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：电子科技大学;电子科技大学重庆微电子产业技术研究院

摘要：本发明属于轨道超偏载检测预警领域，具体为一种基于轻量化网络的超偏载检测方法。本发明在铁轨的每个测区内安装4个剪力传感器和4个压力传感器，通过融合每个测区内8个传感器采集的数据，按照上、下轨道分别融合数据，并将融合的数据传入设计的轻量型神经网络结构训练超参模型，进而提取火车车厢的车轴特征、转向架特征，并组成车厢特征，以计算每个车厢的超偏载结果。本发明中轻量型神经网络的运用可以有效降低误检、漏检等风险，提升了车轴特征的检测的正确性；并提供了车轴特征的去重步骤进一步提升精度；基于此，车厢的检测正确性也将得到极大的提升，最终达到提高火车超偏载检测的精度，降低货运火车因超偏载带来的风险。

主权项：1.一种基于轻量化网络的超偏载检测方法，其特征在于，具体步骤如下：步骤1、在铁轨上设置的每个测量区域内安装4个剪力传感器和4个压力传感器，并采集多种车型的数据做数据集；其中，每个测量区域将两条轨道划分为上、下轨道，上轨道安装的剪力传感器命名为S1和S2、压力传感器命名为P1和P2；下轨道安装的剪力传感器命名为S3和S4、压力传感器命名为P3和P4；在同一个测量区域内，每个传感器按时间序列采集一维信号数据，8个传感器上的数据对应该测量区域的一个组数据；数据集表达为：Datas＝{D1,D2,…,Dn} 其中，Datas为测量区域内的传感器采集的数据集，D1,D2,…,Dn表示数据集中有n组数据，i表示n组数据中第i个序列，Di表示第i组数据结构，表示剪力传感器S1采集的第i个数据序列，分别表示该序列中的m个幅值数据；表示剪力传感器S2采集的第i个数据序列，表示该序列中的m个幅值；表示剪力传感器S3采集的第i个数据序列，表示该序列中的m个幅值；表示剪力传感器S4采集的第i个数据序列，表示该序列的m个幅值；表示压力传感器P1采集的第i个数据序列，表示该序列的m个幅值；表示压力传感器P2采集的第i个数据序列，表示该序列的m个幅值；表示压力传感器P3采集的第i个数据序列，表示该序列的m个幅值；表示压力传感器P4采集的第i个数据序列；步骤2、根据步骤1采集的上、下轨道的剪力、压力传感器数据，进行数据融合；分别融合上、下轨道上的剪力和压力传感器采集的数据，以得出每个车轴承受的重量的波峰形态，提取波峰的横纵坐标位置记为车轴特征；其中横坐标表示传感器采集数据的时间序列，纵坐标表示每个时间序列对应的幅值；对同一组的压力、剪力数据融合方式如下所示： 其中，t是同一组数据中，幅值的序列数，t∈[1，m]，Fdtopt表示上轨道融合的第t个幅值，表示剪力传感器S1的第i组数据中第t个数据幅值，表示压力传感器P1的第i组数据中第t个数据幅值，表示压力传感器P2的第i组数据中第t个数据幅值，表示剪力传感器S2的第i组数据中第t个数据幅值；Fddownt表示下轨道融合后的第t个幅值，表示剪力传感器S3的第i组数据中第t个数据幅值，表示压力传感器P3的第i组数据中第t个数据幅值，表示压力传感器P4的第i组数据中第t个数据幅值，表示剪力传感器S4的第i组数据中第t个数据幅值；同一节车厢在上轨道或下轨道分别有两个转向架组成，一个转向架有2-4个车轴；步骤3、标注一维剪力、压力传感器信号，并按比例划分为训练集、验证集和测试集；在步骤2所得的融合数据上标注车轴特征和转向架特征两个关键特征，同一转向架中车轴特征组成转向架特征；具体标注方式为：Featurepeak＝{P1，P2，...，Pl}Featurebogie＝{B1，B2，...