CN113688731A - 一种无缝钢轨内部温度应力分类评估方法 - Google Patents
一种无缝钢轨内部温度应力分类评估方法 Download PDFInfo
- Publication number
- CN113688731A CN113688731A CN202110976174.1A CN202110976174A CN113688731A CN 113688731 A CN113688731 A CN 113688731A CN 202110976174 A CN202110976174 A CN 202110976174A CN 113688731 A CN113688731 A CN 113688731A
- Authority
- CN
- China
- Prior art keywords
- temperature stress
- magnetic memory
- stress
- evaluation
- seamless steel
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明涉及一种无缝钢轨内部温度应力分类评估方法,通过采集不同温度应力下的磁记忆信号的法向分量数据;对磁记忆信号的法向分量数据分别进行时域分析和频域分析,对应得到磁记忆信号的法向分量数据的时域特征和频域特征,并将时域特征和频域特征组合得到相应的特征向量;然后将特征向量作为预设定量评估模型的输入,对应的温度应力作为预设定量评估模型的输出构建温度应力定量评估模型;最后基于温度应力定量评估模型对输入的磁记忆检测数据进行评估,以得到对应的温度应力评估结果。实现了定量检测应力大小,并且检测效率高,适用于快速、在线监测无缝钢轨内部温度应力,及早发现钢轨内部隐形损伤,具有实际的工程应用价值。
Description
技术领域
本发明属于轨道检测技术领域,具体涉及一种无缝钢轨内部温度应力分类评估方法。
背景技术
目前我国的高速铁路采用无缝铁轨,其特点是将十根100米长的钢轨焊接在一起形成无缝线路,因此气温变化时铁轨的热胀冷缩被限制,其内部往往会积累巨大的温度应力,加上高速行驶的列车碾压造成的工作应力,如果不能及时处理,当应力累积到一定程度时,铁轨易发生扭曲甚至断裂,因此,对无缝线路内部应力积累情况的快速早期评估具有重要的意义。
传统的检测方法:位移观桩法,钻孔法,标定轨长法,这些方法在线检测精度低,劳动强度大,破坏性强,实时性差。金属磁记忆检测方法是一种基于磁学原理的无损检测方法,其原理是铁磁性材料在地磁场和工作载荷的共同作用下,在应力和变形集中区域会发生具有磁致伸缩性质的磁畴组织定向和不可逆的重新取向,当工作载荷消除后,这种磁状态仍然会保留,因此称为磁记忆效应。然而现有的磁记忆方法仅能定性检测应力的集中情况,无法定量检测应力大小,应用起来非常的不便。
发明内容
为了解决现有技术存在的无法定量检测应力大小、检测效率低的问题,本发明提供了一种无缝钢轨内部温度应力分类评估方法,其具有定量检测应力大小、检测效率更高等特点。
根据本发明的具体实施方式的一种无缝钢轨内部温度应力分类评估方法,包括:
采集不同温度应力下的磁记忆信号的法向分量数据;
对所述磁记忆信号的法向分量数据分别进行时域分析和频域分析,对应得到所述磁记忆信号的法向分量数据的时域特征和频域特征,并将所述时域特征和所述频域特征组合得到相应的特征向量;
将所述特征向量作为预设定量评估模型的输入,对应的温度应力作为所述预设定量评估模型的输出构建温度应力定量评估模型;
基于所述温度应力定量评估模型对输入的磁记忆检测数据进行评估,以得到对应的温度应力评估结果。
进一步的所述采集不同温度应力下的磁记忆信号的法向分量数据包括:
基于磁巴克豪森噪声法定量检测不同温度应力大小,以得到相应的磁记忆信号的法向分量数据。
进一步的,所述时域特征包括极差和标准差,所述频域特征包括小波包变换后各子带的归一化能量和各子带能量的Tsallis熵统计。
进一步的,所述温度应力定量评估模型的构建包括:
获取基于所述磁巴克豪森噪声法检测的磁记忆信号样本,并按温度应力大小将所述样本划分为4个区间的数据集;
基于所述数据集的不平衡性确定不平衡分类算法的评价指标,其中所述不平衡分类算法采用的是基于bagging思想的集成加权核函数极限学习机;
基于所述评价指标确定所述集成加权核函数极限学习机中的最优子集成网络;
基于所述最优子集成网络对输入的磁记忆检测数据进行评估,以得到对应的温度应力评估结果。
进一步的,所述4个区间分别为:
