[go: up one dir, main page]

CN118152863B - 一种基于改进emd-cnn的轮轨故障噪声识别方法及系统 - Google Patents

一种基于改进emd-cnn的轮轨故障噪声识别方法及系统 Download PDF

Info

Publication number
CN118152863B
CN118152863B CN202410578574.0A CN202410578574A CN118152863B CN 118152863 B CN118152863 B CN 118152863B CN 202410578574 A CN202410578574 A CN 202410578574A CN 118152863 B CN118152863 B CN 118152863B
Authority
CN
China
Prior art keywords
noise
layer
wheel
rail
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410578574.0A
Other languages
English (en)
Other versions
CN118152863A (zh
Inventor
殷雄
姚道金
韩硕
王晓明
陈伊涵
王鑫
陈聪
刘国庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202410578574.0A priority Critical patent/CN118152863B/zh
Publication of CN118152863A publication Critical patent/CN118152863A/zh
Application granted granted Critical
Publication of CN118152863B publication Critical patent/CN118152863B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于改进EMD‑CNN的轮轨故障噪声识别方法及系统，方法包括：对获取的轮轨噪声信号进行经验模式分解，得到原始噪声序列；根据预设的波段筛选策略对所述原始噪声序列进行筛选，得到包含目标故障信息的至少一个IMF分量，并提取所述至少一个IMF分量的能量以及峭度特征；将所述至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中，所述改进卷积神经网络输出得到与所述轮轨噪声信号相对应的轮轨故障噪声类别。能够提高轮轨故障类型识别的准确性，分类的精准度，有利于对轮轨故障的排查。

