CN116821737B - 基于改进弱监督多特征融合的裂纹声发射信号识别方法 - Google Patents
基于改进弱监督多特征融合的裂纹声发射信号识别方法 Download PDFInfo
- Publication number
- CN116821737B CN116821737B CN202310676504.4A CN202310676504A CN116821737B CN 116821737 B CN116821737 B CN 116821737B CN 202310676504 A CN202310676504 A CN 202310676504A CN 116821737 B CN116821737 B CN 116821737B
- Authority
- CN
- China
- Prior art keywords
- acoustic emission
- crack
- rail
- feature
- identification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000004927 fusion Effects 0.000 title claims abstract description 21
- 230000036541 health Effects 0.000 claims abstract description 30
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 28
- 239000010959 steel Substances 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000013136 deep learning model Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 235000004257 Cordia myxa Nutrition 0.000 claims description 2
- 244000157795 Cordia myxa Species 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000006378 damage Effects 0.000 abstract description 16
- 238000012423 maintenance Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于改进弱监督多特征融合的裂纹声发射信号识别方法，所述方法包括如下步骤：一：加载从具有不同裂纹的钢轨获得的声发射信号，从这些声发射信号中提取25维特征，依据K‑means算法对特征进行聚类处理，根据聚类精度进行特征筛选，获得能够有效区分不同裂纹信息的特征集；二：将特征集输入到SCNN‑LSTM深度学习模型中，结合弱监督学习标签进行多特征融合，获得钢轨健康指数；三：依据钢轨健康指数的特性，构建自适应钢轨裂纹识别阈值，准确判别来自四段具有不同裂纹的钢轨的声发射信号，完成钢轨裂纹声发射信号识别。本发明运算速率快，识别精度高，在高铁钢轨裂纹伤损识别领域，具有很高的社会意义和经济价值。
Description
技术领域
本发明涉及一种钢轨裂纹信号处理与识别方法，具体涉及一种基于改进弱监督多特征融合的裂纹声发射信号识别方法。
背景技术
钢轨是高速铁路运输系统的重要组成部分，其完好性对列车和乘客的安全具有至关重要的影响。裂纹伤损可能导致钢轨断裂或失去稳定性，进而引发严重事故。钢轨裂纹伤损的识别可以帮助确定不同类型伤损的严重程度和影响范围，为维修决策提供科学依据。通过准确识别钢轨伤损，可以确定维修的优先级和紧急程度，合理分配维修资源，最大限度地提高维修效率和效果。此外，钢轨裂纹伤损识别研究对于安全保障、维护成本控制以及技术创新和发展都具有重要意义，为钢轨维护提供科学依据，促进铁路运输的安全、稳定和可持续发展。
目前，现有的钢轨裂纹伤损识别研究方法可分为两大类：监督学习方法和非监督学习方法。有监督算法利用已有的带有概念标签的训练样本训练出一个最优模型，然后利用这个模型将所有的输入映射到相应的输出，并对输出进行简单的判断，从而达到识别的目的。无监督学习算法从没有概念标签的训练样本中学习，发现训练样本中的结构知识，进行识别。聚类是无监督学习算法的核心，它将数据划分为由相似对象组成的多个类。基于划分、基于层次、基于密度、基于网格、基于模型是聚类算法的主要分类，其中基于划分和基于密度是最常见的。虽然上述方法能够实现钢轨裂纹伤损识别，但仍存在一些不足有待解决。有监督算法需要大量的外部实验知识来标记每个训练样本，这将占用大量的计算时间并且容易出现过拟合。而无监督算法则面临着识别准确率低和训练样本辨别力高的问题。此外，无监督算法只能将目标样本分为若干类，但它们无法知道这些类中的每一个属于哪个阶段。为此提出一种只需要少量先验信息且能够保障高识别精度的钢轨裂纹伤损声发射信号识别方法具有非同寻常的意义。
