-
公开(公告)号：CN111637964A
公开(公告)日：2020-09-08
申请号：CN202010397696.1
申请日：2020-05-12
Applicant: 西南交通大学
Abstract: 本发明涉及轨道交通轮轨短波不平顺的监测，特别涉及钢轨波磨识别方法，该方法包括通过安装在车辆上的振动传感器实时采集车辆沿轨道运动时产生的特定振动信息从而获得振动时域信息；将振动时域信息分割为与各个不同时间段依次对应的分段振动时域信息并确保每个分段振动时域信息所对应的车辆运动路径等长；将各分段振动时域信息分别转换成频域信息；将频域信息输入到用于钢轨波磨识别的卷积神经网络模型，得到卷积神经网络对钢轨波磨状态的分类结果。使本方法在车辆复杂的运营条件及速度时变工况下仍然能保持较高的识别精度，精度稳定在99.2％。
-
公开(公告)号：CN118862006A
公开(公告)日：2024-10-29
申请号：CN202410855833.X
申请日：2024-06-28
Applicant: 西南交通大学
IPC: G06F18/27 , G06F18/10 , G06F18/213 , G06N3/0455 , G06N3/0464 , G06N3/09 , G01M13/00 , G01P15/00
Abstract: 本发明公开了一种自适应损失函数与评价指标驱动的钢轨波磨检测方法，包括：通过对轴箱加速度信号进行数据清洗以及数据重构提升数据质量，并对数据进行预处理；根据每个独立的样本开发具有自适应能力的损失函数和评价指标，建立兼顾全局特征回归和局部细节收敛能力的钢轨波磨检测模型，将预处理后的轴箱加速度信号和速度信号组成的输入数据用作训练数据集，钢轨波磨粗糙度用作标签数据对钢轨波磨检测模型进行训练；以轴箱振动加速度信号和速度信号为输入，利用训练好的钢轨波磨检测模型对钢轨波磨粗糙度水平进行定量识别和检测；本发明可显著提高钢轨波磨检测的准确性和效率。
-
公开(公告)号：CN116252820B
公开(公告)日：2023-09-05
申请号：CN202310536835.8
申请日：2023-05-12
Applicant: 西南交通大学
IPC: B61K9/12 , G06F18/20 , G06F18/213
Abstract: 本发明涉及车轮多边形检测技术领域，涉及一种改进频域积分法驱动的高速列车车轮多边形定量检测方法，其包括以下步骤：1）从运行中的列车上采集轴箱加速度ABA和速度信号，并采用滑动窗口技术将数据划分为不同的片段；2）引入稳态试验来计算每个片段的一致相关系数CCC，保存满足阈值要求的片段；3）采用相似性试验从保存的片段中精确提取代表每个车轮旋转周期的准平稳ABA信号；4）对提取的准平稳ABA信号进行改进的频域积分分析以定量检测车轮多边形。本发明能较佳地进行车轮多边形定量检测。
-
公开(公告)号：CN114997218A
公开(公告)日：2022-09-02
申请号：CN202210556453.7
申请日：2022-05-20
Applicant: 西南交通大学
Abstract: 本发明公开了一种针对轨道车辆车轮多边形磨耗的识别检测方法，所述识别检测方法包括如下步骤：S1、构建多边形磨耗分类数据集；S2、1DCNN‑SVM模型的构建与训练；S3、多边形磨耗分类识别；S4、建立多边形磨耗波深识别样本集；S5、构建KSM‑PSO模型与多边形磨耗波深识别。本发明省去了传统信号处理和机器学习方法复杂的特征提取过程，采用一维卷积神经网络来自适应提取轴箱垂向加速度信号的特征，1DCNN‑SVM分类模型能达到99.82％的识别率，并利用克里金代理模型KSM和粒子群优化算法PSO对多边形磨耗波深进行定量识别，其误差不超过2％，平均相对误差仅为0.50％，单条波深样本识别平均耗时仅为0.11s，满足在线监测的时效性，为轨道车辆/地铁车辆车轮多边形磨耗识别提供新的解决思路。
-
公开(公告)号：CN113947130B
公开(公告)日：2022-06-14
申请号：CN202111001943.2
申请日：2021-08-30
Applicant: 西南交通大学
Abstract: 本申请提供了车轮多边形磨损波形回归预测AI模型的训练方法、使用方法、计算机设备以及计算机可读存储介质。训练方法包括：获得被测车轮运行过程中的振动检测数据；从所述振动检测数据中提取数据而获取样本，所述样本以被测车轮运行于一个设定长度L的位移为单位并包含该单位对应的振动强度特征向量和被测车轮多边形磨损状况标签，所述设定长度L≥被测车轮的周长，所述振动强度特征向量被要求具有设定维数N，所述样本的多边形磨损状况标签是根据该样本对应的一个设定长度L的位移的中心点处所对应接触的被测车轮上的位置点的实测多边形磨损值确定；使用所述样本对预设神经网络进行迭代训练，直至所述预设神经网络的训练达到设定阈值。
-
Patent Agency Ranking
