轨道结构状态检测方法、计算机设备与介质与流程

1.本技术涉及计算机领域，特别涉及一种轨道结构状态检测方法、计算机设备与介质。


背景技术：

2.城市轨道交通车辆激增引起的环境振动噪声对周边环境带来了诸多不良影响。
3.目前可以通过人工进行轨道结构病害种类的检测与识别，但是这种人工的检测识别的方式存在诸多局限性，例如，检测工作通常在轨道系统或车辆振动响应明显异常时才进行人工检测与识别，并且人工的检测工作受限于天窗时间，导致人工检测效率低且滞后，并且人工检测的误判率较高也会导致轨道病害状态检测准确性较低。
4.目前可以通过采集轨道结构振动和噪声信号中的异常特征来进行轨道病害状态的识别与检测，但是此类方法依赖于人工进行特征提取以及对轨道病害状态具有一定的先验认识。但是，由于轨道系统的振动和噪声受到轨道随机不平顺、线路不均匀沉降、施工精度等其它因素的干扰，其异常特征信号常常被强噪声掩盖，而不断变化的运行条件导致钢轨裂纹、扣件松脱、支承块破碎、轨枕吊空、减振道床隔振器吊空、剪力铰断裂等轨道结构病害特征复杂多变，因此，轨道结构病害特征难以准确提取，这给传统的轨道病害状态的诊断带来了重大挑战。
5.近年来，人工智能卷积神经网络技术在轨道结构健康监测和病害状态诊断领域受到越来越多的关注，这类方法在轨道交通领域也开始有所应用。然而，人工智能卷积神经网络在实际应用过程中仍存在很多工程实际问题。通常情况下，更深层的神经网络在特征提取上表现更好，但实际中深层网络往往会出现训练困难和多维度数据训练时的性能退化问题，此外，由于城市轨道交通轨道结构系统中的钢轨、扣件、支承块、隔振器、轨枕等数量众多且呈线性状态分布，而减振道床体型庞大，从经济性角度看，在现场轨道结构的每一部件全部设置多维异构采集传感器是不合适的。
6.由此可见，研究一种快速、准确的轨道结构病害状态种类的检测与识别方法，对保障城市轨道交通的安全运行具有重大的意义。


技术实现要素：

7.本技术的一个目的在于提出一种轨道结构状态检测方法、装置、设备与介质，能够实现对轨道结构病害种类的识别。
8.根据本技术第一方面的实施例，提供一种轨道结构状态检测方法，包括基于待检测轨道的轨道特性布置的检测装置，所述方法包括：
9.基于所述检测装置采集待检测的当前轨道数据；
10.将所述轨道数据输入至预先训练的多层次网络模型中，基于所述多层次网络模型确定所述当前轨道的轨道结构状态；
11.其中，所述多层次网络模型是基于单层次网络模型得到，所述单层次网络模型用
于识别一种类型的轨道结构状态，所述多层次网络模型用于识别一种或者多种类型的轨道结构状态。
12.在一些实施例中，所述多种类型的轨道结构状态包括以下至少一种：钢轨裂纹状态、扣件松脱状态、支承块破碎状态、轨枕吊空状态、减振道床隔振器吊空状态、剪力铰断裂状态；
13.所述单层次网络模型是基于一种类型的轨道结构状态对应的轨道训练数据进行训练得到，所述多层次网络模型是对一个或者多个所述单层次网络模型进行多类别集合相关分析得到。
14.在一些实施例中，所述方法还包括：
15.对多种类型的轨道结构状态对应的轨道训练数据进行标准化处理得到标准化的轨道训练数据；
16.基于对应类型的轨道结构状态确定各所述轨道训练数据对应的状态类别标签，基于所述状态类别标签对标准化的所述轨道训练数据进行类别编码。
17.在一些实施例中，所述网络模型包括单层膜网络模型及多层次网络模型，所述方法还包括：
18.在网络模型的训练过程中，对所述网络模型进行性能评估，所述性能评估指标包括：准确率指标、病害检测率指标、虚警率指标。
19.在一些实施例中，所述方法还包括：
20.对不同轨道状态类别对应的不同维度数据生成分组数据谱峭度图，并建立数据集；
21.构建深度学习残差神经网络，并基于所述数据集训练深度残差网络，以得到具有轨道结构病害状态分类检测功能的多层次网络模型。
22.在一些实施例中，所述方法还包括：
23.基于获取到的待检测的当前轨道数据生成待检测数据谱峭度图；
24.将待检测数据谱峭度图输入至预先训练好的多层次网络模型中；
25.基于训练好的多层次网络模型得到该待检测的当前轨道数据对应的轨道结构病害状态种类，并给出病害里程的定位信息。
26.在一些实施例中，所述检测装置用于设置在待检测轨道的车辆内部，用于获取轨道数据，所述轨道数据中包括但不限于轨道车辆行驶的状态参数，所述状态参数传感器振姿、噪声。
