CN112906672A - 钢轨缺陷识别方法及系统 - Google Patents
钢轨缺陷识别方法及系统 Download PDFInfo
- Publication number
- CN112906672A CN112906672A CN202110380409.0A CN202110380409A CN112906672A CN 112906672 A CN112906672 A CN 112906672A CN 202110380409 A CN202110380409 A CN 202110380409A CN 112906672 A CN112906672 A CN 112906672A
- Authority
- CN
- China
- Prior art keywords
- matrix
- steel rail
- guided wave
- wave detection
- defect
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 105
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 67
- 239000010959 steel Substances 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 100
- 238000001514 detection method Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000007797 corrosion Effects 0.000 claims abstract description 13
- 238000005260 corrosion Methods 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 238000013145 classification model Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 20
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
Images
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Abstract
本发明提供了一种钢轨缺陷识别方法及系统，包括如下步骤：采集钢轨在完好状态的导波检测信号以及裂纹状态、腐蚀状态下的多种缺陷类型的导波检测信号，将所有缺陷类型的所述导波检测信号形成m个样本，每个样本中导波检测信号数为n，进而形成一m×n的矩阵
对所述矩阵
进行降维生成矩阵
将所述矩阵
和对应的缺陷类型输入进行训练，生成钢轨缺陷识别模型。通过所述钢轨缺陷识别模型对钢轨缺陷进行识别，确定钢轨的缺陷类型。本发明超声导波检测技术进行特征提取，将提取的特征送入机器学习分类模型中进行训练，生成的钢轨缺陷识别模型能够准确的识别部钢轨的缺陷类型，且在辨识过程中减少对专业知识的依赖，具有普适性。
Description
技术领域
本发明涉及人工智能，具体地，涉及一种钢轨缺陷识别方法及系统。
背景技术
铁路运输具有容量大、速度快的优点，已经成为了四大运输方式之一。钢轨，作为铁路运输的基本组成部件，它的健康状况直接影响铁路运输的安全。因此，钢轨的安全性检测具有重要的意义。
目前，在国内对于钢轨缺陷的检测，主要是由专业人员借助探伤设备，通过专业知识分析，判断缺陷钢轨是否存在缺陷，这样的方法可以实现高效检测，但比较耗时、费力，已不能满足铁路发展的新需求。为实现钢轨缺陷的自动检测，涌现出一些基于机器学习算法的检测方法，例如：通过对导波检测信号进行特征提取，然后将提取的特征送入BP神经网络或者支持向量机SVM，进行有监督学习，以实现钢轨的缺陷识别。
但这些方法的一个不足之处在于必须通过专业知识和经验，才能比较准确的提取出信号的特征。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种钢轨缺陷识别方法及系统。
根据本发明提供的钢轨缺陷识别方法，包括如下步骤：
步骤S1：采集钢轨在完好状态的导波检测信号以及裂纹状态、腐蚀状态下的多种缺陷类型的导波检测信号，将所有缺陷类型的所述导波检测信号形成m个样本，每个样本中导波检测信号数为n，进而形成一m×n的矩阵
步骤S2：对所述矩阵
进行降维生成矩阵
步骤S3：将所述矩阵
和对应的缺陷类型输入进行训练，生成钢轨缺陷识别模型。
步骤S4：通过所述钢轨缺陷识别模型对钢轨缺陷进行识别，确定钢轨的缺陷类型。
优选地，所述步骤S1包括如下步骤：
步骤S101：采集钢轨在完好状态的导波检测信号以及裂纹状态、腐蚀状态下的多种缺陷类型的导波检测信号；
步骤S102：将每一缺陷类型的所述导波检测信号形成m个样本，每个样本中导波检测信号元素数为n；
步骤S103：将样本信号m个，每个样本的元素个数为n，形成一个m×n的矩阵X，并将矩阵X中的元素进行归一化，形成矩阵
