CN114841200A - 基于小波变换和半监督卷积自编码器的钢轨损伤监测方法 - Google Patents
基于小波变换和半监督卷积自编码器的钢轨损伤监测方法 Download PDFInfo
- Publication number
- CN114841200A CN114841200A CN202210410560.9A CN202210410560A CN114841200A CN 114841200 A CN114841200 A CN 114841200A CN 202210410560 A CN202210410560 A CN 202210410560A CN 114841200 A CN114841200 A CN 114841200A
- Authority
- CN
- China
- Prior art keywords
- encoder
- acoustic emission
- data
- waveform data
- semi
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4445—Classification of defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Acoustics & Sound (AREA)
Abstract
基于小波变换和半监督卷积自编码器的钢轨损伤监测方法,可以识别出由钢轨的运行噪声、裂纹冲击和裂纹扩展诱导的声发射波并进行分类,应用领域为钢轨结构健康监测。本发明在对声发射波形进行分析时,采用连续小波变换以及数据裁剪对数据进行预处理,在训练网络的过程中,通过学习大量无标签数据,网络能够提取出声发射数据中的特征,并利用训练完成的网络学习少量无标签数据,二次训练分类器,避免了需要对大量数据进行繁复且耗时长的标注工作。该方法在钢轨裂纹声发射数据集上能够取得较好的分类效果,精确识别实验室模拟波形数据和现场采集波形数据,以便结合实验室模拟波形数据丰富训练样本,解决现场采集波形数据数量稀少获取困难的问题。
Description
技术领域
本发明涉及结构健康监测领域,尤其涉及一种基于小波变换和半监督卷积自编码器的钢轨损伤监测方法。
背景技术
结构健康监测指的是针对工程结构的损失识别及其特征化的策略和过程。结构损伤指的是结构材料参数及其几何特征的改变。结构健康监测过程涉及使用周期性采样的传感器阵列获取结构响应,损伤敏感指标的提取,损伤敏感指标的统计分析以确定当前结构健康状况等过程。
在结构健康监测领域,使用传统的监测方法来统计和分析数据,无可避免造价高、可靠性低以及对结构有损等缺点。传统的监测技术很难对结构局部损伤进行准确定位,并且很难有效评估出结构的损失程度。同时,传统的数据分类方法很难得到正确的损伤情况,人为的分类容易增加数据的主观性,使得数据的错误程度不断增加,并且很难有效提取数据的特征,这样容易导致结构产生更多的损伤。并且针对同一种结构的不同损失情况,可能需要工程师采用不同的分类方法,在一些情况下这可能导致数据无法使用。
随着小波变换与神经网络在结构健康监测领域的应用,出现了不少基于神经网络的有监督或半监督机器学习方法,这类方法更为有效识别损伤,降低监测的成本。小波变换作为一种新的信号处理技术,可以通过伸缩和平移两种运算,对原信号进行多尺度的细化分析。小波因具有多分辨率分析能力而具备放缩特性,故能有效解决时间和分辨率在短时傅里叶变换中出现的矛盾,被广泛应用于图像处理和结构健康监测领域。
自编码器属于神经网络中的一种,由编码器和解码器组成,使用编码器可以实现数据压缩,使用解码器可以实现数据的解压缩。自编码器广泛应用于数据生成模型的学习。卷积自编码器属于传统自编码的一种变式,在网络结构中使用卷积-池化层代替全连接层,对输入的图像进行降采样和稀疏性学习并高效地提取图像的特征。
在基于神经网络识实现结构健康监测领域,由于原始波形信号数据庞大,有一些应用中会通过子自编码器中的编码器对原始波形信号进行编码降维,编码器编码虽然可以实现数据降维,但是对于波形复杂的情景,降维后的编码数据依然庞大,难以实现理想的识别效率和精度。
