CN111767897B - 一种基于支持向量机的钢轨裂纹缺陷的识别方法 - Google Patents
一种基于支持向量机的钢轨裂纹缺陷的识别方法 Download PDFInfo
- Publication number
- CN111767897B CN111767897B CN202010678436.1A CN202010678436A CN111767897B CN 111767897 B CN111767897 B CN 111767897B CN 202010678436 A CN202010678436 A CN 202010678436A CN 111767897 B CN111767897 B CN 111767897B
- Authority
- CN
- China
- Prior art keywords
- defect
- rail
- signals
- support vector
- vector machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 64
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 51
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 26
- 239000010959 steel Substances 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000002790 cross-validation Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000002474 experimental method Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 230000005284 excitation Effects 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000000919 ceramic Substances 0.000 claims description 9
- 238000002592 echocardiography Methods 0.000 claims description 6
- 239000007822 coupling agent Substances 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 33
- 239000011159 matrix material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于支持向量机的钢轨裂纹缺陷的识别方法,包括:步骤1:通过实验得到钢轨裂纹检测信号,构建样本库;步骤2:对检测信号进行信号分析,计算出损伤特征值表征缺陷程度;步骤3:以特征向量为输入,建立SVM训练模型并通过迭代交叉验证确定SVM最优参数;步骤4:使用测试集测试模型,调整得到最佳的SVM模型;步骤5:将实际工程中检测到的钢轨信号送入训练好的SVM模型中,实现从检测信号与裂纹损伤程度的非线性关系到不同损伤等级的缺陷分类的映射,最终达到损伤程度的准确识别和分类。本发明重点在于提取信号的变化特征,不受限于复杂结构造成的复杂导波模态传播带来的影响,SVM在面对小样本时具有较好的性能与较高的识别率。
Description
技术领域
本发明涉及人工智能与无损检测领域,特别涉及一种基于支持向量机的钢轨裂纹缺陷的识别方法。
背景技术
钢轨作为承载铁路运输的基本组件,钢轨的好坏直接的影响到铁路运营的安全。然而,钢轨经长期服役,繁忙的通车运行使得钢轨不断的受到碾压和摩擦,同时天气变化以及自然地貌变迁等等一系列的原因使得钢轨容易产生裂纹或者形变,甚至发生断裂,给国家和人民造成极大的损失。因此,因此为了防止重大事故的发生,及时了解在役钢轨的损伤程度并对损坏的钢轨进行更换显得非常的重要。
超声导波具有沿传播路径衰减小,传播距离远的特点,在检测信号中还可以包含从激励点到接收点间的整体信息,能够对钢轨上的缺陷进行远距离、快速、精确地检测。
钢轨的检测主要依靠有经验的铁路养护工对超声探伤仪器反馈的信息进行人工识别。随着中国铁路的不断发展,人工识别远远不能满足钢轨检测的工作需要,而且传统的信号处理方式不足以判断在役钢轨的受损程。计算机技术的进步使得我们可以采用机器学习的方法,替代养护工对钢轨探伤反馈的信息进行自动化识别,并对识别的信息进行有效的分类,识别出钢轨裂纹的损伤程度。
发明内容
为了克服现有技术中的不足,本发明提供一种基于支持向量机的钢轨裂纹缺陷的识别方法,通过智能分类的方法识别出钢轨的受损程度,并对达到一定受损程度的钢轨提出更换提示,确保民生安全。
为了达到上述发明目的,解决其技术问题所采用的技术方案如下:
