一种基于经验模态分解的轨检仪轨向数据处理方法技术

本发明专利技术公开了一种基于经验模态分解的轨检仪轨向数据处理方法，包括以下步骤：步骤1：输入一组原始轨向数据；步骤2：利用经验模态分解对原始轨向数据进行分解，分别得到各层本征模态函数和趋势项；步骤3：利用3σ准则对分解得到的第一层本征模态函数IMF1识别粗大误差并剔除；步骤4：重构得到去除粗大误差后的轨向数据。本发明专利技术的数据处理方法，在消除粗大误差的同时可以保护细节信号，非常适合处理非线性非平稳信号。

A data processing method for rail inspection ritual based on empirical mode decomposition

This invention discloses a method of rail inspection and rail data processing based on empirical mode decomposition, which includes the following steps: Step 1: input a group of original rail to data; step 2: using empirical mode decomposition to decompose the original rail to data, and get the eigenmode function and trend of each layer; step 3: 3 Sigma criterion. The first order intrinsic mode function IMF1, which is decomposed, is used to identify gross errors and is eliminated. Step 4: reconstruct the track data after removing gross errors. The data processing method of the invention can protect detailed signals while eliminating gross errors, and is very suitable for dealing with nonlinear non-stationary signals.

【技术实现步骤摘要】
一种基于经验模态分解的轨检仪轨向数据处理方法
本专利技术属于数字信号处理领域，尤其涉及一种基于经验模态分解的对应用于铁路工务安全检测方面的故意建议采集数据的信号滤波方法。
技术介绍
铁轨是铁路运输的基础设备，其性能直接关系到列车的运行稳定性和安全性，因铁轨常年暴露在大自然的各种环境中，且随着列车荷载的不断作用下，轨道的几何尺寸会发生不断的变换，因此进行线路检测了解铁轨的质量状态是一种必须的手段。常用的线路检测分为轨道动态检测和轨道静态检测，所谓轨道静态检测，是指利用道尺、弦线和轨道检测仪等检测工具或设备对轨道进行的检查。检测的内容主要包括轨距、水平(扭曲)、高低、轨向等轨道几何尺寸以及钢轨、联结扣件、道床和道岔等部件状态。轨检仪配有各种高精度的传感器、无线电通信设备、户外计算机，借助专业软件用于控制测量和数据存储管理，处理数据速度快，可以对采集到的数据及时分析和报警，用于指导现场维修，其传感器可以检测铁轨的轨距、高低、水平、轨向和里程等数据。轨检仪采集得到的原始数据中往往夹杂着因环境因素而产生的粗大误差噪声，如果不对这些噪声进行适当处理，那么得到的数据将不准确，这将严重影响施工人员对铁轨的技术状态和变化规律的了解，从而增加了安全隐患。因此有必要设计一种信号处理方法，将原始信号中的粗大误差噪声去除，提高数据准确性，对得到的轨道几何尺寸数据可以较为如实地反映铁轨状态。
技术实现思路
本专利技术所解决的技术问题是，针对现有技术的不足，提出一种基于经验模态分解的轨检仪轨向数据处理方法，利用经验模态分解对轨检仪采集得到的轨向数据进行处理，去除信号中夹杂的粗大误差，从而得到更加准确的轨向数据。本专利技术的技术方案为：一种基于经验模态分解的轨检仪轨向数据处理方法，包括以下步骤：步骤1：输入一组轨检仪采集的原始轨向数据；步骤2：对该原始轨向数据进行经验模态分解，分别得到各层的本征模态函数IMF1(t)～IMFn(t)和余项rn(t)；步骤3：识别第一层本征模态函数IMF1(t)中的粗大误差点并进行剔除，得到数据序列IMF1′(t)；步骤4：重构得到去除粗大误差后的轨向数据。