27.在一个实施例中，本技术还提供一种轨道结构状态检测装置，该装置具体包括：
28.采集模块，用于基于所述检测装置采集待检测的当前轨道数据；
29.识别模块，用于将所述轨道数据输入至预先训练的多层次网络模型中，基于所述多层次网络模型确定所述当前轨道的轨道结构状态；其中，所述多层次网络模型是基于单层次网络模型得到，所述单层次网络模型用于识别一种类型的轨道结构状态，所述多层次网络模型用于识别一种或者多种类型的轨道结构状态。
30.在一个实施例中，本技术还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤，上述轨道结构状态检测方法，包括基于待检测轨道的轨道特性布置的检测装置，所述方法包括：
基于所述检测装置采集待检测的当前轨道数据；将所述轨道数据输入至预先训练的多层次网络模型中，基于所述多层次网络模型确定所述当前轨道的轨道结构状态；其中，所述多层次网络模型是基于单层次网络模型得到，所述单层次网络模型用于识别一种类型的轨道结构状态，所述多层次网络模型用于识别一种或者多种类型的轨道结构状态。
31.在一个实施例中，本技术还提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤，上述轨道结构状态检测方法，包括基于待检测轨道的轨道特性布置的检测装置，所述方法包括：基于所述检测装置采集待检测的当前轨道数据；将所述轨道数据输入至预先训练的多层次网络模型中，基于所述多层次网络模型确定所述当前轨道的轨道结构状态；其中，所述多层次网络模型是基于单层次网络模型得到，所述单层次网络模型用于识别一种类型的轨道结构状态，所述多层次网络模型用于识别一种或者多种类型的轨道结构状态。
32.在一个实施例中，本技术还提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，计算机程序被处理器执行时，实现上述各方法实施例中的步骤，上述轨道结构状态检测方法，包括基于待检测轨道的轨道特性布置的检测装置，所述方法包括：基于所述检测装置采集待检测的当前轨道数据；将所述轨道数据输入至预先训练的多层次网络模型中，基于所述多层次网络模型确定所述当前轨道的轨道结构状态；其中，所述多层次网络模型是基于单层次网络模型得到，所述单层次网络模型用于识别一种类型的轨道结构状态，所述多层次网络模型用于识别一种或者多种类型的轨道结构状态。
33.上述实施例中，通过在待检测轨道中预先设置与之匹配的检测装置，通过检测装置获取待检测轨道对应的待检测轨道数据，并通过预先训练得到的多层次网络模型对待检测轨道数据进行处理识别得到待检测轨道的当前轨道状态。
34.本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
35.本技术的上述和/或附加的方面和优点从结合下面附图对实施方式的描述中将变得明显和容易理解，其中：
36.图1是本技术一个实施例提供的轨道结构状态检测方法的流程示意图；
37.图2是本技术一个实施例提供的残差模块结构示意图；
38.图3是本技术一个实施例的提供的网络模型的训练及使用步骤流程图；
39.图4是本技术一个实施例提供的轨道结构状态检测装置的结构示意图。
具体实施方式
40.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
41.在一些场景中，城市轨道交通的轨道结构(例如钢轨、扣件、支承块、轨枕、隔振器、减振道床等)减振特性备受关注。通过研究发现，轨道结构的减振性能受到诸多因素的影
响。基于能量守恒原理，一旦城市轨道交通减少对环境的影响(例如，减少对环境的振动影响及噪声影响)，则会加剧对轨道自身结构的影响(例如，轨道结构由于其自身的振动的加剧进而破坏轨道结构的完整性，削弱其减振性能和健康状态，最终使得轨道状态表现为钢轨裂纹、扣件松脱、支承块破碎、轨枕吊空、减振道床隔振器吊空、剪力铰断裂等病害状态，严重时将导致轨道系统的动力响应加剧并严重危害车辆运行安全)。