优选地，所述步骤S2包括如下步骤：
步骤S201：求解所述矩阵
的特征值与特征向量；
步骤S202：获取主成分个数k；
步骤S203：根据所述主成分个数k对所述矩阵
降维生成矩阵
优选地，在步骤S1中采用超声导波检测方法，通过一激一收的信号采集方式采集钢轨的导波检测信号。
优选地，在步骤S201中采用奇异值分解法(SVD)求解矩阵
的奇异值与奇异向量，具体为：
式中：
U为左奇异矩阵，为矩阵
的特征向量；
V为右奇异矩阵，为矩阵
的特征向量；
∑为矩阵
的奇异值所组成的m*n矩阵，其主对角线为奇异值，其他位置为0。
优选地，所述主成分个数k等于最大投影方差
所述最大投影方差
为：
其中，n为每个导波检测信号中的特征值数；
w为单位方向向量。
优选地，所述矩阵
为：
优选地，所述步骤S203具体为：将所求的奇异值按照数值大小进行排列，提取前k个奇异值及其奇异向量，构成左、右奇异矩阵，进而求解出对所述矩阵
降维生成矩阵
优选地，所述样本包括7种不同程度的裂纹缺陷、4种不同程度的腐蚀缺陷以及无缺陷时钢轨的导波检测信号。
根据本发明提供的钢轨缺陷识别系统，包括如下模块：
数据采集模块，用于采集钢轨在完好状态的导波检测信号以及裂纹状态、腐蚀状态下的多种缺陷类型的导波检测信号，将每一缺陷类型的所述导波检测信号形成m个样本，每个样本中导波检测信号数为n，进而形成一m×n的矩阵
矩阵生成模块，用于对所述矩阵
进行降维生成矩阵
模型训练模块，用于将所述矩阵
和对应的缺陷类型输入机器学习分类模型进行训练，生成钢轨缺陷识别模型。
缺陷识别模块，用于通过所述钢轨缺陷识别模型对钢轨缺陷进行识别，确定钢轨的缺陷类型。
与现有技术相比，本发明具有如下的有益效果：
本发明超声导波检测技术进行特征提取，将提取的特征送入机器学习分类模型中进行训练，生成的钢轨缺陷识别模型能够准确的识别部钢轨的缺陷类型，且在辨识过程中减少对专业知识的依赖，具有普适性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例中钢轨缺陷识别方法的流程图；
图2为本发明实施例中钢轨缺陷识别模型的分类表格；
图3为本发明实施例中ROC曲线的示意图；
图4为本发明实施例中钢轨缺陷识别系统的模块示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
图1为本发明实施例中钢轨缺陷识别方法的流程图，如图1所示，本发明提供的钢轨缺陷识别方法包括如下步骤：
步骤S1：采集钢轨在完好状态的导波检测信号以及裂纹状态、腐蚀状态下的多种缺陷类型的导波检测信号，将每一缺陷类型的所述导波检测信号形成m个样本，每个样本中导波检测信号数为n，进而形成一m×n的矩阵
在本发明实施例中，所述步骤S1包括如下步骤：
步骤S101：采集钢轨在完好状态的导波检测信号以及裂纹状态、腐蚀状态下的多种缺陷类型的导波检测信号；
步骤S102：将所有缺陷类型的所述导波检测信号形成m个样本，每个样本中导波检测信号元素数为n；
步骤S103：将样本信号m个，每个样本的元素个数为n，形成一个m×n的矩阵X，并将矩阵X中的元素进行归一化，形成矩阵
步骤S2：对所述矩阵
进行降维生成矩阵
在步骤S1中采用超声导波检测方法，通过一激一收的信号采集方式采集钢轨的导波检测信号。
在本发明实施例中，所述步骤S2包括如下步骤：
步骤S201：求解所述矩阵
的特征值与特征向量；
在步骤S201中采用奇异值分解法(SVD)求解矩阵
的奇异值与奇异向量，具体为：
式中：
U为左奇异矩阵，为矩阵
的特征向量；
V为右奇异矩阵，为矩阵
的特征向量；
∑为矩阵
的奇异值所组成的m*n矩阵，其主对角线为奇异值，其他位置为0。
步骤S202：获取主成分个数k；主成分个数k的选择用主成分贡献率给出选择依据，最大投影方差值
的大小反映了所含原始数据中信息的多少，其值越大，表示其中包含原始数据的有用信息越多；同时，该值越小，表示其中包含的干扰信息越多。在求解最大投影方差的过程中，如式(3)，(4)所示，可发现最大投影方差即为协方差矩阵
的特征值，也为矩阵
的奇异值的平方。故此，选取前k个特征值及其特征向量，使其尽可能有效地，全面地代表原始数据，即：一般，选取的前k个特征值的总和与矩阵
所有特征值的总和的比值大于等于0.99，这个比值也被称为主成分贡献率。然后，将选取的k个特征向量按行组成矩阵，即W为k*n的矩阵。
在本发明实施例中，所述主成分个数k等于最大投影方差
所述最大投影方差
为：
其中，n：为每个导波检测信号中的特征值数；
w为单位方向向量。
w为单位方向向量；
在w*wT＝1的条件下，求解式(2)的最大值，引入拉格朗日系数λ，求解可得式(3)：
即：λ为协方差矩阵的特征值，故此：
步骤S203：根据所述主成分个数k对所述矩阵
降维生成矩阵
在本发明实施例中，具体为
步骤S3：将所述矩阵
和对应的缺陷类型输入机器学习分类模型进行训练，生成钢轨缺陷识别模型。
步骤S4：通过所述钢轨缺陷识别模型对钢轨缺陷进行识别，确定钢轨的缺陷类型。
当在本发明实施例中进行实验验证时，通过包含有7种不同程度的裂纹缺陷和4种不同程度的腐蚀缺陷，以及无缺陷时钢轨的导波检测信号所组成的数据集。其中，每种类型的缺陷有10个样本，每个样本中有20001个导波检测信号元素。