Description

一种基于改进EMD-CNN的轮轨故障噪声识别方法及系统
技术领域
本发明属于电力自动化技术领域，尤其涉及一种基于改进EMD-CNN的轮轨故障噪声识别方法及系统。
背景技术
铁路轮轨故障频出，轮轨受到了多方面因素的影响。这些故障可能包括轨道的损伤、轮辋的磨损以及轨道与车轮之间的不匹配等。主要的影响因素包括以下几个方面：首先，高强度的列车运营会加速轨道和车轮的磨损，从而增加了故障的风险；其次，恶劣的天气条件，如大雨、雪、冰冻等，可能会导致轨道的破坏，进而提高了故障的发生概率；此外，铁路轨道和车辆设备的老化也是一个重要因素，因为老化的设备更容易发生故障；最后，不足的维护和检修可能会导致轨道和车轮的长期磨损，从而增加了故障的发生率。因此，有必要对轮轨故障进行彻底的排查，以找出根本原因，并采取相应的措施加以解决，常见的地质雷达法用于检测无砟轨道质量缺陷，但是地质雷达法相对滞后，检测精度不高，涡流传感器用于检测钢轨损伤，但是采用涡流传感器需要大量的专业知识，不方便操作。
发明内容
本发明提供一种基于改进EMD-CNN的轮轨故障噪声识别方法及系统，用于解决轮轨故障类型识别的准确性不高的技术问题。
第一方面，本发明提供一种基于改进EMD-CNN的轮轨故障噪声识别方法，包括：
对获取的轮轨噪声信号进行经验模式分解，得到原始噪声序列；
根据预设的波段筛选策略对所述原始噪声序列进行筛选，得到包含目标故障信息的至少一个IMF分量，并提取所述至少一个IMF分量的能量以及峭度特征；
将所述至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中，所述改进卷积神经网络输出得到与所述轮轨噪声信号相对应的轮轨故障噪声类别，其中，将所述至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中之前，所述方法还包括：
构建神经网络特征向量，其中，为第1个IMF分量的能量，为第2个IMF分量的能量，为第m个IMF分量的能量，为多尺度峭度参数；
在卷积神经网络的卷积层后增加一个伽马归一化层，得到改进卷积神经网络的网络结构，其中，所述改进卷积神经网络的网络结构的表达式为：
，
，
式中，为伽马归一化后特征，为伽马权值，为样本，为均值函数，为方差，为累乘符号，为样本数，为可训练的尺度，为可训练的尺度，为可训练的位移，为归一化权值，为特征系数；
确定所述改进卷积神经网络的目标损失函数，所述目标损失函数的表达式为：
，
式中，为目标损失函数，为第i个噪声类别的真实分布，为第i个噪声类别的网络输出分布，为噪音类别，为总的噪声类别数；
对所述改进卷积神经网络中的卷积层、池化层、全连接层以及伽马归一化层进行分配权重，其中，分配权重的表达式为：
，
式中，为卷积层权值，为池化层权值，为全连接层权值，为伽马归一化层权值，为对称系数，为卷积层激励函数，为卷积层模态，为池化层激励函数，为池化层模态，为全连接层激励函数，为全连接层模态，为伽马归一化层激励函数，为伽马归一化层模态，为分量累加单元，为卷积层增益，为池化层增益，为全连接层增益，为伽马归一化层增益。
第二方面，本发明提供一种基于改进EMD-CNN的轮轨故障噪声识别系统，包括：
分解模块，配置为对获取的轮轨噪声信号进行经验模式分解，得到原始噪声序列；
筛选模块，配置为根据预设的波段筛选策略对所述原始噪声序列进行筛选，得到包含目标故障信息的至少一个IMF分量，并提取所述至少一个IMF分量的能量以及峭度特征；
输出模块，配置为将所述至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中，所述改进卷积神经网络输出得到与所述轮轨噪声信号相对应的轮轨故障噪声类别，其中，将所述至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中之前，还包括：
构建神经网络特征向量，其中，为第1个IMF分量的能量，为第2个IMF分量的能量，为第m个IMF分量的能量，为多尺度峭度参数；
在卷积神经网络的卷积层后增加一个伽马归一化层，得到改进卷积神经网络的网络结构，其中，所述改进卷积神经网络的网络结构的表达式为：
，
，
式中，为伽马归一化后特征，为伽马权值，为样本，为均值函数，为方差，为累乘符号，为样本数，为可训练的尺度，为可训练的尺度，为可训练的位移，为归一化权值，为特征系数；
确定所述改进卷积神经网络的目标损失函数，所述目标损失函数的表达式为：
，
式中，为目标损失函数，为第i个噪声类别的真实分布，为第i个噪声类别的网络输出分布，为噪音类别，为总的噪声类别数；
对所述改进卷积神经网络中的卷积层、池化层、全连接层以及伽马归一化层进行分配权重，其中，分配权重的表达式为：
，
