基于多源数据融合的轨道交通振动噪声智能分析方法与流程

本发明属于轨道交通，具体地说是基于多源数据融合的轨道交通振动噪声智能分析方法。

背景技术：

1、当前我国轨道交通网络持续向高速化、高密度、大运量方向发展，线路运营里程与列车开行频次的大幅提升使得轨道沿线的振动噪声问题日益凸显，不仅会引发轨道结构、车辆走行部、桥梁隧道基础设施的疲劳损伤，缩短关键部件的服役寿命，还会对沿线居民的生活环境造成声污染干扰，甚至在极端工况下诱发脱轨、结构开裂等重大安全隐患，已成为制约轨道交通安全运维与沿线环境品质提升的核心瓶颈问题。

2、目前，现有的监测手段多依赖单一类型传感器（如拾音器或振动加速度计）或分散部署的独立系统。这种模式导致振动、噪声、列车工况（速度、载荷等）及环境参数（温度、湿度等）等多源异构数据在时空尺度上相互分离。不同传感器的采样频率、精度和部署位置各异，难以进行有效的时空同步与对齐，导致信息利用不充分，无法构建统一的监测视图，形成了“信息孤岛”。

3、因此，亟需一种能够融合多源信息、智能分离特征、精准定位异常、实现根因追溯，并具备自进化能力的新方法，以全面提升轨道交通振动噪声分析与故障诊断的智能化水平。

技术实现思路

1、为了解决上述技术问题，本发明提供基于多源数据融合的轨道交通振动噪声智能分析方法，以解决现有技术中监测手段多依赖单一类型传感器（如拾音器或振动加速度计）或分散部署的独立系统，难以进行有效的时空同步与对齐，导致信息利用不充分，无法构建统一的监测视图，形成了“信息孤岛”等问题。

2、基于多源数据融合的轨道交通振动噪声智能分析方法，包括s1：通过部署在轨道线路、车辆转向架、桥梁支座、隧道壁面的多类型传感器阵列同步采集振动加速度信号、噪声声压信号、列车运行工况参数及环境参数，构成多源异构数据集合，并进行时空粗对齐；

3、s2：对所述多源异构数据执行基于可学习门控的自适应加权融合与时频变换，生成统一的多通道振动噪声时频图像张量；

4、s3：将所述多通道时频图像张量输入双流交叉注意力引导u型分割网络，通过双编码器分别提取振动流特征与噪声流特征，经交叉注意力融合模块交互增强后，由解码器输出像素级振动噪声时空分布分割图；

