一种声发射信号识别方法及网络模型训练方法技术

本发明专利技术公开了一种声发射信号识别方法，包括如下步骤：采集车轴运行过程中产生的声发射信号数据；对采集到的信号数据进行预处理操作；将经过预处理的信号数据导入网络识别模块中，利用网络模块中已训练好的改进一维CNN网络模型对导入的信号数据进行识别分析；输出识别结果。本发明专利技术还公开了一种模型训练方法，用于对改进一维CNN网络模型进行训练。本发明专利技术用于列车故障诊断领域，对列车车轴声发射信号采集后的识别以及对车轴运行过程中的实时监测，可以通过深度网络体系结构从原始声发射信号中提取更高层次的信号特征，并具有较好的故障识别能力。识别能力。识别能力。

【技术实现步骤摘要】
一种声发射信号识别方法及网络模型训练方法


[0001]本专利技术涉及列车故障诊断领域，更具体地说，涉及对列车车轴声发射信号采集后的识别方法及其采用的网络模型的训练方法。

技术介绍

[0002]铁路作为一种具有高经济性和庞大运输体量的运输方式，在全国的运输系统中占有举足轻重的地位，也是国家的一项民生基础设施。因此，保证列车安全稳定的运行是铁路运输的重中之重。在轨道车辆的所有组成部件中，转向架是极其重要的部分，转向架的运行状态是影响车辆安全运行的关键因素之一，由于转向架的工作环境较为复杂，这大大增加了其关键零件发生故障的概率。而车轴作为转向架重要的零部件，一旦因为产生裂纹或过度磨损等故障而造成零件性能失效并且不能及时的被检修人员发现并维修，将会造成无法挽回的严重后果。因此，在列车运行过程中实时监测车轴的工作状况以及列车停运检修时准确检测出车轴产生的故障是保证列车正常行驶的关键。
[0003]然而随着轨道交通里程的快速增加，运营时间增长，在实际检测过程中我们经常遇到故障所产生的大小、所处位置、损伤程度等性质的不同，同时被检测物体形状以及检测环境也各有差异，这对于传统的故障检测方法带来了不小的挑战。而与人工神经网络相结合的声发射检测技术凭借其独特的检测原理，克服了上述阻碍故障检测的因素，并能对列车车轴运行过程中进行运行状态的实时监测以及检修时的全方位检测、修复，不仅可以保障列车车辆安全稳定的运行，还能提高车轴的服役时间，降低维修成本。因此，对列车车轴的智能故障诊断方面的研究显得尤为重要。