公开(公告)号：CN111623868A
公开(公告)日：2020-09-04
申请号：CN202010397122.4
申请日：2020-05-12
Applicant: 西南交通大学
Abstract: 本发明涉及轨道交通轮轨短波不平顺的监测，特别涉及用于钢轨波磨识别的卷积神经网络构建方法，包括上述的对轨道交通载具的特定振动信息进行采集和处理的方法，去除各频域信息中不影响特定振动检测特征表征的频率范围的频域数据从而分别得到经优化的频域信息，各经优化的频域信息表达为频率坐标轴长度相同的频谱，将所述频谱的频谱数据作为一维卷积神经网络的训练样本。相比于传统的采用波磨测试仪CAT进行检测识别，采用本方法，通过卷积神经网络训练后，后续只需要采集振动信息与车辆位移信息即可，将该信号输入含有特定训练后的卷积神经网络的计算机处理，便可以快速、高效的对钢轨波磨进行识别。
-
公开(公告)号：CN119533387A
公开(公告)日：2025-02-28
申请号：CN202411508397.5
申请日：2024-10-28
Applicant: 西南交通大学
IPC: G01B21/30 , G06F18/10 , G06F18/2136
Abstract: 本发明公开了一种轮轨粗糙度分离方法，包括：对原始时域ABA信号进行重采样并插值为等角度间隔的角域信号；根据车轮旋转总周期和同步平均窗，利用同步平均思想将ABA信号的角域信号分割为N段；利用基于独立同分布高斯矩阵的测量矩阵对分割后的片段进行降采样；将每个随机降采样信号对应的数据点相加并计算平均值，得到稀疏角域同步平均SADSA的序列；基于压缩感知基本理论CS中的正交匹配追踪算法OMP重构序列，得到从ABA信号中提取的周期性分量；本发明还公开了一种轮轨粗糙度分离方法在钢轨波磨定量检测的应用，本发明提出利用压缩感知原理，在不改变原始数据属性的情况下，对ABA信号随机降采样后并精准重建。
-
公开(公告)号：CN118133105A
公开(公告)日：2024-06-04
申请号：CN202311831415.9
申请日：2023-12-27
Applicant: 西南交通大学
IPC: G06F18/241 , G06N3/094 , G06N3/0455 , G06F17/15 , G06N3/0464 , G06F18/214 , G06F18/10
Abstract: 本发明公开了一种结构健康监测数据重构方法及系统，为了提高SHM数据质量，提出了基于CS和上下文编码器(CS‑ECE)的缺失数据重构方法，可以在时域和频域内重构目标信号的详细特征，而不受稀疏性和随机采样的数学假设的限制；提出的CS‑ECE模型可以直接从压缩信号和原始信号样本中以对抗的方式学习特征映射关系，是一种完全的前馈算法，不需要任何迭代和优化计算，大大加快了CS重建过程；设计了由面向CS任务的重建损失、面向SHM数据的时域波形损失、焦点频域损失和对抗损失组成的联合损失函数，使CS‑ECE模型能够提供更真实、更准确的恢复结果。
-
公开(公告)号：CN117313519A
公开(公告)日：2023-12-29
申请号：CN202311124616.5
申请日：2023-09-01
Applicant: 西南交通大学
IPC: G06F30/27 , G06F30/15 , G06N3/0464 , G06N3/0442 , G06N3/006 , G06F119/14 , G06F111/04
Abstract: 本发明公开了一种多源车载数据驱动的轨道不平顺智能识别方法，包括：建立车辆系统动力学模型，获取车辆振动与运动姿态响应数据；通过相关性分析算法，选取强相关性数据，制作网络模型数据集；建立卷积神经网络‑长短期记忆网络CNN‑LSTM，通过粒子群算法优化PSO神经网络模型参数，建立PSO‑CNN‑LSTM模型，实现对轨道不平顺的识别拟合；本发明的PSO‑CNN‑LSTM有更好的识别效果与时效性。
-
公开(公告)号：CN115600086A
公开(公告)日：2023-01-13
申请号：CN202211420184.8
申请日：2022-11-15
Applicant: 西南交通大学(CN)
Abstract: 本发明涉及钢轨波磨检测技术领域，涉及一种基于卷积回归的钢轨波磨粗糙度车载式定量检测方法，其包括以下步骤：一、数据预处理与标准化，将轴箱加速度ABA信号和钢轨波磨信号统一标准化至空间参考系，并生成相应的训练数据和标签数据；二、构建适用于ABA信号特征提取和钢轨波磨粗糙度特征回归的一维卷积神经网络RCNet；三、RCNet训练；四、在训练好的RCNet的基础下，以ABA信号为输入便可定量检测钢轨波磨粗糙度的严重程度。本发明能较佳地进行定量检测。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.02 seconds)
