基于DRSN和person相关系数的道床故障预警方法
技术领域
本发明属于道床故障预警领域，具体涉及一种基于DRSN和person相关系数的道床故障预警方法。
背景技术
随着城市经济的增长和人口出行的巨大需求，越来越多的交通方式涌现出来，其中地铁由于承载能力强、速度快和不占用地面空间等一系列优点，获得了越来越多的关注。地铁线路服役周期长且地铁道床作为地铁交通的重要地下基础设施，其结构不可避免受到列车荷载地长期反复作用、材料老化及其耦合作用的影响从而产生劣化和故障；如果不对地铁道床严加检查与维护会造成严重的生命与财产损失及恶劣的社会影响；但是采用人力检查的成本过于昂贵且费时。近年来，随着通信网络、信号处理、人工智能等技术的不断发展，加速了地铁监测系统的实用化和工程应用研究。地铁结构健康监测是一种对地铁结构状况开展监控与评估的有效方法，可以为地铁结构道床的维护和管理提供决策依据与指导。搜集并分析长期、连续的地铁道床监测数据，可对服役道床结构的潜在病害或故障进行预警和报警。
通过沿线道床的分布式光纤传感监测，可以采集列车在运行过程中不同测区道床受激产生的振动响应。深度学习技术与结构健康监测的结合十分有利于分析和处理监测系统采集的大量数据。由于地铁道床在铺设时，周边环境以及地质结构的不同，当忽略列车运行速度差异对结构振动响应影响时，相同测区产生的振动响应特征具有一致性，不同测区产生的振动响应特征则存在差异性。该前提下，在列车通过激励下，拾取同一测区道床受激产生的振动响应，度量振动信号间的相关性，可以为道床结构故障预警提供指导性意见。由于地铁结构的地质环境复杂，健康监测系统采集数据中往往存在信号突变以及复杂噪声，直接度量原始信号的相关性，会使道床故障预警准确性较低。因此，抑制原始信号中复杂噪声并提取其特征后开展特征间的相关性度量，对提升故障预警的准确性意义重大。
发明内容
本发明的目的在于，提供一种基于DRSN和person相关系数的道床故障预警方法，抑制道床振动信号噪声，提升道床结构故障预警可靠性。
本发明所采用的技术方案如下：
一种基于DRSN和person相关系数的道床故障预警方法，包括以下步骤：
获取道床的多条振动响应信号；
计算每条振动响应信号的有效值，有效值计算公式如下：
式中，Val表示有效值，n表示时间点的个数，mi表示时间点i的振动响应幅值；
以其中一条振动响应信号的有效值作为基准有效值，将其余振动响应信号按照其有效值与基准有效值的比例进行幅值缩放，得到训练样本；
利用训练样本训练DRSN网络模型；
将道床结构状态正常和结构状态未知的振动响应信号进行幅值缩放，然后分别输入到DRSN网络模型中，提取特征向量；
利用person相关系数计算两个特征向量的相关性，并与预设阈值进行比较，判断道床是否出现故障。
优选地，两次进行幅值缩放后，均对振动响应信号进行长度切割。
优选地，切割形成的相邻样本重叠部分数据点。
优选地，重叠部分占切割长度的一半。
优选地，道床结构状态未知的振动响应信号切割后形成n条样本，最终得到的特征向量记为
道床结构状态正常的振动响应信号切割后形成i条样本，最终得到的特征向量记为S＝{s1，s2，…，si}；
计算Sτ中每个特征向量与S中每个特征向量之间的相关性，总共有n×i条相关值；
统计相关值异常的比例，若超过预警阈值则进行报警。
优选地，训练DRSN网络模型之前，将训练样本进行归一化处理，将其数值映射到(-1，1)之间。
优选地，归一化处理公式如下：
式中，x代表训练样本，min(x)代表输入样本数据中的最小值，max(x)代表输入样本数据中的最大值。
优选地，为抑制信号中噪声对特征学习的干扰，利用软阈值方式抑制噪声，表达式如下所示：
式中：x表示网络学习的特征，t表示阈值。
优选地，DRSN网络模型训练的具体步骤如下：
1)设置输入层的输入大小，并依次经过卷积层、两个残差收缩层、卷积层、两个残差收缩层、全局平均池化层和全连接层；
2)将网络的参数按照正态分布随机赋值；
3)将训练样本作为输入，训练DRSN网络模型；
4)将训练样本划分为多个批次batch_size；
5)设置学习率learning_rate为c，设置最大训练次数epoch为k次；
6)设置输入层到隐藏层连接方式为其中，relu为激活函数，w1为输出层到隐藏层的权值矩阵，b1为隐藏层的偏置值，i＝1,2,…,batch_size；