另外,当前也有一些通过数据裁剪实现数据精简的方案,但是由于波形信号中特征分散难以定位的因素,所以在健康诊断领域基本不会裁剪声发射波形,尤其当前缺乏针对不同对象精确裁剪波形的手段。
值得注意的是,由于编码器编码实现了降维特征提取,也就是特征空间的精简;数据裁剪实现了波形数据的精简。两者都是在不同维度上精简特征,由于数据过度精简容易遗漏特征,本领域当前没有将数据裁剪和编码器编码结合的技术方案。
钢轨产生的裂纹是引起钢轨退化的一个主要原因,由裂纹产生的声发射波可以用来反映其本质特征。但是钢轨产生的声发射波波形复杂,噪声成分多,单一的编码器编码和数据裁剪很难满足数据预处理要求,影响诊断精度和效率。且钢轨的损伤之一为裂纹扩散,但是裂纹扩散的数据难以采集,没有足够的样本难以保证诊断模型训练精度。
发明内容
为了解决上述现有技术中钢轨健康诊断精度低、训练样本难以采集的缺陷。
本发明提出了一种基于小波变换和半监督卷积自编码器的钢轨损伤监测方法,采用连续小波变换以及数据截取的方式提取声发射信号的特征,再运用半监督卷积自编码器进行数据分类,不仅提高了分类器识别的准确率,而且更加有效识别损失情况,降低了监测成本,更加智能和高效。
本发明提出的一种基于小波变换和半监督卷积自编码器的钢轨损伤监测方法,通过损伤监测模型对声发射波形数据进行识别;损伤监测模型包括编码模块和分类器模块,编码模块的输入为声发射波形数据对应的目标波段,编码模块的输出为目标波段的特征编码;分类器模块的输入为编码模块输出的特征编码,分类器模块的输出为声发射波形数据的分类结果;
所述目标波段的获取方式为:对声发射波形数据进行连续小波变换,获取小波系数矩阵和对应的小波变换图;对小波变换图进行裁剪,提取以小波系数矩阵极值点为中心的目标波段,目标波段的长度为小波变换图的1/5。
优选的,所述编码模块的构建方法为:建立由编码器和解码器构成的半监督卷积自编码器,通过未标注样本训练所述半监督卷积自编码器,从训练完成的半监督卷积自编码器中提取编码器作为损伤监测模型的编码模块:未标注样本为未标注分类的声发射波形数据对应的目标波段。
优选的,获取带标注分类的声发射波形数据,将同一声发射波形数据对应的目标波段和标注分类组成标注样本;分类器模块根据编码模块对标注样本的特征编码与标注样本的标注分类之间的映射关系进行训练。
优选的,分类器模块训练过程中基于网格搜索法进行超参数调优。
优选的,所述分类包括:运行噪声、裂纹冲击和裂纹扩展。
优选的,标注样本和未标注样本中均包含有各分类下的声发射波形数据对应的目标波段,裂纹扩展分类对应的声发射波形数据包括实验室模拟波形数据和现场采集波形数据。
优选的,编码模块和分类器均基于神经网络构建。
优选的,所述损伤监测模型的获取包括以下步骤:
S11、从训练完成的半监督卷积自编码器中提取编码器作为编码模块,将所述编码模块与分类器模块构成损伤监测模型;
S12、将标注样本作为输入数据输入损伤监测模型,编码模块获取输入数据中目标波段的特征编码,分类器模块获取特征编码对应的分类结果;
S13、根据标注样本对应的分类结果和标注分类对分类器模块进行参数更新,当分类器模块参数固化,损伤监测模型训练完成。
优选的,包括以下步骤:
S21、采集钢轨各位置产生的声发射波形数据,获取训练完成的损伤监测模型;
S22、获取待识别声发射波形数据对应的目标波段并输入训练完成的损伤监测模型,损伤监测模型输出分类结果。
优选的,所述声发射波形数据通过声发射波采集设备获得,所述声发射波采集设备包括依次连接的传感器、前置放大器、数据采集处理系统和记录分析显示系统。
本发明的优点在于:
(1)本发明采用损伤监测模型识别声发射波形数据,其输入为声发射波形数据经过小波变换后的波形进一步裁剪获得的目标波形。本发明中,采用小波变换对采集到的声发射波形数据进行处理,可以在不丢失信号特征信息的情况下实现信号降噪和压缩,得到准确、清晰的小波变换图即声发射波特征图,使得声发射波形数据的特征表现更加显著。在此基础上进一步裁剪小波变换图,舍弃了大部分对特征表现不显著的波段,得到了比传统小波变换更为准确、更为清晰的反映声发射波形数据特征的目标波段,从而使得波形识别的干扰更小,识别效率更高,识别结果更加精确。