式中，为卷积层权值，为池化层权值，为全连接层权值，为伽马归一化层权值，为对称系数，为卷积层激励函数，为卷积层模态，为池化层激励函数，为池化层模态，为全连接层激励函数，为全连接层模态，为伽马归一化层激励函数，为伽马归一化层模态，为分量累加单元，为卷积层增益，为池化层增益，为全连接层增益，为伽马归一化层增益。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的基于改进EMD-CNN的轮轨故障噪声识别方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的基于改进EMD-CNN的轮轨故障噪声识别方法的步骤。
本申请的基于改进EMD-CNN的轮轨故障噪声识别方法及系统，对轮轨噪声信号进行经验模式分解，将其分解为若干个基本模式分量；使用波段筛选策略得到包含主要故障信息的IMF分量，提取各分量的能量与峭度特征；改进卷积神经网络的网络结构，修改损失函数，并将数据输入网络进行训练和识别，能够提高轮轨故障类型识别的准确性，分类的精准度，有利于对轮轨故障的排查。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种基于改进EMD-CNN的轮轨故障噪声识别方法的流程图；
图2为本发明一实施例提供一个具体实施例的改进卷积神经网络的结构框图；
图3为本发明一实施例提供的一种基于改进EMD-CNN的轮轨故障噪声识别系统的结构框图；
图4是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本申请一种基于改进EMD-CNN的轮轨故障噪声识别方法的流程图。
如图1所示，基于改进EMD-CNN的轮轨故障噪声识别方法具体具体包括以下步骤：
步骤S101，对获取的轮轨噪声信号进行经验模式分解，得到原始噪声序列。
在本步骤中，改进噪声传感器，使用噪声系统采集数据，具体内容指：采用工业级噪声传感器 OSA-36B 噪声传感器，通过数据采集模块与信号调理模块，实现对数据的采集，为提高传感器测量范围，提出伽马策略，将扩大其信号放大的程度，使得可以测量范围更大，具体为：
对获取的轮轨噪声信号进行信号放大，得到放大后的轮轨噪声信号，其中，对获取的轮轨噪声信号进行信号放大的表达式为：
，
，
，
式中，为扩大的测量范围，为信号的低频段，为信号的中频段，为累加次数，为信号的高频段，为信号矩阵，为低频矫正函数，为低频权值，为低频增益，为低频边界，为中频增益，为中频权值，为中频矫正函数，为高频增益，为高频矫正函数，为高频权值，为方向收敛系数，为信号角度，为方向偏向系数。
需要说明的是，确定采集的噪声序列样本数据中的全部极值，并使用三次样条插值法对其拟合，绘制的上包络线和下包络线；
计算上包络线和下包络线的平均值、减均值序列、残差以及基本模式分量，表达式为：
，
，
，
当为单调序列或者常值序列时，EMD分解结束，得到原始噪声序列，其中，所述原始噪声序列的表达式为：
，
式中，为第i个基本模式分量，为单调序列，为基本模式分量的个数，为原始噪声序列。
步骤S102，根据预设的波段筛选策略对所述原始噪声序列进行筛选，得到包含目标故障信息的至少一个IMF分量，并提取所述至少一个IMF分量的能量以及峭度特征。
在本步骤中，考虑到噪声信号的复杂性，为提高算法的准确性，提出波段筛选策略，该策略根据噪音的频段特性，筛选出适合研究噪音序列。具体为：
，
，
式中，为分离噪声，为机械噪音，为机械噪音权值，为白噪音权值，为白噪音，为环境噪音权值，为环境噪音，为电磁干扰权值，为电磁干扰，为最优噪音矩阵，为最优噪音序列；
计算机械噪音的表达式为：
，
计算白噪音的表达式为：
，
计算环境噪音的表达式为：
，
计算电磁干扰的表达式为：
，
式中，为干扰序列，为白噪音误差，为白噪音局部信号，为电磁干扰误差，为机械噪声加权函数；
计算最优噪音矩阵的表达式为：
，
式中，为波段维数，为波段的白噪音特征，为波段的环境噪音特征，为波段的电磁干扰特征，为波段的机械噪音特征，为矩阵维数，为波段的白噪音矫正特征，为波段的环境噪音矫正特征，为波段的电磁干扰矫正特征，为波段的机械噪音矫正特征。
进一步地，以采样频率对筛选好的噪音信号进行分类，得到轮轨扁疤故障、钢轨波浪磨耗故障以及正常状态三种情况下的轮轨噪声信号，分别进行三轮，共3N个信号样本，对3N个信号样本进行EMD分解，得到若干个IMF分量，选择前m个含有故障信息的IMF分量作为研究对象，并计算IMF分量各自的能量与峭度，其中，计算IMF分量各自的能量与峭度的表达式为：
，
，
，
式中，为能量，为峭度，为分量的均值，为基本模式分量，为第i个IMF分量的方差，为待处理信号，为采样次数，为IMF分量的个数，为多尺度峭度参数。
步骤S103，将所述至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中，所述改进卷积神经网络输出得到与所述轮轨噪声信号相对应的轮轨故障噪声类别。
在本步骤中，将至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中之前，构建神经网络特征向量，其中，为第1个IMF分量的能量，为第2个IMF分量的能量，为第m个IMF分量的能量，为多尺度峭度参数；
