本發(fā)明涉及鋼軌裂紋信號(hào)檢測領(lǐng)域的方法，具體涉及一種基于多聲發(fā)射事件概率的鋼軌裂紋檢測方法。
背景技術(shù)：
：自1964年世界上第一條高速鐵路在日本建成，拉開了鐵路高速化在世界范圍內(nèi)大發(fā)展的序幕，使之成為社會(huì)發(fā)展的必然趨勢?，F(xiàn)如今，高速鐵路作為國家重要的基礎(chǔ)建設(shè)設(shè)施，不僅是大眾化的交通工具，同時(shí)也給經(jīng)濟(jì)和社會(huì)發(fā)展帶來了巨大的推動(dòng)作用，成為經(jīng)濟(jì)發(fā)展的大動(dòng)脈。與此同時(shí)，如何保障高鐵安全、可靠的運(yùn)行，及時(shí)掌握鋼軌的安全狀態(tài)成為鐵路運(yùn)輸所需的重大問題。鋼軌傷損是運(yùn)行的重要安全隱患，若不及時(shí)檢測并采取安全措施，裂紋在后續(xù)外力的持續(xù)作用下極易擴(kuò)展，從而引起鋼軌斷裂并造成重大事故。因此鋼軌傷損的檢測是掌握鋼軌安全狀態(tài)的關(guān)鍵技術(shù)之一，也是保障高鐵安全運(yùn)行必不可少的條件。目前，除傳統(tǒng)超聲波探傷方法外，新興的鋼軌裂紋的無損檢測方法主要包括聲發(fā)射技術(shù)、導(dǎo)波檢測技術(shù)、激光超聲技術(shù)等。其中，利用聲發(fā)射技術(shù)對鋼軌傷損檢測具有靈敏度高、可動(dòng)態(tài)檢測、可檢測活動(dòng)裂紋、不受鋼軌形狀限制以及可在線實(shí)時(shí)檢測等優(yōu)點(diǎn)。進(jìn)而達(dá)到無損檢測，有效而準(zhǔn)確地對鋼軌聲發(fā)射信號(hào)的傷損階段進(jìn)行識(shí)別分類的目標(biāo)。通常，將存在鋼軌裂紋，即發(fā)生塑性形變的階段分類為非安全，反之歸類為安全。深度學(xué)習(xí)是近年來提出的改進(jìn)神經(jīng)網(wǎng)絡(luò)算法，通過組合低層特征形成抽象的高層表示屬性或類別，在模式識(shí)別及特征提取上取得效果要優(yōu)于傳統(tǒng)深層神經(jīng)網(wǎng)絡(luò)（DeepNeuralNetwork，DNN）。深度學(xué)習(xí)模型適合應(yīng)用于對鋼軌裂紋的檢測即鋼軌安全性的識(shí)別上。深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)模型（ConvolutionalNeuralNetwork，CNN），其層與層間采用局部連接方式，權(quán)重共享降低了網(wǎng)絡(luò)模型的復(fù)雜度，將神經(jīng)網(wǎng)絡(luò)架構(gòu)規(guī)模降低。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為若干個(gè)卷積層和下采樣層交替連接，最頂層通過全連接層完成分類任務(wù)。鋼軌傷損的多維特征數(shù)據(jù)可以做快速傅里葉變換（FFT），得到頻譜后直接進(jìn)行網(wǎng)絡(luò)輸入，避免了傳統(tǒng)識(shí)別算法中復(fù)雜的特征提取和數(shù)據(jù)重建過程，適合于鋼軌傷損信號(hào)多維特征的直接處理。但單次卷積神經(jīng)網(wǎng)絡(luò)的分類結(jié)果并不能保證完全正確，分類錯(cuò)誤率仍會(huì)因樣本庫改變產(chǎn)生一定的浮動(dòng)。此外，由于鋼軌的監(jiān)測過程的特性，傷損信號(hào)具有一定的階段性與時(shí)序性。即監(jiān)測過程會(huì)在一段連續(xù)時(shí)間內(nèi)不斷向外提取信號(hào)，存在時(shí)間連續(xù)性，當(dāng)鋼軌內(nèi)出現(xiàn)損傷，一次損傷的時(shí)長內(nèi)可采集到若干個(gè)連續(xù)非安全聲發(fā)射信號(hào)，相鄰樣本間包含近似的信息，類別相同的概率較大。單純的CNN未考慮這種聯(lián)系。