基于轨道侧振动加速度的轨道板变形识别方法与流程

1.本发明涉及轨道检测领域，具体涉及一种基于轨道侧振动加速度的轨道板变形识别方法。


背景技术：

2.高速铁路以其高效、便捷、舒适、低维护工作量的特点在各国蓬勃发展。到2020年底，中国高铁里程达到3.8万公里，位居世界第一。无砟轨道板是各种轨道结构的重要组成部分，它起着“承上启下”的作用。然而，长时间运行会导致轨道板出现各种缺陷，如轨道板翘曲变形、宽窄节理损伤、层间脱粘、轨道板拱变形等。在温度荷载和列车高频荷载作用下，这些损伤可能导致轨板变形和轮轨系统的异常振动。由于外部因素复杂，轨道板的性能具有时空变化的特点，因此轨道板损伤的发生具有突发性和不可预测性。及时检测轨道板缺陷，能够防止轨道板失效，保证列车安全运行。因此，实时监测轨道板的性能，识别轨道板的损伤状态，对高铁长期安全运行至关重要。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种基于轨道侧振动加速度的轨道板变形识别方法，将lmd、时域特征提取和时频域特征提取相结合，能够有效提取出检测轨道板变形的关键信息，快速、准确地识别轨道板的变形，在实际应用中具有很大的优势。
4.为实现上述目的，本发明采用如下技术方案：
5.一种基于轨道侧振动加速度的轨道板变形识别方法，包括以下步骤：
6.步骤s1:获取原始轨侧振动信号数据；
7.步骤s2:对轨侧振动信号数据进行处理，转化为有相同时间长度的数据子集；
8.步骤s3:基于局部均值分解方法，获取原始轨侧振动信号数据的特征参数向量矩阵；
9.步骤s4:构建随机森林模型，并基于特征参数向量矩阵训练，得到训练后的随机森林；
10.步骤s5:获取实时轨侧振动信号数据，并根据训练后的随机森林进行分类，完成对轨道板缺陷信息的识别。
11.进一步的，所述步骤s1具体为：在轨道侧安装光纤振动加速度传感器，光纤传感器通过光缆连接至数据采集器，数据采集器对所测得的数据进行滤波，再经过a/d转换电路将模拟信号转换成数字信号，获取原始轨侧振动信号数据。
12.进一步的，所述步骤s2具体为：通过数据截取、小波阈值去噪、固定窗分割的方法，将原始轨侧振动信号数据转化为具有相同时间长度的数据子集。
13.进一步的，所述步骤s3具体为：
14.步骤s31:计算原始信号x(t)的所有局部极值点ni，并推导出所有相邻的局部极值点ni和n
i 1
的均值：
[0015][0016]
将对应t(ni)与t(n
i 1
)之间的所有均值点mi用一条直线连接，得到局部均值线，然后用滑动平均法对局部均值线进行平滑，得到局部均值函数m
11
(t)；
[0017]
步骤s32：由相邻的局部极值ni和n
i 1
得到局部幅值ai:
[0018][0019]
同理，将对应的t(ni)与t(n
i 1
)之间的所有局部幅值ai用一条直线连接，得到局部幅值线，然后用滑动平均法对局部幅值线进行平滑，得到包络估计函数a
11
(t)；
[0020]
步骤s33：将局部均值函数m
11
(t)与原始信号x(t)分离，得:
[0021]h11
(t)＝x(t)-m
11
(t)
[0022]
步骤s34：将h
11
(t)与包络估计函数a
11
(t)相除解调h
11
(t)，得:
[0023][0024]
对s
11
(t)重复s31和s32的步骤，得到s
11
(t)的包络估计函数a
12
(t)；
[0025]
重复上述迭代过程，直到a
12
(t)＝1，此时说明s
11
(t)是一个调频信号；
[0026]
设s
1n
(t)经过n次迭代得到，则s
1n
(t)的包络估计函数a
1(n 1)
(t)满足a
1(n 1)
(t)＝1，迭代过程可描述为：
[0027]h11
(t)＝x(t)-m
11
(t)
[0028]h12
(t)＝s
11
(t)-m
12
(t)
[0029]h1n
(t)＝s
1(n-1)
(t)-m
1n
(t)
[0030]
式中：
[0031]s11
(t)＝h
12
(t)/a
11
(t)
[0032]s12
(t)＝h
12
(t)/a
12
(t)
[0033]s1n
(t)＝h
1n
(t)/a
1n
(t)
[0034]
迭代终止条件为：
[0035][0036]
步骤s35：将迭代过程中得到的包络估计函数相乘得到包络信号a1(t)：
[0037][0038]
步骤s36：原始信号的第一个pf由包络信号a1(t)与纯调频信号s
1n
(t)相乘得到:
[0039]
pf1(t)＝a1(t)s
1n
(t)
[0040]
步骤s37：将pf1(t)与原始信号x(t)分离，得到残差信号u(t)，残差信号u(t)作为原始信号重复k次，直到uk(t)为单调函数：
[0041]
u1(t)＝x(t)-pf1(t)
[0042]
u2(t)＝u1(t)-pf2(t)
[0043]
...
