CN111855810B - 一种基于循环神经网络的轨底伤损识别方法及*** - Google Patents

一种基于循环神经网络的轨底伤损识别方法及*** Download PDF

Info

Publication number
CN111855810B
CN111855810B CN202010697585.2A CN202010697585A CN111855810B CN 111855810 B CN111855810 B CN 111855810B CN 202010697585 A CN202010697585 A CN 202010697585A CN 111855810 B CN111855810 B CN 111855810B
Authority
CN
China
Prior art keywords
data
neural network
recurrent neural
damage
sample set
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
Application number
CN202010697585.2A
Other languages
English (en)
Other versions
CN111855810A (zh
Inventor
申涛
赵钦君
徐勤华
徐元
王立果
马千福
张万舟
吕关仁
卢海强
李跃远
张保国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Mgdaas System Co ltd
University of Jinan
Jinan Public Works Section of China Railway Jinan Group Co Ltd
Original Assignee
Shandong Mgdaas System Co ltd
University of Jinan
Jinan Public Works Section of China Railway Jinan Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Mgdaas System Co ltd, University of Jinan, Jinan Public Works Section of China Railway Jinan Group Co Ltd filed Critical Shandong Mgdaas System Co ltd
Priority to CN202010697585.2A priority Critical patent/CN111855810B/zh
Publication of CN111855810A publication Critical patent/CN111855810A/zh
Application granted granted Critical
Publication of CN111855810B publication Critical patent/CN111855810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
    • G01N29/0609—Display arrangements, e.g. colour displays
    • G01N29/0645—Display representation or displayed parameters, e.g. A-, B- or C-Scan
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
    • B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
    • B61K9/08—Measuring installations for surveying permanent way
    • B61K9/10—Measuring installations for surveying permanent way for detecting cracks in rails or welds thereof
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biochemistry (AREA)
