CN110879254B - 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法 - Google Patents

Abstract

一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法，本发明解决了针对不同种类的噪声环境下，通过对抗神经网络训练噪声模型实现自动滤除复杂噪声问题。本发明的步骤为：一、合成不同噪声背景下含噪信号样本库并归一化。二、生成式对抗网络的初始化。三、将去噪样本与参考样本共同输入判别器网络并根据判别误差更新判别网络权值。四、根据判别器损失值及去噪后均方误差更新生成网络权值。五、交替训练判别网络与生成网络最终用生成器前向网络实现噪声的有效去除。本发明与现有技术相比，具有以下优点：1)可用相同结构同时抑制多种噪声；2)自动学习噪声模型，不需任何先验知识；3)在高速强噪背景下仍能检测出裂纹声发射信号。

Description

一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信 号检测方法

技术领域

本发明涉及高速铁路钢轨裂纹信号检测领域的方法，具体涉及一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法。

背景技术

目前，我国的四纵四横高铁网进入全面收官阶段，八纵八横的高铁网建设也已经出台。在高速铁路快速发展的同时，列车高速、平稳的运行关系到人民生命和国家财产的安全，高铁的安全性越来越受到人们的高度重视。铁路中的钢轨在长期使用过程中，由于疲劳发生剥离、斑脱、裂纹、断裂及其它影响其性能的钢轨伤损也在逐渐增多。在高速铁路***中，高速列车产生的长期碰撞、挤压等作用更加突出，裂纹出现的概率以及裂纹扩展的速度都会提高，如不及时检测并采取安全措施，裂纹在后续持续作用的外力下极易扩展，从而造成断轨，甚至列车脱轨等重大事故。

钢轨裂纹活动时会产生大量声发射现象，以弹性波形式释放应变能并在钢轨中传播，这种弹性波可被声发射传感器采集，记录于声发射信号中，因此从声发射信号中可解读出大量与动态裂纹直接相关的信息。声发射检测技术可以用于动态裂纹特性研究，通过对行车负载下钢轨中信号的被动式实时监听，能够检测出裂纹萌生及扩展情况，非常适合于对钢轨包含伤损的严重等级乃至钢轨寿命阶段的评估，从而及早采取相应的维护措施。

但由于声发射检测技术具有敏感性与被动式特性，声发射采集信号较易受到噪声影响。铁路现场采集得到的信号中通常存在较复杂的噪声成分，背景噪声主要由轮轨间相互机械作用伴随的摩擦、磨损引起，存在较明显的平稳性与时序性；另外也有一些未知因素引起的随机性异常噪声。因此本发明提出一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法，基于深度学习中的生成式对抗模型(Generative adversarialnetworks，GAN)实现对复杂噪声模型的建立与噪声成分的消除，这种模型自身包含两部分：生成器网络(Generator，G)及判别器网络(Discriminator，D)。本方法针对不同种类的噪声训练时序模型并在生成器网络中形成针对同种噪声的滤波器，起到对原始含噪信号的滤波作用，通过判别器网络判断处理后信号是否仍含有噪声成分，使得二者在对抗中交替迭代优化，最终实现对复杂噪声成分的复合滤波作用，并进一步提高滤波精度。

发明内容

本发明提出了一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法。在裂纹信号完全被轮轨噪声淹没的条件下，结合所提出的方法，能够实现抑制铁路现场中复杂噪声成分，检测裂纹声发射信号发生的目的，从而为钢轨裂纹伤损的特征提取与分类提供进一步指导。

本发明通过以下技术方案实现：

一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法，包括以下步骤：采集铁路现场列车行驶时产生的特定轮轨噪声信号，并保持初始幅值与参考裂纹信号相叠加，合成含噪裂纹信号，对含噪信号做归一化处理得归一化含噪信号z，给出对应裂纹信号的标签并将之映射为One-hot编码格式的属性标签x_c，如弹性阶段或塑性阶段对应[0，1]或[1，0]，将标签x_c拼接在归一化含噪信号z之后得训练样本(z，x_c)；设定生成器网络(G)及判别器网络(D)的结构参数，迭代次数及初始值；将一批含噪信号样本(z，x_c)输入生成器网络，得到滤波后信号与不含噪声的参考信号共同代入判别器网络(D)中，并计算两者间均方误差(Mean Square Error，MSE)及对抗损失函数的随机梯度，根据均方误差及损失函数的随机梯度下降方向更新判别器(D)权值矩阵参数；在判别器优化k步之后，再根据均方误差及对抗损失函数中判别器对噪声信号辨识得到的损失值在随机梯度下降方向更新生成器(G)权值矩阵参数；重复以上步骤，通过二者的交替迭代与优化，获得最佳滤波结构或达到最大迭代次数后停止，对于训练好的GAN网络，测试过程直接采用生成器的前向网络对测试样本进行处理然后判断其处理后去噪效果如信噪比即可。