构建矩阵X。则X为120×20001的矩阵。将其归一化，形成矩阵
求解矩阵
的奇异向量和奇异值，分别组成左奇异矩阵U，右奇异矩阵V。其中，U为120*120的矩阵，V为20001*20001的矩阵。∑为奇异值组成的100*20001的矩阵。
提取主成分的个数选择。在此次实验中，按照主成分贡献率为0.99，选取主成分个数。主成分贡献率如表1所示，当主成分个数为6时，可使主成分的贡献率达到0.99，故此次实验，选取6个主成分个数，即将每个样本中的20001个元素，减少到6个元素。将第2步求取的奇异值降序排序，提取前6个奇异值，及其对应的右奇异向量，其中，需要注意的是：因为在本次降维过程中是对矩阵
的列向量实现降维，故特征向量应在右奇异矩阵V中选取；
表1 前k个主成分贡献率
用式(5)，对矩阵
降维，使得
矩阵变为为120*6。
将
及其标签送入到机器学习分类模型中，以实现机器学习分类模型的训练，进而能够实现钢轨缺陷进行识别。所述机器学习分类模型采用支持向量机(SVM)识。
在总数120个样本集中，从每种损伤中提取8个样本作为SVM的训练集，2个作为测试集，则训练集中共有96个样本，测试集中有24个样本。送入SVM模型中，得到一个分类结果。这里取十次分类的结果，取其平均值：则其分类准确率为95％，十次结果的标准差为0.02。
图3为本发明实施例中ROC曲线的示意图，如图3所示，真阳率(True positiverage)和假阳率(False positive rate)是机器学习模型评估中常用的评价指标。真阳率反映了模型的正确分类的能力；假阳率反映了模型错误分类的能力。在图3中，除第九类，第十类的ROC曲线距离随机分类线近一些，其他分类的ROC曲线都远离随机分类线，即可实现分类功能。故验证了机器学习分类模型的可行性，同时，也证明了分类结果的准确性。
图4为本发明实施例中钢轨缺陷识别系统的模块示意图，如图4所示，本发明提供的钢轨缺陷识别系统，包括如下模块：
数据采集模块，用于采集钢轨在完好状态的导波检测信号以及裂纹状态、腐蚀状态下的多种缺陷类型的导波检测信号，将所有缺陷类型的所述导波检测信号形成m个样本，每个样本中导波检测信号数为n，进而形成一m×n的矩阵
矩阵生成模块，用于对所述矩阵
进行降维生成矩阵
模型训练模块，用于将所述矩阵
和对应的缺陷类型输入机器学习分类模型进行训练，生成钢轨缺陷识别模型。
缺陷识别模块，用于通过所述钢轨缺陷识别模型对钢轨缺陷进行识别，确定钢轨的缺陷类型。
本发明实施例中，超声导波检测技术进行特征提取，将提取的特征送入机器学习分类模型中进行训练，生成的钢轨缺陷识别模型能够准确的识别部钢轨的缺陷类型，且在辨识过程中减少对专业知识的依赖，具有普适性。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
Claims (10)
1.一种钢轨缺陷识别方法，其特征在于，包括如下步骤：
步骤S1：采集钢轨在完好状态的导波检测信号以及裂纹状态、腐蚀状态下的多种缺陷类型的导波检测信号，将所有缺陷类型的所述导波检测信号形成m个样本，每个样本中导波检测信号数为n，进而形成一m×n的矩阵
步骤S2：对所述矩阵
进行降维生成矩阵
步骤S3：将所述矩阵
和对应的缺陷类型输入进行训练，生成钢轨缺陷识别模型。
步骤S4：通过所述钢轨缺陷识别模型对钢轨缺陷进行识别，确定钢轨的缺陷类型。
2.根据权利要求1所述的钢轨缺陷识别方法，其特征在于，所述步骤S1包括如下步骤：
步骤S101：采集钢轨在完好状态的导波检测信号以及裂纹状态、腐蚀状态下的多种缺陷类型的导波检测信号；
步骤S102：将每一缺陷类型的所述导波检测信号形成m个样本，每个样本中导波检测信号元素数为n；
步骤S103：将样本信号m个，每个样本的元素个数为n，形成一个m×n的矩阵X，并将矩阵X中的元素进行归一化，形成矩阵
3.根据权利要求1所述的钢轨缺陷识别方法，其特征在于，所述步骤S2包括如下步骤：
步骤S201：求解所述矩阵
的特征值与特征向量；
步骤S202：获取主成分个数k；
步骤S203：根据所述主成分个数k对所述矩阵
降维生成矩阵
4.根据权利要求1所述的钢轨缺陷识别方法，其特征在于，在步骤S1中采用超声导波检测方法，通过一激一收的信号采集方式采集钢轨的导波检测信号。
5.根据权利要求3所述的钢轨缺陷识别方法，其特征在于，在步骤S201中采用奇异值分解法(SVD)求解矩阵
的奇异值与奇异向量，具体为：
式中：
U为左奇异矩阵，为矩阵
的特征向量；
V为右奇异矩阵，为矩阵
的特征向量；
∑为矩阵
的奇异值所组成的m*n矩阵，其主对角线为奇异值，其他位置为0。
6.根据权利要求3所述的钢轨缺陷识别方法，其特征在于，所述主成分个数k等于最大投影方差
所述最大投影方差
为：
其中，n：为每个导波检测信号中的特征值数；
w：为单位方向向量。
7.根据权利要求3所述的钢轨缺陷识别方法，其特征在于，所述矩阵
为：