一种基于支持向量机的钢轨裂纹缺陷的识别方法,包括以下步骤:
步骤1:通过实验得到钢轨裂纹检测信号,构建样本库;
步骤2:对检测信号进行信号分析,计算出损伤特征值表征缺陷程度;
步骤3:以特征向量为输入,建立SVM训练模型并通过迭代交叉验证确定SVM最优参数;
步骤4:使用测试集测试模型,调整得到最佳的SVM模型;
步骤5:将实际工程中检测到的钢轨信号送入训练好的SVM模型中,实现从检测信号与裂纹损伤程度的非线性关系到不同损伤等级的缺陷分类的映射,最终达到损伤程度的准确识别和分类。
进一步的,所述步骤1包括:
步骤11:将所选激励频率输入任意函数发生器,任意函数发生器生成调制好的激励信号;
步骤12:在钢轨表面布置陶瓷压电片,并用耦合剂使压电片与钢轨贴合;
步骤13:将陶瓷压电片与任意函数发生器和示波器相连接,用于发送时作为发送元件,在接收时作为接收元件使用;
步骤14:示波器用于信号接收和显示,导波沿轨头、轨腰和轨底传播时,遇到缺陷会发生反射、散射和模态转换,产生携带局部缺陷特征的回波,经导波激励/接收装置传输至示波器并将接收到的信号进行保存并传输给计算机。
进一步的,所述步骤2包括:
步骤21:计算机对获得的检测信号利用MATLAB软件分别进行信号处理。将对获得的所有信号均采用同样窗宽的矩形窗进行截取,且截取的时间起点相同;
步骤22:将所有信号归一化,截取信号中缺陷回波/散波,确定缺陷相关波包时间窗口;
步骤23:计算出信号变化指数、时域差、频谱幅度差、频域互相关值和均方根差5个损伤特征值,用于表征缺陷损伤程度,其中:
(1)信号变化指数的计算公式:
其中,b(t)表示无缺陷时对应的基线信号,m(t)表示有缺陷时对应的检测信号,t0和t1是与所选信号时间窗口对应的起始和截止时间,μb(t)和μm(t)是信号的平均值,而σb(t)和σm(t)是方差;
(6)时域差的计算公式:
其中,b(t)表示无缺陷时对应的基线信号,m(t)表示有缺陷时对应的检测信号,t0和t1是与所选信号时间窗口对应的起始和截止时间;
(7)频谱幅度差的计算公式:
其中,b(t)表示无缺陷时对应的基线信号,m(t)表示有缺陷时对应的检测信号,t0和t1是与所选信号时间窗口对应的起始和截止时间,ω0和ω1是与所选频谱窗口对应的起始和截止频率;
(8)频域互相关值的计算公式:
其中,b(t)表示无缺陷时对应的基线信号,m(t)表示有缺陷时对应的检测信号,t0和t1是与所选信号时间窗口对应的起始和截止时间,ω0和ω1是与所选频谱窗口对应的起始和截止频率;
(9)均方根差的计算公式:
其中,b(t)表示无缺陷时对应的基线信号,m(t)表示有缺陷时对应的检测信号。
进一步的,所述步骤3包括:
步骤31:确定支持向量机的核函数,面对现实中多分类的问题,支持向量机通过引入核函数,将原始的空间映射到更高维的特征空间中,使得样本在这个空间内线性可分;
步骤32:通过迭代交叉验证的想法,找到最佳的惩罚参数c的取值和核参数口,在实际应用支持向量机中,惩罚参数c的取值和核参数的取值在很大程度上决定了SVM的性能的优劣。
优选的,所述步骤31中的核函数采用线性核函数、多项式核函数、Sigmoid核函数或RBF核函数。
进一步的,步骤4包括:
使用测试集测试模型,看是否达到了预期的准确率,如若没有就继续调整,如若达到了就确定模型。
本发明由于采用以上技术方案,使之与现有技术相比,具有以下的优点和积极效果:
传统导波检测方法大多需要事先掌握不同模态导波在检测对象中的传播特征,在此基础上再研究缺陷对其影响。检测对象结构复杂将直接导致检测波形复杂,信号的解读将十分不易,因此,这种检测方法较难用于复杂的、不规则结构的健康检测。机器学习作为新兴算法之一,在分类、回归和最优价值解决方案方面表现出优异的性能。本发明重点在于提取信号的变化特征,不受限于复杂结构造成的复杂导波模态传播带来的影响,有望进一步拓展导波检测方法在工业领域中的应用范围。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。附图中:
图1是本发明一种基于支持向量机的钢轨裂纹缺陷的识别方法的流程示意图;
图2是本发明的实验装置图;
图3是本发明中钢轨裂纹示意图;
图4是本发明中激励信号图;
图5是本发明2TB实验获得的无缺陷、3mm、5mm和7mm裂纹信号对比图。
图6是本发明2TB样本测试集的预测分类和实际分类结果对比图。
具体实施方式
以下将结合本发明的附图,对本发明实施例中的技术方案进行清楚、完整的描述和讨论,显然,这里所描述的仅仅是本发明的一部分实例,并不是全部的实例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
本实施例的目的在于钢轨的结构特殊,再加上环境条件、结构边界条件和瞬时事件影响等不确定性因素使得对钢轨损伤传感信号的分析更加复杂。人工无法通过传统的信号分析建立检测信号幅值、相位等特征与损伤程度间简单的、肉眼可见的对应关系,并对识别的信息进行有效的分类。本实施例拟建立机器学习模型,通过智能分类的方法识别出钢轨的受损程度,并对达到一定受损程度的钢轨提出更换提示,确保民生安全。
