检索结果-内蒙古大学图书馆

铁道学报 2020年第2期42卷 110-116页

作者：汪鑫王平陈嵘高原刘潇潇西南交通大学高速铁路线路工程教育部重点实验室

获取具有准确里程信息的动检车检测数据,是实现高速铁路线路的高效养护维修与分析其状态演变规律的基本前提。针对当前处理动检数据里程误差的不足,如区段内数据波形重复性差或依据单次检测数据处理误差等会造成错误修正,通过引入约束... 详细信息

获取具有准确里程信息的动检车检测数据,是实现高速铁路线路的高效养护维修与分析其状态演变规律的基本前提。针对当前处理动检数据里程误差的不足,如区段内数据波形重复性差或依据单次检测数据处理误差等会造成错误修正,通过引入约束条件、动态尺度系数以识别、处理特殊区段并综合考虑多次检测数据,提出一种更可靠的里程误差评估模型,采用拉格朗日乘子法求解该模型并基于线性变换与插值方法修正里程误差,最后应用该方法编制了动检数据分析软件。结合某高速铁路动检数据研究发现:不合理的模型尺度参数会降低修正精度,建议取40~120m;在99.7%置信度下,任意两次动检数据间里程误差可控制在0.54m内;本文方法能有效处理实际工程中动检数据的里程误差问题,结合数据点标准差方法可实现快速定位线路几何状态波动明显的位置并准确评估线路养护维修作业效果。

关键词：高速铁路动检数据里程误差数据波形拉格朗日乘子法

来源：评论

学校读者我要写书评

暂无评论

动检数据跨场景配准及无效数据检测算法研究

动检数据跨场景配准及无效数据检测算法研究

引用

作者：郑航北京交通大学

学位级别：硕士

我国高铁建设成就斐然,建设和运营里程均居世界第一。为保障安全运营,多年来轨道综合检测列车采集了大量的轨道检测数据,检测数据类型和规模与日剧增。从海量的动检数据中挖掘轨道多维度检测数据与轨道病害间关系及发展趋势,对于轨道线... 详细信息

我国高铁建设成就斐然,建设和运营里程均居世界第一。为保障安全运营,多年来轨道综合检测列车采集了大量的轨道检测数据,检测数据类型和规模与日剧增。从海量的动检数据中挖掘轨道多维度检测数据与轨道病害间关系及发展趋势,对于轨道线路养护具有重要的意义。实际检测过程中,由于设备故障、环境因素等多种原因导致动检数据中存在里程偏差和无效数据的问题,对轨道状态分析造成阻碍。本文针对动检数据中的里程配准问题和无效数据检测问题展开研究,并开发了动检数据应用软件方便相关研究应用,主要工作和研究内容如下:(1)针对动检数据由于受环境、列车自身等多种原因造成的不同次检测数据之间存在里程分布不均匀的里程偏差问题,提出了一种融合一维卷积神经网络和动态时间规整的动检数据里程配准方法。该方法首先通过利用大量的轨道检测数据建立数据集,对1DCNN模型进行训练,实现不同类型的线段分类,并且应用多种拐点检测算法,实现曲线路段特征点的检测,基于特征点实现轨道检测数据的分段,针对里程范围控制在一定范围内的分段,再运用动态时间规整算法进行进一步配准。实验结果表明特征点相对位置的检测误差均值一般在10m以内,检测个数误差不超过5%,进一步配准结果在多种评价指标上显示了有效性。(2)针对动检数据中存在多种无效数据问题,基于动检数据的数据特性和无效数据的表现形式,使用无监督时序数据异常检测方法进行研究,提出了一种基于重构与聚类的无监督无效数据检测算法模型SOM-GMMGAD。模型使用带有对抗网络模块的自编码器对动检数据进行重构,使用自组织映射来减小重构的降维过程中对于原始数据空间拓扑结构的破坏,同时结合高斯混合模型来计算聚类误差,使用重构误差与聚类误差进行综合评分。通过与多个模型在动检数据集中的对比,验证了模型的有效性。(3)为了方便相关算法的应用,设计开发了高铁动检数据分析应用软件,可以实现对动检数据进行里程配准和结果显示,从应用软件的角度出发一定程度上提升了配准算法的效率,对于无效数据检测结果进行突出显示,方便研究人员进行结果分析。