[0044]
uk(t)＝u
k-1
(t)-pfk(t)
[0045]
此时，原始信号x(t)分解完成为k个分量信号和1个残差函数uk(t)：
[0046][0047]
步骤s37：为了量化pfs与原始信号的关联度，引入pearson相关系数：
[0048][0049]
式中：x表示原始数据，y表示pfs；
[0050]
步骤s38：计算振动信号的时域特征参数；
[0051]
步骤s39：计算振动信号的1个时频域特征参数，选择特征pfs的能量熵作为损伤识别特征之一；
[0052]
首先计算第q个特征pf的能量eq：
[0053][0054]
式中：l是特征pf的长度；
[0055]
计算这些有效特征pf的总能量：
[0056][0057]
特征pf的能量熵为:
[0058][0059]
式中：是第q个特征pf的能量相对于总能量熵的百分比；
[0060]
通过特征pf中提取的5个时域特征和1个时频域特征，最后组成了特征参数向量矩阵。
[0061]
进一步的，所述时域特征参数包括：
[0062]
峰-峰值：v
p-p
＝max(pfq)-min(pfq)
[0063]
方差：
[0064]
均方根：
[0065]
形状系数：
[0066]
波峰因素：c＝max(pfq)/pf
rms
[0067]
式中：pfq代表第q个特征pf，为特征pf的均值，r为特征pf的个数。
[0068]
进一步的，所述步骤s4具体为：
[0069]
步骤s41：从原始轨侧振动信号数据中，通过bootstrap重采样方法有放回地随机抽取m
tree
个自助样本集，作为训练数据集d，没有取到的数据组成oob数据集；
[0070]
步骤s42：对抽取到的m
tree
个样本集分别生成对应的m
tree
棵分类回归树；
[0071]
步骤s43：设有t个特征，则在每一棵树的每个节点处随机抽取m
try
个特征，并采用信息增益原理计算并选择信息增益最大的特征作为分类特征；
[0072]
步骤s44：不对分类回归树做任何裁剪，令每棵树生长至预设限度；
[0073]
步骤s45：将生成的多棵树组成随机森林。
[0074]
进一步的，所述步骤s43具体为：
[0075]
首先计算信息熵：
[0076][0077]
其中，pi为各分类特征i在分类系统中所占的比例。
[0078]
定义特征a与训练数据集d的信息增益比为特征a的信息增益与训练数据集d的熵的比值：
[0079][0080][0081][0082]
本发明与现有技术相比具有以下有益效果：
[0083]
本发明可以有效地捕捉包含列车振动、轨道板变形、噪声和环境振动信息的振动信号，采用数据截取、小波阈值去噪、固定窗分割等预处理方法，可以有效消除环境振动、噪声、时差等因素对识别效果的影响，基于lmd的时域、时频域特征提取方法可以有效提取出检测轨道板变形的关键信息，并通过随机森林模型的智能识别算法，准确识别轨道板的变形。
附图说明
[0084]
图1是本发明流程示意图；
[0085]
图2是本发明一实施例中lmd的流程图；
[0086]
图3是本发明一实施例中随机森林分类模型的架构。
具体实施方式
[0087]
下面结合附图及实施例对本发明做进一步说明。
[0088]
请参照图1，本发明提供一种基于轨道侧振动加速度的轨道板变形识别方法，包括以下步骤：
[0089]
步骤s1：轨侧振动信号采集。在轨道侧安装光纤振动加速度传感器，光纤传感器通过光缆连接至数据采集器，数据采集器对所测得的数据进行滤波，再经过a/d转换电路将模拟信号转换成数字信号，最后采集器的嵌入式系统通过无线网络将采集的振动数据发送给上位机；
[0090]
步骤s2：振动数据预处理。通过数据截取、小波阈值去噪、固定窗分割的方法，将原
始数据转化为具有相同时间长度的数据子集；
[0091]
步骤s3：时域、时频域特征提取。通过局部均值分解方法(lmd)将调频信号和包络信号从原始信号中分离出来，并将这些信号相乘得到一个具有乘积函数(pfs)物理意义的瞬时频率；迭代直到所有乘积函数(pf)被分离出来。最后得到原始信号的时频分布；
[0092]