本发明的流程图如图1所示，共分为五个步骤，具体步骤如下：

步骤一：合成不同噪声背景下含噪信号样本库并归一化。

采集铁路现场列车行驶时产生的特定轮轨噪声信号x⁽ⁱ⁾ _noise，并保持初始幅值与相同时间长度的参考裂纹信号x⁽ⁱ⁾相叠加，合成含噪裂纹信号，对含噪裂纹信号做预处理得归一化含噪信号z⁽ⁱ⁾，z⁽ⁱ⁾＝(x⁽ⁱ⁾+x⁽ⁱ⁾ _noise)/max(abs(x⁽ⁱ⁾+x⁽ⁱ⁾ _noise))；

其中，max(·)代表求向量最大值，abs(·)代表求取向量元素绝对值。i为信号样本在训练集中的序号。给出对应裂纹信号的标签并将之映射为One-hot编码格式的属性标签x⁽ⁱ⁾ _c，如弹性阶段或塑性阶段对应标签为[0，1]或[1，0]，将标签x⁽ⁱ⁾ _c拼接在归一化含噪信号z⁽ⁱ⁾之后共得n个训练样本(z，x_c)_n×l，同理得m个测试样本(z_t，x_ct)_m×l，其中l为标准含噪信号所含的采样点数。

步骤二：生成式对抗网络的初始化过程，包括：设定生成器网络(G)及判别器网络(D)的初始值及结构参数：包括网络层数、节点数及权值初始值、训练最小批次n_batch、迭代次数N、学习率α，正则化权值λ等。本发明G，D的前向网络都采用全连接层，其层间计算公式如下：

其中，

为l层j单元的输出，

为l+1层i单元的输出，

为G或D网络中连接l层j单元与l+1层i单元的权值，

为l+1层i单元的偏置，

为l+1层i单元的输出，f(·)代表激活函数，可选用sigmoid函数或双曲正切函数等，对应表达式如下：

另外，在选择激活函数上，由于生成器网络用于滤波，因此采用降噪自编码器(Denoising AutoEncoder，DAE)的结构且输出层的激活函数应选择双曲正切函数以模拟输出信号在正负范围内的波动；而判别器网络用于判断滤波后信号是否仍含有噪声成分，需采用sigmoid函数做输出层函数，这样较容易将输出值压缩在[0，1]范围内，给出二分类的近似概率结果。生成器网络(G)及判别器网络(D)的输入输出关系如下：

其中，D(·)为判别器神经网络构成的映射算子，θ_d为判别器网络(D)权值矩阵参数，其作用在于对去噪信号与参考信号进行判别，给出判别结果

用于反向传播及参数更新；G(·)为生成器神经网络构成的映射算子，θ_g为生成器网络(G)权值矩阵参数，其作用在于对含噪输入z⁽ⁱ⁾进行预测及滤波处理得到对应的去噪信号

判别器网络(D)及生成器网络(G)迭代优化过程中的目标函数如下：

步骤三：将去噪样本与参考样本共同输入判别器网络并根据判别误差更新判别网络权值。将一批含噪信号样本

输入生成器前向网络，得到滤波后样本与不含噪声的参考样本共同代入判别器网络(D)中，并计算两者间均方误差(Mean Square Error，MSE)及对抗损失函数的随机梯度，根据损失函数的随机梯度下降方向更新判别器(D)权值矩阵参数θ_d：

其中，D(·)为判别器神经网络的映射算子，G(·)为生成器神经网络的映射算子。

步骤四：根据判别器损失值及去噪后均方误差更新生成网络权值。

在判别器优化k步之后，根据均方误差及对抗损失函数中判别器对噪声信号辨识得到的损失值在随机梯度下降方向更新生成器(G)权值矩阵参数θ_g：

其中，λ₁为对抗损失函数的正则化权值，λ₂为均方误差的正则化权值，λ₁+λ₂＝1。均方误差根据向量二范数计算：

其中

x⁽ⁱ⁾(k)代表第i个参考裂纹信号向量x⁽ⁱ⁾的第k个元素，

代表第i个去噪后样本向量

的第k个元素。

步骤五：交替训练判别网络与生成网络最终用生成器前向网络实现噪声的有效去除。

重复步骤三及步骤四，反复输入全部训练集数据，通过二者的交替迭代与优化，达到最大迭代次数N后停止；对于训练好的GAN结构，测试过程直接采用生成器的前向网络对测试样本进行处理然后判断其处理后去噪后峰值信噪比(Peak Signal to Noise Ratio，PSNR)并检验是否满足精度要求：

