基于PCA和TCN-Attention的剥离伤损退化趋势预测方法技术

本发明专利技术公开了一种基于PCA和TCN‑Attention的剥离伤损退化趋势预测方法，本发明专利技术所述方法先从钢轨剥离伤损振动信号中提取时域、频域特征，利用PCA对高维特征集进行降维，然后利用时序样本间特征的差异性，连续获取样本间的欧式距离，从而构建成钢轨剥离伤损退化指标，最后利用TCN‑Attention模型预测钢轨剥离伤损退化趋势，解决了现有钢轨剥离伤损退化趋势预测研究中退化指标特征单一，预测模型存在长期依赖的问题。

【技术实现步骤摘要】

本专利技术涉及钢轨损伤预测，更具体地，涉及一种基于pca和tcn-attention的剥离伤损退化趋势预测方法。

技术介绍

1、在铁路基础设施中，钢轨是铁路轨道的主要组成部件，直接承受轮对传来的压力，长期使用过程中出现的缺陷伤损和材料退化影响其服役性能且威胁行车安全。随着重载货运线路载重量的增加，钢轨的负荷和受到挤压以及冲击的程度越来越大，更容易导致钢轨产生剥离、磨耗等伤损，影响列车的正常运行。

2、数据驱动的方法是根据工业设备大量的运行状态数据，并利用机器学习或者深度学习的方法挖掘数据中蕴含的设备性能退化规律。cn201810607284.9一种基于神经网络的钢轨损伤检测方法，具体按照以下步骤实施：步骤1：建立钢轨损伤波形数据库；步骤2：建立bp神经网络，并对bp神经网络进行参数训练；步骤3：在钢轨上安装超声导波信号系统；步骤4：步骤3所安装的超声导波信号系统产生超声导波信号，超声导波信号经过处理后得到与损伤波形对应的的超声导波信号；步骤5：将步骤4得到的超声导波信号转换为离散的超声导波信号；步骤6：将步骤5得到的离散的超声导波信号送入步骤2本文档来自技高网...

【技术保护点】

1.一种基于PCA和TCN-Attention的剥离伤损退化趋势预测方法，其特征在于，步骤包括：

2.根据权利要求1所述基于PCA和TCN-Attention的剥离伤损退化趋势预测方法，其特征在于，所述时域、频域特征包括最小值、最大值、峰峰值、方差、均方值、均方根、方根幅值、峰值因子、峭度、整流平均值、偏度、标准差、裕度因子、脉冲因子、重心频率、频率均方根、平均频率、频率方差和小波包信号分析6个子频带的多种。

3.根据权利要求1所述基于PCA和TCN-Attention的剥离伤损退化趋势预测方法，其特征在于，S1所述的特征提取步骤还包括对时域、频域特征进行筛选后得...

【技术特征摘要】

1.一种基于pca和tcn-attention的剥离伤损退化趋势预测方法，其特征在于，步骤包括：

2.根据权利要求1所述基于pca和tcn-attention的剥离伤损退化趋势预测方法，其特征在于，所述时域、频域特征包括最小值、最大值、峰峰值、方差、均方值、均方根、方根幅值、峰值因子、峭度、整流平均值、偏度、标准差、裕度因子、脉冲因子、重心频率、频率均方根、平均频率、频率方差和小波包信号分析6个子频带的多种。

3.根据权利要求1所述基于pca和tcn-attention的剥离伤损退化趋势预测方法，其特征在于，s1所述的特征提取步骤还包括对时域、频域特征进行筛选后得到有效损伤特征。

4.根据权利要求1所述基于pca和tcn-attention的剥离伤损退化趋势预测方法，其特征在于，所述有效损伤特征包括最大值、峰峰值、方差、均方根、方根幅值、峰值因子、峭度、整流平均值、标准差、均方值、裕度因子和脉冲因子。

5.根据权利要求2所述基于pca和...

【专利技术属性】
技术研发人员：王忠美，吴海波，刘建华，何静，张昌凡，杨卫峰，贾林，聂芃轩，
申请(专利权)人：湖南工业大学，
类型：发明
国别省市：