8.根据权利要求5所述的钢轨缺陷识别方法，其特征在于，所述步骤S203具体为：将所求的奇异值按照数值大小进行排列，提取前k个奇异值及其奇异向量，构成左、右奇异矩阵，进而求解出对所述矩阵
降维生成矩阵
9.根据权利要求1所述的钢轨缺陷识别方法，其特征在于，所述样本包括7种不同程度的裂纹缺陷、4种不同程度的腐蚀缺陷以及无缺陷时钢轨的导波检测信号。
10.一种钢轨缺陷识别系统，其特征在于，包括如下模块：
数据采集模块，用于采集钢轨在完好状态的导波检测信号以及裂纹状态、腐蚀状态下的多种缺陷类型的导波检测信号，将每一缺陷类型的所述导波检测信号形成m个样本，每个样本中导波检测信号数为n，进而形成一m×n的矩阵
矩阵生成模块，用于对所述矩阵
进行降维生成矩阵
模型训练模块，用于将所述矩阵
和对应的缺陷类型输入机器学习分类模型进行训练，生成钢轨缺陷识别模型。
缺陷识别模块，用于通过所述钢轨缺陷识别模型对钢轨缺陷进行识别，确定钢轨的缺陷类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110380409.0A CN112906672B (zh) | 2021-04-08 | 2021-04-08 | 钢轨缺陷识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110380409.0A CN112906672B (zh) | 2021-04-08 | 2021-04-08 | 钢轨缺陷识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112906672A true CN112906672A (zh) | 2021-06-04 |
| CN112906672B CN112906672B (zh) | 2024-02-02 |
Family
ID=76110304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110380409.0A Active CN112906672B (zh) | 2021-04-08 | 2021-04-08 | 钢轨缺陷识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112906672B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110940732A (zh) * | 2019-12-30 | 2020-03-31 | 华东交通大学 | 一种钢轨结构腐蚀在线监测与评价方法 |
| CN113486874A (zh) * | 2021-09-08 | 2021-10-08 | 西南交通大学 | 一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102692429A (zh) * | 2011-03-24 | 2012-09-26 | 中国科学院沈阳自动化研究所 | 一种复合材料内部缺陷类型自动识别检测方法 |
| CN103033567A (zh) * | 2012-12-31 | 2013-04-10 | 江苏大学 | 一种基于导波的管道缺陷信号识别方法 |
| WO2014101579A1 (zh) * | 2012-12-28 | 2014-07-03 | 国家电网公司 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
| CN105334269A (zh) * | 2015-10-19 | 2016-02-17 | 江苏大学 | 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 |
| CN109798844A (zh) * | 2018-12-28 | 2019-05-24 | 北京交通大学 | 一种钢轨磨耗动态测量中的轨廓自动配准方法 |
| CN111767897A (zh) * | 2020-07-14 | 2020-10-13 | 上海应用技术大学 | 一种基于支持向量机的钢轨裂纹缺陷的识别方法 |
-
2021
- 2021-04-08 CN CN202110380409.0A patent/CN112906672B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102692429A (zh) * | 2011-03-24 | 2012-09-26 | 中国科学院沈阳自动化研究所 | 一种复合材料内部缺陷类型自动识别检测方法 |
| WO2014101579A1 (zh) * | 2012-12-28 | 2014-07-03 | 国家电网公司 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
| CN103033567A (zh) * | 2012-12-31 | 2013-04-10 | 江苏大学 | 一种基于导波的管道缺陷信号识别方法 |
