一种基于特征聚类的铁路轨道不平顺潜在病害辨识方法

技术领域

本发明涉及铁路轨道不平顺病害识别技术领域，具体说是一种基于特征聚类的铁路轨道不平顺潜在病害辨识方法。

背景技术

轨道不平顺是轨道几何形状和空间位置的直观反映，对轮轨动力响应及车辆动力行为影响重大，是关系列车运行安全与舒适的关键要素。为保证铁路线路设备状态，铁路工务部门通过开展周期性的动态检测与养护维修作业改善轨道质量，提升线路平顺性水平。在“预防为主”的线路维修原则下，对轨道不平顺潜在病害进行辨识定位符合预防修和精确修的养护理念，对优化检修资源配置、提高维修技术水平、保障线路服役状态具有重要意义。

现有方法中，针对轨道不平顺病害的预警多以信号分析、特征提取为手段，重点识别已超限的不平顺病害，无法实现对潜在安全风险隐患的超前把控。

发明内容

本发明提供了一种基于特征聚类的铁路轨道不平顺潜在病害辨识方法，通过提取病害辨识指标挖掘动检数据中的隐藏信息，借助特征聚类辨识轨道不平顺潜在病害，实现了病害识别与定位过程的自动化处理，克服了现有方法在病害辨识方面的滞后性，可用于指导开展针对潜在病害的线路预防修作业。

为达到以上目的，本发明采取的技术方案是：

一种基于特征聚类的铁路轨道不平顺潜在病害辨识方法，包括如下步骤：

S1：获取目标区段的轨道不平顺历史动态检测数据；

S2：建立轨道不平顺潜在病害辨识指标体系；

S3：从历史动态检测数据中提取病害辨识指标值；

S4：标准化处理病害辨识指标值，获得待聚类的样本数据集；

S5：基于k-means++算法，计算样本数据集的KL聚类指数；

S6：判定目标区段是否存在病害，若不存在则提示无病害，若存在则执行S7；

S7：将样本数据集聚类划分为两类，提取异常样本的位置信息，标记并完成潜在病害定位。

进一步地，步骤S1中，所述轨道不平顺历史动态检测数据通过轨检车获取。

进一步地，步骤S2中，所述轨道不平顺潜在病害辨识指标体系包括绝对幅值均值、时域幅值标准差、平均滑动标准差。

进一步地，步骤S3中，按照式(1)从历史动态检测数据中提取潜在病害辨识指标值：

其中，n为历史动态检测数据所属的检测时刻总数；y

进一步地，所述滑动窗的宽度取20m，滑动步长取0.25m。

进一步地，步骤S4中，对潜在病害辨识指标值按照式(2)进行标准化处理，将标准化处理后的数据作为样本特征值：

式中，x

进一步地，步骤S5中，按照式(3)并且k取值1和2分别计算KL聚类指数：

其中，d为特征样本的数据维度；SSE

进一步地，步骤S6中，按照以下方法判定目标区段是否存在病害：若样本数据集的KL聚类指数KL

进一步地，步骤S7中，所述两类数据样本中的相对较少的一类数据样本作为所述异常样本，所述异常样本所对应的位置信息为采样点的相应里程，在里程图上对定位结果进行区分标记。

与现有技术相比，本发明所述的基于特征聚类的铁路轨道不平顺潜在病害辨识方法，具有以下有益效果：

1、本发明提供一种基于特征聚类的铁路轨道不平顺潜在病害辨识方法，通过建立一套轨道不平顺潜在病害辨识指标体系，提取以轨道不平顺原始数据为对象的辨识指标值，在压缩历史动态检测数据体量的同时挖掘关键演化信息，实现了轨道不平顺属性的有效提炼和表征，增强了潜在病害的可区分性。

2、本发明所提供的方法采用k-means++算法完成样本的聚类过程，以KL聚类指数为标准判定是否存在潜在病害，具备较强的可操作性和易编程性；依托无监督聚类过程将样本数据集自动划分为两类，通过提取异常样本对应的位置信息完成潜在病害的辨识定位，实现轨道不平顺病害的快速自动化识别。

附图说明

本发明有如下附图：

图1是本发明基于特征聚类的铁路轨道不平顺潜在病害辨识方法的流程示意图；

图2是本发明基于特征聚类的铁路轨道不平顺潜在病害辨识指标体系框架图；

图3是本发明实施例中由轨检车获得的某区段有砟铁路轨道不平顺动态检测结果图；

图4是本发明实施例中轨道不平顺潜在病害的KL聚类指数计算结果图；

图5是本发明实施例中轨道不平顺潜在病害的识别及定位结果图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

总体的，如图1所示，本发明公开了一种基于特征聚类的铁路轨道不平顺潜在病害辨识方法，包括以下步骤：

S1：整合目标区段的轨道不平顺历史动态检测数据；

S2：建立轨道不平顺潜在病害辨识指标体系；

S3：从历史动态检测数据中提取病害辨识指标值；

S4：标准化处理病害辨识指标值，获得待聚类的样本数据集；

S5：基于k-means++算法，计算样本数据集的KL聚类指数；

S6：判定目标区段是否存在病害，若不存在则提示无病害，若存在则执行S7；

S7：将样本数据集聚类划分为两类，提取异常样本的位置信息，标记并完成潜在病害定位。

具体的，以某有砟高铁500m连续测量区段内的高低不平顺作为潜在病害目标辨识区段。

根据步骤S1，提取轨检车测得的轨道不平顺历史动态检测数据作为基础数据，其高低不平顺历史动态检测结果如图2所示。其中，横轴为0.25m采样频率下的测量里程，纵轴为各测量里程位置在不同时期下的高低不平顺数据。从图2可以看出，在高低不平顺幅值历史动态检测结果中，存在两处波动较为明显区段，其高低不平顺幅值分别为3mm和3.3mm。根据《高速铁路有砟轨道线路维修规则(试行)》(TG/GW 116-2013)，以上数值尚未达到高低不平顺偏差报警阈值(5mm)，属于潜在病害。

具体的，如图3所示，根据步骤S2建立轨道不平顺潜在病害辨识指标体系，包括绝对幅值均值、时域幅值标准差、平均滑动标准差。

根据步骤S3从历史动态检测数据中提取潜在病害辨识指标值。潜在病害辨识指标的计算方法为：

其中，n为历史动态检测数据所属的检测时刻总数；y

根据步骤S4，对潜在病害辨识指标值进行标准化处理，计算公式为：

其中，x

需要说明的是，基于历史高低不平顺数据计算绝对幅值均值、时域幅值标准差、平均滑动标准差并分别进行标准化处理，得到的即为各测量里程对应的三维特征。

根据步骤S5，分别考虑k＝1和k＝2两种情况，利用k-means++算法对潜在病害的样本数据集进行聚类，计算各自对应的KL聚类指数，计算方法为：

其中，d为特征样本的数据维度；SSE

根据步骤S6，将目标区段样本数据集的KL聚类指数KL

针对潜在病害的KL聚类指数计算结果如图4所示。从图4中可以看出，目标区段样本数据集的KL聚类指数KL

根据步骤S7，将样本数据集聚类划分为两类，两类数据样本中的相对较少的一类数据样本作为异常样本，所提取异常样本的位置信息，标记并完成潜在病害定位。其所对应的位置信息为采样点的具体里程，在里程图上以“病害区段”、“正常区段”对定位结果加以区分标记。

针对潜在病害的辨识及定位结果如图5所示。从图5中可以看出，在500m区段范围内共识别出两处潜在病害，其对应相对测量里程为分别为140～160m、220～240m。

根据实施例中的识别结果，本发明所提供的一种基于特征聚类的铁路轨道不平顺潜在病害辨识方法可完成潜在病害的识别与定位，结合图3～图5来看，特别地，本发明所提供的一种基于特征聚类的铁路轨道不平顺潜在病害辨识方法可应用于识别尚未达到管理限值的轨道不平顺潜在病害，进而指导开展预防修策略下的精确修作业，把控潜在安全隐患。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。