因此，本發(fā)明提出的多聲發(fā)射事件概率是信號(hào)處理過程中，由神經(jīng)網(wǎng)絡(luò)輸出的多個(gè)聲發(fā)射事件的相對分類概率，并將該概率值用于對應(yīng)的聲發(fā)射事件發(fā)生時(shí)間段的安全性判定，即為階段性判定。本發(fā)明基于對聲發(fā)射信號(hào)處理，由CNN輸出的相對分類概率作為聲發(fā)射事件概率。結(jié)合監(jiān)測過程的階段性與時(shí)序性特點(diǎn)，提出基于多聲發(fā)射事件概率的卷積神經(jīng)網(wǎng)絡(luò)方法，充分利用樣本的時(shí)間信息與頻譜信息，用多次輸出概率的加權(quán)平均改進(jìn)單次分類結(jié)果，進(jìn)一步做出階段性判定，防止一次檢測出現(xiàn)誤檢，從而提高了鋼軌裂紋傷損的檢測精度，優(yōu)化了分類結(jié)果。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于提出一種基于多聲發(fā)射事件概率的卷積神經(jīng)網(wǎng)絡(luò)鋼軌裂紋檢測方法。提高了傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)算法對鋼軌裂紋聲發(fā)射信號(hào)的檢測精度。本發(fā)明的目的是通過以下技術(shù)方案實(shí)現(xiàn)的：首先對聲發(fā)射信號(hào)進(jìn)行快速傅里葉變換，得到對應(yīng)的頻譜數(shù)據(jù)矩陣，再將每個(gè)頻譜向量折疊為二維矩陣，輸入卷積神經(jīng)網(wǎng)絡(luò)，通過卷積神經(jīng)網(wǎng)絡(luò)的卷積層和下采樣層獲取聲發(fā)射信號(hào)的頻譜特征，利用包括全連接層的完整卷積神經(jīng)網(wǎng)絡(luò)對樣本進(jìn)行初次分類，輸出相對概率及初次分類結(jié)果。求出各個(gè)類別分布的概率均值及各類樣本總數(shù)，利用這些參數(shù)，進(jìn)一步設(shè)定分類的閾值，對連續(xù)多次輸出概率求均值，再與閾值比較，綜合判定這一階段樣本的所屬類別。本發(fā)明的流程圖如圖1所示，共分為四個(gè)步驟，具體步驟如下：步驟一：對聲發(fā)射信號(hào)做FFT變換及預(yù)處理，獲得數(shù)據(jù)矩陣與標(biāo)簽向量。1）加載聲發(fā)射時(shí)域信號(hào)數(shù)據(jù)矩陣與標(biāo)簽向量。其中l(wèi)0表示信號(hào)向量的長度，即每個(gè)信號(hào)包含采樣點(diǎn)個(gè)數(shù)，N0表示矩陣包含的聲發(fā)射信號(hào)個(gè)數(shù)，標(biāo)簽有兩種取值，，分別代表鋼軌聲發(fā)射信號(hào)安全與非安全。2）提取出信號(hào)的上升時(shí)間及持續(xù)時(shí)間，記為向量、，使對應(yīng)上升時(shí)間與持續(xù)時(shí)間之比小于λ，，Tir、Tid表示第i個(gè)信號(hào)的上升時(shí)間、持續(xù)時(shí)間。篩選出符合條件的信號(hào)，組成新數(shù)據(jù)庫及新標(biāo)簽庫，N1為篩選后聲發(fā)射信號(hào)總數(shù)。3）對聲發(fā)射信號(hào)的數(shù)據(jù)矩陣進(jìn)行FFT變換，，。得到頻譜矩陣，再對頻譜矩陣進(jìn)行截取，在滿足香農(nóng)采樣定理的前提下，去掉冗余高頻帶，將頻譜范圍限定在聲發(fā)射信號(hào)常用頻率1MHz內(nèi)，得到新的頻譜矩陣。4）對的每列元素進(jìn)行折疊，得到三維數(shù)據(jù)矩陣，相當(dāng)于將每個(gè)信號(hào)轉(zhuǎn)換為二維矩陣或圖片，矩陣元素總數(shù)，a0、b0分別為信號(hào)折疊成的矩陣行數(shù)、列數(shù)。再對數(shù)據(jù)矩陣進(jìn)行歸一化處理，得到最大幅值為1的頻譜矩陣，其標(biāo)簽向量仍為。步驟二：卷積網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)及初始值的設(shè)定。1）對上一步得到的三維頻譜矩陣，N1為樣本總數(shù)，a0、b0為折疊后矩陣的行數(shù)、列數(shù)。