[發(fā)明專(zhuān)利]鋼軌波磨智能識(shí)別方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202211052551.3
• 申請(qǐng)日: 2022-08-31
• 公開(kāi)（公告）號(hào): CN115511790A
• 公開(kāi)（公告）日: 2022-12-23
• 發(fā)明（設(shè)計(jì)）人: 婁天宇;李富坤;袁新杰;周阿楚;張開(kāi)賀
• 申請(qǐng)（專(zhuān)利權(quán)）人: 婁天宇;李富坤;袁新杰;周阿楚;張開(kāi)賀
• 主分類(lèi)號(hào): G06T7/00
• 分類(lèi)號(hào): G06T7/00;G06N3/04;G06N3/08;G06K9/00
• 代理公司: 上海漢聲知識(shí)產(chǎn)權(quán)代理有限公司 31236
• 代理人: 胡晶

本發(fā)明提供了一種鋼軌波磨智能識(shí)別方法及系統(tǒng)，其方法包括采集輪軌接觸所產(chǎn)生的噪聲數(shù)據(jù)；通過(guò)有波磨原始數(shù)據(jù)集和無(wú)波磨原始數(shù)據(jù)集分別將其轉(zhuǎn)換為第一頻譜圖；把兩第一頻譜圖預(yù)處理后，分別按照預(yù)先設(shè)定的時(shí)間長(zhǎng)度進(jìn)行剪切分段；建立深度學(xué)習(xí)識(shí)別模型，進(jìn)行訓(xùn)練得到訓(xùn)練好的深度學(xué)習(xí)識(shí)別模型；將步驟S3中留出的驗(yàn)證集或新采集的數(shù)據(jù)放在指定文件夾中獲得識(shí)別準(zhǔn)確率；基于最優(yōu)的深度學(xué)習(xí)識(shí)別模型對(duì)輸入的待識(shí)別數(shù)據(jù)是否存在波磨狀況進(jìn)行判斷，其系統(tǒng)包括數(shù)據(jù)獲取模塊、數(shù)據(jù)轉(zhuǎn)換模塊、數(shù)據(jù)預(yù)處理模塊、構(gòu)建模塊、訓(xùn)練模塊、評(píng)估模塊和識(shí)別模塊。本發(fā)明降低了人力物力成本，耗時(shí)短且效率高，結(jié)構(gòu)簡(jiǎn)單，實(shí)施起來(lái)也不復(fù)雜，因此方便推廣使用。

技術(shù)領(lǐng)域

本發(fā)明涉及波磨識(shí)別方法技術(shù)領(lǐng)域，具體地，涉及鋼軌波磨智能識(shí)別方法及系統(tǒng)。

背景技術(shù)

波磨是指鋼軌頂面縱向規(guī)律性的起伏不平的磨耗現(xiàn)象，波磨是由于軌道在長(zhǎng)期高額、高頻的負(fù)載之下，鋼軌表面產(chǎn)生磨損、形變、裂紋等傷損情況而導(dǎo)致的。

目前現(xiàn)有的軌道波磨檢測(cè)方案主要以力學(xué)、光學(xué)設(shè)備為主要的介質(zhì)，檢測(cè)主要還是依賴(lài)人工操作以力學(xué)、光學(xué)為主要介質(zhì)的軌道檢查儀對(duì)軌道狀態(tài)進(jìn)行檢測(cè)，需要在特定時(shí)間進(jìn)行作業(yè)，即需要在非運(yùn)營(yíng)期單獨(dú)開(kāi)設(shè)窗口進(jìn)行作業(yè)，同樣需要投入一定的人力、物力成本，耗時(shí)長(zhǎng)，效率低且檢測(cè)準(zhǔn)確性較差。

