【技术实现步骤摘要】
本专利技术涉及列车故障诊断领域，更具体地说，涉及一种基于时序灰度图与yolov5的车轴故障分类识别方法。
技术介绍
1、通过对近几年来国内外大量的铁路交通事故的分析，得出了一个结论：车轴失效是铁路交通事故的一个主要的原因。最近几年，各个铁路网发达的国家都对车轴的研究给予了很大的关注，同时，对列车车轴的疲劳状态进行早期诊断也显得十分重要。人们逐渐认识到，如果能够准确、超前地对车轴进行检验并实时监测，并对其进行维修或更换，不仅能够保证动车组行车安全，提升动车组的行车质量，还有助于将传统的从基于列车运行里程数的计划维护方式转变为视情维护方式。这将有助于提升车轴的使用效率，降低维护成本，并为预防列车事故等提供重要的理论依据。所以，对列车及其有关设备进行智能化故障诊断是非常有必要的，车轴疲劳裂纹的识别与预测具有重要的安全意义。
2、声发射(ae，acoustic emission)技术，是当材料或构件在受到外部作用后内部个别区域结构发生快速变化时瞬间释放能量，随之产生瞬态弹性波。通过瞬间弹性波，来判断材料或者构件结构是否完整。声发射检测是一种利用物体在受到外力作用下产生的声波，进而进行非破坏性检测的方法。声发射检测同时也是一种动态无损探伤方法，根据所发射声波的特点以及引起声发射的外部条件，能参检测出发声的位置以及声发射源的微观结构特点，这种检测方法不但能了解缺陷位置的目前状态，而目能够了解缺陷的形成过程和在实际使用条件下发展和增大的趋势。虽然声发射检测技术已经得到了一定的发展，但当前声发射信号的识别技术仍然存在信号识别不准确的
技术实现思路
1、为了解决上述问题，本专利技术提出一种基于时序灰度图与yolov5的车轴故障分类识别方法，以解决现有技术中存在的声发射信号识别不准确的问题。
2、为了达到上述目的，本专利技术提供了一种基于时序灰度图与yolov5的车轴故障分类识别方法，具体包括如下步骤：
3、步骤s1、对车轴的疲劳裂纹声发射信号、背景噪声声发射信号、敲击声发射信号进行采集；
4、步骤s2、对所述步骤s1中采集到的三种声发射信号进行分段采样处理；
5、步骤s3、对经过分段采样处理后的三种声发射信号进行时序二维化处理，通过归一化和灰度化转化成灰度图；
6、步骤s4、将所述灰度图输入到改进yolov5网络模型中，对所述改进yolov5网络模型进行训练和验证；
7、步骤s5、将车轴声发射信号输入到经过训练和验证的所述改进yolov5网络模型，输出识别结果。
8、上述基于时序灰度图与yolov5的车轴故障分类识别方法，优选方式下，所述步骤s2中对声发射信号进行分段采样处理的过程具体为，将所述车轴的疲劳裂纹声发射信号、背景噪声声发射信号、敲击声发射信号均按照时间序列步长1.024ms进行分段。
9、上述基于时序灰度图与yolov5的车轴故障分类识别方法，优选方式下，所述步骤s3的过程具体包括如下步骤：
10、步骤s31、将三种声发射信号按照时间序列编码成一个m×n的矩阵x，其中l表示为声发射信号时间序列的长度，则l与m、n满足的数值关系为：
11、l＝m×n 公式1.1
12、步骤s32、对矩阵x进行归一化处理，将矩阵x中的数值全部转换为0～1内，转换公式为：
13、
14、其中，x(t)norm为归一处理后的矩阵x中的数值、x(t)为矩阵x中的数值，x(t)max为矩阵x中的数值中的最大值，x(t)min为矩阵x中的数值中的最小值；
15、步骤s33、在获得归一化后的矩阵之后，将矩阵中所有的数值进行灰度化，从而获得信号值在0～255之间的矩阵，从而获得编码后的灰度图像，灰度化的公式为：
16、aimage=x(t)norm×255.0 公式1.3
17、其中，aimage表示经过灰度化处理后的矩阵的信号值。
18、上述基于时序灰度图与yolov5的车轴故障分类识别方法，优选方式下，所述改进yolov5网络模型的网络卷积输入大小为32×32，输出维度为10。
19、上述基于时序灰度图与yolov5的车轴故障分类识别方法，优选方式下，所述改进yolov5网络模型的输入参数具体为：输入层节点数为1；迭代次数为100次；初始学习率为0.001；最小批次处理样本数为32；图片尺寸为16×16。
20、本专利技术的优点在于，采用了灰度化图像，相较于彩色图像灰度图像占内存更小，运算速度更快；转化为灰度图像后可以在视觉上增加对比，突出目标区域。通过对卷积神经网络各个参数(输入层节点数、初始学习率、最小批次处理样本数、图片尺寸、resnet18网络卷积输入大小和输出维度)的对比，最终确定的参数如下：输入层节点数为1，初始学习率设置为0.001，最小批次处理样本数设置为32，网络运行所需要的迭代次数设置为100，改进yolov5(resnet18)网络模型的网络卷积输入大小为32ⅹ32，输出维度为10。最终搭建了一个对车轴疲劳裂纹声发射信号识别效果最高的卷积神经网络模型。
21、本专利技术采用灰度图和yolov5相结合的方法，对车轴疲劳裂纹进行识别，并将其应用到列车轴系故障的智能诊断中，形成一套切实可行、高效的解决方案。改进yolov5网络模型能够从图像中自动抽取能够准确描述列车轴系故障状况的特征，替代传统的人工抽取方法，从而降低试验结果的人为干扰，节省试验费用，并实现了大数据条件下的故障诊断，同时也解决了现有技术中存在的声发射信号识别不准确的问题。
本文档来自技高网...【技术保护点】
1.一种基于时序灰度图与YOLOv5的车轴故障分类识别方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述基于时序灰度图与YOLOv5的车轴故障分类识别方法，其特征在于，所述步骤S2中对声发射信号进行分段采样处理的过程具体为，将所述车轴的疲劳裂纹声发射信号、背景噪声声发射信号、敲击声发射信号均按照时间序列步长1.024ms进行分段。
3.根据权利要求2所述基于时序灰度图与YOLOv5的车轴故障分类识别方法，其特征在于，所述步骤S3的过程具体包括如下步骤：
4.根据权利要求3所述基于时序灰度图与YOLOv5的车轴故障分类识别方法，其特征在于，所述改进YOLOv5网络模型的网络卷积输入大小为32×32，输出维度为10。
5.根据权利要求3所述基于时序灰度图与YOLOv5的车轴故障分类识别方法，其特征在于，所述改进YOLOv5网络模型的输入参数具体为：输入层节点数为1；迭代次数为100次；初始学习率为0.001；最小批次处理样本数为32；图片尺寸为16×16。
【技术特征摘要】
1.一种基于时序灰度图与yolov5的车轴故障分类识别方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述基于时序灰度图与yolov5的车轴故障分类识别方法，其特征在于，所述步骤s2中对声发射信号进行分段采样处理的过程具体为，将所述车轴的疲劳裂纹声发射信号、背景噪声声发射信号、敲击声发射信号均按照时间序列步长1.024ms进行分段。
3.根据权利要求2所述基于时序灰度图与yolov5的车轴故障分类识别方法，其特征在于，所述步骤...
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。