其中，

为滤波后第i个信号中的第k个元素，x⁽ⁱ⁾(k)为参考裂纹信号的第i个第k个元素。

本发明与现有技术相比具有如下优点：

1.可利用同一滤波结构训练后用于滤除多种类型噪声，适用噪声环境较为复杂的实际铁路现场应用，无需任何先验知识，只需要保证训练过程给定充足的参考裂纹信号与不同种类的噪声信号；

2.本发明所提出的去噪方法，在钢轨裂纹信号被完全淹没在噪声信号的情况下，依然能够达到抑制噪声，检测裂纹信号的目的。

附图说明

图1为本发明的流程图。

图2为本发明中轮轨噪声背景下的合成含噪信号与参考裂纹信号波形图。

图3为本发明中高斯白噪声背景下的合成含噪信号与参考裂纹信号波形图。

图4为本发明中采用的生成式对抗网络的结构示意图。

图5为本发明中消除轮轨噪声后的去噪信号与对应参考裂纹信号。

图6为本发明中消除高斯白噪声后的去噪信号与对应参考裂纹信号。

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，所述一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法，具体实施过程如下：

执行步骤一：合成不同噪声背景下含噪信号样本库并归一化，采集铁路现场列车行驶时产生的特定轮轨噪声信号x⁽ⁱ⁾ _noise1与模拟得到的高斯白噪声x⁽ⁱ⁾ _noise2，并保持初始幅值与相同时间长度的参考裂纹信号x⁽ⁱ⁾相叠加，合成含噪裂纹信号，对两种含噪裂纹信号做预处理得归一化含噪信号z₁ ⁽ⁱ⁾、z₂ ⁽ⁱ⁾，

z₁ ⁽ⁱ⁾＝(x⁽ⁱ⁾+x⁽ⁱ⁾ _noise1)/max(abs(x⁽ⁱ⁾+x⁽ⁱ⁾ _noise1))，z₂ ⁽ⁱ⁾＝(x⁽ⁱ⁾+x⁽ⁱ⁾ _noise2)/max(abs(x⁽ⁱ⁾+x⁽ⁱ⁾ _noise2))；

其中，max(·)代表求向量最大值，abs(·)代表求取向量元素绝对值。i为信号样本在训练集中的序号。裂纹信号由钢轨试件的拉伸实验采集。在实验过程中，给出对应裂纹信号的标签并将之映射为One-hot编码格式的属性标签x⁽ⁱ⁾ _c，如弹性阶段或塑性阶段对应标签为[0，1]或[1，0]，将标签x⁽ⁱ⁾ _c拼接在归一化含噪信号z₁ ⁽ⁱ⁾、z₂ ⁽ⁱ⁾之后分别得到n＝3000个训练样本(z₁，x_c)_n×l、(z₂，x_c)_n×l，同理分别得m＝200个测试样本(z_t1，x_ct)_m×l、(z_t2，x_ct)_m×l，其中l＝2048为标准含噪信号所含的采样点数，采样频率5MHz，每段信号对应时间长度为409.6μs。含轮轨噪声的合成信号与参考信号如图2所示，含高斯白噪声的信号与参考信号如图3所示。

执行步骤二：生成式对抗网络的初始化过程，包括：

(1)设定生成器网络(G)及判别器网络(D)的网络深度及结构参数，包括：网络层数、节点数及各节点激活函数：在结构设计上，由于生成器网络用于滤波，因此采用降噪自编码器(Denoising AutoEncoder，DAE)的结构，即包含编码器(Encoder)、解码器(Decoder)两部分，本发明中G，D的前向网络都采用全连接层，其层间计算公式如下：

其中，

为l层j单元的输出，

为l+1层i单元的输出，

为G或D网络中连接l层j单元与l+1层i单元的权值，

为l+1层i单元的偏置，

为l+1层i单元的输出，f(·)代表激活函数，可选用sigmoid函数或双曲正切函数等，对应表达式如下：

在激活函数的选择上，生成器输出层的激活函数应选择双曲正切函数以模拟输出信号在正负范围内的波动；而判别器网络用于判断滤波后信号是否仍含有噪声成分，需采用sigmoid函数做输出层函数，这样较容易将输出值压缩在[0，1]范围内，给出二分类的近似概率结果；为了加速隐藏层的收敛过程，隐藏层激活函数选择ReLu函数。本实施例采用的神经网络结构如图4所示，生成器网络(G)及判别器网络(D)的输入输出关系如下：

