[发明专利]钢轨波磨智能识别方法及系统

权利要求书

1.一种钢轨波磨智能识别方法，其特征在于，包括如下步骤：

S1：采集轮轨接触所产生的噪声数据，从中获得有波磨原始数据集和无波磨原始数据集；

S2：通过有波磨原始数据集和无波磨原始数据集分别将其转换成时域图信息，并对两所述时域图信息分别进行傅里叶变换，将所述时域图分别转化为第一频谱图；

S3：把两所述第一频谱图预处理后，分别按照预先设定的时间长度进行剪切分段；

将剪切分段的数据进行分帧和加窗处理，根据数据时长转换为统一规格的梅尔频谱图像，通过设置训练集和验证集比例，将所有梅尔频谱图像划分为训练过程中所用的训练集和验证集，且所述训练集和验证集中的每一梅尔频谱图像均对应有表征钢轨区段的标识；

S4：借助Keras并利用Tensorflow框架建立深度学习识别模型，并把S3中训练集中的梅尔频谱图像输入到深度学习识别模型进行训练，得到训练好的深度学习识别模型；

S5：将步骤S3中留出的验证集或新采集的数据放在指定文件夹中，测试脚本会依次读取文件夹中放入的所有数据并进行预测，并将预测结果和该数据所对应的标识进行对比，获得识别准确率，根据预设的准确率阈值选取最优的深度学习识别模型；

S6：基于最优的深度学习识别模型对输入的待识别数据是否存在波磨状况进行判断。

2.根据权利要求1所述的钢轨波磨智能识别方法，其特征在于，所述步骤S3：把两所述第一频谱图预处理后，分别按照预先设定的时间长度进行剪切分段，进一步包括：

S301，对两所述第一频谱图进行滤波处理，保留在预设频段范围内的第一频谱图；

S302，对在预设频段范围内的第一频谱图进行预加重处理，对应形成第二频谱图；

S303，对所述第一频谱图和第二频谱图进行傅里叶逆变换生成波磨处理数据集和无波磨处理数据集并保存为wave文件；

S304，对波磨处理数据集和无波磨处理数据集中的数据分别按照预先设定的时间长度进行剪切分段。

3.根据权利要求1所述的钢轨波磨智能识别方法，其特征在于，所述S5：将步骤S3中留出的验证集或新采集的数据放在指定文件夹中，测试脚本会依次读取文件夹中放入的所有数据并进行预测，并将预测结果和该数据所对应的标识进行对比，获得识别准确率，根据预设的准确率阈值选取最优的深度学习识别模型，进一步包括：

S501，将步骤S3中留出的验证集或新采集的数据放在指定文件夹中；

S502，所述测试脚本依次读取文件夹中放入的所有数据，调用训练好的深度学习识别模型并输出对应的预测结果；

S503，将预测结果和该数据所对应的标识进行对比，将预测结果和标识一致的对比结果记为1，将预测结果和标识不一致的对比结果为0；

S504，计算所有对比结果之与输入的数据量之比，获得识别准确率；

S505，根据预设的准确率阈值选取最优的深度学习识别模型。

4.根据权利要求1所述的钢轨波磨智能识别方法，其特征在于，所述步骤S1：采集轮轨接触所产生的噪声数据，从中获得有波磨原始数据集和无波磨原始数据集，进一步包括：

S101，当列车在所述钢轨上以小于预设的加速度行驶时，在列车远离行驶方向的车厢内对行驶过程中的环境噪音数据进行采集，其中，所述钢轨包括波磨区段和非波磨区段，所述波磨区段和非波磨区段均对应有位置信息；

S102，对获取的所述噪声数据进行分类，获得有波磨原始数据集和无波磨原始数据集。

5.根据权利要求4所述的钢轨波磨智能识别方法，其特征在于，所述步骤S102：对获取的所述噪声数据进行分类，获得有波磨原始数据集和无波磨原始数据集，进一步包括：

S1021，实时获取列车行驶过程中所述环境噪音数据采集处的位置信息；

S1022，将所述所述环境噪音数据采集处的位置信息和环境噪音数据采集的时间点相对应；

S1023，根据所述环境噪音数据采集处的位置信息将环境噪音数据进行分类，获得有波磨原始数据集和无波磨原始数据集。