CN119459816A 一种铁路路基形变预警等级的确定方法、系统和存储介质 （中国铁道科学研究院集团有限公司电子计算技术研究所）

本发明提供一种铁路路基形变预警等级的对形变趋势连续特征进行离散化得到多个形变降值得到各个形变趋势区间的多维度形变统计形变统计指标的形变特征值与各个形变统计指2获取铁路路基的形变监测数据，利用曲线趋势预测模型基于形变趋势区间中数据点的路基沉降值得到各个形变趋势区间的多维度形变统计计算各个形变统计指标的形变特征值与各个形变统计指标对应的形变中心特征值之关系数得到总相关系数，并基于所述总相关系数的大小确定所述铁路路基的形变预警等变监测数据计算得到的相应形变统计指标的形变特征值进初始形变监测数据进行降噪处理得到第二降噪采用小波阈值去噪算法对所述初始形变监测数据进行降噪，得到利用经验模态分解算法将所述第一降噪形变监测数据分为多个本征模态分量和残差4.根据权利要求1所述的方法，其特征在于，所述形变趋势区间是通过以下方式得到针对每一形变统计指标，计算各个形变趋势区间的该形变统计指标的特征值的极差，3并且将所述特征值的极差作为该形变统计指所述形变中心特征值包括无形变聚类中心的特征值和有形变聚类中心所述各个形变统计指标对应的隶属度是通过以下利用隶属度函数分别计算各个形变统计指标的形变特征值对相应形变统计指标对应9.一种铁路路基形变预警等级的确定系统，包括程序/指令被执行时该系统实现如权利要求1至8中任一项所述序/指令被处理器执行时实现如权利要求1至8中任4[0002]现有的铁路路基形变可采用合成孔径雷达干涉（InterferometricSynthetic基于形变趋势区间中数据点的路基沉降值得到各个形变趋势区间的多维度形变计算各个形变统计指标的形变特征值与各个形变统计指标对应的形变中心特征计算得到的相应形变统计指标的形变特征值进5利用经验模态分解算法将第一降噪形变监测数据分为多个本征模态分量和残差形变特征中心特征值包括无形变聚类中心的特征值和有形变聚类中心利用隶属度函数分别计算各个形变统计指标的形变特征值对相应形变统计指标[0013]本发明的另一方面提供了一种铁路路基形变预警等级的确定系统，包括处理器、存储器及存储在存储器上的计算机程序/指令，所述处理器用于执行所述计算机程序/指[0014]本发明的另一方面提供了一种计算机可读存储介质，其上存储有计算机程序/指于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获6[0019]图2为本发明一实施例中根据原始形变监测数据处理得到第二降噪形变监测数据[0021]图4为本发明一实施例中采用K_means聚类算法得到形变中心特征值的流程示意[0022]图5为本发明一实施例中利用铁路路基形变预警等级的确定方法进行仿真分析的[0026]图9为本发明一实施例中基于仿真过程中的初始形变监测数据形成的功率谱密度[0028]图11为本发明一实施例中仿真过程中利用EMD算法分解第一降噪形变监测数据得[0033]图16为本发明一实施例中所选取区段的各个形变趋势区间的形变统计指标分析[0034]图17为本发明一实施例中基于预先获得的多组形变监测数据计算得到的各个形变统计指标的形变特征值在三维坐标下的部分示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大7[0044]更具体地，铁路路基的原始形变监测数据受到多径误差值去噪算法和EMD算法对数据清洗之后的初始形变监测数据进行降噪处理，从而在去除外[0045]作为示例，对获取的原始形变监测数据进行数据清洗预处理包括剔除离群数据8[0046]本申请对获取的原始形变监测数据进行数据清洗和去噪处理的具体过程如图2所变监测数据时采用的小波阈值去噪算法的阈值函数等参数[0048]上述提及的设定高频监测数据对应的频率与设定阈值可算法和EMD算法对初始形变监测数据进行降噪处理的过程仅为示例，本发明也可利用其他9;;[0058]进一步地，本申请可利用现有的特征离散方式对形变趋[0061]多维度形变统计指标为能够衡量路基沉降值变化情况的统计指标，可包括均值、方差、极差、斜率、瑞丽熵（Renyi熵）、广义赫斯特指数（MultifractalDetrended个形变趋势区间的斜率的特征值可利用最小二乘法拟合各个形变趋势区间中样本点的路针对每一形变统计指标，计算各个形变趋势区间的形变统计指标特征值的极差，[0066]作为示例，本申请通过对比各个形变趋势区间的每一个趋势区间的形变统计指标的特征值，即可得到在特定时间尺度范围内路基沉降的形变特监测数据计算得到的相应形变统计指标的形变特征值进[0070]作为示例，选取K_means算法对基于预先获得的多组形变监测数据计算得到的相标对应的形变特征值txx2…xp（为预先采集的形变监测数据的组数确定所需要划分;;[0073]上述提及利用K_means聚类算法确定形变特征中心值的方式仅为示例，可采用其数据值之间的相关性计算形变特征值与相应形变统计指标的形变中心特征值的相关系数，[0076]作为示例，若预先采用上述K_means聚类算法得到无形变聚类中心和有形变聚类对应的无形变聚类中心的特征值的隶属程度，从而得到各个形变统计指标对应的隶属度；因此可将形变特征值与无形变聚类中心的特征值的隶属度函数大小作为判别路基稳定情;为当时，表示形变特征值l完全隶属于类别j，即形变特征值l与第j个聚类中心的特征值完全相关，当j=0时表示形变特征值l完全不属类别于j，即形变特征点l与第j个聚类中心的特征值完全不相关。k表示聚类中心的数目（即形变特征中心点的数量dy表示第l个形变特征值与第个聚类中心的特征值之间的距离，dn表示第l个形变特[0081]以上述K_means聚类算法进行聚类分析，并采用隶属度函数作为预警等级的评估用双曲线模型拟合降噪后的形变监测数据得到路基形变趋势线，选用均值、方差、极差、了初始形变监测数据的能量在不同频率上的分布，图9显示出初始形变监测数据在不同频[0089]图10为利用小波阈值去噪算法对初始形变监测数据中的设定高频数据进行降噪[0090]图11示出了经EMD算法分解第一降噪形变监测数据后，得到的6个频率不同的IMF[0091]图15中的蓝线为第一降噪形变监测数据经过EMD算法和小波阈值去噪算法之后得统计指标，用于度量路基的沉降特征，并且按照相同的监测时间间隔将形变趋势线离散化为50个形变趋势区间。各个形变趋势区间的形变统计指标分析结果如图16所示，图16中的变统计指标的特征值明显不同，且其趋势与图15中的监测数据相一致，即均有明显上升或下降的趋势，这说明仿真过程中选取的形变统计指标能够很好地提取路基的形变监测数据[0098]该仿真分析中所选取区段的形变监测数据针对各个形变统计指标形成的形变特变监测数据针对无形变聚类中心的总隶属度为0.64，根据表2可知该路基已经达到较低预;;;[0102]对于工务基础设施形变监测时间序;列被等距分成长度为s的子序列，子序列v的数量可以表示为NS=int(N/s)，其中int为向下;;当q=2时：;容易观察到上述波动趋势函数F,(s)与监测数据长度s和分数阶次q相关，且F,(s);[0106]本申请中Renyi熵、长程相关特性和不相关系数相应的特征值可采用现有技术进序/指令被处理器执行时该系统实现如前所述计算机程序/指令被处理器执行时以实现前述边缘计算服务器部署方法的步骤。该计算机[0110]需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他