轨道电路设备声谱故障诊断方法及系统

1.本发明涉及声谱处理技术，具体地，涉及一种铁路轨道电路设备声谱故障诊断方法及系统。


背景技术：

2.轨道电路是利用钢轨线路作为导体，绝缘节作为分割点构成的电路，是铁路信号系统中的重要设备。轨道电路设备的安全监测和维护是铁路中的重要工作。
3.轨道电路主要用于监督列车的占用，轨道区段的空闲检查。
4.zpw-2000a型移频轨道电路是对um71型轨道电路的改进与创新，采用电气绝缘节。zpw-2000a型移频轨道电路应用与普速铁路的区间与高速铁路的站内与区间，应用非常广泛。
5.轨道电路设备多、线路复杂，一旦发生故障，往往难以快速查找到故障位置，需要按流程逐一排查，往往需要维修工作人员有丰富的经验。


技术实现要素：

6.针对现有技术中的缺陷，本发明的目的是提供一种轨道电路设备声谱故障诊断方法，以实现轨道电路发送器、接收器的故障诊断。
7.本发明提供的轨道电路设备声谱故障诊断方法，包括如下步骤：
8.步骤s1：采集轨道电路设备发送器的声音数据，所述轨道电路设备发送器的声音数据包括发送器正常声音数据、发送器载频故障声音数据、发送器选型故障声音数据以及发送器低频故障声音数据，采集轨道电路设备接收器的数据，所述轨道电路设备接收器数据包括接收器正常状态声音数据、接收器载频故障声音数据以及接收器选型故障声音数据；
9.步骤s2：对所述声音数据进行梅尔频率倒谱系数分析或小波包分解以进行特征提取生成特征矩阵，进而对所述特征矩阵进行组合生成样本集；
10.步骤s3：将所述样本集分为训练集和测试集，所述训练集用于支持向量机训练生成述支持向量机模型，测试集用于对所述支持向量机模型进行测试，确定模型的准确率；
11.步骤s4：通过所述支持向量模型对轨道电路设备的声音数据进行分析，判断轨道电路设备发送器、接收器的故障状态。
12.优选地，在所述步骤s2中，进行所述梅尔倒谱系数分析时，包括如下步骤：
13.步骤s2011：对所述声音数据进行预加重处理，具体为，将声音数据经过高通滤波器进行滤波，h(z)＝1-bz-1
；
14.其中，h(z)为高通滤波器，b为预加重系数，取值在0.9-1；
15.步骤s2012：对预加重后的声音数据进行分帧处理，具体为，将256个采样点集合成一个观测单位，即一帧；
16.步骤s2013：对每一帧声音数据进行加窗处理，具体为，使用汉明窗进行每帧数据
的平滑处理，
17.s’(n)＝0.54-0.46cos[2πn/(n-1)]；
[0018]
其中，s’(n)为汉明窗，n是帧的大小256，0≤n≤n-1；
[0019]
步骤s2014：对每一帧声音数据进行频域转换，通过傅里叶变换将时域信号映射到频域，然后转换为功率谱；
[0020]
dft变换：
[0021]
功率谱：p(k)＝|s(k)|2ꢀꢀꢀ
0≤k≤n
[0022]
其中，s(n)为时域信号，s(k)为离散域信号，k为第k个采样点，n为采样点的个数，j为复数单位，p(k)为功率谱；
[0023]
步骤s2015：对所述功率谱通过mel滤波器进行滤波，滤波器的个数为12个，第m个mel滤波器的传递函数hm(k)为：
[0024][0025]
其中，f(m-1)为第(m-1)个滤波器的中心频率，f(m)为mel滤波器的中心频率，f(m 1)为第(m 1)个滤波器的中心频率；
[0026]
步骤s2016：计算每个滤波器组的对数能量：
[0027][0028]
其中，s(m)为第m个滤波器的对数能量，m为梅尔滤波器的个数；
[0029]
步骤s2017：对所述功率谱进行离散余弦变换生成声音特征：
[0030][0031]
其中，c(n)为梅尔倒谱系数，m为梅尔滤波器的个数；
[0032]
步骤s2018：对所述声音调整进行二阶差分处理，在特征维度上增加12维一阶差分和12维二阶差分，形成36维的特征矩阵。
[0033]
优选地，在步骤s2中进行小波包分解时，包括如下步骤，
[0034]
步骤s2021：对声音数据进行频率分解，生成高频信号和低频信号；
[0035]
