一种基于多声发射事件概率的钢轨裂纹检测方法技术

一种基于多声发射事件概率的钢轨裂纹检测方法，本发明专利技术提出用卷积神经网络输出的相对概率作为声发射事件概率，解决了当前钢轨裂纹检测未充分利用样本间时序信息的问题。本发明专利技术的步骤为：一、加载声发射时域信号数据矩阵，对声发射信号做FFT变换及预处理，获得折叠为三维矩阵的频谱矩阵与标签向量。二、设定卷积网络结构参数及初始值。三、输入频谱矩阵，逐层计算迭代卷积神经网络模型误差，更新权值矩阵及偏置，进行特征提取，输出测试集分类结果及分类概率。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。本发明专利技术用多次声发射事件概率改进分类结果，提高了钢轨裂纹伤损的检测精度，有较强的理论与工程实际意义。

A method for detecting rail cracks based on the probability of multi acoustic emission events

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），其层与层间采用局部连接方式，权重共享降低了网络模型的复杂度，将神经网络架构规模降低。卷积神经网络结构为若干个卷积层和下采样层交替连接，最顶层通过全连接层完成分类任务。钢轨伤损的多维特征数据可以做快速傅里叶变换（FFT），得到频谱后直接进行网络输入，避免了传统识别算法中复杂的特征提取和数据重建过程，适合于钢轨伤损信号多维特征的直接处理。但单次卷积神经网络的分类结果并不能保证完全正确，分类错误率仍会因样本库改变产生一定的浮动。此外，由于钢轨的监测过程的特性，伤损信号具有一定的阶段性与时序性。即监测过程会在一段连续时间内不断向外提取信号，存在时间连续性，当钢轨内出现损伤，一次损伤的时长内可采集到若干个连续非安全声发射信号，相邻样本间包含近似的信息，类别相同的概率较大。单纯的CNN未考虑这种联系。因此，本专利技术提出的多声发射事件概率是信号处理过程中，由神经网络输出的多个声发射事件的相对分类概率，并将该概率值用于对应的声发射事件发生时间段的安全性判定，即为阶段性判定。本专利技术基于对声发射信号处理，由CNN输出的相对分类概率作为声发射事件概率。结合监测过程的阶段性与时序性特点，提出基于多声发射事件概率的卷积神经网络方法，充分利用样本的时间信息与频谱信息，用多次输出概率的加权平均改进单次分类结果，进一步做出阶段性判定，防止一次检测出现误检，从而提高了钢轨裂纹伤损的检测精度，优化了分类结果。
技术实现思路
本专利技术的目的在于提出一种基于多声发射事件概率的卷积神经网络钢轨裂纹检测方法。提高了传统的卷积神经网络算法对钢轨裂纹声发射信号的检测精度。本专利技术的目的是通过以下技术方案实现的：首先对声发射信号进行快速傅里叶变换，得到对应的频谱数据矩阵，再将每个频谱向量折叠为二维矩阵，输入卷积神经网络，通过卷积神经网络的卷积层和下采样层获取声发射信号的频谱特征，利用包括全连接层的完整卷积神经网络对样本进行初次分类，输出相对概率及初次分类结果。求出各个类别分布的概率均值及各类样本总数，利用这些参数，进一步设定分类的阈值，对连续多次输出概率求均值，再与阈值比较，综合判定这一阶段样本的所属类别。本专利技术的流程图如图1所示，共分为四个步骤，具体步骤如下：步骤一：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。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总数。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，相当于将每个信号转换为二维矩阵或图片，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。步骤二：卷积网络结构参数及初始值的设定。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是维实矩阵样本， 是与xi相关类别标签。2）设定网络的深度为p、迭代步数为k、初始迭代步数。设定卷积层与降采样层的特征子图参数。3）对卷积核权重进行随机值初始化，并初始化每层偏置，每层网络权重梯度 ，偏置梯度；设置学习率为α，误差限为er。klij为连接第l-1层第i个特征图中第l层中第j个特征图权值矩阵。blj为第l层第j个特征图的偏置项。构建卷积神经网络的整体模型，网络的初始权值与迭代参数得到了初始化，并为后续迭代做好准备。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。1）构建卷积层模型：，其中l代表层数，αlj为第j个特征图在l层输出，Mj为特征图集合，*代表卷积运算，k是卷积核，即klij为连接第l-1层第i个特征图中第l层中第j个特征图权值矩阵。blj为第l层第j个特征图的偏置项。为ReLu函数。2）构建降采样层模型：，其中代表最大值降采样函数，降采样函数是对该层输入一个大小区域求和，因此输出图像是输入大小的1/n。βlj为第l层第j个特征图的乘性偏置，blj为第l层第j个特征图的加性偏置。3）计算卷积层的灵敏度δlj与权值矩阵、偏置项梯度，，其中。为上采样函数，其作用为将δl+1j扩充为的矩阵。为元素级乘法运算符。权值矩阵梯度为，偏置项梯度为，其中e为均方误差，(x,y)为特征图中坐标，为第l-1层的第i个未经过kl-1ij加权的权值矩阵。4）计算降采样层的灵敏度和梯度。，其中表示扩充后的灵敏度矩阵。利用计算加性偏置的梯度。为了计算乘性偏置的梯度，令 ，得。5）输入训练集，逐层计算卷积层与下采样层加权矩阵与偏置项的梯度，反复迭代直到达到迭代次数，完成卷积神经网络的前向与反向传播步骤，实现卷积神经网络的训练过程，得到相应参数。再添加一层全连接层和softmax层，对测试集频谱进行分类，得到初步分类结果，包括输出的标签向量及概率矩阵其中softmax层假设函数为，θT为该层的参数本文档来自技高网...

【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