关键词：动检数据里程配准异常检测无监督学习

来源：评论

学校读者我要写书评

暂无评论

基于Transformer的高铁动检数据异常检测与分类算法研究

基于Transformer的高铁动检数据异常检测与分类算法研究

引用

作者：王思博北京交通大学

学位级别：硕士

随着我国高速铁路的蓬勃发展,保障高铁列车在运行时的安全变得尤为重要。轨道病害极大地提高了高铁列车运行时安全风险。针对轨道病害检测,我国铁路部门主要通过轨道综合检测车来对高铁轨道进行定期巡检,长年累月的检测积攒了大量的动... 详细信息

随着我国高速铁路的蓬勃发展,保障高铁列车在运行时的安全变得尤为重要。轨道病害极大地提高了高铁列车运行时安全风险。针对轨道病害检测,我国铁路部门主要通过轨道综合检测车来对高铁轨道进行定期巡检,长年累月的检测积攒了大量的动检数据。其中蕴含着反映轨道异常状态的特征,通过算法对动检数据进行异常检测可以对轨道异常进行定位。然而动检数据规模大、噪声干扰、缺乏标注、相关性复杂等特点给异常检测工作带来了极大的障碍。针对这一挑战,本文基于深度学习理论,并针对动检数据的特点,分别从无监督和半监督两个角度,开展了异常检测算法和异常分类算法的研究,主要工作如下: (1)针对高铁动检数据规模大、相关关系复杂、存在噪声干扰和异常样本稀少问题,提出了基于生成对抗网络的无监督动检数据异常检测算法。首先,该算法使用了基于Prob Sparse Attention的改进Transformer编解码器来提取数据的长期依赖关系;其次,采用了基于生成对抗网络的模型架构来放大重构误差并解决样本不纯问题;最后,通过动态时间规整算法对输入数据和重构结果的偏差进行度量得到异常分数,并根据异常分数是否超过阈值来判定异常。实验结果表明,在三个公开数据集和动检数据集上,本文算法的F1评价指标结果均优于其他基准算法。 (2)针对高铁动检异常数据稀少、相关特征难以提取以及对噪声的过拟合问题,提出了基于Transformer的半监督动检数据异常分类算法。首先,该算法采用了一致性正则化的半监督学习方式,通过引入无标签数据解决了样本不足的问题,并防止了模型对于噪声数据的过拟合;其次,采用了基于Prob Sparse Attention改进的Transformer双编码器结构,分别对序列内部和通道间的相关性进行捕获,之后通过门控机制进行特征合并;最后,通过基于全连接网络的分类器得到分类结果。实验结果表明,本文算法在各指标上的结果均优于基准算法。

关键词：动检数据异常检测异常分类 Transformer 生成对抗网络半监督学习

来源：评论

学校读者我要写书评

暂无评论

面向多元不均衡动检数据的异常检测与分类算法研究

面向多元不均衡动检数据的异常检测与分类算法研究

引用

作者：逄英蕊北京交通大学

学位级别：硕士

十多年来高铁的飞速发展，有力地促进了经济持续健康发展，进一步构建了新发展格局。我国高速铁路具有路网规模大、地质及气候条件多样、运用环境复杂的典型特征。这一复杂背景给高速铁路基础设施服役性能保持和检修维护带来严峻挑战。... 详细信息