將及數(shù)據(jù)集分割為訓(xùn)練數(shù)據(jù)集、訓(xùn)練集標(biāo)簽及測試數(shù)據(jù)集、測試集標(biāo)簽，其中n1是訓(xùn)練集樣本數(shù)，n2是測試集樣本數(shù)，，設(shè)，xi是維實(shí)矩陣樣本，是與xi相關(guān)類別標(biāo)簽。2）設(shè)定網(wǎng)絡(luò)的深度為p、迭代步數(shù)為k、初始迭代步數(shù)。設(shè)定卷積層與降采樣層的特征子圖參數(shù)。3）對卷積核權(quán)重進(jìn)行隨機(jī)值初始化，并初始化每層偏置，每層網(wǎng)絡(luò)權(quán)重梯度，偏置梯度；設(shè)置學(xué)習(xí)率為α，誤差限為er。klij為連接第l-1層第i個(gè)特征圖中第l層中第j個(gè)特征圖權(quán)值矩陣。blj為第l層第j個(gè)特征圖的偏置項(xiàng)。構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)的整體模型，網(wǎng)絡(luò)的初始權(quán)值與迭代參數(shù)得到了初始化，并為后續(xù)迭代做好準(zhǔn)備。步驟三：逐層計(jì)算卷積神經(jīng)網(wǎng)絡(luò)模型特征與誤差，更新權(quán)值矩陣及偏置，進(jìn)行提取特征，并輸出測試集分類結(jié)果及分類概率。1）構(gòu)建卷積層模型：，其中l(wèi)代表層數(shù)，αlj為第j個(gè)特征圖在l層輸出，Mj為特征圖集合，*代表卷積運(yùn)算，k是卷積核，即klij為連接第l-1層第i個(gè)特征圖中第l層中第j個(gè)特征圖權(quán)值矩陣。blj為第l層第j個(gè)特征圖的偏置項(xiàng)。為ReLu函數(shù)。2）構(gòu)建降采樣層模型：，其中代表最大值降采樣函數(shù)，降采樣函數(shù)是對該層輸入一個(gè)大小區(qū)域求和，因此輸出圖像是輸入大小的1/n。βlj為第l層第j個(gè)特征圖的乘性偏置，blj為第l層第j個(gè)特征圖的加性偏置。3）計(jì)算卷積層的靈敏度δlj與權(quán)值矩陣、偏置項(xiàng)梯度，，其中。為上采樣函數(shù)，其作用為將δl+1j擴(kuò)充為的矩陣。為元素級(jí)乘法運(yùn)算符。權(quán)值矩陣梯度為，偏置項(xiàng)梯度為，其中e為均方誤差，(x,y)為特征圖中坐標(biāo)，為第l-1層的第i個(gè)未經(jīng)過kl-1ij加權(quán)的權(quán)值矩陣。4）計(jì)算降采樣層的靈敏度和梯度。，其中表示擴(kuò)充后的靈敏度矩陣。利用計(jì)算加性偏置的梯度。為了計(jì)算乘性偏置的梯度，令，得。5）輸入訓(xùn)練集，逐層計(jì)算卷積層與下采樣層加權(quán)矩陣與偏置項(xiàng)的梯度，反復(fù)迭代直到達(dá)到迭代次數(shù)，完成卷積神經(jīng)網(wǎng)絡(luò)的前向與反向傳播步驟，實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，得到相應(yīng)參數(shù)。再添加一層全連接層和softmax層，對測試集頻譜進(jìn)行分類，得到初步分類結(jié)果，包括輸出的標(biāo)簽向量及概率矩陣其中softmax層假設(shè)函數(shù)為，θT為該層的參數(shù)向量，n2是測試集樣本數(shù)，概率矩陣中概率值為，j=0,…,k-1，，k為類別總數(shù)且。步驟四：基于多聲發(fā)射事件概率對卷積神經(jīng)網(wǎng)絡(luò)輸出修正，優(yōu)化分類結(jié)果。1）求出測試集中所有輸出的各類樣本的某一類概率值均值，由于本發(fā)明為針對安全性判定的二分類問題，取非安全概率，即j=1類即可，假設(shè)測試集輸出包含安全樣本m0個(gè)，非安全樣本m1個(gè)，以下簡記非安全概率為fj(i)，0<i<mj,j=0,1。則兩類樣本的概率分布均值分別為，j=0,1。