在卷积神经网络的卷积层后增加一个伽马归一化层，其主要利用小批量均值和方差，调整网络的中间输出，得到改进卷积神经网络的网络结构如图2所示，其中，改进卷积神经网络的网络结构的表达式为：
，
，
式中，为伽马归一化后特征，为伽马权值，为样本，为均值函数，为方差，为累乘符号，为样本数，为可训练的尺度，为可训练的尺度，为可训练的位移，为归一化权值，为特征系数；
确定改进卷积神经网络的目标损失函数，目标损失函数的表达式为：
，
式中，为目标损失函数，为第i个噪声类别的真实分布，为第i个噪声类别的网络输出分布，为噪音类别，为总的噪声类别数；
对改进卷积神经网络中的卷积层、池化层、全连接层以及伽马归一化层进行分配权重，其中，分配权重的表达式为：
，
式中，为卷积层权值，为池化层权值，为全连接层权值，为伽马归一化层权值，为对称系数，为卷积层激励函数，为卷积层模态，为池化层激励函数，为池化层模态，为全连接层激励函数，为全连接层模态，为伽马归一化层激励函数，为伽马归一化层模态，为分量累加单元，为卷积层增益，为池化层增益，为全连接层增益，为伽马归一化层增益。
需要说明的是，将至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中，改进卷积神经网络输出得到与轮轨噪声信号相对应的轮轨故障噪声类别包括：在改进卷积神经网络的卷积层中，卷积核通过特定步长的移动对输入数据进行卷积计算，利用激活函数计算得到卷积层的特征数据；池化层对卷积操作得到的特征数据进行降维；全连接层对池化层输出的特征数据进行加权求和，利用激活函数继续求解，完成轮轨故障噪声分类。
综上，本申请的方法，对轮轨噪声信号进行经验模式分解，将其分解为若干个基本模式分量；使用波段筛选策略得到包含主要故障信息的IMF分量，提取各分量的能量与峭度特征；改进卷积神经网络的网络结构，修改损失函数，并将数据输入网络进行训练和识别，能够提高轮轨故障类型识别的准确性，分类的精准度，有利于对轮轨故障的排查。
请参阅图3，其示出了本申请的一种基于改进EMD-CNN的轮轨故障噪声识别系统的结构框图。
如图3所示，轮轨故障噪声识别系统200，包括分解模块210、筛选模块220以及输出模块230。
其中，分解模块210，配置为对获取的轮轨噪声信号进行经验模式分解，得到原始噪声序列；筛选模块220，配置为根据预设的波段筛选策略对所述原始噪声序列进行筛选，得到包含目标故障信息的至少一个IMF分量，并提取所述至少一个IMF分量的能量以及峭度特征；输出模块230，配置为将所述至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中，所述改进卷积神经网络输出得到与所述轮轨噪声信号相对应的轮轨故障噪声类别，其中，将所述至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中之前，还包括：
构建神经网络特征向量，其中，为第1个IMF分量的能量，为第2个IMF分量的能量，为第m个IMF分量的能量，为多尺度峭度参数；
在卷积神经网络的卷积层后增加一个伽马归一化层，得到改进卷积神经网络的网络结构，其中，所述改进卷积神经网络的网络结构的表达式为：
，
，
式中，为伽马归一化后特征，为伽马权值，为样本，为均值函数，为方差，为累乘符号，为样本数，为可训练的尺度，为可训练的尺度，为可训练的位移，为归一化权值，为特征系数；
确定所述改进卷积神经网络的目标损失函数，所述目标损失函数的表达式为：
，
式中，为目标损失函数，为第i个噪声类别的真实分布，为第i个噪声类别的网络输出分布，为噪音类别，为总的噪声类别数；
对所述改进卷积神经网络中的卷积层、池化层、全连接层以及伽马归一化层进行分配权重，其中，分配权重的表达式为：
，
式中，为卷积层权值，为池化层权值，为全连接层权值，为伽马归一化层权值，为对称系数，为卷积层激励函数，为卷积层模态，为池化层激励函数，为池化层模态，为全连接层激励函数，为全连接层模态，为伽马归一化层激励函数，为伽马归一化层模态，为分量累加单元，为卷积层增益，为池化层增益，为全连接层增益，为伽马归一化层增益。
应当理解，图3中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图3中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的基于改进EMD-CNN的轮轨故障噪声识别方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
对获取的轮轨噪声信号进行经验模式分解，得到原始噪声序列；
根据预设的波段筛选策略对所述原始噪声序列进行筛选，得到包含目标故障信息的至少一个IMF分量，并提取所述至少一个IMF分量的能量以及峭度特征；
