 2, and the selected feature number NF is 0.
  • the fitness function fitness is calculated as the ratio of intra-class Mahalanobis distance and inter-class Mahalanobis distance in the following manner;
  • v j is the barycenter vector of the jth class
  • p is the number of classes
  • p is 2 classes, which are the healthy state and the damaged state, respectively
  • ⁇ j is the covariance matrix of the feature set SSF j
  • SSF j represents the set of eigenvectors ssf of the signal eigenvectors of the switch-point-rail guided wave of the reference signal of the jth class
  • nj is the number of the jth class of reference signals
  • T represents matrix transposition
  • ssf ik represents the i-th feature in the eigenvector of the k-th switch tip-rail guided wave signal
  • ⁇ is the variance of the vector v 1
  • the vector v 1 represents the barycentric vector of the first class
  • the vector v 2 represents the barycentric vector of the second class
  • ⁇ represents the non-zero parameter of the fitness function, specifically a non-zero very small arbitrary positive number to ensure that the denominator is not zero.
  • the echo signal may be a pulse echo model or a guided wave signal measured in a single-transmit and single-receive mode.
  • the output result of the LS-SVM model for automatic identification of switch point rail damage is that the switch point rail is healthy and safe, or the point rail is damaged.
  • FIG. 7 is a three-dimensional diagram of an optimal feature subset of a guided wave signal to be analyzed and monitored, obtained by iteration of a binary particle swarm algorithm according to an embodiment of the present invention.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Acoustics & Sound (AREA)
  • Mechanical Engineering (AREA)
  • Biomedical Technology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

一种基于特征融合的道岔尖轨伤损状态监测方法，包括：S1、在道岔尖轨上安装超声导波监测装置，产生导波沿道岔尖轨传播并接收导波的回波信号，进行道岔尖轨在线伤损识别模拟，建立基准库信号；S2、进行特征提取；S3、提取健康特征向量并去量纲化；S4、进行损伤敏感特征选择，利用二元粒子群算法得到最优特征子集，二元粒子群算法处理中计算每次迭代后种群的适应度函数；S5、将最优特征子集SSF gbest通过交叉验证方法进行训练，得到道岔尖轨伤损自动识别LS-SVM模型；S6、应用道岔尖轨伤损自动识别LS-SVM模型进行尖轨伤损监测。有益效果：能在复杂情况下识别损伤，优于传统方法，实现道岔尖轨伤损的在线监测。

