一种车载振动加速度数据分析方法及系统

技术领域

本发明涉及振动加速度数据处理领域，尤其涉及一种车载振动加速度数据分析方法及系统。

背景技术

目前，国内部分研究者在试验列车或运营列车车体或转向架不同位置安装多轴振动加速度复合传感器，结合模拟仿真或真实采集车体、轴向振动加速度数据评估线路轨道不平顺健康状况。

主要研究内容包括利用安装在车辆上的振动加速度传感器采集列车运行中的车体振动加速度数据，将获取到的转向架、车体振动加速度信号利用时频分析技术进行处理，得到车体转向架响应信号的频段范围，论证可以通过车体和转向架的垂直振动来监测轨道的高低不平顺，最后将确定轨道不平顺超限等级对应的车体振动加速度之间的关系。

然而传统的评价分析方法通常采用扣分机制对道路健康状况进行评估及趋势预测，使得振动加速度数据没有得到高效利用，故障的智能识别及分类的诊断准确率较低，此外，传统方法采用的模型泛化能力也有待提高。

发明内容

有鉴于此，本发明提供一种车载振动加速度数据分析方法及系统，旨在提供一种高泛化能力的卷积神经网络模型，并基于该神经网络模型提高振动加速度数据的利用率以及故障的智能识别及分类的准确率。

为解决以上技术问题，本发明的技术方案为提供一种车载振动加速度数据分析方法，包括：

获取车载振动加速度传感器采集的振动加速度信号，并进行前置处理，得到原始波形数据；

对所述原始波形数据进行时域、频域特征提取并完成特征数据预处理；

提取预处理后的特征数据，分别获取所述特征数据中的时域信息和频域信息以得到样本矩阵；

构建卷积神经网络模型，利用所述样本矩阵对所述卷积神经网络模型进行训练；

采用训练好的卷积神经网络模型进行故障诊断任务，输出故障分析结果。

作为一种实施方式，所述获取车载振动加速度传感器采集的振动加速度信号，并进行前置处理，得到原始波形数据，包括：

利用车载振动加速度传感器获取对应位置的振动加速度信号，其中，所述振动加速度信号至少包括横向通道信号和垂向通道信号；

通过数据采集卡对所述振动加速度信号进行前置放大和模数转换处理，得到原始波形数据；

将所述原始波形数据送入终端计算机进行存储。

作为一种实施方式，所述对所述原始波形数据进行时域、频域特征提取并完成特征数据预处理之前，还包括：

对所述原始波形数据进行数据预处理，所述数据预处理包括但不限于滤波、降噪。

作为一种实施方式，所述对所述原始波形数据进行时域、频域特征提取并完成特征数据预处理，包括：

对进行了数据预处理的原始波形数据分别进行时域特征提取和频域特征提取，得到时域特征数据和频域特征数据；

对所述时域特征数据和频域特征数据进行数据预处理，具体的，采用归一化方法，将每个特征值除以该特征值的最大值，使得其数据分布范围缩放到预设区间之间，消除部分奇异数据。

作为一种实施方式，提取时域特征，得到时域特征数据的方法包括：

选择以汉宁窗作为基础窗函数参与到振动信号的初始处理过程中；

对进行了数据预处理的原始波形数据进行加窗计算并获取其短时傅里叶变换后的时频信息；

利用所述时频信息中的时域分量信息提取时域特征，得到包括均方根特征的时域特征数据。

作为一种实施方式，提取频域特征，得到频域特征数据的方法包括：

将经过傅里叶变换后的频谱图中的每一帧的幅值进行归一化操作；

从中提取每一帧的平均值构成包括频谱质心特征的频域特征，得到频域特征数据。

作为一种实施方式，所述对所述原始波形数据进行时域、频域特征提取并完成特征数据预处理之后，还包括：

对于所提取的至少包括横向通道信号和垂向通道信号的多通道特征数据进行权值分配与融合。

作为一种实施方式，所述提取预处理后的特征数据，分别获取所述特征数据中的时域信息和频域信息以得到样本矩阵，包括：

基于所述时域特征数据，获取时域信息，构建时域向量；

基于所述频域特征数据，获取频域信息，构建频域向量；

将所述时域向量和所述频域向量进行向量重构得到样本矩阵。

作为一种实施方式，所述利用所述样本矩阵对所述卷积神经网络模型进行训练，包括：

设置不同大小的卷积核，以局部权值矩阵的形式遍历样本矩阵中的所有位置，进行内积运算，以使同一卷积核实现权值共享；

将内积运算后得到的输出样本矩阵进行下采样操作；

计算预测类别向量与真实类别向量的交叉熵作为误差值；

根据所述误差值对网络模型的各层参数进行调整及更新，直至满足迭代终止条件，得到训练好的卷积神经网络模型。

相应的，本发明还提供一种车载振动加速度数据分析系统，包括：

信号获取模块，用于获取车载振动加速度传感器采集的振动加速度信号，并进行前置处理，得到原始波形数据；

特征提取模块，用于对所述原始波形数据进行时域、频域特征提取并完成特征数据预处理；

样本矩阵生成模块，用于提取预处理后的特征数据，分别获取所述特征数据中的时域信息和频域信息以得到样本矩阵；

模型构建训练模块，用于构建卷积神经网络模型，利用所述样本矩阵对所述卷积神经网络模型进行训练；

结果输出模块，用于采用训练好的卷积神经网络模型进行故障诊断任务，输出故障分析结果。

本发明的首要改进之处在于：通过获取车载振动加速度传感器采集的振动加速度信号，并进行前置处理，得到原始波形数据；对所述原始波形数据进行时域、频域特征提取并完成特征数据预处理；提取预处理后的特征数据，分别获取所述特征数据中的时域信息和频域信息以得到样本矩阵；构建卷积神经网络模型，利用所述样本矩阵对所述卷积神经网络模型进行训练；采用训练好的卷积神经网络模型进行故障诊断任务，输出故障分析结果。主要利用振动加速度传感器获取轨道动态不平顺基础数据，作为理论轮轨耦合动力学模型的输入参数之一，采用基于车辆运行安全性指标（脱轨、倾覆系数等）及乘客舒适度体验指标（横向、垂向平稳与舒适性等）的路线健康分级机制对道路健康状况进行评估及趋势预测，不仅保证了振动加速度数据的高效采集利用，还提高了故障的智能识别及分类的准确率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1是本发明一实施例提供的一种车载振动加速度数据分析方法的步骤示意图；

图2是本发明一实施例提供的加窗示意图；

图3是本发明一实施例提供的频谱图；

图4是本发明一实施例提供的特征数据预处理前后对比图；

图5是本发明一实施例提供的多通道下的时域上的振幅大小及其分布示意图；

图6本发明一实施例提供的多通道下的频域上的振幅大小及其分布示意图；

图7是本发明一实施例提供的神经网络模型训练流程图；

图8是本发明一实施例提供的一种车载振动加速度数据分析系统的结构示意图。

具体实施方式

为了使本领域技术人员更好的理解本发明实施例，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的原理主要是利用前端振动加速度传感器获取轨道动态不平顺基础数据，作为理论轮轨耦合动力学模型的输入参数之一，采用如图1所示的一种车载振动加速度数据分析方法对道路健康状况进行评估及趋势预测。

S11、获取车载振动加速度传感器采集的振动加速度信号，并进行前置处理，得到原始波形数据。

车载振动加速度传感器设置于列车的不同位置，例如分布在车体或走行部多个测点部位的传感器，且每个振动加速度传感器采集到的震动加速度信号至少包括横向通道信号和垂向通道信号，利用车载振动加速度传感器获取对应位置的震动加速度信号。

进一步的，通过数据采集卡对振动加速度信号进行前置放大和模数转换处理，得到原始波形数据，并且在得到原始波形数据之后，还可以将原始波形数据送入终端计算机进行存储，通过对采集到的数据进行及时存储，能够实现对数据的有效管理以及方便日后进行信息追溯。

S12、对原始波形数据进行时域、频域特征提取并完成特征数据预处理。

得到原始波形数据之后，首先需要对原始波形数据进行一次数据预处理，包括但不限于滤波、降噪。

现实世界中数据大体上都是不完整，不一致的脏数据，无法直接进行数据挖掘，或挖掘结果差强人意。为了提高数据挖掘的质量产生了数据预处理技术。 数据预处理有多种方法:数据清理，数据集成，数据变换，数据归约等。这些数据处理技术在数据挖掘之前使用，大大提高了数据挖掘模式的质量，降低实际挖掘所需要的时间，在本实施例中，为了使原始波形数据格式更便于模型使用，对原始波形数据进行包括数据清理和数据变换等数据预处理，其中，数据清理是通过填写缺失的值、光滑噪声数据、识别或删除离群点等解决不一致性来“清理”数据，实现数据标准化，异常数据清除，错误就挣，重复数据的清除；数据变换是通过平滑聚集，数据概化，规范化等方式将数据转换成适用于数据挖掘的形式。

进一步的，对进行了数据预处理的原始波形数据，分别进行时域特征提取和频域特征提取，得到时域特征数据和频域特征数据。

进一步的，选择以汉宁窗作为基础窗函数参与到振动信号的初始处理过程中，如图2所示，对进行了数据预处理的原始波形数据进行加窗计算并获取其短时傅里叶变换后的时频信息，利用该时频信息中的时域分量信息提取时域特征，得到包括均方根（RMS）特征的时域特征数据。

需要说明的是，短时傅里叶变换是和傅里叶变换相关的一种数学变换，用于确定时变信号其局部区域正弦波的频率与相位，直白的说，“短时”其实就是选择一个较短的时间窗口对信号进行观察，这个窗口是如此的短以至于我们可以认为观察到的信号是平稳的，信号平稳了，就可以对其应用傅里叶变换了。

进一步的，进行了傅里叶变换后的信号，能够生成如图3所示频谱图，将经过傅里叶变换后的频谱图中的每一帧的幅值进行归一化操作，从中提取每一帧的平均值构成包括频谱质心特征的频域特征，这个过程中还包括了Mel尺度变换和对数域变换，最终得到频域特征数据。

需要说明的是，图3所展示的仅是初始窗口，纵坐标2×10º、3×10º、4×10º，可以理解的是，其他窗口中，纵坐标可以是2×10¹、3×10¹、4×10¹。

进一步的，在得到时域特征数据和频域特征数据之后，需要对该时域特征数据和频域特征数据进行数据预处理，具体的，采用归一化操作，将每个特征值除以该特征值的最大值，使得其数据分布范围缩放到（-1,1）之间，如图4所示，将预处理前数据分布范围从（-30,10）缩放到了（-1,0.4）之间，消除了部分奇异数据，提高了后期数据处理速度。

需要说明的是，对时域特征数据和频域特征数据进行数据预处理之后，时域特征数据和频域特征数据中包含多重特征数据，也可以称之为是多通道特征数据，其原因在于，原始数据波形采集时，采集的是包括横向通道信号和垂向通道信号的多通道信号，对于同一种状态下，分布在车体或走行部多个测点部位的传感器（即多个通道）所采集的信号存在差异，时域、频域上的振幅代销及其分布存在明显不同，如图5、图6所示，时间为单位的表示时域分布，频率为单位的表示频域分布。因此，还需要对提取的至少包括横向通道信号和垂向通道信号的多通道特征数据进行权值分配与融合。

S13、提取预处理后的特征数据，分别获取特征数据中的时域信息和频域信息以得到样本矩阵。

根据步骤S12中获取到的时域特征数据和频域特征数据，分别获取时域信息和频域信息，进而构建时域向量和频域向量，然后将时域向量和频域向量进行向量重构，得到样本矩阵。

S14、构建卷积神经网络模型，利用样本矩阵对卷积神经网络模型进行训练。

目前，用于特征提取的方式是卷积，常被用在多维输入矩阵上进行卷积计算，以提取不同特征，在数据归一化方面需要保证特征值的均值为0，且方差为1，变换重构后则回复学习特征，保证数据分布不变，因此，在得到样本矩阵之后，构建卷积神经网络模型，并用该样本矩阵对卷积神经网络模型进行训练。

进一步的，参考图7，是模型训练的流程示意图，对模型进行训练时，通过设置不同大小的卷积核，以局部权值矩阵的形式遍历样本矩阵中的所有位置，进行内积运算，以使同一卷积核实现权值共享，然后将内积运算后得到的输出样本矩阵进行下采样操作，使得特征矩阵在两个维度上面缩小为原尺寸的1/N，计算预测类别向量与真实类别向量的交叉熵作为误差值，根据误差值对网络模型的各层参数进行调整及更新，直至满足迭代终止条件，得到训练好的卷积神经网络模型。

需要说明的是，迭代完成之后，保存好迭代终止后的模型，将测试样本作为输入，对模型进行测试，测试结果没问题方能得到训练好的卷积神经网络模型。

S15、采用训练好的卷积神经网络模型进行故障诊断任务，输出故障分析结果。

在进行故障诊断任务时，将目标样本作为输入，通过本申请训练好的卷积神经网络模型进行高维数据平铺输出，再通过Softmax激活函数：

本发明一实施例提供的一种车载振动加速度数据分析方法，通过获取车载振动加速度传感器采集的振动加速度信号，并进行前置处理，得到原始波形数据；对所述原始波形数据进行时域、频域特征提取并完成特征数据预处理；提取预处理后的特征数据，分别获取所述特征数据中的时域信息和频域信息以得到样本矩阵；构建卷积神经网络模型，利用所述样本矩阵对所述卷积神经网络模型进行训练；采用训练好的卷积神经网络模型进行故障诊断任务，输出故障分析结果。通过构建合适的深度学习模型并将设备故障的时频域振动加速度信号输入模型进行处理，主要利用振动加速度传感器获取轨道动态不平顺基础数据，作为理论轮轨耦合动力学模型的输入参数之一，采用基于车辆运行安全性指标（脱轨、倾覆系数等）及乘客舒适度体验指标（横向、垂向平稳与舒适性等）的路线健康分级机制对道路健康状况进行评估及趋势预测，不仅保证了振动加速度数据的高效采集利用，还提高了故障的智能识别及分类的准确率。

相应的，本发明还提供了如图8所示的一种车载振动加速度数据分析系统。

信号获取模块，用于获取车载振动加速度传感器采集的振动加速度信号，并进行前置处理，得到原始波形数据；

特征提取模块，用于对所述原始波形数据进行时域、频域特征提取并完成特征数据预处理；

样本矩阵生成模块，用于提取预处理后的特征数据，分别获取所述特征数据中的时域信息和频域信息以得到样本矩阵；

模型构建训练模块，用于构建卷积神经网络模型，利用所述样本矩阵对所述卷积神经网络模型进行训练；

结果输出模块，用于采用训练好的卷积神经网络模型进行故障诊断任务，输出故障分析结果。

以上对本发明实施例所提供的一种车载振动加速度数据分析方法及系统。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。