本發(fā)明涉及軌道檢測(cè)，尤其涉及一種基于lstm-bigru網(wǎng)絡(luò)的軌道病害檢測(cè)方法。

背景技術(shù)：

1、隨著高速鐵路網(wǎng)絡(luò)的迅速擴(kuò)展，軌道病害監(jiān)測(cè)已成為保障列車(chē)運(yùn)行安全的關(guān)鍵環(huán)節(jié)。

2、然而，現(xiàn)有的軌道病害檢測(cè)方法面臨不少挑戰(zhàn)。傳統(tǒng)的人工巡檢和周期性維護(hù)不僅耗時(shí)耗力，而且難以在實(shí)際環(huán)境中保持檢測(cè)條件的一致性和檢測(cè)結(jié)果的準(zhǔn)確性。此外，這些方法高度依賴(lài)操作人員的經(jīng)驗(yàn)和技術(shù)水平，導(dǎo)致主觀誤差率較高。近年來(lái)，盡管一些基于傳感器和初步數(shù)據(jù)處理技術(shù)的智能監(jiān)測(cè)系統(tǒng)已被應(yīng)用于軌道病害檢測(cè)，但它們?nèi)源嬖陲@著的技術(shù)缺陷。例如，早期的自動(dòng)檢測(cè)系統(tǒng)通常依賴(lài)固定閾值來(lái)判斷軌道狀態(tài)，這種方法無(wú)法適應(yīng)不同環(huán)境條件的變化，容易引發(fā)誤報(bào)或漏報(bào)。此外，這些系統(tǒng)在提取軌道病害特征方面能力有限，特別是在復(fù)雜多變的環(huán)境中，難以實(shí)現(xiàn)高效、準(zhǔn)確的病害識(shí)別。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于lstm-bigru網(wǎng)絡(luò)的軌道病害檢測(cè)方法，旨在解決傳統(tǒng)技術(shù)在進(jìn)行軌道病害檢測(cè)時(shí)容易存在誤報(bào)或漏報(bào)，導(dǎo)致難以實(shí)現(xiàn)高效、準(zhǔn)確的病害識(shí)別的問(wèn)題。

2、第一方面，本發(fā)明提供一種基于lstm-bigru網(wǎng)絡(luò)的軌道病害檢測(cè)方法，所述方法包括：

3、獲取軌道的多模態(tài)振動(dòng)信號(hào)，并對(duì)所述多模態(tài)振動(dòng)信號(hào)進(jìn)行電信號(hào)轉(zhuǎn)換，得到電信號(hào)；

4、對(duì)所述電信號(hào)進(jìn)行撕裂分離，以將所述電信號(hào)與射頻采樣時(shí)鐘的角頻率和調(diào)制相位相結(jié)合，得到調(diào)制后的樣本信號(hào)；

5、從所述調(diào)制后的樣本信號(hào)中分離出單雙分量，并應(yīng)用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)分別對(duì)所述單雙分量進(jìn)行特征提取，得到分別與所述單雙分量對(duì)應(yīng)的各個(gè)時(shí)刻的特征信號(hào)，并對(duì)所述特征信號(hào)進(jìn)行加權(quán)處理，得到加權(quán)后的特征信號(hào)；

6、根據(jù)改進(jìn)的ecer熵變極值特征識(shí)別法對(duì)加權(quán)后的特征信號(hào)進(jìn)行信息熵計(jì)算，并根據(jù)所述信息熵計(jì)算出每個(gè)加權(quán)后的特征信號(hào)的特征權(quán)重；

7、根據(jù)所述特征權(quán)重對(duì)加權(quán)后的特征信號(hào)進(jìn)行融合，得到融合特征，并將所述融合特征輸入至bigru網(wǎng)絡(luò)進(jìn)行故障檢測(cè)，得到最終的表征向量，并根據(jù)所述最終的表征向量輸出軌道病害檢測(cè)結(jié)果。

8、第二方面，本發(fā)明提供一種基于lstm-bigru網(wǎng)絡(luò)的軌道病害檢測(cè)系統(tǒng)，所述系統(tǒng)包括：

9、信號(hào)轉(zhuǎn)換模塊，用于獲取軌道的多模態(tài)振動(dòng)信號(hào)，并對(duì)所述多模態(tài)振動(dòng)信號(hào)進(jìn)行電信號(hào)轉(zhuǎn)換，得到電信號(hào)；