步骤s4：建立随机森林模型架构对轨道板缺陷信息进行识别。
[0093]
优选的，在本实施例中，步骤s2具体为：
[0094]
步骤s21:当列车经过传感器时，传感器捕捉到的信息才是包含轨道板变形信息的轮轨振动信号，因此需要对原始数据进行数据截取。
[0095]
定义振动加速度阈值δ，这里对比列车未经过和经过时传感器采集的振动加速度值将振动加速度阈值δ设置为0.01g；
[0096]
当t时刻的振动加速度x(t)≥δ，记录此刻的x(t)。将x(t 1)、x(t 2)、x(t 3)也记录下来直至x(t n-1)≥δ、x(t n)≤δ、x(t n 1)＜δ；
[0097]
最后得到一个消除了环境振动信息的振动加速度数据集：x＝[x(t),x(t 1),x(t 2),...x(t n-1)]。
[0098]
步骤s22：对新的振动加速度集进行去噪处理。利用小波分解的方法去除振动加速度数据集中的高频噪声。采用“sym3”小波函数对新振动加速度集进行五层小波阈值去噪。
[0099]
步骤s23：对去噪后的信号进行固定窗分割。当不同速度的列车经过传感器时，振动信号的持续时间是不同的。为了消除时间差对识别效果的影响，采用固定窗口对去噪信号进行数据分割。
[0100]
在本实施例中，优选的，令固定窗口长度的值等于采样频率的值：l＝f，持续时间设为1s。若一段数据的持续时间分别为6s、4s,就能够分别划分成6个、4个数据子集。
[0101]
在本实施中，步骤s3具体包括以下步骤：
[0102]
步骤s31:首先计算原始信号x(t)的所有局部极值点ni，并推导出所有相邻的局部极值点ni和n
i 1
的均值：
[0103][0104]
将对应t(ni)与t(n
i 1
)之间的所有均值点mi用一条直线连接，得到局部均值线，然后用滑动平均法对局部均值线进行平滑，得到局部均值函数m
11
(t)。
[0105]
步骤s32：由相邻的局部极值ni和n
i 1
得到局部幅值ai:
[0106][0107]
同理，将对应的t(ni)与t(n
i 1
)之间的所有局部幅值ai用一条直线连接，得到局部幅值线，然后用滑动平均法对局部幅值线进行平滑，得到包络估计函数a
11
(t)。
[0108]
步骤s33：将局部均值函数m
11
(t)与原始信号x(t)分离，可得:
[0109]h11
(t)＝x(t)-m
11
(t)
[0110]
步骤s34：将h
11
(t)与包络估计函数a
11
(t)相除解调h
11
(t)，可得:
[0111][0112]
对s
11
(t)重复s31和s32的步骤，得到s
11
(t)的包络估计函数a
12
(t)。重复上述迭代
过程，直到a
12
(t)＝1，此时说明s
11
(t)是一个调频信号。假设s
1n
(t)经过n次迭代得到，则s
1n
(t)的包络估计函数a
1(n 1)
(t)满足a
1(n 1)
(t)＝1，迭代过程可描述为：
[0113]h11
(t)＝x(t)-m
11
(t)
[0114]h12
(t)＝s
11
(t)-m
12
(t)
[0115]h1n
(t)＝s
1(n-1)
(t)-m
1n
(t)
[0116]
式中：
[0117]s11
(t)＝h
12
(t)/a
11
(t)
[0118]s12
(t)＝h
12
(t)/a
12
(t)
[0119]s1n
(t)＝h
1n
(t)/a
1n
(t)
[0120]
迭代终止条件为：
[0121][0122]
步骤s35：将迭代过程中得到的包络估计函数相乘得到包络信号a1(t)：
[0123][0124]
步骤s36：原始信号的第一个pf由包络信号a1(t)与纯调频信号s
1n
(t)相乘得到:
[0125]
pf1(t)＝a1(t)s
1n
(t)
[0126]
步骤s37：将pf1(t)与原始信号x(t)分离，得到残差信号u(t)，残差信号u(t)作为原始信号重复k次，直到uk(t)为单调函数：
[0127]
u1(t)＝x(t)-pf1(t)
[0128]
u2(t)＝u1(t)-pf2(t)
[0129]
...
