一种轨检数据干扰因素特征识别方法技术

本发明专利技术涉及一种轨检数据干扰因素特征识别方法，包括：获取待测的轨检数据；通过模式识别确定待测的轨检数据的干扰类别是否为轨距机故障；若不是，则将待测的轨检数据分别输入至训练完成的第一识别网络和第二识别网络，得到对应的第一识别结果和第二识别结果；根据第一识别结果和第二识别结果，确定待测的轨检数据是否存在干扰以及干扰类别；其中，第一识别网络和第二识别网络均为基于通道注意力的深度学习网络，基于通道注意力的深度学习网络包括级联的特征提取模块和分类模块。本发明专利技术的方法，利用深度学习网络对多通道、振动情况复杂的轨检数据进行干扰因素特征特征识别，提高了轨检数据的干扰因素的识别效率和精度。轨检数据的干扰因素的识别效率和精度。轨检数据的干扰因素的识别效率和精度。

【技术实现步骤摘要】
一种轨检数据干扰因素特征识别方法


[0001]本专利技术属于轨检数据分析
，具体涉及一种轨检数据干扰因素特征识别方法。

技术介绍

[0002]我国高速铁路的发展迅猛，在享受轨道交通带来的裨益的同时，更重要的是保证列车的安全运行，而要保证列车平稳运行，前提是保障轨道线路的质量安全。其中轨道故障检测工作就是在轨道运营状态中时时刻刻保证轨道安全的重要措施。
[0003]轨检车是承担轨道日常检测任务的重要装备，可以检测轨道的高低、水平、三角坑等。轨道病害检测是保障轨道安全的重要任务，通过轨检车得到的几何波形数据可以判断出轨道上的各种病害，比如三角坑、不平顺、轨道磨损等。但是轨检车在运行过程中会受到雨水、阳光等自然干扰因素或者激光器故障、位移计故障等设备故障的影响，导致轨检数据出现异常波动，而无法用于轨道病害分析，所以在病害分析之前还需要对轨检数据中的各种异常数据进行分析剔除。
[0004]目前对于异常数据的分析剔除还主要依靠人力来完成，而轨检数据的数据量庞大，工作量巨大，且对分析人员的经验以及专业知识要求都比较高，又由于每个人的判本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轨检数据干扰因素特征识别方法，其特征在于，包括：步骤1：获取待测的轨检数据；步骤2：通过模式识别确定所述待测的轨检数据的干扰类别是否为轨距机故障；若不是，则将所述待测的轨检数据分别输入至训练完成的第一识别网络和第二识别网络，得到对应的第一识别结果和第二识别结果；步骤3：根据所述第一识别结果和所述第二识别结果，确定所述待测的轨检数据是否存在干扰以及干扰类别；其中，所述第一识别网络和所述第二识别网络均为基于通道注意力的深度学习网络，所述基于通道注意力的深度学习网络包括级联的特征提取模块和分类模块，所述特征提取模块包括级联的多个特征提取单元，每个特征提取单元包括级联的多个卷积单元和通道注意力模块。2.根据权利要求1所述的轨检数据干扰因素特征识别方法，其特征在于，所述特征提取模块包括级联的5个特征提取单元，所述特征提取单元包括级联的2个卷积单元和通道注意力模块；每个卷积单元均包括级联的卷积层和Leaky ReLU激活函数层；所述通道注意力模块包括级联的全局平均池化层、全连接层、Leaky ReLU激活函数层和全连接层；所述通道注意力模块根据与其连接的卷积单元提取到的特征矩阵得到注意力向量，并将所述注意力向量和所述通道注意力模块的输入特征矩阵相乘后作为所述特征提取单元的输出特征矩阵。3.根据权利要求2所述的轨检数据干扰因素特征识别方法，其特征在于，第一个特征提取单元中卷积单元的卷积层的卷积核大小为1
×
7，其余特征提取单元中卷积单元的卷积层的卷积核大小为1
×
5。4.根据权利要求1所述的轨检数据干扰因素特征识别方法，其特征在于，所述分类模块包括级联的Dropout层、全局平均池化层、全连接层和Softmax函数层，其中，所述Dropout层的丢弃概率为0.5。5.根据权利要求1所述的轨检数据干扰因素特征识别方法，其特征在于，轨检数...

【专利技术属性】
技术研发人员：程培涛，高凯，王秀美，苏成光，张岷，魏周春，
申请(专利权)人：中铁第一勘察设计院集团有限公司，
类型：发明
国别省市：