[发明专利]一种用于钢轨波磨智能检测多分类的数据增强方法

说明书

本发明涉及钢轨波磨技术领域，涉及一种用于钢轨波磨智能检测多分类的数据增强方法，包括：一，根据现场测试，获取足够多的无波磨情况下以及复杂波磨情况下的轮轨噪声测试样本；二，分别对实测无波磨情况下的轮轨噪声样本和复杂波磨情况下的轮轨噪声样本进行小波包分解，得到从低频到高频的小波包节点，选出需增强样本的目标节点；三，将复杂波磨情况下分解得到目标节点替换到无波磨情况下的对应节点位置，组成仅包含目标波磨的节点组合；四，对上述仅包含目标波磨的节点组合进行小波包重构得到时域样本，并对时域样本添加随机白噪声，增加信号的随机性，最终得到仅含有目标波磨的轮轨噪声样本。本发明能较佳地实现目标样本增强。

技术领域

本发明涉及钢轨波磨技术领域，具体地说，涉及一种用于钢轨波磨智能检测多分类的数据增强方法。

背景技术

基于机器学习的钢轨短波波磨的智能检测与大多数其他类型的机械故障检测（如轴承故障诊断）有着很大的差异，最主要的一点是现实中钢轨的波浪型磨耗形式十分复杂，复杂幅值的多谐波叠加，导致钢轨波磨分类类型众多，单从波长方面讲，就可能存在若干种单一波长形式，如，31.5mm，40mm，50mm等，以及若干中复合波长形式，如31.5-40mm，31.5-50mm，40-50mm，以及31.5-40-50mm等。在现实中，大多数情况下，短波波磨是以某种复合波长的形式存在，这种情况可以获取足够数量的轮轨噪声样本，而单一波长虽然不像复合波长形式那么常见，仍然会在特定的轨道类型以及特定的曲线半径处出现，因此，相比于复合波长情况下，单一波长时的轮轨噪声样本会少很多。如果再把波磨幅值分类考虑进来，那么无论是单一波长情况还是复合波长情况，不同幅值等级下的轮轨噪声样本就更加难以获取。首先，由于试验条件限值，不可能在整个打磨周期对不同幅值水平下的轮轨噪声进行测试；其次，钢轨复合波长情况下的波磨幅值发展基本上无规律可循，例如，31.5-40mm的复合波磨，在某一阶段可能是由31.5mm占据主导，随着列车的运营，也有可能会出现40mm的波磨迅速发展而占据主导地位。最后，钢轨波磨情况下的轮轨噪声情况，无法像轴承故障诊断可以在实验室中模拟不同类型、不同程度的故障，从而获取足够的样本。在这种情况下，主要的钢轨短波波磨分类样本就会出现严重的不平衡，从而导致分类预测结果出现严重误差。

发明内容

本发明的内容是提供用于钢轨波磨智能检测多分类的数据增强方法，其能够解决样本不平衡带来的分类精度低的问题。

根据本发明的一种用于钢轨波磨智能检测多分类的数据增强方法，其包括以下步骤：

第一步，根据现场测试，获取足够多的无波磨情况下以及复杂波磨情况下的轮轨噪声测试样本；

第二步，分别对实测无波磨情况下的轮轨噪声样本S_0,j和复杂波磨情况下的轮轨噪声样本S_i,j进行小波包分解，0表示无波磨，j表示样本数量，i表示波磨波长类型或波磨幅值类型，i根据分类目的而定；得到从低频到高频的小波包节点N_k,i,j，k表示小波包节点序号，k由分解层数决定；选出需增强样本的目标节点N_d,i,j；

第三步，将复杂波磨情况下分解得到目标节点替换到无波磨情况下的对应节点位置，组成仅包含目标波磨的节点组合；

第四步，对上述仅包含目标波磨的节点组合进行小波包重构得到时域样本，并对时域样本添加随机白噪声，增加信号的随机性，最终得到仅含有目标波磨的轮轨噪声样本。

作为优选，第一步中，复杂包含两方面，第一是波长，第二是幅值，对于两种分类目标均相同，两种分类目标为波长分类和幅值分类。