一种轨道交通随机荷载干扰下结构振动数据特征增强方法
本申请属于轨道交通智能运维,具体涉及一种轨道交通随机荷载干扰下结构振动数据特征增强方法。
背景技术:
1、结构振动监测是保障轨道交通运营安全的关键技术。在工程实践中,通常采用信号降噪、时频分析或常规机器学习模型等方法,试图从车致振动加速度数据中提取有效的结构病害特征。
2、然而,轨道交通荷载因列车轴重、行车速度等因素的随机性,导致振动信号表现出强烈的非平稳和强时变特性。这一根本问题使得早期病害的微弱特征极易被淹没在强噪声之中,导致信号的有效信噪比极低。
3、当采用数据驱动方法进行智能诊断时发现,随机荷载干扰在特征空间中表现为更深层的技术障碍:同类病害的样本特征因荷载变化而分布弥散,不同类病害的特征边界模糊不清。现有基于数据驱动的轨道交通智能诊断技术对振动数据中微弱病害特征的增强能力不足,难以有效应对这一分布困境。
技术实现思路
1、本申请实施例提出了一种轨道交通随机荷载干扰下结构振动数据特征增强方法,旨在解决现有数据驱动的轨道交通智能诊断方案因为对振动数据中微弱病害特征的增强能力不足而诊断效果不佳的问题。
2、本申请各实施例提供了一种轨道交通随机荷载干扰下结构振动数据特征增强方法,包括:
3、获取轨道交通结构的车致振动加速度数据及其对应点位的病害精细化几何属性;
4、基于所述车致振动加速度数据及所述病害精细化几何属性,构建训练数据集,其中每个样本以对应的病害精细化几何属性作为标签;
5、构建并训练特征增强网络,所述网络包括数据增强模块、transformer编码器、投影头以及对比学习模块,其中,训练所述网络包括:通过所述数据增强模块对样本数据进行数据增强,由transformer编码器提取特征,经投影头映射至低维空间后,由所述对比学习模块根据病害精细化几何属性标签构建正负样本对,并通过优化对比损失函数来缩小正样本对的特征距离、增大负样本对的特征距离;
6、采用类内相似度与轮廓系数评估经训练后的多个所述transformer编码器,并基于评估结果选择最优的特征增强编码器,所述特征增强编码器用于对所述车致振动加速度数据进行特征增强,以提升其中病害特征的可分离性。
7、在本申请的一些实施例中,所述获取轨道交通结构的车致振动加速度数据包括:
8、采用加速度计或振动光纤传感设备监测获得所述车致振动加速度数据。
9、在本申请的一些实施例中,所述获得所述车致振动加速度数据之后,还包括:
10、对所述振动加速度数据进行异常值剔除,并采用小波阈值或经验模态分解方法进行降噪预处理。
11、在本申请的一些实施例中,所述病害精细化几何属性包括结构状态与几何属性;
12、所述结构状态包括正常状态、扣件失效、轨道板开裂、轨道板脱空、隧道壁后脱空;
13、所述几何属性包括病害的长度、宽度、高度和面积。
14、在本申请的一些实施例中,所述病害精细化几何属性采用三级分层标签体系进行表示,所述三级分层标签体系依次为:结构状态、几何属性、属性值。
15、在本申请的一些实施例中,所述构建训练数据集包括:
16、构建的标签体系包含m种结构状态、n种几何属性及p种属性值,以覆盖所有需要诊断的细粒度工况;
17、针对每种由结构状态、几何属性及属性值唯一确定的所述细粒度工况,采集q条车致振动加速度数据,以提供足够样本使模型学习该类工况的稳定特征;
18、其中,所述车致振动加速度数据的采样频率与持续时间,需满足能够完整保留轨道交通结构车致动力响应关键特征的要求。
19、在本申请的一些实施例中,所述对样本数据进行数据增强包括:
20、对所述车致振动加速度数据添加高斯噪声;和/或
21、对所述车致振动加速度数据进行幅度缩放。
22、在本申请的一些实施例中,所述根据病害精细化几何属性标签构建正负样本对包括:
23、将具有相同病害精细化几何属性标签的样本特征构建为正样本对;
24、将具有不同病害精细化几何属性标签的样本特征构建为负样本对。
25、在本申请的一些实施例中,所述通过优化对比损失函数来缩小正样本对的特征距离、增大负样本对的特征距离包括:
26、调节所述特征增强网络的参数,使具有相同病害精细化几何属性标签的样本特征在特征空间中的距离减小,并使具有不同病害精细化几何属性标签的样本特征在特征空间中的距离增大。
27、在本申请的一些实施例中,所述采用类内相似度与轮廓系数评估经训练后的多个所述transformer编码器包括:
28、计算每一个候选transformer编码器对应的综合得分score,其计算公式为:
29、
30、其中,为类内相似度,表示同一病害属性标签下所有样本特征向量间余弦相似度的均值,为轮廓系数,用于综合评价特征空间中簇内样本的稠密度与簇间样本的分离度。
31、综上所述,本申请各实施例提供的轨道交通随机荷载干扰下结构振动数据特征增强方法,通过构建"结构状态-几何属性-属性值"三级分层标签体系,为监督对比学习提供了细粒度的结构化监督信号,实现了对病害先验知识的深度挖掘与利用,为构建高质量特征空间奠定了基础;通过采用监督对比学习框架,并以"缩小正样本对距离、增大负样本对距离"为核心优化目标,驱使模型聚焦于学习对病害属性敏感的本质特征,有效抑制了随机荷载引起的噪声干扰,在特征层面实现了对微弱病害特征的显著增强;通过采用类内相似度与轮廓系数作为模型评估指标,实现了对特征增强效果的量化评估与最优编码器的精准筛选,确保了所获特征增强模型的可靠性与优越性。最终,上述技术特征的协同作用,共同实现了在强噪声背景下对微弱病害特征的稳定增强与有效提取,显著提升了振动数据的有效信噪比,为轨道交通结构状态的精准判识提供了可靠的数据基础。
1.一种轨道交通随机荷载干扰下结构振动数据特征增强方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述获取轨道交通结构的车致振动加速度数据包括:
3.根据权利要求2所述的方法,其特征在于,所述获得所述车致振动加速度数据之后,还包括:
4.根据权利要求1所述的方法,其特征在于:
5.根据权利要求4所述的方法,其特征在于:
6.根据权利要求1所述的方法,其特征在于,所述构建训练数据集包括:
7.根据权利要求1所述的方法,其特征在于,所述对样本数据进行数据增强包括:
8.根据权利要求1所述的方法,其特征在于,所述根据病害精细化几何属性标签构建正负样本对包括:
9.根据权利要求1所述的方法,其特征在于,所述通过优化对比损失函数来缩小正样本对的特征距离、增大负样本对的特征距离包括:
10.根据权利要求1所述的方法,其特征在于,所述采用类内相似度与轮廓系数评估经训练后的多个所述transformer编码器包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com