5、s4：基于所述分割图执行注意力引导的非负矩阵分解特征解耦、时空滑动窗口异常检测与因果注意力图推理，实现故障区域精准识别与根因溯源。

6、优选的，所述步骤s1中所述时空粗对齐具体包括：

7、对第类传感器采集的原始信号，首先通过动态时间规整dtw计算其与参考时钟信号的最优对齐路径：

8、；

9、其中，为欧氏距离，为对齐路径；

10、对齐后统一重采样至相同时间分辨率t，并对空间位置进行坐标归一化：

11、；

12、构成时空对齐后的多源数据矩阵。

13、优选的，所述步骤s2中所述基于可学习门控的自适应加权融合具体包括：

14、对第类对齐信号进行短时傅里叶变换stft得到时频表示：

15、；

16、其中，为汉宁窗，为窗长，为fft点数；

17、对所有进行z-score归一化：

18、；

19、然后通过门控注意力单元gau计算自适应融合权重：

20、；

21、；

22、；

23、其中，σ为sigmoid函数，为全局平均池化，，为偏置项，⊙为逐通道加权。

24、优选的，所述步骤s3中所述双流交叉注意力引导u型分割网络的双编码器结构中，振动流编码器与噪声流编码器分别独立提取特征，其第层输出特征图分别记为和；

25、在每一层设置交叉注意力融合模块caf，振动流对噪声流的注意力输出为：

26、；

27、,,；

28、噪声流对振动流的注意力输出为：

29、；

30、融合后的双流特征为：

31、；

32、其中，，，为可学习投影矩阵，layernorm为层归一化。

33、优选的，所述步骤s3中所述解码器采用改进特征金字塔融合ifpf策略，第层解码特征由上采样特征与编码器双流融合特征经ifpf模块计算得到：

34、；

35、；

36、其中，为双线性上采样，ca(u,e)为通道注意力加权：

37、；

38、sa(u,e)为空间注意力加权：

39、；

40、其中，为7×7卷积，gmp为全局最大池化，σ为sigmoid。

41、优选的，所述步骤s3中所述分割网络的训练采用四元复合损失函数：

42、；

43、其中，dice损失为：

44、；

45、focal损失为：

46、；

47、边界损失为：

48、；

49、一致性正则化损失为：

50、；

51、其中，为预测概率，为真实标签，，γ=2，∂ω为分割边界像素集合，为随机增强操作，。

52、优选的，所述步骤s4中所述注意力引导的非负矩阵分解特征解耦具体包括：

53、将分割图对应的时频特征矩阵分解为振动基与噪声基：

54、；

55、引入由分割网络输出的空间注意力图和时间注意力图构成的联合注意力掩码，解耦优化目标为：

56、；

57、；

58、采用乘法更新规则迭代求解：

59、；

60、；

61、其中，⊙为hadamard积，1为全1矩阵，为稀疏约束超参数。

62、优选的，所述步骤s4中所述时空滑动窗口异常检测具体包括：

63、对分割图中每个时空体素(x,y,t)，以其为中心提取k×k×k局部时空块，通过预训练特征提取器映射为特征向量，计算马氏距离异常得分：

64、；

65、其中，和分别为该位置局部时空块特征的均值向量和协方差矩阵，通过滑动窗口在线估计：

66、；

67、；

68、自适应判定阈值为：

69、；

70、其中，e(x,y,t)为环境干扰因子，为环境敏感系数，当s(x,y,t)>τ(x,y,t)时判定为异常。

71、优选的，所述步骤s4中所述因果注意力图推理具体包括：

72、构建工况-环境-故障三维有向无环因果图g=(v,e)，节点集合，边权重由条件互信息计算：

73、；

74、基于transformer的因果推理得分为：

75、；

76、；

77、；

78、其中，为第k个故障节点的嵌入向量，为父节点嵌入向量，为父节点集合，因果路径得分最高者即为根因溯源结果。

79、优选的，所述方法还包括在线增量学习与模型自适应更新步骤：

80、当新采集数据与历史数据分布的最大均值差异mmd超过阈值δ时触发增量更新：

81、；

82、采用弹性权重巩固ewc正则化防止灾难性遗忘：

83、；

84、其中，为fisher信息矩阵对角近似，，为旧模型最优参数；

85、同时通过知识蒸馏保持旧任务性能：

86、；

87、；

88、其中，t为温度系数，α为蒸馏权重，更新后模型同时满足新数据拟合与旧知识保留。

89、与现有技术相比，本发明具有如下有益效果：

90、本发明通过部署多类型传感器阵列并利用动态时间规整实现多源异构数据的精确时空对齐，克服了传统线性插值难以适应列车运行非线性时间漂移及空间尺度差异的缺陷；继而采用可学习门控注意力单元实现自适应加权融合，使各传感器通道贡献度随工况动态调节，避免了固定权重融合导致的信息偏倚；在此基础上，引入双流交叉注意力引导u型分割网络，通过独立编码与跨模态交互实现振动与噪声特征的解耦提取，配合改进特征金字塔融合与四元复合损失函数，显著提升了像素级分割精度与边界清晰度，有效突破了振动噪声混合难以分离的瓶颈；进一步利用分割网络输出的注意力掩码引导非负矩阵分解，实现振动基与噪声基的精准分离，再结合时空滑动窗口异常检测（引入环境干扰因子自适应调整阈值）与基于因果图的transformer推理，不仅能够在线定位异常，还能追溯多条因果链中的故障根因，实现了从“相关定位”到“因果溯源”的跨越；同时，通过增量学习与弹性权重巩固机制，模型可在持续运行中自适应更新而不遗忘历史知识。综上，本发明有效解决了现有技术中信息割裂、特征耦合、根因模糊及模型无法持续进化等关键问题，为轨道交通振动噪声智能分析提供了高精度、可解释、自适应的完整解决方案。