[发明专利]一种基于多尺度分级的列车轮对踏面损伤分类识别方法

说明书

本发明提出了一种基于多尺度分级的列车轮对踏面损伤分类识别方法，利用SVM算法对列车踏面纵向振动数据进行粗分类，判定踏面是否发生损伤，若发生损伤则利用Tensorflow搭建改进的深度学习算法对轮对踏面图像进行特征提取，将提取的特征输入softmax分类器细分踏面损伤程度，为后续列车运行控制提供依据。本发明设计的方法有效的降低了列车运行时因踏面损伤造成的不良后果，所采用的的深度学习算法极大地减少了算法运算量，缩短识别时间，且分类识别效果更佳精准。

技术领域

本发明涉及光学测量技术领域，更具体地，涉及一种基于多尺度分级的列车轮对踏面损伤分类识别方法。

背景技术

车轮与轨道接触的部位称之为踏面，承担了由列车自身重量和各项未知冲击带来的力，是列车运行的关键受力部位。随着列车长时间的运行，踏面必然因为金属疲劳、磨损、冲击等原因产生损伤，而已损伤的踏面是不容小觑的安全隐患，在不同程度上对列车的运行产生影响。严重的踏面损伤会导致轮轨接触关系的严重畸变，进而导致列车脱轨等重大交通安全事故。轻微的踏面损伤致使轮轨接触面不平整，由于高速列车速度超过300km/h，无形中放大了这种不平整产生的颠簸，摇摆现象，进而对列车运行舒适程度造成极大的影响。此外，已损伤的踏面，如果不加以控制，损伤会加速恶化进而威胁运行安全。现有文献中提及了踏面损伤级别的划分，却未有研究关注踏面损伤程度的在线分级，更未对不同程度的损伤“量体裁衣”，未能针对性的提出相应的控制策略。

发明内容

本发明要解决的技术问题是针对现有技术不足和缺陷，提供一种基于多尺度分级的列车轮对踏面损伤分类识别方法，。

为实现上述目的，本发明采用以下技术方案：

一种基于多尺度分级的列车轮对踏面损伤分类识别方法，其特征在于，包括以下步骤：

S1、采集当前列车纵向振动数据；

S2、根据SVM二分类方法处理列车纵向振动数据得到粗分类识别结果，如果粗识别结果为踏面无损伤列车，则列车正常运行。如果粗识别结果为踏面有损伤，采集轮对踏面图像数据并进入S3，所述SVM二分类方法将数据集即列车纵向振动数据通过硬间隔最大化，训练一个线性可分的支持向量机对轮对踏面进行粗分类得到粗分类识别结果；

S3、应用VGGNet作为特征提取网络，提取步骤S2中采集的轮对踏面图像特征；

S4、基于softmax分类器识别轮对踏面图像，获取细分类结果。

进一步地，步骤S2中SVM二分类方法的具体过程：

S21、将步骤S1采集的列车纵向振动数据进行标记；

S22、假设训练过程中超平面为：ω^Tx+b＝0，缩放ω和b得到ω_scale和b_scale；

S23、训练过程中添加约束条件为：s.t y⁽ⁱ⁾(ω^Tx⁽ⁱ⁾+b)≥1；

S24、最后通过训练得到一个线性可分的支持向量机。

进一步地，步骤S3中VGGNet网络的具体实现步骤如下：

d、获取若干张样本图像，每张样本图像为不同损伤程度的轮对踏面图像，对样本图像进行数据增强，例如翻转，旋转，裁剪等，得到训练图像集；

e、将训练图像集标注样本标签，标签分为严重损伤、一般损伤、较小损伤三类，将训练图像集尺度归一化；

f、采用tensorflow平台搭建VGGNet网络架构，在基础的VGGNet16网络的基础上增加两个卷积网，将不同层次的特征图进行融合提取特征，并将融合后的特征直接连接一个具有1x1卷积核的卷积层来替换全连接层替换。