所述步骤2具体包括以下步骤：步骤2.1：确定原始轨向数据序列x(t)的所有极大值点和极小值点，分别对其进行三次样条插值，构造出x(t)的上下包络线xup(t)和xlow(t)，计算上下包络线的均值m1(t)＝(xup(t)+xlow(t))/2；步骤2.2：计算x(t)和m1(t)之间的差值，得到一个新的数据序列h1(t)：h1(t)＝x(t)-m1(t)；步骤2.3：判断h1(t)是否为一个本征模态函数；一个序列为本征模态函数需要满足以下两个条件：1)在整个时间范围内，局部极值点的数目与过零点的数目必须相等或者最多相差一个；2)由局部极大值所构成的包络线(上包络线)以及由局部最小值所构成的包络线(下包络线)的平均值为零；如果h1(t)满足以上两个条件，令IMF1＝h1(t)，并求原始轨向数据序列x(t)和IMF1(t)之间的差值r1(t)：r1(t)＝x(t)-IMF1(t)；如果h1(t)不满足以上条件，则将h1(t)视为一个新的数据序列，重复步骤2.1和步骤2.2，求其包络平均值m11(t)及h1(t)与m11(t)间的差值h11(t)，并判断h11(t)是否为一个本征模态函数；重复进行上述过程，直到h1k(t)满足本征模态函数的定义条件，则令h1k(t)＝h1(k-1)(t)-m1k(t)为x(t)的第一个本征模态函数分量IMF1(t)，并求原始轨向数据序列与IMF1(t)之间的差值r1(t)，即r1(t)＝x(t)-IMF1(t)；所述步骤2中第一层本征模态函数IMF1中包含有原始数据的粗大误差，需要将其检测出并剔除。所述步骤3中，利用3σ准则识别第一层本征模态函数中的粗大误差并进行剔除：3σ准则是即对于一个任意的数据xd，若则认为xd是一个粗大误差点，需要剔除该数据，否则予以保留；式中，n为检测数据的个数，为检测数据的平均值，σ为标准差，所述步骤4中，基于剔除粗大误差点后的第一层本征模态函数IMF1′(t)，以及其它各层的本征模态函数和余项，重构得到去除粗大误差后的轨向数据x′(t)：所述步骤1中，原始轨向数据从保存有轨检仪采集数据的“.csv”文件中读取。所述步骤4中，将重构得到的轨向数据，以“.csv”文件格式输出并保存在计算机中，根据处理后的“.csv”文件中的数据进行画图，可以直观地显示检测结果，指导铁路工务部门对该线路段技术状态进行评定。有益效果：由于环境等因素在轨检仪采集数据时，数据会出现较多的粗大误差点，如果不对这些数据进行处理，则通过这些数据推算出的其他数据将不准确。传统的去噪方法如均值滤波法，虽然可以消除噪声，但是特殊情况下的信号会引入更多的特征丢失和信号失真，且计算速度较慢，不利于轨检仪采集的数据处理和保存。经验模态分解是一种数据驱动的自适应信号分解方法，可以把数据分解成具有物理意义的一组本征模态函数(IntrinsicModeFunction，IMF)分量，采用经验模态分解的方法无须设定基函数，而是根据信号特性通过迭代的方式自适应地获取，特别适合于处理非线性非平稳信号。本专利技术针对轨检仪采集的数据为非线性非平稳信号，利用经验模态分解的优势，可以有效地去除原始轨向数据中的粗大误差，同时在一定程度上减少了误差对数据的影响，有利于轨检仪采集数据的处理和后续分析。附图说明图1为本专利技术流程示意图；图2为经验模态分解方法的流程示意图；图3为本专利技术中原始轨向数据波形示意图；图4是本专利技术原始轨向数据经过经验模态分解得到的本征模态分量和余项图形；图5是本专利技术使用3σ准则检测轨向原始数据第一层本征模态函数IMF1粗大误差并剔除的效果图，其中图5(a)是第一层本征模态函数IMF1的图形，图5(b)是经过处理后数据的图形；图6是本专利技术滤波方法和传统的均值滤波器滤波法对轨向原始数据的滤波效果图，其中图6(a)是本专利技术方法滤波效果图，图6(b)是传统均值值滤波器滤波效果图。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚明白，一下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不限定本专利技术。图1示出了本专利技术提供的流程示意图，本实施例通过MATLAB工具实现。本专利技术公开的基于经验模态分解的轨检仪轨向数据处理方法，包括以下步骤：步骤1：输入一组轨检仪采集的原始轨向数据；代表着该线路里程段内利用轨检仪采集的原始轨向数据，利用MATLAB软件将该文件读入工作空间中，所示图3为本专利技术中原始轨向数据波形示意图；步骤2：对该原始轨向数据进行经验模态分解，分别得到各层的本征模态函数IMF1(t)～IMFn(t)和余项rn(t)，其图形如图4所示；步骤3：利用3σ准则识别第一层本征模态函数IMF1(t)中的粗大误差点并进行剔除，得到数据序列IMF1′(t)，其图形如图5所示；步骤4：重构数据。重构即分解的逆过程，将IMF1'、IMF2～IMFn和余项rn相加，得到滤除粗大误差后的数据序列x'(t)。将经过处理的数据x'(t)保存在以“.csv”格式结尾的文件中，方便后续使用。图2示出了本专利技术中经验模态分解方法本文档来自技高网...

