基于改进弱监督多特征融合的裂纹声发射信号识别方法技术

本发明专利技术公开了一种基于改进弱监督多特征融合的裂纹声发射信号识别方法，所述方法包括如下步骤：一：加载从具有不同裂纹的钢轨获得的声发射信号，从这些声发射信号中提取25维特征，依据K

【技术实现步骤摘要】
基于改进弱监督多特征融合的裂纹声发射信号识别方法


[0001]本专利技术涉及一种钢轨裂纹信号处理与识别方法，具体涉及一种基于改进弱监督多特征融合的裂纹声发射信号识别方法。

技术介绍

[0002]钢轨是高速铁路运输系统的重要组成部分，其完好性对列车和乘客的安全具有至关重要的影响。裂纹伤损可能导致钢轨断裂或失去稳定性，进而引发严重事故。钢轨裂纹伤损的识别可以帮助确定不同类型伤损的严重程度和影响范围，为维修决策提供科学依据。通过准确识别钢轨伤损，可以确定维修的优先级和紧急程度，合理分配维修资源，最大限度地提高维修效率和效果。此外，钢轨裂纹伤损识别研究对于安全保障、维护成本控制以及技术创新和发展都具有重要意义，为钢轨维护提供科学依据，促进铁路运输的安全、稳定和可持续发展。
[0003]目前，现有的钢轨裂纹伤损识别研究方法可分为两大类：监督学习方法和非监督学习方法。有监督算法利用已有的带有概念标签的训练样本训练出一个最优模型，然后利用这个模型将所有的输入映射到相应的输出，并对输出进行简单的判断，从而达到识别的目的。无监督学习算法从没有概念标签的训练样本中学习，发现训练样本中的结构知识，进行识别。聚类是无监督学习算法的核心，它将数据划分为由相似对象组成的多个类。基于划分、基于层次、基于密度、基于网格、基于模型是聚类算法的主要分类，其中基于划分和基于密度是最常见的。虽然上述方法能够实现钢轨裂纹伤损识别，但仍存在一些不足有待解决。有监督算法需要大量的外部实验知识来标记每个训练样本，这将占用大量的计算时间并且容易出现过拟合。而无监督算法则面临着识别准确率低和训练样本辨别力高的问题。此外，无监督算法只能将目标样本分为若干类，但它们无法知道这些类中的每一个属于哪个阶段。为此提出一种只需要少量先验信息且能够保障高识别精度的钢轨裂纹伤损声发射信号识别方法具有非同寻常的意义。

技术实现思路

[0004]为了解决传统裂纹信号识别方法速度慢、精度低的问题，本专利技术提供了一种基于改进弱监督多特征融合的裂纹声发射信号识别方法。该方法基于弱监督学习算法，结合卷积神经网络
‑
长短时记忆网络(Scaled Convolutional Neural Network
‑
Long Short Term Memory,SCNN
‑
LSTM)模型和弱监督学习标签，对基于K
‑
means聚类算法筛选得到的特征集进行融合构建，获得钢轨健康指数，并依据钢轨健康指数的特性计算钢轨裂纹伤损识别阈值，自适应的区分来自不同裂纹的声发射信号，完成裂纹声发射信号识别，从而提高了钢轨裂纹声发射信号的识别精度。本专利技术运算速率快，识别精度高，在高铁钢轨裂纹伤损识别领域，具有很高的社会意义和经济价值。
[0005]本专利技术的目的是通过以下技术方案实现的：
[0006]一种基于改进弱监督多特征融合的裂纹声发射信号识别方法，包括如下步骤：
[0007]步骤一：加载从具有不同裂纹的钢轨获得的声发射信号从这些声发射信号中提取25维特征，依据K
‑
means算法对特征进行聚类处理，根据聚类精度进行特征筛选，获得能够有效区分不同裂纹信息的特征集其中，N2代表信号数目，L代表单个信号含有的采样点个数，E2表示筛选得到的特征集维数；
[0008]步骤二：将特征集输入到SCNN
‑
LSTM深度学习模型中，结合弱监督学习标签进行多特征融合，获得钢轨健康指数
[0009]步骤三：依据钢轨健康指数的特性，构建自适应钢轨裂纹识别阈值，准确判别来自四段具有不同裂纹的钢轨的声发射信号，完成钢轨裂纹声发射信号识别。
[0010]相比于现有技术，本专利技术具有如下优点：
[0011]1、本专利技术采用多维时域、频域和时频域特征全方位表征来自具有不同裂纹的钢轨声发射信号的辨识性信息，同时基于K
‑
means聚类算法时间复杂度近于线性的特点，依据聚类精度筛选获得具有更多裂纹伤损信息的低维特征，有效减少冗余信息和数据偏差，同时为增加后续识别模型的准确性与可解释性。
[0012]2、本专利技术提出基于弱监督学习的多特征融合算法，结合SCNN
‑
LSTM模型和弱监督学习标签，将筛选获得的特征集输入到训练完成的SCNN
‑
LSTM模型中，获得钢轨健康指数，并依据钢轨健康指数的特性计算钢轨裂纹伤损识别阈值，自适应的区分来自不同裂纹的声发射信号。
[0013]3、目前已有的钢轨裂纹识别方法大多数基于监督学习算法，需要带有详细裂纹分类信息的标记样本来训练模型，其中每个信号都与一个类或类别标签相关联，导致算法运算效率低下，耗时巨大。本专利技术提出的基于弱监督学习的多特征融合算法只需要少量先验信息，即可识别来自不同裂纹的声发射信号，同时相较于现有裂纹识别算法，裂纹声发射信号识别精度具有明显提高，满足实际铁路运行生产中的伤损识别高速率与精度的要求。
附图说明
[0014]图1为本专利技术基于改进弱监督多特征融合的裂纹声发射信号识别方法的流程图。
[0015]图2为全部裂纹声发射信号时频图。
[0016]图3为特征筛选结果图。
[0017]图4为钢轨健康指数图。
[0018]图5为信号检测示例图。
具体实施方式
[0019]下面结合附图对本专利技术的技术方案作进一步的说明，但并不局限于此，凡是对本专利技术技术方案进行修改或者等同替换，而不脱离本专利技术技术方案的精神和范围，均应涵盖在本专利技术的保护范围中。
[0020]本专利技术提供了一种基于改进弱监督多特征融合的裂纹声发射信号识别方法，首先，从具有不同裂纹的钢轨中加载电磁激励，获得声发射信号，从这些声发射中提取25维特征来全方位表征钢轨裂纹伤损信息，利用K
‑
means算法对这25维特征进行聚类，根据聚类精度筛选能够更有效区分不同裂纹伤损的特征，然后，将筛选得到的特征集输入到SCNN
‑
LSTM
深度学习模型中，结合弱监督学习标签，进行多特征融合，获得钢轨健康指数；最后，根据融合构建得到的钢轨健康指数特性，建立钢轨裂纹识别阈值，达到自适应识别来自不同裂纹的声发射信号，实现钢轨裂纹精确识别。如图1所示，具体步骤如下：
[0021]步骤一：加载从具有不同裂纹的钢轨获得的声发射信号从这些声发射信号中提取25维特征，依据K
‑
means算法对特征进行聚类处理，根据聚类精度进行特征筛选，获得能够有效区分不同裂纹信息的特征集具体步骤如下：
[0022]1)加载从具有不同裂纹的钢轨获得的声发射信号1)加载从具有不同裂纹的钢轨获得的声发射信号其中，N1、N2代表信号数目，N2＝4*N1，L代表单个信号含有的采样点个数，S1、S2、S3、S4则分别代表四段具有不同裂纹的钢轨；
[0023]2)从中提取18种特征来表征声发射信号的裂纹信息，18种特征分别为：均方根、峭度、均值、标准差、熵、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进弱监督多特征融合的裂纹声发射信号识别方法，其特征在于所述方法包括如下步骤：步骤一：加载从具有不同裂纹的钢轨获得的声发射信号从这些声发射信号中提取25维特征，依据K
‑
means算法对特征进行聚类处理，根据聚类精度进行特征筛选，获得能够有效区分不同裂纹信息的特征集其中，N2代表信号数目，L代表单个信号含有的采样点个数，E2表示筛选得到的特征集维数；步骤二：将特征集输入到SCNN
‑
LSTM深度学习模型中，结合弱监督学习标签进行多特征融合，获得钢轨健康指数步骤三：依据钢轨健康指数的特性，构建自适应钢轨裂纹识别阈值，准确判别来自四段具有不同裂纹的钢轨的声发射信号，完成钢轨裂纹声发射信号识别。2.根据权利要求1所述的基于改进弱监督多特征融合的裂纹声发射信号识别方法，其特征在于所述步骤一的具体步骤如下：1)加载从具有不同裂纹的钢轨获得的声发射信号1)加载从具有不同裂纹的钢轨获得的声发射信号其中，N1、N2代表信号数目，N2＝4*N1，L代表单个信号含有的采样点个数，S1、S2、S3、S4则分别代表四段具有不同裂纹的钢轨；2)从中提取18种特征来表征声发射信号的裂纹信息，18种特征分别为：均方根、峭度、均值、标准差、熵、峰峰值、偏斜度、裕度指标、波形指标、脉冲指标、重心频率、均方频率、频率方差、三层小波包分解能量熵、信息熵、近似熵、样本熵和模糊熵，其中，三层小波包分解能量熵具有8维，因此，最后获得特征集记为E1＝25；3)依据K
‑
means算法对特征集进行聚类处理，计算每维特征的聚类精度AC，筛选符合一定精度阈值的特征来有效区分不同裂纹的声发射信号：符合一定精度阈值的特征来有效区分不同裂纹的声发射信号：其中，表示特征点的实际标签，表示聚类标签的重新分配结果，θ代表设定的筛选精度阈值，R为最后筛选结果，当R＝1时代表该维特征的聚类精度符合筛选精度阈值，可以被保留，反之，则表示该维特征被筛除，最终获得能够更有效区分不同裂纹声发射信号的特征集E2表示筛选得到的特征集维数。3.根据权利要求1所述的基于改进弱监督多特征融合的裂纹声发射信号识别方法，其特征在于所述步骤二的具体步骤如下：1)将步骤一获取的特征集划分为训练集和测试集N3、N4分别表示训练集和测试集中信号数目，并构建弱监督学习标签T
label
：
2)将训练集作为SCNN层的输入，然后通过卷积运算从输入特征集提取初始特征，接下来通过池化过程进行特征降维，完成特征向量提取，得到三维特征指...

【专利技术属性】
技术研发人员：章欣，常永祺，宋清华，沈毅，宋树帜，崔佳仲，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：