隨著高速鐵路的快速發(fā)展,鋼軌波磨檢測問題也越來越被重視。面對多樣的數據形態(tài)以及龐大的數據量,研究鋼軌波磨特征的有效提取和快速檢測方法具有重要意義。本文主要通過分析高速鐵路實測軸箱振動加速度信號,嘗試利用深度學習技術研究鋼軌波磨的有效檢測方法。針對數據存在的類別極度不平衡問題,通過改進的基于動態(tài)時間規(guī)整算法對實測數據進行增強,在此基礎上利用深度學習方法對鋼軌波磨進行檢測,取得了良好的效果。主要工作創(chuàng)新如下:1.提出了一種基于同步提取短時傅里葉變換的鋼軌波磨檢測以及數據自動標簽標注方法。通過分析高鐵軸箱振動加速度信號的時頻域特征,引入同步提取短時傅里葉變換提取信號的瞬時頻率進行波磨檢測和標簽標注工作。實驗結果表明同步提取短時傅里葉變換得到的時頻平面能量更加集中,提取信號的瞬時頻率較準確且抗噪性較好。2.提出了一種基于數據增強和支持向量機相結合的鋼軌波磨檢測方法。利用基于動態(tài)時間規(guī)整的數據增強方法對不平衡實測數據進行數據增強。同時改進了細菌覓食優(yōu)化算法,來優(yōu)化支持向量機的核參數和懲罰系數。實測數據驗證了該算法在鋼軌波磨識別方面具有良好效果。3.提出了一種基于深度學習的鋼軌波磨檢測方法。利用密... 

【文章來源】：北京建筑大學北京市

【文章頁數】：63 頁

【學位級別】：碩士

【部分圖文】：

圖２－１實測數據

第ａ章時頻分析方法與ｂ舞時頻率提取方法??第２章高鐵軸箱振動加速度數據的時頻特征分析??本章主要介紹實測高鐵軸箱振動加速度數據，并對數據進行時頻特征分析。??２．１高鐵軸箱振動加速度實測數據介紹??本研宄的數據來自某高鐵線路收集到的軸箱振動加速度實測數據，如圖２－１、圖２－??２所示。數據采樣頻率為２０００Ｈｚ，總里程為２５１ＫＭ。??里程?左軌數據右軌數據?速度??，?，?，?，???１?０．９１?０．４５；—?１２８．７??１?－０．０３?０．３６?１２８．７?１?５０．?｜｜??１?－１．４?０．８３?１２８．８?．?Ｉ??１?１．２７?０．４７?１２８．７?１００?＿?，?ｉ??ｊ?１－〇３?１２ａ７?｜??０．７９??１?－１．４?－０．５１?１２８．８?Ｋ?－１〇〇?■?Ｉ?Ｉ?－??１?－０．０３?－ｉ．０８?＝?１２８．８?Ｉ１??１?１．１５?１．０２?１２８．８?＿１５°?＇?丨??１．０００３?－２．５６?－２．０２?１２８．８??１．０００３?１．０３?２．０４?１２８．８?＇??１．０００３?１．７?ｊ?－２．７９?１２８．８?＿２５〇?，?，?．?，???１．０００３?－１．４３?１．８９?１２８．９?０?５０?１００?１５０?２００?２５０??１．０００３?￣－２．２３?０．１９１?１２８．８｜?Ｍｉｌｅ／ｋｍ??圖２－１實測數據?圖２－２實測數據時域信號??Ｆｉｇ．２－１?Ｍｅａｓｕｒｅｄ?Ｄａｔａ?Ｆｉｇ．２－２?Ｒａｗ?Ｄａｔａ??鋼

第ａ章時頻分析方法與ｂ舞時頻率提取方法??第２章高鐵軸箱振動加速度數據的時頻特征分析??本章主要介紹實測高鐵軸箱振動加速度數據，并對數據進行時頻特征分析。??２．１高鐵軸箱振動加速度實測數據介紹??本研宄的數據來自某高鐵線路收集到的軸箱振動加速度實測數據，如圖２－１、圖２－??２所示。數據采樣頻率為２０００Ｈｚ，總里程為２５１ＫＭ。??里程?左軌數據右軌數據?速度??，?，?，?，???１?０．９１?０．４５；—?１２８．７??１?－０．０３?０．３６?１２８．７?１?５０．?｜｜??１?－１．４?０．８３?１２８．８?．?Ｉ??１?１．２７?０．４７?１２８．７?１００?＿?，?ｉ??ｊ?１－〇３?１２ａ７?｜??０．７９??１?－１．４?－０．５１?１２８．８?Ｋ?－１〇〇?■?Ｉ?Ｉ?－??１?－０．０３?－ｉ．０８?＝?１２８．８?Ｉ１??１?１．１５?１．０２?１２８．８?＿１５°?＇?丨??１．０００３?－２．５６?－２．０２?１２８．８??１．０００３?１．０３?２．０４?１２８．８?＇??１．０００３?１．７?ｊ?－２．７９?１２８．８?＿２５〇?，?，?．?，???１．０００３?－１．４３?１．８９?１２８．９?０?５０?１００?１５０?２００?２５０??１．０００３?￣－２．２３?０．１９１?１２８．８｜?Ｍｉｌｅ／ｋｍ??圖２－１實測數據?圖２－２實測數據時域信號??Ｆｉｇ．２－１?Ｍｅａｓｕｒｅｄ?Ｄａｔａ?Ｆｉｇ．２－２?Ｒａｗ?Ｄａｔａ??鋼


本文編號：3136712