其中，D(·)为判别器神经网络的映射算子，θ_d为判别器网络(D)权值矩阵参数，其作用在于对去噪信号与参考信号进行判别，给出判别结果

用于反向传播及参数更新；G(·)为生成器神经网络的映射算子，θ_g为生成器网络(G)权值矩阵参数，其作用在于对含噪输入z⁽ⁱ⁾进行预测及滤波处理得到对应的去噪信号

判别器网络(D)及生成器网络(G)迭代优化过程中的目标函数如下：

(2)网络迭代参数及各层初始值设定：包括训练最小批次n_batch＝100、迭代次数N＝500、学习率α＝1×10^-4，正则化权值λ₁＝0.1、λ₂＝0.9等。权值初始值随机初始化，网络权值的梯度及偏置梯度均设为0。

执行步骤三：将去噪样本与参考样本共同输入判别器网络并根据判别误差更新判别网络权值。将一批含噪信号样本

输入生成器网络，得到滤波去噪后样本与不含噪声的参考样本共同代入判别器网络(D)中，并计算两者间均方误差(Mean SquareError，MSE)及对抗损失函数的随机梯度，根据均方误差及损失函数的随机梯度下降方向更新判别器网络(D)权值矩阵参数θ_d：

均方误差根据向量二范数计算：

其中，x⁽ⁱ⁾(k)代表第i个样本向量x⁽ⁱ⁾的第k个元素。

执行步骤四：根据判别器损失值及去噪后均方误差更新生成网络权值。在判别器优化k＝1步之后，即给判别器输入k批训练样本后，根据去噪后样本与参考样本间均方误差及对抗损失函数中判别器对噪声信号辨识得到的损失值，二者加权组合在G的各层间反向传播，在随机梯度下降方向更新生成器网络(G)权值矩阵参数θ_g：

其中，λ₁＝0.1，为对抗损失函数的正则化权值；λ₂＝0.9，为均方误差的正则化权值，λ₁+λ₂＝1。

执行步骤五：交替训练判别网络与生成网络最终用生成器前向网络实现噪声的有效去除。重复步骤三及步骤四，反复输入全部训练集中所有批数据，通过二者的交替迭代与优化，达到最大迭代次数500次后停止；对于训练完成的GAN网络，测试过程直接采用生成器的前向网络对测试样本进行处理然后判断其去噪处理后峰值信噪比(Peak Signal toNoise Ratio，PSNR)：

其中，

为滤波后第i个信号中的第k个元素，x⁽ⁱ⁾(k)为参考裂纹信号的第i个第k个元素。利用本发明对轮轨噪声的去噪结果如图5所示，对高斯白噪声的去噪结果如图6所示。最终从测试样本集中随机选取20个样本，统计其在不同噪声环境去噪后的峰值信噪比的均值及标准差，统计结果如表一所示。

表一、不同噪声环境下峰值信噪比的均值及标准差

噪声种类	高斯白噪声	轮轨机械噪声
			峰值信噪比均值(dB)	21.458	20.035
峰值信噪比标准差(dB)	±2.868	±3.404

综合实施例的上述分析，对于高速铁路钢轨探伤中钢轨裂纹声发射信号的去噪与检测，本发明采用一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法，该方法可利用同一滤波结构通过不同噪声样本库训练后用于滤除多种类型噪声，如实施例中针对高斯白噪声及轮轨机械噪声做出噪声建模及去噪处理。适用噪声环境较为复杂的实际铁路现场应用，无需任何先验知识，只需要保证训练过程给定充足的参考裂纹信号与不同种类的噪声信号，在钢轨裂纹信号被完全淹没在噪声信号的情况下，依然能够达到抑制噪声，检测裂纹信号的目的。

Claims (3)

1.一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法，其特征在于包括如下步骤：

步骤一：采集铁路现场列车行驶时产生的特定轮轨噪声信号x⁽ⁱ⁾ _noise，并保持初始幅值与相同时间长度的参考裂纹信号x⁽ⁱ⁾相叠加，合成含噪裂纹信号，对含噪裂纹信号做预处理得归一化含噪信号z⁽ⁱ⁾，z⁽ⁱ⁾＝(x⁽ⁱ⁾+x⁽ⁱ⁾ _noise)/max(abs(x⁽ⁱ⁾+x⁽ⁱ⁾ _noise))；