步骤s2022：对所述高频信号和低频信号进行n(3≤n≤4)层小波包分析确定小波包分解系数，并在细分在的2n个频带上对小波包分解系数进行重构，确定小波包重构系数；
[0036]
步骤s2023：提取小波包重构系数计算各个频带信号能量，并进行归一化运算，将所述频带信号能量排列构成特征矩阵。
[0037]
优选地，所述支持向量机模型为具有学习能力的二类分类器。
[0038]
优选地，所述步骤s3包括下步骤：
[0039]
步骤s301：将轨道电路设备发送器的特征矩阵组合确定为发送器样本集，将轨道电路设备接收器的特征矩阵组合确定为接收器样本集；
[0040]
步骤s302：将所述发送器样本集和所述接收器样本集分为训练集和测试集；
[0041]
步骤s303：通过所述训练集对支持向量机进行训练生成述支持向量机模型，通过所述测试集用于对所述支持向量机模型进行测试，确定模型的准确率。
[0042]
优选地，在发送器样本集中，发送器正常状态样本标号为0，备发送器载频故障样本标号1，所述发送器选型故障样本标号为2，所述发送器低频故障样本标号为3；
[0043]
在所述接收器样本集中，接收器正常状态样本标号为0，接收器载频故障样本标记为1，接收器选型故障样本标记为2。
[0044]
优选地，所述轨道电路为zpw-2000a型无绝缘轨道电路。
[0045]
优选地，所述声音数据采集方式为手机录音，储存形式为.wav。
[0046]
本发明提供的轨道电路设备声谱故障诊断系统，包括如下模块：
[0047]
声音采集模块，用于采集轨道电路设备发送器的声音数据；所述轨道电路设备发送器的声音数据包括发送器正常声音数据、发送器载频故障声音数据、发送器选型故障声音数据以及发送器低频故障声音数据，采集轨道电路设备接收器的数据，所述轨道电路设备接收器数据包括接收器正常状态声音数据、接收器载频故障声音数据以及接收器选型故障声音数据；
[0048]
样本集生成模块，用于对所述声音数据进行梅尔倒谱系数和小波包分析对所述声音数据进行特征提取生成特征矩阵，进而对所述特征矩阵进行组合生成样本集；
[0049]
模型训练模块，用于将所述样本集分为训练集和测试集，所述训练集用于支持向量机训练生成述支持向量机模型，测试集用于对所述支持向量机模型进行测试，确定模型的准确率；
[0050]
声音检测模块，用于通过所述支持向量模型对轨道电路设备的声音数据进行分析，判断轨道电路设备发送器、接收器的故障状态。
[0051]
与现有技术相比，本发明具有如下的有益效果：
[0052]
本发明中通过建立的梅尔倒谱系数或小波包分析对声音数据进行特征提取，生成样本集，然后进行支持向量机的训练，生成支持向量机模型能够有效提高轨道电路发送器、轨道电路接收器故障检测的速度与准确率，准确率在87％以上；本发明将故障诊断转化为一种多分类问题，使用svm算法实现了对其故障的检测，实现了故障中准确快速检测。
附图说明
[0053]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0054]
图1为本发明实施例中轨道电路设备声谱故障诊断方法的步骤流程图；
[0055]
图2为本发明实施例中轨道电路设备声谱故障诊断系统的模块示意图。
具体实施方式
[0056]
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
[0057]
图1为本发明实施例中轨道电路设备声谱故障诊断方法的步骤流程图，如图1所示，本发明提供的轨道电路设备声谱故障诊断方法，包括如下步骤：
[0058]
步骤s1：采集轨道电路设备发送器的声音数据；所述轨道电路设备发送器的声音数据包括发送器正常声音数据、发送器载频故障声音数据、发送器选型故障声音数据以及发送器低频故障声音数据，采集轨道电路设备接收器的数据，所述轨道电路设备接收器数据包括接收器正常状态声音数据、接收器载频故障声音数据以及接收器选型故障声音数据；
[0059]
在本发明实施例中，对声音数据截取适当长度的声音信号，以方便数据处理，如30秒钟。
[0060]
