一种基于多声发射事件概率的钢轨裂纹检测方法与流程

本发明涉及钢轨裂纹信号检测领域的方法，具体涉及一种基于多声发射事件概率的钢轨裂纹检测方法。
背景技术：
：自1964年世界上第一条高速铁路在日本建成，拉开了铁路高速化在世界范围内大发展的序幕，使之成为社会发展的必然趋势。现如今，高速铁路作为国家重要的基础建设设施，不仅是大众化的交通工具，同时也给经济和社会发展带来了巨大的推动作用，成为经济发展的大动脉。与此同时，如何保障高铁安全、可靠的运行，及时掌握钢轨的安全状态成为铁路运输所需的重大问题。钢轨伤损是运行的重要安全隐患，若不及时检测并采取安全措施，裂纹在后续外力的持续作用下极易扩展，从而引起钢轨断裂并造成重大事故。因此钢轨伤损的检测是掌握钢轨安全状态的关键技术之一，也是保障高铁安全运行必不可少的条件。目前，除传统超声波探伤方法外，新兴的钢轨裂纹的无损检测方法主要包括声发射技术、导波检测技术、激光超声技术等。其中，利用声发射技术对钢轨伤损检测具有灵敏度高、可动态检测、可检测活动裂纹、不受钢轨形状限制以及可在线实时检测等优点。进而达到无损检测，有效而准确地对钢轨声发射信号的伤损阶段进行识别分类的目标。通常，将存在钢轨裂纹，即发生塑性形变的阶段分类为非安全，反之归类为安全。深度学习是近年来提出的改进神经网络算法，通过组合低层特征形成抽象的高层表示属性或类别，在模式识别及特征提取上取得效果要优于传统深层神经网络（DeepNeuralNetwork，DNN）。深度学习模型适合应用于对钢轨裂纹的检测即钢轨安全性的识别上。深度学习中的卷积神经网络模型（ConvolutionalNeuralNetwork，CNN），其层与层间采用局部连接方式，权重共享降低了网络模型的复杂度，将神经网络架构规模降低。卷积神经网络结构为若干个卷积层和下采样层交替连接，最顶层通过全连接层完成分类任务。钢轨伤损的多维特征数据可以做快速傅里叶变换（FFT），得到频谱后直接进行网络输入，避免了传统识别算法中复杂的特征提取和数据重建过程，适合于钢轨伤损信号多维特征的直接处理。但单次卷积神经网络的分类结果并不能保证完全正确，分类错误率仍会因样本库改变产生一定的浮动。此外，由于钢轨的监测过程的特性，伤损信号具有一定的阶段性与时序性。即监测过程会在一段连续时间内不断向外提取信号，存在时间连续性，当钢轨内出现损伤，一次损伤的时长内可采集到若干个连续非安全声发射信号，相邻样本间包含近似的信息，类别相同的概率较大。单纯的CNN未考虑这种联系。因此，本发明提出的多声发射事件概率是信号处理过程中，由神经网络输出的多个声发射事件的相对分类概率，并将该概率值用于对应的声发射事件发生时间段的安全性判定，即为阶段性判定。本发明基于对声发射信号处理，由CNN输出的相对分类概率作为声发射事件概率。结合监测过程的阶段性与时序性特点，提出基于多声发射事件概率的卷积神经网络方法，充分利用样本的时间信息与频谱信息，用多次输出概率的加权平均改进单次分类结果，进一步做出阶段性判定，防止一次检测出现误检，从而提高了钢轨裂纹伤损的检测精度，优化了分类结果。技术实现要素：本发明的目的在于提出一种基于多声发射事件概率的卷积神经网络钢轨裂纹检测方法。提高了传统的卷积神经网络算法对钢轨裂纹声发射信号的检测精度。本发明的目的是通过以下技术方案实现的：首先对声发射信号进行快速傅里叶变换，得到对应的频谱数据矩阵，再将每个频谱向量折叠为二维矩阵，输入卷积神经网络，通过卷积神经网络的卷积层和下采样层获取声发射信号的频谱特征，利用包括全连接层的完整卷积神经网络对样本进行初次分类，输出相对概率及初次分类结果。求出各个类别分布的概率均值及各类样本总数，利用这些参数，进一步设定分类的阈值，对连续多次输出概率求均值，再与阈值比较，综合判定这一阶段样本的所属类别。本发明的流程图如图1所示，共分为四个步骤，具体步骤如下：步骤一：对声发射信号做FFT变换及预处理，获得数据矩阵与标签向量。1）加载声发射时域信号数据矩阵与标签向量。其中l0表示信号向量的长度，即每个信号包含采样点个数，N0表示矩阵包含的声发射信号个数，标签有两种取值，，分别代表钢轨声发射信号安全与非安全。2）提取出信号的上升时间及持续时间，记为向量、，使对应上升时间与持续时间之比小于λ，，Tir、Tid表示第i个信号的上升时间、持续时间。