十多年来高铁的飞速发展，有力地促进了经济持续健康发展，进一步构建了新发展格局。我国高速铁路具有路网规模大、地质及气候条件多样、运用环境复杂的典型特征。这一复杂背景给高速铁路基础设施服役性能保持和检修维护带来严峻挑战。高速综合检测列车会对基础设施进行周期性检测与评价，快速查找安全隐患与病害，确保高速铁路安全高效运营。但周期性检测所生成的海量多元动态检测数据还未得到深入挖掘和利用，面临非铁路基础设施病害异常数据的负面影响。针对轨道动态检测数据具有噪声大、变量间相关关系复杂、异常数据样本稀疏、不同异常类型表征难等挑战，本文从铁路检测数据体系与人工智能交叉融合的角度，开展异常检测与分类算法的研究，主要内容包括:　　(1)针对动检数据具有噪声大、变量间相关关系复杂、异常数据样本稀疏的挑战，提出了基于Transformer的异常数据检测方法，包含半孪生网络结构和损失计算两个模块。首先，在半孪生网络结构模块中利用注意力机制对数据的变化趋势以及数据的相关性进行建模，并通过两个孪生分支对训练样本进行挑选，仅使用干净样本更新网络，降低噪声对模型效果的影响。其次，在损失计算模块中计算互信息损失增强解码器从编码器中获取信息的能力，计算一致性损失对孪生分支结果的相似性进行约束，计算预测损失保证模型的准确度。最后，在动检数据集上进行对比实验，提出的方法与10个基线模型相比取得综合指标最优的结果;在两个公开数据集上进行泛化性实验，所提方法的所有评价指标均为最优或次优。　　(2)针对动检数据异常表征难导致的分类任务决策边界模糊的挑战，提出了基于时间卷积位置编码和频域增强的异常分类方法，涵盖位置嵌入模块和特征提取模块。首先，在位置嵌入模块中利用时间卷积位置编码在数据嵌入阶段进行卷积操作并将数据长度以及嵌入维度加入位置计算过程中。其次，在特征提取模块中利用傅里叶变换将数据从时域转换到更为稀疏的频域，利用多尺度平均池化从多个角度对数据的全局信息进行提取并保存。最后，在动检数据异常分类数据集上与5个基线模型进行对比实验，提出的方法在所有评价指标上取得了最优。

关键词：动检数据异常检测异常分类 Transformer模型时间卷积位置编码频域增强

来源：评论

学校读者我要写书评

暂无评论

轨道动检数据异常检测及缺失数据插补算法研究

轨道动检数据异常检测及缺失数据插补算法研究

引用

作者：杨正泽北京交通大学

学位级别：硕士

轨道动检数据是由综合检测车定期对高速铁路轨道结构进行动态检测而得到的,是一种典型的由多传感器检测数据组成的多维时间序列数据,具有多维、异构以及影响因素复杂等特点。利用数据挖掘技术对动检数据进行深入分析研究,不仅对于及时... 详细信息