Description

一种基于特征融合的道岔尖轨伤损状态监测方法 技术领域
本发明涉及了一种轨道监测系统和方法，尤其涉及一种基于特征融合的道岔尖轨伤损状态监测方法及方法。
背景技术
近些年，一方面随着国民经济的迅猛发展，关乎国民经济命脉的铁路交通得到了前所未有的快速发展；另一方面随着铁路交通的快速发展，其行车密度、运行速度及载重量等都有了大幅提高，作为轨道重要组成部分的钢轨势必会受到的负荷、冲击等也同样增大，不可避免的导致钢轨，特别是道岔尖轨发生损伤的概率提高，对轨道的可靠、安全运行提出了更严格要求。高速铁路系统中有数以万计的道岔，道岔尖轨是高速铁路系统中必不可少的薄弱环节，直接影响到列车的安全稳定运行。与基本轨不同，道岔尖轨只有一部分尖轨由枕木上的扣件固定，其余很大部分能根据列车的运行要求自由移动，随着列车运行速度的提高以及在自然环境中复杂恶劣的工作条件，必要加剧道岔尖轨比普通钢轨承受更多的疲劳载荷，更容易发生灾难性事故，危及人民生命财产安全。为此，迫切需要提出有效、可靠的针对在役道岔尖轨的服役状态的监测技术与方法。
针对道岔尖轨的一个较新颖实用的方法是导波技术。由于导波可以在相对较长的距离内传播，并且对缺陷敏感，因此可以从单个测试点对道岔钢轨的完整性进行远程在线评估(胡剑虹,唐志峰,蒋金洲,等.道岔钢轨轨底缺陷的导波检测技术研究[J].中国铁道科学,2014,35(3).)。此外，导波可以在短时间内(以每秒数公里的速度)对大面积区域进行检测，满足高速铁路极快、高效扫描和监控的要求。超声导波技术以其长距离、大范围、全截面检测、单端收发的特点被广泛应用于各行各业的无损检测和在线监测之中。铁路道岔尖轨不论是材质还是构件类型都非常适合应用导波技术进行工作状态的监测与评估。然而，考虑到道岔尖轨结构特征较为复杂，扣件搭接情况较多，传统的超声检测、涡流检测、漏磁检测(熊龙辉.钢轨裂纹漏磁检测技术研究[D].南京航空航天大学,2014.)、机器视觉和渗透检测等点对点式无损检测手段很难满足实际监测中对时效性、云端在线、可靠性、跨地域大范围的严格要求。同时，考虑到铁路线路运行繁忙，利用天窗时段对轨道进行线下的人工检测与监测技术已经难以满足日益发展的铁路实际检测与监测需求。
因此，现有技术缺少了一种有效的结构健康监测方法，对道岔尖轨结构进行在线监测，从经济和安全两个方面都变得越来越重要。
发明内容
针对上述背景技术中的问题和缺陷，本发明提出了一种基于特征融合的道岔尖轨伤损状态监测方法及方法，能实现对道岔尖轨服役状态的实时在线自动监测。
如图1所示，本发明是通过如下技术方案实现的：
S1、道岔尖轨上安装超声导波监测装置，超声导波监测装置产生导波沿道岔尖轨传播并自身接收导波的回波信号，进而进行道岔尖轨在线伤损识别模拟，建立基准库信号：
S1.0：超声导波监测装置实时采集回波信号x’(n)，回波信号是由沿时间连续采集的多个采样点构成，n表示回波信号中采样点的序数，回波信号分为有道岔尖轨在健康无伤损状态下的健康回波信号x’ 1(n)和模拟伤损状态下的伤损回波信号x’ 2(n)，伤损回波信号x’ 2(n)和健康回波信号x’ 1(n)的信号数量相同；
S1.1：监测所得导波信号可能受到各种来源的影响，包括现场环境条件、波导边界条件、波导振动和电子监测系统引起的噪声；这些都有可能会导致对尖轨伤损的误判和漏判。在特征提取之前，要对导波信号进行预处理。
对监测所得的回波信号x’(n)按照下式标准化预处理获得：
Figure PCTCN2021128078-appb-000001
其中，M是回波信号x'(n)的长度，即回波信号中的采样点总数；n表示回波信号中的采样点序号；
健康回波信号x’ 1(n)和伤损回波信号x’ 2(n)经过预处理获得了健康基准信号x 1(n)和伤损基准信号x 2(n)，健康基准信号x 1(n)和伤损基准信号x 2(n)均为基准信号x(n)，由所有不同基准信号构成基准库信号，基准库信号中的基准信号个数为BN，基准库信号中健康基准信号x 1(n)和伤损基准信号x 2(n)各占一半；
本发明通过上述预处理能提高数据质量，克服对尖轨伤损的误判和漏判问题。
S2、对上述预处理后的基准信号x(n)进行特征提取；
S3：从一个基准库信号中随机提取一个健康无伤损状态下的健康基准信号，健康基准信号处理获得的特征向量作为健康特征向量F baseline：
Figure PCTCN2021128078-appb-000002
其中，
Figure PCTCN2021128078-appb-000003
分别表示健康特征向量F baseline的前18个特征参数，
Figure PCTCN2021128078-appb-000004
和
Figure PCTCN2021128078-appb-000005
分别表示健康特征向量F baseline的最后两个特征参数；
对基准库信号中的每个基准信号x(n)按照以下方式进行去量纲化，去量纲化设置为：
Figure PCTCN2021128078-appb-000006
其中，e表示自然对数的底；
其中的每个元素对应代入公式中处理进行去量纲化。
去量纲化后获得道岔尖轨导波信号特征向量ssf，表示为：
Figure PCTCN2021128078-appb-000007
其中，
Figure PCTCN2021128078-appb-000008
分别表示道岔尖轨导波信号特征向量ssf的前18个特征参数，
Figure PCTCN2021128078-appb-000009
和
Figure PCTCN2021128078-appb-000010
分别表示道岔尖轨导波信号特征向量ssf的最后两个特征参数；
S4：对道岔尖轨导波信号特征向量ssf进行损伤敏感特征选择，利用二元粒子群算法得到最优特征子集，二元粒子群算法处理中计算每次迭代后种群的适应度函数，并更新局部最优解pbest和全局最优解gbest；得到最终的全局最优解gbest和所选择的特征编号NF，以最终的全局最优解gbest作为损伤敏感选择的最优特征子集SSF gbest，SSF gbest＝{ssf 1,ssf 2,…,ssf BN}，其中BN为基准库信号中的基准信号的个数；