42.目前，钢轨、扣件、支承块、轨枕、隔振器、减振道床等轨道结构病害状态的检测识别工作主要由人工完成，人工巡检受限于天窗时间等，导致对轨道病害状态的检测工作低效并且滞后，此外，人为误判的发生将影响病害检测准确性。目前没有研究者利用深度残差收缩卷积神经网络对轨道结构病害(例如，钢轨裂纹、扣件松脱、支承块破碎、轨枕吊空、减振道床隔振器吊空、剪力铰断裂等轨道结构病害)进行细致的理论研究和实际工程应用。
43.如图1所示，为本技术其中一个实施例中提供的轨道结构状态检测方法的流程示意图，在一些实施例中，本技术提供了一种轨道结构状态检测方法，包括基于待检测轨道特性布置的检测装置，以该方法应用于服务器为例进行说明，包括以下步骤：
44.步骤101，基于所述检测装置采集待检测的当前轨道数据；
45.步骤102，将所述轨道数据输入至预先训练的多层次网络模型中，基于所述多层次网络模型确定所述当前轨道的轨道结构状态；
46.其中，所述多层次网络模型是基于单层次网络模型得到，所述单层次网络模型用于识别一种类型的轨道结构状态，所述多层次网络模型用于识别一种或者多种类型的轨道结构状态。
47.具体而言，该检测方法可以集成于检测装置内，通过检测装置获取待检测轨道对应的当前轨道数据，并基于检测装置中内置的预先训练的多层网络模型对获取到的当前轨道数据自动分析识别得到当前待检测轨道的轨道状态。其中，轨道状态具体可以包括当前轨道处于正常状态还是病害状态，以及当前轨道状态若处于病害状态，那么还可以进一步给出所属的病害类型。其中，当前轨道处于病害状态时，其对应的病害结构状态可以包括但不限于轨道的钢轨裂纹、扣件松脱、支承块破碎、轨枕吊空、减振道床隔振器吊空、剪力铰断裂等病害状态。
48.在一些实施例中，预先在待检测轨道中布置检测装置，例如检测装置可以是传感器，基于传感器获取待检测轨道对应的当前轨道数据，以通过预先训练得到的多层次网络模型对获取得到的当前轨道数据进行分析检测得到当前轨道结构的状态。
49.在一些实施例中，所述检测装置可以设置在待检测轨道的车辆内部，用于获取轨道数据，所述轨道数据中包括但不限于轨道车辆行驶的状态参数，所述状态参数传感器振姿、噪声等。
50.在一些实施例中，上述待检测轨道数据中还可以包括不同车辆运行速度、不同轴重、里程区间位置等，所采集的数据经预处理后得到待检测数据集，将待检测数据集作为待检测的当前轨道数据。
51.在一些实施例中，用于进行网络模型训练的轨道训练数据的获取方式包括：在各个多维异构传感器布置方案下，根据具体线路情况，采集不同情景下列车通过地铁轨道时的车载传感器物理量。例如，通过检测装置可以自动获得车辆行驶状态参数(例如，6自由度传感器振姿、噪声等)，直接反应轨道结构在正常运行列车激励下的轨道结构振动、噪声等
响应状况，将获取到的数据输入至预先训练好的多层次网络模型中，通过多层次网络模型分析这些振动、噪声的时频域特性和能量分布特点，进而得到量化反应轨道结构健康状况即轨道结构的病害状态类型。
52.在一些实施例中，该方法还包括自动获取数据与里程对应坐标，进而定点病害地段。这样可以实现快速的对轨道病害位置的定位，以及时实现对病害轨道的处理，防止危险发生。
53.在实际场景中，由于轨道交通建设的地理地质等物理条件不同，造成不同的轨道交通线路之间存在差异性。在一些实施例中，基于待检测轨道的特性布置检测装置包括：可以根据待检测轨道对应的线路地段、建设时期设定的初始建设指标及方案等参数确定方案，例如，可以基于以上信息确定所采用的传感器种类及数量。
54.在一些实施例中，可以根据实际需要将检测装置安装在机车车厢地板表面的特定部位。上述实施例中，基于轨道特性及实际需求自适应布置检测装置，可以适应不同车辆及需求，适应不同轨道结构和里程区段差异化的测试要求，实现检测时间的灵活性。
55.在实际场景中，每条轨道交通建设的地理物理环境都是差异很大，所以采用的建设方案也不同，比如采用的钢轨弹性模量、截面惯性矩、单位长度质量等，扣件系统的刚度、阻尼和间距，轨道板的类型，相关隔振器的方案等。在一些实施例中，该方法还包括对多维异构传感器的布置方案进行优化。具体而言，由于残差卷积网络是一种数据驱动的方法，其性能非常依赖数据的可靠性，因此，依据残差卷积网络在不同多维传感器布置方案所采集数据集上的分类性能，判断整体监测布置方案的优劣，进而选取性能较优传感器的方案作为优化方案，并建立模板库。