轨道动检数据是由综合检测车定期对高速铁路轨道结构进行动态检测而得到的,是一种典型的由多传感器检测数据组成的多维时间序列数据,具有多维、异构以及影响因素复杂等特点。利用数据挖掘技术对动检数据进行深入分析研究,不仅对于及时掌握轨道安全服役状态,研究其演化规律,进而为养护维修工作提供技术支撑,保证安全运营具有重要实际意义,而且由于动检数据序列具有含多种噪声和异常、不同属性之间存在复杂的隐性关联、数据样本类别极度不平衡等特点,利用其开展时序数据分析研究也具有重要的理论意义。本文主要针对轨道动检数据的异常检测和缺失值插补展开研究,首先开展动检数据异常检测,提出结合自适应融合模块与自编码器的动检数据异常检测方法。然后针对传感器设备故障、人为错误或者环境因素导致的数据缺失,开展缺失数据插补算法研究。本文的主要工作及研究内容包括: (1)针对动检数据存在类别不平衡以及多维之间存在复杂关联关系的挑战,提出一种结合自编码器和自适应融合模块的无监督动检数据异常检测方法(Adaptive TCN-GRU Auto-Encoder,ATGAE)。该方法利用加噪模块Dropout来加强模型对噪声数据的鲁棒性,设计了栈式门控循环单元Stacked＿GRU和时域卷积网络TCN的编码器,在时间步上通过构建短期依赖关系和长期依赖关系增强模型的泛化能力,特别地,设计了自适应融合模块实现潜在表征的有效融合,利用栈式门控循环单元网络和全连接网络进行特征解码,从而实现异常检测。本文在高铁真实动检数据集上构建了对比实验和消融实验,实验结果表明本文提出的ATGAE模型在检测性能和鲁棒性方面均优于对比模型,研究成果为实际工程应用提供了一种有效的方法。 (2)动检数据的采集过程受环境、天气等多种复杂因素影响,导致采集数据存在缺失情况,针对此问题,本文提出了基于生成对抗网络和GRU-TP的动检缺失数据插补方法(Gated Recurrent Unit based on Time and Position-Generative Adversarial Network,GRU-TP-GAN)。本方法从多维数据的时空关联性出发,将缺失值插补的问题视为数据生成问题,设计了时位-门控循环单元GRU-TP作为生成器结构,对不完整时间序列的时间不规则性进行建模,以充分利用关联信息。设计了由GRUTP网络和全连接网络组成的鉴别器,实现缺失值插补。本文在高铁真实动检数据集上构建了对比实验和消融实验,实验结果验证了该模型的有效性,同时在公共医疗数据集Physio Net上构建的实验也进一步地验证了该方法的泛化性。

关键词：动检数据异常检测数据插补自编码器生成对抗网络

来源：评论

学校读者我要写书评

暂无评论

高铁轨道动检数据配准及异常检测算法研究

高铁轨道动检数据配准及异常检测算法研究

引用

作者：徐文龙北京交通大学

学位级别：硕士

近年来,我国高铁建设蓬勃发展,高铁基础设施的状态检测和评价技术也与时俱进。轨道综合检测列车定期检测轨道线路状况获得的动检数据是进行轨道服役状态评价的基础性数据,同时也是一种特殊的多维时间序列数据。以机器学习理论为基础,从... 详细信息

近年来,我国高铁建设蓬勃发展,高铁基础设施的状态检测和评价技术也与时俱进。轨道综合检测列车定期检测轨道线路状况获得的动检数据是进行轨道服役状态评价的基础性数据,同时也是一种特殊的多维时间序列数据。以机器学习理论为基础,从规模庞大的动检数据中挖掘轨道状态演化规律和数据内在关联关系,建立有效的轨道状态异常检测模型,为高铁线路状态评价和线路养护维修提供辅助决策,对高铁轨道质量评价和维护具有重要的实际意义,同时在数据挖掘技术领域也具有重要的研究价值。本文针对高铁轨道动检数据展开数据挖掘研究,首先对动检数据普遍存在的里程偏移展开配准研究,然后针对动检数据中典型的异常数据展开动检数据异常检测研究,最后结合实际的工程应用需求开发了动检数据综合应用系统。本文的主要工作和研究内容包括:(1)针对不同时段检测的动检数据中普遍存在的里程偏移且偏移具有不确定性的问题,提出了一种基于曲线特征点的滑动窗口动态时间规整里程配准算法(CFP-SW-DTW,Dynamic time warping mileage algorithm based on curve feature points with sliding window)。该算法首先通过线性拟合超高的方式提取轨道曲线特征点,并根据提取的特征点粗配准,将里程偏差缩小在误差22m范围内,然后用滑动窗口动态时间规整(SW-DTW)里程配准算法进行精细化配准,降低了序列配准出现的奇异点现象。本文构建了动检数据里程偏移仿真数据集对提出的算法进行了定量的配准实验分析,并在真实动检数据集上验证本文算法在TAM(Time Alignment Measurement)指标和时间消耗上的性能优势,为后续的数据挖掘研究提供了配准数据基础。(2)针对轨道动检异常数据类型多,分布不确定的问题,本文在动检数据里程配准的基础上,提出了一种基于图注意力机制的无监督多维时序数据异常检测模型(GAT-USAD,Unsupervised Anomaly Detection Multivariate Time Series Based on Graph Attention Network)。该模型中的图注意力网络提取动检数据的数据特征关系,用对抗性训练的自编码器构建编码重建结果与原始输入的重建误差,并通过重建误差来判断异常数据。本文构建了符合动检数据典型异常状态的仿真数据集,并在此数据集上开展实验验证了本文提出的异常检测模型在提取动检数据特征之间的注意力关系和检测点邻域内各采样点间注意力关系的优势。与基准网络USAD模型相比,GAT-USAD在动检数据异常检测综合性能指标F1得分上获得约1.2%的提升。(3)结合在动检数据研究领域和工程应用领域的实际需求,设计并开发了“高铁动检数据综合应用系统”。该系统集成了动检数据检索、数据可视化、数据预处理、里程配准和异常检测等功能模块,具有管理便捷和智能化分析的特点,为从事动检数据挖掘和研究的科研技术人员提供了一个专业的数据管理和分析系统。