第一类应力区间30-50Mpa,第二类应力区间50-70Mpa,第三类应力区间70-90Mpa和第四类应力区间90-110Mpa,其中各区间样本数量的比例依次为8.68:6.95:1.77:1。
进一步的,所述评价指标包括:
各类样本的召回率Ri,(i=1,2,3,4),各类样本的召回率的几何平均值G-mean以及总体分类准确率accuracy。
进一步的,所述基于所述评价指标确定所述集成加权核函数极限学习机中的最优子集成网络包括:
通过随机重采样的方法生成多个与训练集规模相同的训练子集,在每个训练子集上独立并行地训练基分类器,并将每个训练子集生成过程中未被采样到的样本作为验证集,用来调节惩罚参数和核函数带宽参数,调参过程基于粒子群算法,以G-mean为优化目标。
进一步的,所述基于所述评价指标确定所述集成加权核函数极限学习机中的最优子集成网络还包括:
对所述基分类器进行选择性集成,根据所述基分类器在原始训练集上的测试指标进行排序,按从大到小的顺序依次累加基分类器到子集成网络中,并选择指标最大的子集成网络作为最优子集成网络。
本发明的有益效果为:通过采集不同温度应力下的磁记忆信号的法向分量数据;对磁记忆信号的法向分量数据分别进行时域分析和频域分析,对应得到磁记忆信号的法向分量数据的时域特征和频域特征,并将时域特征和频域特征组合得到相应的特征向量;然后将特征向量作为预设定量评估模型的输入,对应的温度应力作为预设定量评估模型的输出构建温度应力定量评估模型;最后基于温度应力定量评估模型对输入的磁记忆检测数据进行评估,以得到对应的温度应力评估结果。实现了定量检测应力大小,并且检测效率高,适用于快速、在线监测无缝钢轨内部温度应力,及早发现钢轨内部隐形损伤,具有实际的工程应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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。
图1是根据一示例性实施例提供的无缝钢轨内部温度应力分类评估方法的流程图;
图2是四分类混淆矩阵的表格;
图3是根据一示例性实施例提供的集成算法中基分类器与常用机器学习算法的比较;
图4是根据一示例性实施例提供的选择性集成策略与其他集成策略的对比结果;
图5是根据一示例性实施例提供的现场数据的采集图;
图6是根据一示例性实施例提供的磁记忆信号的时域与频域特征提取示意图;
图7是根据一示例性实施例提供的集成算法的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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得到的所有其它实施方式,都属于本发明所保护的范围。
参照图1所示,本发明的实施例提供了一种无缝钢轨内部温度应力分类评估方法,具体的包括:
101、采集不同温度应力下的磁记忆信号的法向分量数据;
参照图5所示采集标记点附近的磁记忆信号法向分量,磁巴克豪森噪声法定量检测标记点处温度应力,用来标记磁记忆信号数据。
102、对磁记忆信号的法向分量数据分别进行时域分析和频域分析,对应得到磁记忆信号的法向分量数据的时域特征和频域特征,并将时域特征和频域特征组合得到相应的特征向量;
其中时域特征选定为极差和标准差,频域特征选定为离散小波包变换后各子带的归一化能量和各子带能量的Tsallis熵统计。
103、将特征向量作为预设定量评估模型的输入,对应的温度应力作为预设定量评估模型的输出构建温度应力定量评估模型;
获取基于所述磁巴克豪森噪声法检测的磁记忆信号样本,并按温度应力大小将所述样本划分为4个区间的数据集;
具体包括基于数据集的不平衡性确定不平衡分类算法的评价指标,其中不平衡分类算法采用的是基于bagging思想的集成加权核函数极限学习机;
基于评价指标确定所述集成加权核函数极限学习机中的最优子集成网络;
基于最优子集成网络对输入的磁记忆检测数据进行评估,以得到对应的温度应力评估结果。
104、基于所述温度应力定量评估模型对输入的磁记忆检测数据进行评估,以得到对应的温度应力评估结果。
这样通过得获取不同程度温度应力对应的表面金属磁记忆信号,提出使用磁巴克豪森噪声法标记磁记忆信号数据,获得了不同区间温度应力对应的磁记忆信号数据,根据应力大小划分了不同的应力区间,对各帧磁记忆信号进行时域和频域特征分析;对磁记忆随机信号进行小波包分解并采用Tsallis熵提取其子频带能量信息作为磁记忆信号频域特征;结合时域和频域特征,针对不同类别温度应力区间样本数量的不平衡特性,提出不平衡数据的加权方案,并提出改进的不平衡分类算法建立温度应力定量评估模型。不仅实现了定量检测应力大小,而且检测效率高,适用于快速、在线监测无缝钢轨内部温度应力,及早发现钢轨内部隐形损伤,具有实际的工程应用价值。