其中，max(·)代表求向量最大值，abs(·)代表求取向量元素绝对值，i为信号样本在训练集中的序号，给出对应裂纹信号的标签并将之映射为One-hot编码格式的属性标签x⁽ⁱ⁾ _c，弹性阶段裂纹信号的对应标签为[0,1]，塑性阶段对应标签为[1,0]，将标签x⁽ⁱ⁾ _c拼接在归一化含噪信号z⁽ⁱ⁾之后共得n个训练样本(z,x_c)_n×l，同理得m个测试样本(z_t,x_ct)_m×l，其中l为标准含噪信号所含的采样点数；

步骤二：生成式对抗网络的初始化过程，包括：设定生成器网络(G)及判别器网络(D)的初始值及结构参数：包括网络层数、节点数及权值初始值、训练最小批次n_batch、迭代次数N、学习率α、正则化权值λ₁，λ₂；生成器网络和判别器网络的前向网络都采用全连接层，其层间计算公式如下：

其中，

为l+1层i单元的输出，

为生成器或判别器网络中连接l层j单元与l+1层i单元的权值，

为l+1层i单元的偏置

为l+1层i单元的输出，f(·)代表激活函数，选用sigmoid函数或双曲正切函数，对应表达式如下：

具体在激活函数的选择原则上，由于生成器网络用于滤波，因此采用降噪自编码器(Denoising AutoEncoder,DAE)的结构且输出层的激活函数应选择双曲正切函数以模拟输出信号在正负范围内的波动；而判别器网络用于判断滤波后信号是否仍含有噪声成分，需采用sigmoid函数做输出层函数，这样较容易将输出值压缩在[0,1]范围内，给出二分类的近似概率结果，生成器网络(G)及判别器网络(D)的输入输出关系如下：

其中，D(·)为判别器网络的映射算子，θ_d为判别器网络(D)权值矩阵参数，其作用在于对去噪信号与参考信号进行判别，给出判别结果

用于反向传播及参数更新；G(·)为生成器网络的映射算子，θ_g为生成器网络(G)权值矩阵参数，其作用在于对含噪输入z⁽ⁱ⁾进行预测及滤波处理得到对应的去噪信号

判别器网络(D)及生成器网络(G)迭代优化过程中的目标函数如下：

其中，λ₁为对抗损失函数的正则化权值，λ₂为均方误差的正则化权值，λ₁+λ₂＝1；

步骤三：将去噪样本与参考样本共同输入判别器网络并根据判别误差更新判别网络权值；将归一化含噪信号样本

输入生成器前向网络，得到滤波后样本与不含噪声的参考样本共同代入判别器网络(D)中，并计算两者间均方误差(Mean Square Error,MSE)及对抗损失函数的随机梯度，根据损失函数的随机梯度下降方向更新判别器网络(D)权值矩阵参数θ_d：

其中，Δθ_d为θ_d的更新量，

为梯度算子，D(·)为判别器网络的映射算子，G(·)为生成器网络的映射算子；

步骤四：根据判别器损失值及去噪后均方误差(MSE)更新生成器网络权值θ_g；

步骤五：交替训练判别器网络与生成器网络，用训练完成的生成器网络实现噪声的有效去除，提取出去噪裂纹信号

计算峰值信噪比并判断是否符合去噪精度要求。

2.根据权利要求1所述的一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法，其特征在于所述的步骤四为：

在判别器网络优化k步之后，根据均方误差及对抗损失函数中判别器网络对噪声信号辨识得到的损失值在随机梯度下降方向更新生成器网络(G)权值矩阵参数θ_g：

其中，Δθ_g为θ_g的更新量，λ₁为对抗损失函数的正则化权值，λ₂为均方误差的正则化权值，λ₁+λ₂＝1，均方误差根据向量二范数计算：

其中

为第i个去噪裂纹信号

中的第k个元素，x⁽ⁱ⁾(k)代表第i个参考裂纹信号x⁽ⁱ⁾的第k个元素。

3.根据权利要求1所述的一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法，其特征在于所述的步骤五为：

重复步骤三及步骤四，反复输入全部训练集数据，通过二者的交替迭代与优化，达到最大迭代次数N后停止；对于训练好的GAN结构，测试过程直接采用生成器的前向网络对测试样本进行处理然后判断其去噪后峰值信噪比(Peak Signal to Noise Ratio,PSNR)并检验是否满足精度要求：

其中，

为第i个去噪裂纹信号中的第k个元素，x⁽ⁱ⁾(k)为第i个参考裂纹信号的第k个元素。

Images