最优特征子集SSF gbest中的各个道岔尖轨导波信号特征向量ssf均具有相同数量且相同的特征参数，且这些特征参数均取自特征向量F monitoring中的20种的其中一部分。
S5、得到基于最小二乘向量机的道岔尖轨在线伤损自动识别模拟：
将最优特征子集SSF gbest作为最小二乘向量机LS-SVM的训练集，通过交叉验证方法进行训练，得到道岔尖轨伤损自动识别LS-SVM模型；
上述最优特征子集SSF gbest分别含有伤损回波信号x’ 2(n)和健康回波信号x’ 2(n)对应的特征各占一半(即均为BN的一半)，将两类信号分别标记为：道岔尖轨健康无伤损状态和道岔尖轨模拟伤损状态。
S6、应用道岔尖轨伤损自动识别LS-SVM模型进行尖轨伤损监测：
对于道岔尖轨实时监测采集得到的待分析回波信号MS(n)，通过上述步骤S1～S3相同处理得到的待分析监测信号MS(n)的道岔尖轨导波信号特征向量
Figure PCTCN2021128078-appb-000011
根据步骤S4 的特征编号NF对道岔尖轨导波信号特征向量ssf ms进行特征选择，从而得到特征选择后的道岔尖轨导波信号特征向量
Figure PCTCN2021128078-appb-000012
并输入到步骤S5得到的道岔尖轨伤损自动识别LS-SVM模型进行判别，输出当前尖轨的伤损状态，分为健康状态和有伤损状态。
所述步骤S2具体为：
S2.1：对预处理后的基准信号x(n)进行时域统计特征和功率谱域统计特征的提取；
提取时域统计特征，包括偏度(SF 1)、峰度(SF 2)、峰峰值(SF 3)、峰度因子(SF 4)、均方根(SF 5)、标准差(SF 6)、峰值因子(SF 7)、形状因子(SF 8)、脉冲因子(SF 9)、最大值(SF 15)、方差(SF 16)、最小值(SF 17)、方根幅值(SF 18)和裕度因子(SF 10)；
提取功率谱域统计特征，包括功率谱均方根(SF 11)、功率谱标准差(SF 12)和功率谱中心(SF 13)；
S2.2：对预处理后的基准信号x(n)进行时频分析后的特征提取；
然后利用基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)的时频分析方法对上述基准信号x(n)进行时频域的特征提取。
对基准信号x(n)进行基于互补集合经验模态分解，得到一组包含从高到低不同频带的本征模函数IMF，IMFs＝{c 1(n),c 2(n),…,c N(n)}，n∈[1，M]，分解表示为：
Figure PCTCN2021128078-appb-000013
其中，c t(n)是分解所得的第t个本征模函数IMF，N是全部本征模函数IMF的个数，r n(n)是第n个剩余分量；
所述的不同频带的本征模函数IMF的个数N，根据输入基准信号x(n)的长度M按照以下公式处理获得：
Figure PCTCN2021128078-appb-000014
其中，
Figure PCTCN2021128078-appb-000015
表示不大于log 2(M)的最大整数。
S2.3：根据本征模函数IMF对预处理后的基准信号x(n)进行重构获得重构信号：
Figure PCTCN2021128078-appb-000016
式中，y(n)是分解后的基准信号x(n)的重构信号；
S2.4：根据重构信号y(n)提取分解后的基准信号x(n)的平均能量特征SF 14，计算为：
Figure PCTCN2021128078-appb-000017
式中，y(n)是基于CEEMD的x(n)的重构信号；
S2.5：根据重构信号y(n)提取分解后的基准信号x(n)的能谱熵特征，计算为：
进行基于CEEMD分解的基准信号x(n)能谱熵特征的提取：
能谱熵特征包含了前两个本征模函数IMF(高频分量)的局部能谱熵特征ESEF 1和所有本征模函数IMF的全局能谱熵特征ESEF 2，能谱熵ESEF 1用来表示局部损伤信息，平均能谱熵ESEF 2用来表示道岔尖轨的整体损伤信息；
局部能谱熵特征ESEF 1计算为：
Figure PCTCN2021128078-appb-000018
Figure PCTCN2021128078-appb-000019
其中，p i表示基准信号x(n)中第i个采样点的能量系数；ψ(i)表示使用前两个本征模函数IMF重构获得的局部重构信号；
全局能谱熵特征ESEF 2计算为：
Figure PCTCN2021128078-appb-000020
Figure PCTCN2021128078-appb-000021
其中，p ij表示基准信号x(n)中第j个本征模函数的第i个采样点的能量系数，e为自然对数的底；c ij表示第j个本征模函数的第i个采样点的值；
通过上述过程，将基准库信号中的每个基准信号进行特征提取，各个特征提取的结果组成了该基准信号的来自不同信号处理域的特征向量F monitoring，特征向量F monitoring＝(SF 1～SF 18、ESEF 1和ESEF 2)。
将提取的十四个时域统计特征、三个功率谱域统计特征结合共同平均能量特征SF 14组成特征向量F monitoring中的前18个特征参数，由局部能谱熵特征ESEF 1和全局能谱熵特征ESEF 2构成特征向量F monitoring中的最后两个特征参数。
所述健康无伤损状态下的健康回波信号为道岔尖轨在健康无伤损状态下采集所得的轨底、轨腰和轨头不同位置的回波信号，含有各占全部健康无伤损状态下回波信号三分之一的道岔尖轨处于闭合、打开和运动三种工作状态的信号；
所述模拟伤损状态下的伤损回波信号为道岔尖轨在模拟伤损状态下采集所得的轨底、轨腰和轨头不同位置的导波信号，含有各占全部模拟伤损状态下回波信号三分之一的道岔尖轨处于闭合、打开和运动三种工作状态的信号。