如图1所示,本实施例公开了一种基于支持向量机的钢轨裂纹缺陷的识别方法,包括以下步骤:
步骤1:通过实验得到钢轨裂纹检测信号,构建样本库;具体包括:
步骤11:将所选激励频率输入任意函数发生器,任意函数发生器生成调制好的激励信号;
步骤12:在钢轨表面布置陶瓷压电片,并用耦合剂使压电片与钢轨贴合;
步骤13:将陶瓷压电片与任意函数发生器和示波器相连接,用于发送时作为发送元件,在接收时作为接收元件使用;
步骤14:示波器用于信号接收和显示,导波沿轨头、轨腰和轨底传播时,遇到缺陷会发生反射、散射和模态转换,产生携带局部缺陷特征的回波,经导波激励/接收装置传输至示波器并将接收到的信号进行保存并传输给计算机。
步骤2:对检测信号进行信号分析,计算出损伤特征值表征缺陷程度;具体包括:
步骤21:计算机对获得的检测信号利用Matlab软件分别进行信号处理。将对获得的所有信号均采用同样窗宽的矩形窗进行截取,且截取的时间起点相同;
步骤22:将所有信号归一化,截取信号中缺陷回波/散波,确定缺陷相关波包时间窗口;
步骤23:计算出信号变化指数、时域差、频谱幅度差、频域互相关值和均方根差5个损伤特征值,用于表征缺陷损伤程度,其中:
(1)信号变化指数的计算公式:
其中,b(t)表示无缺陷时对应的基线信号,m(t)表示有缺陷时对应的检测信号,t0和t1是与所选信号时间窗口对应的起始和截止时间,μb(t)和μm(t)是信号的平均值,而σb(t)和σm(t)是方差;
(10)时域差的计算公式:
其中,b(t)表示无缺陷时对应的基线信号,m(t)表示有缺陷时对应的检测信号,t0和t1是与所选信号时间窗口对应的起始和截止时间;
(11)频谱幅度差的计算公式:
其中,b(t)表示无缺陷时对应的基线信号,m(t)表示有缺陷时对应的检测信号,t0和t1是与所选信号时间窗口对应的起始和截止时间,ω0和ω1是与所选频谱窗口对应的起始和截止频率;
(12)频域互相关值的计算公式:
其中,b(t)表示无缺陷时对应的基线信号,m(t)表示有缺陷时对应的检测信号,t0和t1是与所选信号时间窗口对应的起始和截止时间,ω0和ω1是与所选频谱窗口对应的起始和截止频率;
(13)均方根差的计算公式:
其中,b(t)表示无缺陷时对应的基线信号,m(t)表示有缺陷时对应的检测信号。
步骤3:以特征向量为输入,建立SVM训练模型并通过迭代交叉验证确定SVM最优参数;具体包括:
步骤31:确定支持向量机的核函数,面对现实中多分类的问题,支持向量机通过引入核函数,将原始的空间映射到更高维的特征空间中,使得样本在这个空间内线性可分;优选的,所述核函数采用线性核函数、多项式核函数、Sigmoid核函数或RBF核函数。
步骤32:通过迭代交叉验证的想法,找到最佳的惩罚参数c的取值和核参数σ,在实际应用支持向量机中,惩罚参数c的取值和核参数的取值在很大程度上决定了SVM的性能的优劣。
步骤4:使用测试集测试模型,调整得到最佳的SVM模型;具体包括:
使用测试集测试模型,看是否达到了预期的准确率,如若没有就继续调整,如若达到了就确定模型。
步骤5:将实际工程中检测到的钢轨信号送入训练好的SVM模型中,实现从检测信号与裂纹损伤程度的非线性关系到不同损伤等级的缺陷分类的映射,最终达到损伤程度的准确识别和分类。
实施例:
实验装置主要包括60kg/m钢轨、陶瓷压电片、任意函数发生器、示波器、计算机。各模块的功能如下:
任意函数发生器模块可根据选择的激励频率自动生成具有一定中心频率及周期的激励信号。
陶瓷压电片是使钢轨中产生导波的元件,检测时放置于钢轨外壁,通过耦合剂与钢轨接触,并且在发送时作为发送元件,在接收时作为接收元件使用。
示波器与计算机是信号接收、显示和处理模块。示波器将接收到的信号进行显示、保存,并传输给计算机。
计算机可对检测到的波形进行时域或频域的分析,提取缺陷反射回波的损伤特征值。将损伤特征值作为输入矩阵,构建钢轨损伤识别的支持向量机模型。
具体的,为实现基于支持向量机的钢轨裂纹缺陷的识别方法,本实施例采用如图2所示检测装置。实验对象为60kg/m钢轨,总长为250mm,实验器材分别是:任意函数发生器(Tektronix AFG3021B)、示波器(Tektronix DPO4054)、6片陶瓷压电片(PZT-5H、直径14mm、厚度1mm中心频率200kHz)。
从钢轨的左端顺时针方向看,左侧三个压电片依次命名为:压电片1、压电片2、压电片3,右侧与之对称命名为:压电片A、压电片B、压电片C。6个压电片激励接收方式为:1T1(压电片1自激自收)、1TA(压电片1激励,压电片A接收)、1TB、1TC、2T2、2TA、2TB、2TC、3T3、3TA、3T B、3T C共12种激励接收方式。
钢轨的裂纹缺陷为人为缺陷,包含无缺陷在内共8类缺陷,裂纹位置在钢轨中间125mm处,裂纹示意图如图3所示。
激励信号为汉宁窗调制的5周期,中心频率为200kHz的正弦信号,如图4所示。
