本发明涉及铁路设施故障检测，尤其涉及一种对铁路设施进行故障检测的方法。
背景技术：
1、铁路是国民经济的大动脉，是关系民生的重要基础设施之一。保障铁路安全、稳定、高效的运行是建设交通强国的基本要求与首要前提。随着我国铁路网规模逐年增大、运量要求不断提高、铁路设施服役状态日趋恶化、运行环境更加复杂，铁路设施(车辆、轨道、路基、桥隧、通信及信号设备等)发生故障不可避免。然而一些故障(钢轨断轨、车辆脱轨、路基塌陷等)一旦发生，将会导致无法估计的严重后果，另外如钢轨波磨、车轮不圆等缺陷虽不至影响行车安全，却会降低列车运行稳定性与舒适性。目前针对铁路设施故障检测、监测手段多种多样，通常利用综合检测车在每条线路上每月一次(或者更长)检测铁路状态，这种检测手段成本昂贵，大量检测数据无法得到充分利用。而工务人员在铁路天窗时间内利用静态检测设备对铁路设施状态进行检测更是效率低下，与建设智慧铁路的目标相悖。因此，如何实现对铁路设施状态的快速感知、智能诊断与维护管理是铁路运营部门面临的首要问题。
2、已有的铁路设施故障检测模型多是单一型，即针对不同的铁路设施故障其模型架构往往相差甚远，然而数据源却基本相同，例如轮轨噪声等信号被用于检测车轮不圆、钢轨波磨、轨道板脱空等多种类型的缺陷。因此，亟需开发一种基于声学信号的大模型技术，能够实现同时对多种铁路设施故障进行检测与识别。
技术实现思路
1、本发明的实施例提供了一种对铁路设施进行故障检测的方法，以实现有效地对多种铁路设施故障进行检测与识别。
2、为了实现上述目的，本发明采取了如下技术方案。
3、一种对铁路设施进行故障检测的方法，包括：
4、获取列车运行过程中轮轨噪声实测信号，根据所述轮轨噪声信号获取轮轨噪声的时域信息；
5、将获取的轮轨噪声时域信息按预设比例分为有标签轮轨噪声数据集和无标签轮轨噪声数据集；
6、构建铁路设施故障检测模型，利用所述有标签轮轨噪声数据集和无标签轮轨噪声数据集对所述铁路设施故障检测模型进行训练，得到训练好的铁路设施故障检测模型；
7、将待检测的轮轨噪声信号输入到所述训练好的铁路设施故障检测模型中进行检测，获取所述待检测的轮轨噪声信号对应的故障类型与位置。
8、优选地，所述的获取列车运行过程中轮轨噪声实测信号，根据所述轮轨噪声信号获取轮轨噪声的时域信息，包括：
9、将声压传感器安装在列车构架侧端靠近车轮处，利用所述声压传感器收集轮轨振动辐射产生的声学信号；
10、在列车所测车轴上安装脉冲发生器，车轮开始滚动时触发声压传感器采样声学信号，车轮停止滚动时声压传感器结束采样声学信号；
11、在某条铁路线的不同列车上重复上述操作，获取设定时长的轮轨噪声数据集，根据所述轮轨噪声数据集获取轮轨噪声的时域信息。
12、优选地，所述的构建铁路设施故障检测模型，利用所述有标签轮轨噪声数据集和无标签轮轨噪声数据集对所述铁路设施故障检测模型进行训练，得到训练好的铁路设施故障检测模型；
13、根据预设窗长将所述有标签轮轨噪声数据集分割为分段轮轨噪声时间序列，构建分段轮轨噪声时间序列数据集；
14、对所述有标签轮轨噪声数据集中每段轮轨噪声时间序列进行离散小波变换，计算lipschitz系数，获取每段轮轨噪声时间序列对应的故障类型标签；
15、建立基于自监督学习的声学模型，将所述无标签轮轨噪声数据集输入到所述声学模型进行训练，学习轮轨噪声的声学表征，得到训练好的声学模型；
16、利用每段轮轨噪声时间序列对应的故障类型标签在训练好的声学模型上进行调整，得到训练好的铁路设施故障检测模型。
17、优选地，所述的根据预设窗长将所述有标签轮轨噪声数据集分割为分段轮轨噪声时间序列，构建分段轮轨噪声时间序列数据集，包括：
18、设有标签轮轨噪声数据集中的轮轨噪声信号为x1、x2、…、xn，根据列车运行速度确定分割窗长l，根据分割窗长l对轮轨噪声信号x1、x2、…、xn进行分割，将所述有标签轮轨噪声数据集分割为分段轮轨噪声时间序列；
19、每一段轮轨噪声信号xi，i＝1,2,…,n，被分割为n份等长轮轨噪声信号yj，j＝1,2,…,n，
20、最后长度小于l的轮轨噪声时间序列直接舍去；
21、
22、优选地，所述的对所述有标签轮轨噪声数据集中每段轮轨噪声时间序列进行离散小波变换，计算lipschitz系数，获取每段轮轨噪声时间序列对应的故障类型标签，包括：
23、根据式(2)和式(3)对分段轮轨噪声时间序列进行离散小波变换，
24、cj(k)＝∑mh(m-2k)cj+1(m) (2)
25、dj(k)＝∑mh1(m-2k)cj+1(m) (3)
26、式中，h是缩放滤波器的系数向量，m＝2k+n，k为母小波的平移量，n为滤波器的整数索引，h1为小波滤波器；
27、对分段轮轨噪声时间序列进行四层多分辨分析，得到5个尺度的小波系数信息，找到每个尺度的小波系数的模最大值，并求出对应的平均值a，确定检测阈值λ，见式(4)和式(5)；
28、
29、λ＝ka (5)式中，ai为每个尺度小波系数的模最大值，k为阈值控制系数，取值范围为1.2～1.5；
