【技术实现步骤摘要】
识别车轴疲劳裂纹声发射信号方法
[0001]本专利技术涉及声发射信号识别
,具体而言,尤其涉及识别车轴疲劳裂纹声发射信号方法
。
技术介绍
[0002]在铁路车辆中,车轴是轮对子系统的一个基本组成部分,是铁路运营安全的一个关键因素
。
在列车运行过程中,静载荷和疲劳载荷会造成较大的扭转和弯曲应力,使车轴特定的部位发生应力集中,引发疲劳裂纹,进而导致车轴断裂
。
车轴断裂会造成极大的事故,其后果无法挽回
。
因此,需要一种检测方法来对车轴疲劳裂纹进行检测,及时发现故障
。
[0003]声发射检测技术是一种成熟的技术手段,由于其动态监测和实时在线检测的优势,能够在旋转结构运转的时候实现检测,可以反映出声源动态响应特征,及时发现故障,目前已经成为故障诊断领域最受欢迎的检测方法之一
。
但是,声发射信号在传播过程中可能会受到某些信号的干扰,我们需要对收集到的声发射信号进行处理
。
特征参数分析和波形分析是声发射信号处理和分析的主要两大类方法,但是这两种方法的缺点也很明显
。
由于声发射源的信息会受到信号采集传感器的影响,导致信号源的特征被干扰,参数分析法是目前声发射技术的现有已经应用技术,但是仅提取几个参数特征,会丢失大量信息并导致误判;波形分析法是比参数分析法更为精确的处理方法,但是它并不能实现智能化识别,故需要一种方法能够将采集全部数据输入网络,包括大量信息又可实现智能化
。
[0
【技术保护点】
【技术特征摘要】
1.
一种识别车轴疲劳裂纹声发射信号方法,其特征在于,包括:获取安装在车轴处的声发射传感器采集的声发射信号;对所述声发射信号进行预处理,并向所述声发射信号添加属性标签得到处理后的所述声发射信号,所述属性标签包括裂纹
、
敲击和噪声;将处理后的所述声发射信号划分为训练集和测试集;构建
CNN
‑
BiLSTM
网络模型,所述
CNN
‑
BiLSTM
网络模型包括卷积神经网络和双向长短期记忆网络,根据所述训练集对所述
CNN
‑
BiLSTM
网络模型进行训练;将所述测试集输入训练后的所述
CNN
‑
BiLSTM
网络模型,训练后的所述
CNN
‑
BiLSTM
网络模型将所述测试集分类为疲劳裂纹信号和非疲劳裂纹信号
。2.
根据权利要求1所述的识别车轴疲劳裂纹声发射信号方法,其特征在于,所述构建
CNN
‑
BiLSTM
网络模型,包括:构建所述卷积神经网络,所述卷积神经网络包括顺次设置的序列输入层
、
第一卷积层
、
第一修正单元
、
第一层归一化
、
第二卷积层
、
第二修正单元
、
第二层归一化和全局平均池化层;构建所述双向长短期记忆网络,包括顺次设置的第一长短期记忆网络和第二长短期记忆网络,所述第一长短期记忆网络和所述第二长短期记忆网络的方向相反,将所述第一长短期记忆网络与所述全局平均池化层电连接;设置全连接层,分别电连接所述第二长短期记忆网络
、Softmax
回归层;设置分类输出层,电连接所述
Softmax
回归层
。3.
根据权利要求2所述的识别车轴疲劳裂纹声发射信号方法,其特征在于,所述构建
CNN
‑
BiLSTM
网络模型,还包括:设置所述双向长短期记忆网络的隐藏单元数为
160
,初始学习率为
0.001
,最小批次处理样本个数为
64、
训练的最大迭代次数
10
,损失函数为交叉熵损失函数
、
输出模式为输出最后一个分类值
、
序列长度为最长序列长度
。4.
根据权利要求2所述的识别车轴疲劳裂纹声发射信号方法,其特征在于,所述双向长短期记忆网络按照以下方式进行计算:其中,
→
【专利技术属性】
技术研发人员:林丽,唐小雯,彭庆伟,刘晓晶,
申请(专利权)人:大连交通大学,
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。