用MATLAB(R2016a)软件对采集到的原始信号进行归一化处理。以一激一收2TB为例。图5为2TB检测信号无缺陷与3mm,5mm,7mm深度的裂纹缺陷散波对比图。由图5可以看出由于导波在钢轨中传播时的多模态和频散特性,信号在时域的波形较为复杂,且幅值变化与裂纹深度之间无线性对应关系,肉眼更难从检测信号上直接区分损伤程度的不同。
针对实验获得的样本信号,检测样本信号损伤引起的波形之间的变化,并确定这些变化的程度与损伤程度的关联。选取信号变化指数、时域差、频谱幅度差、频域互相关值和均方根差等5个损伤特征值来描述检测信号在时域和频域的主要特征变化。
通过对检测信号进行分析计算,获得由5个损伤特征值构成的样本矩阵。对检测样本进行实验分析,将信号样本按照8∶2的比例,随机分为训练集和测试集。使用特征矩阵作为支持向量机的输入,并由对应样本的缺陷损伤类别生成对应标签矩阵,进行有监督学习。
首先,确定支持向量机的核函数,通过对线性核函数、多项式核函数、径向核函数和Sigmoid核函数做对比。实验表明径向核函数的正确率最高,故选择径向核函数。
其次,寻找最佳c和σ,给c和σ这两个参数的取值范围为[2-10,210],然后用迭代交叉验证(cross validation)的想法找到准确率最高的c和σ,折叠次数v为10。实验结果表明c和σ的取值分别为1.4142和90.5097。
最后,将参数调整好的模型对测试集进行测试分类,并循环多次,取正确率的平均值来做最后的结果,一激一收2TB样本集最后平均准确率为96.56%,图6为预测分类和实际分类的结果对比图。实验结果表明模型整体性能良好,识别率较高,通过调用核函数实现最优化结构风险,通过惩罚变量来解决过拟合问题,对训练样本使用交叉验证来调节核函数的相关参数,对小样本数据的学习具有良好的泛化能力,避免了过拟合问题。
本实施例通过提取信号的变化特征,利用统计学模型寻找其内在规律,并建立分类准则,不受限于复杂结构造成的复杂导波模态传播对信号带来的影响,有望进一步拓展导波检测方法在结构健康评估领域中的应用。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种基于支持向量机的钢轨裂纹缺陷的识别方法,其特征在于,包括以下步骤:
步骤1:通过实验得到钢轨裂纹检测信号,构建样本库;
步骤2:对检测信号进行信号分析,计算出损伤特征值表征缺陷程度;
所述步骤2包括:
步骤21:计算机对获得的检测信号利用Matlab软件分别进行信号处理,将对获得的所有信号均采用同样窗宽的矩形窗进行截取,且截取的时间起点相同;
步骤22:将所有信号归一化,截取信号中缺陷回波/散波,确定缺陷相关波包时间窗口;
步骤23:计算出信号变化指数、时域差、频谱幅度差、频域互相关值和均方根差5个损伤特征值,用于表征缺陷损伤程度,其中:
(1)信号变化指数的计算公式:
其中,b(t)表示无缺陷时对应的基线信号,m(t)表示有缺陷时对应的检测信号,t0和t1是与所选信号时间窗口对应的起始和截止时间,μb(t)和μm(t)是信号的平均值,而σb(t)和σm(t)是方差;
(2)时域差的计算公式:
其中, b(t)表示无缺陷时对应的基线信号,m(t)表示有缺陷时对应的检测信号,t0和t1是与所选信号时间窗口对应的起始和截止时间;
(3)频谱幅度差的计算公式:
其中,b(t)表示无缺陷时对应的基线信号,m(t)表示有缺陷时对应的检测信号,t0和t1是与所选信号时间窗口对应的起始和截止时间,ω0和ω1是与所选频谱窗口对应的起始和截止频率;
(4)频域互相关值的计算公式:
其中,b(t)表示无缺陷时对应的基线信号,m(t)表示有缺陷时对应的检测信号,t0和t1是与所选信号时间窗口对应的起始和截止时间,ω0和ω1是与所选频谱窗口对应的起始和截止频率;
(5)均方根差的计算公式:
其中,b(t)表示无缺陷时对应的基线信号,m(t)表示有缺陷时对应的检测信号;
步骤3:以特征向量为输入,建立SVM训练模型并通过迭代交叉验证确定SVM最优参数;
所述步骤3包括:
步骤31:确定支持向量机的核函数,面对现实中多分类的问题,支持向量机通过引入核函数,将原始的空间映射到更高维的特征空间中,使得样本在这个空间内线性可分;
步骤32:通过迭代交叉验证,找到最佳的惩罚参数c的取值和核参数σ,在实际应用支持向量机中,惩罚参数c的取值和核参数的取值决定了SVM的性能的优劣;
步骤4:使用测试集测试模型,调整得到最佳的SVM模型;
步骤5:将实际工程中检测到的钢轨信号送入训练好的SVM模型中,实现从检测信号与裂纹损伤程度的非线性关系到不同损伤等级的缺陷分类的映射,最终达到损伤程度的准确识别和分类。
2.根据权利要求1所述的一种基于支持向量机的钢轨裂纹缺陷的识别方法,其特征在于,所述步骤1包括:
步骤11:将所选激励频率输入任意函数发生器,任意函数发生器生成调制好的激励信号;
步骤12:在钢轨表面布置陶瓷压电片,并用耦合剂使压电片与钢轨贴合;
步骤13:将陶瓷压电片与任意函数发生器和示波器相连接,用于发送时作为发送元件,在接收时作为接收元件使用;