【技术保护点】
1.一种基于经验模态分解的轨检仪轨向数据处理方法，其特征在于，包括以下步骤：步骤1：输入一组轨检仪采集的原始轨向数据；步骤2：对该原始轨向数据进行经验模态分解，分别得到各层的本征模态函数IMF1(t)～IMFn(t)和余项rn(t)；步骤3：识别第一层本征模态函数IMF1(t)中的粗大误差点并进行剔除，得到数据序列IMF1′(t)；步骤4：重构得到去除粗大误差后的轨向数据。

【技术特征摘要】
1.一种基于经验模态分解的轨检仪轨向数据处理方法，其特征在于，包括以下步骤：步骤1：输入一组轨检仪采集的原始轨向数据；步骤2：对该原始轨向数据进行经验模态分解，分别得到各层的本征模态函数IMF1(t)～IMFn(t)和余项rn(t)；步骤3：识别第一层本征模态函数IMF1(t)中的粗大误差点并进行剔除，得到数据序列IMF1′(t)；步骤4：重构得到去除粗大误差后的轨向数据。2.根据权利要求1所述的基于经验模态分解的轨检仪轨向数据处理方法，其特征在于，所述步骤2具体包括以下步骤：步骤2.1：确定原始轨向数据序列x(t)的所有极大值点和极小值点，分别对其进行三次样条插值，构造出x(t)的上下包络线xup(t)和xlow(t)，计算上下包络线的均值m1(t)＝(xup(t)+xlow(t))/2；步骤2.2：计算x(t)和m1(t)之间的差值，得到一个新的数据序列h1(t)：h1(t)＝x(t)-m1(t)；步骤2.3：判断h1(t)是否为一个本征模态函数；一个序列为本征模态函数需要满足以下两个条件：1)在整个时间范围内，局部极值点的数目与过零点的数目必须相等或者最多相差一个；2)由局部极大值所构成的包络线(上包络线)以及由局部最小值所构成的包络线(下包络线)的平均值为零；如果h1(t)满足以上两个条件，令IMF1＝h1(t)，并求原始轨向数据序列x(t)和IMF1(t)之间的差值r1(t)：r1(t)＝x(t)-IMF1(t)；如果h1(t)不满足以上条件，则将h1(t)视为一个新的数据序列，重复步骤2.1和步骤2.2，求其包络平均值m11(t)及h1(t)与m11(t)间的差值h11(t)，并判断h11(t)是否为一个本征模态函数；重复进行上述过程，直到h1k(t)满...

【专利技术属性】
技术研发人员：张航，吴永健，林海昕，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43