10、信號(hào)調(diào)制模塊，用于對(duì)所述電信號(hào)進(jìn)行撕裂分離，以將所述電信號(hào)與射頻采樣時(shí)鐘的角頻率和調(diào)制相位相結(jié)合，得到調(diào)制后的樣本信號(hào)；

11、信號(hào)分離模塊，用于從所述調(diào)制后的樣本信號(hào)中分離出單雙分量，并應(yīng)用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)分別對(duì)所述單雙分量進(jìn)行特征提取，得到分別與所述單雙分量對(duì)應(yīng)的各個(gè)時(shí)刻的特征信號(hào)，并對(duì)所述特征信號(hào)進(jìn)行加權(quán)處理，得到加權(quán)后的特征信號(hào)；

12、信息熵獲取模塊，用于根據(jù)改進(jìn)的ecer熵變極值特征識(shí)別法對(duì)加權(quán)后的特征信號(hào)進(jìn)行信息熵計(jì)算，并根據(jù)所述信息熵計(jì)算出每個(gè)加權(quán)后的特征信號(hào)的特征權(quán)重；

13、特征融合模塊，用于根據(jù)所述特征權(quán)重對(duì)加權(quán)后的特征信號(hào)進(jìn)行融合，得到融合特征，并將所述融合特征輸入至bigru網(wǎng)絡(luò)進(jìn)行故障檢測(cè)，得到最終的表征向量，并根據(jù)所述最終的表征向量輸出軌道病害檢測(cè)結(jié)果。

14、第三方面，本發(fā)明提供一種存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)存儲(chǔ)一個(gè)或多個(gè)程序，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的基于lstm-bigru網(wǎng)絡(luò)的軌道病害檢測(cè)方法。

15、第四方面，本發(fā)明提供一種電子設(shè)備，所述電子設(shè)備包括存儲(chǔ)器和處理器，其中：

16、所述存儲(chǔ)器用于存放計(jì)算機(jī)程序；

17、所述處理器用于執(zhí)行存儲(chǔ)器上所存放的計(jì)算機(jī)程序時(shí)，實(shí)現(xiàn)上述的基于lstm-bigru網(wǎng)絡(luò)的軌道病害檢測(cè)方法。

18、與現(xiàn)有技術(shù)相比，本發(fā)明實(shí)施例具有如下優(yōu)點(diǎn)：

19、1.根據(jù)上述的基于lstm-bigru網(wǎng)絡(luò)的軌道病害檢測(cè)方法，通過(guò)采用注意力機(jī)制融合的lstm-bigru網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)軌道病害的準(zhǔn)確監(jiān)測(cè)。該方法通過(guò)精細(xì)化的預(yù)處理技術(shù)去除噪聲，突出關(guān)鍵故障特征。引入隸屬度函數(shù)對(duì)提取的特征進(jìn)行加權(quán)，增強(qiáng)了重要特征的權(quán)重以此利用lstm網(wǎng)絡(luò)對(duì)信號(hào)進(jìn)行深度特征提取，實(shí)現(xiàn)雙向信息挖掘，從而捕捉軌道病害的長(zhǎng)期依賴(lài)關(guān)系。此外，引入ecer熵變極值特征識(shí)別法來(lái)處理特征的不確定性，并通過(guò)注意力機(jī)制進(jìn)一步優(yōu)化特征權(quán)重，確保模型能夠聚焦于關(guān)鍵信息。最終，通過(guò)全連接層和softmax層進(jìn)行故障分類(lèi)，實(shí)現(xiàn)了高效準(zhǔn)確的故障診斷。這一方法適用于復(fù)雜多變的環(huán)境，有效克服了早期系統(tǒng)在適應(yīng)環(huán)境變化和特征提取方面的不足，顯著提升了病害識(shí)別的準(zhǔn)確性和魯棒性。

技術(shù)特征：

1.一種基于lstm-bigru網(wǎng)絡(luò)的軌道病害檢測(cè)方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的基于lstm-bigru網(wǎng)絡(luò)的軌道病害檢測(cè)方法，其特征在于，所述獲取軌道的多模態(tài)振動(dòng)信號(hào)，并對(duì)所述多模態(tài)振動(dòng)信號(hào)進(jìn)行電信號(hào)轉(zhuǎn)換，得到電信號(hào)的步驟包括：

