一种基于深度卷积神经网络的列车轮对踏面损伤故障诊断方法技术

本发明专利技术提出了一种基于深度卷积神经网络的列车轮对踏面损伤故障诊断方法，首先将列车实时采集的踏面轮对踏面图片进行图像预处理，利用基于Tensorflow平台下的InceptionV3算法对已经预处理的数据进行特征提取，然后将提取的特征输入softmax分类器进行踏面损伤程度分类，为后续列车的分级控制提供依据。本发明专利技术设计的方法有效的降低了列车在运行时因踏面损伤而造成的不良后果，所采用的深度卷积神经网络算法极大地节约了参数，加速了运算量，并减轻了过拟合的情况，缩短了故障识别时间，且图像识别效果更为精准。

A Fault Diagnosis Method for Train Wheelset Tread Damage Based on Deep Convolution Neural Network

【技术实现步骤摘要】
一种基于深度卷积神经网络的列车轮对踏面损伤故障诊断方法
本专利技术涉及到光学测量
，具体来说，涉及一种基于深度卷积神经网络的列车轮对踏面损伤故障诊断方法。
技术介绍
轮对作为列车走行部重要的部分，受到车体的重压同时也承担了其他冲击带来的力，踏面连接了车轮与轨道，作为列车走行部的主要承重部分，轮对损伤的问题显得愈发严重，踏面的严重损伤导致轮轨接触关系的严重畸变，进而导致列车脱轨等重大交通安全事故。为了保证列车安全平稳的运行，列车轮对的镟修周期不断缩短，这样就增加大量的维护工作量，耗费人力财力。而微小的踏面损伤易致使轮轨接触面不平整，导致擦伤裂纹产生，加之列车速度的不断提升，列车轮轨与轨道之间因不平整产生的颠簸、摇摆现象，对列车运行舒适程度造成极大的影响。此外，已经受损的踏面如果未及时进站维修，则会加剧损伤的恶化，威胁到列车运行安全。目前已有的文献中涉及到了轮对踏面损伤在线检测和故障诊断，且故障诊断方面文献较少。但未有学者对踏面使用状态进行在线分级的研究，更未对踏面损伤图像高维非线性特征进行更深技术性革新，未能针对性的提出相应的控制策略。
技术实现思路
本专利技术需要解决的技术问题是针对现有诊断技术不足和缺陷，提供一种基于深度卷积神经网络的列车轮对踏面损伤故障诊断的方法。为实现上述目的，本专利技术采用以下技术方案：一种基于深度卷积神经网络的列车轮对踏面损伤故障诊断方法，包括以下步骤：S1、采集当前列车轮对踏面图像；S2、将图像先转化为灰度图，再进行去噪、边缘检测、轮廓提取等一系列预处理过程；S3、选取InceptionV3作为特征提取网络，提取步骤S2中采集到的轮对踏面损伤图像特征；S4、基于softmax分类器识别轮对踏面图像获取细分类结果，所述分为四种损伤级别：正常阶段、征兆阶段、一般损伤阶段、严重损伤阶段。进一步地，所述步骤S2中图像预处理的具体过程：S21、将步骤S1采集的列车轮对踏面损伤图像集进行灰度处理；S22利用高斯滤波器滤除图像噪声，将图像进行平滑处理；设信号为f(x,y),输出信号为g(x,y)，高斯滤波器函数G(x,y)定义为g(x,y)＝f(x,y)*G(x,y)S23、将高斯滤波后的图像用sobel算子来计算x,y方向的梯度；每个像素位置梯度的幅值和方向通过一阶偏导和的有限差分计算出，公式如下Gx＝f(x,y)*H1(x,y)Gx＝f(x,y)*H1(x,y)其中G(x,y)为梯度的幅值，为梯度的方向，之后在x方向上减去y方向上的梯度，通过这个减法，留下具有高水平梯度和低垂直梯度的图像区域。S24、应用非极大值对梯度幅值(即θ(x,y)梯度方向)进行抑制，首先选取一个物体像素的灰度值与沿正负梯度方向上的两个像素的灰度值进行比较。如果当前像素的灰度值与另外两个像素相比最大，则说明该像素点为边缘点，即为边缘像素，否则该像素点将被抑制，即被舍弃，继续寻找下一个。S25、利用双阈值算法检测和连接边缘，即使用累计直方图计算两个阈值，若像素灰度值大于高阈值则该像素是边缘像素，若其小于低阈值则该像素一定不是边缘像素。如果检测结果大于低阈值又小于高阈值，则需要检查这个像素的相邻像素中有没有超过高阈值的边缘像素，如果有，则认为该像素是边缘，否则不是。S26、将轮对踏面图像模糊图像进行二值化处理；S27、再进行一次高斯滤波对图像进行去噪；S28、对S27步骤得出的图像利用4次形态学算法，即腐蚀和膨胀算法去除踏面区域以外的小的干扰噪点，防止对S27步骤提取踏面轮缘边缘线上像素点造成干扰；S29、找出轮对踏面区域轮廓，将S28步骤得到的二值图像检测外轮廓，确定裁剪框的四个点坐标位置，画出裁剪矩形虚线框，提取出裁剪后的图像并统一图像大小；进一步地，所述步骤S3中InceptionV3网络的具体实现步骤如下：a、获取经过图像预处理后的图像，图像包含了4种不同损伤程度的轮对踏面图像，对样本图像进行比例划分，得到训练集、测试集和验证集；b、将训练图像集进行归一化处理；c、采用tensorflow平台搭建InceptionV3网络架构，在基础的Inception网络模型的基础上将一个二维卷积用两个较小的一维卷积替代，同时在原先的inception模型上增加一层非线性扩展模型表达能力，优化了其网络结构，卷积核采用1x1、3x3和5x5，实现融合不同尺度特征的拼接。c1、底层采用的卷积层前6个卷积层及2个池化层，使用的均为3x3的卷积核，用conv1_1、conv1_2、conv1_3、conv2_1、conv2_2、conv2_3、conv2_4、conv2_6、conv2_6表示6个卷积层，用pool1表示1个池化层，其中构建的模型架构为：conv1_1、conv1_2、conv1_3、pool1、conv2_1、conv2_2、conv2_3、conv2_4、conv2_6、conv2_6顺序连接；c2、conv2_6后所得到的特征图在输入到第1个inception模块组，包含了3个inceptionmodule，第1个inceptionmodule有4个分支，第1个inception模块组的第二个inceptionmodule同第1个一样有4个分支，只有最后第4个分支输出的是64输出通道的1x1卷积，第1个inception模块组第3个inceptionmodule则与第二个inceptionmodule结构相同，第2个inception模块组包含了5个inceptionmodule，其中第2个inceptionmodule到第5个inceptionmodule结构十分相似，第1个inceptionmodule包含3个分支，第2个inception模块组的第二个inceptionmodule包含4个分支，第2个inception模块组第3个inceptionmodule，除去第2个分支和第3个分支与上一个inceptionmodule输出通道数不同外，其他一致，第3个inception模块组包含了3个inceptionmodule，第1个inceptionmodule包含4个分支，第2个inceptionmodule包含3个分支，第3个inceptionmodule则与上一个inceptionmodule相同；c3、最后一个卷积层的输出进行一个8x8的平均池化，然后连接一个dropout层，接着再连接一个卷积层，最后连接softmax对结果进行四分类；c4、在inception模块组之后采用平均池化层来代替传统的最大池化层。进一步地，步骤S4具体为：通过特征融合后最终得到一个1X4维的向量，求出向量中的元素对数，进行归一化处理，使得所有的概率和为1，将待测的图片输入进行四类状态划分，最后根据输出四类概率的大小来判定踏面图像是哪个阶段的损伤：正常状态、严重损伤、一般损伤、较小损伤。进一步地，在铁轨上铺设CCD工业相机用于采集步骤S1中所述的轮对踏面图像。本专利技术的有益效果：本专利技术故障诊断的方法使用深度卷积神经网络inceptionV3模型在线实时进行，首先从CCD上实时获取到原始的轮对踏面图像，经过图像旋转、图像分割、图像大小设置等一系列预处理过程，排除轮对踏面背景的干扰后，再对图像进行损伤程度图像识别；其次对本文档来自技高网...

【技术保护点】
1.一种基于深度卷积神经网络的列车轮对踏面损伤故障诊断方法，其特征在于，包括以下步骤：S1、采集当前列车轮对踏面图像；S2、将图像先转化为灰度图，再进行去噪、边缘检测、轮廓提取等一系列预处理过程；S3、选取Inception V3作为特征提取网络，提取步骤S2中采集到的轮对踏面损伤图像特征；S4、基于softmax分类器识别轮对踏面图像获取细分类结果，所述分为四种损伤级别：正常阶段、征兆阶段、一般损伤阶段、严重损伤阶段。

【技术特征摘要】
1.一种基于深度卷积神经网络的列车轮对踏面损伤故障诊断方法，其特征在于，包括以下步骤：S1、采集当前列车轮对踏面图像；S2、将图像先转化为灰度图，再进行去噪、边缘检测、轮廓提取等一系列预处理过程；S3、选取InceptionV3作为特征提取网络，提取步骤S2中采集到的轮对踏面损伤图像特征；S4、基于softmax分类器识别轮对踏面图像获取细分类结果，所述分为四种损伤级别：正常阶段、征兆阶段、一般损伤阶段、严重损伤阶段。2.根据权利要求1所述的一种基于深度卷积神经网络的列车轮对踏面损伤故障诊断方法，其特征在于，步骤S2中图像预处理的具体过程：S21、将步骤S1采集的列车轮对踏面损伤图像集进行灰度处理；S22利用高斯滤波器滤除图像噪声，将图像进行平滑处理；设信号为f(x,y),输出信号为g(x,y)，高斯滤波器函数G(x,y)定义为：g(x,y)＝f(x,y)*G(x,y)S23、将高斯滤波后的图像用sobel算子来计算x,y方向的梯度；每个像素位置梯度的幅值和方向通过一阶偏导和的有限差分计算出，公式如下Gx＝f(x,y)*H1(x,y)Gx＝f(x,y)*H1(x,y)其中G(x,y)为梯度的幅值，为梯度的方向，之后在x方向上减去y方向上的梯度，通过这个减法，留下具有高水平梯度和低垂直梯度的图像区域；S24、应用非极大值对梯度幅值(即θ(x,y)梯度方向)进行抑制，首先选取一个物体像素的灰度值与沿正负梯度方向上的两个像素的灰度值进行比较，如果当前像素的灰度值与另外两个像素相比最大，则该像素点为边缘点，即为边缘像素，否则该像素点将被抑制，即被舍弃，继续寻找下一个；S25、利用双阈值算法检测和连接边缘，即使用累计直方图计算两个阈值，若像素灰度值大于高阈值则该像素是边缘像素，若其小于低阈值则该像素一定不是边缘像素，如果检测结果大于低阈值又小于高阈值，则需要检查这个像素的相邻像素中有没有超过高阈值的边缘像素，如果有，则认为该像素是边缘，否则不是；S26、将轮对踏面图像模糊图像进行二值化处理；S27、再进行一次高斯滤波对图像进行去噪；S28、对S27步骤得出的图像利用4次形态学算法，即腐蚀和膨胀算法去除踏面区域以外的小的干扰噪点，防止对S27步骤提取踏面轮缘边缘线上像素点造成干扰；S29、找出轮对踏面区域轮廓，将S28步骤得到的二值图像检测外轮廓，确定裁剪框的四个点坐标位置，画出裁剪矩形虚线框，提取出裁剪后的图像，并统一图像大小。3.根据权利要求1所述的一种基于深度卷积神经网络的列车轮对踏面损伤故障诊断，其特征在于，步骤S3中InceptionV3网络的具体实现步骤如下：a、获取经过预处理后的图像，图像包含了4种不同损伤程度的轮对踏面图像，对图像进行比例划分，得到图像集：训练集、测试集和验证集；b、将训练图像集进行归一化处理；c、采用tensorflow平台搭建InceptionV3网络架构，在基础的Inception网络模型的基础上将一个二维卷积用两个较小的一维卷积替代，同时在原先的inception模型上增加一层非线性扩展模型表达能力，优化了其网络结构，卷积核采用1x1、3x3和...

【专利技术属性】
技术研发人员：何静，余昊宇，张昌凡，刘建华，毛颂安，龙永红，张瀛，
申请(专利权)人：湖南工业大学，
类型：发明
国别省市：湖南,43