筛选出符合条件的信号，组成新数据库及新标签库，N1为筛选后声发射信号总数。3）对声发射信号的数据矩阵进行FFT变换，，。得到频谱矩阵，再对频谱矩阵进行截取，在满足香农采样定理的前提下，去掉冗余高频带，将频谱范围限定在声发射信号常用频率1MHz内，得到新的频谱矩阵。4）对的每列元素进行折叠，得到三维数据矩阵，相当于将每个信号转换为二维矩阵或图片，矩阵元素总数，a0、b0分别为信号折叠成的矩阵行数、列数。再对数据矩阵进行归一化处理，得到最大幅值为1的频谱矩阵，其标签向量仍为。步骤二：卷积网络结构参数及初始值的设定。1）对上一步得到的三维频谱矩阵，N1为样本总数，a0、b0为折叠后矩阵的行数、列数。将及数据集分割为训练数据集、训练集标签及测试数据集、测试集标签，其中n1是训练集样本数，n2是测试集样本数，，设，xi是维实矩阵样本，是与xi相关类别标签。2）设定网络的深度为p、迭代步数为k、初始迭代步数。设定卷积层与降采样层的特征子图参数。3）对卷积核权重进行随机值初始化，并初始化每层偏置，每层网络权重梯度，偏置梯度；设置学习率为α，误差限为er。klij为连接第l-1层第i个特征图中第l层中第j个特征图权值矩阵。blj为第l层第j个特征图的偏置项。构建卷积神经网络的整体模型，网络的初始权值与迭代参数得到了初始化，并为后续迭代做好准备。步骤三：逐层计算卷积神经网络模型特征与误差，更新权值矩阵及偏置，进行提取特征，并输出测试集分类结果及分类概率。1）构建卷积层模型：，其中l代表层数，αlj为第j个特征图在l层输出，Mj为特征图集合，*代表卷积运算，k是卷积核，即klij为连接第l-1层第i个特征图中第l层中第j个特征图权值矩阵。blj为第l层第j个特征图的偏置项。为ReLu函数。2）构建降采样层模型：，其中代表最大值降采样函数，降采样函数是对该层输入一个大小区域求和，因此输出图像是输入大小的1/n。βlj为第l层第j个特征图的乘性偏置，blj为第l层第j个特征图的加性偏置。3）计算卷积层的灵敏度δlj与权值矩阵、偏置项梯度，，其中。为上采样函数，其作用为将δl+1j扩充为的矩阵。为元素级乘法运算符。权值矩阵梯度为，偏置项梯度为，其中e为均方误差，(x,y)为特征图中坐标，为第l-1层的第i个未经过kl-1ij加权的权值矩阵。4）计算降采样层的灵敏度和梯度。，其中表示扩充后的灵敏度矩阵。利用计算加性偏置的梯度。为了计算乘性偏置的梯度，令，得。5）输入训练集，逐层计算卷积层与下采样层加权矩阵与偏置项的梯度，反复迭代直到达到迭代次数，完成卷积神经网络的前向与反向传播步骤，实现卷积神经网络的训练过程，得到相应参数。再添加一层全连接层和softmax层，对测试集频谱进行分类，得到初步分类结果，包括输出的标签向量及概率矩阵其中softmax层假设函数为，θT为该层的参数向量，n2是测试集样本数，概率矩阵中概率值为，j=0,…,k-1，，k为类别总数且。步骤四：基于多声发射事件概率对卷积神经网络输出修正，优化分类结果。1）求出测试集中所有输出的各类样本的某一类概率值均值，由于本发明为针对安全性判定的二分类问题，取非安全概率，即j=1类即可，假设测试集输出包含安全样本m0个，非安全样本m1个，以下简记非安全概率为fj(i)，0<i<mj,j=0,1。则两类样本的概率分布均值分别为，j=0,1。2）根据两类样本的概率分布均值及各类样本总数，求取下面分界面阈值：，若概率大于此阈值，则分类为非安全，反之为安全。3）将测试集中每n个样本分为一组，共得到s组，，n2是测试集样本数。对每组相应softmax分类概率求取均值，求得多声发射事件概率，按照第2）步规则对所有组类别再次进行阶段性判定，得到优化后的判定结果，提高分类精度。本发明与现有技术相比具有如下优点：本发明采用声发射信号的频谱作为卷积神经网络的输入，简化信号的特征提取过程。在传统的卷积神经网络算法中，若与FFT相结合，则忽略掉了样本之间的时间关系及时序联系，本发明针对应用卷积神经网络的钢轨伤损的声发射检测方法，由CNN输出的相对分类概率作为声发射事件概率，提出基于多声发射事件概率的卷积神经网络方法，由多次连续声发射事件输出概率的加权平均改进单次分类结果。