基于深度学习的轨道几何不平顺异常检测方法及装置与流程

本发明涉及铁路工务工程，尤指一种基于深度学习的轨道几何不平顺异常检测方法及装置。

背景技术：

1、本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

2、高速铁路作为复杂的工程系统，其轨道、路基、桥梁、隧道等基础设施是确保列车高速、安全、平稳、可靠运行的关键。其中，轨道不平顺是导致列车震动并增加轮轨作用力的主要原因，对行车舒适性、稳定性和安全性具有重要影响。通过对高速铁路动态检测列车采集的轨道几何检测数据进行分析挖掘，能够及时发现轨道病害，评估轨道的服役状态和变化规律，确保高速列车的安全可靠运行。装备有轨道几何动态检测系统的高速铁路综合检测列车在数据采集过程中，常受列车震动、检测设备故障、外界环境干扰、特殊轨道结构和轨道病害等影响，导致轨道几何动态检测数据中存在一些异常数据。

3、因此，采用科学方法自动精准识别各类异常数据，发现由设备异常或干扰产生的无效数据，以及由特殊轨道结构导致的正常突变信号等，从而有助于准确定位真正的潜在病害区段具有重要意义。

4、当前轨道不平顺异常检测数据识别的研究包括：发现由于检测设备异常或环境干扰导致的无效和异常数据，以提高检测数据质量，进而辅助提升分析准确性；识别特定轨道结构导致的检测数据突变或周期性变化，从而辅助判别轨道基础类型和分析结构服役状态；以及识别潜在轨道病害，从而辅助养护维修决策。其中，陈宪麦等使用基于小波分析的方法对高频病害进行了异常数据诊断和探索，初步实现了对轨道不平顺数据中病害的识别；刘金朝等利用改进的模糊滤波方法识别了轨道几何不平顺信号中的毛刺异常特征并消除；康熊等提出了高速铁路无砟轨道不平顺谱的计算方法，并研究了基于线性插值和小波分析的轨道不平顺检测异常数据趋势项的剔除方法。上述讲传统信号处理方法用于轨道不平顺异常检测，需要依赖先验知识对相关联特征进行解构和提取，并利用专家知识对不同特征划分相应阈值以实现异常数据识别。然而，面临这类状态随机、偶发异常的复杂信号，这些信号具有海量、多维度，并且缺乏标签状态，传统分析方法在处理此类异常数据识别问题时需要极高的专家知识和先验信息，这将带来巨大的代价和成本。

5、综上来看，亟需一种可以克服上述缺陷，能够适用于高速铁路复杂场景且提高轨道几何动态检测效率及准确性的技术方案。

技术实现思路

1、为解决现有技术存在的问题，本发明提出了一种基于深度学习的轨道几何不平顺异常检测方法及装置。对于当前轨道几何不平顺问题，特别是在需要依赖先验信息和专家知识处理复杂场景时，本发明提出了一种基于深度学习模型anomaly transformer的轨道不平顺异常数据检测模型，该模型利用anomaly transformer实现了对异常数据特征的无监督智能识别和挖掘，显著提升了任务的通用性，并展现了优良的泛化能力和识别效果。

2、同时，为了实现轨道不平顺异常数据的无监督学习，本发明采用了anomalyattention机制。该机制通过信息增强和差异性学习，大幅提升了无监督深度学习在轨道不平顺异常检测任务中的准确性。

3、为了解决轨道不平顺异常检测问题，本发明建立了一个使用anomalytransformer进行异常检测的轨道不平顺检测系统。整体方案实现了序列数据的重建，并根据关联准则的阈值来判定异常不平顺序列，从而有效识别轨道的异常状况。

4、在本发明实施例的第一方面，提出了一种基于深度学习的轨道几何不平顺异常检测方法，包括：

5、根据anomaly transformer构建并训练异常检测模型；

6、获取多个检测通道的轨道几何不平顺检测数据，对所述轨道几何不平顺检测数据进行等长切分，将等长切分后的区段数据作为输入样本输入至所述异常检测模型；

7、经过所述异常检测模型对所述输入样本进行重建序列，输出等长的重建序列；

8、根据输入序列及输出序列计算得到异常分数，并根据所述异常分数对所述重建序列进行异常检测，得到异常检测结果并展示。

9、在一实施例中，所述异常检测模型由多个编码器堆叠构成；

10、其中，每个编码器均由anomaly-attention和前馈神经网络层构成；所述anomaly-attention采用双分支结构注意力机制，包含可学习的高斯核和多头自注意力机制，分别用于计算输入序列中数据点的先验关联和序列内部的关联度；