3.根據(jù)權(quán)利要求2所述的基于lstm-bigru網(wǎng)絡(luò)的軌道病害檢測(cè)方法，其特征在于，所述對(duì)所述電信號(hào)進(jìn)行撕裂分離，以將所述電信號(hào)與射頻采樣時(shí)鐘的角頻率和調(diào)制相位相結(jié)合，得到調(diào)制后的樣本信號(hào)的步驟包括：

4.根據(jù)權(quán)利要求3所述的基于lstm-bigru網(wǎng)絡(luò)的軌道病害檢測(cè)方法，其特征在于，從所述調(diào)制后的樣本信號(hào)中分離出單雙分量，并應(yīng)用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)分別對(duì)所述單雙分量進(jìn)行特征提取，得到分別與所述單雙分量對(duì)應(yīng)的各個(gè)時(shí)刻的特征信號(hào)的步驟包括：

5.根據(jù)權(quán)利要求4所述的基于lstm-bigru網(wǎng)絡(luò)的軌道病害檢測(cè)方法，其特征在于，所述對(duì)所述特征信號(hào)進(jìn)行加權(quán)處理，得到加權(quán)后的特征信號(hào)的步驟包括：

6.根據(jù)權(quán)利要求5所述的基于lstm-bigru網(wǎng)絡(luò)的軌道病害檢測(cè)方法，其特征在于，所述根據(jù)改進(jìn)的ecer熵變極值特征識(shí)別法對(duì)加權(quán)后的特征信號(hào)進(jìn)行信息熵計(jì)算，并根據(jù)所述信息熵計(jì)算出每個(gè)加權(quán)后的特征信號(hào)的特征權(quán)重的步驟包括：

7.根據(jù)權(quán)利要求6所述的基于lstm-bigru網(wǎng)絡(luò)的軌道病害檢測(cè)方法，其特征在于，所述根據(jù)所述特征權(quán)重對(duì)加權(quán)后的特征信號(hào)進(jìn)行融合，得到融合特征的步驟包括：

8.根據(jù)權(quán)利要求7所述的基于lstm-bigru網(wǎng)絡(luò)的軌道病害檢測(cè)方法，其特征在于，所述將所述融合特征輸入至bigru網(wǎng)絡(luò)進(jìn)行故障檢測(cè)，得到最終的表征向量的步驟包括：

9.根據(jù)權(quán)利要求8所述的基于lstm-bigru網(wǎng)絡(luò)的軌道病害檢測(cè)方法，其特征在于，所述根據(jù)所述最終的表征向量輸出軌道病害檢測(cè)結(jié)果的步驟包括：

技術(shù)總結(jié)
本發(fā)明提供了一種基于LSTM?BiGRU網(wǎng)絡(luò)的軌道病害檢測(cè)方法，該方法包括：獲取軌道的多模態(tài)振動(dòng)信號(hào)，并對(duì)多模態(tài)振動(dòng)信號(hào)進(jìn)行電信號(hào)轉(zhuǎn)換；對(duì)電信號(hào)進(jìn)行撕裂分離；從調(diào)制后的樣本信號(hào)中分離出單雙分量，并應(yīng)用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)分別對(duì)單雙分量進(jìn)行特征提取，并對(duì)特征信號(hào)進(jìn)行加權(quán)處理；根據(jù)改進(jìn)的ECER熵變極值特征識(shí)別法對(duì)加權(quán)后的特征信號(hào)進(jìn)行信息熵計(jì)算，并根據(jù)信息熵計(jì)算出每個(gè)加權(quán)后的特征信號(hào)的特征權(quán)重；根據(jù)特征權(quán)重對(duì)加權(quán)后的特征信號(hào)進(jìn)行融合，并將融合特征輸入至BiGRU網(wǎng)絡(luò)進(jìn)行故障檢測(cè)，并根據(jù)最終的表征向量輸出軌道病害檢測(cè)結(jié)果。本發(fā)明實(shí)施例能夠?qū)崿F(xiàn)高效準(zhǔn)確的軌道病害診斷。

技術(shù)研發(fā)人員：王曉明,吳勝楠,劉林芽
受保護(hù)的技術(shù)使用者：華東交通大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15