1.一种基于LSTM-BiGRU网络的轨道病害检测方法,其特征在于,所述方法包括:获取轨道的多模态振动信号,并对所述多模态振动信号进行电信号转换,得到电信号;
对所述电信号进行撕裂分离,以将所述电信号与射频采样时钟的角频率和调制相位相结合,得到调制后的样本信号;
根据以下公式进行撕裂分离:
;
对调制后的样本信号进行展开:
;
其中,为射频采样时钟角频率,为调制相位,为调制后的样本信号,为虚数单位,为谐波次数,;
从所述调制后的样本信号中分离出单双分量,并应用长短时记忆网络分别对所述单双分量进行特征提取,得到分别与所述单双分量对应的各个时刻的特征信号,并对所述特征信号进行加权处理,得到加权后的特征信号;
根据改进的ECER熵变极值特征识别法对加权后的特征信号进行信息熵计算,并根据所述信息熵计算出每个加权后的特征信号的特征权重;
将由单分量得到的所有加权后的特征信号汇总成第一特征信号集,由双分量得到的所有加权后的特征信号汇总成第二特征信号集;
根据以下公式计算信息熵:
;
其中,为第一特征信号集或第二特征信号集中的第i个特征信号的信息熵,为第一特征信号集或第二特征信号集中的第i个特征信号,为第i个特征信号在第j个时刻出现的概率,为平滑因子,h为特征信号的时刻总个数;
根据以下公式计算得到特征权重:
;
其中,为第i个加权后的特征信号的特征权重,为第i个加权后的特征信号的信息熵,为熵变极值,为调整系数,为特征信号间相互作用的调整系数,为特征信号间关系调整系数,为第一特征信号集或第二特征信号集中特征信号的总数,为第i个特征信号和第j个特征信号之间的协方差,其内的两个特征信号属于同一特性信号集,为第i个特征信号和第j个特征信号的相关性,其内的两个特征信号属于同一特征信号集,为第一特征信号集或第二特征信号集中的第j个特征信号;
根据所述特征权重对加权后的特征信号进行融合,得到融合特征,并将所述融合特征输入至BiGRU网络进行故障检测,得到最终的表征向量,并根据所述最终的表征向量输出轨道病害检测结果。
2.根据权利要求1所述的基于LSTM-BiGRU网络的轨道病害检测方法,其特征在于,所述获取轨道的多模态振动信号,并对所述多模态振动信号进行电信号转换,得到电信号的步骤包括:根据以下公式进行电信号转换:
;
其中,为转换后的电信号,为频率响应函数,为增益系数,为信号采集传感器的灵敏度系数,和分别为第i个和第j个多模态振动信号的幅度,和分别为第i个和第j个多模态振动信号的角频率,和分别为第j个和第i个相位角,为模态的数量,为多模态振动信号的种类数,为第种多模态振动信号的增益系数,为第i种多模态振动信号的灵敏度系数, 为第i种多模态振动信号的波函数,为第i种多模态振动信号的衰减系数,t为当前时间,为积分变量。
3.根据权利要求2所述的基于LSTM-BiGRU网络的轨道病害检测方法,其特征在于,从所述调制后的样本信号中分离出单双分量,并应用长短时记忆网络分别对所述单双分量进行特征提取,得到分别与所述单双分量对应的各个时刻的特征信号的步骤包括:根据以下公式分离出单分量:
;
根据以下公式分离出双分量:
;
将单分量和双分量各自作为独立的数据样本输入到LSTM 网络中,并根据以下公式进行特征提取:;
其中,为LSTM网络的输入信号,包括单分量和双分量,为第t-1个时刻的LSTM网络输出的特征信号,、、、为每个门的权重矩阵,、、、为每个门的偏置矩阵,、、为第i层网络第t个时刻每个门的输出值,为新的信息候选值,为第t个时刻的记忆单元,为第t-1个时刻的记忆单元,为第层网络第t个时刻的LSTM网络输出的特征信号,、均为激活函数。
4.根据权利要求3所述的基于LSTM-BiGRU网络的轨道病害检测方法,其特征在于,所述对所述特征信号进行加权处理,得到加权后的特征信号的步骤包括:引入动态高斯隶属度函数计算每个特征信号的隶属度值:;
其中,为每个特征信号的隶属度值,m为动态高斯核的总个数,为第个高斯组件的贡献度,为第个高斯核的缩放因子,为第个高斯核的均值,为第个高斯核的标准差,为动态调整系数,为第个高斯组件的权重参数,为第个高斯组件的偏置项;
将特征信号与其隶属度值相乘,得到加权后的特征信号。
5.根据权利要求4所述的基于LSTM-BiGRU网络的轨道病害检测方法,其特征在于,所述根据所述特征权重对加权后的特征信号进行融合,得到融合特征的步骤包括:从与第一特征信号集对应的所有特征权重中筛选出大于第一预设阈值的所有第一目标特征权重;
从与第二特征信号集对应的所有特征权重中筛选出大于第一预设阈值的所有第二目标特征权重;
根据所述目标特征权重对与其对应的特征信号进行信号调整:;
;
其中,为与单分量对应的调整后的特征信号集,为与双分量对应的调整后的特征信号集,、、分别为第1个、第2个、第个第一目标特征权重,、、分别为与第1个、第2个、第个第一目标特征权重对应的特征信号,为第个目标特征权重,、、分别为第1个、第2个、第个第二目标特征权重,、、分别为与第1个、第2个、第个第二目标特征权重对应的特征信号,为第个目标特征权重,、分别为第一目标特征权重、第二目标权重的总个数;
根据以下公式对调整后的特征信号集进行融合:
;
其中,为融合特征,为全局权重参数,为第k个调整后的特征信号与第j个调整后的特征信号之间的相关系数,为第一目标特征权重和第二目标权重的总个数之和,为一个小的正则化项。
6.根据权利要求5所述的基于LSTM-BiGRU网络的轨道病害检测方法,其特征在于,所述将所述融合特征输入至BiGRU网络进行故障检测,得到最终的表征向量的步骤包括:BiGRU网络的计算公式如下:
;
其中,和分别为前向和后向隐藏状态,、、均为权重矩阵,用于输入门,重置门和候选隐藏状态的线性变换,为处理后的长序列,、、均为归一化权重矩阵,为候选隐藏状态,、分别为更新门和重置门的输出,为更新门未通过的部分,为第t-1个时刻的隐藏状态,为第t+1个时刻的隐藏状态,为第t个时刻的输入信号,即,为第t个时刻的输出信号,箭头为传播方向;
将BiGRU网络的输出信号进行归一化处理, 并赋予不同的权重:;
;
其中, 和分别为偏置与权重,为注意力机制分配的第t个权重,,为第t个时刻的隐藏状态,T为总时间步长,S为最终的表征向量,为用来处理BiGRU网络输出信号的函数。
7.根据权利要求6所述的基于LSTM-BiGRU网络的轨道病害检测方法,其特征在于,所述根据所述最终的表征向量输出轨道病害检测结果的步骤包括:将最终的表征向量依次输入到全连接层和层,得到每种病害类别的概率:从所有病害类别的概率中筛选出最大病害概率,并判断所述最大病害概率是否大于第二预设阈值;
若所述最大病害概率大于第二预设阈值,则判定轨道存在病害。