关键词：动检数据时序数据配准异常检测图注意力网络自编码器

来源：评论

学校读者我要写书评

暂无评论

基于绝对里程校准的动检数据异常检测算法研究

基于绝对里程校准的动检数据异常检测算法研究

引用

作者：张洋北京交通大学

学位级别：硕士

随着我国高铁建设的快速发展,高铁基础设施的状态检测和评价技术需求也日益迫切。动检数据是通过轨道综合检测列车定期检测轨道线路状况获得的一种特殊的多维时间序列数据,能及时、真实地反映实际轨道服役状态。基于数据挖掘理论对规模... 详细信息

随着我国高铁建设的快速发展,高铁基础设施的状态检测和评价技术需求也日益迫切。动检数据是通过轨道综合检测列车定期检测轨道线路状况获得的一种特殊的多维时间序列数据,能及时、真实地反映实际轨道服役状态。基于数据挖掘理论对规模庞大的动检数据进行里程维度校准,并构建有效的轨道状态异常检测模型,对于保障高铁运营安全有着重要的意义。同时动检数据作为一种特殊的时间序列数据,在数据挖掘领域也具有重要的研究价值。本文基于机器学习的理论基础,针对动检数据的里程偏差问题开展里程维度校准方法的研究,在此基础上研究动检数据异常检测模型,并从应用需求出发,研发了动检数据里程校准及异常检测系统。本文的主要工作和研究内容包括有:(1)针对综合检测车检测过程中受内外因素影响产生沿里程不均匀分布的里程偏差的问题,本文提出了一种台账辅助的动检数据绝对里程校准方法。该方法首先基于台账超高曲线特征点对采样后的检测数据使用D-DTW(Derivative Dynamic Time Warping)算法进行动检数据特征点定位和曲线自动分段,再对台账超高数据和检测数据的曲线分段进行基于shape-DTW(shape Dynamic Time Warping)算法的精细匹配,结合校准路径和已知台账先验特征点进行检测数据曲线特征点的定位,通过将检测数据曲线特征点校准到台账先验曲线特征点的里程位置实现动检数据的绝对里程校准。在某条高铁线路的实测动检数据上的实验表明,该校准方法在TAM(Time Alignment Measurement)值和校准速度上都优于对比方法,检测得到的曲线长度平均误差占比仅为0.36%,且校准后的动检数据在轨距标准差上平均下降23%,在左高低数据序列的皮尔逊相关系数、DTW距离和平均绝对误差上均优于校准前,达到了工程应用要求。(2)针对动检数据存在异常种类多、分布具有不确定性、异常占比极低的特点,本文在动检数据里程校准的基础上,提出了一种结合图注意力和图偏差学习的动检数据异常检测模型(GATDN,Graph Deviation Network based on Graph Attention Network),实现了动检数据的无监督异常检测。该模型在多个维度上捕获注意力分数,通过图偏差学习数据特征之间相关性最大的Top K个特征之间的相互关系,并基于图偏差分数进行异常判断。在高铁线路实测动检数据上的实验表明,该模型相较对比模型,查全率和F1得分分别提升了4.9%和1.1%。(3)针对动检数据里程校准和异常检测的应用需求,研发了高铁动检数据里程校准及异常检测系统,该系统可实现基于本文提出的校准方法的里程校准功能和基于GATDN的动检数据异常检测功能,为行业相关科研和工程人员的动检数据智能处理和分析工作提供了有力的技术支撑。