将所述至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中，所述改进卷积神经网络输出得到与所述轮轨噪声信号相对应的轮轨故障噪声类别。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于改进EMD-CNN的轮轨故障噪声识别系统的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至基于改进EMD-CNN的轮轨故障噪声识别系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图3是本发明实施例提供的电子设备的结构示意图，如图3所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图3中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例基于改进EMD-CNN的轮轨故障噪声识别方法。输入装置330可接收输入的数字或字符信息，以及产生与基于改进EMD-CNN的轮轨故障噪声识别系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于基于改进EMD-CNN的轮轨故障噪声识别系统中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
对获取的轮轨噪声信号进行经验模式分解，得到原始噪声序列；
根据预设的波段筛选策略对所述原始噪声序列进行筛选，得到包含目标故障信息的至少一个IMF分量，并提取所述至少一个IMF分量的能量以及峭度特征；
将所述至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中，所述改进卷积神经网络输出得到与所述轮轨噪声信号相对应的轮轨故障噪声类别。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于改进EMD-CNN的轮轨故障噪声识别方法，其特征在于，包括：
对获取的轮轨噪声信号进行经验模式分解，得到原始噪声序列；
根据预设的波段筛选策略对所述原始噪声序列进行筛选，得到包含目标故障信息的至少一个IMF分量，并提取所述至少一个IMF分量的能量以及峭度特征；
将所述至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中，所述改进卷积神经网络输出得到与所述轮轨噪声信号相对应的轮轨故障噪声类别，其中，将所述至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中之前，所述方法还包括：
构建神经网络特征向量，其中，为第1个IMF分量的能量，为第2个IMF分量的能量，为第m个IMF分量的能量，为多尺度峭度参数；
在卷积神经网络的卷积层后增加一个伽马归一化层，得到改进卷积神经网络的网络结构，其中，所述改进卷积神经网络的网络结构的表达式为：
，
，
式中，为伽马归一化后特征，为伽马权值，为样本，为均值函数，为方差，为累乘符号，为样本数，为可训练的尺度，为可训练的尺度，为可训练的位移，为归一化权值，为特征系数；
确定所述改进卷积神经网络的目标损失函数，所述目标损失函数的表达式为：
，
式中，为目标损失函数，为第i个噪声类别的真实分布，为第i个噪声类别的网络输出分布，为噪音类别，为总的噪声类别数；
对所述改进卷积神经网络中的卷积层、池化层、全连接层以及伽马归一化层进行分配权重，其中，分配权重的表达式为：
，
式中，为卷积层权值，为池化层权值，为全连接层权值，为伽马归一化层权值，为对称系数，为卷积层激励函数，为卷积层模态，为池化层激励函数，为池化层模态，为全连接层激励函数，为全连接层模态，为伽马归一化层激励函数，为伽马归一化层模态，为分量累加单元，为卷积层增益，为池化层增益，为全连接层增益，为伽马归一化层增益。
2.根据权利要求1所述的一种基于改进EMD-CNN的轮轨故障噪声识别方法，其特征在于，在对获取的轮轨噪声信号进行经验模式分解之前，所述方法还包括：
对获取的轮轨噪声信号进行信号放大，得到放大后的轮轨噪声信号，其中，对获取的轮轨噪声信号进行信号放大的表达式为：
，
，
，
式中，为扩大的测量范围，为信号的低频段，为信号的中频段，为累加次数，为信号的高频段，为信号矩阵，为低频矫正函数，为低频权值，为低频增益，为低频边界，为中频增益，为中频权值，为中频矫正函数，为高频增益，为高频矫正函数，为高频权值，为方向收敛系数，为信号角度，为方向偏向系数。
3.根据权利要求1所述的一种基于改进EMD-CNN的轮轨故障噪声识别方法，其特征在于，所述对获取的轮轨噪声信号进行经验模式分解，得到原始噪声序列包括：
确定采集的噪声序列样本数据中的全部极值，并使用三次样条插值法对其拟合，绘制的上包络线和下包络线；
计算上包络线和下包络线的平均值、减均值序列、残差以及基本模式分量，表达式为：
，
，
，
当为单调序列或者常值序列时，EMD分解结束，得到原始噪声序列，其中，所述原始噪声序列的表达式为：
，
式中，为第i个基本模式分量，为单调序列，为基本模式分量的个数，为原始噪声序列。
4.根据权利要求1所述的一种基于改进EMD-CNN的轮轨故障噪声识别方法，其特征在于，所述波段筛选策略的表达式为：