发明内容
为了解决传统裂纹信号识别方法速度慢、精度低的问题，本发明提供了一种基于改进弱监督多特征融合的裂纹声发射信号识别方法。该方法基于弱监督学习算法，结合卷积神经网络-长短时记忆网络(Scaled Convolutional Neural Network-Long Short TermMemory,SCNN-LSTM)模型和弱监督学习标签，对基于K-means聚类算法筛选得到的特征集进行融合构建，获得钢轨健康指数，并依据钢轨健康指数的特性计算钢轨裂纹伤损识别阈值，自适应的区分来自不同裂纹的声发射信号，完成裂纹声发射信号识别，从而提高了钢轨裂纹声发射信号的识别精度。本发明运算速率快，识别精度高，在高铁钢轨裂纹伤损识别领域，具有很高的社会意义和经济价值。
本发明的目的是通过以下技术方案实现的：
一种基于改进弱监督多特征融合的裂纹声发射信号识别方法，包括如下步骤：
步骤一：加载从具有不同裂纹的钢轨获得的声发射信号从这些声发射信号中提取25维特征，依据K-means算法对特征进行聚类处理，根据聚类精度进行特征筛选，获得能够有效区分不同裂纹信息的特征集/>其中，N2代表信号数目，L代表单个信号含有的采样点个数，E2表示筛选得到的特征集维数；
步骤二：将特征集输入到SCNN-LSTM深度学习模型中，结合弱监督学习标签进行多特征融合，获得钢轨健康指数/>
步骤三：依据钢轨健康指数的特性，构建自适应钢轨裂纹识别阈值，准确判别来自四段具有不同裂纹的钢轨的声发射信号，完成钢轨裂纹声发射信号识别。
相比于现有技术，本发明具有如下优点：
1、本发明采用多维时域、频域和时频域特征全方位表征来自具有不同裂纹的钢轨声发射信号的辨识性信息，同时基于K-means聚类算法时间复杂度近于线性的特点，依据聚类精度筛选获得具有更多裂纹伤损信息的低维特征，有效减少冗余信息和数据偏差，同时为增加后续识别模型的准确性与可解释性。
2、本发明提出基于弱监督学习的多特征融合算法，结合SCNN-LSTM模型和弱监督学习标签，将筛选获得的特征集输入到训练完成的SCNN-LSTM模型中，获得钢轨健康指数，并依据钢轨健康指数的特性计算钢轨裂纹伤损识别阈值，自适应的区分来自不同裂纹的声发射信号。
3、目前已有的钢轨裂纹识别方法大多数基于监督学习算法，需要带有详细裂纹分类信息的标记样本来训练模型，其中每个信号都与一个类或类别标签相关联，导致算法运算效率低下，耗时巨大。本发明提出的基于弱监督学习的多特征融合算法只需要少量先验信息，即可识别来自不同裂纹的声发射信号，同时相较于现有裂纹识别算法，裂纹声发射信号识别精度具有明显提高，满足实际铁路运行生产中的伤损识别高速率与精度的要求。
附图说明
图1为本发明基于改进弱监督多特征融合的裂纹声发射信号识别方法的流程图。
图2为全部裂纹声发射信号时频图。
图3为特征筛选结果图。
图4为钢轨健康指数图。
图5为信号检测示例图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
本发明提供了一种基于改进弱监督多特征融合的裂纹声发射信号识别方法，首先，从具有不同裂纹的钢轨中加载电磁激励，获得声发射信号，从这些声发射中提取25维特征来全方位表征钢轨裂纹伤损信息，利用K-means算法对这25维特征进行聚类，根据聚类精度筛选能够更有效区分不同裂纹伤损的特征，然后，将筛选得到的特征集输入到SCNN-LSTM深度学习模型中，结合弱监督学习标签，进行多特征融合，获得钢轨健康指数；最后，根据融合构建得到的钢轨健康指数特性，建立钢轨裂纹识别阈值，达到自适应识别来自不同裂纹的声发射信号，实现钢轨裂纹精确识别。如图1所示，具体步骤如下：
步骤一：加载从具有不同裂纹的钢轨获得的声发射信号从这些声发射信号中提取25维特征，依据K-means算法对特征进行聚类处理，根据聚类精度进行特征筛选，获得能够有效区分不同裂纹信息的特征集/>具体步骤如下：
1)加载从具有不同裂纹的钢轨获得的声发射信号 其中，N1、N2代表信号数目，N2＝4*N1，L代表单个信号含有的采样点个数，S1、S2、S3、S4则分别代表四段具有不同裂纹的钢轨；