(2)本发明提出的基于小波变换和半监督卷积自编码器的钢轨损伤监测方法能够应用于由不同因素诱导产生的声发射波分类工作,用声发射采集设备收集钢轨内部损伤产生的响应信号,本发明可有效提取信号特征并进行数据分类。本发明针对钢轨产生的声发射波分类,应用于钢轨结构健康监测领域,可以识别并分类出由钢轨运行噪声、裂纹冲击和裂纹扩展诱导引起的几种不同的声发射波。
(3)本发明采用更为有效的连续小波变换对采集到的钢轨损伤数据进行预处理并进行裁剪工作,得到了比传统小波变换更为准确、更为清晰的反映声发射波的特征图。然后建立半监督卷积自编码器,使用卷积自编码器自动提取经过连续小波变换以及数据裁剪后的图像特征,使用少量的有标签数据训练分类器,从而对不同因素诱导的三种声发射波进行分类。能有效提高数据分类的效果,更为有效识别损伤,降低监测成本。
(4)本发明提出的方法属于半监督学习,训练神经网络部分需提供大量无标签数据学习特征,而后使用少量有监督数据二次训练分类器模块,使得网络能够根据提取的特征来进行分类。在完成训练和参数调优情况下,网络便能有效地对不同的声发射数据进行识别分类。本发明在小波变换基础上进行了优化和改良,采用连续小波变换以及数据截取的方式提取声发射信号的特征,再运用半监督卷积自编码器进行数据分类,不仅提高了分类器识别的准确率,而且更加有效识别损失情况,降低了监测成本,更加智能和高效。
本发明可精确识别实验室模拟波形数据和现场采集波形数据,从而在训练时可针对钢轨裂纹扩展采用模拟波形数据和现场采集波形数据结合,以克服裂纹扩展数据稀少难以采集的问题。
附图说明
图1为损伤监测模型的获取方法流程图;
图2为钢轨损伤监测方法流程图;
图3为损伤监测模型结构图;
图4a为Impact类声发射波形数据的波形图;
图4b为图4a经连续小波变换后的小波变换图;
图4c为图4b裁剪后的图;
图5a为Noise类声发射波形数据的波形图;
图5b为图5a经连续小波变换后的小波变换图;
图5c为图5b裁剪后的图;
图6a为CP-1类声发射波形数据的波形图;
图6b为图6a经连续小波变换后的小波变换图;
图6c为图6b裁剪后的图;
图7a为CP-2类声发射波形数据的波形图;
图7b为图7a经连续小波变换后的小波变换图;
图7c为图7b裁剪后的图;
图8为训练卷积自编码器过程中损失值变化图;
图9为卷积自编码器重构Noise类图像对比图,左侧为原始图像,右侧为卷积自编码器重构图像;
图10为卷积自编码器重构CP-1类图像对比图,左侧为原始图像,右侧为卷积自编码器重构图像;
图11为卷积自编码器重构CP-2类图像对比图,左侧为原始图像,右侧为卷积自编码器重构图像;
图12为卷积自编码器重构Impact类图像对比图,左侧为原始图像,右侧为卷积自编码器重构图像。
具体实施方式
一种声发射波形数据预处理方法
本实施例提出的一种声发射波形数据预处理方法,首先对声发射波形数据进行连续小波变换,获取小波系数矩阵和对应的小波变换图;然后对小波变换图进行裁剪,提取以小波系数矩阵极值点(即小波系数矩阵元素的绝对值的极大值点,也就是小波变换图的波峰)为中心的目标波段,目标波段的长度为小波变换图的1/5。
本实施例中,采用小波变换对采集到的声发射波形数据进行处理,可以在不丢失信号特征信息的情况下实现信号降噪和压缩,使得声发射波形数据的特征表现更加显著。在此基础上,本实施例中进一步裁剪小波变换图,舍弃了大部分对特征表现不显著的波段,得到了比传统小波变换更为准确、更为清晰的反映声发射波形数据特征的目标波段,从而使得波形识别的干扰更小,识别效率更高,识别结果更加精确。
一种编码模块
本实施方式中的编码模块的获取方法如下:
根据上述的声发射波形数据预处理方法,获取声发射波形数据的目标波段;
通过未标注的目标波段训练半监督卷积自编码器,半监督卷积自编码器由编码器和解码器构成,编码器用于获取目标波段的特征编码,解码器用于根据特征编码还原目标波形;
从训练完成的半监督卷积自编码器中提取参数固定的编码器作为编码模块。
如此,本实施例中获取的编码模块用于对目标波形进行特征编码,从而实现了对目标波形的降维处理和特征提取。
一种损伤监测模型