所述健康无伤损状态，是指道岔尖轨上没有裂纹或者模拟铁块等伤损的情 况，包括道岔尖轨处于闭合、打开和运动三种不同工作状态；所述模拟伤损状态，是指利用铁块每次粘贴到道岔尖轨的轨底、轨腰和轨头不同位置来模拟伤损的情况，包括道岔尖轨处于闭合、打开和运动三种不同工作状态。
所述最小二乘支持向量机采用高斯径向基函数作为核函数，所述交叉验证方法为留一法(leave-one-out)交叉验证方法。所述基准库信号个数BN最少为240个。
具体实施中，二元粒子群算法中种群的初始化参数为：粒子数Num为20，最大迭代次数Die为100，迭代最大和最小速度V max为6和V min为-6，学习因子c1为2、c2为2,所选择的特征编号NF为0。
所述适应度函数fitness按照以下方式计算为类内马氏距离与类间马氏距离的比值；
先计算第j类的马氏距离为：
Figure PCTCN2021128078-appb-000022
Figure PCTCN2021128078-appb-000023
其中，v j是第j类的重心向量，p是类的数目，p为2类，分别为健康状态和有伤损状态，ψ j是特征集SSF j的协方差矩阵，
Figure PCTCN2021128078-appb-000024
SSF j表示第j类的基准信号的道岔尖轨导波信号特征向量ssf的集合，
Figure PCTCN2021128078-appb-000025
表示第n j个样本的道岔尖轨导波信号特征向量，n j是第j类的基准信号的数量，γ表示特征向量ssf i的维度，各个特征向量ssf i(i＝1,…,n j)的维度均相同，T代表矩阵转置；ssf ik表示第k个道岔尖轨导波信号特征向量中的第i个特征；
然后利用第j类的马氏距离计算类内马氏距离d和类间马氏距离dd：
d＝1/pΣd j
Figure PCTCN2021128078-appb-000026
其中，ξ是向量v 1的方差，向量v 1表示第1类的重心向量，向量v 2表示第2类的重心向量；
最后按照以下公式计算二元粒子群算法的适应度函数fitness：
fitness＝e d/(dd+τ)
其中，τ表示适应度函数的非零参数，具体是一个非零的非常小的任意正数，以确保分母不为零。
所述回波信号，可以是脉冲回波模型，也可以是单发单收模式所测得的导 波信号。
所述道岔尖轨伤损自动识别LS-SVM模型的输出结果为道岔尖轨健康安全，或者尖轨状态有伤损。
本发明根据道岔尖轨和导波的结构和特点，提出并分别定义了从信号时域、功率谱域、时频域等提取多个特征；同时定义了一种损伤指数，以消除环境、操作条件、信号功率和其他因素的影响；此外，提出了基于二元粒子群算法的特征选择方法，通过定义的新的适应度函数来选择损伤最敏感的特征，消除无关和冗余特征，提高分类性能。最后，采用最小二乘支持向量机建立自动分类模型，降低错误诊断的概率，提高对未知环境和伤损的泛化能力。
本发明定义的基于CEEMD的导波信号的能谱熵特征，创新性的包括用来表示局部损伤信息的ESEF1，和用来表示道岔钢轨的整体损伤信息的ESEF2，相对于其他体制提取方法就有更好的性能，针对不同类型的伤损。同时，本发明选择能谱熵的表达式形式是很重要的，本发明采用的是指数熵的形式，相对于传统的Shannon熵形式，本发明采用的指数熵形式用于道岔监测更加稳定。
从传统的Shannon熵形式
Figure PCTCN2021128078-appb-000027
可以看出，p i表示第i个信源概率，它存在一个概念性问题：即当pi→0，然后log(pi)→∞，这将导致实际应用中进行导波监测的失败。例如，当监控程序在MATLAB中执行时，它输出NAN(不是数字)，无法工作。而本发明解决了这一技术问题。
本发明的有益效果是：
除了上述时域和功率谱域的特征外，因为道岔尖轨损伤是由高度非线性和非平稳的伤损组成的，这些伤损对导波信号有很大的影响，仅用时域和功率谱域的特征很难全面表征这些伤损；为此，本发明进一步对导波信号进行基于时频分析的特征提取；经验模态分解(empirical mode decomposition，EMD)作为一种有效的用于非线性非平稳信号分析的自适应时频数据分析方法，适合对道岔尖轨的导波信号进行分析，这里采用EMD的升级版本，即基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)的时频分析方法对导波信号进行时频域的特征提取；
本发明采用不受维数影响、能消除变量间相关性干扰的马氏距离作为适应度函数fitness的度量，具有重要的现实应用价值。针对实际道岔尖轨监测中，损伤样本是有限的，而本发明采用的最小二乘支持向量机(LS-SVM)的优点是可以处理小样本、非线性和高维问题，非常适合于道岔尖轨的分析处理。
本发明具有的在线实时、低成本、高鲁棒性的特点，不仅极大改善了传统检测与监测手段和技术中存在的不足与问题，同时提高了铁路线网服役状态评 估监测的自动化和智能化水平；超声导波技术的固有优点，将极大提高铁路轨道的检测监测效率、范围和系统可靠性。本发明考虑和结合了长期监测所得道岔尖轨导波大数据的挖掘问题，通过提取特征、降低维度降低了，提高监测精度。同时，在算法的特征提取上做了大量创新。
同时本发明只需要建立道岔尖轨服役初期的少量样本库信号，进行多维度监测分析，可以实现对多个缺陷的评估判别和损伤定位。
由此可见，本发明可有效实现道岔尖轨完整性的可靠监测，大大提高了监测的跨地域性和实时性，具有重要的现实意义和工程价值。
附图说明
图1是本发明的监测方法流程图。
图2是本发明方法实施例的时域导波信号图。
图3是本发明实施例的图，(a)是提取的基准库信号的原始特征三维图，(b)是经过去量纲后的特征三维图。
图4是本发明实施例的二元粒子群算法迭代的收敛曲线图。
图5是本发明实施例的经过二元粒子群算法迭代得到的基准库信号的最优特征子集三维图。
