The invention discloses a rail crack recognition method based on adaptive weight of multiple classifiers, and applies adaptive multi classifier weighting algorithm to identify rail cracks based on multi-channel three-dimensional magnetic flux leakage signals. The first use of SVM magnetic flux leakage signals of different channels in different directions of the classification, distribution and use of different classifiers posterior probability calculated by the entropy of the size of the adaptive weight, finally weighted fusion voting strategy based on the classification of different classification results were fused to get the comprehensive decision and recognition of rail crack types. The experimental results show that the rail crack recognition method based on multi classifier adaptive weight has a good recognition effect under the condition of less training samples and less number of magnetic leakage signals.
【技术实现步骤摘要】
一种基于多分类器自适应加权的钢轨裂纹识别方法
本专利技术涉及一种基于多分类器自适应加权的钢轨裂纹识别方法,具体是一种应用于多通道漏磁信号的钢轨裂纹识别方法。
技术介绍
高速铁路的迅速发展,极大地促进了我国国民经济的发展和民生的改善。钢轨是铁路基础设施的主要构件,在使用中承受着车轮传导而来的巨大的压力,因此导致的钢轨缺陷损伤和材料性能退化等严重影响着铁路的运营安全。实际情况中出现的钢轨缺陷主要有:车轮滚动接触造成的疲劳裂纹、内部缺陷、压溃、侧磨、腐蚀、剥离以及道岔和焊缝等特殊部位的材料性能退化等。其中钢轨表面裂纹是诱发轨头核伤和轨头剥离的初始阶段缺陷,及时有效地实现对钢轨表面裂纹的检测和识别对于保证高铁的安全运行具有巨大的实际意义。国内外研究人员采用了包括漏磁检测在内的多种无损检测技术,试图实现钢轨表面裂纹的在线检测。铁磁材料被磁化后,试件表面或近表面缺陷会使磁导率发生变化,导致磁路中的磁通和磁感应线流向改变,部分磁通泄漏到工件表面通过空气绕过缺陷再进入材料形成漏磁场。漏磁检测通过磁传感器获取漏磁场信息,实现钢轨表面及近表面缺陷检测。相关研究结果表明,充分利用漏磁场的x、y、z三个方向的漏磁信号分量,有利于实现钢轨表面复杂裂纹缺陷的准确识别。同时对于复杂裂纹的检测与识别,通常采用多通道三维漏磁传感器阵列实现对复杂裂纹的全部覆盖,使得采集到的漏磁信号能够反映裂纹的全部信息。但是,对于多通道三维漏磁传感器阵列采集到的漏磁信号而言,如何有效的实现对全部信息的充分利用,是基于多通道三维漏磁信号的钢轨裂纹识别与检测的关键和难点。第一个需要解决的问题,对于同一通道的三个 ...
【技术保护点】
一种基于多分类器自适应加权的钢轨裂纹识别方法,其特征在于,包括如下步骤:步骤1:对不同通道不同方向的漏磁信号进行时域、频域和时频域特征的提取,并将以上特征组合生成特征向量;步骤2:按步骤1提取不同通道不同方向的漏磁信号的训练样本特征向量,分别训练不同通道不同方向漏磁信号对应的SVM分类器;步骤3:对于未知类别的钢轨裂纹,将其对应的不同通道不同方向的漏磁信号按照步骤1提取测试样本特征向量,分别送入步骤2中对应通道对应方向的训练好的SVM分类器中,得到该钢轨裂纹在不同SVM分类器下属于不同类别的后验概率值;步骤4:利用步骤3中基于不同通道不同方向漏磁信号得到的该裂纹属于不同种类裂纹的后验概率,计算不同分类器的香农熵,依次衡量该SVM分类器对于该裂纹的可分性能力的大小,并以此计算不同分类器融合识别时的融合权重的大小;步骤5:利用步骤4中得到的不同分类器的融合权重大小,对多分类器的钢轨裂纹识别结果进行自适应加权融合识别,得到基于多分类器自适应加权的钢轨裂纹识别结果。
【技术特征摘要】
1.一种基于多分类器自适应加权的钢轨裂纹识别方法,其特征在于,包括如下步骤:步骤1:对不同通道不同方向的漏磁信号进行时域、频域和时频域特征的提取,并将以上特征组合生成特征向量;步骤2:按步骤1提取不同通道不同方向的漏磁信号的训练样本特征向量,分别训练不同通道不同方向漏磁信号对应的SVM分类器;步骤3:对于未知类别的钢轨裂纹,将其对应的不同通道不同方向的漏磁信号按照步骤1提取测试样本特征向量,分别送入步骤2中对应通道对应方向的训练好的SVM分类器中,得到该钢轨裂纹在不同SVM分类器下属于不同类别的后验概率值;步骤4:利用步骤3中基于不同通道不同方向漏磁信号得到的该裂纹属于不同种类裂纹的后验概率,计算不同分类器的香农熵,依次衡量该SVM分类器对于该裂纹的可分性能力的大小,并以此计算不同分类器融合识别时的融合权重的大小;步骤5:利用步骤4中得到的不同分类器的融合权重大小,对多分类器的钢轨裂纹识别结果进行自适应加权融合识别,得到基于多分类器自适应加权的钢轨裂纹识别结果。2.如权利要求1所述的基于多分类器自适应加权的钢轨裂纹识别方法,其特征在于,步骤1:对来自不同通道不同方向的漏磁信号xmfl(n),n=1,2,…,N,其中N为漏磁信号的采样点数,提取时域、频域和时频域特征。其中漏磁信号的时域特征有:(1)漏磁信号的峰峰值Yp(2)漏磁信号的峰峰距Xp(3)漏磁信号的面积S(4)漏磁信号的能量E(5)微分漏磁信号的峰峰值DYpp(6)微分漏磁信号的峰峰距DXpp(7)漏磁信号的偏度ske(8)漏磁信号的峰度kur漏磁信号的频域特征包括漏磁信号xmfl(n),n=1,2,…,N的功率谱P;漏磁信号的时频域特征:首先利用db6小波对漏磁信号做3级小波分解,然后分别计算小波变换系数a3、d2和d3的标准差作为漏磁信号的时频域特征w1、w2和w3。3.如权利要求1所述的基于多分类器自适应加权的钢轨裂纹识别方法,其特征在于,完成特征的提取后,将所有的时域特征、功率谱特征的前一半和所有的时频域特征组合生成特征向量F。4.如权利要求1所述的基于多分类器自适应加权的钢轨裂纹识别方法,其特征在于,对于C通道三维霍尔漏磁传感器阵列采集到的漏磁信号,按步骤1提取不同通道不同方向的漏磁信号的训练样本特征向量F1,F2,…,F(C-1)×3+3,分别训练不同通道不同方向漏磁信号对应的SVM分类器SVM1,SVM2,…,SVM(C-1)×3+3。5.如权利要求1所述的基于...
【专利技术属性】
技术研发人员:陈旺才,刘文波,朱海霞,张陆唯,
申请(专利权)人:南京航空航天大学,
类型:发明
国别省市:江苏,32
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。