，Bk}其中，Featurepeak表示车轴特征集合，每个元素为一个坐标，P1表示第1个车轴的特征，P2表示第2个车轴的特征，Pl表示第l个车轴的特征，共有l个；Featurebogie表示转向架特征集合，每个转向架特征包含2-4个车轴特征，B1表示第1个转向架特征，B2表示第2个转向架特征，Bk表示第k个转向架特征，共有k个；2k≤l；步骤4、设计轻量型神经网络结构，并以步骤3标注的数据集训练模型，得出检测车轴特征模型，实现车轴特征提取；轻量型神经网络结构为：输入层：为横轴x_axiel集合和纵轴y_axiel，横轴x_axiel集合是测量区域中8个传感器采集数据的时间序列，纵轴y_axiel是测量区域每个采样时间点对应的上轨道或下轨道中根据步骤1中方法融合的幅值序列，x_axiel和y_axiel组成大小为2×T的矩阵，T为时间序列长度；隐藏层：采集的每个时间序列，只与连续的L个数据有关联性，L为当前采集时间点和具有连续性的时间长度，为保障提取的特征精度，隐藏层通过连续的10层卷积层和激活层，提取特征；L的计算方式如下： 其中，Len为通过测量区域的火车的最大长度，V为当前通过测量区域的火车最大速度，Fre为当前测量区域内传感器采集频率，8个传感器采集频率相同；激活层的表达公式：fx＝max0，wTx+b其中x为输入层的向量，fx为x向量激活后的结果，max表示取最大值函数，wT表示对矩阵w的转置，w表示权重矩阵，b表示偏移矩阵；输出层：通过隐藏层提取的特征向量，计算每个元素对0类标签label_0和1类标签label_1的概率，通过Softmax函数，计算最终的分类结果；Softmax函数表达式如下所示： 其中，f0表示类别为标签0的概率，f1表示类别为1的概率，e表示指数函数，y0表示分类为标签0的概率分布，y1分类为标签1的概率分布；步骤5、以步骤4提取的车轴特征作为新的输入层，再经过步骤4所述轻量型神经网络训练提取转向架特征的模型，实现转向架特征提取；转向架特征提取过程同波峰计算过程，将车轴特征结果作为新的输入层，通过3层隐藏层和ReLU层计算转向架特征后；再经过输出层计算是否为同一转向架的特征概率，label_2表示为属于同一转向架，label_3表示非同一转向架；最后经过Softmax层后，得到最终转向架特征结果；Featurebogienew＝{B1_new，B2_new，...}其中，B1_new和B2_new为转向架特征，每个转向架特征为2-4个车轴特征组成的集合；步骤6、根据步骤4得到的车轴特征、步骤5得到的转向架特征，提取每节车厢的特征；一节车厢由上轨道和下轨道相邻的两个转向架组成，因此上、下轨道相邻的四个转向架组成车厢特征，表达如下：Featurecar＝{{B1_top，B2_top，B1_blow，B2_blow}，{B3_top，B4_top，B3_blow，B4_blow}...}其中，Featurecar为车厢特征，B1_top和B2_top为上轨道融合的数据检测的第1个和第2个转向架特征，B1_blow，B2_blow表示下轨道融合数据检测的第1个和第2个转向架特征，B3_top和B4_top为上轨道融合的数据检测的第3个和第4个转向架特征；B1_blow，B2_blow表示下轨道融合数据检测的第1个和第2个转向架特征，B3_blow，B4_blow表示下轨道融合数据检测的第3个和第4个转向架特征；一列火车检测的上轨道或下轨道转向架特征个数是车厢特征个数的两倍；步骤7、根据步骤4-5训练的模型，对测量区域采集的数据，提取车轴、转向架特征，并且根据转向架特征组成车厢特征，从而计算每个车厢的超偏载结果。

全文数据：

权利要求：

百度查询： 电子科技大学 电子科技大学重庆微电子产业技术研究院 一种基于轻量化网络的超偏载检测方法