一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法

技术特征：
1.一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法，其特征在于：包括以下步骤：一、数据预处理与标准化，将轴箱加速度aba信号和钢轨波磨信号统一标准化至空间参考系，并生成相应的训练数据和标签数据；二、构建适用于aba信号特征提取和钢轨波磨粗糙度特征回归的一维卷积神经网络rcnet；三、rcnet训练；四、在训练好的rcnet的基础下，以aba信号为输入便可定量检测钢轨波磨粗糙度的严重程度。2.根据权利要求1所述的一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法，其特征在于：步骤一中，通过滑动窗口将aba信号和钢轨波磨信号分割成若干段，将切割后的aba信号用作训练数据，利用切割后的钢轨波磨信号的粗糙度水平当做标签数据。3.根据权利要求2所述的一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法，其特征在于：粗糙度的计算公式如下：l
r = 10 lg (r /r
0 )2其中l
r
是粗糙度程度；r是钢轨波磨原始信号幅值变化的均方根值，r0是单位粗糙度水平，且r
0 = 1 μm。4.根据权利要求3所述的一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法，其特征在于：步骤二中，rcnet包括特征提取和回归预测；特征提取由卷积层、激活函数和池化层交替组合形成；卷积层是cnn的核心，连接前一层传递的特征向量的局部区域，创建稀疏连接；每个卷积核的参数在相同的输入输出特征图之间共享；卷积运算的数学模型描述为：式中，i和j分别是输入和输出的索引，k是网络层数，l代表第l层网络；算子*表示对每一层的输入特征xl-1 i和权重特征wl ij进行卷积运算，对应得到第l个输出特征xl j，bl j则表示偏置项；在特征提取阶段，使用relu作为激活函数，函数表达式如下：f(x) = max{0, x}池化层采用最大池化算子，数学表达式为：其中ql i(t)是第l层第i个特征向量中第t个神经元的激活值，k是池化区域的宽度，pl 1 i(j)是第l 1个神经元的对应值；rcnet的回归预测由全局最大池化层gmp和全连接层组成；采用gmp来修正rcnet的结构；rcnet中的全连接层是模型终端的输出层，全连接层的大小对应于预期输出的特征数量；在回归问题中，使用线性函数来实现输出预测。5.根据权利要求4所述的一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法，其特征在于：步骤三中，rcnet训练具体如下：
rcnet使用优化算法adam作为优化器；学习率α设置为0.001；均方误差mse被用作损失函数；初始权重和偏差值是随机分配；随着rcnet开始训练，通过最小化mse来更新相关参数；权重和偏置梯度v
dw
和v
db
的加权平均值计算为：的加权平均值计算为：其中β1表示一阶矩估计的指数衰减率，设置为0.9；经过偏差校正计算，得到指数加权平均值的修正值如下：均值的修正值如下：其中t表示当前迭代；应用于缩放函数平方梯度的指数加权平均值为：其中β2是二阶矩估计的指数衰减率，设置为0.999；s
dw
和s
db
分别是权重和偏置的平方梯度指数加权平均值；相应校正值计算为：在已知学习率α的情况下，权重和偏置可以通过如下两式进行反向传播更新；ε设置为10
−7；在训练过程中，r2用于评估rcnet预测值与真实值之间的拟合程度；r2越接近1，拟合度越高，相应的钢轨波磨粗糙度检测结果越准确；r2定义为：其中n是rcnet的输出尺度大小；、和分别是真实值、预测值和真实值的平均值。

技术总结
本发明涉及钢轨波磨检测技术领域，涉及一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法，其包括以下步骤：一、数据预处理与标准化，将轴箱加速度ABA信号和钢轨波磨信号统一标准化至空间参考系，并生成相应的训练数据和标签数据；二、构建适用于ABA信号特征提取和钢轨波磨粗糙度特征回归的一维卷积神经网络RCNet；三、RCNet训练；四、在训练好的RCNet的基础下，以ABA信号为输入便可定量检测钢轨波磨粗糙度的严重程度。本发明能较佳地进行定量检测。测。测。


技术研发人员：温泽峰 谢清林 陶功权
受保护的技术使用者：西南交通大学
技术研发日：2022.11.15
技术公布日：2023/1/13