技术实现思路

>[0004]本专利技术提供一种声发射信号识别方法及网络模型训练方法，解决传统方式对列车车轴进行疲劳裂纹监测，因为故障所产生的大小、所处位置、损伤程度等性质的不同，以及被检测物的形状以及检测环境也各有差异等情况，导致实时监测难以实现的技术问题。
[0005]为了达到上述目的，本专利技术提供了一种声发射信号识别方法，所述方法包括如下步骤：
[0006]步骤S1、采集车轴运行过程中产生的声发射信号数据；
[0007]步骤S2、对采集到的信号数据进行预处理操作；
[0008]步骤S3、将经过预处理的信号数据导入网络识别模块中，利用网络模块中已训练好的改进一维CNN网络模型对导入的信号数据进行识别分析；
[0009]步骤S4、输出识别结果，若导入的信号数据识别为“车轴疲劳裂纹信号特征”则输出结果为“0”，若导入的信号数据识别为“干扰信号特征”则输出结果为“1”。
[0010]上述声发射信号识别方法，优选方式下，所述步骤S2中，对采集到的信号数据进行预处理操作，包括将信号数据以1024个数据点为一个切分距离，对所述信号数据进行切分的步骤。
[0011]上述声发射信号识别方法，优选方式下，所述步骤S3中，所述改进一维CNN网络模型包括一维卷积池化模块、残差模块、全局平均池化层、输出层；所述一维卷积池化模块包括两个卷积层和两个池化层，其中一个卷积层是8个23*1大小的一层卷积核，另一个卷积层是16个12*1大小的二层卷积核，两个池化层的大小均为2*1；所述残差模块由十个依次连接的两层残差块组成。
[0012]上述声发射信号识别方法，优选方式下，所述步骤S3中，利用网络模块中已训练好的改进一维CNN网络模型对导入的信号数据进行识别分析，具体包括如下步骤：
[0013]步骤S31、在所述一维卷积池化模块的一层卷积核中，对导入的信号数据进行一维卷积操作，得到一层一维卷积特征数据；
[0014]步骤S32、在所述一维卷积池化模块的第一个池化层中，对所述一层一维卷积特征数据进行均值池化操作，输出一层池化后数据；
[0015]步骤S33、在所述一维卷积池化模块的二层卷积核中，对导入的所述一层池化后数据进行再次一维卷积操作，得到二层一维卷积特征数据；
[0016]步骤S34、在所述一维卷积池化模块的第二个池化层中，对二层一维卷积特征数据进行再次均值池化操作，输出二层池化后数据；
[0017]步骤S35、将所述池化后数据输入到残差模块中，所述十个依次连接的两层残差块对所述二层池化后数据进行依次处理后输出整体输出值；
[0018]步骤S36、整体输出值进入所述全局平均池化层进行平均池化；
[0019]步骤S37、平均池化后的数据由所述输出层输出最终结果；
[0020]上述声发射信号识别方法，优选方式下，所述S31及所述步骤S33中所述一维卷积操作的过程包括如下步骤：
[0021]步骤S311、将信号数据输入到所述一层卷积核中；
[0022]步骤S312、3*3尺寸的一维卷积核在输入的一维信号数据中按照一个方向进行相同步长的滑动计算，每次结束滑动后所述一维卷积核与所述一维信号数据重合部分的数值相乘再相加，得到特征数据；
[0023]所述特征数据，由多个神经元构成，其中第l+1层中第i帧中的第j个神经元的计算公式为：
[0024][0025]其中，代表着第l层中的第i个卷积核的权重和偏置参数，X
(l)
(j)则表示第l层中第j个局部区域，表示第l+1层中第i帧中的第j个神经元。
[0026]上述声发射信号识别方法，优选方式下，所述S32及步骤S34中所述均值池化操作的过程为：
[0027]对输出的特征数据进行均值池化操作，2*1大小的所述池化层在所述特征数据上以规定的步长按照一个方向进行依次滑动，输出是所述池化层和所述特征数据的重合部分所有元素的平均值，即池化后数据，其计算公式为：
[0028][0029]公式中的为第l层第i帧中的第t个神经元的值，t∈[(j
‑
1)w+1,jw]、w为池化层感知区域的宽度、为池化操作的第l+1层的神经元对应值。
[0030]上述声发射信号识别方法，优选方式下，所述步骤S35的过程具体为：
[0031]当所述两层残差块的输入数据与输出数据的维度相同时，池化后数据输入到所述两层残差块后，会同时经过直连线路和快捷连接线路，在直连线路中的数据会经过卷积层的卷积计算并通过线性整流函数进行激活；快捷连接线路会把输入的数据直接输送到残差块尾部，与直连线路的输出结果相加得到残差块的整体输出值，其映射函数表示为：
[0032]H(x)＝F(x)+x
[0033]其中，H(x)表示整体输出值，F(x)表示残差映射函数，x表示输入值；
[0034]当F(x)＝0时，取得最佳映射解H(x)＝x；
[0035]线性整流函的数学表达式为：
[0036][0037]在所述残差模块的十个依次连接的所述两层残差块中，第l个所述两层残差块的输入、输出和参数分别为x
l
、f(y
l
)与W
l
，则得到公式：
[0038]y
l
＝h(x
l
)+F(x
l
,W
l
)
[0039]x本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种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S1、采集车轴运行过程中产生的声发射信号数据；步骤S2、对采集到的信号数据进行预处理操作；步骤S3、将经过预处理的信号数据导入网络识别模块中，利用网络模块中已训练好的改进一维CNN网络模型对导入的信号数据进行识别分析；步骤S4、输出识别结果，若导入的信号数据识别为“车轴疲劳裂纹信号特征”则输出结果为“0”，若导入的信号数据识别为“干扰信号特征”则输出结果为“1”。2.根据权利要求1所述声发射信号识别方法，其特征在于，所述步骤S2中，对采集到的信号数据进行预处理操作，包括将信号数据以1024个数据点为一个切分距离，对所述信号数据进行切分的步骤。3.根据权利要求2所述声发射信号识别方法，其特征在于，所述步骤S3中，所述改进一维CNN网络模型包括一维卷积池化模块、残差模块、全局平均池化层、输出层；所述一维卷积池化模块包括两个卷积层和两个池化层，其中一个卷积层是8个23*1大小的一层卷积核，另一个卷积层是16个12*1大小的二层卷积核，两个池化层的大小均为2*1；所述残差模块由十个依次连接的两层残差块组成。4.根据权利要求3所述声发射信号识别方法，其特征在于，所述步骤S3中，利用网络模块中已训练好的改进一维CNN网络模型对导入的信号数据进行识别分析，具体包括如下步骤：步骤S31、在所述一维卷积池化模块(1)的一层卷积核(11)中，对导入的信号数据进行一维卷积操作，得到一层一维卷积特征数据；步骤S32、在所述一维卷积池化模块(1)的第一个池化层(21)中，对所述一层一维卷积特征数据进行均值池化操作，输出一层池化后数据；步骤S33、在所述一维卷积池化模块(1)的二层卷积核(12)中，对导入的所述一层池化后数据进行再次一维卷积操作，得到二层一维卷积特征数据；步骤S34、在所述一维卷积池化模块(1)的第二个池化层(22)中，对二层一维卷积特征数据进行再次均值池化操作，输出二层池化后数据；步骤S35、将所述池化后数据输入到残差模块(3)中，所述十个依次连接的两层残差块(31)对所述二层池化后数据进行依次处理后输出整体输出值；步骤S36、整体输出值进入所述全局平均池化层进行平均池化；步骤S37、平均池化后的数据由所述输出层输出最终结果。5.根据权利要求4所述声发射信号识别方法，其特征在于，所述S31及所述步骤S33中所述一维卷积操作的过程包括如下步骤：步骤S311、将信号数据输入到所述一层卷积核中；步骤S312、3*3尺寸的一维卷积核(2)在输入的一维信号数据中按照一个方向进行相同步长的滑动计算，每次结束滑动后所述一维卷积核与所述一维信号数据重合部分的数值相乘再相加，得到特征数据；所述特征数据，由多个神经元构成，其中第l+1层中第i帧中的第j个神经元的计算公式为：
其中，代表着第l层中的第i个卷积核的权重和偏置参数，X
(l)
(j)则表示第l层中第j个局部区域，表示第l+1层中第i帧中的第j个神经元。6.根据权利要求5所述声发射信号识别方法，其特征在于，所述S32及步骤S34中所述均值池化操作的过程为：对输出的特征数据进行均值池化操作，2*1大小的所述池化层在所述特征数据上以规定的步长按照一个方向进行依次滑动，输出是所述池化层和所述特征数据的重合部分所有元素的平均值，即池化后数据，其计算公式为：公式中的为第l层第i帧中的第t个神经元的值，t∈[(j
‑
1)w+1,jw]、w为池化层感知区域的宽度、为池化操作的第l+1层的神经元对应值。7.根据权利要求4所述声发射信号识别方法，其特征在于，所述步骤S35的过程具体为：当所述两层残差块的输入数据与输出数据的维度相同时，池化后数据输入到所述两层残差块后，会同时经过直连线路和快捷连接线路，在直连线路中的数据会经过卷积层的卷积计算并通过线性整流函数进行激活；快捷连接线路会把输入的数据直接输送到残差块尾部，与直连线路的输出结果相加得到残差块的整体输出值，其映射函数表示为：H(x)＝F(x)+x其中，H(x)表示整体输出值，F(x)表示残差映射函数，x表示输入值；当F(x)＝0时，取得最佳映射解H(x)＝x；线性整流函的数学表达式为：在所述残差模块的十个依次连接的所述两层残差块中，第l个所述两层残差块的输入、输出和参数分别为x
l
、f(y
l
)与W
l
，则得到公式：y
l
＝h(x
...

【专利技术属性】
技术研发人员：林丽，周康慧，李坤，田翀，
申请(专利权)人：大连交通大学，
类型：发明
国别省市：