如图3所示,本实施方式中的损伤监测模型包括编码模块和分类器模块,编码模块如上所述,其的输入为声发射波形数据对应的目标波段,其输出为目标波段的特征编码;分类器模块的输入为编码模块输出的特征编码,分类器模块的输出为声发射波形数据的分类结果。
如此通过该损伤监测模型对声发射波形数据进行识别时,首先通过声发射波形数据预处理方法对声发射波形进行精简,只保留对特征表现更加突出的目标波段;再通过编码模块对目标波段进行编码,实现对目标波段进行降维处理,使得具有标识作用的特征维度更加突出;然后根据特征编码识别声发射波形数据的分类。
本实施方式中通过数据预处理精确裁剪波形,保留最能体现声发射波特征的目标波形;保证了通过编码模块降维处理后,经过长度和特征空间两次精简后的特征编码依然可以充分体现声纹特征,保证数据识别的效率和精度。
具体的,本实施方式中的分类包括:运行噪声、裂纹冲击和裂纹扩展,即该损伤监测模型可自动识别声发射波形数据是运动噪声还是裂纹冲击或者裂纹扩展产生的声波,从而判断钢轨是正常还是损伤,以及损伤状态。
一种损伤监测模型的训练方法
如图1所示,所述损伤监测模型的获取包括以下步骤:
S11、从训练完成的半监督卷积自编码器中提取编码器作为编码模块,将所述编码模块与基于神经网络模型构建的分类器模块构成损伤监测模型;
S12、将标注样本作为输入数据输入损伤监测模型,编码模块获取输入数据中目标波段的特征编码,分类器模块获取特征编码对应的分类结果;
S13、根据标注样本对应的分类结果和标注分类对分类器模块进行参数更新,当分类器模块参数固化,损伤监测模型训练完成。
本实施方式中,编码模块提前通过半监督卷积自编码器获得,后续损伤监测模型的训练其实时分类器模块的训练。具体实施时可设置标注样本数量,使得损伤监测模型对所有标注样本进行自主学习,从而固定分类器模型,以固定损伤监测模型。
本实施方式中,损伤监测模型训练过程中基于网格搜索法对分类器模块进行超参数调优。
值得注意的是,本实施方式中,编码模块和分类器模块均基于神经网络构建。尤其本实施方式中的编码模块通过卷积自编码器结合未标注样本以半监督的方式训练,降低了该模型训练过程中对标注样本的需求,降低了模型训练难度。
以上值得注意的是,用于训练半监督卷积自编码器的未标注样本和用于训练分类器模块的标注样本均包含有各分类下的声发射波形数据对应的目标波段,裂纹扩展分类对应的声发射波形数据包括实验室模拟波形数据和现场采集波形数据。如此,本实施例中通过实验室模拟波形数据丰富了裂纹扩展波形数据,克服了裂纹扩展波形数据稀少,不易采集的问题,保证了样本的充足;同时由通过现场采集波形数据保证了模型对裂纹扩展波形数据的精确学习。
一种钢轨损伤监测方法
如图2所示,本实施方式提供的基于小波变换和半监督卷积自编码器的钢轨损伤监测方法,包括以下步骤:
S21、采集钢轨各位置产生的声发射波形数据,获取训练完成的损伤监测模型;
S22、获取待识别声发射波形数据对应的目标波段并输入训练完成的损伤监测模型,损伤监测模型输出分类结果。
具体实施时,步骤S21中可通过声发射波采集设备采集声发射波形数据,所述声发射波采集设备包括依次连接的传感器、前置放大器、数据采集处理系统和记录分析显示系统。传感器用于采集声发射信号,前置放大电路用于信号放大,数据采集处理系统可对放大后的信号进行预处理以获取对应的目标波段。记录分析显示系统用于记录数据并显示处理结果。
实施例
本实施例中基于钢轨产生的声发射波构建运行噪声、裂纹冲击以及裂纹扩展三类数据集,裂纹扩展数据集中既包含实验室模拟波形数据,也包含现场采集波形数据。
本实施例中首先对各数据集中的声发射波形数据进行处理,首先对声发射波形数据进行归一化,然后经过连续小波变换处理,得到小波系数矩阵,进一步处理为小波变换图,图4a、图5a、图6a、图7a给出了四种不同的声发射波形转化的小波变换图。同时为了放大提取的特征部分,使用了图像截取的方法,截取了1ms范围内对应0.4ms-0.6ms范围的内容,即原数据的1/5,截取中心点为小波系数矩阵极值处,截取后经过可视化得到图像。本实施例中,经过CWT(连续小波变换)处理时,选择观察窗口100kHz-700kHz,时域长度为1ms,小波函数选取Cmor1-1(即带宽参数为1,小波中心频率为1HZ的复Morlet小波函数),本实施例得到的可视化得到图像如图3所示。本实施例中,将截取的0.4ms-0.6ms范围的波形记作目标波段。