步骤s2：对所述声音数据进行梅尔频率倒谱系数分析或小波包分解以进行特征提取生成特征矩阵，进而对所述特征矩阵进行组合生成样本集；
[0061]
在本发明实施例中，在所述步骤s2中，进行所述梅尔倒谱系数分析是包括如下步骤：
[0062]
步骤s2011：对所述声音数据进行预加重处理，具体为，将声音数据经过高通滤波器进行滤波，h(z)＝1-bz-1
；
[0063]
其中，h(z)为高通滤波器，b为预加重系数，取值在0.9-1；
[0064]
步骤s2012：对预加重后的声音数据进行分帧处理，具体为，将256个采样点集合成一个观测单位，即一帧；
[0065]
步骤s2013：对每一帧声音数据进行加窗处理，具体为，使用汉明窗进行每帧数据的平滑处理，
[0066]
s’(n)＝0.54-0.46cos[2πn/(n-1)]；
[0067]
其中，s’(n)为汉明窗，n是帧的大小256，0≤n≤n-1；
[0068]
步骤s2014：对每一帧声音数据进行频域转换，通过傅里叶变换将时域信号映射到频域，然后转换为功率谱；
[0069]
dft变换：
[0070]
功率谱：p(k)＝|s(k)|2ꢀꢀꢀ
0≤k≤n
[0071]
其中，s(n)为时域信号，s(k)为离散域信号，k为第k个采样点，n为采样点的个数，j为复数单位，p(k)为功率谱；
[0072]
步骤s2015：对所述功率谱通过mel滤波器进行滤波，滤波器的个数为12个，第m个mel滤波器的传递函数hm(k)为：
[0073][0074]
其中，f(m-1)为第(m-1)个滤波器的中心频率，f(m)为mel滤波器的中心频率，f(m 1)为第(m 1)个滤波器的中心频率；
[0075]
步骤s2016：计算每个滤波器组的对数能量：
[0076][0077]
其中，s(m)为第m个滤波器的对数能量，m为梅尔滤波器的个数；
[0078]
步骤s2017：对所述功率谱进行离散余弦变换生成声音特征：
[0079][0080]
其中，c(n)为梅尔倒谱系数，m为梅尔滤波器的个数；
[0081]
步骤s2018：对所述声音调整进行二阶差分处理，在特征维度上增加12维一阶差分和12维二阶差分，形成36维的特征矩阵。
[0082]
在本发明实施例中，在步骤s2中进行小波包分解时，包括如下步骤，
[0083]
步骤s2021：对声音数据进行频率分解，生成高频信号和低频信号；
[0084]
步骤s2022：对所述高频信号和低频信号进行n(3≤n≤4)层小波包分析确定小波包分解系数，并在细分在的2n个频带上对小波包分解系数进行重构，确定小波包重构系数；
[0085]
步骤s2023：提取小波包重构系数计算各个频带信号能量，并进行归一化运算，将所述频带信号能量排列构成特征矩阵。
[0086]
步骤s3：将所述样本集分为训练集和测试集，所述训练集用于支持向量机训练生成述支持向量机模型，测试集用于对所述支持向量机模型进行测试，确定模型的准确率；
[0087]
在本发明实施例中，所述支持向量机模型为具有学习能力的二类分类器，简称svm，它的模型是在高维的特征空间中寻求间隔最大的超平面，经数据进行二分类，其学习方法是利用距离最大化来求解超平面。当数据线性不可分时，支持向量机通过核函数将原始数据的特征向量映射到高维的特征空间，再在高维特征空间中构造能够良好分类的超平面，将数据分成两类，解决原始空间线性不可分的问题。通过组合多个二分类支持向量机来实现多分类，每一次分类两种，然后已分类的数据再进行二分类，如此重复几次，便可以多分类。
[0088]
在本发明实施例中，所述步骤s3包括下步骤：
[0089]
步骤s301：将轨道电路设备发送器的特征矩阵组合确定为发送器样本集，将轨道电路设备接收器的特征矩阵组合确定为接收器样本集；
[0090]
步骤s302：将发送器样本集和接收器样本集分为训练集和测试集；
[0091]
步骤s303：通过所述训练集对支持向量机进行训练生成述支持向量机模型，通过所述测试集用于对所述支持向量机模型进行测试，确定模型的准确率。
[0092]
