【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 ...
【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:
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。