本实施例中从运行噪声数据集中提取1000个运行噪声数据的目标波形记作Noise、从裂纹冲击数据集中提取1000个裂纹冲击数据的目标波形记作Impact、从裂纹扩展数据集中提取200个实验室模拟波形数据的目标波形记作CP-1、从裂纹扩展数据集中提取200个现场采集波形数据的目标波形记作CP-2,该2400个目标波形作为未标注样本用于训练半监督卷积自编码器。具体的,半监督卷积自编码器训练过程中迭代30轮,batch size大小为30,训练过程的优化器选用Adam优化器,学习率为0.001。图8表示了卷积自编码器训练过程中损失值随着训练轮数增多的变化情况。可以看到损失值在前5轮下降速度很快,10轮之后逐渐稳定。图9-图12分别对比显示了Noise、CP-1、CP-2、Impact的原始数据与卷积自编码器重构图像。不论哪类数据的还原效果都很好,原图与重构图像具有相似的几何结构。这说明编码器已经具备较佳的特征提取能力,解码器也以具备高质量的重构能力。本实施例中,编码器包含1024个节点的输出,即编码器输出的特征编码包含1024个特征维度。
本实施例中采用的半监督卷积自编码器基于神经网络构建,其结果如下表1所示。
表1:半监督卷积自编码器结构
接下来分别从Noise、CP-2以及Impact中随机取出20%(200个Noise,40个CP-2,200个Impact)的数据,同所有的CP-1一起共640个作为标注样本,其余数据作为测试数据。将这部分标注样本输入到卷积自编码器中,获取编码器的输出数据作为其特征提取后的低维表示即特征编码。使用降维后的特征编码训练分类器模块。由于卷积自编码器已经有较好的特征提取能力,因此使用较少量的训练数据就能保证分类模型的高泛化性与鲁棒性。此外,由于经过裁剪等处理后的CP-1已经同CP-2十分相似,因此可以模拟与补充现场数据,使得分类模型可以更好地泛化现场数据。
将测试数据输入到卷积自编码器中,获得对应的特征编码后再将特征编码无标签地输入到分类器模块中,用以检验小波变化与裁剪图像的效果,并且评估分类的准确率。值得注意的是,由于CP-1全部用于训练,测试时的CP类数据只有剩余的CP-2数据。
不同小波变换的裁剪的分类结果见表2。可以看出若不进行裁剪,在小波变换选取cmor0.5-4(即带宽参数为0.5,小波中心频率为4HZ的复Morlet小波函数)时的准确率最高为90.45%。若进行裁剪,在选取cmor0.5-4时准确率最高为87.44%。表3展示了这两种情况下的详细分类数据。总的来说,虽然不进行裁剪时的总准确率更高,但不裁剪时对CP-2类(现场采集的裂纹扩展声发射波形数据)的识别准确率只有55.63%,而进行裁剪时为85.62%,两者有较大差距。
可见,从Noise与Impact来看,不裁剪时只是略高于裁剪时;从CP类来看,裁剪时远远高于不裁剪时。CP类(即裂纹扩展声发射波形数据)的识别在应用上对识别裂纹损伤判断工况有着重要意义,总体而言,在选取cmor0.5-4并且进行裁剪时的分类效果远远优于不裁剪时的效果。
表2:不同cmor和裁剪情况下对声发射波形数据进行分类的准确率
表3:选取cmor0.5-4时裁剪与否时的详细分类数据
以上仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明创造的保护范围之内。
Claims (10)
1.一种基于小波变换和半监督卷积自编码器的钢轨损伤监测方法,其特征在于,通过损伤监测模型对声发射波形数据进行识别;损伤监测模型包括编码模块和分类器模块,编码模块的输入为声发射波形数据对应的目标波段,编码模块的输出为目标波段的特征编码;分类器模块的输入为编码模块输出的特征编码,分类器模块的输出为声发射波形数据的分类结果;
所述目标波段的获取方式为:对声发射波形数据进行连续小波变换,获取小波系数矩阵和对应的小波变换图;对小波变换图进行裁剪,提取以小波系数矩阵极值点为中心的目标波段,目标波段的长度为小波变换图的1/5。