2）根據(jù)兩類樣本的概率分布均值及各類樣本總數(shù)，求取下面分界面閾值：，若概率大于此閾值，則分類為非安全，反之為安全。3）將測試集中每n個(gè)樣本分為一組，共得到s組，，n2是測試集樣本數(shù)。對每組相應(yīng)softmax分類概率求取均值，求得多聲發(fā)射事件概率，按照第2）步規(guī)則對所有組類別再次進(jìn)行階段性判定，得到優(yōu)化后的判定結(jié)果，提高分類精度。本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)：本發(fā)明采用聲發(fā)射信號(hào)的頻譜作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，簡化信號(hào)的特征提取過程。在傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)算法中，若與FFT相結(jié)合，則忽略掉了樣本之間的時(shí)間關(guān)系及時(shí)序聯(lián)系，本發(fā)明針對應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)的鋼軌傷損的聲發(fā)射檢測方法，由CNN輸出的相對分類概率作為聲發(fā)射事件概率，提出基于多聲發(fā)射事件概率的卷積神經(jīng)網(wǎng)絡(luò)方法，由多次連續(xù)聲發(fā)射事件輸出概率的加權(quán)平均改進(jìn)單次分類結(jié)果。結(jié)合檢測過程的階段性與時(shí)序性特點(diǎn)，充分利用樣本的時(shí)間信息與頻譜信息，進(jìn)一步做出階段性判定，最終判定出鋼軌在該時(shí)段內(nèi)是否處于安全階段，防止一次檢測出現(xiàn)誤檢，從而提高了鋼軌裂紋傷損的檢測精度，優(yōu)化了分類結(jié)果。附圖說明圖1為本發(fā)明的流程圖。圖2為原始聲發(fā)射信號(hào)及FFT變換后的頻譜圖。圖3為本發(fā)明使用的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。圖4為實(shí)驗(yàn)一提取出的二維特征繪制的散點(diǎn)圖。圖5為本發(fā)明的FFT-CNN與DNN、SAE的測試誤識(shí)率對比折線圖。具體實(shí)施方式下面結(jié)合實(shí)施例和附圖說明本發(fā)明的具體實(shí)施方式：驗(yàn)證本發(fā)明的樣本庫來自鋼板拉伸斷裂實(shí)驗(yàn)中獲得的聲發(fā)射時(shí)域信號(hào)庫，信號(hào)庫本身按照實(shí)驗(yàn)中時(shí)間順序收集存儲(chǔ)，實(shí)驗(yàn)采樣頻率為5兆赫茲，每個(gè)信號(hào)包括2048個(gè)采樣點(diǎn)。因此應(yīng)首先按照鋼軌材料應(yīng)力-應(yīng)變曲線為信號(hào)庫劃分傷損階段，分為安全、不安全兩類，對應(yīng)標(biāo)簽記為0,1。創(chuàng)建對應(yīng)標(biāo)簽數(shù)據(jù)庫，并去除其中處于過渡階段，類別歸屬不夠明確的信號(hào)，再進(jìn)行數(shù)據(jù)的歸一化處理，以方便之后的操作。執(zhí)行步驟一：加載聲發(fā)射數(shù)據(jù)庫并做預(yù)處理。選取鋼軌拉伸實(shí)驗(yàn)中的幾個(gè)數(shù)據(jù)庫，提取出上升時(shí)間與持續(xù)時(shí)間之比小于λ=0.3的信號(hào)，，Tir、Tid表示第i個(gè)信號(hào)的上升時(shí)間、持續(xù)時(shí)間。篩選出符合條件的信號(hào)構(gòu)成新數(shù)據(jù)庫，為對比分別選取了樣本個(gè)數(shù)為1940,2050,5890,9440的四次實(shí)驗(yàn)，編號(hào)1~4。進(jìn)行FFT變換并去除1MHz外的冗余高頻，得到400維的頻譜樣本庫，聲發(fā)射原始信號(hào)及預(yù)處理后頻譜圖如圖2。