用于轨道交通车辆的振动评估方法及系统与流程

本技术涉及智能评估，且更为具体地，涉及一种用于轨道交通车辆的振动评估方法及系统。

背景技术：

1、随着轨道交通的不断发展以及人们对居住环境要求的不断提高，人们对轨道交通引起的振动关注度越来越高。通过对轨道交通车辆的振动评估可以对轨道交通的性能进行实时在线监控，从而为运营维护提供决策依据。但是，现有的对于轨道交通车辆的振动评估方案的准确性不高，易受外界环境的干扰，导致对于轨道交通性能检测的精准度较低，易产生误警报的情况。

2、因此，期待一种优化的用于轨道交通车辆的振动评估方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种用于轨道交通车辆的振动评估方法及系统。其首先将获取的待评估轨道交通车辆在预定时间段的振动信号的波形图通过第一卷积神经网络模型以得到振动波形特征向量，接着，将相应的声音信号的波形图通过第二卷积神经网络模型以得到声音波形特征向量，然后，对所述振动波形特征向量进行特征值区分度强化以得到优化振动波形特征向量，对所述声音波形特征向量进行特征值区分度强化以得到优化声音波形特征向量，最后，融合所述振动波形特征向量和所述声音波形特征向量以得到多模态特征表示并将其通过分类器以得到用于表示是否产生状态预警提示的分类结果。通过这样的方式，可以提升轨道交通性能检测的精准度。

2、根据本技术的一个方面，提供了一种用于轨道交通车辆的振动评估方法，其包括：

3、获取待评估轨道交通车辆在预定时间段的振动信号和由声音传感器采集的声音信号；

4、将所述振动信号的波形图通过作为过滤器的第一卷积神经网络模型以得到振动波形特征向量；

5、将所述声音信号的波形图通过作为过滤器的第二卷积神经网络模型以得到声音波形特征向量；

6、对所述振动波形特征向量进行特征值区分度强化以得到优化振动波形特征向量；

7、对所述声音波形特征向量进行特征值区分度强化以得到优化声音波形特征向量；

8、融合所述振动波形特征向量和所述声音波形特征向量以得到多模态特征表示；

9、以及将所述多模态特征表示通过分类器以得到分类结果，所述分类结果用于表示是否产生状态预警提示。

10、在上述的用于轨道交通车辆的振动评估方法中，将所述振动信号的波形图通过作为过滤器的第一卷积神经网络模型以得到振动波形特征向量，包括：所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：

11、对输入数据进行卷积处理以得到第一卷积特征图；

12、对所述第一卷积特征图进行基于局部特征矩阵的均值池化以得到第一池化特征图；

13、以及对所述第一池化特征图进行非线性激活以得到第一激活特征图；

14、其中，所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述振动波形特征向量，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述振动信号的波形图。

15、在上述的用于轨道交通车辆的振动评估方法中，将所述声音信号的波形图通过作为过滤器的第二卷积神经网络模型以得到声音波形特征向量，包括：所述作为过滤器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：

16、对输入数据进行卷积处理以得到第二卷积特征图；

17、对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图；

18、以及对所述第二池化特征图进行非线性激活以得到第二激活特征图；

19、其中，所述作为过滤器的第二卷积神经网络模型的最后一层的输出为所述声音波形特征向量，所述作为过滤器的第二卷积神经网络模型的第一层的输入为所述声音信号的波形图。

20、在上述的用于轨道交通车辆的振动评估方法中，对所述振动波形特征向量进行特征值区分度强化以得到优化振动波形特征向量，包括：

21、将所述振动信号的波形图通过作为特征提取器的第三卷积神经网络模型以得到第一辅助特征图；

22、对所述第一辅助特征图进行特征相关性累积区分机制建模以得到第一加权特征向量；

23、以及计算所述第一加权特征向量与所述振动波形特征向量之间的按位置点乘以得到所述优化振动波形特征向量。

24、在上述的用于轨道交通车辆的振动评估方法中，将所述振动信号的波形图通过作为特征提取器的第三卷积神经网络模型以得到第一辅助特征图，包括：所述作为特征提取器的第三卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：

