一种基于声学的钢轨螺栓松动检测装置

1.本发明属于螺栓故障检测技术领域，尤其涉及一种基于声学的钢轨螺栓松动检测装置。


背景技术：

2.随着铁路运营里程不断延伸，铁路正在逐步改变人们的出行方式和生活方式，特别是高速铁路迅速发展，现已成为人们出行的首选。螺栓因其结构简单、标准统一、安装方便等优点，在高速铁路领域得到广泛应用。螺栓连接作为固定钢轨和连接钢轨上各部件并使它们各自安全有效运行的关键性因素，在维护列车安全运行中同样扮演着重要角色。通常同一型号的螺栓安装位置以及受力情况不尽相同，因此在螺栓设计的过程中会预先给出一定的安全系数来尽可能的保证其在使用时能够安全可靠。但由于使用环境、安装情况等众多因素的影响，确保螺栓百分百安全可靠仍然十分困难，一旦工作状态下的螺栓发生失效，尤其重要部件的螺栓发生失效，将会产生难以估量的损失。
3.在论文《基于小波时频图与轻量级卷积神经网络的螺栓连接损伤识别》中作者卓德兵通过采用声音信号，提出了结合小波时频图与轻量级卷积神经网络mobilenetv2优势的螺栓松动识别方法。该方法通过对采集到的声音信号进行预处理和连续小波变换得到小波时频图，以小波时频图作为样本对轻量级卷积神经网络mobilenetv2进行训练，从而实现螺栓松动声音信号的识别，但是在高速铁路领域中，通过敲击螺栓得到的声音信号较为微弱，若不能针对性的对螺栓周边环境中的噪音进行分类型滤除，充分考虑最常见的铁路螺栓检测背景中的脚步、车鸣笛声、以及风噪声的噪声，类型不全或者没有类型区分，有可能会导致滤波效果不好或者对检测目标信号的误伤，从而使得最终的检测精度过差。
4.针对上述技术问题，本发明提供了一种基于声学的钢轨螺栓松动检测装置。


技术实现要素：

5.为实现本发明目的，本发明采用如下技术方案：
6.根据本发明的一个方面，提供了一种基于声学的钢轨螺栓松动检测装置。
7.一种基于声学的钢轨螺栓松动检测装置，其特征在于，具体包括：
8.声音采集模块，声学信号前端处理模块，声学信号分类模块；
9.所述声音采集模块负责将钢轨螺栓敲击声音信号转换为数字信号，并将所述数字信号传递给所述声学信号前端处理模块；
10.所述声学信号前端处理模块负责对所述数字信号进行噪声滤除，得到滤除数字信号，并将所述滤除数字信号传输给声学信号分类模块，其中所述噪声滤除根据所述钢轨螺栓周边环境噪声类型，对所述周边噪声进行分类型滤除，所述周边环境噪声类型包括脚步声、车鸣笛声、以及风噪声；
11.所述声学信号分类模块负责根据所述滤除数字信号，采用分类算法，输出故障分类结果。
12.声音采集模块将敲击钢轨螺栓的声音信号转换为数字芯片能够处理的数字信号，数字信号一般为电压信号，并将数字信号传输给声学信号前端处理模块，声学信号前端处理模块在得到数字信号后，根据钢轨螺栓周边环境噪声类型，分类型对环境噪声信号针对性的滤除，从而使得整体的滤波效果变得更好，避免了导致滤波效果不好或者对检测目标信号的误伤的问题，并得到滤除数字信号，并将滤除数字信号传输给声学信号分类模块，声学信号分类模块根据滤除数字信号，采用分类算法，根据所述滤除数字信号的类型和特征，输出分类结果，判断是处于正常或者故障状态，从而针对性的进行检修，通过根据高铁钢轨螺栓的具体环境进行噪声类型的准确定位，从而使得对背景噪声的消除变得更具有针对性，从而提升了噪声滤除的准确性。