56.在一些实施例中，确定检测装置例如多维异构传感器的布置方案时，可以基于传感器与车辆的相对位置及传感器的数量和种类确定传感器的布置方案。在一些实施例中，可以通过穷举原则将所有可能的多维异构传感器布置方案列出，并确定传感器的布置方案。一般可以包括多个3轴加速度传感器、噪声传感器、温湿度传感器等。布置传感器的方案是一项综合多种影响因素的复杂工作，上述实施例中，通过穷举原则可以快速且准确的实现对传感器方案的布置。
57.在一些实施例中，上述检测装置可以是一个独立的便携式的检测设备，并且具备可充电功能。
58.上述实施例中，基于采集成本的最优化及灵活便携性的需求，自主设计得到便携式的检测装置，可以随时随地、快速灵活且可靠的在车辆的具体部位快速部署测试环境且不影响正常的日常轨道交通正常运作。
59.在一些实施例中，检测装置包括：物联网边缘计算中心、噪声传感器、噪声采集处理单元、三轴振姿态传感器及其处理单元、充电电池及led显示单元。
60.其中，物联网边缘计算中心为核心处理器，用于整合三轴振姿传感器和噪声采集器采集到的数据，并进行数据清洗和初步的数据分析，将处理的结果本地存储并上传到云平台进行后续的处理分析，具有低延迟，高实时性，便于灵活部署，抗反复机械振动和抗强电磁干扰等特点。
61.噪声采集处理单元用于对噪声传感器采集到的声压数据进行时域和频域的分析，去除信号噪声，环境风噪等干扰因素，而后将ai计算获得噪声值传给物联网边缘计算中心。
62.噪声传感器用于将列车行进在不同地段采集到的噪声信号转换成电信号，并放大至可被检测处理的大小，提供电信号与声压级之间的比例关系。
63.三轴振姿传感器及其处理单元用于高频采集列车行进的x，y，z三个方向的加速度信息，对加速度数据进行卡尔曼滤波以获得更加精确的值，并将处理后的数据传递给物联网边缘计算中心。
64.充电电池用于为设备提供稳定电源，便携式设计。
65.led显示单元用于显示设备状态信息，和采集到的加速度和噪声数据。
66.上述实施例中，考虑到目前基于一般的卷积神经网络的轨道结构病害状态识别检测方法的研究，鲜有研究者针对钢轨裂纹、扣件松脱、支承块破碎、轨枕吊空、减振道床隔振器吊空、剪力铰断裂等多种轨道结构病害状态的检测，本技术创造性的采用便携式可充电检测设备结合ai神经网络技术，对轨道结构状态检测方案进行合理设计以降低数据采集成本，同时又能保证良好的轨道结构状态病害识别检测性能。
67.上述实施例中，采用充电式便携设计的检测装置，安装在客车车厢地板，用于适应不同车辆、时间、轨道结构、地段的检测需求。通过本技术提供的检测装置检测到的轨道数据，能自动获得车辆行驶状态参数(6自由度传感器振姿、噪声)，直接反应轨道结构在正常运行列车激励下的轨道结构振动、噪声等响应状况，通过预先训练的模型来分析这些振动、噪声的时频域特性和能量分布特点，就可以量化反应轨道结构健康状况。进一步地，通过内置逻辑算法自动获取数据识别数据与里程对应坐标，定点病害地段。进一步地，通过大数据累计分析，建立车载检测数据(例如，轨道数据)与不同类别病害的相关性数据库，最终指导轨道结构养护维修，这样，通过构建数据库，当再次采集到对应的轨道数据时，可以通过数据库快速且准确的得到对应的轨道病害类型，不需要重新进行计算，使得轨道病害类型的快速获取与定位，减少轨道安全隐患。
68.在一些实施例中，所述单层次网络模型是基于一种类型的轨道结构状态对应的轨道训练数据进行训练得到，所述多层次网络模型是对一个或者多个所述单层次网络模型进行多类别集合相关分析得到。
69.其中，多种类型的轨道结构状态包括但不限于：钢轨裂纹、扣件松脱、支承块破碎、轨枕吊空、减振道床隔振器吊空、剪力铰断裂等病害状态。
70.在一些实施例中，通过一种类型的轨道病害状态的训练数据进行网络模型的训练得到一维的单层次网络模型，基于多个一维的单层次网络模型得到用于检测多种轨道病害状态的多层次网络模型。具体而言，每个轨道病害状态在多层次网络模型中被分类为一个具体的结构数组来体现。
71.在一些实施例中，单层次网络模型可以是基于一维残差卷积网络得到，利用多类别层次化的一维残差卷积网络得到多层次网络模型。得到的多层次网络模型能够自适应地从相应线路轨道里程区间车载采集参数响应中提取轨道表征结构病害的相关信息，并对不同的多维参数情形下的数据进行ai自动分类，实现对如钢轨、扣件、支承块、轨枕、隔振器、减振道床等不同部件的病害类别识别检测，并能够进行准确定位和里程定位，定点病害地段、种类、及其失效概率。