7)设置隐藏层到输出层连接方式为z(i)＝relu(w2·y(i)+b2)，其中，relu为激活函数，w2为隐藏层到输出层的权值矩阵，b2为输出层的偏置值，i＝1,2,…,batch_size；
8)DRSN网络模型的训练目标是找到一组最优的网络参数使损失函数L(w1，w2，b1，b2)最小，损失函数表达式如下所示：
式中：等式右边第一项表示网络输入数据与输出数据的误差总和；第二项为正则化约束项，用于防止训练过拟合；和z(i)分别是第i个样本的输入向量和重构向量；表示和z(i)之间的均方差，其表达式如下式所示：
9)设置合适的learning_rate和batch_size，通过梯度下降算法训练DRSN模型，使损失函数收敛。
本发明的有益效果为：本发明针对表征道床结构状态健康的监测数据量大而反映道床故障的可参考样本较少的情况，提出了一种轨道故障预警的方法。针对列车速度差异对响应幅值的影响，提出利用有效值来减弱幅值的差异。针对环境噪声严重和信号发生突变的情况，利用残差收缩卷积神经网络抑制信号的噪声并提取其特征。
进一步地，训练前将样本进行归一化处理，加速网络的收敛；为了提高故障预警的可靠性，引入统计分析策略分析特征异常的比例。
附图说明
图1是本发明的基于DRSN和person相关系数的道床故障预警方法框架流程图。
图2是本发明的测区受激产生的振动信号以及切割信号。
图3是本发明的残差收缩网络模块的示意图。
图4是本发明的特征提取的网络模型示意图。
具体实施方式
下面将结合附图对本发明作进一步的说明：
为了更好地抑制原始信号噪声，提升道床结构故障预警可靠性。首先，基于残差收缩卷积神经网络对原始切割信号进行特征提取。其次，利用person相关系数对提取的信号特征进行相关性度量，实现道床故障预警。
实施例一：
本发明技术方案利用残差收缩卷积神经网络DRSN对预处理的原始信号进行特征提取，利用皮尔森相关系数度量特征相关性，如图1所示，主要步骤包括：
(1)在地铁道床所有测区中随机选取多个测区(以3个为例)多天(以两天为例)的振动响应信号，每个测区分别包含a条原始样本，其中样本采样频率为1000Hz。
(2)为了抑制速度差异对振动响应幅值的影响，利用有效值表示响应幅值与速度之间的关系，其中有效值的计算公式为如下式所示：
有效值
式中，n代表样本的时间点个数，mi为当前时刻的响应幅值。
(3)将某一条响应信号的有效值作为比较基准，其余每条均按照其有效值与基准有效值的比例进行缩放。
(4)通过上述步骤，可抑制列车行驶速度差异对响应幅值的影响。
(5)经过以上预处理后，将数据按照1024长度进行切割，切割的目的主要是为了统一模型输入信号的长度，并考虑对切割后的每条样本重叠512个数据点。如图2所示，图2上方为未切割的信号，下方为切割的两个样本，两个样本中有部分数据重叠。
(6)经过数据切割操作后，每个测区的样本数量为m条，则样本总数据量为3*m条。
(7)将总样本量按照80％和20％的比例分为训练样本和测试样本。
(8)使用训练样本训练残差收缩卷积神经网络DRSN，并用测试样本检验网络的性能。
(9)利用训练好的网络模型提取测试集样本特征。
(10)选择其他时间段地铁列车经过3个测区中的某一个测区受激产生的振动信号，并将其进行复制缩放和切割。这样1条信号可以分割为n条信号，然后计算切割后每段信号经过网络提取的特征，并将其记为Si＝{l1，l2，…，ln}。
(11)当地铁道床某个测区结构处于安全和稳定状态下时，该测区受激产生的振动信号的特征具有一致性，即振动信号的特征可以与结构的状态建立联系。当某一测区结构发生故障时，该测区受激产生的振动信号特征与结构正常状态下振动信号特征的相关性差异会变大。因此度量当前时段信号的特征与正常结构受激产生的振动信号特征的相关性，可以作为判断结构是否发生故障的一种依据。
(12)利用person相关系数计算Si与对应测区的特征集合之间的相关性，并设置一定的阈值，若当前特征与之前特征的相关性低于该阈值，表示该区域可能有异常。此外，还可统计特征相关性异常的比例，若异常比例超过预设值时，则需要发出预警，提醒检查人员及时检查该测区结构是否出现故障，提高可靠性。
实施例二：
本发明是一种基于残差收缩卷积神经网络和person相关系数的地铁道床预警方法，图1是本发明总体流程。道床故障预警的对象是采样率为1kHz时3个测区两天的振动数据。
