一种车轴疲劳裂纹声发射信号波形预测检测方法技术

本发明专利技术为一种车轴疲劳裂纹声发射信号波形预测检测方法

【技术实现步骤摘要】
一种车轴疲劳裂纹声发射信号波形预测检测方法


[0001]本专利技术涉及裂纹检测
，具体涉及一种车轴疲劳裂纹声发射信号波形预测检测方法
。

技术介绍

[0002]列车车轴作为轨道车辆的重要组成部分，除面对复杂多变的工作环境之外，车轴还受到车体给予的持续压力的作用
。
在这种情况下，车轴疲劳裂纹的产生是难以避免的，倘若不能及时检测到裂纹并采取相应的措施，裂纹将持续扩展直至车轴断裂，继而造成严重的后果，现有技术中，车轴疲劳裂纹声发射信号波形往往非常微弱，容易淹没在背景噪声中，传统方法可能难以有效感知和识别，常用的手段包括声发射检测
、
振动信号分析和人工巡检等，传统的声发射检测技术通常需要大量的标注数据来训练和验证模型，且传统的声发射检测对采集和检测设备的要求较高，常常需要使用到一些高精度的仪器和设备，如传感器
、
放大器等，这些设备的价格较高，使用和维护成本也相对较高
。

技术实现思路

[0003]为了解决传统声发射检测技术采集和检测设备要求较高
、
信号含有噪音，导致检测准确度低的技术问题，本专利技术提供了一种车轴疲劳裂纹声发射信号波形预测检测方法
。
[0004]本专利技术为实现上述目的所采用的技术方案是：一种车轴疲劳裂纹声发射信号波形预测检测方法，包括以下步骤：
[0005]S1
：利用声发射传感器采集车轴疲劳裂纹声发射信号，并对所采集的声发射信号进行预处理；
[0006]S2
：将预处理后的车轴疲劳裂纹声发射信号分为训练集和测试集；
[0007]S3
：搭建
CNN
‑
LSTM
预测模型，所述
CNN
‑
LSTM
预测模型包括输入层
、
卷积层
1、
归一化层
1、
激活层
1、
池化层
1、
卷积层
2、
归一化层
2、
激活层
2、
池化层
2、
连接层
、LSTM
层
1、Dropout
层
1、LSTM
层
2、Dropout
层
2、
全连接层
、
输出层；
[0008]S4
：确定
CNN
‑
LSTM
预测模型的超参数；
[0009]S5
：导入训练集对
CNN
‑
LSTM
预测模型进行训练，训练完成后保存模型；
[0010]S6
：导入测试集对训练完成的
CNN
‑
LSTM
预测模型进行测试，对模型性能进行评估；
[0011]S7
：使用满足性能要求的
CNN
‑
LSTM
预测模型对车轴疲劳裂纹声发射信号进行预测，并将预测结果与疲劳裂纹的阈值进行比较，若预测结果超过阈值，则认为车轴存在裂纹；
[0012]优选地，所述步骤
S3
中的卷积层1的尺寸为3×1，卷积核数量为
16
，卷积核滑动步长为1，所述卷积层2的尺寸为3×1，卷积核数量为8，卷积核滑动步长为1，卷积层1的操作公式如下：
[0013]c
j
＝
conv(∑x
i
*w
ij
+b
i
)
[0014]其中：
c
j
表示卷积层1在卷积过程中的输出值，
conv
函数为
CNN
网络中的卷积操作，
x
i
表示卷积层1在卷积过程中的输入值，
w
ij
表示卷积层1的权重，
b
i
表示卷积层1的偏置，
i
表示垂直方向的处理位置，
j
表示水平方向的处理位置；
[0015]卷积层2的操作公式如下：
[0016]c
j
＝
conv(∑x
j
*w
ij
+b
j
)
[0017]其中：
c
j
表示卷积层2在卷积过程中的输出值，
conv
函数为
CNN
网络中的卷积操作，
x
j
表示卷积层2在卷积过程中的输入值，
w
ij
表示卷积层2的权重，
b
j
表示卷积层2的偏置，
i
表示垂直方向的处理位置，
j
表示水平方向的处理位置；
[0018]所述步骤
S3
中的归一化层1和归一化层2的操作公式均为：
[0019]p
j
＝
F(c
j
)
[0020]其中：
c
j
表示批量归一化层的输入值，
p
j
为批量归一化层的输出值，
F
表示归一化操作，
j
表示水平方向的处理位置；
[0021]所述步骤
S3
中的激活层1和激活层2均包括非线性激活函数，非线性激活函数的公式为：
[0022]h
j
＝
f(p
j
)
[0023]其中：
h
j
表示激活函数的输出值，
p
j
表示激活函数的输入值，
j
表示水平方向的处理位置，
f
表示激活操作；
[0024]所述步骤
S3
中的池化层1和池化层2的操作公式均为：
[0025]x
j
＝
pooling(h
j
)