30、将每个尺度下小波系数cj(k)和dj(k)低于阈值λ的直接重置为0，将其他小波系数大于阈值λ的位置标记为疑似故障位置u；
31、根据式(6)对分段轮轨噪声时间序列进行连续小波变换；
32、
33、式中，ψ为母小波，a为尺度参数，b为定位参数；
34、根据式(6)计算疑似故障位置u对应的lipschitz系数，见式(7)；
35、
36、式中，j对应小波分解的最大尺度；
37、根据疑似故障位置和对应的lipschitz系数判断故障类型和故障位置，所述故障类型包括车轮扁平、钢轨扁疤和钢轨波磨；
38、具体的是将轮轨噪声信号分解尺度1-5中疑似故障位置处lipschitz系数大于0的信号判断为钢轨波磨，将尺度1-3中疑似故障位置处lipschitz系数大于1的信号判断为钢轨扁疤，将尺度1-2中疑似故障位置处lipschitz系数小于1的判断为车轮扁平根据分段轮轨噪声时间序列中的疑似故障位置和确定故障类型及对应的轮轨噪声时间序列范围，构成新的有标签轮轨噪声数据集，格式为{轮轨噪声时间序列，故障类型}。
39、优选地，所述的建立基于自监督学习的声学模型，将所述无标签轮轨噪声数据集输入到所述声学模型进行训练，学习轮轨噪声的声学表征，得到训练好的声学模型，包括：
40、构建由卷积层、transformer层和全连接层、伪标签生成层组成的声学模型，所述声学模型基于自监督学习；
41、将所述无标签的轮轨噪声数据集切分为训练集、验证集和测试集；其中，训练集、验证集和测试集的比例为8:1:1；
42、将所述训练集输入到声学模型中，通过贪心算法寻找模型最优参数；将所述训练集按照预设窗长l进行分割，得到分段无标签的轮轨噪声时间序列，将各段无标签的轮轨噪声时间序列通过卷积层进行下采样，则输出长度由式(8)确定：
43、
44、式中，m为输入长度，即窗内包含的采样点，k为卷积核大小，步长为s，在输入两端各填补p个0；
45、输入的原始无标签的轮轨噪声时间序列经过卷积层后产生h个向量vi，i＝1,2,…,h，每个向量长度为o，利用k-means分类器对所述h个向量vi进行分类，每个向量得到一个对应的伪标签向量v’，将h个向量随机进行mask操作，然后输入到transformer层，得到h个输出向量vi’，i＝1,2,…,h；
46、将vi’中带有mask操作的输出向量再输入到全连接层，得到目标输出向量v，计算目标输出向量v与对应的伪标签向量v’之间的距离d，见式(9)；
47、
48、重复上述操作，使用adam优化器进行参数更新，目标函数如式(10)；
49、
50、式中，w和b为神经网络模型中可学习的参数；
51、将所述验证集输入到声学模型中，对声学模型进行验证，将所述测试集输入到声学模型中进行随机向量匹配预测，评估声学模型学习轮轨噪声的声学表征的效果，经过多轮迭代训练，得到训练好的声学模型。
52、优选地，所述的将h个向量随机进行mask操作，然后输入到transformer层，得到h个输出向量vi’，包括：
53、将h个向量随机进行mask操作，然后输入到transformer层，得到h个输出向量vi’(i＝1,2,…,h)，每次输入的原始无标签的轮轨噪声时间序列经过卷积层后产生h个向量，随机选择h个向量中的20％的向量置换成特定符号<mask>，当选定的向量被置换成<mask>
54、时，有60％的概率继续保持<mask>不变，20％的概率被替换为另一个随机向量，剩下20％的概率该向量不做任何操作；
55、将上述处理后的h个向量输入到transformer层，所述transformer层由12个transformer块构成，隐藏层大小为768，头数为12，所述transformer层输出h个输出向量vi’。
56、优选地，所述的利用每段轮轨噪声时间序列对应的故障类型标签在训练好的声学模型上进行调整，得到训练好的铁路设施故障检测模型，具体包括：
57、为不同的故障类型设计不同的多层感知机mlp结构，得到铁路设施故障检测模型；
58、将所述格式为{轮轨噪声时间序列，故障类型}的新的有标签轮轨噪声数据集切分为训练集、验证集和测试集，训练集、验证集和测试集的比例为6:2:2；
59、将训练好的声学模型的参数作为所述铁路设施故障检测模型的初始参数；
60、将所述训练集输入到所述铁路设施故障检测模型中，通过贝叶斯搜索算法寻找所述铁路设施故障检测模型的最优参数；
61、将所述验证集输入到所述铁路设施故障检测模型中，对所述铁路设施故障检测模型进行验证；
62、将所述测试集输入到所述铁路设施故障检测模型进行故障诊断，测试所述铁路设施故障检测模型的检测效果，经过多轮迭代训练，得到训练好的铁路设施故障检测模型的。
63、由上述本发明的实施例提供的技术方案可以看出，本发明可以实现利用一个声学模型同时对多种铁路设施故障进行检测，从而提高检测效率、降低检测成本，保障铁路安全、稳定、高效的运行。
64、本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。