基于小波变换和半监督卷积自编码器的钢轨损伤监测方法技术

基于小波变换和半监督卷积自编码器的钢轨损伤监测方法，可以识别出由钢轨的运行噪声、裂纹冲击和裂纹扩展诱导的声发射波并进行分类，应用领域为钢轨结构健康监测。本发明专利技术在对声发射波形进行分析时，采用连续小波变换以及数据裁剪对数据进行预处理，在训练网络的过程中，通过学习大量无标签数据，网络能够提取出声发射数据中的特征，并利用训练完成的网络学习少量无标签数据，二次训练分类器，避免了需要对大量数据进行繁复且耗时长的标注工作。该方法在钢轨裂纹声发射数据集上能够取得较好的分类效果，精确识别实验室模拟波形数据和现场采集波形数据，以便结合实验室模拟波形数据丰富训练样本，解决现场采集波形数据数量稀少获取困难的问题。少获取困难的问题。少获取困难的问题。

【技术实现步骤摘要】
基于小波变换和半监督卷积自编码器的钢轨损伤监测方法


[0001]本专利技术涉及结构健康监测领域，尤其涉及一种基于小波变换和半监督卷积自编码器的钢轨损伤监测方法。

技术介绍

[0002]结构健康监测指的是针对工程结构的损失识别及其特征化的策略和过程。结构损伤指的是结构材料参数及其几何特征的改变。结构健康监测过程涉及使用周期性采样的传感器阵列获取结构响应，损伤敏感指标的提取，损伤敏感指标的统计分析以确定当前结构健康状况等过程。
[0003]在结构健康监测领域，使用传统的监测方法来统计和分析数据，无可避免造价高、可靠性低以及对结构有损等缺点。传统的监测技术很难对结构局部损伤进行准确定位，并且很难有效评估出结构的损失程度。同时，传统的数据分类方法很难得到正确的损伤情况，人为的分类容易增加数据的主观性，使得数据的错误程度不断增加，并且很难有效提取数据的特征，这样容易导致结构产生更多的损伤。并且针对同一种结构的不同损失情况，可能需要工程师采用不同的分类方法，在一些情况下这可能导致数据无法使用。
[0004]随着小波变换与神经网络在结构健康监测领域的应用，出现了不少基于神经网络的有监督或半监督机器学习方法，这类方法更为有效识别损伤，降低监测的成本。小波变换作为一种新的信号处理技术，可以通过伸缩和平移两种运算，对原信号进行多尺度的细化分析。小波因具有多分辨率分析能力而具备放缩特性，故能有效解决时间和分辨率在短时傅里叶变换中出现的矛盾，被广泛应用于图像处理和结构健康监测领域。
[0005]自编码器属于神经网络中的一种，由编码器和解码器组成，使用编码器可以实现数据压缩，使用解码器可以实现数据的解压缩。自编码器广泛应用于数据生成模型的学习。卷积自编码器属于传统自编码的一种变式，在网络结构中使用卷积－池化层代替全连接层，对输入的图像进行降采样和稀疏性学习并高效地提取图像的特征。
[0006]在基于神经网络识实现结构健康监测领域，由于原始波形信号数据庞大，有一些应用中会通过子自编码器中的编码器对原始波形信号进行编码降维，编码器编码虽然可以实现数据降维，但是对于波形复杂的情景，降维后的编码数据依然庞大，难以实现理想的识别效率和精度。
[0007]另外，当前也有一些通过数据裁剪实现数据精简的方案，但是由于波形信号中特征分散难以定位的因素，所以在健康诊断领域基本不会裁剪声发射波形，尤其当前缺乏针对不同对象精确裁剪波形的手段。
[0008]值得注意的是，由于编码器编码实现了降维特征提取，也就是特征空间的精简；数据裁剪实现了波形数据的精简。两者都是在不同维度上精简特征，由于数据过度精简容易遗漏特征，本领域当前没有将数据裁剪和编码器编码结合的技术方案。
[0009]钢轨产生的裂纹是引起钢轨退化的一个主要原因，由裂纹产生的声发射波可以用来反映其本质特征。但是钢轨产生的声发射波波形复杂，噪声成分多，单一的编码器编码和
数据裁剪很难满足数据预处理要求，影响诊断精度和效率。且钢轨的损伤之一为裂纹扩散，但是裂纹扩散的数据难以采集，没有足够的样本难以保证诊断模型训练精度。

技术实现思路

[0010]为了解决上述现有技术中钢轨健康诊断精度低、训练样本难以采集的缺陷。
[0011]本专利技术提出了一种基于小波变换和半监督卷积自编码器的钢轨损伤监测方法，采用连续小波变换以及数据截取的方式提取声发射信号的特征，再运用半监督卷积自编码器进行数据分类，不仅提高了分类器识别的准确率，而且更加有效识别损失情况，降低了监测成本，更加智能和高效。
[0012]本专利技术提出的一种基于小波变换和半监督卷积自编码器的钢轨损伤监测方法，通过损伤监测模型对声发射波形数据进行识别；损伤监测模型包括编码模块和分类器模块，编码模块的输入为声发射波形数据对应的目标波段，编码模块的输出为目标波段的特征编码；分类器模块的输入为编码模块输出的特征编码，分类器模块的输出为声发射波形数据的分类结果；
[0013]所述目标波段的获取方式为：对声发射波形数据进行连续小波变换，获取小波系数矩阵和对应的小波变换图；对小波变换图进行裁剪，提取以小波系数矩阵极值点为中心的目标波段，目标波段的长度为小波变换图的1/5。
[0014]优选的，所述编码模块的构建方法为：建立由编码器和解码器构成的半监督卷积自编码器，通过未标注样本训练所述半监督卷积自编码器，从训练完成的半监督卷积自编码器中提取编码器作为损伤监测模型的编码模块：未标注样本为未标注分类的声发射波形数据对应的目标波段。
[0015]优选的，获取带标注分类的声发射波形数据，将同一声发射波形数据对应的目标波段和标注分类组成标注样本；分类器模块根据编码模块对标注样本的特征编码与标注样本的标注分类之间的映射关系进行训练。
[0016]优选的，分类器模块训练过程中基于网格搜索法进行超参数调优。
[0017]优选的，所述分类包括：运行噪声、裂纹冲击和裂纹扩展。
[0018]优选的，标注样本和未标注样本中均包含有各分类下的声发射波形数据对应的目标波段，裂纹扩展分类对应的声发射波形数据包括实验室模拟波形数据和现场采集波形数据。
[0019]优选的，编码模块和分类器均基于神经网络构建。
[0020]优选的，所述损伤监测模型的获取包括以下步骤：
[0021]S11、从训练完成的半监督卷积自编码器中提取编码器作为编码模块，将所述编码模块与分类器模块构成损伤监测模型；
[0022]S12、将标注样本作为输入数据输入损伤监测模型，编码模块获取输入数据中目标波段的特征编码，分类器模块获取特征编码对应的分类结果；
[0023]S13、根据标注样本对应的分类结果和标注分类对分类器模块进行参数更新，当分类器模块参数固化，损伤监测模型训练完成。
[0024]优选的，包括以下步骤：
[0025]S21、采集钢轨各位置产生的声发射波形数据，获取训练完成的损伤监测模型；
[0026]S22、获取待识别声发射波形数据对应的目标波段并输入训练完成的损伤监测模型，损伤监测模型输出分类结果。
[0027]优选的，所述声发射波形数据通过声发射波采集设备获得，所述声发射波采集设备包括依次连接的传感器、前置放大器、数据采集处理系统和记录分析显示系统。
[0028]本专利技术的优点在于：
[0029](1)本专利技术采用损伤监测模型识别声发射波形数据，其输入为声发射波形数据经过小波变换后的波形进一步裁剪获得的目标波形。本专利技术中，采用小波变换对采集到的声发射波形数据进行处理，可以在不丢失信号特征信息的情况下实现信号降噪和压缩，得到准确、清晰的小波变换图即声发射波特征图，使得声发射波形数据的特征表现更加显著。在此基础上进一步裁剪小波变换图，舍弃了大部分对特征表现不显著的波段，得到了比传统小波变换更为准确、更为清晰的反映声发射波形数据特征的目标波段，从而使得波形识别的干扰更小，识别效率更高，识别结果更加精确。
[0030](2)本专利技术提出的基于小波本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波变换和半监督卷积自编码器的钢轨损伤监测方法，其特征在于，通过损伤监测模型对声发射波形数据进行识别；损伤监测模型包括编码模块和分类器模块，编码模块的输入为声发射波形数据对应的目标波段，编码模块的输出为目标波段的特征编码；分类器模块的输入为编码模块输出的特征编码，分类器模块的输出为声发射波形数据的分类结果；所述目标波段的获取方式为：对声发射波形数据进行连续小波变换，获取小波系数矩阵和对应的小波变换图；对小波变换图进行裁剪，提取以小波系数矩阵极值点为中心的目标波段，目标波段的长度为小波变换图的1/5。2.如权利要求1所述的基于小波变换和半监督卷积自编码器的钢轨损伤监测方法，其特征在于，所述编码模块的构建方法为：建立由编码器和解码器构成的半监督卷积自编码器，通过未标注样本训练所述半监督卷积自编码器，从训练完成的半监督卷积自编码器中提取编码器作为损伤监测模型的编码模块：未标注样本为未标注分类的声发射波形数据对应的目标波段。3.如权利要求2所述的基于小波变换和半监督卷积自编码器的钢轨损伤监测方法，其特征在于，获取带标注分类的声发射波形数据，将同一声发射波形数据对应的目标波段和标注分类组成标注样本；分类器模块根据编码模块对标注样本的特征编码与标注样本的标注分类之间的映射关系进行训练。4.如权利要求3所述的基于小波变换和半监督卷积自编码器的钢轨损伤监测方法，其特征在于，分类器模块训练过程中基于网格搜索法进行超参数调优。5.如权利要求3所述的基于小波变换和半监督卷积自编码器的钢轨损伤监测方法，其特征在于，所述分类包括：运行噪声、裂纹冲击和裂纹...

【专利技术属性】
技术研发人员：李丹，张天舒，陈胜军，张启迪，吴成，吴锦丽，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：