一种基于改进映射融合特征与阈值的车轮擦伤检测方法与流程

1.本发明涉及一种车轮擦伤信号处理与检测方法，具体涉及一种基于改进映射融合特征与阈值的车轮擦伤检测方法。


背景技术：

2.铁路是国家重要的交通设施，是国家经济发展的大动脉，与人民群众生产、生活息息相关。19世纪60年代，中国出现第一条铁路——吴淞铁路，至今中国铁路已经有160余年的发展历史，进入21世纪以来伴随材料科学和制造工艺的飞速发展，中国铁路事业得到跨越式发展，预计到2021年底中国铁路运营总里程将会超过14.6万公里，位列世界第一位。中国铁路“八纵八横”布局全国各地，覆盖大约99％的人口超过20万的城市，连接南北经济，助力东西发展，为中国经济的飞速发展提供充足运力。然而，列车车轮因长时间运行会出现不同程度的擦伤，导致紧急维修或潜在事故，造成延误、不必要的成本，甚至人员伤亡。因此，为保障铁路安全、平稳、高速的运行，对车轮进行实时监测，研究新型车轮擦伤检测方法并提高检测精度具有深远的现实意义。
3.在现有的车轮擦伤检测方法中，漏磁检测、超声波检测、振动检测、激光和高速摄像机检测等方法被广泛使用。但是针对列车车轮运行速度快、轮轨摩擦噪声大的特点，上述检测方法存在众多不足。漏磁检测技术受限于现有机制，仅能检测车轮表面擦伤而无法检测内部情况，而且检测结果精度较低；超声波检测技术依赖于仪器发射的超声波，容易对待检车轮造成二次擦伤，影响检测精度；振动检测技术易受外界因素干扰，获得的振动信号存在众多干扰严重影响后续检测分析；激光和高速摄像机检测技术主要应用于实验室环境，因为其设备昂贵，安装复杂，不适合应用于实际列车车轮擦伤检测中。与上述检测技术相比，声发射是一种无损检测技术，检测到的能量来自于被检车轮本身，而不是由检测仪器提供，更能准确提供被检车轮实际状况信息，因此声发射检测技术近些年也被应用于车轮擦伤检测领域。但是由于列车运行中车轮与钢轨剧烈摩擦产生大量噪声，影响检测结果精度。
4.传统的声发射擦伤检测算法大多仅仅利用单一特征来描述擦伤部分信息，无法准确表征车轮擦伤全部信息，进而影响擦伤信号检出率。同时，传统检测算法依据固定的自适应阈值判断车轮擦伤是否发生，即每组声发射信号均采用统一的阈值判断擦伤，这种阈值检测方法带来的检测结果往往包含大量的噪声信号，严重降低检测精度，无法准确保障列车安全、平稳运行。


技术实现要素：

5.为了解决现有擦伤信号检测方法速度慢、精度低的问题，本发明提供了一种基于改进映射融合特征与阈值的车轮擦伤检测方法。该方法基于对车轮滚动声发射信号处理，提取多维特征信息，从多角度表征车轮擦伤信息，同时利用时间信息对传统自适应阈值进行改进，提出多特征映射融合与改进自适应阈值检测算法，充分利用样本的时频域特征信息和时间信息，根据检出率与检测精度对特征信息进行筛选，进一步减少运算时间并有效
减少了噪声信号干扰，精准检测出车轮擦伤信息，实现车轮擦伤声发射信号检测同时提高检测精度。本发明运算速率快、检测精度高，在列车车轮伤损检测领域，具有重要的社会意义和经济价值。
6.本发明的目的是通过以下技术方案实现的：
7.一种基于改进映射融合特征与阈值的车轮擦伤检测方法，包括如下步骤：
8.步骤一：加载获取的p组包含擦伤与噪声的车轮声发射信号从每组信号中提取七种特征：均方根值、熵、峭度频谱、偏度频谱、梅尔谱倒谱系数、伽玛谱倒谱系数和三阶小波能量熵，并确定各组特征的极值及计算p组特征极值的平均值；
9.步骤二：以步骤一获取的p组特征极值的平均值为检测阈值，对声发射信号进行初步检测，计算各特征的擦伤信号检出率与精准率，对得到的多维特征进行特征筛选，获得检出率和精准率更高的、包含更多擦伤信息的低维特征参数集s2代表筛选得到的低维特征参数集维数，依据多特征映射融合算法，将低维特征参数集映射融合获得一维映射融合特征
10.步骤三：将步骤二获得的一维映射融合特征划分为若干个时间窗，每个时间窗内含有长度为α的映射融合特征h
v
(β)，依据擦伤信号检出率f1、精准率f2综合系数j选取最合适长度的α，计算h
v
(β)的标准差、均值和最小值，结合相关系数计算每个时间窗内的改进自适应检测阈值ath，依据改进自适应阈值判别算法，判别各个特征是否属于擦伤信号，完成车轮擦伤声发射信号检测。
11.相比于现有技术，本发明具有如下优点：
12.1、本发明采用均方根值、熵、峭度频谱、偏度频谱、梅尔谱倒谱系数、伽玛谱倒谱系数和三阶小波能量熵，共计七种特征来表征包含列车车轮声发射信号的擦伤信息，相比于现有技术，擦伤信息表征角度更多更完善。基于设计的擦伤信号检出率和准确率对上述特征进行筛选，获得检出率和准确率更高、更有效的特征向量。提出多特征信息映射融合算法，将筛选获得的更有效特征向量映射融合为一维特征，能够从多角度表现车轮擦伤信息，降低特征维度减少数据运算成本，大幅度节约运行时间。
13.2、本发明改进了传统自适应阈值检测算法，结合映射融合特征特点与时间信息，选取一定长度的时间窗在映射融合特征向量滑动，并结合映射融合特征的标准差、均值和最小值信息以及实际列车运行条件决定的环境参数，计算改进自适应阈值，并依据改进自适应阈值判别算法对待检测车轮声发射信号进行擦伤检测，与现有传统自适应阈值检测技术相比，本发明提出的改进自适应阈值检测方法具有更高的检测精度。
14.3、目前存在的车轮擦伤信号检测方法往往只适用于实验室运行数据或少量实测数据，通常情况下这些数据只含有一些简单的已知噪声信号，未全部涵盖列车运行间轮轨滚动噪声，与实际列车运行条件相差较大。同时现有的车轮擦伤检测方法仅仅基于某一种特征，无法准确表征车轮的擦伤信息，而且传统自适应阈值往往根据少部分信息计算得到，容易造成检测误差，严重影响检测精度。本发明提出的多特征映射融合与改进自适应阈值算法，能够将多种维度的特征映射融合为一维特征，可以多角度表现车轮擦伤信息，同时改进自适应阈值结合时间窗信息能够根据实际特征性能及时调整检测阈值，有效排除噪声信
号干扰，提高车轮擦伤信号检测精度，满足列车实际运行中的安全保障要求。
附图说明
15.图1为本发明基于改进映射融合特征与阈值的车轮擦伤检测方法的流程图。
16.图2为实验现场图。
17.图3为车轮擦伤图。
18.图4为发射信号时间幅值图。
19.图5为映射融合特征时间幅值图。
20.图6为时间窗长度与综合指标对应关系图
21.图7为自适应阈值擦伤信号检测图
22.图8为信号检测示例图。
具体实施方式
23.下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
24.本发明提供了一种基于改进映射融合特征与阈值的车轮擦伤检测方法，首先，设计从获取的声发射信号中提取特征集，包含均方根值、熵、峭度频谱、偏度频谱、梅尔谱倒谱系数、伽玛谱倒谱系数和三阶小波能量熵，共计七种特征；然后提出了擦伤信号检出率、精准率和二者的综合系数三种筛选因数，得到检出率、精准率和综合系数较高的几种特征；而后，依据提出的多特征映射融合算法对筛选后的特征进行映射融合，得到一维映射融合特征；计算映射融合特征的标准差、平均值和最小值，依据实际工作情况设定相关系数，利用上述参数与时间信息，改进了传统自适应阈值检测算法；最后，寻找超过阈值的特征段，确定该段特征对应的时间点，根据时间点信息从最初获取的声发射信号中提取信号，即为擦伤信号，完成车轮擦伤声发射信号检测。如图1所示，具体步骤如下：
25.步骤一：加载获取的p组包含擦伤与噪声的车轮声发射信号从每组信号中提取七种特征：均方根值、熵、峭度频谱、偏度频谱、梅尔谱倒谱系数、伽玛谱倒谱系数和三阶小波能量熵，并确定各组特征的极值及计算p组特征极值的平均值。具体步骤如下：
26.1)加载获取的p组包含擦伤与噪声的车轮声发射信号其中n
i
代表每组声发射信号的长度，即采样点个数，i＝1,2,...,p；
27.2)分别从每组声发射信号中提取均方根值、熵、峭度频谱、偏度频谱、梅尔谱倒谱系数、伽玛谱倒谱系数和小波能量熵，共计七种特征，分别记为每种特征参数集的长度为n
′
i
(n
′
i
＜n
i
)，因声发射信号采样时间长而导致每段信号长度过大，影响检测速率，所以利用采样间隔q对声发射信号进行分组，从分组后的信号中提取各项特征，减少运算量，提升检测速率；
28.3)确定各组声发射信号的均方根值、熵、峭度频谱、偏度频谱、梅尔谱倒谱系数、伽玛谱倒谱系数和小波能量熵的极值，并计算p组特征极值的平均值，分别记为a
r
,a
e
,a
k
,a
s
,
a
m
,a
g
和a
x
。
29.步骤二：以步骤一获取的p组特征极值的平均值为检测阈值，对声发射信号进行初步检测，计算各特征的擦伤信号检出率与精准率，对得到的多维特征进行特征筛选，获得检出率和精准率更高的、包含更多擦伤信息的低维特征参数集s2代表筛选得到的低维特征参数集维数，依据多特征映射融合算法，将低维特征参数集映射融合获得一维映射融合特征具体步骤如下：
30.1)设定步骤一获取的p组特征极值的平均值a
r
,a
e
,a
k
,a
s
,a
m
,a
g
和a
x
为各特征的检测阈值，超过阈值的信号即为擦伤信号，与已知擦伤信号进行比对，不同信号即为干扰信号；
31.2)根据列车实际运行要求，擦伤信号检出率和精准率是判定列车能否安全运行的重要参数依据，因此利用擦伤信号检出率f1和精准率f2对获得的多维特征进行筛选，其中：
[0032][0033][0034]
式中，l
a
代表声发射信号中实际存在的擦伤信号数目，l
d
和l
i
分别代表被特征检测出的擦伤信号数目和干扰信号数目；
[0035]
3)考虑到单一指标只能反映某一方面测试结果的特点，为了综合衡量检测结果，本发明设计了一个加权综合系数来融合上述两个参数，具体表示为：
[0036]
j＝ε1f1+ε2f2[0037][0038]
式中，ε
i
表示各性能评价指标重要性的权重，根据实际运行情况考虑取值；依据多特征映射融合算法，将特征集映射融合获得一维映射融合特征
[0039]
4)依据擦伤信号检出率f1、精准率f2和综合系数j，对特征集e
i
进行筛选，获得检出率和精准率更高的、包含更多擦伤信息的低维特征参数集设计构建映射融合算法关键变换矩阵其中：
[0040][0041]
式中，“t”和
“‑
1”分别代表转置运算和求逆运算，为统一向量；
[0042]
5)利用变换矩阵本发明可以将低维特征参数集创造性的映射为一维映射融合特征其中：
[0043][0044]
步骤三：将步骤二获得的一维映射融合特征划分为若干个时间窗，每个时间
窗内含有长度为α的映射融合特征h
v
(β)，依据擦伤信号检出率f1、精准率f2综合系数j选取最合适长度的α，计算h
v
(β)的标准差、均值和最小值，结合相关系数计算每个时间窗内的改进自适应检测阈值ath，依据改进自适应阈值判别算法，判别各个特征是否属于擦伤信号，完成车轮擦伤声发射信号检测。具体步骤如下：
[0045]
1)映射一维映射融合特征划分为θ个时间窗，每个时间窗内含有长度为α的映射融合特征h
v
(β)，获得更多车轮擦伤的时间信息，其中：
[0046]
h
v
(β)＝{h
v
(m),m＝1+(β
‑
1)δ,...,α+(β
‑
1)δ}；
[0047]
式中，δ为时间窗口的滑动间隔，通常取δ＝α/3，β＝1,2,...,θ，g(
·
)为取整函数；
[0048]
θ＝g(n
′
i
/α)；
[0049]
2)计算一个时间窗α内的映射融合特征h
v
(β)的标准差s
v
，其中：
[0050][0051]
式中，表示求一个时间窗α内的映射融合特征h
v
(β)平均值的运算；
[0052]
3)映射融合特征取值正负不一，因此依据h
v
(β)的标准差、均值和最小值，改进自适应检测阈值ath计算被划分为两种情况：
[0053][0054]
式中，h代表整段映射融合特征min(
·
)代表取最小值运算，λ,ω1和ω2分别代表由工作条件决定的环境参数变量；
[0055]
4)依据改进自适应检测阈值ath计算公式，根据擦伤信号检出率f1、精准率f2和综合系数j选取最合适时间窗长度α，并得到最佳检测阈值ath；
[0056]
5)根据4)中获得的改进自适应检测阈值ath，进行车轮擦伤信号判别，判别方法如下式：
[0057][0058]
如果计算结果r为1，则该特征属于擦伤信号；反之，则属于噪声信号；判别各个特征是否属于擦伤信号，完成车轮擦伤声发射信号检测。
[0059]
下面结合实测车轮声发射信号数据说明本发明的具体实施方式。
[0060]
本发明的实验验证数据来源于车轮实际滚动声发射信号采集现场，实验现场情况如图2所示。在实验车轮上人为制造长5厘米、宽2厘米、深2毫米的擦伤，形状如图3所示。人为推动车轮，使其以3.5公里/小时的速度在7米长的铁轨上来回滚动。然后通过机械夹具将信号接收传感器固定在铁轨一侧，以接收车轮滚动产生的电信号，放大器将电信号幅值增大，而后通过声发射采集设备将电信号转换为声发射信号，实验共获得54组有效的车轮滚动声发射信号。
[0061]
执行步骤一：加载实际测量得到的54组包含擦伤与噪声的车轮滚动声发射信号，
信号采样率为2mhz，每组信号长度不一，随机选取其中一组进行展示，其时间幅值如图4所示，共有15041024个采样点，已知被选中的信号的擦伤发生在0.816秒和6.4秒处。
[0062]
接下来分别提取各组声发射信号的均方根、熵、峭度频谱、偏度频谱、梅尔谱倒谱系数、伽玛谱倒谱系数和三阶小波能量熵，共计七种特征，设定q＝256。其中梅尔谱倒谱系数选择第3维特征、伽玛谱倒谱系数选择第3维和第5维特征、三阶小波能量熵则选择第一维特征，这样每组声发射信号共有8维特征。
[0063]
然后确定各组特征的极值，并计算54组特征极值的平均值，分别为：2.1929、0.0016、499.2659、14.2426、
‑
322.1328、
‑
7.983、
‑
4.6371和0.7426。
[0064]
执行步骤二：以步骤一获得的54组特征极值的平均值为检测阈值，对车轮擦伤信号进行初步检测，超过阈值的信号即为擦伤信号，与已知擦伤信号进行比对，不同信号即为干扰信号。根据检出的擦伤信号数目和干扰信号数目，计算擦伤信号检出率f1和精准率f2和综合系数j。同时根据列车实际运行安全保障要求，检出率与精准率占据同样比例，因此各特征权重系数ε1和ε2分别为0.5和0.5。各维特征检测结果如表1所示。
[0065]
表1各维特征擦伤信号检出率、精准率和综合系数
[0066][0067]
根据表1结果，选取各项指标表现优秀的特征，伽玛谱倒谱系数3、伽玛谱倒谱系数5和三阶小波能量熵1由此被选中，构建包含更多擦伤信息的三维特征参数集，将该三维特征集输入本发明提出的多特征映射融合算法中，获得一维映射融合特征。在步骤一中被选中的声发射信号的映射融合特征如图5所示。重复上述过程，即可获得54组声发射信号映射融合特征。
[0068]
执行步骤三：计算在步骤一中被选中的声发射信号映射融合特征的均值和最小值分别为：0.2426和0.9877，同时根据实验现场环境设定环境参数λ,ω1和ω2分别为1.2、0.35和0.4。
[0069]
接下来选取时间窗长度在0.1毫秒到10毫秒之间，计算对应的自适应阈值，并根据自适应阈值检测声发射信号，确定擦伤信号数目和干扰信号数目，进一步计算擦伤信号检出率f1和精准率f2和综合系数j，根据时间窗长度与综合系数的对应关系，确定最近时间窗长度大小，时间窗长度与综合系数的对应关系如图6所示。
[0070]
根据图4可知，当时间窗长度取7.2毫秒时，对应的综合系数值最大。因此设定时间窗长度为7.2毫秒，并根据映射融合特征的均值、标准差和最小值，以及设定好的环境参数
变量计算自适应阈值，在步骤一中被选中的声发射信号的改进自适应阈值如图7所示。最后，依据改进自适应阈值判定算法，对车轮声发射信号进行判别，判别结果如图8所示，图中标注了判别结果为1的信号位置，该段信号即为车轮擦伤信号。
[0071]
重复以上步骤，即可完成54组车轮声发射信号的擦伤检测，统计基于本发明提出的多特征映射融合和改进自适应阈值检测算法，检测得到的擦伤信号数目和干扰信号数目，计算擦伤信号检出率f1和精准率f2和综合系数j。同时，依据传统自适应阈值计算方法，计算54组车轮声发射信号的映射融合特征极值的平均值为0.4856，并根据该阈值对声发射信号进行检测。本发明提出的改进自适应阈值检测算法与传统自适应阈值方法检测结果如表2所示。
[0072]
表2改进自适应阈值与传统方法比较
[0073][0074]
从表2可以发现，本发明提出的改进自适应阈值算法在擦伤信号检出率、精准率和综合系数三种指标上的表现均大幅度优于传统自适应阈值检测算法。因此，通过上述实验验证，可以得到如下结论：本发明提出的多特征映射融合与改进自适应阈值检测算法，能够大幅度提高车轮擦伤信号检出率与检测精度，满足列车安全运行保障要求。