作为上述实施例可行的实现方式,整理磁巴克豪森噪声法标记得到的磁记忆信号样本,按温度应力大小划分为4个区间,第一类应力区间为30-50Mpa,第二类应力区间为50-70Mpa,第三类应力区间为70-90Mpa,第四类应力区间为90-110Mpa。各类样本数量的比例为8.68:6.95:1.77:1,数据集具有显著不平衡特性。
然后根据得到的不平衡数据集建立定量评估模型,考虑数据集的不平衡特性,重新定义不平衡分类算法评价指标如下:各类样本的召回率Ri,(i=1,2,3,4),各类样本的召回率的几何平均值G-mean,总体分类准确率accuracy,其中G-mean是不平衡分类算法中重要的性能指标。
采用的不平衡分类算法是选择性bagging集成加权核函数极限学习机,其中集成学习采用的基分类器是加权核函数极限学习机,根据各类样本数量的多少赋予各类样本不同的误分类代价系数,使得少数类样本误分类代价更大。
集成学习采用的是bagging思想,通过随机重采样的方法生成若干个与训练集规模相同的训练子集,每个训练子集生成过程中未被采样到的样本称为袋外数据。在每个训练子集上独立、并行地训练基分类器,袋外数据作为验证集,用来调节惩罚参数和核函数带宽参数,调参过程基于粒子群算法,以G-mean为优化目标。
最后将得到的基分类器进行选择性集成,根据基分类器在原始训练集上的测试指标G-mean进行排序,按从大到小的顺序依次累加基分类器到子集成网络中,子集成网络的评价指标为该网络在原始训练集上测试得到的G-mean指标,选择G-mean指标最大的子集成网络作为最优子集成网络。将需要定量评估的磁记忆信号数据输入到得到的最优子集成网络中,生成温度应力评估结果。
在本发明的一些具体实施例中,参照图6和图7所示,对得到的磁记忆信号数据x={x1,x2,........xN},时域特征选定为极差和标准差,频域特征选定为离散小波包变换后各子带的归一化能量和各子带能量的Tsallis熵统计包括:
时域特征,计算公式为:
极差:pd=xmax-xmin;
其中:xmax是一帧离散磁记忆信号中的最大值,xmin是最小值。
频域特征:
对磁记忆信号数据进行离散傅里叶变换,观察频域上主要幅值所处的频率区间,根据频带宽度对小波包分解层数进行选取,基于最大能量-香农熵比值准则选择最优小波基。根据得到的最优小波包分解层数和最优小波基,对磁记忆信号数据进行J层小波包分解,得到2J个子频带,计算各个子频带的归一化能量。由于应力特征是跨子带分布的,因此取全部小波包子带的能量特征构成小波包能量谱E={E1,E2,.....,E2J};对全部小波包子带能量进行熵统计,选用Tsallis熵。得到时域特征和频域特征,得到特征向量为:U=[pd,st,E,Tsallis熵];计算公式如下:
其中N为一帧离散磁记忆信号的长度。
式中:fs为采样频率,fd为需要分析识别的频率。
离散小波包变换使用Mallat算法对信号进行分解,通过一对低通滤波器和高通滤波器实现离散小波包变换,信号被分解为低频成分和高频成分。
分解过程如下:
其中J为小波包分解层数,E(i)是小波包分解第J层第i个节点的小波包能量,dk是第i个节点对应的小波包系数,l为各节点小波包系数的长度,Etotal是小波包分解第J层所有小波包节点的总能量。各节点小波包能量占总能量的比重为:
P(i)也是各节点的归一化能量。Shannon熵为:
Tsallis熵为:
其中q为非广延参数,Tsallis熵源于Shannon熵,是Shannon熵的单参数泛化,当q逼近于1时,Tsallis熵退化为Shannon熵。
不平衡分类算法评价指标为各类样本的召回率Ri,(i=1,2,3,4),各类样本召回率的几何平均值G-mean以及总体分类准确率accuracy,以上评价指标由四分类混淆矩阵计算得到,如图2所示。计算公式为:
其中:Nij表示真实标签为i,预测标签为j,当i=j时,代表样本被正确分类。
不平衡分类算法的选择性bagging集成加权核函数极限学习机,采用的基分类器为加权核函数极限学习机(WKELM),优化目标函数如下:
其中|| ||2代表2-范数,β为单隐层前馈神经网络隐含层到输出层的权值,C为正则化参数,vi为各样本的权值,h(Xi)为隐含层特征映射,Ti为期望输出,ζi为期望输出和预测输出之间的误差,V为训练集样本的权值矩阵,对角线元素为各样本对应的权值,根据该类别样本的总个数对该类别样本进行加权。