步骤14:示波器用于信号接收和显示,导波沿轨头、轨腰和轨底传播时,遇到缺陷会发生反射、散射和模态转换,产生携带局部缺陷特征的回波,经导波激励/接收装置传输至示波器并将接收到的信号进行保存并传输给计算机。
3.根据权利要求1所述的一种基于支持向量机的钢轨裂纹缺陷的识别方法,其特征在于,所述步骤31中的核函数采用线性核函数、多项式核函数、Sigmoid核函数或RBF核函数。
4.根据权利要求1所述的一种基于支持向量机的钢轨裂纹缺陷的识别方法,其特征在于,步骤4包括:
使用测试集测试模型,看是否达到了预期的准确率,如若没有就继续调整,如若达到了就确定模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010678436.1A CN111767897B (zh) | 2020-07-14 | 2020-07-14 | 一种基于支持向量机的钢轨裂纹缺陷的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010678436.1A CN111767897B (zh) | 2020-07-14 | 2020-07-14 | 一种基于支持向量机的钢轨裂纹缺陷的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111767897A CN111767897A (zh) | 2020-10-13 |
CN111767897B true CN111767897B (zh) | 2023-08-18 |
Family
ID=72725619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010678436.1A Active CN111767897B (zh) | 2020-07-14 | 2020-07-14 | 一种基于支持向量机的钢轨裂纹缺陷的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111767897B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112858473B (zh) * | 2020-12-25 | 2022-07-12 | 杭州浙达精益机电技术股份有限公司 | 一种基于特征融合的道岔尖轨伤损状态监测方法 |
CN112649513A (zh) * | 2020-12-30 | 2021-04-13 | 天津精益铁安机电技术有限公司 | 一种基于图像识别的铁路人工智能判伤方法 |
CN112906672B (zh) * | 2021-04-08 | 2024-02-02 | 上海应用技术大学 | 钢轨缺陷识别方法及系统 |
CN113221666A (zh) * | 2021-04-20 | 2021-08-06 | 武汉工程大学 | 一种金属板材缝类缺陷智能识别方法 |
CN114166943A (zh) * | 2021-12-03 | 2022-03-11 | 四川西南交大铁路发展股份有限公司 | 基于非线性超声波的主动式钢轨伤损监测方法及终端 |
CN114324584B (zh) * | 2021-12-16 | 2023-09-05 | 浙江工业大学 | 一种基于智能算法和超声相控阵技术的钢结构检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323526A (zh) * | 2013-05-30 | 2013-09-25 | 哈尔滨工业大学 | 一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法 |
CN109871746A (zh) * | 2018-12-30 | 2019-06-11 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于gis绝缘缺陷诊断的模式识别方法 |
CN110175434A (zh) * | 2019-06-19 | 2019-08-27 | 西南交通大学 | 一种基于卷积神经网络的铁路扣件系统损伤检测方法 |
CN110263867A (zh) * | 2019-06-24 | 2019-09-20 | 株洲时代电子技术有限公司 | 一种钢轨伤损分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11488010B2 (en) * | 2018-12-29 | 2022-11-01 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
-
2020
- 2020-07-14 CN CN202010678436.1A patent/CN111767897B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323526A (zh) * | 2013-05-30 | 2013-09-25 | 哈尔滨工业大学 | 一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法 |
