识别车轴疲劳裂纹声发射信号方法技术

本发明专利技术提供一种识别车轴疲劳裂纹声发射信号方法，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；对声发射信号进行预处理，并向声发射信号添加属性标签得到处理后的声发射信号并将其划分为训练集和测试集；构建

【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
。
[0004]相比于参数分析法和波形分析法以及普通的机器学习方法，神经网络可以处理大规模的数据，性能更加优秀，是目前综合效果最好的机器学习方法
。
卷积神经网络
(Convolutional Neural Network
，
CNN)
是一种前馈神经网络，可以通过在卷积层
、
池化层
、
归一化层和全连接层中使用各种过滤器来提取丰富的特征，从而提高各种任务的执行能力，广泛的应用到了图像处理和自然语言处理领域
。
在机器状态诊断领域，一维的神经网络
(1D
‑
CNN)
和二维的神经网络
(2D
‑
CNN)
都是在信号的基础上使用的，
1D
‑
CNN
在处理传感器信号方面具有巨大潜力
。
长短时记忆网络
(LSTM)
和传统的
RNN
网络，这些算法只能单向地利用过去的信息，即上一层神经元的信息更新当前的单元状态，不能利用未来的信息，即下一隐藏层神经元的信息来更新当前的单元状态，只靠单向的
LSTM
网络在很大程度上不能充分利用所获取的信息
。
双向
RNN(Bidirectional RNN
，即
BRNN)
，解决了
LSTM
和传统
RNN
不能利用未来信息的问题
。
双向长短期记忆网络
(Bidirectional Long Short
‑
Term Memory network
，
BiLSTM)
，这是一种特殊的
BRNN
，最早由美国学者
Graves Alex
提出，首次用于语义信息的语音处理，其结构本质上是具有两个不同方向的
LSTM
神经网络单元，二者相互合作构成的神经网络模型
。BiLSTM
相比于
LSTM
，不仅保留了
LSTM
的特性，而且在前后序列特征的抓取问题上能够更加有效地发挥它的优点，它可以通过正
、
反两个方向计算隐藏状态的数据，从而进一步有效地利用收集到的数据
。
在提出
BiLSTM
模型之后，其在语音识别
、
目标检测
、
故障诊断识别
、
寿命预测等不同的研究领域方向的应用发挥了重要的作用
。
[0005]有鉴于此，本专利技术将利用卷积神经网络和向长短期记忆网络对车轴混合有干扰信
号的声发射信号进行识别分类，以实现对车轴疲劳裂纹的检测
。

技术实现思路

[0006]根据上述提出声发射源的信息被干扰，导致无法实现智能化识别的技术问题，而提供一种识别车轴疲劳裂纹声发射信号方法
。
本专利技术主要利用卷积神经网络和双向长短期记忆网络对车轴混合有干扰信号的声发射信号进行识别分类，以实现对车轴疲劳裂纹的检测
。
[0007]本专利技术采用的技术手段如下：
[0008]本专利技术提供了一种识别车轴疲劳裂纹声发射信号方法，包括：
[0009]获取安装在车轴处的声发射传感器采集的声发射信号；
[0010]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；
[0011]将处理后的所述声发射信号划分为训练集和测试集；
[0012]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；
[0013]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
。
[0014]进一步地，所述构建
CNN
‑
BiLSTM
网络模型，包括：
[0015]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；
[0016]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；
[0017]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；
[0018]设置分类输出层，电连接所述
Softmax
回归层
。
[0019]进一步地，所述构建
CNN...

【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：