，
，
式中，为分离噪声，为机械噪音，为机械噪音权值，为白噪音权值，为白噪音，为环境噪音权值，为环境噪音，为电磁干扰权值，为电磁干扰，为最优噪音矩阵，为最优噪音序列；
计算机械噪音的表达式为：
，
计算白噪音的表达式为：
，
计算环境噪音的表达式为：
，
计算电磁干扰的表达式为：
，
式中，为干扰序列，为白噪音误差，为白噪音局部信号，为电磁干扰误差，为机械噪声加权函数；
计算最优噪音矩阵的表达式为：
，
式中，为波段维数，为波段的白噪音特征，为波段的环境噪音特征，为波段的电磁干扰特征，为波段的机械噪音特征，为矩阵维数，为波段的白噪音矫正特征，为波段的环境噪音矫正特征，为波段的电磁干扰矫正特征，为波段的机械噪音矫正特征。
5.根据权利要求1所述的一种基于改进EMD-CNN的轮轨故障噪声识别方法，其特征在于，所述提取所述至少一个IMF分量的能量以及峭度特征包括：
以采样频率对筛选好的噪音信号进行分类，得到轮轨扁疤故障、钢轨波浪磨耗故障以及正常状态三种情况下的轮轨噪声信号，分别进行三轮，共3N个信号样本，对3N个信号样本进行EMD分解，得到若干个IMF分量，选择前m个含有故障信息的IMF分量作为研究对象，并计算IMF分量各自的能量与峭度，其中，计算IMF分量各自的能量与峭度的表达式为：
，
，
，
式中，为能量，为峭度，为分量的均值，为基本模式分量，为第i个IMF分量的方差，为待处理信号，为采样次数，为IMF分量的个数，为多尺度峭度参数。
6.根据权利要求1所述的一种基于改进EMD-CNN的轮轨故障噪声识别方法，其特征在于，所述将所述至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中，所述改进卷积神经网络输出得到与所述轮轨噪声信号相对应的轮轨故障噪声类别包括：
在改进卷积神经网络的卷积层中，卷积核通过特定步长的移动对输入数据进行卷积计算，利用激活函数计算得到卷积层的特征数据；
池化层对卷积操作得到的特征数据进行降维；
全连接层对池化层输出的特征数据进行加权求和，利用激活函数继续求解，完成轮轨故障噪声分类。
7.一种基于改进EMD-CNN的轮轨故障噪声识别系统，其特征在于，包括：
分解模块，配置为对获取的轮轨噪声信号进行经验模式分解，得到原始噪声序列；
筛选模块，配置为根据预设的波段筛选策略对所述原始噪声序列进行筛选，得到包含目标故障信息的至少一个IMF分量，并提取所述至少一个IMF分量的能量以及峭度特征；
输出模块，配置为将所述至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中，所述改进卷积神经网络输出得到与所述轮轨噪声信号相对应的轮轨故障噪声类别，其中，将所述至少一个IMF分量的能量以及峭度特征输入至预先构建的改进卷积神经网络中之前，还包括：
构建神经网络特征向量，其中，为第1个IMF分量的能量，为第2个IMF分量的能量，为第m个IMF分量的能量，为多尺度峭度参数；
在卷积神经网络的卷积层后增加一个伽马归一化层，得到改进卷积神经网络的网络结构，其中，所述改进卷积神经网络的网络结构的表达式为：
，
，
式中，为伽马归一化后特征，为伽马权值，为样本，为均值函数，为方差，为累乘符号，为样本数，为可训练的尺度，为可训练的尺度，为可训练的位移，为归一化权值，为特征系数；
确定所述改进卷积神经网络的目标损失函数，所述目标损失函数的表达式为：
，
式中，为目标损失函数，为第i个噪声类别的真实分布，为第i个噪声类别的网络输出分布，为噪音类别，为总的噪声类别数；
对所述改进卷积神经网络中的卷积层、池化层、全连接层以及伽马归一化层进行分配权重，其中，分配权重的表达式为：
，
式中，为卷积层权值，为池化层权值，为全连接层权值，为伽马归一化层权值，为对称系数，为卷积层激励函数，为卷积层模态，为池化层激励函数，为池化层模态，为全连接层激励函数，为全连接层模态，为伽马归一化层激励函数，为伽马归一化层模态，为分量累加单元，为卷积层增益，为池化层增益，为全连接层增益，为伽马归一化层增益。
8.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至6任一项所述的方法。
CN202410578574.0A 2024-05-11 2024-05-11 一种基于改进emd-cnn的轮轨故障噪声识别方法及系统 Active CN118152863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410578574.0A CN118152863B (zh) 2024-05-11 2024-05-11 一种基于改进emd-cnn的轮轨故障噪声识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410578574.0A CN118152863B (zh) 2024-05-11 2024-05-11 一种基于改进emd-cnn的轮轨故障噪声识别方法及系统