13.通过采用声音采集模块将敲击钢轨螺栓的声音信号转换为数字芯片能够处理的数字信号，从而不需要采用破坏性的检测手段对钢轨螺栓进行检测，具有较好的检测效果，同时避免了原有的图像识别方法仅仅只能通过外表识别，而对于内部的识别效果较差的问题，具有较高的灵敏度。通过采用声学信号前端处理模块负责对所述噪声滤除根据所述钢轨螺栓周边环境噪声类型，对所述周边噪声进行分类型滤除，从而使得滤除效果变得更具有针对性，也更加准确，从而避免了原有的滤波算法对钢轨的数字信号的破坏或者滤除效果不够好的问题，由于钢轨的数字信号较为微弱，采用传统的滤波算法若阈值设置过高，会导致对数字信号的破坏，阈值过低，则会导致噪声过大，使最终的判断结果不够准确，通过根据高铁钢轨螺栓的具体环境进行噪声类型的准确定位，从而使得对背景噪声的消除变得更具有针对性，从而提升了噪声滤除的准确性。
14.进一步的技术方案在于，所述声音采集模块包括声音获取模块、功率放大器、信号调理器、采样/保持器、数/模转换器。
15.进一步的技术方案在于，所述声音获取模块采用至少包括2个麦克风的麦克风阵列。
16.采用麦克风阵列，避免了采用全向性单麦克风采集方案，不能区分采集360度方向的声学信号，致使目标声学信号和周围的噪声混叠在一起，增加后续声学信号分析的难度的问题，使得能够准确的从多方向和角度获取目标声学信号，减少信号分析的难度，提高最终预测的准确性。
17.进一步的技术方案在于，所述噪声滤除的具体步骤为：
18.s1对所述数字信号中的脚步声进行检测，若不存在所述脚步声，则直接进入步骤s2，若存在所述脚步声，则将所述脚步声消除后，进入步骤s2；
19.s2对所述数字信号中的鸣笛声进行检测，若不存在所述鸣笛声，则直接进入步骤s3，若存在所述鸣笛声，则将所述鸣笛声消除后，进入步骤s3；
20.s3对所述数字信号中的风噪声进行检测，若不存在所述风噪声，则直接得到所述滤除数字信号，若存在所述鸣笛声，则将所述风噪声消除后，得到所述滤除数字信号。
21.进一步的技术方案在于，所述脚步声、所述鸣笛声、所述风噪声均采用频域特征进行识别。
22.进一步的技术方案在于，还包括讲话声，在得到所述滤除数字信号后，需要进一步对所述讲话声进行识别，并进行消除，其中首先将所述滤除数字信号进行频谱分析，得到频域图形，并采用基于senet的分类模型的识别算法对所述讲话声进行识别。
23.进一步的技术方案在于，所述分类算法采用lstm算法，其具体步骤为：
24.s21将所述滤除数字信号进行处理，提取模态特征和频域特征；
25.s22将所述时域特征和频域特征送入到基于lstm算法的分类模型中，得到分类结果；
26.s23根据分类结果确认是否存在故障。
27.进一步的技术方案在于，所述分类算法采用ga-knn算法和pso-gru算法。
28.进一步的技术方案在于，所述分类算法的具体步骤为：
29.s31将所述滤除数字信号进行处理，提取模态特征、时域特征、频域特征；
30.s32将所述模态特征送入到基于ga-knn算法的分类模型中，得到knn分类结果；
31.s33将所述时域特征和频域特征送入到基于pso-gru算法的分类模型中，得到gru分类结果；
32.s34根据所述knn分类结果和所述gru分类结果得到最终的分类结果。
33.通过将所述模态特征送入到基于ga-knn算法的分类模型中，得到knn分类结果；将所述时域特征和频域特征送入到基于pso-gru算法的分类模型中，得到gru分类结果；根据所述knn分类结果和所述gru分类结果得到最终的分类结果，从而使得最终的分类结果不仅仅考虑齐总因素和算法，而是根据算法的不同采用多重因素进行确定，从而进一步提升了整体的可靠性和准确性。
34.进一步的技术方案在于，所述分类结果为正常，轻微故障，故障。
附图说明
35.通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
36.图1是根据实施例1的一种基于声学的钢轨螺栓松动检测装置的构成图。
37.图2是根据实施例1的噪声滤除的具体步骤的流程图。
