买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：成都信息工程大学;西南交通大学

摘要：本发明公开了基于深度学习的钢轨扣件系统非表观损伤检测方法，包括构建车辆‑轨道空间耦合动力学仿真模型；对扣件系统中非表观损伤进行模拟；获取扣件系统不同的损伤类型、损伤程度和损伤位置以及不同的运行车速和轨道不平顺激励工况下引起的轴箱振动加速度信号，生成轴箱振动加速度信号的数据集，并对所述扣件系统的服役状态标注相应的标签；对所述数据集进行标准化和数据增强预处理，获得预处理后的数据集。构建了扣件系统非表观损伤检测的大数据集，解决了实际应用场景中损伤数据难以获取以及损伤样本不平衡的难题，为深度学习模型的训练和测试提供了丰富、多样的数据支持，有利于提高检测准确性、实时性和鲁棒性。

主权项：1.基于深度学习的钢轨扣件系统非表观损伤检测方法，其特征在于，包括：S1构建车辆-轨道空间耦合动力学仿真模型；S2对扣件系统中非表观损伤进行模拟；S3获取扣件系统不同的损伤类型、损伤程度和损伤位置以及不同的运行车速和轨道不平顺激励工况下引起的轴箱振动加速度信号，生成轴箱振动加速度信号的数据集，并对所述扣件系统的服役状态标注相应的标签；S4对所述数据集进行标准化和数据增强预处理，获得预处理后的数据集；S5将预处理后的所述数据集，输入预先构建的深度学习检测模型中，所述深度学习检测模型包括TimesNet模块和一维FCN模块，通过有监督学习方式训练深度学习检测模型并进行模型调参，获得训练后的深度学习检测模型；S6采用预处理后的测试集对训练后的深度学习检测模型进行性能评估；S7利用训练后的深度学习检测模型对所述扣件系统中不同类型的非表观损伤及损伤程度，进行识别和定位；将预处理后的所述数据集，输入预先构建的深度学习检测模型中，所述深度学习检测模型包括TimesNet模块和一维FCN模块，通过有监督学习方式训练深度学习检测模型并进行模型调参，获得训练后的深度学习检测模型包括：TimesNet模块包括GELU激活函数、Dropout层和两个TimesBlock，两个TimesBlock之间通过残差连接的方式进行连接；将TimesNet模块的输出作为一维FCN模块的输入来实现两个模块的连接，并对TimesNet模块的输出进行矩阵变换，使其与一维FCN模块的输入维度相匹配；一维FCN模块包括七个卷积块、一个卷积输出层和Softmax激活函数；利用预处理后的训练集训练深度学习检测模型，并通过Adam优化算法对深度学习检测模型进行误差反向传播训练，利用预处理后的验证集对训练过程中的深度学习检测模型进行性能评估，基于性能评估结果调整模型超参数；将预处理后的数据输入TimesNet模块的嵌入层，以将原始输入投射到深度特征；将得到的嵌入向量输入TimesBlock，在TimesBlock内部，通过傅里叶变换将复杂的时间变化分解为多个周期内和周期间的变化，并将一维时间序列转换为一组基于多周期的二维张量；利用参数高效的Inception块对二维张量进行二维卷积，捕捉不同时间尺度和特征之间的交互信息；将学到的二维表示重新转换回一维空间进行聚合，使TimesNet模块捕获时间序列数据中不同时间尺度的周期性模式；采用GELU激活函数对第二个TimesBlock的输出进行非线性激活，提高TimesNet模块的非线性拟合能力；GELU激活函数层之后连接Dropout层，在训练过程中采用Dropout操作随机将一部分神经元的输出值设为0；在一维FCN模块中，第一至第六个卷积块采用相同结构，每个卷积块包含两个卷积层，用于提取输入数据的局部特征，并随后连接一个池化层，用于降低特征图的空间维度；第七个卷积块中包含两个卷积层；经过七个卷积块的特征提取后，将得到的高维特征输入到卷积输出层进行卷积运算，使高维特征转换为一个较低维度的特征向量，其维度大小与扣件系统的服役状态数量相匹配；采用Softmax激活函数对特征向量进行映射，将其转换为概率分布，并根据最大的概率值判断输入样本所属的服役状态；在训练过程中，采用交叉熵作为损失函数来度量模型预测与标签之间的差异。

全文数据：

权利要求：

百度查询： 成都信息工程大学 西南交通大学 基于深度学习的钢轨扣件系统非表观损伤检测方法