其中count(Ti)为类别为Ti的样本的总个数,使得少数类样本获得较大的误分类代价系数,提高少数类样本的召回率。将本发明中集成算法采用的基分类器与常用机器学习算法进行对比,对比实验中按3:1的比例划分训练集和测试集,重复10次实验取平均值,获得对比实验结果,如图3所示,其中DT为决策树,SVM为支持向量机,ELM为极限学习机,KELM为核函数极限学习机,WKELM为本发明中集成算法采用的基分类器,加权核函数极限学习机。实验结果表明,与常用机器学习算法对比,加权核函数极限学习机在处理不平衡分类问题时取得更好的效果,尤其是少数类样本的召回率显著提升。
集成方法采用的是bagging方法,对训练集进行T次随机重采样,得到T个训练子集和T个袋外数据(训练子集生成过程中未被采样到的样本),各基分类器在训练子集上独立、并行地训练,在袋外数据上调节惩罚参数和核函数带宽参数,调参过程基于粒子群算法,以G-mean为优化目标。基分类器训练结束后,选择性集成策略采用的是根据基分类器在原始训练集上的测试指标G-mean进行排序,按从大到小的顺序依次累加基分类器到子集成网络中,子集成网络的评价指标为该网络在原始训练集上测试得到的G-mean指标,选择G-mean指标最大的子集成网络作为最优子集成网络,采用多数投票法集成各基分类器输出结果。将本发明提出的选择性集成策略与全部集成策略进行对比,对比实验中按3:1的比例划分训练集和测试集,重复10次实验取平均值,获得对比实验结果,如图4所示。结果表明,在基分类器选定为加权核函数极限学习机的条件下,本发明提出的选择性集成策略优于全部集成策略,优于单个基分类器。进而通过考虑数据集的不平衡特性,使用改进的不平衡分类算法,提高了危险应力样本的检出率,建立温度应力定量评估模型,为无缝线路稳定性评估提供依据,具有实际的工程应用价值。
在本发明的另一些具体实施例中,对中国河北保定工务段保满线下行的一段无缝线路进行了实际的分析应用,测量对象为无缝线路中的固定区,固定区长度为900m。使用TSC-1M-4型仪器采集标记点前后0.5m范围内的磁记忆信号法向分量,使用金属磁巴克豪森噪声应力仪定量测量标记点处温度应力值,用来标记磁记忆信号数据,具体过程如下:
201:现场采集数据,在上述工务路段定点标记,采集标记点前后0.5m范围的磁记忆信号法向分量,磁巴克豪森噪声法定量测量标记点处的温度应力,用来标记磁记忆信号数据。
202:对磁记忆信号进行时频分析,提取时域特征和频域特征,时域特征为极差和标准差。对磁记忆信号进行离散傅里叶变换,分析频域上主要幅值所处的频率区间,确定最佳小波包分解层数为3,根据最大能量-香农熵比值准则确定最优小波基为dmey小波。频域特征为3层小波包分解后8个子频带的归一化能量以及各子带能量的Tsallis熵统计。
203:整理磁巴克豪森噪声法标记得到的磁记忆信号样本,按温度应力大小划分为4个区间,第一类应力区间为30-50Mpa,第二类应力区间为50-70Mpa,第三类应力区间为70-90Mpa,第四类应力区间为90-110Mpa。各类样本数量的比例为8.68:6.95:1.77:1,数据集具有显著不平衡特性。
204:基于数据集的不平衡特性,使用改进的不平衡分类算法,选择性bagging集成加权核函数极限学习机,建立温度应力定量评估模型。
205:将需要评估的磁记忆信号数据输入到得到的温度应力定量评估模型中,得到应力评估结果。
本发明上述实施例所提供的无缝钢轨内部温度应力分类评估方法,通过获得不同程度温度应力对应的表面金属磁记忆信号,提出使用磁巴克豪森噪声法标记磁记忆信号数据,获得了不同区间温度应力对应的磁记忆信号数据,根据应力大小划分了4个不同的应力区间,对各帧磁记忆信号进行时域和频域特征分析;对磁记忆随机信号进行小波包分解并采用Tsallis熵提取其子频带能量信息作为磁记忆信号频域特征;结合时域和频域特征,针对不同类别温度应力区间样本数量的不平衡特性,提出不平衡数据的加权方案,并提出改进的不平衡分类算法建立温度应力定量评估模型。本发明方法检测效率高,适用于快速、在线监测无缝钢轨内部温度应力,及早发现钢轨内部隐形损伤,具有实际的工程应用价值。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
以上所述,仅为本发明的具体实施方式,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以所述权利要求的保护范围为准。
Claims (8)
1.一种无缝钢轨内部温度应力分类评估方法,其特征在于,包括:
采集不同温度应力下的磁记忆信号的法向分量数据;