图6是本发明实施例的待分析监测导波信号提取的特征的三维图。
图7是本发明实施例的经过二元粒子群算法迭代得到的待分析监测导波信号的最优特征子集三维图。
图8是本发明实施例的利用道岔尖轨伤损自动识别LS-SVM模型对尖轨实际监测信号的识别结果图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示，按照本发明完整方法实施的实施例如下：
如图1到图8，本发明根据监测所得导波信号，进行监测处理分析。
在道岔尖轨轨底进行漏报率试验以验证本发明，按照步骤S1，首先监测过程中道岔尖轨上无缺陷，道岔尖轨分别处在打开、闭合和运动三种状态下反复工作，采集得到437个健康无伤损状态下的健康回波信号x’ 1(n)；其次通过粘贴模拟铁块，道岔尖轨分别处在打开、闭合和运动三种状态下反复工作，进一步采集得到437个模拟伤损状态下的伤损回波信号x’ 2(n)，图2给出了收集的典型道岔尖轨处于三种工作状态下时的时域导波信号，图2从上到下依次为打开、闭合和运动三个状态对应的健康无伤损状态下的导波信号。
按照步骤S1.1对监测所得导波信号进行预处理，以提高数据质量，经过预 处理，经过预处理获得了健康基准信号x 1(n)和伤损基准信号x 2(n)，健康基准信号x 1(n)和伤损基准信号x 2(n)均为基准信号x(n)，由所有不同基准信号构成基准库信号，基准库信号中的基准信号个数为BN＝874；进一步，按照步骤S2对上述预处理后的基准信号x(n)进行特征提取；首先，提取时域统计特征，包括偏度(SF 1)、峰度(SF 2)、峰峰值(SF 3)、峰度因子(SF4)、均方根(SF5)、标准差(SF6)、峰值因子(SF7)、形状因子(SF8)、脉冲因子(SF9)、平均能量特征(SF14)、最大值(SF15)、方差(SF16)、最小值(SF17)、方根幅值(SF18)、裕度因子(SF10)；其次，提取功率谱域统计特征，包括功率谱均方根(SF11)、功率谱标准差(SF12)和功率谱中心(SF13)；最后，时频分析的特征提取；ESEF 1和ESEF 2。图3(a)给出了提取的这874个基准库信号的特征三维图。可以看出这些原始特征，由于各自的量纲的不同导致特征的大小范围差别比较大，不利于后续机器学习方法的学习；为此，按照步骤S3对上述所得基准库信号的特征向量进行去量纲化，经过去量纲之后，得到的874个样本的特征三维图如图3(b)所示，特征大小都在一个类似的大小区间范围内。按照步骤S4：对上述去量纲化的道岔尖轨特征向量进行损伤敏感特征选择，得到最优特征子集，其中初始化迭代参数：种群的粒子数Num＝20，最大迭代次数Die＝100，迭代最大速度和最小速度分别为VV max＝6和VV min＝-6，学习因子c1＝c2＝2，迭代100次后，得到最终损伤敏感最优特征子集SSF gbest，如图5所示；得到的所选择的特征编号NF＝{2 3 5 7 12 19 20}；利用二元粒子群算法所用的适应度函数fitness为权利要求3中定义的形式，迭代结束后得到的收敛曲线如图4所述。最后，选择CH1和CH2的7维损伤敏感特征子集。然后，按照步骤S5，最终损伤敏感最优特征子集SSF gbest作为最小二乘向量机(LS-SVM)的训练集，通过留一法(leave-one-out)交叉验证方法进行训练，经过训练得到道岔尖轨伤损自动识别LS-SVM模型。
道岔尖轨实时采集得到的待分析导波监测信号设为MS(n)，共有6172个样本，通过上述步骤S1.1，S2到S3提取得到的待分析监测信号MS(n)的相应道岔尖轨导波信号特征向量记为
Figure PCTCN2021128078-appb-000028
Figure PCTCN2021128078-appb-000029
其三维图如图6所述；根据步骤S4的特征编号NF＝{2 3 5 7 12 19 20}对ssf ms进行特征选择，从而得到选择后的特征为
Figure PCTCN2021128078-appb-000030
如图7所述.按照步骤S6，6172个样本的特征
Figure PCTCN2021128078-appb-000031
输入由步骤S5得到的道岔尖轨伤损自动识别LS-SVM模型，从而给出当前尖轨的伤损状态的判别结果，如图8所述，图8中的监测待分析信号为尖轨轨底不同位置粘贴铁块和去掉铁块的采集的监测导波信号。道岔尖轨伤损自 动识别LS-SVM模型输出结果5表示有伤损，输出结果1表示健康安全；识别结果为：99.45％(6138/6172)，即待分析监测信号共6172个，本道岔尖轨伤损自动识别LS-SVM模型却正确识别出了6138个，识别正确率为99.45％，达到了工程监测的识别率要求。传统的基于独立成分算法(ICA)的监测方法，为了实现自动化伤损识别，设定一个伤损阈值，而伤损阈值的设定与基准库信号的个数相关，导致当取不同基准信号的个数时，得到的道岔尖轨的识别率是不一样的，这不仅影响道岔尖轨伤损识别的自动化程度而且大大降低了识别的稳定性。本发明的方法，无需设定阈值，完全由训练后的模型自动识别伤损。
本发明在实际应用中，利用超声导波监测装置得到道岔尖轨的基准信号，包括伤损回波信号x’ 2(n)和健康回波信号x’ 1(n)，其中伤损回波信号是利用粘贴铁块的方式模拟伤损，其中模拟用的铁块占尖轨的横截面积百分比与模拟的伤损占尖轨的横截面积百分比大小相当，铁块每次粘贴的位置，从尖轨的根端粘贴到尖轨的尖端，铁块间隔一米，对得到的基准信号经过本发明方法的训练可以得到，具有对不同伤损较好泛化能力的道岔尖轨伤损自动识别LS-SVM模型，后续监测中，以此模型进行道岔尖轨的伤损状态进行监测。
由此实施可见，本发明能在复杂情况下识别损伤，优于传统方法，实现道岔尖轨伤损的在线监测，具有重要的现实意义和工程价值。
上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (7)