结合检测过程的阶段性与时序性特点，充分利用样本的时间信息与频谱信息，进一步做出阶段性判定，最终判定出钢轨在该时段内是否处于安全阶段，防止一次检测出现误检，从而提高了钢轨裂纹伤损的检测精度，优化了分类结果。附图说明图1为本发明的流程图。图2为原始声发射信号及FFT变换后的频谱图。图3为本发明使用的卷积神经网络结构图。图4为实验一提取出的二维特征绘制的散点图。图5为本发明的FFT-CNN与DNN、SAE的测试误识率对比折线图。具体实施方式下面结合实施例和附图说明本发明的具体实施方式：验证本发明的样本库来自钢板拉伸断裂实验中获得的声发射时域信号库，信号库本身按照实验中时间顺序收集存储，实验采样频率为5兆赫兹，每个信号包括2048个采样点。因此应首先按照钢轨材料应力-应变曲线为信号库划分伤损阶段，分为安全、不安全两类，对应标签记为0,1。创建对应标签数据库，并去除其中处于过渡阶段，类别归属不够明确的信号，再进行数据的归一化处理，以方便之后的操作。执行步骤一：加载声发射数据库并做预处理。选取钢轨拉伸实验中的几个数据库，提取出上升时间与持续时间之比小于λ=0.3的信号，，Tir、Tid表示第i个信号的上升时间、持续时间。筛选出符合条件的信号构成新数据库，为对比分别选取了样本个数为1940,2050,5890,9440的四次实验，编号1~4。进行FFT变换并去除1MHz外的冗余高频，得到400维的频谱样本库，声发射原始信号及预处理后频谱图如图2。在前两次中各抽取50个安全样本及70个非安全样本做测试集，实验3中抽取150个安全样本及210个非安全样本做测试集，实验4抽取250个安全样本，350个非安全样本作为测试集。一共获得四组对应的训练集与测试集。执行步骤二：设定卷积神经网络的结构参数及初始值。建立一个四层卷积神经网络，卷积层C1提取特征图个数为6，卷积核大小为；降采样层S2采样最大池化，池化域大小为；卷积层C3提取特征个数为12，卷积核大小为12；降采样层S4池化域大小为；最顶层为全连接层与softmax分类器，输出类别为2，网络具体结构如图3。设定训练学习率，批训练样本数为50，总迭代次数为100，误差限，对卷积核权重进行随机值初始化，并初始化每层偏置，每层网络权重梯度，偏置梯度。执行步骤三：对的每列元素进行折叠，得到三维数据矩阵，相当于将每个频谱样本转换为二维矩阵，矩阵大小为。将训练集输入卷积神经网络，逐层计算卷积神经网络模型特征与误差，更新权值矩阵及偏置，进行提取特征。绘制实验1中最后提取出的二维主特征散点图如图4。再输入测试集，判定测试样本，记录softmax输出的测试集样本的输出的标签向量、分类概率矩阵及最后测试样本集的错分率。将同样的训练集及测试集输入传统四层神经网络（DNN）及栈式自编码器（StackAutoencoder，SAE），得到另外两组误识率，将三组误识率对比如表1，绘制为折线图如图5。表1DNN、SAE、CNN分类结果误识率对比表格。执行步骤四：取步骤三得到的输出的标签向量、分类概率矩阵，单取出测试集的非安全概率，构成向量。以实验1的测试集为例，求出各类样本的概率的分布均值，分别为：，，则可确定出判定阈值。将测试集每10个样本分为一组，共12组，与阈值比较，判定钢轨阶段性安全性，得到12个结果，取出最终输出的2组阶段性分类结果如表2。每一列数据属于同一组，并对每组中样本编号1~10。第1~2组属于安全阶段。表2本发明最终输出中2组阶段性安全类别。序号1210.08660.990820.03540.952130.97800.104440.10830.8390均值0.1340.331类别安全安全由表2易知，原本卷积神经网络的分类结果将第1组数据中的3号安全样本错分为非安全，第2组中将序号1、2、4的三个样本错分为非安全样本，采用本发明的处理方法后，其他次正确检测的结果抵消了几次误检结果造成的误差，最终阶段性判断仍将整体分类为安全，符合实验中的实际情况。本发明应用的四个测试数据集最终结果经验证全部分类正确，将分类精度由96.5%提高至100%。这与测试集恰好可以分成整数组有关，但在普遍意义上的整个测试集中钢轨安全状态被错分的情况在数目上，也可以保证不会超过一组样本数的一半。因此，本发明以基于多声发射事件概率在监控钢轨安全状态的应用上，具有很强的理论与工程实际意义。当前第1页1 2 3