CN109871746A (zh) * | 2018-12-30 | 2019-06-11 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于gis绝缘缺陷诊断的模式识别方法 |
CN110175434A (zh) * | 2019-06-19 | 2019-08-27 | 西南交通大学 | 一种基于卷积神经网络的铁路扣件系统损伤检测方法 |
CN110263867A (zh) * | 2019-06-24 | 2019-09-20 | 株洲时代电子技术有限公司 | 一种钢轨伤损分类方法 |
Non-Patent Citations (1)
Title |
---|
基于EMD和GA-SVM的超声检测缺陷信号识别;李大中;赵杰;;中国测试(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111767897A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111767897B (zh) | 一种基于支持向量机的钢轨裂纹缺陷的识别方法 | |
CN111896625B (zh) | 钢轨伤损实时监测方法及其监测系统 | |
CN110389170B (zh) | 基于Lamb波成像的列车部件裂纹损伤检测方法和系统 | |
Regan et al. | Wind turbine blade damage detection using supervised machine learning algorithms | |
CN105334269A (zh) | 一种基于神经网络和导波特征数据库的管道缺陷类别判别方法 | |
Skarlatos et al. | Railway wheel fault diagnosis using a fuzzy-logic method | |
Kaphle | Analysis of acoustic emission data for accurate damage assessment for structural health monitoring applications | |
CN109190272B (zh) | 基于弹性波和机器学习的混凝土结构缺陷检测方法 | |
Bandara et al. | Damage detection of in service timber poles using Hilbert-Huang transform | |
CN104391039A (zh) | 基于动态小波指纹技术的储罐底板腐蚀非接触式超声检测方法 | |
CN114166943A (zh) | 基于非线性超声波的主动式钢轨伤损监测方法及终端 | |
CN106198749A (zh) | 一种基于金属裂纹监测的多路传感器的数据融合方法 | |
CN103235953B (zh) | 一种光纤分布式扰动传感器模式识别的方法 | |
US11821848B2 (en) | Laser-based non-destructive spike defect inspection system | |
CN108318589A (zh) | 基于高斯过程的疲劳裂纹长度智能评定方法和监测方法 | |
CN112985574B (zh) | 基于模型融合的光纤分布式声波传感信号高精度分类识别方法 | |
CN105160359A (zh) | 一种基于超声导波的复杂结构损伤协同识别方法 | |
CN110765983A (zh) | 一种基于微震频谱特征的煤柱型冲击地压危险性评价方法 | |
CN110046651A (zh) | 一种基于监测数据多属性特征融合的管道状态识别方法 | |
CN102590348A (zh) | 一种检测物体局部阻抗变化的方法及系统 | |
CN2809640Y (zh) | 一种结构缺陷超声在线智能识别系统 | |
CN210322907U (zh) | 储罐探伤的声发射信号采集系统 | |
CN205844271U (zh) | 一种基于差频非线性超声检测金属薄板微裂纹的检测系统 | |
Alekhin et al. | Application of the case-based reasoning approach for identification of acoustic-emission control signals of complex technical objects | |
CN112857798B (zh) | 一种基于频谱分析的多轴系机械传动系统质量评估方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |