一种齿轨异常监测方法

本发明涉及齿轨异常监测，具体涉及一种齿轨异常监测方法。

背景技术：

1、齿轨是一种特殊设计的轨道系统，用于帮助列车攀爬陡峭的斜坡。齿轨铁路是一种特殊的登山铁路，它通过在普通轨道之间增加一条带有齿的轨道来工作。这种铁路能够使列车攀爬比一般铁路更陡的斜坡。运行在齿轨铁路上的机车配备了一个或多个齿轮，这些齿轮会与位于轨道中间的齿轨相啮合。这种设计解决了普通轮轨黏着力不足的问题，使得列车能够在陡峭的斜坡上稳定行驶。

2、现有主要通过人工巡查的方式，对齿轨进行异常监测，但是人工巡查精力和精度有限，对齿轨观察不够仔细，存在异常监测精度低的问题。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种齿轨异常监测方法解决了现有齿轨异常监测方法存在异常监测精度低的问题。

2、为了达到上述发明目的，本发明采用的技术方案为：一种齿轨异常监测方法，包括以下步骤：

3、s1、在齿轨铁路中每隔一段距离设置一个振动传感器和一个宽频声音传感器；

4、s2、对列车行进时振动传感器采集的振动信号进行拼接，得到全程振动信号集；

5、s3、对列车行进时宽频声音传感器采集的声音信号进行拼接，得到全程声音信号集；

6、s4、对全程振动信号集筛选异常振动信号，对全程声音信号集筛选异常声音信号；

7、s5、对异常振动信号所在齿轨位置和异常声音信号所在齿轨位置取并集，得到异常齿轨位置集合；

8、s6、根据异常齿轨位置集合中每个异常齿轨位置处的振动信号和声音信号，构建分类模型，进行齿轨异常类型分类。

9、本发明的有益效果为：本发明中采用振动传感器采集振动信号，同时采用宽频声音传感器采集声音信号，并构建行驶全程后的振动信号集和声音信号集，进行信号初筛，从中筛选出异常振动信号和异常声音信号，为了提高异常监测的精度，本发明对异常位置取并集，从而根据每个异常齿轨位置处的振动信号和声音信号，进行齿轨异常类型分类。本发明相比于人工方式，具备实时监测的优点，且基于传感数据进行精细化分析，提高了异常监测的精度。

10、进一步地，将所述s4中全程振动信号集或全程声音信号集命为全程信号集，将异常振动信号或异常声音信号命为异常信号，将振动信号或声音信号命为子信号，则s4中两个筛选过程均包括以下步骤：

11、s41、计算全程信号集的数据水平因子；

12、s42、计算全程信号集中子信号的数据水平因子；

13、s43、计算子信号的数据水平因子与全程信号集的数据水平因子的距离；

14、s44、在距离大于阈值时，对应的子信号为异常信号。

15、进一步地，所述s41中计算全程信号集的数据水平因子的公式为：

16、，

17、其中，ow为全程信号集的数据水平因子，ri为全程信号集中第i个数据值，i为正整数，n为全程信号集中数据值的数量。

18、进一步地，所述s42中计算全程信号集中子信号的数据水平因子的公式为：

19、，

20、其中，os为子信号的数据水平因子，rj为子信号中第j个数据值，j为正整数，m为子信号中数据值的数量。

21、上述进一步地方案的有益效果为：本发明中数据水平因子一方面考虑数据的均值，另一方面考虑数据的波动情况，从而构成全程信号集或子信号的信号特征，本发明将全程的数据水平因子与子信号的数据水平因子作对比，找出差距大于阈值时，即明显偏离平均水平的子信号作为异常信号，进行信号的初筛。

22、进一步地，所述s43中距离的计算公式为：

23、，

24、其中，d为距离。

25、进一步地，所述s6包括以下分步骤：

26、s61、对异常齿轨位置集合中每个异常齿轨位置处的振动信号和声音信号分别进行时频转换，得到振动频域信号和声音频域信号；

27、s62、分别对振动频域信号和声音频域信号提取幅值均值、频谱离散度和频带位置波动度；

28、s63、将幅值均值、频谱离散度和频带位置波动度输入分类模型，得到齿轨异常类型。

29、上述进一步地方案的有益效果为：齿轨在老化或者存在裂纹时，其振动频率和幅值，以及声音的频率和幅值均会发生明显变化，因此，利用该点，本发明将振动信号和声音信号进行时频转换，通过提取两种频域信号的频域信号特征，通过分类器对频域信号特征进行处理，得到齿轨异常类型。

30、进一步地，所述s62中分别对振动频域信号和声音频域信号提取幅值均值的公式均为：

31、，

32、其中，为幅值均值，为频域信号中第n个谱线的幅值，k为谱线的数量，n为正整数；

33、所述s62中分别对振动频域信号和声音频域信号提取频谱离散度的公式均为：

34、，

35、其中，为频谱离散度，fn为频域信号中第n个谱线的频率值；

36、所述s62中分别对振动频域信号和声音频域信号提取频带位置波动度的公式均为：

37、，

38、其中，为频带位置波动度。

39、上述进一步地方案的有益效果为：本发明中选择幅值均值体现振动和声音的强度，选择频谱离散度体现振动和声音的主要频率成分，获取主要频率成分分布，选择频带位置波动度体现频谱的波动情况，通过三方面的特征，分析振动信号和声音信号的成分特征。

40、进一步地，所述分类模型包括：第一输入层、第二输入层、第一子分类层、第二子分类层和分类输出层；

41、所述第一输入层的输入端用于输入振动频域信号的幅值均值、频谱离散度和频带位置波动度；所述第二输入层的输入端用于输入声音频域信号的幅值均值、频谱离散度和频带位置波动度；所述第一子分类层的输入端与第一输入层的输出端连接；所述第二子分类层的输入端与第二输入层的输出端连接；所述分类输出层的输入端分别与第一子分类层的输出端和第二子分类层的输出端连接，其输出端作为分类模型的输出端。

42、进一步地，所述第一输入层和第二输入层的表达式均为：

43、，

44、其中，xf,m为第一输入层或第二输入层的第m个输出，将幅值均值、频谱离散度和频带位置波动度构建为频域序列，xc为频域序列的均值，xv为频域序列的方差，a为分母系数，xm为频域序列中第m个元素，ωin,m为第m个输入权重，bin,m为第m个输入偏置，m的取值为1,2,3；

45、所述第一子分类层和第二子分类层的表达式均为：

46、，

47、其中，y为第一子分类层或第二子分类层的输出，ωf,m为子分类层的第m个权重，bf,m为子分类层的第m个偏置，σ为sigmoid函数。

48、进一步地，所述分类输出层的表达式为：

49、，

50、其中，h为分类模型的输出，ln为对数函数，e为自然常数，y1为第一子分类层的输出，y2为第二子分类层的输出。

51、上述进一步地方案的有益效果为：本发明中通过两个输入层对两种频域序列分别进行处理，并赋予每个元素不同权重和偏置，再通过两个子分类层进行分别的分类处理，综合两个子分类层的分类结果，得到整体的分类输出，实现综合两种传感器的信号特征，提高了分类精度。