2)从中提取18种特征来表征声发射信号的裂纹信息，18种特征分别为：均方根、峭度、均值、标准差、熵、峰峰值、偏斜度、裕度指标、波形指标、脉冲指标、重心频率、均方频率、频率方差、三层小波包分解能量熵、信息熵、近似熵、样本熵和模糊熵，其中，三层小波包分解能量熵具有8维，因此，最后获得特征集记为/>E1＝25；
3)依据K-means算法对特征集进行聚类处理，计算每维特征的聚类精度AC，筛选符合一定精度阈值的特征来有效区分不同裂纹的声发射信号：
其中，表示特征点的实际标签，/>表示聚类标签的重新分配结果，θ代表设定的筛选精度阈值，R为最后筛选结果，当R＝1时代表该维特征的聚类精度符合筛选精度阈值，可以被保留，反之，则表示该维特征被筛除，最终获得能够更有效区分不同裂纹声发射信号的特征集/>E2表示筛选得到的特征集维数。
步骤二：将特征集输入到SCNN-LSTM深度学习模型中，结合弱监督学习标签进行多特征融合，获得钢轨健康指数，具体步骤如下：
1)将步骤一获取的特征集按7:3的比例划分为训练集/>和测试集其中，N3＝0.7*N2，N4＝0.3*N2，N3、N4分别表示训练集和测试集中信号数目，并构建弱监督学习标签Tlabel：
2)将训练集作为SCNN层的输入，然后通过卷积运算从输入特征集提取初始特征，接下来通过池化过程进行特征降维，完成特征向量提取，得到三维特征指标FC：
FC＝max(JC)+b2
其中，JC和JS分别代表卷积层和激活层的输出，WC是权值系数，b1和b2是偏移向量，表示卷积运算，δS和ρS是常量，SeLU代表激活函数，主要用来对卷积层的输出进行非线性变换；
3)利用LSTM层从三维特征指标FC中学习深层信息，刻画出更高层次的特征指标FL，其时序关系如下：
FL＝LSTM(FC)
4)搭建全连接层，将来自LSTM层的特征指标FL融合构建训练模型的钢轨健康指数RHItrain，完成SCNN-LSTM模型构建：
其中，W和b分别代表权值系数和偏移向量，Sigmoid作为激活函数，保证RHI值在0到1之间；
5)使用最小化代价函数对构建好的SCNN-LSTM进行训练：
其中，Yout代表训练完成的SCNN-LSTM模型输出，代表弱监督学习标签Tlabel，这样完成训练后，将测试集/>输入到训练好的SCNN-LSTM模型中，即可得到钢轨健康指数
步骤三：依据钢轨健康指数的特性，构建自适应钢轨裂纹识别阈值，准确判别来自四段具有不同裂纹的钢轨的声发射信号，完成钢轨裂纹声发射信号识别，具体步骤如下：
1)计算钢轨健康指数的标准差SRHI，衡量RHI的统计分布的程度：
其中，H(i3)表示第i3组声发射信号的钢轨健康指标，表示/>的平均值；
2)构建钢轨裂纹识别阈值Thrk：
其中，k代表具有不同裂纹的钢轨序号，k＝1,2,3,4；
3)依据钢轨裂纹识别阈值Thrk，建立自适应钢轨裂纹识别标准：
其中，i4＝1,2,…,N4，ε代表识别允许误差，P代表最终裂纹识别结果，当P＝1时，代表该处钢轨健康指标对应的声发射信号属于第1段具有裂纹的钢轨，同理，当P＝2,3,4时，分别代表该处钢轨健康指标对应的声发射信号属于第2、3和4段具有裂纹的钢轨，完成钢轨裂纹声发射信号识别。
实施例：
下面结合钢轨裂纹实测与仿真信号数据说明本发明的具体实施方式。
执行步骤一：通过疲劳加载获得四段含有不同裂纹伤损的钢轨(S0、S1、S2和S3)，裂纹长度分别为0mm、2.5mm、5mm、8mm，接下来分别从这四段钢轨中各采集1000组声发射信号，即N1＝1000，信号采样率5MHz，四段含有不同裂纹声发射信号在时间维度上连接成信号集此时L＝4096，N2＝4*N1＝4000，如图2所示。
从中提取18种特征来表征声发射信号的裂纹信息，18种特征分别为：均方根、峭度、均值、标准差、熵、峰峰值、偏斜度、裕度指标、波形指标、脉冲指标、重心频率、均方频率、频率方差、三层小波包分解能量熵、信息熵、近似熵、样本熵和模糊熵，其中三层小波包分解能量熵具有8维，因此，最后获得特征集记为/>E1＝25。
依据K-means算法对特征集进行聚类处理，计算每维特征的聚类精度AC，设定筛选精度阈值为θ＝0.8，筛选结果如图3所示，共有7维特征符合阈值，被筛选出来，组成筛选特征集/>E2＝7。
执行步骤二：将步骤一获取的特征集F7*4000按7:3的比例划分为训练集和测试集/>其中n3＝0.7*N2＝2800，N4＝0.3*N2＝1200，并构建弱监督学习标签Tlabel。将训练集F7*2800输入到SCNN-LSTM深度学习模型进行训练中，搭建卷积层、LSTM层和全连接层，结合弱监督学习标签，获得训练好的SCNN-LSTM模型。将测试集F7*1200输入训练好的SCNN-LSTM模型中，进行多特征融合，获得钢轨健康指数R1*1200，如图4所示。