11、所述异常检测模型通过位置编码器，捕捉序列数据中的相关位置依赖；经过多个融合anomaly-attention和前馈神经网络层的神经网络模块进行深度特征提取；

12、所述编码器的输出传递给全连接层，全连接层用于重建原始输入数据。

13、在一实施例中，根据anomaly transformer构建并训练异常检测模型，包括：

14、获取样本数据，所述样本数据是对轨道几何检测数据无重叠等长切分得到的数据；

15、在模型训练阶段，将所述训练样本输入所述异常检测模型，训练模型重建后得到的序列完全拟合输入序列，达到收敛效果；

16、在模型验证阶段，对于输入检测波形片段在经过模型拟合并输出重建序列后，计算模型异常分数；通过比较模型异常分数是否超过设定阈值判断重建序列是否为异常序列，并通过精确率、召回率、f1得分评估模型性能。

17、在一实施例中，获取样本数据，所述样本数据是对轨道几何检测数据无重叠等长切分得到的数据，包括：

18、采用里程修正算法对样本数据进行预处理，将里程修正后的数据缩放到统一的量度；其中，采用无重叠滑动窗口获得一组子序列作为模型输入，滑动窗口固定为200，并将切分后数据作为样本数据循环输入深度学习模型。

19、在一实施例中，该方法还包括：

20、基于k-means中的gap统计策略选取阈值，若第一时间点的数据异常分数超过所述阈值时，所述第一时间点的数据识别为异常。

21、在一实施例中，在模型验证阶段，在模型验证阶段，对于输入检测波形片段在经过模型拟合并输出重建序列后，计算模型异常分数；通过比较模型异常分数是否超过设定阈值判断重建序列是否为异常序列，并通过精确率、召回率、f1得分评估模型性能，包括：

22、对模型性能进行评估时，检测观测序列x1:t中观测变量xt是否异常；在测试集中，若观测变量xt被判断为异常，且xt真实标签为异常，记为真阳tp；如果观测变量xt被判断为异常，xt真实标签为正常，记为假阳fp；如果观测变量xt被判断为正常，xt真实标签为异常，记为假阴fn；如果观测变量xt被判断为正常，且xt真实标签为正常，则记为真阴tn；

23、利用精确率、召回率、f1得分在内的指标衡量异常检测模型的性能，计算式为：

24、

25、式中，precision表示精确率；recall表示召回率；f1表示f1得分；f1得分为精确率与召回率的调和平均数，f1得分越大表示异常检测模型的性能越好。

26、在一实施例中，所述轨道几何不平顺检测数据为9个不同检测通道的数据，其中，至少包括左右高低、左右轨向、左右单边轨距、水平及三角坑。

27、在本发明实施例的第二方面，提出了一种基于深度学习的轨道几何不平顺异常检测装置，包括：

28、模型训练模块，用于根据anomaly transformer构建并训练异常检测模型；

29、数据处理模块，用于获取多个检测通道的轨道几何不平顺检测数据，对所述轨道几何不平顺检测数据进行等长切分，将等长切分后的区段数据作为输入样本输入至所述异常检测模型；经过所述异常检测模型对所述输入样本进行重建序列，输出等长的重建序列；

30、异常检测模块，用于根据输入序列及输出序列计算得到异常分数，并根据所述异常分数对所述重建序列进行异常检测，得到异常检测结果并展示。

31、在本发明实施例的第三方面，提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现基于深度学习的轨道几何不平顺异常检测方法。

32、在本发明实施例的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现基于深度学习的轨道几何不平顺异常检测方法。

33、在本发明实施例的第五方面，提出了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现基于深度学习的轨道几何不平顺异常检测方法。

34、本发明提出的基于深度学习的轨道几何不平顺异常检测方法可以提高轨道不平顺检测效率及准确性，在时间序列异常检测中表现出更广泛的适用性、更强的灵活性和更高的自适应性，为异常检测领域提供有力的数据与技术支持。