一种基于多分类器自适应加权的钢轨裂纹识别方法技术

本发明专利技术公开了一种基于多分类器自适应加权的钢轨裂纹识别方法，应用自适应多分类器加权算法来进行基于多通道三维漏磁信号的钢轨裂纹识别。首先利用SVM对不同通道不同方向的漏磁信号进行分类，然后利用不同分类器的后验概率计算得到的熵的大小进行自适应权重的分配，最后基于加权融合投票的策略对不同分类器的分类结果进行融合得到钢轨裂纹种类的综合决策与识别。实验结果表明，基于多分类器自适应加权的钢轨裂纹识别方法在训练样本数较少和漏磁信号通道数较少的情况下具有良好的识别效果。

A method of rail crack identification based on multi classifier adaptive weighting

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不同方向的漏磁信号的融合问题；第二个需要解决的问题，对于不同通道的漏磁信号的融合问题。问题一的常用解决方法主要是对同一通道的三个不同方向的漏磁信号进行简单的拼接处理后进行特征提取，或者分别对三个不同方向的漏磁信号做特征提取后进行特征向量的组合；问题二的常用解决方法是对不同通道的漏磁信号进行融合决策识别，其中最常用的融合决策策略就是简单投票法和加权投票法。需要指出的是，以上两个问题的常用解决方法存在以下问题。首先是同一通道的不同方向的漏磁信号的融合方法缺乏有效的理论指导，另外就是简单的投票决策融合识别的有效性，以及加权投票融合识别中有效的权值确定是一个难题。本专利技术基于不同分类器对同一样本具有不同的分类能力、不同样本对同一分类器表现不同的可分性的思想，提出一种自适应多分类器加权算法来进行基于多通道三维漏磁信号的钢轨裂纹识别。首先利用SVM对不同通道不同方向的漏磁信号进行分类，然后利用不同分类器的后验概率计算得到的熵的大小进行自适应权重的分配，最后基于加权融合投票的策略对不同分类器的分类结果进行融合得到钢轨裂纹种类的综合决策与识别。实验结果表明，基于多分类器自适应加权的钢轨裂纹识别方法在训练样本数较少和漏磁信号通道数较少的情况下具有良好的识别效果。
技术实现思路
专利技术目的：本专利技术的目的是提供一种新的基于多通道三维漏磁信号的钢轨裂纹识别方法——基于多分类器自适应加权的钢轨裂纹识别方法，在回避了同一通道不同方向漏磁信号的融合问题的基础上，实现了多通道融合决策识别的权重的自适应确定。相较于简单投票法，本方法在小训练样本和小的通道数的条件下具有更好的识别效果。技术方案：一种基于多分类器自适应加权的钢轨裂纹识别方法，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。有益效果：与现有技术相比，本专利技术采用上述技术方案具有如下有益效果：1.回避了对同一通道不同方向的漏磁信号融合问题，防止了因融合方法不当而引入的误差；2.利用香农熵对不同分类器分类性能的衡量自适应地确定了多分类器加权决策融合的权重的大小，避免了人为确定权重的误差；3.相比于普通的投票决策方法，本专利技术基于多分类器自适应加权的钢轨裂纹识别方法在小训练样本和少的漏磁信号通道数的情况下都具有更好的识别效果。附图说明图1是基于多分类器自适应加权的钢轨裂纹识别方法流程图；图2是人工钢轨裂纹的俯视图和侧视图；图3是x、y、z三个方向的漏磁信号示意图，在图中的序号分别是(a)、(b)、(c)。具体实施方式下面结合具体实施例，进一步阐明本专利技术，应理解这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。本专利技术提出的基于多分类器自适应加权的钢轨裂纹识别方法，总流程图如图1所示。现有在按照顶面形状和尺寸设计的轨道式转盘钢轨上人工加工的多种不同类型的钢轨表面裂纹损伤，其俯视图和侧视图如图2所示。利用三维霍尔漏磁传感器采集到的x、y、z三个方向的漏磁信号如图3所示。假设实际情况中采用C通道三维霍尔漏磁传感器实现对垂直于钢轨前进方向表面的全覆盖，则基于多分类器自适应加权的钢轨裂纹识别方法具体实施方式如下所述：步骤1：按公式公式(1)—(11)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:漏磁信号最大幅值和最小幅值的差，则Yp的定义如下：Yp＝xmfl_max-xmfl_min(1)式中，xmfl_max和xmfl_min分别表示漏磁信号的最大幅值和最小幅值。(2)漏磁信号的峰峰距Xp:漏磁信号最大幅值对应采样点数与最小幅值对应采样点数的差的绝对值，则Xp的定义如下所示：Xp＝|n_max-n_min|(2)式中，n_max和n_min分别表示漏磁信号最大和最小幅值对应的采样点数。(3)漏磁信号的面积S:对漏磁信号的时间进行积分，则S的定义如下：(4)漏磁信号的能量E:漏磁信号的幅值的平方和，则E的定义如下：(5)微分漏磁信号的峰峰值DYpp:微分漏磁信号的最大幅值和最小幅值的差，则DYpp的定义如下：x'mfl(n)＝xmfl(n+1)-xmfl(n),n＝1,2,···,N-1(5)DYpp＝x′mfl_max-x′mfl_min(6)式中，x'mfl(n)是微分漏磁信号，x'mfl_max和x'mfl_min分别是微分漏磁信号的最大幅值和最小幅值。(6)微分漏磁信号的峰峰距DXpp:微分漏磁信号最大幅值对应采样点数与最小幅值对应采样点数的差的绝对值本文档来自技高网...

【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