2.如权利要求1所述的基于小波变换和半监督卷积自编码器的钢轨损伤监测方法,其特征在于,所述编码模块的构建方法为:建立由编码器和解码器构成的半监督卷积自编码器,通过未标注样本训练所述半监督卷积自编码器,从训练完成的半监督卷积自编码器中提取编码器作为损伤监测模型的编码模块:未标注样本为未标注分类的声发射波形数据对应的目标波段。
3.如权利要求2所述的基于小波变换和半监督卷积自编码器的钢轨损伤监测方法,其特征在于,获取带标注分类的声发射波形数据,将同一声发射波形数据对应的目标波段和标注分类组成标注样本;分类器模块根据编码模块对标注样本的特征编码与标注样本的标注分类之间的映射关系进行训练。
4.如权利要求3所述的基于小波变换和半监督卷积自编码器的钢轨损伤监测方法,其特征在于,分类器模块训练过程中基于网格搜索法进行超参数调优。
5.如权利要求3所述的基于小波变换和半监督卷积自编码器的钢轨损伤监测方法,其特征在于,所述分类包括:运行噪声、裂纹冲击和裂纹扩展。
6.如权利要求5所述的基于小波变换和半监督卷积自编码器的钢轨损伤监测方法,其特征在于,标注样本和未标注样本中均包含有各分类下的声发射波形数据对应的目标波段,裂纹扩展分类对应的声发射波形数据包括实验室模拟波形数据和现场采集波形数据。
7.如权利要求5所述的基于小波变换和半监督卷积自编码器的钢轨损伤监测方法,其特征在于,编码模块和分类器均基于神经网络构建。
8.如权利要求5所述的基于小波变换和半监督卷积自编码器的钢轨损伤监测方法,其特征在于,所述损伤监测模型的获取包括以下步骤:
S11、从训练完成的半监督卷积自编码器中提取编码器作为编码模块,将所述编码模块与分类器模块构成损伤监测模型;
S12、将标注样本作为输入数据输入损伤监测模型,编码模块获取输入数据中目标波段的特征编码,分类器模块获取特征编码对应的分类结果;
S13、根据标注样本对应的分类结果和标注分类对分类器模块进行参数更新,当分类器模块参数固化,损伤监测模型训练完成。
9.如权利要求1至8任一项所述的基于小波变换和半监督卷积自编码器的钢轨损伤监测方法,其特征在于,包括以下步骤:
S21、采集钢轨各位置产生的声发射波形数据,获取训练完成的损伤监测模型;
S22、获取待识别声发射波形数据对应的目标波段并输入训练完成的损伤监测模型,损伤监测模型输出分类结果。
10.如权利要求9所述的基于小波变换和半监督卷积自编码器的钢轨损伤监测方法,其特征在于,所述声发射波形数据通过声发射波采集设备获得,所述声发射波采集设备包括依次连接的传感器、前置放大器、数据采集处理系统和记录分析显示系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210410560.9A CN114841200A (zh) | 2022-04-19 | 2022-04-19 | 基于小波变换和半监督卷积自编码器的钢轨损伤监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210410560.9A CN114841200A (zh) | 2022-04-19 | 2022-04-19 | 基于小波变换和半监督卷积自编码器的钢轨损伤监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114841200A true CN114841200A (zh) | 2022-08-02 |
Family
ID=82566678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210410560.9A Pending CN114841200A (zh) | 2022-04-19 | 2022-04-19 | 基于小波变换和半监督卷积自编码器的钢轨损伤监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841200A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115331391A (zh) * | 2022-08-03 | 2022-11-11 | 东南大学 | 分布式结构振动监测数据智能化报警与恢复方法 |
-
2022