72.在一些实施例中，可以采用深度残差收缩卷积神经网络进行自动学习训练，实现对轨道病害种类状态进行自动分类的目的。
73.在一些实施例中，本技术提供的方法适用于多种不同的机器学习算法的数据收集和训练，并将其扩展到相同数据集，同时为每个不同的算法生成对于的参数指标(例如，精度、内存大小、延迟等)，以便在实际使用过程中能够自适应选择与其需求匹配的模型。
74.上述实施例中，提供的深度神经网络可以利用残差学习的基本原理，在扩大网络深度的同时，消除了性能退化现象并降低了训练难度。在此基础上，本技术进一步考虑了该深度神经网络的工程实际应用问题，为寻求既节约设备成本又能保证良好检测性能的轨道结构病害识别检测方案，研究了多物理量层次分析与针对轨道结构的多维异构传感器之间的复杂对应关系对轨道结构病害识别检测性能的影响，并给出了优化后的布置方案，对实际工程应用具有相当的指导意义，也为解决钢轨、扣件、支承块、轨枕、隔振器、减振道床等轨道结构不同部件病害识别和定位检测问题提供了一种全新的思路。
75.在一些实施例中，神经网络模型的建立，包括：基于卷积神经网络理论和残差学习理论，对包括多种轨道结构病害状态的多类层次数据构建每一个轨道结构病害状态对应的一维残差卷积网络，并在每一个轨道结构病害状态对应的数据集中进行参数调优，最后基于参数调优后的单层次网络模型进行多类集合相关分析得到多层次网络模型，用于识别多种轨道结构病害状态的检测。
76.在一些实施例中，残差卷积网络的建立步骤包括：经由预先的反复试验与参数调优，最终确立多类轨道状态对应的一维残差卷积网络结构，该网络每类别由1个卷积模块、2个残差模块群、1个平均池化层和1个全连接层构成，其中每个残差模块群均由3个残差模块堆叠而成，整个网络共包含14个可训练层以及2186082个可训练参数。
77.在卷积模块中，插入了批标准化层以减少内部协变量转移，加快深度网络的训练速度并有效抑制过拟合现象，并使用最大池化层(保留核尺寸范围内数据的最大值)对数据进行降维。在残差模块群中，残差模块a、b的构建方式如图2所示。
78.在图2中，与残差模块a相比，残差模块b在内部卷积层中采用了滑移步长为2的卷积核，具备了数据降维功能，即输入数据经过卷积层时会进行一次比率为2的下采样。捷径连接中，也相应设置了一个用于数据降维功能的卷积层，确保主路径和捷径的输出具有相同的维数。此外，在2种残差模块内部，沿着主路径的卷积层都运用了完全预激活的结构，即在卷积层的前面插入批标准化(batch normalization，bn)层和激活函数relu，以实现更高的训练精度。网络的输出部分参照resnet的设计，采用平均池化层(保留核尺寸范围内数据的平均值)后接一个全连接层的结构，与传统的多个全连接层堆叠的结构相比，这种结构减少了网络参数，并在一定程度上抑制过拟合。整个残差卷积网络基于开源库keras搭建而成，并以成熟的开源库tensor flow作为后端，网络的训练和性能评估过程均部署在我们相关的远程数据处理平台的gpu硬件运算平台上进行。
79.在一些实施例中，所述方法还包括：对多种类型的轨道结构状态对应的轨道训练数据进行标准化处理得到标准化的轨道训练数据。
80.其中，标准化处理可以采用z-score标准化方法，其表达式为，p
′
＝(p-μ(p))/σ(p)，其中：p为原始振动响应数据集，p
′
为标准化后的数据集；μ(p)为原始数据均值；σ(p)为原始数据方差。
81.在一些实施例中，该方法还包括：基于对应类型的轨道结构状态确定状态类别标签，基于所述状态类别标签对标准化轨道数据进行编码。
82.数据样本尺寸是影响网络训练质量的重要因素，样本尺寸过大会减慢网络训练速度，而大量的冗余特征还会引起网络过拟合，而样本尺寸过小则可能会导致轨道病害状态特征的缺失，使得网络难以充分学习数据的隐含规律。在构建数据集时，将所需样本数据按照输入格式进行组合，使用z-score方法执行数据标准化，并设置多个类别标签，分别表示各种不同的病害类别。每个样本均有一个对应的类别标签，所有类别标签以one-hot向量的形式进行编码。
83.如图3所示，为本技术其中一个实施例中提供的网络模型的训练及使用步骤流程图。在一些实施例中，轨道结构状态检测方法包括网络模型的训练步骤及网络模型的使用步骤。