执行步骤三：计算钢轨健康指数RHI1*1200的标准差和均值，构建自适应钢轨裂纹识别阈值Thrk，并设置识别允许误差ε为0.05，根据裂纹识别规则，最终识别结果如图5所示，可以发现最终裂纹声发射信号识别结果为100％。
为验证本发明提出的裂纹声发射信号识别方法的优越性，分别在9种不同实验条件下采集声发射信号，并与现有常见的裂纹声发射信号识别算法进行对比，结果如表1所示，可以发现本发明提出的基于改进弱监督多特征融合的裂纹声发射信号识别方法在9种不同条件下平均识别准确率为99.92％，远高于其他四种常见识别算法。
表1各算法与本发明算法的钢轨裂纹声发射识别结果
Claims (2)
1.一种基于改进弱监督多特征融合的裂纹声发射信号识别方法，其特征在于所述方法包括如下步骤：
步骤一：加载从具有不同裂纹的钢轨获得的声发射信号从这些声发射信号中提取25维特征，依据K-means算法对特征进行聚类处理，根据聚类精度进行特征筛选，获得能够有效区分不同裂纹信息的特征集/>其中，N2代表信号数目，L代表单个信号含有的采样点个数，E2表示筛选得到的特征集维数；
步骤二：将特征集输入到SCNN-LSTM深度学习模型中，结合弱监督学习标签进行多特征融合，获得钢轨健康指数/>具体步骤如下：
1)将步骤一获取的特征集划分为训练集/>和测试集/>N3、N4分别表示训练集和测试集中信号数目，并构建弱监督学习标签Tlabel：
2)将训练集作为SCNN层的输入，然后通过卷积运算从输入特征集提取初始特征，接下来通过池化过程进行特征降维，完成特征向量提取，得到三维特征指标FC：
FC＝max(JC)+b2
其中，JC和JS分别代表卷积层和激活层的输出，WC是权值系数，b1和b2是偏移向量，表示卷积运算，δS和ρS是常量，SeLU代表激活函数，主要用来对卷积层的输出进行非线性变换；
3)利用LSTM层从三维特征指标FC中学习深层信息，刻画出更高层次的特征指标FL，其时序关系如下：
FL＝LSTM(FC)
4)搭建全连接层，将来自LSTM层的特征指标FL融合构建训练模型的钢轨健康指数RHItrain，完成SCNN-LSTM模型构建：
其中，W和b分别代表权值系数和偏移向量，Sigmoid作为激活函数，保证RHI值在0到1之间；
5)使用最小化代价函数对构建好的SCNN-LSTM进行训练：
其中，Yout代表训练完成的SCNN-LSTM模型输出，代表弱监督学习标签Tlabel，这样完成训练后，将测试集/>输入到训练好的SCNN-LSTM模型中，即可得到钢轨健康指数
步骤三：依据钢轨健康指数的特性，构建自适应钢轨裂纹识别阈值，准确判别来自四段具有不同裂纹的钢轨的声发射信号，完成钢轨裂纹声发射信号识别，具体步骤如下：
1)计算钢轨健康指数的标准差SRHI，衡量RHI的统计分布的程度：
其中，H(i3)表示第i3组声发射信号的钢轨健康指标，表示/>的平均值，N4表示训练集和测试集中信号数目；
2)构建钢轨裂纹识别阈值Thrk：
其中，k代表具有不同裂纹的钢轨序号，k＝1，2，3，4；
3)依据钢轨裂纹识别阈值Thrk，建立自适应钢轨裂纹识别标准：
其中，i4＝1，2，...，N4，ε代表识别允许误差，P代表最终裂纹识别结果，当P＝1时，代表该处钢轨健康指标对应的声发射信号属于第1段具有裂纹的钢轨，同理，当P＝2，3，4时，分别代表该处钢轨健康指标对应的声发射信号属于第2、3和4段具有裂纹的钢轨，完成钢轨裂纹声发射信号识别。
2.根据权利要求1所述的基于改进弱监督多特征融合的裂纹声发射信号识别方法，其特征在于所述步骤一的具体步骤如下：
1)加载从具有不同裂纹的钢轨获得的声发射信号 其中，N1、N2代表信号数目，N2＝4*N1，L代表单个信号含有的采样点个数，S1、S2、S3、S4则分别代表四段具有不同裂纹的钢轨；
2)从中提取18种特征来表征声发射信号的裂纹信息，18种特征分别为：均方根、峭度、均值、标准差、熵、峰值、偏斜度、裕度指标、波形指标、脉冲指标、重心频率、均方频率、频率方差、三层小波包分解能量熵、信息熵、近似熵、样本熵和模糊熵，其中，三层小波包分解能量熵具有8维，因此，最后获得特征集记为/>E1＝25；
3)依据K-means算法对特征集进行聚类处理，计算每维特征的聚类精度AC，筛选符合设定精度阈值的特征来有效区分不同裂纹的声发射信号：
