一种基于改进EMD-CNN的轮轨故障噪声识别方法及系统

本发明属于电力自动化，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：

1、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。

技术实现思路

1、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。

2、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：

3、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；

4、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；

5、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：

6、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；

7、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：

8、，

9、，

10、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；

11、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：

12、，

13、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；

14、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：

15、，

16、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。

17、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：

18、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；

19、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；

20、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：

21、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；

22、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：

23、，

24、，

25、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；

26、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：

27、，

28、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；

29、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：

30、，

31、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。

32、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。

33、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。

34、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。

技术特征：

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：

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：

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：

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：

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：

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：

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：

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。

技术总结
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。

技术研发人员：殷雄,姚道金,韩硕,王晓明,陈伊涵,王鑫,陈聪,刘国庆
受保护的技术使用者：华东交通大学
技术研发日：
技术公布日：2024/6/11