[0026]其中：
x
j
表示池化层的输出值，
pooling
表示池化操作，
h
j
表示经过池化层的输入值，
j
表示水平方向的处理位置；
[0027]所述连接层用于连接池化层2和
LSTM
层1；
[0028]优选地，所述步骤
S3
中
LSTM1
层的神经元数量为
64
，
LSTM2
层的神经元数量为
32
，
LSTM1
层和
LSTM2
层的计算过程如下：
[0029]通过
sigmoid
函数计算遗忘信息，其表达式如下：
[0030][0031]f
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种车轴疲劳裂纹声发射信号波形预测检测方法，其特征在于，包括以下步骤：
S1
：利用声发射传感器采集车轴疲劳裂纹声发射信号，并对所采集的声发射信号进行预处理；
S2
：将预处理后的车轴疲劳裂纹声发射信号分为训练集和测试集；
S3
：搭建
CNN
‑
LSTM
预测模型，所述
CNN
‑
LSTM
预测模型包括输入层
、
卷积层
1、
归一化层
1、
激活层
1、
池化层
1、
卷积层
2、
归一化层
2、
激活层
2、
池化层
2、
连接层
、LSTM
层
1、Dropout
层
1、LSTM
层
2、Dropout
层
2、
全连接层
、
输出层；
S4
：确定
CNN
‑
LSTM
预测模型的超参数；
S5
：导入训练集对
CNN
‑
LSTM
预测模型进行训练，训练完成后保存模型；
S6
：导入测试集对训练完成的
CNN
‑
LSTM
预测模型进行测试，对模型性能进行评估；
S7
：使用满足性能要求的
CNN
‑
LSTM
预测模型对车轴疲劳裂纹声发射信号进行预测，并将预测结果与疲劳裂纹的阈值进行比较，若预测结果超过阈值，则认为车轴存在裂纹
。2.
根据权利要求1所述的一种车轴疲劳裂纹声发射信号波形预测检测方法，其特征在于，所述步骤
S3
中的卷积层1的尺寸为3×1，卷积核数量为
16
，卷积核滑动步长为1，所述卷积层2的尺寸为3×1，卷积核数量为8，卷积核滑动步长为1，卷积层1的操作公式如下：
c
j
＝
conv(∑x
i
*w
ij
+b
i
)
其中：
c
j
表示卷积层1在卷积过程中的输出值，
conv
函数为
CNN
网络中的卷积操作，
x
i
表示卷积层1在卷积过程中的输入值，
w
ij
表示卷积层1的权重，
b
i
表示卷积层1的偏置，
i
表示垂直方向的处理位置，
j
表示水平方向的处理位置；卷积层2的操作公式如下：
c
j
＝
conv(vx
j
*w
ij
+b
j
)
其中：
c
j
表示卷积层2在卷积过程中的输出值，
conv
函数为
CNN
网络中的卷积操作，
x
j
表示卷积层2在卷积过程中的输入值，
w
ij
表示卷积层2的权重，
b
j
表示卷积层2的偏置，
i
表示垂直方向的处理位置，
j
表示水平方向的处理位置；所述步骤
S3
中的归一化层1和归一化层2的操作公式均为：
p
j
＝
F(c
j
)
其中：
c
j
表示批量归一化层的输入值，
p
j
为批量归一化层的输出值，
F
表示归一化操作，
j
表示水平方向的处理位置；所述步骤
S3
中的激活层1和激活层2均包括非线性激活函数，非线性激活函数的公式为：
h
j
＝
f(p
j
)
其中：
h
j
表示激活函数的输出值，
p
j
表示激活函数的输入值，
j
表示水平方向的处理位置，
f
表示激活操作；所述步骤
S3
中的池化层1和池化层2的操作公式均为：
x
j
＝
pooling(h
j
)
其中：
x
j
表示池化层的输出值，
pooling
表示池化操作，
h
j
表示经过池化层的输入值，
j
表示水平方向的处理位置；所述连接层用于连接池化层2和
LSTM
层
1。3.
根据权利要求1所述的一种车轴疲劳裂纹声发射信号波形预测检测方法，其特征在
于，所述步骤
S3
中
LSTM1
层的神经元数量为
64
，
LSTM2
层的神经元数量为
32
，
LSTM1
层和
LSTM2
层的计算过程如下：通过
sigmoid
函数计算遗忘信息，其表达式如下：
f
t
＝
σ
(W
f
*[h
t
‑1,x
t
]+b
f
)
其中：
σ
表示
sigmoid
激活函数，
x
表示输入，
f
t
表示遗忘门在
t
时刻的输出值，
W
f
...

【专利技术属性】
技术研发人员：林丽，蒋凤娇，李大广，田海奇，
申请(专利权)人：大连交通大学，
类型：发明
国别省市：