84.具体而言，网络模型的训练步骤包括如图3中所示的步骤301至步骤304，网络模型的使用步骤包括如图3中所示的步骤305至步骤308：
85.步骤301，获取检测装置(例如传感器)获取到的用于模型训练的轨道训练数据；
86.步骤302，对获取到的所述轨道训练数据进行数据处理及数据分组，得到标准化后的轨道训练数据及基于轨道结构病害状态分类后的分类编码数据；
87.步骤303，基于不同维度的参数数据生成分组数据谱峭度图，并建立数据集；
88.步骤304，构建深度学习残差神经网络，并基于数据集训练深度残差网络，以使得训练后的神经网络模型具有轨道结构病害状态的分类检测功能；
89.步骤305，基于检测装置(例如传感器)获取待检测的轨道数据；
90.步骤306，基于获取到的待检测轨道数据生成待检测数据普峭度图；
91.步骤307，将待检测数据普峭度图输入至预先训练好的网络模型(深度残差网络模型)；
92.步骤308，基于训练好的网络模型得到该待检测轨道数据对应的轨道结构病害状态种类，并还可以给出病害里程的定位信息。
93.在一些实施例中，该方法还包括对通过车载轨道结构检测数据采集，包括使用车载6自由度传感器，采集得到环境噪声级温湿度数据等。
94.在一些实施例中，该方法还包括对车载轨道结构检测环境参数设定。
95.在一些实施例中，数据谱峭度图的确定方式包括：
96.在时域空间中可视化信号并计算相应的峭度，其中，峭度是随机变量的4阶标准矩阵，表征信号的冲击性。峭度图和谱峭度计算频带内的局部峭度，在确定具有最高峭度的频带后，可以对原始采集信号应用合适的数字带通或者低通滤波器，以获得更具分析的信号，用于包络谱分析。
97.在一些实施例中，所述方法还包括：进行神经网络模型的训练与性能评估。具体而言，可以选取合适的数据集输入残差卷积网络进行自动训练，使其具备对不同轨道病害状态类别下的数据进行准确分类的能力，进而预测输入数据所属的病害类别，并根据预测结果的统计学指标对其数据分类性能进行评估。
98.在一些实施例中，所述方法还包括：对所述网络模型进行性能评估，所述性能评估指标包括：准确率指标、病害检测率指标、虚警率指标。
99.其中，准确率(accuracy，acc)是评价神经网络分类性能的指标，但acc可表达的信息过于笼统，难以描述细分至每个类别的数据分类情况，因此，本技术根据算法的混淆矩阵
引入病害检测率(fault detection rate，fdr)和虚警率(false alarm rate，far)，将fdr、far与acc共同作为残差卷积网络性能的评估指标。fdr表示检测出的真实病害在所有病害数据中的占比，而far则表示伪报病害在所有正常数据中的占比。acc、fdr、far分别表示为：
100.△
1＝(a1+a4)/(a1+a2+a3+a4)
101.△
2＝a1/(a1+a3)
102.△
3＝a2/(a2+a4)
103.其中，
△
1为acc；
△
2为fdr；
△
3为far。
104.在一些实施例中，该方法还包括：对网络模型进行性能评估。在一些实施例中，仿真数据集按照5:3:2的比例划分为训练集、验证集和测试集。在训练过程中，输入样本的批大小设为h，训练周期数设为g，并选择具有解耦的权重衰减功能的adamw算法用于优化网络参数，将初始学习率设为φ1，权重衰减系数设为φ2，权重衰减策略有助于生成在数值上更小的权重矩阵，使得参数优化过程更加平滑，从而减轻过拟合。此外，还加入了一种指数衰减策略，如下式所示，使得学习率随着训练周期数增大而逐渐降低，以减少训练过程中的数值震荡：
105.δt＝δ0*0.5(ρ*t)
106.式中：δt为第t周期的学习率；δ0为初始学习率φ1；ρ＝0.025。
107.在性能评估过程中，为减轻随机性对训练结果的影响，每个训练过程均在重新打乱后的数据集上重复n次，并将其性能评估指标的平均值作为最终结果。
108.多类轨道状态的一维残差卷积网络的在训练过程中收敛更快且准确率更高，虚警率更低(降低虚警率有利于减少轨道病害误判带来的额外的检查成本)，具有明显的优越性，虽然其训练时间长、模型尺寸大，但更适合作为轨道病害检测的分类器。从总体来说，残差卷积网络对不同类别的轨道数据实现了高达超过98％的轨道病害分类准确率，具有良好的轨道病害检测性能和能力。