其中，表示特征点的实际标签，/>表示聚类标签的重新分配结果，θ代表设定的筛选精度阈值，R为最后筛选结果，当R＝1时代表该维特征的聚类精度符合筛选精度阈值，可以被保留，反之，则表示该维特征被筛除，最终获得能够更有效区分不同裂纹声发射信号的特征集/>E2表示筛选得到的特征集维数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310676504.4A CN116821737B (zh) | 2023-06-08 | 2023-06-08 | 基于改进弱监督多特征融合的裂纹声发射信号识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310676504.4A CN116821737B (zh) | 2023-06-08 | 2023-06-08 | 基于改进弱监督多特征融合的裂纹声发射信号识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116821737A CN116821737A (zh) | 2023-09-29 |
| CN116821737B true CN116821737B (zh) | 2024-04-30 |
Family
ID=88123332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310676504.4A Active CN116821737B (zh) | 2023-06-08 | 2023-06-08 | 基于改进弱监督多特征融合的裂纹声发射信号识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116821737B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118312826A (zh) * | 2024-04-09 | 2024-07-09 | 哈尔滨工业大学 | 基于多层级密度多峰值聚类算法的钢轨裂纹信号分类方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106248801A (zh) * | 2016-09-06 | 2016-12-21 | 哈尔滨工业大学 | 一种基于多声发射事件概率的钢轨裂纹检测方法 |
| CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
| CN115359054A (zh) * | 2022-10-19 | 2022-11-18 | 福建亿榕信息技术有限公司 | 一种基于伪缺陷空间生成的电力设备缺陷检测方法 |
| CN115861902A (zh) * | 2023-02-06 | 2023-03-28 | 中山大学 | 无监督的动作迁移和发现方法、系统、设备和介质 |
| CN116150635A (zh) * | 2023-04-18 | 2023-05-23 | 中国海洋大学 | 基于跨域关联性表示的滚动轴承未知故障检测方法 |
| CN116226721A (zh) * | 2023-03-14 | 2023-06-06 | 中国人民解放军国防科技大学 | 基于双谱特征对比学习的无监督通信辐射源个体识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113987834B (zh) * | 2021-11-15 | 2022-07-15 | 华东交通大学 | 一种基于can-lstm的铁路列车轴承剩余寿命预测方法 |
-
2023
- 2023-06-08 CN CN202310676504.4A patent/CN116821737B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106248801A (zh) * | 2016-09-06 | 2016-12-21 | 哈尔滨工业大学 | 一种基于多声发射事件概率的钢轨裂纹检测方法 |
| CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
| CN115359054A (zh) * | 2022-10-19 | 2022-11-18 | 福建亿榕信息技术有限公司 | 一种基于伪缺陷空间生成的电力设备缺陷检测方法 |
| CN115861902A (zh) * | 2023-02-06 | 2023-03-28 | 中山大学 | 无监督的动作迁移和发现方法、系统、设备和介质 |