对所述磁记忆信号的法向分量数据分别进行时域分析和频域分析,对应得到所述磁记忆信号的法向分量数据的时域特征和频域特征,并将所述时域特征和所述频域特征组合得到相应的特征向量;
将所述特征向量作为预设定量评估模型的输入,对应的温度应力作为所述预设定量评估模型的输出构建温度应力定量评估模型;
基于所述温度应力定量评估模型对输入的磁记忆检测数据进行评估,以得到对应的温度应力评估结果。
2.根据权利要求1所述的无缝钢轨内部温度应力分类评估方法,其特征在于,所述采集不同温度应力下的磁记忆信号的法向分量数据包括:
基于磁巴克豪森噪声法定量检测不同温度应力大小,以得到相应的磁记忆信号的法向分量数据。
3.根据权利要求1所述的无缝钢轨内部温度应力分类评估方法,其特征在于,所述时域特征包括极差和标准差,所述频域特征包括小波包变换后各子带的归一化能量和各子带能量的Tsallis熵统计。
4.根据权利要求1所述的无缝钢轨内部温度应力分类评估方法,其特征在于,所述温度应力定量评估模型的构建包括:
获取基于所述磁巴克豪森噪声法检测的磁记忆信号样本,并按温度应力大小将所述样本划分为4个区间的数据集;
基于所述数据集的不平衡性确定不平衡分类算法的评价指标,其中所述不平衡分类算法采用的是基于bagging思想的集成加权核函数极限学习机;
基于所述评价指标确定所述集成加权核函数极限学习机中的最优子集成网络;
基于所述最优子集成网络对输入的磁记忆检测数据进行评估,以得到对应的温度应力评估结果。
5.根据权利要求4所述的无缝钢轨内部温度应力分类评估方法,其特征在于,所述4个区间分别为:
第一类应力区间30-50Mpa,第二类应力区间50-70Mpa,第三类应力区间70-90Mpa和第四类应力区间90-110Mpa,其中各区间样本数量的比例依次为8.68:6.95:1.77:1。
6.根据权利要求4所述的无缝钢轨内部温度应力分类评估方法,其特征在于,所述评价指标包括:
各类样本的召回率Ri,(i=1,2,3,4),各类样本的召回率的几何平均值G-mean以及总体分类准确率accuracy。
7.根据权利要求6所述的无缝钢轨内部温度应力分类评估方法,其特征在于,所述基于所述评价指标确定所述集成加权核函数极限学习机中的最优子集成网络包括:
通过随机重采样的方法生成多个与训练集规模相同的训练子集,在每个训练子集上独立并行地训练基分类器,并将每个训练子集生成过程中未被采样到的样本作为验证集,用来调节惩罚参数和核函数带宽参数,调参过程基于粒子群算法,以G-mean为优化目标。
8.根据权利要求7所述的无缝钢轨内部温度应力分类评估方法,其特征在于,所述基于所述评价指标确定所述集成加权核函数极限学习机中的最优子集成网络还包括:
对所述基分类器进行选择性集成,根据所述基分类器在原始训练集上的测试指标进行排序,按从大到小的顺序依次累加基分类器到子集成网络中,并选择指标最大的子集成网络作为最优子集成网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110976174.1A CN113688731A (zh) | 2021-08-24 | 2021-08-24 | 一种无缝钢轨内部温度应力分类评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110976174.1A CN113688731A (zh) | 2021-08-24 | 2021-08-24 | 一种无缝钢轨内部温度应力分类评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113688731A true CN113688731A (zh) | 2021-11-23 |
Family
ID=78582278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110976174.1A Pending CN113688731A (zh) | 2021-08-24 | 2021-08-24 | 一种无缝钢轨内部温度应力分类评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688731A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108228716A (zh) * | 2017-12-05 | 2018-06-29 | 华南理工大学 | 基于加权极限学习机的SMOTE_Bagging集成污水处理故障诊断方法 |