Publications (2)

Publication Number Publication Date
CN118152863A CN118152863A (zh) 2024-06-07
CN118152863B true CN118152863B (zh) 2024-07-23

Family

ID=91297097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410578574.0A Active CN118152863B (zh) 2024-05-11 2024-05-11 一种基于改进emd-cnn的轮轨故障噪声识别方法及系统

Country Status (1)

Country Link
CN (1) CN118152863B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112834221A (zh) * 2020-12-31 2021-05-25 郑州航空工业管理学院 一种基于eemd-mse和多尺度一维卷积神经网络轴承故障诊断方法
CN117054803A (zh) * 2023-06-14 2023-11-14 南昌航空大学 一种含分布式光伏配电网接地故障辨识方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110377984B (zh) * 2019-07-02 2023-08-18 中国科学院深圳先进技术研究院 一种工业设备剩余有效寿命预测方法、系统及电子设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112834221A (zh) * 2020-12-31 2021-05-25 郑州航空工业管理学院 一种基于eemd-mse和多尺度一维卷积神经网络轴承故障诊断方法
CN117054803A (zh) * 2023-06-14 2023-11-14 南昌航空大学 一种含分布式光伏配电网接地故障辨识方法及系统

Also Published As

Publication number Publication date
CN118152863A (zh) 2024-06-07

Similar Documents

Publication Publication Date Title
US20230123117A1 (en) Method and Apparatus for Inspecting Wind Turbine Blade, And Device And Storage Medium Thereof
CN110728195B (zh) 基于yolo算法的电能质量扰动检测方法
CN108510001B (zh) 一种风力发电机叶片缺陷分类方法及其分类系统
CN114548199A (zh) 一种基于深度迁移网络的多传感器数据融合方法
CN112802011A (zh) 一种基于vgg-bls的风机叶片缺陷检测方法
CN118608876B (zh) Gis局部放电模式识别模型及其训练方法
CN118336910B (zh) 一种智慧化配电室运行管理系统及方法
Sun et al. Data-driven fault diagnosis method based on second-order time-reassigned multisynchrosqueezing transform and evenly mini-batch training
CN117596191A (zh) 一种电力物联网异常检测方法、装置及存储介质
CN115130519A (zh) 一种使用卷积神经网络的船体结构故障预测方法
CN111126645A (zh) 一种基于数据挖掘技术和改进支持向量机的风电预测算法
CN116663746A (zh) 一种电力负荷预测方法、装置、计算机设备及存储介质
CN117556344A (zh) 基于多源信息融合的球磨机传动系统故障诊断方法与系统
CN118152863B (zh) 一种基于改进emd-cnn的轮轨故障噪声识别方法及系统
CN118866013A (zh) 一种基于机器学习的钢琴数据评测系统及方法
CN119557722A (zh) 基于lstm-dae的光伏阵列故障诊断方法
CN119064712A (zh) 一种基于行波诊断和机器视觉检测的混合输电线路故障类型辨识方法
CN118332251A (zh) 搅拌头寿命预测方法、装置、终端及存储介质
CN118538239A (zh) 一种风电机组的故障检测方法、系统、设备及存储介质
Li et al. A robust fault diagnosis method for rolling bearings based on deep convolutional neural network
CN115684908A (zh) 用于电力gis设备的状态监测方法、存储介质及电子装置
CN115856500A (zh) 基于改进自适应感知算法的有源配电网故障辨识方法
CN115270857A (zh) 基于数据融合的变电站故障诊断方法
CN118797461A (zh) 一种基于改进bp神经网络的轨道病害监测方法及系统
CN118411570B (zh) 一种接触网绝缘子缺陷识别方法及系统

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant