基于改进离散熵的钢轨表面损伤识别方法、系统及设备技术方案

本发明专利技术公开了一种基于改进离散熵的钢轨表面损伤识别方法、系统及设备。该方法包括：采用正态累积分布函数对原始钢轨廓形数据序列进行标准化处理；基于标准化的序列生成向量组；将所述向量组中的每个向量与每个离散模式进行对应，根据各所述向量的复杂度计算各所述离散模式的加权概率分布；根据所述加权概率分布，采用R

【技术实现步骤摘要】
基于改进离散熵的钢轨表面损伤识别方法、系统及设备


[0001]本专利技术涉及重载铁路智能运维
，特别涉及一种基于改进离散熵的钢轨表面损伤识别方法、系统及设备。

技术介绍

[0002]迄今为止，钢轨廓形损伤的几何测量方法主要有两种：接触式测量和非接触式测量。接触式测量主要是机械接触测量，这需要检测设备的探针接触轨道，该故障检测方法在中国铁路系统得到了广泛应用，但这种方法测量精度低、劳动强度高，不能满足当前国内铁路发展的需要。另一种新的故障检测方法是带有激光廓形传感器的非接触式轨道廓形检测系统，该检测系统通过使用激光传感器收集钢轨表面数据，并通过建立数据点坐标和转换数据点坐标来形成轨道廓形。这种新的检测技术自动化程度高、精度高、检测速度快。借助于该检测系统，利用其收集和处理的轨道廓形数据，我们就可以进行监测数据特征提取与线路服役钢轨表面损伤的故障识别。
[0003]从本质上来讲，基于廓形数据的钢轨表面损伤检测是模式识别的过程。对于钢轨表面损伤类型的识别，分析对象是轨道廓形的形状，这需要我们从时域振幅的角度提取有价值的特征。虽然通过检测对象中各种类型的波动可以反映隐藏的特征，但是仅比较振幅值本身是不够的，而应考虑检测对象的振幅值的各类模式以及振幅值之间的差异。实际上，这些特征与判别分析对象的具体故障类别紧密相关。因此，为了区分不同故障类型这一目标，对不同模式的有效区分变得非常重要。然而，对于轨道廓形数据中模式的有效提取，现有的基于信息熵的识别方法存在如下缺陷：
[0004]1、现有信息熵方法往往是基于最原始的香农熵，而香农熵仅仅考虑了变量的概率分布情况，却没有考虑变量自身数值的内在含义，因此经常导致计算出的熵值所衡量的不确定性/复杂性结果不准确；
[0005]2、现有方法在分析变量概率分布特征时，对于变量幅值本身的大小关系往往并没有被考虑，因此所分析数据的幅值信息在被提取的过程中往往会存在信息流失；
[0006]3、对于待分析的检测数据，现有方法缺少必要的预处理工作，导致数据中的隐藏高维信息不能被有效提取。

技术实现思路

[0007]本专利技术的目的是提供一种基于改进离散熵的钢轨表面损伤识别方法、系统及设备，用以自动化、高精度地实现各类伤损特征的提取，挖掘伤损数据中的有价值信息，为铁路工作人员提供决策帮助和信息支持。
[0008]为实现上述目的，本专利技术提供了如下方案：
[0009]一种基于改进离散熵的钢轨表面损伤识别方法，所述方法包括：
[0010]采用正态累积分布函数对原始钢轨廓形数据序列进行标准化处理；
[0011]基于标准化的序列生成向量组；
[0012]将所述向量组中的每个向量与每个离散模式进行对应，根据各所述向量的复杂度计算各所述离散模式的加权概率分布；
[0013]根据所述加权概率分布，采用R
é
nyi熵计算改进离散熵熵值；
[0014]获取各类损伤的熵值分布范围；
[0015]基于所述改进离散熵熵值和所述熵值分布范围识别钢轨表面损伤。
[0016]可选地，采用正态累积分布函数对原始钢轨廓形数据序列进行标准化处理，具体包括：
[0017]采用正态累积分布函数将原始钢轨廓形数据序列映射到取值范围为[0，1]的单位化序列。
[0018]可选地，基于标准化的序列生成向量组，具体包括：
[0019]对标准化的序列进行量化；
[0020]对量化后的序列进行相空间重构生成向量组。
[0021]可选地，所述加权概率分布的计算公式如下：
[0022][0023]其中，P
w
(π
v0v1...vm
‑1)表示每个离散模式的加权概率分布，表示待匹配离散模式u的示性函数，w
i
表示第i个向量的复杂度权重，π
i
表示第i个离散模式，表示第i个量化级数为c，长度为m的向量，N表示向量个数。
[0024]可选地，改进离散熵熵值的计算公式如下：
[0025][0026]其中，RDE表示改进离散熵熵值，x表示原始廓形数据，m表示向量的维数，c表示量化等级，q表示调整参数。
[0027]一种基于改进离散熵的钢轨表面损伤识别系统，所述系统包括：
[0028]标准化处理模块，用于采用正态累积分布函数对原始钢轨廓形数据序列进行标准化处理；
[0029]向量组生成模块，用于基于标准化的序列生成向量组；
[0030]加权概率分布计算模块，用于将所述向量组中的每个向量与每个离散模式进行对应，根据各所述向量的复杂度计算各所述离散模式的加权概率分布；
[0031]改进离散熵熵值计算模块，用于根据所述加权概率分布，采用R
é
nyi熵计算改进离散熵熵值；
[0032]熵值分布范围获取模块，用于获取各类损伤的熵值分布范围；
[0033]损伤识别模块，用于基于所述改进离散熵熵值和所述熵值分布范围识别钢轨表面损伤。
[0034]可选地，向量组生成模块，具体包括：
[0035]量化单元，用于对标准化的序列进行量化；
[0036]相空间重构单元，用于对量化后的序列进行相空间重构生成向量组。
[0037]一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述基于改进离散熵的钢轨表面损伤识别方法。
[0038]一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上述基于改进离散熵的钢轨表面损伤识别方法。
[0039]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0040](1)本专利技术采用改进的离散模式能够同时提取廓形数据中的幅值大小信息以及幅值变化信息；
[0041](2)本专利技术采用改进的离散模式可以更精确地提取原始数据的幅值信息；
[0042](3)本专利技术对于噪声的影响不敏感，相比其他的故障识别方法，本方法识别准确率更高。
附图说明
[0043]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0044]图1为本专利技术实施例一提供的基于改进离散熵的钢轨表面损伤识别方法的流程图；
[0045]图2为钢轨断面形状示意图；
[0046]图3为钢轨表面轮廓的示意图；
[0047]图4为采用二维传感器对钢轨断面采样得到钢轨廓坐标画出的钢轨表面轮廓示意图；
[0048]图5为采用转换后的坐标画出的钢轨表面轮廓示意图；
[0049]图6为轨顶部分数据示意图；
[0050]图7为异常数据示意图；
[0051]图8为对于1/f噪声序列，采用NCD本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进离散熵的钢轨表面损伤识别方法，其特征在于，所述方法包括：采用正态累积分布函数对原始钢轨廓形数据序列进行标准化处理；基于标准化的序列生成向量组；将所述向量组中的每个向量与每个离散模式进行对应，根据各所述向量的复杂度计算各所述离散模式的加权概率分布；根据所述加权概率分布，采用R
é
nyi熵计算改进离散熵熵值；获取各类损伤的熵值分布范围；基于所述改进离散熵熵值和所述熵值分布范围识别钢轨表面损伤。2.根据权利要求1所述的基于改进离散熵的钢轨表面损伤识别方法，其特征在于，采用正态累积分布函数对原始钢轨廓形数据序列进行标准化处理，具体包括：采用正态累积分布函数将原始钢轨廓形数据序列映射到取值范围为[0，1]的单位化序列。3.根据权利要求1所述的基于改进离散熵的钢轨表面损伤识别方法，其特征在于，基于标准化的序列生成向量组，具体包括：对标准化的序列进行量化；对量化后的序列进行相空间重构生成向量组。4.根据权利要求1所述的基于改进离散熵的钢轨表面损伤识别方法，其特征在于，所述加权概率分布的计算公式如下：其中，P
w
(π
v0v1...vm
‑1)表示每个离散模式的加权概率分布，表示待匹配离散模式u的示性函数，w
i
表示第i个向量的复杂度权重，π
i
表示第i个离散模式，表示第i个量化级数为c，长度为m的向量，N表示向量个数。5.根据权利要求4所述的基于改进离散熵的钢轨表面损伤识别方法及系统，其特征在...

【专利技术属性】
技术研发人员：曹源，刘海涛，宿帅，杨卫峰，李鹏，商都，孙永奎，王峰，王文昆，
申请(专利权)人：株洲中车时代电气股份有限公司，
类型：发明
国别省市：