一种物理-数据双驱动轨道钢簧损伤检测识别方法及系统

1.一种物理-数据双驱动轨道钢簧损伤检测识别方法，包括以下步骤：S1：通过车辆轨道耦合动力学模型获取仿真数据，通过光纤光栅加速度传感器阵列系统获取实测数据；S2：对仿真数据和实测数据进行处理，建立带有标签的数据集；S3：依据数据集对仿真数据、实测数据分别进行数据驱动方面和物理驱动方面的特征提取；所述数据驱动方面采用Conv-1d卷积神经网络从数据层面挖掘信息提取隐式特征矩阵；所述物理驱动方面通过振动信号的波形、频谱、振动加速度传递系数、小波包能量谱构建显示特征向量；S4:将显示特征向量与隐式特征矩阵融合；S5:基于注意力机制搭建钢簧损伤识别模型，利用融合后的特征进行训练；S6:利用模型对新的浮置板轨道钢簧数据进行识别；所述仿真数据的获取步骤包括：构建仿真大数据集，基于车辆-轨道耦合动力学理论，利用MATLAB搭建车辆-轨道三维空间耦合动力学模型，通过钢簧刚度折减系数模拟钢簧损伤情况；设置损伤状态、损伤位置、轨道线路工况、振动响应提取点和采样设置，分别对应钢簧支承刚度折减的百分比、损伤钢簧在浮置板上的相对位置、车速、车辆荷载、浮置板和基础同一位置处的振动加速度响应、采样频率和采样时间；在多种工况下运行车辆-轨道耦合动力学模型，得到多组差异化的仿真原始数据，每组仿真原始数据包含一条浮置板振动加速度数据和一条基础振动加速度数据；所述搭建钢簧损伤识别模型的具体步骤包括；使用Z-score方法对融合特征矩阵进行标准化处理；构建并拼接CLS向量至融合特征矩阵，形成输入矩阵；应用自注意力机制处理层，通过多次Self-Attention计算提取特征；利用全连接层及softmax层对CLS头向量进行处理，输出钢簧的损伤状态及位置。 2.根据权利要求1所述的一种物理-数据双驱动轨道钢簧损伤检测识别方法，其特征在于，所述实测数据通过搭建光纤光栅加速度传感器阵列系统获得。 3.根据权利要求1所述的一种物理-数据双驱动轨道钢簧损伤检测识别方法，其特征在于，步骤S2中，所述数据进行处理包括：仿真数据预处理，包括数据筛选、构建时间序列数据集并划分为训练、验证和测试子集、加标签并划分为子标签；实测数据预处理，包括数据筛选、构建时间序列数据集并划分为训练、验证和测试子集、加标签并划分为子标签。 4.根据权利要求1所述的一种物理-数据双驱动轨道钢簧损伤检测识别方法，其特征在于，所述特征提取的步骤包括：通过一维卷积神经网络对仿真数据集进行隐式特征提取，以构建隐式特征矩阵；结合数据驱动和物理驱动的方法，从时域、频域、振动传递系数和小波包能量谱等角度提取数据的显示特征；将提取的隐式和显示特征进行整合，形成特征向量；应用同样的方法对实测数据集进行特征提取。 5.根据权利要求4所述的一种物理-数据双驱动轨道钢簧损伤检测识别方法，其特征在于，所述隐式特征提取步骤包括：利用一维卷积神经网络架构从海量数据中挖掘隐藏规律信息，实现隐式特征提取，建立隐式特征矩阵；利用处理后的数据进行一维卷积操作，使用Conv-1d函数处理；对于数据集的k-a和k-b数据，分别使用一维卷积将基础数据信息投射到高维特征空间f-a和f-b，并将其拼接以组成对应的隐式特征。 6.根据权利要求4所述的一种物理-数据双驱动轨道钢簧损伤检测识别方法，其特征在于，隐式特征提取步骤包括：波形，从信号的波形角度或时域角度提取特征值，通过振动加速度平均峰值、振动加速度均方值构建2维特征向量；频谱，从频域角度进行信号特征提取，提取前3阶主频和幅值，构造6维特征向量；振动加速度传递系数，以振动传递系数为特征指标分析钢簧损伤信息，提取[1,200Hz]范围内的振动传递系数，构造200维特征向量；小波包能量谱，以小波能量谱作为信号特征，提取振动信号的非平稳和突变信息，通过对振动信号做3层小波包分解，以第3层8个频带小波能量谱为指标构造8维特征向量；基于物理驱动构建显示特征向量，将得到的两个216维的显示特征向量整体拼接，组成432维的显示特征向量。 7.根据权利要求1所述的一种物理-数据双驱动轨道钢簧损伤检测识别方法，其特征在于，钢簧损伤识别模型训练包括分为两个阶段：第一阶段为模型训练，包括使用仿真时间序列数据集进行显示特征和隐式特征提取，进行预训练，并利用验证子集进行交叉验证和参数调整；第二阶段为模型微调，包括使用实测时间序列数据集进行特征提取和数据归一化预处理，再次预训练模型以进行迁移学习；利用验证和测试子集对模型进行微调。 8.一种物理-数据双驱动轨道钢簧损伤检测识别系统，其特征在于，所述系统包括以下组件：数据获取单元：配置有车辆-轨道耦合动力学模型以获取仿真数据，并配备光纤光栅加速度传感器阵列系统以收集实测数据；数据处理单元：用于对仿真数据和实测数据进行处理，建立带有标签的数据集；特征提取单元：用于依据数据集对仿真数据、实测数据分别进行数据驱动方面和物理驱动方面的特征提取；数据驱动方面采用Conv-1d卷积神经网络从数据层面挖掘信息提取隐式特征矩阵；物理驱动方面通过振动信号的波形、频谱、振动加速度传递系数、小波包能量谱构建显示特征向量；特征融合单元：用于将显示特征向量与隐式特征矩阵融合；钢簧损伤识别模型单元：基于注意力机制构建，利用融合后的特征进行训练，用于识别新的浮置板轨道钢簧数据；仿真数据的获取步骤包括：构建仿真大数据集，基于车辆-轨道耦合动力学理论，利用MATLAB搭建车辆-轨道三维空间耦合动力学模型，通过钢簧刚度折减系数模拟钢簧损伤情况；设置损伤状态、损伤位置、轨道线路工况、振动响应提取点和采样设置，分别对应钢簧支承刚度折减的百分比、损伤钢簧在浮置板上的相对位置、车速、车辆荷载、浮置板和基础同一位置处的振动加速度响应、采样频率和采样时间；在多种工况下运行车辆-轨道耦合动力学模型，得到多组差异化的仿真原始数据，每组仿真原始数据包含一条浮置板振动加速度数据和一条基础振动加速度数据；搭建钢簧损伤识别模型的具体步骤包括；使用Z-score方法对融合特征矩阵进行标准化处理；构建并拼接CLS向量至融合特征矩阵，形成输入矩阵；应用自注意力机制处理层，通过多次Self-Attention计算提取特征；利用全连接层及softmax层对CLS头向量进行处理，输出钢簧的损伤状态及位置。