关键词：动检数据里程校准时间序列数据配准图偏差学习异常检测

来源：评论

学校读者我要写书评

暂无评论

基于生成对抗网络的高铁轨道异常状态检测与分类方法研究

基于生成对抗网络的高铁轨道异常状态检测与分类方法研究

引用

作者：赵原野北京交通大学

学位级别：硕士

我国高铁建设成就举世瞩目,高速铁路由大规模的建设转变为长期安全运营阶段。随着运营规模的增长和速度的不断提高,新型病害不断涌现,影响了列车的平稳舒适运行并对运营安全造成严重威胁。铁路部门通过轨检车、综合巡检车等高技术手段,... 详细信息

我国高铁建设成就举世瞩目,高速铁路由大规模的建设转变为长期安全运营阶段。随着运营规模的增长和速度的不断提高,新型病害不断涌现,影响了列车的平稳舒适运行并对运营安全造成严重威胁。铁路部门通过轨检车、综合巡检车等高技术手段,对轨道基础设施服役状态进行定期巡检,保障了高速铁路的安全运营,同时积累了大量的轨道动态检测数据。目前,对于动检数据的挖掘分析还处于初级阶段。动检数据规模庞大、多样性强,数据属性间存在不明确的复杂关系,检测数据中存在噪声与异常,且缺乏语义标注,对数据有效利用造成了极大的障碍。本文采用深度学习的方法对高铁动检数据开展异常分析研究,主要工作如下:(1)针对动检数据集中异常数据的高效检测难题,提出了一种基于生成式对抗网络的多维数据相关性异常检测算法。从里程注意力和属性间注意力出发,通过图注意力机制提取里程信息和数据信息,分别构建了基于生成对抗网络的重构模型和全连接网络预测模型,采用动态时间规整算法计算重构和预测分数,通过乘性组合得到异常分数进行异常判定。真实数据集上的实验结果表明,本文的方法F1分数优于其它异常检测方法。(2)针对有标签的异常样本规模较小时,动检异常数据的准确分类匹配问题,本文提出基于图注意力机制的半监督轨道几何异常状态分类算法。通过图注意力机制从里程和属性间两个角度提取相关信息,使用门控神经网络GRU提取长期时间依赖关系,构建了基于全连接层的分类模型,并以半监督的方式对模型进行训练。对比实验结果表明,本文的模型各项指标均优于现有时间序列分类模型。(3)针对海量高铁动检数据的自动化展示、异常检测和异常分类的问题,本文使用目前流行的Spring boot和React框架,构建一个基于MVC架构的高铁动检数据异常分析系统。系统主要集成了系统管理、数据可视化、异常检测和异常分类等四个板块,一方面实际测试了算法的性能,另一方面为高铁相关系统的开放性功能研发提供了样例。