38.图3是根据实施例1的采用lstm算法的分类算法的具体步骤的具体步骤的流程图。
39.图4是根据实施例1的采用ga-knn算法和pso-gru算法的分类算法的具体步骤的流程图。
具体实施方式
40.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。
41.用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
42.随着铁路运营里程不断延伸，铁路正在逐步改变人们的出行方式和生活方式，特别是高速铁路迅速发展，现已成为人们出行的首选。螺栓因其结构简单、标准统一、安装方便等优点，在高速铁路领域得到广泛应用。螺栓连接作为固定钢轨和连接钢轨上各部件并
使它们各自安全有效运行的关键性因素，在维护列车安全运行中同样扮演着重要角色。通常同一型号的螺栓安装位置以及受力情况不尽相同，因此在螺栓设计的过程中会预先给出一定的安全系数来尽可能的保证其在使用时能够安全可靠。但由于使用环境、安装情况等众多因素的影响，确保螺栓百分百安全可靠仍然十分困难，一旦工作状态下的螺栓发生失效，尤其重要部件的螺栓发生失效，将会产生难以估量的损失。
43.在论文《基于小波时频图与轻量级卷积神经网络的螺栓连接损伤识别》中作者卓德兵通过采用声音信号，提出了结合小波时频图与轻量级卷积神经网络mobilenetv2优势的螺栓松动识别方法。该方法通过对采集到的声音信号进行预处理和连续小波变换得到小波时频图，以小波时频图作为样本对轻量级卷积神经网络mobilenetv2进行训练，从而实现螺栓松动声音信号的识别，但是在高速铁路领域中，通过敲击螺栓得到的声音信号较为微弱，若不能针对性的对螺栓周边环境中的噪音进行分类型滤除，充分考虑最常见的铁路螺栓检测背景中的脚步、车鸣笛声、以及风噪声的噪声，类型不全或者没有类型区分，有可能会导致滤波效果不好或者对检测目标信号的误伤，从而使得最终的检测精度过差。
44.实施例1
45.为解决上述问题，根据本发明的一个方面，如图1所示，提供了一种基于声学的钢轨螺栓松动检测装置。
46.一种基于声学的钢轨螺栓松动检测装置，其特征在于，具体包括：
47.声音采集模块，声学信号前端处理模块，声学信号分类模块；
48.所述声音采集模块负责将钢轨螺栓敲击声音信号转换为数字信号，并将所述数字信号传递给所述声学信号前端处理模块；
49.所述声学信号前端处理模块负责对所述数字信号进行噪声滤除，得到滤除数字信号，并将所述滤除数字信号传输给声学信号分类模块，其中所述噪声滤除根据所述钢轨螺栓周边环境噪声类型，对所述周边噪声进行分类型滤除，所述周边环境噪声类型包括脚步声、车鸣笛声、以及风噪声；
50.所述声学信号分类模块负责根据所述滤除数字信号，采用分类算法，输出故障分类结果。
51.举个例子，当巡检人员启动螺栓松动检测开关后，声音采集模块开始拾取巡检人员敲击螺栓的声音信号，并将采集到的模拟信号转换为数字信号后，传送给锤柄中的声学信号前端处理模块。声学信号前端处理模块会先对输入的声学信号进行预处理，压制干扰噪声，再把经过预处理后的数据送给声学信号分类模块。声学信号分类模块的主体是一个基于深度神经网络的分类器，它通过之前训练好的大数据模型，运用分类算法对声学信号进行分类，并将分类结果输出给锤柄的底部显示系统。如果分类结果显示当前敲击螺栓存在松动情况，将会警示负责巡检的工作人员。
52.声音采集模块将敲击钢轨螺栓的声音信号转换为数字芯片能够处理的数字信号，数字信号一般为电压信号，并将数字信号传输给声学信号前端处理模块，声学信号前端处理模块在得到数字信号后，根据钢轨螺栓周边环境噪声类型，分类型对环境噪声信号针对性的滤除，从而使得整体的滤波效果变得更好，避免了导致滤波效果不好或者对检测目标信号的误伤的问题，并得到滤除数字信号，并将滤除数字信号传输给声学信号分类模块，声学信号分类模块根据滤除数字信号，采用分类算法，根据所述滤除数字信号的类型和特征，