109.在一个实施例中，如图4所示，提供了一种轨道结构状态检测装置400，该装置具体包括：采集模块401、识别模块402，其中：
110.采集模块401，基于所述检测装置采集待检测的当前轨道数据；
111.识别模块402，将所述轨道数据输入至预先训练的多层次网络模型中，基于所述多层次网络模型确定所述当前轨道的轨道结构状态；其中，所述多层次网络模型是基于单层次网络模型得到，所述单层次网络模型用于识别一种类型的轨道结构状态，所述多层次网络模型用于识别一种或者多种类型的轨道结构状态。
112.关于轨道结构状态检测装置的具体限定可以参见上文中对于轨道结构状态检测方法的限定，在此不再赘述。上述轨道结构状态检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
113.在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤，上述轨道结构状态检测方法，包括基于待检测轨道的轨道特性布置的检测装置，所述方法包括：基于所述检测装置采集待检测的当前轨道数据；将所述轨道数据输入至预先训练的多层次网络模
型中，基于所述多层次网络模型确定所述当前轨道的轨道结构状态；其中，所述多层次网络模型是基于单层次网络模型得到，所述单层次网络模型用于识别一种类型的轨道结构状态，所述多层次网络模型用于识别一种或者多种类型的轨道结构状态。
114.在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤，上述轨道结构状态检测方法，包括基于待检测轨道的轨道特性布置的检测装置，所述方法包括：基于所述检测装置采集待检测的当前轨道数据；将所述轨道数据输入至预先训练的多层次网络模型中，基于所述多层次网络模型确定所述当前轨道的轨道结构状态；其中，所述多层次网络模型是基于单层次网络模型得到，所述单层次网络模型用于识别一种类型的轨道结构状态，所述多层次网络模型用于识别一种或者多种类型的轨道结构状态。
115.在一个实施例中，还提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，计算机程序被处理器执行时，实现上述各方法实施例中的步骤，上述轨道结构状态检测方法，包括基于待检测轨道的轨道特性布置的检测装置，所述方法包括：基于所述检测装置采集待检测的当前轨道数据；将所述轨道数据输入至预先训练的多层次网络模型中，基于所述多层次网络模型确定所述当前轨道的轨道结构状态；其中，所述多层次网络模型是基于单层次网络模型得到，所述单层次网络模型用于识别一种类型的轨道结构状态，所述多层次网络模型用于识别一种或者多种类型的轨道结构状态。
116.应该理解的是，虽然图1-3中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
117.还应理解，本文中涉及的第一、第二、第三、第四以及各种数字编号仅为描述方便进行的区分，并不用来限制本技术的范围。
118.应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
119.除非另有定义，本技术实施例所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。如有不一致，以本说明书中所说明的含义或者根据本说明书中记载的内容得出的含义为准。
120.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。
121.应理解，本技术实施例中提及的处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立
门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
122.还应理解，本技术实施例中提及的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlink dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，dr ram)。