[0130]
uk(t)＝u
k-1
(t)-pfk(t)
[0131]
此时，原始信号x(t)分解完成为k个分量信号和1个残差函数uk(t)：
[0132][0133]
步骤s37：为了量化pfs与原始信号的关联度，引入pearson相关系数：
[0134][0135]
式中：x表示原始数据，y表示pfs。
[0136]
两个变量的相关性增强时，pearson相关系数趋向于-1或1，当两个变量的相关性减弱时，pearson相关系数趋向于0。如果pf分量与原始数据的相关系数小于或等于0.2，则pf分量被丢弃，保留的pf称为特征pf。
[0137]
步骤s38：计算振动信号的5个时域特征参数。
[0138]
峰-峰值：v
p-p
＝max(pfq)-min(pfq)
[0139]
方差：
[0140]
均方根：
[0141]
形状系数：
[0142]
波峰因素：c＝max(pfq)/pf
rms
[0143]
式中：pfq代表第q个特征pf，为特征pf的均值，r为特征pf的个数。
[0144]
步骤s39：计算振动信号的1个时频域特征参数，选择特征pfs的能量熵作为损伤识别特征之一。
[0145]
首先计算第q个特征pf的能量eq：
[0146][0147]
式中：l是特征pf的长度。
[0148]
计算这些有效特征pf的总能量：
[0149][0150]
特征pf的能量熵为:
[0151][0152]
式中：是第q个特征pf的能量相对于总能量熵的百分比，且
[0153]
通过特征pf中提取的5个时域特征和1个时频域特征，最后组成了特征参数向量矩阵。因此，可以从数据集中提取6个特征。
[0154]
在本实施中，步骤s4具体包括以下步骤：
[0155]
步骤s41：从原始训练数据集中，通过bootstrap重采样方法有放回地随机抽取m
tree
个自助样本集，作为训练数据集d，没有取到的数据组成oob数据集。
[0156]
步骤s42：对抽取到的m
tree
个样本集分别生成对应的m
tree
棵分类回归树。本发明中根据分类精度取m
tree
为1000。
[0157]
步骤s43：设有t个特征，则在每一棵树的每个节点处随机抽取m
try
个特征
[0158]
一般来说，分裂特征优选的，在本实施例中，t＝6，所以设m
try
＝3，通过计算每个特征蕴含的信息量，在m
try
个特征中选择一个最具有分类能力的特征进行节点分裂。
[0159]
采用信息增益原理计算并选择信息增益最大的特征作为分类特征。
[0160]
首先计算信息熵：
[0161][0162]
其中，pi为各分类特征i在分类系统中所占的比例。
[0163]
定义特征a与训练数据集d的信息增益比为特征a的信息增益与训练数据集d的熵的比值：
[0164][0165][0166][0167]
步骤s44：不对分类回归树做任何裁剪，令每棵树生长至最大限度。这里的最大限度指的是所有的子节点中只有一个样本点。
[0168]
步骤s45：将生成的多棵树组成随机森林，用随机森林对测试集的数据进行分类，分类结果按树分类器的投票多少而定，最后完成对轨道板缺陷信息的识别。
[0169]
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。