[发明专利]一种基于特征融合的道岔尖轨伤损状态监测方法

权利要求书

1.一种基于特征融合的道岔尖轨伤损状态监测方法，其特征在于：

S1、道岔尖轨上安装超声导波监测装置，超声导波监测装置产生导波沿道岔尖轨传播并自身接收导波的回波信号，进而进行道岔尖轨在线伤损识别模拟，建立基准库信号：

S1.0：超声导波监测装置实时采集回波信号x’(n)，回波信号是由沿时间连续采集的多个采样点构成，n表示回波信号中采样点的序数，回波信号分为有道岔尖轨在健康无伤损状态下的健康回波信号x’₁(n)和模拟伤损状态下的伤损回波信号x’₂(n)，伤损回波信号x’₂(n)和健康回波信号x’₁(n)的信号数量相同；

S1.1：对监测所得的回波信号x’(n)按照下式标准化预处理获得：

其中，M是回波信号x'(n)的长度，即回波信号中的采样点总数；n表示回波信号中的采样点序号；

经过预处理获得了健康基准信号x₁(n)和伤损基准信号x₂(n)，健康基准信号x₁(n)和伤损基准信号x₂(n)均为基准信号x(n)，由所有不同基准信号构成基准库信号，基准库信号中的基准信号个数为BN，基准库信号中健康基准信号x₁(n)和伤损基准信号x₂(n)各占一半；

S2、对上述预处理后的基准信号x(n)进行特征提取；

S3：从一个基准库信号中随机提取一个健康无伤损状态下的健康基准信号，健康基准信号处理获得的特征向量作为健康特征向量F_baseline：

其中，分别表示健康特征向量F_baseline的前18个特征参数，和分别表示健康特征向量F_baseline的最后两个特征参数；

对基准库信号中的每个基准信号x(n)按照以下方式进行去量纲化，去量纲化设置为：

其中，e表示自然对数的底；

去量纲化后获得道岔尖轨导波信号特征向量ssf，表示为：

其中，分别表示道岔尖轨导波信号特征向量ssf的前18个特征参数，和分别表示道岔尖轨导波信号特征向量ssf的最后两个特征参数；

S4：对道岔尖轨导波信号特征向量ssf进行损伤敏感特征选择，利用二元粒子群算法得到最优特征子集，二元粒子群算法处理中计算每次迭代后种群的适应度函数和所选择的特征编号NF，并更新全局最优解gbest；以最终的全局最优解gbest作为损伤敏感选择的最优特征子集SSF_gbest，SSF_gbest＝{ssf₁,ssf₂,…,ssf_BN}，其中BN为基准库信号中的基准信号的个数；

S5、得到基于最小二乘向量机的道岔尖轨在线伤损自动识别模拟：

将最优特征子集SSF_gbest作为最小二乘向量机LS-SVM的训练集，通过交叉验证方法进行训练，得到道岔尖轨伤损自动识别LS-SVM模型；

S6、应用道岔尖轨伤损自动识别LS-SVM模型进行尖轨伤损监测：

对于道岔尖轨实时监测采集得到的待分析回波信号MS(n)，通过上述步骤S1～S3相同处理得到的待分析监测信号MS(n)的道岔尖轨导波信号特征向量根据步骤S4的特征编号NF对道岔尖轨导波信号特征向量ssf_ms进行特征选择，从而得到特征选择后的道岔尖轨导波信号特征向量并输入到步骤S5得到的道岔尖轨伤损自动识别LS-SVM模型进行判别，输出当前尖轨的伤损状态，分为健康状态和有伤损状态；

所述步骤S2具体为：

S2.1：对预处理后的基准信号x(n)进行时域统计特征和功率谱域统计特征的提取；

提取时域统计特征，包括偏度SF₁、峰度SF₂、峰峰值SF₃、峰度因子SF₄、均方根SF₅、标准差SF₆、峰值因子SF₇、形状因子SF₈、脉冲因子SF₉、最大值SF₁₅、方差SF₁₆、最小值SF₁₇、方根幅值SF₁₈和裕度因子SF₁₀；

提取功率谱域统计特征，包括功率谱均方根SF₁₁、功率谱标准差SF₁₂和功率谱中心SF₁₃；

S2.2：对预处理后的基准信号x(n)进行时频分析后的特征提取；

对基准信号x(n)进行基于互补集合经验模态分解，得到一组包含从高到低不同频带的本征模函数IMF，IMFs＝{c₁(n),c₂(n),…,c_N(n)}，n∈[1，N]，分解表示为：

其中，c_t(n)是分解所得的第t个本征模函数IMF，N是全部本征模函数IMF的个数，r_n(n)是第n个剩余分量；

S2.3：根据本征模函数IMF对预处理后的基准信号x(n)进行重构获得重构信号：

式中，y(n)是分解后的基准信号x(n)的重构信号；

S2.4：根据重构信号y(n)提取分解后的基准信号x(n)的平均能量特征SF₁₄，计算为：

式中，y(n)是基于互补集合经验模态分解的x(n)的重构信号；

S2.5：根据重构信号y(n)提取分解后的基准信号x(n)的能谱熵特征，处理为：进行基于互补集合经验模态分解的基准信号x(n)能谱熵特征的提取，能谱熵特征包含了前两个本征模函数IMF的局部能谱熵特征ESEF₁和所有本征模函数IMF的全局能谱熵特征ESEF₂；

局部能谱熵特征ESEF₁计算为：

其中，p_i表示基准信号x(n)中第i个采样点的能量系数；ψ(i)表示使用前两个本征模函数IMF重构获得的局部重构信号；

全局能谱熵特征ESEF₂计算为：

其中，p_ij表示基准信号x(n)中第j个本征模函数的第i个采样点的能量系数，e为自然对数的底；c_ij表示第j个本征模函数的第i个采样点的值；

通过上述过程，将基准库信号中的每个基准信号进行特征提取，各个特征提取的结果组成了该基准信号的特征向量F_monitoring，特征向量F_monitoring＝(SF₁～SF₁₈、ESEF₁和ESEF₂)。