在本发明实施例中，在发送器样本集中，发送器正常状态样本标号为0，备发送器载频故障样本标号1，所述发送器选型故障样本标号为2，所述发送器低频故障样本标号为3；
[0093]
在所述接收器样本集中，接收器正常状态样本标号为0，接收器载频故障样本标记为1，接收器选型故障样本标记为2。
[0094]
在本发明实施例中，所述轨道电路为zpw-2000a型无绝缘轨道电路。声音数据采集方式为手机录音，储存形式为.wav。
[0095]
步骤s4：通过所述支持向量模型对轨道电路设备的声音数据进行分析，判断轨道电路发送器、接收器的故障状态。
[0096]
图2为本发明实施例中轨道电路设备声谱故障诊断系统的模块示意图，如图2所示，本发明提供的轨道电路设备声谱故障诊断系统，包括如下模块：
[0097]
声音采集模块，用于采集轨道电路设备发送器的声音数据；所述轨道电路设备发送器的声音数据包括发送器正常声音数据、发送器载频故障声音数据、发送器选型故障声音数据以及发送器低频故障声音数据，采集轨道电路设备接收器的数据，所述轨道电路设备接收器数据包括接收器正常状态声音数据、接收器载频故障声音数据以及接收器选型故障声音数据；
[0098]
样本集生成模块，用于对所述声音数据进行梅尔倒谱系数和小波包分析对所述声音数据进行特征提取生成特征矩阵，进而对所述特征矩阵进行组合生成样本集；
[0099]
模型训练模块，用于将所述样本集分为训练集和测试集，所述训练集用于支持向量机训练生成述支持向量机模型，测试集用于对所述支持向量机模型进行测试，确定模型的准确率；
[0100]
声音检测模块，用于通过所述支持向量模型对轨道电路设备的声音数据进行分析，判断轨道电路发送器、接收器的故障状态。
[0101]
本发明实施例中通过建立的梅尔倒谱系数或小波包分析对声音数据进行特征提取，生成样本集，然后进行支持向量机的训练，生成支持向量机模型能够有效提高轨道电路发送器、轨道电路接收器故障检测的速度与准确率，准确率在87％以上；本发明将故障诊断转化为一种多分类问题，使用svm算法实现了对其故障的检测，实现了故障中准确快速检测。
[0102]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

技术特征：
1.一种轨道电路设备声谱故障诊断方法，其特征在于，包括如下步骤：步骤s1：采集轨道电路设备发送器的声音数据和轨道电路设备接收器的数据；步骤s2：对所述声音数据进行梅尔频率倒谱系数分析或小波包分解以进行特征提取生成特征矩阵，进而对所述特征矩阵进行组合生成样本集；步骤s3：将所述样本集分为训练集和测试集，所述训练集用于支持向量机训练生成述支持向量机模型，测试集用于对所述支持向量机模型进行测试，确定模型的准确率；步骤s4：通过所述支持向量模型对轨道电路设备的声音数据进行分析，判断轨道电路设备发送器、接收器的故障状态。2.根据权利要求1所述的轨道电路设备声谱故障诊断方法，其特征在于，在所述步骤s2中，进行所述梅尔倒谱系数分析时，包括如下步骤：步骤s2011：对所述声音数据进行预加重处理，具体为，将声音数据经过高通滤波器进行滤波，h(z)＝1-bz-1
；其中，h(z)为高通滤波器，b为预加重系数，取值在0.9-1；步骤s2012：对预加重后的声音数据进行分帧处理，具体为，将256个采样点集合成一个观测单位，即一帧；步骤s2013：对每一帧声音数据进行加窗处理，具体为，使用汉明窗进行每帧数据的平滑处理，s’(n)＝0.54-0.46cos[2πn/(n-1)]；其中，s’(n)为汉明窗，n是帧的大小256，0≤n≤n-1；步骤s2014：对每一帧声音数据进行频域转换，通过傅里叶变换将时域信号映射到频域，然后转换为功率谱；dft变换：功率谱：p(k)＝|s(k)|
2 0≤k≤n其中，s(n)为时域信号，s(k)为离散域信号，k为第k个采样点，n为采样点的个数，j为复数单位，p(k)为功率谱；步骤s2015：对所述功率谱通过mel滤波器进行滤波，滤波器的个数为12个，第m个mel滤波器的传递函数h
m