  1. 一种基于特征融合的道岔尖轨伤损状态监测方法，其特征在于：
    S1、道岔尖轨上安装超声导波监测装置，超声导波监测装置产生导波沿道岔尖轨传播并自身接收导波的回波信号，进而进行道岔尖轨在线伤损识别模拟，建立基准库信号：
    S1.0：超声导波监测装置实时采集回波信号x’(n)，回波信号是由沿时间连续采集的多个采样点构成，n表示回波信号中采样点的序数，回波信号分为有道岔尖轨在健康无伤损状态下的健康回波信号x’ 1(n)和模拟伤损状态下的伤损回波信号x’ 2(n)，伤损回波信号x’ 2(n)和健康回波信号x’ 1(n)的信号数量相同；
    S1.1：对监测所得的回波信号x’(n)按照下式标准化预处理获得：
    Figure PCTCN2021128078-appb-100001
    其中，M是回波信号x'(n)的长度，即回波信号中的采样点总数；n表示回波信号中的采样点序号；
    经过预处理获得了健康基准信号x 1(n)和伤损基准信号x 2(n)，健康基准信号x 1(n)和伤损基准信号x 2(n)均为基准信号x(n)，由所有不同基准信号构成基准库信号，基准库信号中的基准信号个数为BN，基准库信号中健康基准信号x 1(n)和伤损基准信号x 2(n)各占一半；
    S2、对上述预处理后的基准信号x(n)进行特征提取；
    S3：从一个基准库信号中随机提取一个健康无伤损状态下的健康基准信号，健康基准信号处理获得的特征向量作为健康特征向量F baseline：
    Figure PCTCN2021128078-appb-100002
    其中，
    Figure PCTCN2021128078-appb-100003
    分别表示健康特征向量F baseline的前18个特征参数，
    Figure PCTCN2021128078-appb-100004
    和
    Figure PCTCN2021128078-appb-100005
    分别表示健康特征向量F baseline的最后两个特征参数；
    对基准库信号中的每个基准信号x(n)按照以下方式进行去量纲化，去量纲化设置为：
    Figure PCTCN2021128078-appb-100006
    其中，e表示自然对数的底；
    去量纲化后获得道岔尖轨导波信号特征向量ssf，表示为：
    Figure PCTCN2021128078-appb-100007
    其中，
    Figure PCTCN2021128078-appb-100008
    分别表示道岔尖轨导波信号特征向量ssf的前18个特征参数，
    Figure PCTCN2021128078-appb-100009
    和
    Figure PCTCN2021128078-appb-100010
    分别表示道岔尖轨导波信号特征向量ssf的最后两个特征参数；
    S4：对道岔尖轨导波信号特征向量ssf进行损伤敏感特征选择，利用二元粒子群算法得到最优特征子集，二元粒子群算法处理中计算每次迭代后种群的适应度函数，并更新全局最优解gbest；以最终的全局最优解gbest作为损伤敏感选择的最优特征子集SSF gbest，SSF gbest＝{ssf 1,ssf 2,…,ssf BN}，其中BN为基准库信号中的基准信号的个数；
    S5、得到基于最小二乘向量机的道岔尖轨在线伤损自动识别模拟：
    将最优特征子集SSF gbest作为最小二乘向量机LS-SVM的训练集，通过交叉验证方法进行训练，得到道岔尖轨伤损自动识别LS-SVM模型；
    S6、应用道岔尖轨伤损自动识别LS-SVM模型进行尖轨伤损监测：
    对于道岔尖轨实时监测采集得到的待分析回波信号MS(n)，通过上述步骤S1～S3相同处理得到的待分析监测信号MS(n)的道岔尖轨导波信号特征向量
    Figure PCTCN2021128078-appb-100011
    根据步骤S4的特征编号NF对道岔尖轨导波信号特征向量ssf ms进行特征选择，从而得到特征选择后的道岔尖轨导波信号特征向量
    Figure PCTCN2021128078-appb-100012
    并输入到步骤S5得到的道岔尖轨伤损自动识别LS-SVM模型进行判别，输出当前尖轨的伤损状态，分为健康状态和有伤损状态。
  2. 根据权利要求1所述的一种基于特征融合的道岔尖轨伤损状态监测方法，其特征在于：所述步骤S2具体为：
    S2.1：对预处理后的基准信号x(n)进行时域统计特征和功率谱域统计特征的提取；
    提取时域统计特征，包括偏度(SF 1)、峰度(SF 2)、峰峰值(SF 3)、峰度因子(SF 4)、均方根(SF 5)、标准差(SF 6)、峰值因子(SF 7)、形状因子(SF 8)、脉冲因子(SF 9)、最大值(SF 15)、方差(SF 16)、最小值(SF 17)、方根幅值(SF 18)和裕度因子(SF 10)；
    提取功率谱域统计特征，包括功率谱均方根(SF 11)、功率谱标准差(SF 12)和功率谱中心(SF 13)；
    S2.2：对预处理后的基准信号x(n)进行时频分析后的特征提取；
    对基准信号x(n)进行基于互补集合经验模态分解，得到一组包含从高到低不同频带的本征模函数IMF，IMFs＝{c 1(n),c 2(n),…,c N(n)}，n∈[1，M]，分解表 示为：
    Figure PCTCN2021128078-appb-100013
    其中，c t(n)是分解所得的第t个本征模函数IMF，N是全部本征模函数IMF的个数，r n(n)是第n个剩余分量；