  • Molecular Biology (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Acoustics & Sound (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于循环神经网络的轨底伤损识别方法及***，包括：获取待测区段的超声波探伤数据，将所述数据转换为具有时序特征的数字序列；将所述数字序列输入到训练好的RNN循环神经网络模型，输出是否具有伤损及伤损的位置信息；对于RNN循环神经网络模型的训练过程包括：构建原始数据集；对原始数据集中的B显数据进行通道预处理；将所述样本集转换为具有时序特征的数字序列，对样本集中的正负样本进行标记；利用标记后的样本集对RNN循环神经网络模型进行训练。本发明可在现行探伤作业条件下直接检测探伤车数据，不需要其他辅助设备对钢轨进行检测。解决了B显数据中钢轨伤损回波形式多样化、回波信号的确切表达式很难得出等问题。

Description

一种基于循环神经网络的轨底伤损识别方法及***
技术领域
本发明涉及铁路***钢轨无损检测下的超声波探伤技术领域，尤其涉及一种基于循环神经网络的轨底伤损识别方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
钢轨的伤损识别分类技术是我国钢轨探伤***中的一项关键技术。我国目前常用的钢轨损伤检测***中，超声波伤损检测是实际应用中的主流方式，绝大多数都是将采集的损伤信息直接在终端显示，通过探伤人员来判断钢轨是否存在缺陷。这种模式决定了在钢轨探伤中，伤轨的检出率与探伤工作人员的专业水平成正相关关系。随着新铁路的不断建设、铁路运量的不断提升以及车辆行驶速度的不断提高，伤轨出现的数量和探伤人员的工作量也将不断的增大，在探伤人员疲劳的情况下，会导致伤轨漏检率的增加。
现有技术公开了基于神经网络的钢轨损伤检测方法，但是，该方法采集的数据库中伤损类型混杂，导致最终检测出的结果伤损位置不明确，还需要人工进一步判定；另外，该方法不是对探伤仪数据的直接检测，需要借助一套自制的硬件设备进行波形匹配，而实际探伤工作时间紧、路程长，实际操作难度大。
发明内容
有鉴于此，本发明提出了一种基于循环神经网络的轨底伤损识别方法及***，搭建循环神经网络，利用原始B显数据的通道分布特征、数字组合特征以及时间顺序上的排列组合特征，将B显图像形式的数据处理成具有时序特征的数字序列，利用搭建的循环神经网络对其进行识别，输出轨底伤损的位置信息，实现钢轨轨底伤损的快速检测。
为了实现上述目的，在一些实施方式中，采用如下技术方案：
一种基于循环神经网络的轨底伤损识别方法，包括：
获取待测区段的超声波探伤数据，将所述数据转换为具有时序特征的数字序列；将所述数字序列输入到训练好的RNN循环神经网络模型，输出是否具有伤损及伤损的位置信息；
其中，对于RNN循环神经网络模型的训练过程包括：
获取设定数量的带有轨底伤损和其他回波样本的B显数据，构建原始数据集；
对原始数据集中的B显数据进行通道预处理，从预处理后的数据集中分别截取若干正负样本，形成样本集，并划分为训练集和测试集；
将所述样本集转换为具有时序特征的数字序列，对样本集中的正负样本进行标记；利用标记后的样本集对RNN循环神经网络模型进行训练。
在另一些实施方式中，采用如下技术方案：
一种基于循环神经网络的轨底伤损识别***，包括：
探伤数据解析模块：用于获取待测区段的超声波探伤数据，将所述数据转换为具有时序特征的数字序列；
伤损数据检测模块：用于将所述数字序列输入到训练好的RNN循环神经网络模型，输出是否具有伤损及伤损的位置信息；
其中，对于RNN循环神经网络模型的训练过程包括：
获取设定数量的带有轨底伤损和其他回波样本的B显数据，构建原始数据集；
对原始数据集中的B显数据进行通道预处理，从预处理后的数据集中分别截取若干正负样本，形成样本集，并划分为训练集和测试集；
将所述样本集转换为具有时序特征的数字序列，对样本集中的正负样本进行标记；利用标记后的样本集对RNN循环神经网络模型进行训练。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的基于循环神经网络的轨底伤损识别方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于循环神经网络的轨底伤损识别方法。
与现有技术相比，本发明的有益效果是：
(1)本发明是基于探伤车数据的轨底伤损检测***，可在现行探伤作业条件下直接检测探伤车数据，不需要其他辅助设备对钢轨进行检测。基于循环神经网络的模型可以实现特征的自动提取，解决了B显数据中钢轨伤损回波形式多样化、回波信号的确切表达式很难得出等问题。