关键词：动检数据图注意力网络生成对抗网络半监督学习异常检测异常分类

来源：评论

学校读者我要写书评

暂无评论

高速铁路轨道不平顺数据处理中的LMD算法改进及其应用

高速铁路轨道不平顺数据处理中的LMD算法改进及其应用

引用

作者：陈建营西南交通大学

学位级别：硕士

局部均值分解(Local Mean Decomposition,LMD)是一种处理非平稳或弱平稳信号数据的时频分析方法,在数据处理过程中该方法利用数据信号本身的尺度变化特征自适应地将非平稳信号,从频率的角度由高至低分解为系列单一的乘积函数(Product Fu... 详细信息

局部均值分解(Local Mean Decomposition,LMD)是一种处理非平稳或弱平稳信号数据的时频分析方法,在数据处理过程中该方法利用数据信号本身的尺度变化特征自适应地将非平稳信号,从频率的角度由高至低分解为系列单一的乘积函数(Product Function,PF)之和。现阶段LMD算法广泛应用于机械故障检测、地震波分析、特征信息提取、生物医学及图像信号分析等方面。轨道不平顺数据的处理是分析轨道空间几何状态、评定运营铁路轨道质量以及轨道养护维修的重要工作内容,动检数据是一种弱平稳的信号数据,LMD算法在处理非平稳或弱平稳信号数据方面具有独特优势,因此,拓展LMD理论在轨道不平顺分析处理领域的应用,无疑是一个极具有价值的研究内容。本文利用LMD算法对轨道不平顺数据进行去噪预处理及多尺度分析,并对LMD算法中存在的问题进行了深入研究,提出了相应完善的解决方案,主要研究成果如下:本文对局部均值分解的整体理论进行深入研究,在LMD算法的理论基础上,以LMD算法本身存在的缺点为研究对象,针对LMD算法在分解过程中存在的端点效应、滑动平均步长等相关问题进行了大量的深入研究,并提出了相应完备的解决方案。端点效应导致平滑所得局部均值函数和包络估计函数两端出现发散,并且在LMD分解过程中随着算法迭代次数的不断增加,相应的发散现象会逐渐向信号内部蔓延,使得最终所得分解结果出现失真现象,为削弱端点效应在分解过程中的影响程度,提出基于采样点斜率匹配数据序列延拓方法,来抑制LMD分解过程中的端点效应。并根据采样点斜率匹配原理提出相应的斜率匹配有效值的端点效应评价指标。通过仿真数据处理分析,证明了该方法可以有效抑制端点效应,提高LMD分解精度,且基于采样点斜率有效值可以作为端点效应的一种评价方法。此外,针对LMD分解过程中滑动平均步长的选取,本文提出一种基于黄金分割率的滑动平均步长选取方法,以信号相邻极值点间的最大距离为选取对象,对其进行黄金分割选取分割点较小的部分作为滑动平均步长,以此作为平滑的步长。通过仿真实验分析,该方法相较于传统的步长选取方法计算效率更高、局部细节特征保留的更完整,用以说明改进LMD的分解结果更优。为有效地对轨道不平顺数据进行去噪处理,构建了改进LMD算法与小波软阈值去噪相结合的组合去噪模型,该方法以LMD分解的系列PF分量的平均频率为基础,计算相邻PF分量之间的频率跃变程度,构建噪声分量分界阶数的判定准则,依据频率跃变程度判定噪声主导的PF分量并对其进行小波软阈值去噪处理,通过仿真实验分析,该方法可以更好的保留噪声分量中的有用信息,在精度和稳定性上都优于传统的去噪方法。利用改进的LMD分解方法对轨道不平顺数据进行多尺度分解,识别动检数据中不同波长的范围,提取轨道不平顺中隐含的规律波长,对轨道变形做出正确判断,准确提取、分析和合理利用动检数据中隐含的各种波长信息,从而实现轨道局部高频病害的检测与定位。

关键词： LMD算法采样点斜率匹配黄金分割率小波软阈值去噪轨道不平顺频率跃变动检数据

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：