为抑制列车速度对响应幅值的影响，以某一振动信号作为基准，计算其有效值Val1。然后计算另外信号的有效值Val2，并将Val2与Val1的比值作为当前信号幅值缩放的比例。
每个测区包含21条完整的行车数据。将每个完整的行车数据按照1024的长度进行切割，并且样本间按照512个点进行重叠。由此，一条完整的行车数据可以切割为12条样本。最后，每个测区的训练样本包含252条，总的训练样本包含3*252条。完整的行车数据波形和切割后的波形示意图如图2所示。
为了加速网络的收敛，训练前将样本进行归一化处理，将其数值映射到(-1，1)之间，如下式所示：
式中：x代表切割后的预处理样本，min(x)代表输入样本数据中的最小值，max(x)代表输入样本数据中的最大值。
本发明利用残差收缩卷积神经网络提取信号特征，将网络的第7层作为信号的特征，模型结构示意图如图4所示，其中残差收缩模块示意图如图3所示。图3中软阈值是通过神经网络训练自动获得每个通道的阈值，记为T＝{t1，t2，…，tc}。其中tc表示c通道的软阈值。
由于输入样本中的噪声，网络学习样本特征时会受到影响，为抑制信号中噪声对特征学习的干扰，利用软阈值方式，表达式如下式所示：
式中：x表示网络学习的特征，t表示阈值。
图中4中输入层表示切割的预处理样本，输入尺寸为1×1024×1。输出层表示输入样本对应的测区。
对残差收缩卷积神经网络模型(DRSN)进行训练的具体步骤如下：
1)首先设置输入层的输入大小为1*1024*1，并依次经过卷积层、两个残差收缩层、卷积层、两个残差收缩层、全局平均池化层和全连接层。
2)为了使网络更好的学习数据特征和网络快速收敛，将网络的参数按照正态分布随机赋值。
3)然后将训练集数据作为输入，训练DRSCNN网络。
4)为了使网络达到较好的训练效果，将训练集划分为多个批次batch_size。
5)设置学习率learning_rate为c，设置最大训练次数epoch为k次。
6)设置输入层到隐藏层连接方式为i＝1,2,…,batch_size。其中relu为激活函数，relu(x)＝max(0，x)，w1为输出层到隐藏层的权值矩阵，b1为隐藏层的偏置值。
7)设置隐藏层到输出层连接方式为z(i)＝relu(w2·y(i)+b2)，i＝1,2,…,batch_size。其中relu为激活函数；w2为隐藏层到输出层的权值矩阵，b2为输出层的偏置值。
8)DRSN网络模型的训练目标是找到一组最优的网络参数使网络的损失函数L(w1，w2，b1，b2)最小，其表达式下式所示：
式中：等式右边第一项表示网络输入数据与输出数据的误差总和；第二项为正则化约束项，用于防止训练过拟合；和z(i)分别是第i个样本的输入向量和重构向量；表示和z(i)之间的均方差，其表达式如下式所示：
9)设置合适的learning_rate和batch_size，通过梯度下降算法训练DRSCNN模型，使损失函数收敛以及验证集准确率达到最大且收敛时完成训练。
将特征提取网络模型训练完成后，轨道故障预警的流程如下：
1)在3个测区中选择其中一个测区结构状态正常下的多组振动信号，将其进行预处理，然后经过DRSCNN网络，将第7层网络的重构向量作为特征向量，记为S＝{s1，s2，…，si}。
式中，si表示样本i的特征，S代表所有样本的特征集合。
2)将结构状态未知的同一测区受激产生的一组振动信号经过训练好的DRSCNN网络提取特征，得到特征向量
3)设置相关系数的阈值t，当两个特征之间的相关性系数低于t时，代表两个特征之间存在的关联性差，存在异常。
4)计算Sτ中每个特征与S中每个特征之间的相关性，总共有n×i条相关系数值。统计相关系数异常的比例，若超过预警阈值就进行报警。
综上所述，本发明公开一种基于残差收缩卷积神经网络和person相关系数相结合的地铁道床故障预警方法。首先，对采集获得的表征道床状态的原始分布式光纤光栅振动信号进行预处理，抑制速度差异对响应幅值的影响。其次，利用残差收缩卷积神经网络对切割后的预处理信号进行特征提取，并利用person相关系数对提取的特征进行相关性度量。然后基于统计分析策略对相关性异常的信号比例进行统计，当某个区域的异常比例超过预设阈值，则对该区域道床发出故障预警。
本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