除了上述人工檢測(cè)的方法外，軌檢車(chē)的波磨狀況還可以通過(guò)弦測(cè)法、慣性基準(zhǔn)法等用于軌道的幾何不平順檢測(cè)，以及通過(guò)激光、攝像頭等進(jìn)行非接觸式缺陷檢測(cè)。上述方法對(duì)設(shè)計(jì)和制作的要求較高，使用成本高，不易推廣使用，對(duì)波磨狀況判斷的準(zhǔn)確性同樣較差。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)中的缺陷，本發(fā)明的目的是提供一種鋼軌波磨智能識(shí)別方法及系統(tǒng)。

一方面，本發(fā)明提供一種鋼軌波磨智能識(shí)別方法，包括如下步驟：

S1：采集輪軌接觸所產(chǎn)生的噪聲數(shù)據(jù)，從中獲得有波磨原始數(shù)據(jù)集和無(wú)波磨原始數(shù)據(jù)集；

S2：通過(guò)有波磨原始數(shù)據(jù)集和無(wú)波磨原始數(shù)據(jù)集分別將其轉(zhuǎn)換成時(shí)域圖信息，并對(duì)兩時(shí)域圖信息分別進(jìn)行傅里葉變換，將時(shí)域圖分別轉(zhuǎn)化為第一頻譜圖。

S3：把兩第一頻譜圖預(yù)處理后，分別按照預(yù)先設(shè)定的時(shí)間長(zhǎng)度進(jìn)行剪切分段；

將剪切分段的數(shù)據(jù)進(jìn)行分幀和加窗處理，根據(jù)數(shù)據(jù)時(shí)長(zhǎng)轉(zhuǎn)換為統(tǒng)一規(guī)格的梅爾頻譜圖像，通過(guò)設(shè)置訓(xùn)練集和驗(yàn)證集比例，將所有梅爾頻譜圖像劃分為訓(xùn)練過(guò)程中所用的訓(xùn)練集和驗(yàn)證集，且訓(xùn)練集和驗(yàn)證集中的每一梅爾頻譜圖像均對(duì)應(yīng)有表征鋼軌區(qū)段的標(biāo)識(shí)；

S4：借助Keras并利用Tensorflow框架建立深度學(xué)習(xí)識(shí)別模型，并把S3中訓(xùn)練集中的梅爾頻譜圖像輸入到深度學(xué)習(xí)識(shí)別模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的深度學(xué)習(xí)識(shí)別模型；

S5：將步驟S3中留出的驗(yàn)證集或新采集的數(shù)據(jù)放在指定文件夾中，測(cè)試腳本會(huì)依次讀取文件夾中放入的所有數(shù)據(jù)并進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果和該數(shù)據(jù)所對(duì)應(yīng)的標(biāo)識(shí)進(jìn)行對(duì)比，獲得識(shí)別準(zhǔn)確率，根據(jù)預(yù)設(shè)的準(zhǔn)確率閾值選取最優(yōu)的深度學(xué)習(xí)識(shí)別模型；

S6：基于最優(yōu)的深度學(xué)習(xí)識(shí)別模型對(duì)輸入的待識(shí)別數(shù)據(jù)是否存在波磨狀況進(jìn)行判斷。

可選地，步驟S3：把兩第一頻譜圖預(yù)處理后，分別按照預(yù)先設(shè)定的時(shí)間長(zhǎng)度進(jìn)行剪切分段，進(jìn)一步包括：

S301，對(duì)兩第一頻譜圖進(jìn)行濾波處理，保留在預(yù)設(shè)頻段范圍內(nèi)的第一頻譜圖；

S302，對(duì)在預(yù)設(shè)頻段范圍內(nèi)的第一頻譜圖進(jìn)行預(yù)加重處理，對(duì)應(yīng)形成第二頻譜圖；

S303，對(duì)第一頻譜圖和第二頻譜圖進(jìn)行傅里葉逆變換生成波磨處理數(shù)據(jù)集和無(wú)波磨處理數(shù)據(jù)集并保存為wave文件；

S304，對(duì)波磨處理數(shù)據(jù)集和無(wú)波磨處理數(shù)據(jù)集中的數(shù)據(jù)分別按照預(yù)先設(shè)定的時(shí)間長(zhǎng)度進(jìn)行剪切分段。