    S2.3：根据本征模函数IMF对预处理后的基准信号x(n)进行重构获得重构信号：
    Figure PCTCN2021128078-appb-100014
    式中，y(n)是分解后的基准信号x(n)的重构信号；
    S2.4：根据重构信号y(n)提取分解后的基准信号x(n)的平均能量特征SF 14，计算为：
    Figure PCTCN2021128078-appb-100015
    式中，y(n)是基于CEEMD的x(n)的重构信号；
    S2.5：根据重构信号y(n)提取分解后的基准信号x(n)的能谱熵特征，处理为：进行基于CEEMD分解的基准信号x(n)能谱熵特征的提取，能谱熵特征包含了前两个本征模函数IMF的局部能谱熵特征ESEF 1和所有本征模函数IMF的全局能谱熵特征ESEF 2；
    局部能谱熵特征ESEF 1计算为：
    Figure PCTCN2021128078-appb-100016
    Figure PCTCN2021128078-appb-100017
    其中，p i表示基准信号x(n)中第i个采样点的能量系数；ψ(i)表示使用前两个本征模函数IMF重构获得的局部重构信号；
    全局能谱熵特征ESEF 2计算为：
    Figure PCTCN2021128078-appb-100018
    Figure PCTCN2021128078-appb-100019
    其中，p ij表示基准信号x(n)中第j个本征模函数的第i个采样点的能量系数，e为自然对数的底；c ij表示第j个本征模函数的第i个采样点的值；
    通过上述过程，将基准库信号中的每个基准信号进行特征提取，各个特征提取的结果组成了该基准信号的特征向量F monitoring，特征向量F monitoring＝(SF 1～SF 18、ESEF 1和ESEF 2)。
  3. 根据权利要求1所述的一种基于特征融合的道岔尖轨伤损状态监测方法， 其特征在于：所述健康无伤损状态下的健康回波信号为道岔尖轨在健康无伤损状态下采集所得的轨底、轨腰和轨头不同位置的回波信号，含有各占全部健康无伤损状态下回波信号三分之一的道岔尖轨处于闭合、打开和运动三种工作状态的信号；
    所述模拟伤损状态下的伤损回波信号为道岔尖轨在模拟伤损状态下采集所得的轨底、轨腰和轨头不同位置的导波信号，含有各占全部模拟伤损状态下回波信号三分之一的道岔尖轨处于闭合、打开和运动三种工作状态的信号。
  4. 根据权利要求1所述的一种基于特征融合的道岔尖轨伤损状态监测方法，其特征在于：所述最小二乘支持向量机采用高斯径向基函数作为核函数，所述交叉验证方法为留一法(leave-one-out)交叉验证方法。
  5. 根据权利要求1所述的一种基于特征融合的道岔尖轨伤损状态监测方法，其特征在于：所述适应度函数fitness按照以下方式计算为类内马氏距离与类间马氏距离的比值；
    先计算第j类的马氏距离为：
    Figure PCTCN2021128078-appb-100020
    Figure PCTCN2021128078-appb-100021
    其中，v j是第j类的重心向量，p是类的数目，p为2类，分别为健康状态和有伤损状态，ψ j是特征集SSF j的协方差矩阵，
    Figure PCTCN2021128078-appb-100022
    SSF j表示第j类的基准信号的道岔尖轨导波信号特征向量ssf的集合，
    Figure PCTCN2021128078-appb-100023
    表示第n j个样本的道岔尖轨导波信号特征向量，n j是第j类的基准信号的数量，γ表示特征向量ssf i的维度，T代表矩阵转置；ssf ik表示第k个道岔尖轨导波信号特征向量中的第i个特征；
    然后利用第j类的马氏距离计算类内马氏距离d和类间马氏距离dd：
    d＝1/pΣd j
    Figure PCTCN2021128078-appb-100024
    其中，ξ是向量v 1的方差，向量v 1表示第1类的重心向量，向量v 2表示第2类的重心向量；
    最后按照以下公式计算二元粒子群算法的适应度函数fitness：
    fitness＝e d/(dd+τ)
    其中，τ表示适应度函数的非零参数。
  6. 根据权利要求1所述的一种基于特征融合的道岔尖轨伤损状态监测方法，其特征在于：所述道岔尖轨伤损自动识别LS-SVM模型的输出结果为道岔尖轨健康安全，或者尖轨状态有伤损。
  7. 根据权利要求2所述的一种基于特征融合的道岔尖轨伤损状态监测方法，其特征在于：所述S2.2中的不同频带的本征模函数IMF的个数N，根据输入基准信号x(n)的长度M按照以下公式处理获得：
    Figure PCTCN2021128078-appb-100025
    其中，
    Figure PCTCN2021128078-appb-100026
    表示不大于log 2(M)的最大整数。
PCT/CN2021/128078 2020-12-25 2021-11-02 一种基于特征融合的道岔尖轨伤损状态监测方法 WO2022134868A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/008,197 US20230176016A1 (en) 2020-12-25 2021-11-02 Method for Monitoring Service State of Switch Rail Based on Feature Fusion