(k)为：其中，f(m-1)为第(m-1)个滤波器的中心频率，f(m)为mel滤波器的中心频率，f(m 1)为第(m 1)个滤波器的中心频率；步骤s2016：计算每个滤波器组的对数能量：其中，s(m)为第m个滤波器的对数能量，m为梅尔滤波器的个数；
步骤s2017：对所述功率谱进行离散余弦变换生成声音特征：其中，c(n)为梅尔倒谱系数，m为梅尔滤波器的个数；步骤s2018：对所述声音调整进行二阶差分处理，在特征维度上增加12维一阶差分和12维二阶差分，形成36维的特征矩阵。3.根据权利要求1所述的轨道电路设备声谱故障诊断方法，其特征在于，在步骤s2中进行小波包分解时，包括如下步骤，步骤s2021：对声音数据进行频率分解，生成高频信号和低频信号；步骤s2022：对所述高频信号和低频信号进行n层小波包分析确定小波包分解系数，并在细分在的2
n
个频带上对小波包分解系数进行重构，确定小波包重构系数；步骤s2023：提取小波包重构系数计算各个频带信号能量，并进行归一化运算，将所述频带信号能量排列构成特征矩阵。4.根据权利要求1所述的轨道电路设备声谱故障诊断方法，其特征在于，所述支持向量机模型为具有学习能力的二类分类器。5.根据权利要求4所述的轨道电路设备声谱故障诊断方法，其特征在于，所述步骤s3包括下步骤：步骤s301：将轨道电路设备发送器的特征矩阵组合确定为发送器样本集，将轨道电路设备接收器的特征矩阵组合确定为接收器样本集；步骤s302：将所述发送器样本集和所述接收器样本集分为训练集和测试集；步骤s303：通过所述训练集对支持向量机进行训练生成述支持向量机模型，通过所述测试集用于对所述支持向量机模型进行测试，确定模型的准确率。6.根据权利要求1所述的轨道电路设备声谱故障诊断方法，其特征在于，所述轨道电路设备发送器的声音数据包括发送器正常声音数据、发送器载频故障声音数据、发送器选型故障声音数据以及发送器低频故障声音数据；所述轨道电路设备接收器数据包括接收器正常状态声音数据、接收器载频故障声音数据以及接收器选型故障声音数据。7.根据权利要求5所述的轨道电路设备声谱故障诊断方法，其特征在于，在发送器样本集中，发送器正常状态样本标号为0，备发送器载频故障样本标号1，所述发送器选型故障样本标号为2，所述发送器低频故障样本标号为3；在所述接收器样本集中，接收器正常状态样本标号为0，接收器载频故障样本标记为1，接收器选型故障样本标记为2。8.根据权利要求1所述的轨道电路设备声谱故障诊断方法，其特征在于，所述轨道电路为zpw-2000a型无绝缘轨道电路。9.一种轨道电路设备声谱故障诊断系统，其特征在于，包括如下模块：声音采集模块，用于采集轨道电路设备发送器的声音数据和轨道电路设备接收器的数据；样本集生成模块，用于对所述声音数据进行梅尔倒谱系数和小波包分析对所述声音数据进行特征提取生成特征矩阵，进而对所述特征矩阵进行组合生成样本集；
模型训练模块，用于将所述样本集分为训练集和测试集，所述训练集用于支持向量机训练生成述支持向量机模型，测试集用于对所述支持向量机模型进行测试，确定模型的准确率；声音检测模块，用于通过所述支持向量模型对轨道电路设备的声音数据进行分析，判断轨道电路设备发送器、接收器的故障状态。

技术总结
本发明提供了一种轨道电路设备声谱故障诊断方法及系统，包括：采集轨道电路设备发送器的声音数据和轨道电路设备接收器的数据；对声音数据进行梅尔频率倒谱系数分析或小波包分解以进行特征提取生成特征矩阵，进而对特征矩阵进行组合生成样本集；将样本集分为训练集和测试集，训练集用于支持向量机训练生成述支持向量机模型，测试集用于对支持向量机模型进行测试，确定模型的准确率；通过支持向量模型对轨道电路设备的声音数据进行分析，判断轨道电路设备发送器、接收器的故障状态。本发明将故障诊断转化为一种多分类问题，使用SVM算法实现了对其故障的检测，实现了故障中准确快速检测。检测。检测。


技术研发人员：庞茂盛 陈大山 邹劲柏 谢鲲 陈文 黄宇轩
受保护的技术使用者：上海应用技术大学
技术研发日：2021.01.29
技术公布日：2022/5/25