在前兩次中各抽取50個(gè)安全樣本及70個(gè)非安全樣本做測試集，實(shí)驗(yàn)3中抽取150個(gè)安全樣本及210個(gè)非安全樣本做測試集，實(shí)驗(yàn)4抽取250個(gè)安全樣本，350個(gè)非安全樣本作為測試集。一共獲得四組對應(yīng)的訓(xùn)練集與測試集。執(zhí)行步驟二：設(shè)定卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)及初始值。建立一個(gè)四層卷積神經(jīng)網(wǎng)絡(luò)，卷積層C1提取特征圖個(gè)數(shù)為6，卷積核大小為；降采樣層S2采樣最大池化，池化域大小為；卷積層C3提取特征個(gè)數(shù)為12，卷積核大小為12；降采樣層S4池化域大小為；最頂層為全連接層與softmax分類器，輸出類別為2，網(wǎng)絡(luò)具體結(jié)構(gòu)如圖3。設(shè)定訓(xùn)練學(xué)習(xí)率，批訓(xùn)練樣本數(shù)為50，總迭代次數(shù)為100，誤差限，對卷積核權(quán)重進(jìn)行隨機(jī)值初始化，并初始化每層偏置，每層網(wǎng)絡(luò)權(quán)重梯度，偏置梯度。執(zhí)行步驟三：對的每列元素進(jìn)行折疊，得到三維數(shù)據(jù)矩陣，相當(dāng)于將每個(gè)頻譜樣本轉(zhuǎn)換為二維矩陣，矩陣大小為。將訓(xùn)練集輸入卷積神經(jīng)網(wǎng)絡(luò)，逐層計(jì)算卷積神經(jīng)網(wǎng)絡(luò)模型特征與誤差，更新權(quán)值矩陣及偏置，進(jìn)行提取特征。繪制實(shí)驗(yàn)1中最后提取出的二維主特征散點(diǎn)圖如圖4。再輸入測試集，判定測試樣本，記錄softmax輸出的測試集樣本的輸出的標(biāo)簽向量、分類概率矩陣及最后測試樣本集的錯(cuò)分率。將同樣的訓(xùn)練集及測試集輸入傳統(tǒng)四層神經(jīng)網(wǎng)絡(luò)（DNN）及棧式自編碼器（StackAutoencoder，SAE），得到另外兩組誤識(shí)率，將三組誤識(shí)率對比如表1，繪制為折線圖如圖5。表1DNN、SAE、CNN分類結(jié)果誤識(shí)率對比表格。執(zhí)行步驟四：取步驟三得到的輸出的標(biāo)簽向量、分類概率矩陣，單取出測試集的非安全概率，構(gòu)成向量。以實(shí)驗(yàn)1的測試集為例，求出各類樣本的概率的分布均值，分別為：，，則可確定出判定閾值。將測試集每10個(gè)樣本分為一組，共12組，與閾值比較，判定鋼軌階段性安全性，得到12個(gè)結(jié)果，取出最終輸出的2組階段性分類結(jié)果如表2。每一列數(shù)據(jù)屬于同一組，并對每組中樣本編號(hào)1~10。第1~2組屬于安全階段。表2本發(fā)明最終輸出中2組階段性安全類別。序號(hào)1210.08660.990820.03540.952130.97800.104440.10830.8390均值0.1340.331類別安全安全由表2易知，原本卷積神經(jīng)網(wǎng)絡(luò)的分類結(jié)果將第1組數(shù)據(jù)中的3號(hào)安全樣本錯(cuò)分為非安全，第2組中將序號(hào)1、2、4的三個(gè)樣本錯(cuò)分為非安全樣本，采用本發(fā)明的處理方法后，其他次正確檢測的結(jié)果抵消了幾次誤檢結(jié)果造成的誤差，最終階段性判斷仍將整體分類為安全，符合實(shí)驗(yàn)中的實(shí)際情況。本發(fā)明應(yīng)用的四個(gè)測試數(shù)據(jù)集最終結(jié)果經(jīng)驗(yàn)證全部分類正確，將分類精度由96.5%提高至100%。這與測試集恰好可以分成整數(shù)組有關(guān)，但在普遍意義上的整個(gè)測試集中鋼軌安全狀態(tài)被錯(cuò)分的情況在數(shù)目上，也可以保證不會(huì)超過一組樣本數(shù)的一半。因此，本發(fā)明以基于多聲發(fā)射事件概率在監(jiān)控鋼軌安全狀態(tài)的應(yīng)用上，具有很強(qiáng)的理論與工程實(shí)際意義。當(dāng)前第1頁1 2 3