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011560181.5A CN112858473B (zh) 2020-12-25 2020-12-25 一种基于特征融合的道岔尖轨伤损状态监测方法
CN202011560181.5 2020-12-25

Publications (1)

Publication Number Publication Date
WO2022134868A1 true WO2022134868A1 (zh) 2022-06-30

Family

ID=75996913

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/128078 WO2022134868A1 (zh) 2020-12-25 2021-11-02 一种基于特征融合的道岔尖轨伤损状态监测方法

Country Status (3)

Country Link
US (1) US20230176016A1 (zh)
CN (1) CN112858473B (zh)
WO (1) WO2022134868A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115687984A (zh) * 2023-01-05 2023-02-03 绍兴市特种设备检测院 一种搅拌釜健康状态监测方法
CN116628446A (zh) * 2023-05-24 2023-08-22 成都工业职业技术学院 基于聚类算法的道岔健康度标准值智能分析方法及系统
CN117952983A (zh) * 2024-03-27 2024-04-30 中电科大数据研究院有限公司 一种基于人工智能的智能制造生产过程监控方法和系统

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112858473B (zh) * 2020-12-25 2022-07-12 杭州浙达精益机电技术股份有限公司 一种基于特征融合的道岔尖轨伤损状态监测方法
CN114264727B (zh) * 2021-11-20 2023-11-24 重庆大学 一种基于运营列车动态响应的轨道—桥梁系统损伤识别的方法
CN114166943A (zh) * 2021-12-03 2022-03-11 四川西南交大铁路发展股份有限公司 基于非线性超声波的主动式钢轨伤损监测方法及终端
CN114705758A (zh) * 2022-04-07 2022-07-05 北京交通大学 一种道岔尖轨损伤远程监测系统及其监测方法
CN115166032B (zh) * 2022-05-23 2024-04-19 东南大学 一种风机叶片裂纹的检测装置及方法
CN116738152B (zh) * 2023-08-14 2023-10-27 南京邮电大学 地下流体管道泄漏损伤分布式振动监测评估系统及方法
CN116776501B (zh) * 2023-08-18 2024-01-19 中铁工程设计咨询集团有限公司 一种道岔的弹性夹结构的设计方法及系统
CN116819395B (zh) * 2023-08-28 2024-01-12 北京城建智控科技股份有限公司 一种轨道交通道岔故障分析方法及系统
CN117269701B (zh) * 2023-11-21 2024-02-02 川力电气有限公司 基于人工智能的高压开关柜局部放电定位方法
CN117349735B (zh) * 2023-12-05 2024-03-26 国家电投集团云南国际电力投资有限公司 一种直流微电网的故障检测方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120279308A1 (en) * 2011-05-04 2012-11-08 Fbs, Inc. Elastic wave rail defect detection system
CN104776908A (zh) * 2015-04-17 2015-07-15 南京理工大学 基于emd广义能量的轮轨振动信号故障特征提取方法
CN105203645A (zh) * 2015-06-08 2015-12-30 中国铁路总公司 一种基于振动信号融合的高速道岔裂纹伤损智能检测方法
CN110246134A (zh) * 2019-06-24 2019-09-17 株洲时代电子技术有限公司 一种钢轨伤损分类装置
CN111767897A (zh) * 2020-07-14 2020-10-13 上海应用技术大学 一种基于支持向量机的钢轨裂纹缺陷的识别方法
CN112858473A (zh) * 2020-12-25 2021-05-28 杭州浙达精益机电技术股份有限公司 一种基于特征融合的道岔尖轨伤损状态监测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3637146B2 (ja) * 1996-05-20 2005-04-13 株式会社トキメック 被検査体傷判定方法及び装置
CN103675099B (zh) * 2013-12-16 2016-05-04 杭州浙达精益机电技术股份有限公司 基于磁致伸缩扭转导波的轨底缺陷监测系统和方法
CN107144643B (zh) * 2017-06-15 2019-11-08 南京邮电大学 一种Lamb波监测信号统计参数的损伤识别方法
CN111815605B (zh) * 2020-07-09 2021-08-17 成都运达科技股份有限公司 基于分步深度学习的轨枕缺陷检测方法及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120279308A1 (en) * 2011-05-04 2012-11-08 Fbs, Inc. Elastic wave rail defect detection system
CN104776908A (zh) * 2015-04-17 2015-07-15 南京理工大学 基于emd广义能量的轮轨振动信号故障特征提取方法
CN105203645A (zh) * 2015-06-08 2015-12-30 中国铁路总公司 一种基于振动信号融合的高速道岔裂纹伤损智能检测方法
CN110246134A (zh) * 2019-06-24 2019-09-17 株洲时代电子技术有限公司 一种钢轨伤损分类装置
CN111767897A (zh) * 2020-07-14 2020-10-13 上海应用技术大学 一种基于支持向量机的钢轨裂纹缺陷的识别方法
CN112858473A (zh) * 2020-12-25 2021-05-28 杭州浙达精益机电技术股份有限公司 一种基于特征融合的道岔尖轨伤损状态监测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115687984A (zh) * 2023-01-05 2023-02-03 绍兴市特种设备检测院 一种搅拌釜健康状态监测方法
CN116628446A (zh) * 2023-05-24 2023-08-22 成都工业职业技术学院 基于聚类算法的道岔健康度标准值智能分析方法及系统
CN117952983A (zh) * 2024-03-27 2024-04-30 中电科大数据研究院有限公司 一种基于人工智能的智能制造生产过程监控方法和系统

Also Published As

Publication number Publication date
CN112858473B (zh) 2022-07-12
CN112858473A (zh) 2021-05-28
US20230176016A1 (en) 2023-06-08

Similar Documents

Publication Publication Date Title
WO2022134868A1 (zh) 一种基于特征融合的道岔尖轨伤损状态监测方法
CN105334269A (zh) 一种基于神经网络和导波特征数据库的管道缺陷类别判别方法
CN110533007B (zh) 一种桥梁车载应变影响线特征智能识别与提取方法
CN113640380B (zh) 钢轨伤损检测多级分类方法及系统
CN104089699B (zh) 一种变电站设备声音重建算法
CN113610188B (zh) 弓网接触力非区段异常识别方法及装置
CN112884134A (zh) 面向地震震相识别的基于时域的卷积神经网络模型及应用
Xu et al. Rail defect detection method based on recurrent neural network
CN109063762A (zh) 一种基于dt-cwt和s4vm的管道堵塞故障识别方法
US20240182089A9 (en) Rail corrugation recognition method and apparatus based on support vector machine, device, and medium
CN112364296A (zh) 一种基于深度学习的p波到时自动拾取方法
CN110020637A (zh) 一种基于多粒度级联森林的模拟电路间歇故障诊断方法
CN116778964A (zh) 一种基于声纹识别的变电设备故障监测系统及方法
CN107727749A (zh) 一种基于小波包融合特征提取算法的超声定量检测方法
CN111855793A (zh) 一种基于表面磁记忆信号的无缝铁轨内部温度应力早期诊断方法
CN113340547A (zh) 一种基于改进集总平均经验分解的绞车振动诊断方法
CN114330096A (zh) 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法
CN113593605A (zh) 一种基于深度神经网络的工业音频故障监测系统和方法
CN111160490A (zh) 一种基于多时间序列的深度学习危岩变形预测方法及装置
CN112836274B (zh) 一种隐蔽工程跟踪审计的数据融合方法
Qin et al. A novel physically interpretable end-to-end network for stress monitoring in laser shock peening
CN113821888A (zh) 基于周期性冲击特征提取和回声状态网络的振动数据故障诊断方法
Liu et al. Damage detection in switch rails via machine learning
CN207774644U (zh) 塔吊安全检测装置
Bi et al. A fault diagnosis algorithm for wind turbine blades based on bp neural network

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21908869

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21908869

Country of ref document: EP

Kind code of ref document: A1