输出分类结果，判断是处于正常或者故障状态，从而针对性的进行检修，通过根据高铁钢轨螺栓的具体环境进行噪声类型的准确定位，从而使得对背景噪声的消除变得更具有针对性，从而提升了噪声滤除的准确性。
53.通过采用声音采集模块将敲击钢轨螺栓的声音信号转换为数字芯片能够处理的数字信号，从而不需要采用破坏性的检测手段对钢轨螺栓进行检测，具有较好的检测效果，同时避免了原有的图像识别方法仅仅只能通过外表识别，而对于内部的识别效果较差的问题，具有较高的灵敏度。通过采用声学信号前端处理模块负责对所述噪声滤除根据所述钢轨螺栓周边环境噪声类型，对所述周边噪声进行分类型滤除，从而使得滤除效果变得更具有针对性，也更加准确，从而避免了原有的滤波算法对钢轨的数字信号的破坏或者滤除效果不够好的问题，由于钢轨的数字信号较为微弱，采用传统的滤波算法若阈值设置过高，会导致对数字信号的破坏，阈值过低，则会导致噪声过大，使最终的判断结果不够准确，通过根据高铁钢轨螺栓的具体环境进行噪声类型的准确定位，从而使得对背景噪声的消除变得更具有针对性，从而提升了噪声滤除的准确性。
54.在另外一种可能的实施例中，所述声音采集模块包括声音获取模块、功率放大器、信号调理器、采样/保持器、数/模转换器。
55.举个例子，铁路巡检人员用检测锤敲击钢轨上的螺栓后，麦克风阵列开始拾取目标声源方向上的声学信号，并经功率放大器放大后，送入音频接口，音频接口包括信号调理器、采样/保持器、数/模转换器，音频接口首先对信号进行调理，经过必要的消抖、滤波、线性化补偿、隔离、保护等措施后，再对模拟信号进行采样和保持，最后经过数/模转换模块，将模拟信号转换为数字信号，并将该数字信号输出。
56.在另外一种可能的实施例中，所述声音获取模块采用至少包括2个麦克风的麦克风阵列。
57.举个例子，将线性麦克风阵列嵌在检测锤的锤柄之中，阵列中的麦克风阵元均匀分布且保持一定的距离，以保证麦克风阵列算法的效果。麦克风阵元需要避开锤柄日常被握持的位置，否则会影响麦克风收音。在麦克风阵列的位置做醒目的标识，提醒使用人员握持时不要遮挡到麦克风阵列。声学信号处理芯片装在锤柄的内部，与麦克风阵列通过数据线连接，以便接收麦克风阵列传来的声学信号。一个小型的液晶显示器安装在锤柄的底部，与声学信号处理芯片通过数据线连接，以便显示处理芯片的检测结果。另外检测锤上还装有一个启动开关。
58.采用麦克风阵列，避免了采用全向性单麦克风采集方案，不能区分采集360度方向的声学信号，致使目标声学信号和周围的噪声混叠在一起，增加后续声学信号分析的难度的问题，使得能够准确的从多方向和角度获取目标声学信号，减少信号分析的难度，提高最终预测的准确性。
59.在另外一种可能的实施例中，如图2所示，所述噪声滤除的具体步骤为：
60.s1对所述数字信号中的脚步声进行检测，若不存在所述脚步声，则直接进入步骤s2，若存在所述脚步声，则将所述脚步声消除后，进入步骤s2；
61.s2对所述数字信号中的鸣笛声进行检测，若不存在所述鸣笛声，则直接进入步骤s3，若存在所述鸣笛声，则将所述鸣笛声消除后，进入步骤s3；
62.s3对所述数字信号中的风噪声进行检测，若不存在所述风噪声，则直接得到所述
滤除数字信号，若存在所述鸣笛声，则将所述风噪声消除后，得到所述滤除数字信号。
63.在另外一种可能的实施例中，所述脚步声、所述鸣笛声、所述风噪声均采用频域特征进行识别。