- 2022-04-19 CN CN202210410560.9A patent/CN114841200A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115331391A (zh) * | 2022-08-03 | 2022-11-11 | 东南大学 | 分布式结构振动监测数据智能化报警与恢复方法 |
CN115331391B (zh) * | 2022-08-03 | 2023-09-12 | 东南大学 | 分布式结构振动监测数据智能化报警与恢复方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523509B (zh) | 融合物理和深度表达特征的设备故障诊断及健康监测方法 | |
CN109145961B (zh) | 一种非结构化局部放电数据的模式识别方法及系统 | |
CN112858473B (zh) | 一种基于特征融合的道岔尖轨伤损状态监测方法 | |
CN110991295B (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
CN113011302B (zh) | 一种基于卷积神经网络的雷声信号识别系统及方法 | |
CN110119397B (zh) | 一种同时实现数据异常检测及数据压缩的深度学习方法 | |
CN114841200A (zh) | 基于小波变换和半监督卷积自编码器的钢轨损伤监测方法 | |
Li et al. | An improved AIC onset-time picking method based on regression convolutional neural network | |
CN113283331A (zh) | 用于无人值守传感器系统的多类别目标识别方法及系统 | |
CN112364296A (zh) | 一种基于深度学习的p波到时自动拾取方法 | |
CN113116300A (zh) | 一种基于模型融合的生理信号分类方法 | |
CN115014789B (zh) | 一种基于cnn-gcn的双传感器航空发动机机匣故障源声发射定位方法 | |
Xie et al. | Detecting frog calling activity based on acoustic event detection and multi-label learning | |
CN117630611B (zh) | 全带宽高频局放prpd谱图捕获生成方法及系统 | |
CN113177584B (zh) | 基于零样本学习的复合故障诊断方法 | |
Yu et al. | Sparse time–frequency representation for the transient signal based on low-rank and sparse decomposition | |
CN113807446A (zh) | 一种电能质量扰动识别分类方法 | |
CN114842280A (zh) | 一种基于卷积神经网络的自动识别微地震信号算法 | |
CN117782198A (zh) | 一种基于云边端架构的公路机电设备运行监测方法及系统 | |
CN101849823B (zh) | 一种基于排列组合熵的神经元动作电位特征提取方法 | |
Cope et al. | Classifying plant leaves from their margins using dynamic time warping | |
CN115825239A (zh) | 一种发电机定子线棒绝缘缺陷识别方法 | |
CN115269679A (zh) | 一种多维时间序列整体复杂度评估方法 | |
KR20220005413A (ko) | 멀티태스크 딥러닝을 이용한 지진 이벤트 분류 방법 및 장치 | |
CN112435245A (zh) | 基于物联网的磁痕缺陷自动识别方法 |
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 |