A rail crack detection method of acoustic emission events based on probability, the relative probability output of convolutional neural network as the acoustic emission event probability, to solve the current rail crack detection did not make full use of timing information between sample questions. The method comprises the following steps: firstly, the acoustic emission time domain signal data matrix is loaded, and the acoustic emission signal is transformed and pretreated by FFT to obtain the spectrum matrix and the label vector folded into a three-dimensional matrix. Two, the convolution network structure parameters and initial value. Three, the input spectrum matrix, layer by layer iterative convolution neural network model error, update the weight matrix and bias, feature extraction, output test set classification results and classification probability. Four. Based on the probability of multiple acoustic emission events, the output of the convolutional neural network is modified to optimize the classification results. The invention improves the classification result by using the acoustic emission event probability, improves the detection precision of the rail crack damage, and has strong theoretical and practical significance.
【技术实现步骤摘要】
本专利技术涉及钢轨裂纹信号检测领域的方法,具体涉及一种基于多声发射事件概率的钢轨裂纹检测方法。
技术介绍
自1964年世界上第一条高速铁路在日本建成,拉开了铁路高速化在世界范围内大发展的序幕,使之成为社会发展的必然趋势。现如今,高速铁路作为国家重要的基础建设设施,不仅是大众化的交通工具,同时也给经济和社会发展带来了巨大的推动作用,成为经济发展的大动脉。与此同时,如何保障高铁安全、可靠的运行,及时掌握钢轨的安全状态成为铁路运输所需的重大问题。钢轨伤损是运行的重要安全隐患,若不及时检测并采取安全措施,裂纹在后续外力的持续作用下极易扩展,从而引起钢轨断裂并造成重大事故。因此钢轨伤损的检测是掌握钢轨安全状态的关键技术之一,也是保障高铁安全运行必不可少的条件。目前,除传统超声波探伤方法外,新兴的钢轨裂纹的无损检测方法主要包括声发射技术、导波检测技术、激光超声技术等。其中,利用声发射技术对钢轨伤损检测具有灵敏度高、可动态检测、可检测活动裂纹、不受钢轨形状限制以及可在线实时检测等优点。进而达到无损检测,有效而准确地对钢轨声发射信号的伤损阶段进行识别分类的目标。通常,将存在钢轨裂纹,即发生塑性形变的阶段分类为非安全,反之归类为安全。深度学习是近年来提出的改进神经网络算法,通过组合低层特征形成抽象的高层表示属性或类别,在模式识别及特征提取上取得效果要优于传统深层神经网络(Deep Neural Network,DNN)。深度学习模型适合应用于对钢轨裂纹的检测即钢轨安全性的识别上。深度学习中的卷积神经网络模型(Convolutional Neural Network,CNN ...
【技术保护点】
一种基于多声发射事件概率的钢轨裂纹检测方法,其特征在于它包括如下步骤:步骤一:加载声发射时域信号数据矩阵与标签向量,对声发射信号做FFT变换及预处理,获得数据矩阵与标签向量;步骤二:卷积网络结构参数及初始值的设定;步骤三:逐层计算卷积神经网络模型特征与误差,更新权值矩阵及偏置,进行提取特征,并输出测试集分类结果及分类概率;步骤四:基于多声发射事件概率对卷积神经网络输出修正,优化分类结果。
【技术特征摘要】
1.一种基于多声发射事件概率的钢轨裂纹检测方法,其特征在于它包括如下步骤:步骤一:加载声发射时域信号数据矩阵与标签向量,对声发射信号做FFT变换及预处理,获得数据矩阵与标签向量;步骤二:卷积网络结构参数及初始值的设定;步骤三:逐层计算卷积神经网络模型特征与误差,更新权值矩阵及偏置,进行提取特征,并输出测试集分类结果及分类概率;步骤四:基于多声发射事件概率对卷积神经网络输出修正,优化分类结果。2.根据权利要求1所述的一种基于多声发射事件概率的钢轨裂纹检测方法,其特征在于所述的步骤一为:1)加载声发射时域信号数据矩阵与标签向量;其中l0表示信号向量的长度,即每个信号包含采样点个数,N0表示矩阵包含的声发射信号个数,标签有两种取值, ,分别代表钢轨声发射信号安全与非安全;2)提取出信号的上升时间及持续时间,记为向量、,使对应上升时间与持续时间之比小于λ,,Tir、Tid表示第i个信号的上升时间、持续时间,筛选出符合条件的信号,组成新数据库及新标签库,N1为筛选后声发射信号个数;3)对声发射信号的数据矩阵进行FFT变换,得到频谱矩阵,再对频谱矩阵进行截取,在满足香农采样定理的前提下,去掉冗余高频带,将频谱范围限定在声发射信号常用频率1MHz内,得到新的频谱矩阵;4)对的每列元素进行折叠,得到三维数据矩阵,将每个信号转换为二维矩阵,矩阵元素总数,a0、b0分别为信号折叠成的矩阵行数、列数,再对数据矩阵进行归一化处理,得到最大幅值为1的频谱矩阵,其标签向量仍为。3.根据权利要求1所述的一种基于多声发射事件概率的钢轨裂纹检测方法,其特征在于所述的步骤二为:1)对上一步得到的三维频谱矩阵,N1为样本总数,a0、b0为折叠后矩阵的行数、列数,将及数据集分割为训练数据集、训练集标签及测试数据集、测试集标签,其中n1是训练集样本数,n2是测试集样本数,,设,xi是...
【专利技术属性】
技术研发人员:章欣,王康伟,王艳,郝秋实,沈毅,
申请(专利权)人:哈尔滨工业大学,
类型:发明
国别省市:黑龙江;23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。