64.在另外一种可能的实施例中，还包括讲话声，在得到所述滤除数字信号后，需要进一步对所述讲话声进行识别，并进行消除，其中首先将所述滤除数字信号进行频谱分析，得到频域图形，并采用基于senet的分类模型的识别算法对所述讲话声进行识别。
65.在另外一种可能的实施例中，如图3所示，所述分类算法采用lstm算法，其具体步骤为：
66.s21将所述滤除数字信号进行处理，提取模态特征和频域特征；
67.s22将所述时域特征和频域特征送入到基于lstm算法的分类模型中，得到分类结果；
68.s23根据分类结果确认是否存在故障。
69.举个例子，高速铁路螺栓松动检测的本质上是一个模式分类问题，解决这种问题有两个阶段。一是训练模型阶段：前期采集大量的声学信号，涵盖螺栓紧固状态下的敲击钢轨螺栓所产生的声学信号以及存在各种类型的螺栓松动状态下敲击钢轨螺栓所产生的声学信号，并做预处理；然后正确的标注这些声学信号，作为训练样本；接着根据需要把这些训练样本做预处理，包括转换格式，归一化采样率，预加重，分诊，加窗等，并提取处具有有效表征的声学特征；再把提取的声学特征送入建好的lstm网络模型中进行训练，生成训练模型。最后当训练结果达到目标要求后，固化模型将其作为训练模型。二是分类检测阶段：输入待检测的声学信号作为检测样本。同样经过预处理，并提取与训练过程中相同的声学特征，最后将该特征送入基于lstm网络模型的检测系统进行分类并输出分类结果。
70.在另外一种可能的实施例中，所述分类算法采用ga-knn算法和pso-gru算法。
71.在另外一种可能的实施例中，如图4所示，所述分类算法的具体步骤为：
72.s31将所述滤除数字信号进行处理，提取模态特征、时域特征、频域特征；
73.s32将所述模态特征送入到基于ga-knn算法的分类模型中，得到knn分类结果；
74.s33将所述时域特征和频域特征送入到基于pso-gru算法的分类模型中，得到gru分类结果；
75.s34根据所述knn分类结果和所述gru分类结果得到最终的分类结果。
76.通过将所述模态特征送入到基于ga-knn算法的分类模型中，得到knn分类结果；将所述时域特征和频域特征送入到基于pso-gru算法的分类模型中，得到gru分类结果；根据所述knn分类结果和所述gru分类结果得到最终的分类结果，从而使得最终的分类结果不仅仅考虑齐总因素和算法，而是根据算法的不同采用多重因素进行确定，从而进一步提升了整体的可靠性和准确性。
77.在另外一种可能的实施例中，所述分类结果为正常，轻微故障，故障。
78.在本发明实施例中，术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可折卸连接，或一体地连接。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。
79.本发明实施例的描述中，需要理解的是，术语“上”、“下”等指示的方位或位置关系
为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明实施例的限制。
80.在本说明书的描述中，术语“一个实施例”、“一个优选实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明实施例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实例。而且，描述的具体特征、结构、材料或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。
81.以上仅为本发明实施例的优选实施例而已，并不用于限制本发明实施例，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。