CN108985574A (zh) * | 2018-06-23 | 2018-12-11 | 浙江工业大学 | 一种基于选择性集成极限学习机的聚丙烯熔融指数软测量方法 |
CN111855793A (zh) * | 2019-04-12 | 2020-10-30 | 北京化工大学 | 一种基于表面磁记忆信号的无缝铁轨内部温度应力早期诊断方法 |
-
2021
- 2021-08-24 CN CN202110976174.1A patent/CN113688731A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108228716A (zh) * | 2017-12-05 | 2018-06-29 | 华南理工大学 | 基于加权极限学习机的SMOTE_Bagging集成污水处理故障诊断方法 |
CN108985574A (zh) * | 2018-06-23 | 2018-12-11 | 浙江工业大学 | 一种基于选择性集成极限学习机的聚丙烯熔融指数软测量方法 |
CN111855793A (zh) * | 2019-04-12 | 2020-10-30 | 北京化工大学 | 一种基于表面磁记忆信号的无缝铁轨内部温度应力早期诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105241660B (zh) | 基于健康监测数据的高铁大型桥梁性能测试方法 | |
CN104849050A (zh) | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 | |
CN108830328B (zh) | 融合空间知识的微震信号smote识别方法及监测系统 | |
CN108897975A (zh) | 基于深度信念网络的煤层气测井含气量预测方法 | |
CN109034127A (zh) | 一种频谱异常检测方法、装置和电子设备 | |
CN101533068A (zh) | 基于dagsvc的模拟电路故障诊断方法 | |
Xi et al. | Bearing diagnostics based on pattern recognition of statistical parameters | |
CN103245907A (zh) | 一种模拟电路故障诊断方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN107832729A (zh) | 一种轴承锈蚀智能诊断方法 | |
CN110057918B (zh) | 强噪声背景下的复合材料损伤定量识别方法及系统 | |
CN110458071A (zh) | 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法 | |
Yang et al. | Crack detection in carbide anvil using acoustic signal and deep learning with particle swarm optimisation | |
CN108663334A (zh) | 基于多分类器融合寻找土壤养分光谱特征波长的方法 | |
CN113688731A (zh) | 一种无缝钢轨内部温度应力分类评估方法 | |
CN111275003B (zh) | 基于类最优高斯核多分类支持向量机的微震信号识别方法 | |
CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
CN110555457A (zh) | 发动机润滑油磨损信号特征处理系统及方法 | |
CN100507555C (zh) | 超声智能检测中海量数据的分形剔除方法 | |
CN110118994A (zh) | 一种基于地震反演和机器学习的陆相烃源岩定量预测方法 | |
CN109614714A (zh) | 一种发酵乳香气感官质量控制的模型建立方法 | |
CN110108489B (zh) | 一种滚动轴承性能退化趋势获取方法 | |
CN114993434A (zh) | 一种基于声信号的emd能量熵的车重识别系统和方法 | |
Zhao et al. | Damage location detection of the CFRP composite plate based on neural network regression |
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 |