(2)本发明对探伤车B显数据进行了解压、解析和恢复，将B显图像形式的数据处理成具有时序特征的数字序列，还原了B显图像的原始信息，一方面解决了“过长的铁路线路，图像化数据量大，计算量也大，难以实际应用等问题”，同时匹配了循环神经网络擅于处理时序对象的优势。经过预处理后的16进制序列数据除了具有明显的时序特征外，其每个脉冲下的数字组合也很有规律，前后排列具有一定逻辑性，这非常符合循环神经网络所擅长的自然语言处理场景，因此在本发明中循环神经网络能发挥很好的特征提取作用。
(3)本发明针对新探伤数据形式设计RNN的结构，优化了计算效率加快了检测速度；将探伤数据重新编码生成词向量作为RNN的输入，重新编码后的数据，一是具有时序特点，二是数字序列的排列具有明显规律，这非常类似自然语言的特点，即非常符合RNN的结构特性带来的记忆优势。
(4)本发明专门针对轨底伤损进行检测，针对它的通道分布特点，单独提取探伤数据中的7，8通道，减少了其他通道数据对模型的干扰，同时大大降低了计算量。
本发明的附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为本发明实施例中RT18-D型双轨式钢轨超声波探伤车检测钢轨的示意图；
图2(a)-(c)分别为本发明实施例中超声波探伤车的探头设置示意图；
图3为本发明实施例中不同角度的探头检测钢轨部位示意图；
图4为本发明实施例中探伤车检测到轨底伤损时B显数据生成的原理图；
图5为本发明实施例中轨底伤损在B显图像中的示意图；
图6为本发明实施例中轨底伤损数据在excel中进行颜色标记正负样本的示意图；
图7为本发明实施例中单个RNN神经元示意图；
图8为本发明实施例中RNN模型结构示意图；
图9为本发明实施例中训练模型时Loss函数的收敛图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
术语解释：
B显数据，有时候也叫B扫描数据，超声波探伤仪检测的数据分为A,B,C三种类型，现在探伤工作中最普遍的是使用B扫描数据。
实施例一
在一个或多个实施方式中，公开了一种基于循环神经网络的轨底伤损识别方法，包括以下过程：
获取待测区段的超声波探伤数据，将所述数据转换为具有时序特征的数字序列；将所述数字序列输入到训练好的RNN循环神经网络模型，输出是否具有伤损及伤损的位置信息。
其中，对于RNN循环神经网络模型的训练过程包括：
获取设定数量的带有轨底伤损和其他回波样本的B显数据，构建原始数据集；
对原始数据集中的B显数据进行通道预处理，从预处理后的数据集中分别截取若干正负样本，形成样本集，并划分为训练集和测试集；
将所述样本集转换为具有时序特征的数字序列，对样本集中的正负样本进行标记；利用标记后的样本集对RNN循环神经网络模型进行训练。
本实施例以RT18-D型双轨式钢轨超声波探伤车在济南工务段禹城标定线采集的B显数据为例对RNN循环神经网络模型的训练过程进行说明。
具体包括如下步骤：
(1)使用超声波探伤车在钢轨伤损标定线采集一定数量的B显数据作为数据集；
本实施例中，在济南工务段辖区禹城标定线，使用RT18-D型双轨式钢轨超声波探伤车，采集一定数量含有轨底伤损和其他回波的B显数据作为数据样本集，图1给出了RT18-D型双轨式钢轨超声波探伤车检测钢轨的示意图。
(2)对数据集中的B显数据进行通道预处理，然后从中截取轨底伤损样本和其他回波样本作为正负样本，将它们打乱使其分布均匀，并按照一定比例划分为训练集和测试集；
具体地，采集数据的超声波探伤车一共配备了18个探头，对应了18个检测通道，左右轨各包含6个70°通道，2个37°通道，1个0°通道，其中：1-6通道为70°探头，用来探测轨头部分的伤损，7-8通道为37°探头用来探测轨腰和轨底部分的伤损，9通道为0°探头，用来校准探头的水平放置，保持与钢轨的准确耦合。超声波探伤车的探头设置如图2(a)-(c)，不同角度的探头检测钢轨部位如图3。
需要说明的是，本实施例采集数据使用的双轨探伤车，轨底伤损只存在7，8通道，是固定的。其他类型的探伤设备因为超声波探头设置的不同可能会有所变化，本发明不做限制。
本发明主要针对超声波探伤车B显数据7-8通道存在的轨底伤损进行检测，因此在数据通道的预处理上，在获取超声波探伤车采集的数据后，只提取其中7-8通道的B显数据即可。
提取7-8通道B显数据后，通过回放软件中B显图像回波形态的不同来区分是否为轨底伤损数据，然后人工截取一个“完整伤损回波”或者一个“完整的正常回波”作为正负样本，总计截取正负样本各2000个。人工采样的过程还可以过滤掉数据文件中空白数据片段，并且通过人工打乱使得样本分布更均匀，后期对于提高网络模型的泛化能力有很大的帮助。最后选择样本集的90％作为训练集，剩余的10％作为测试集。