123.需要说明的是，当处理器为通用处理器、dsp、asic、fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件时，存储器(存储模块)集成在处理器中。
124.应注意，本文描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
125.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种轨道结构状态检测方法，其特征在于，包括基于待检测轨道的轨道特性布置的检测装置，所述方法包括：基于所述检测装置采集待检测的当前轨道数据；将所述轨道数据输入至预先训练的多层次网络模型中，基于所述多层次网络模型确定所述当前轨道的轨道结构状态；其中，所述多层次网络模型是基于单层次网络模型得到，所述单层次网络模型用于识别一种类型的轨道结构状态，所述多层次网络模型用于识别一种或者多种类型的轨道结构状态。2.根据权利要求1所述的方法，其特征在于，所述多种类型的轨道结构状态包括以下至少一种：钢轨裂纹状态、扣件松脱状态、支承块破碎状态、轨枕吊空状态、减振道床隔振器吊空状态、剪力铰断裂状态；所述单层次网络模型是基于一种类型的轨道结构状态对应的轨道训练数据进行训练得到，所述多层次网络模型是对一个或者多个所述单层次网络模型进行多类别集合相关分析得到。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：对多种类型的轨道结构状态对应的轨道训练数据进行标准化处理得到标准化的轨道训练数据；基于对应类型的轨道结构状态确定各所述轨道训练数据对应的状态类别标签，基于所述状态类别标签对标准化的所述轨道训练数据进行类别编码。4.根据权利要求1所述的方法，其特征在于，所述网络模型包括单层膜网络模型及多层次网络模型，所述方法还包括：在网络模型的训练过程中，对所述网络模型进行性能评估，所述性能评估指标包括：准确率指标、病害检测率指标、虚警率指标。5.根据权利要求2所述的方法，其特征在于，所述方法还包括：对不同轨道状态类别对应的不同维度数据生成分组数据谱峭度图，并建立数据集；构建深度学习残差神经网络，并基于所述数据集训练深度残差网络，以得到具有轨道结构病害状态分类检测功能的多层次网络模型。6.根据权利要求2所述的方法，其特征在于，所述方法还包括：基于获取到的待检测的当前轨道数据生成待检测数据谱峭度图；将待检测数据谱峭度图输入至预先训练好的多层次网络模型中；基于训练好的多层次网络模型得到该待检测的当前轨道数据对应的轨道结构病害状态种类，并给出病害里程的定位信息。7.根据权利要求1所述的方法，其特征在于，所述检测装置用于设置在待检测轨道的车辆内部，用于获取轨道数据，所述轨道数据中包括但不限于轨道车辆行驶的状态参数，所述状态参数传感器振姿、噪声。8.一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序或指令，其特征在于，该计算机程序或指令被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种计算机程序产品，包括计算机程序或指令，其特征在于，该计算机程序或指令被处理器执行时实现权利要求1-7中任一项所述方法的步骤。

技术总结
本申请提出了一种轨道结构状态检测方法、计算机设备与介质，其中所述轨道结构状态检测方法，包括基于待检测轨道的轨道特性布置的检测装置，所述方法包括：基于所述检测装置采集待检测的当前轨道数据；将所述轨道数据输入至预先训练的多层次网络模型中，基于所述多层次网络模型确定所述当前轨道的轨道结构状态；其中，所述多层次网络模型是基于单层次网络模型得到，所述单层次网络模型用于识别一种类型的轨道结构状态，所述多层次网络模型用于识别一种或者多种类型的轨道结构状态。通过本申请提供的方法可以实现对多种类型状态的轨道结构病害进行识别与检测。病害进行识别与检测。病害进行识别与检测。


技术研发人员：黄俊飞 李再帏 黄俊豪 段桂平 王超 杨传坤 姚建伟 吴俊 周建军 李晶晶 胡长庚 张磊 郭英俊 刘协良
受保护的技术使用者：上海睿而维科技有限公司
技术研发日：2023.03.10
技术公布日：2023/8/14