| CN105334269A (zh) * | 2015-10-19 | 2016-02-17 | 江苏大学 | 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 |
| CN109798844A (zh) * | 2018-12-28 | 2019-05-24 | 北京交通大学 | 一种钢轨磨耗动态测量中的轨廓自动配准方法 |
| CN111767897A (zh) * | 2020-07-14 | 2020-10-13 | 上海应用技术大学 | 一种基于支持向量机的钢轨裂纹缺陷的识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 唐东林;魏子兵;潘峰;唐圳雄;李茂扬;胡琳;: "基于PCA和SVM的管道腐蚀超声内检测", 传感技术学报, no. 07 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110940732A (zh) * | 2019-12-30 | 2020-03-31 | 华东交通大学 | 一种钢轨结构腐蚀在线监测与评价方法 |
| CN110940732B (zh) * | 2019-12-30 | 2022-03-01 | 华东交通大学 | 一种钢轨结构腐蚀在线监测与评价方法 |
| CN113486874A (zh) * | 2021-09-08 | 2021-10-08 | 西南交通大学 | 一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112906672B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111181939B (zh) | 一种基于集成学习的网络入侵检测方法及装置 | |
| CN109977808A (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
| CN111738364A (zh) | 一种基于用户负荷与用电参量相结合的窃电检测方法 | |
| CN112949715A (zh) | 一种基于svm的轨道交通故障诊断方法 | |
| CN111832608B (zh) | 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法 | |
| CN112906672A (zh) | 钢轨缺陷识别方法及系统 | |
| CN111580506A (zh) | 基于信息融合的工业过程故障诊断方法 | |
| CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
| CN111343147B (zh) | 一种基于深度学习的网络攻击检测装置及方法 | |
| CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
| CN106250913B (zh) | 一种基于局部典型相关分析的分类器集成车牌识别方法 | |
| CN113376516A (zh) | 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法 | |
| CN111398798A (zh) | 基于振动信号区间特征提取的断路器储能状态辨识方法 | |
| CN115471712A (zh) | 一种基于视觉语义约束的生成零样本学习方法 | |
| CN111461923A (zh) | 一种基于深度卷积神经网络的窃电监测系统和方法 | |
| CN111863135B (zh) | 一种假阳性结构变异过滤方法、存储介质及计算设备 | |
| CN112541524A (zh) | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 | |
| CN114926702B (zh) | 一种基于深度注意力度量的小样本图像分类方法 | |
| CN113722239B (zh) | 机载嵌入式软件质量检测方法、装置、介质及电子设备 | |
| CN114610882A (zh) | 一种基于电力短文本分类的异常设备编码检测方法和系统 | |
| CN114842183A (zh) | 一种基于卷积神经网络的开关状态识别方法和系统 | |
| CN113326971A (zh) | 一种基于PCA和Adaboost的隧道交通事故持续时间预测方法 | |
| Zuo et al. | An Improved AdaBoost Tree-Based Method for Defective Products Identification in Wafer Test | |
| CN110807399A (zh) | 一种基于单一类别支持向量机的崩滑隐患点检测方法 | |
| CN111414819B (zh) | 基于非平衡数据分类框架的火点智能检测和分类方法 |
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 |