25、对输入数据进行卷积处理以得到第三卷积特征图；

26、对所述第三卷积特征图进行均值池化处理以得到第三池化特征图；

27、以及对所述第三池化特征图进行非线性激活以得到第三激活特征图；

28、其中，所述作为特征提取器的第三卷积神经网络模型的最后一层的输出为所述第一辅助特征图，所述作为特征提取器的第三卷积神经网络模型的第一层的输入为所述振动信号的波形图。

29、在上述的用于轨道交通车辆的振动评估方法中，对所述第一辅助特征图进行特征相关性累积区分机制建模以得到第一加权特征向量，包括：

30、以如下公式对所述第一辅助特征图进行特征相关性累积区分机制建模以得到所述第一加权特征向量；

31、其中，所述公式为：

32、

33、其中，表示所述第一辅助特征图，和分别表示对特征图进行基于不同卷积核的单层卷积操作，表示激活函数，表示激活函数，且表示对特征图的每个特征矩阵进行全局池化操作，表示按位置加法，表示所述第一加权特征向量。

34、在上述的用于轨道交通车辆的振动评估方法中，对所述声音波形特征向量进行特征值区分度强化以得到优化声音波形特征向量，包括：

35、将所述声音信号的波形图通过所述通过作为特征提取器的第三卷积神经网络模型以得到第二辅助特征图；

36、对所述第二辅助特征图进行特征相关性累积区分机制建模以得到第二加权特征向量；

37、以及计算所述第二加权特征向量与所述声音波形特征向量之间的按位置点乘以得到所述优化声音波形特征向量。

38、在上述的用于轨道交通车辆的振动评估方法中，融合所述振动波形特征向量和所述声音波形特征向量以得到多模态特征表示，包括：

39、以如下公式来融合所述振动波形特征向量和所述声音波形特征向量以得到所述多模态特征表示；

40、其中，所述公式为：

41、

42、其中，表示所述振动波形特征向量和所述声音波形特征向量，表示级联函数，表示所述多模态特征表示。

43、在上述的用于轨道交通车辆的振动评估方法中，将所述多模态特征表示通过分类器以得到分类结果，所述分类结果用于表示是否产生状态预警提示，包括：

44、使用所述分类器的多个全连接层对所述多模态特征表示进行全连接编码以得到编码分类特征向量；

45、以及将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。

46、根据本技术的另一个方面，提供了一种用于轨道交通车辆的振动评估系统，其包括：

47、信号采集模块，用于获取待评估轨道交通车辆在预定时间段的振动信号和由声音传感器采集的声音信号；

48、第一卷积编码模块，用于将所述振动信号的波形图通过作为过滤器的第一卷积神经网络模型以得到振动波形特征向量；

49、第二卷积编码模块，用于将所述声音信号的波形图通过作为过滤器的第二卷积神经网络模型以得到声音波形特征向量；

50、振动波形优化模块，用于对所述振动波形特征向量进行特征值区分度强化以得到优化振动波形特征向量；

51、声音波形优化模块，用于对所述声音波形特征向量进行特征值区分度强化以得到优化声音波形特征向量；

52、融合模块，用于融合所述振动波形特征向量和所述声音波形特征向量以得到多模态特征表示；

53、以及分类模块，用于将所述多模态特征表示通过分类器以得到分类结果，所述分类结果用于表示是否产生状态预警提示。

54、与现有技术相比，本技术提供的用于轨道交通车辆的振动评估方法及系统，其首先将获取的待评估轨道交通车辆在预定时间段的振动信号的波形图通过第一卷积神经网络模型以得到振动波形特征向量，接着，将相应的声音信号的波形图通过第二卷积神经网络模型以得到声音波形特征向量，然后，对所述振动波形特征向量进行特征值区分度强化以得到优化振动波形特征向量，对所述声音波形特征向量进行特征值区分度强化以得到优化声音波形特征向量，最后，融合所述振动波形特征向量和所述声音波形特征向量以得到多模态特征表示并将其通过分类器以得到用于表示是否产生状态预警提示的分类结果。通过这样的方式，可以提升轨道交通性能检测的精准度。