| CN116226721A (zh) * | 2023-03-14 | 2023-06-06 | 中国人民解放军国防科技大学 | 基于双谱特征对比学习的无监督通信辐射源个体识别方法 |
| CN116150635A (zh) * | 2023-04-18 | 2023-05-23 | 中国海洋大学 | 基于跨域关联性表示的滚动轴承未知故障检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Surface roughness prediction of large shaft grinding via attentional CNN‑LSTM fusing multiple process signals;Dong Wang等;《ORIGINAL ARTICLE》;20230425;全文 * |
| 基于能量熵和迁移学习的滚动轴承故障诊断方法研究;侯鑫烨;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20220315;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116821737A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111476263B (zh) | 一种基于sdae和改进gwo-svm的轴承缺陷识别方法 | |
| CN110378869B (zh) | 一种样本自动标注的钢轨扣件异常检测方法 | |
| Xie et al. | An end-to-end model based on improved adaptive deep belief network and its application to bearing fault diagnosis | |
| CN110070060B (zh) | 一种轴承设备的故障诊断方法 | |
| CN109191922B (zh) | 一种大规模四维航迹动态预测方法及装置 | |
| Khalilian et al. | Pcb defect detection using denoising convolutional autoencoders | |
| CN111046931A (zh) | 一种基于随机森林的道岔故障诊断方法 | |
| CN116821737B (zh) | 基于改进弱监督多特征融合的裂纹声发射信号识别方法 | |
| CN106053067A (zh) | 基于量子遗传算法优化支持向量机的轴承故障诊断方法 | |
| CN112650204B (zh) | 一种智慧轨道无人驾驶车辆故障基因识别方法及系统 | |
| CN110765788B (zh) | 一种基于隐式翻译模型的知识图谱嵌入方法 | |
| CN110097096B (zh) | 一种基于tf-idf矩阵和胶囊网络的文本分类方法 | |
| CN111598435B (zh) | 一种基于自适应特征选择及改进思维进化算法的质量趋势预测方法 | |
| CN105930792A (zh) | 一种基于视频局部特征字典的人体动作分类方法 | |
| CN110232415B (zh) | 一种基于生物信息特征的列车转向架故障识别方法 | |
| CN113723330B (zh) | 一种图表文档信息理解的方法及系统 | |
| CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
| CN113239610A (zh) | 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法 | |
| CN112308148A (zh) | 缺陷类别识别、孪生神经网络训练方法、装置及存储介质 | |
| CN113177587A (zh) | 基于主动学习和变分自编码器的广义零样本目标分类方法 | |
| CN107977719A (zh) | 一种轴承故障预测方法 | |
| CN113221956A (zh) | 基于改进的多尺度深度模型的目标识别方法及装置 | |
| CN111461183A (zh) | 改进人工鱼群算法优化bp神经网络的平轮故障检测方法 | |
| CN113128584B (zh) | 一种多功能雷达脉冲序列的模式级无监督分选方法 | |
| CN115731261A (zh) | 基于高速公路雷达数据的车辆换道行为识别方法及系统 |
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 |