(3)对B显数据样本集进行解压、解析和恢复；
图4为探伤设备检测到轨底伤损时候的示意图，当探头发射的超声波脉冲遇到伤损裂纹、有缝接口、或者螺孔等介质中断的时候，会反射回波，反射信号被超声波传感器接收放大，与探头闸门的阈值进行比较，如果回波的电压幅值超过当前探头闸门的阈值，反射信号会被记录为有效字节，探伤设备随着车轮滚动而依次记录回波中的有效信号，经过一系列绘图处理形成了B显图像。
直接获取的B显数据是被探伤设备生产商加密、处理过的，正常情况下只能通过B扫图像查看。
本发明将探伤车采集的B显数据进行解压、解析和恢复，把它处理成按脉冲时序分布的数字稀疏矩阵，并以16进制的数字序列存储在excel文件中。
下面以右轨8通道的一段信息为例说明如何恢复原始B显数据。探伤车采集的B显数据在内存中存储格式如下：
00 0000 01 1002 00 3F FF
每一个脉冲下,B扫描数据开始的前4个字节是脉冲计数，中间是通道号+掩码+数据的方式，最后以FF结束。其中，脉冲计数代表采样时间顺序，通道号代表检测钢轨伤损信息的不同超声波探头，掩码代表了数据在采样点中的位置，数据中若某一位是0，表明这是个有效信号，需要进行绘图，bit是1表示无回波，不需要进行绘，这样B显图像其实就是一个18个通道叠加的二进制稀疏矩阵。
10通道即右轨8通道，我们先定义一个15个字节的数组，初始值均为0xff，其中掩码02 00表明了有效数据的位置(声程)，PC是小端模式，读取后的值是00 20，将0x8000从0开始，依次与00 20进行按位与操作，如果结果不为0，表示该位有一个数据，然后右移一位，继续与操作。上面的数据依次按位与，直到第15次结果不为0，表明0x3F是第15个数据。掩码中bit为1的位，都对应一个数据。那么恢复后：
10(右轨8通道)：
0xff0xff0xff0xff0xff0xff0xff0xff0xff0xff0xff0xff0xff0xff 0x3f
其他通道的数据恢复方式同上述类似。恢复后，按照脉冲计数上的时间顺序，把16进制数字表示的回波信息格式化输出，存储在excel文件上。
上述B显数据的解压、解析和恢复过程，以计算机指令的方式编辑为一个模块，使用时可以直接把数据加载到该模块中输出excel文件。
(4)使用颜色标记法区分样本集中的轨底伤损和其他回波；
神经网络属于监督学习，监督式学习很重要的一步就是要“告诉模型哪些数据是正确答案”。
在B显图像上含有钢轨伤损的回波和正常回波是具有比较明显的形态区别的，这也是探伤人员判断钢轨伤损的主要依据。如图5，B显图像中7、8通道的回波处于下半部分，其中轨底伤损使用白色方框标出，该范围内未标出的是正常回波、螺孔回波等。相对应的，储存在excel文件中的16进制数字序列，其中轨底伤损数据和其他回波数据在数字排列特点上也有明显不同，且对应的脉冲位置与B显图像是完全一致的。16进制数字序列虽然与B显图像形式不同，但是回波信息和对应的脉冲位置信息都是完全一致的，本质上都反映了一样的信息和特征，仅仅是表达形式的不同。
因此，在本发明实施例中，我们参考和对照探伤车回放软件中的B显图像，在相同位置可以很明显看出哪些连续脉冲下的数字序列是含有伤损的，哪些是正常的。然后通过excel中的不同字体颜色手工打上标签，标记效果如图6。相应的，在程序中定义一个颜色区分函数，在加载数据时，使模型区分正负样本，有目的性的提取轨底伤损的特征，达到监督式学习的目的。
(5)建立基于循环神经网络的轨底伤损检测模型；
RNN(Recurrent Neural Network)循环神经网络是指一个随着时间的推移，重复发生的网络结构，如图7。RNN网络和其他网络最大的不同就在于RNN能够实现某种“记忆功能”，是进行时间序列分析时最好的选择。本发明将循环神经网络应用到探伤数据的轨底伤损识别中，将脉冲顺序下的B显数据看作时间序列语言，利用RNN记忆特性建立轨底伤损识别模型，实现了轨底伤损的快速检测，具体如下：
1)创建词汇表。为了RNN模型更好的识别探伤数据，训练前，需要将训练数据用向量表示出来，再送进RNN训练。转换成向量的前提工作是对序列数据进行重新编码。首先提取数据中高频出现的序列数据，将其通过one-hot形式编码，其中不常出现的序列数据和空值数据分别单独用一个向量表示，这样每个脉冲下的序列数据都有了自己的编码，即每个不同的序列数据对应自己的向量，这样所有不同序列数据的编码集合组成了一份词汇表。
2)生成词向量。序列数据被编码后，在加载数据时，原始B显数据中的所有序列被转换成了向量组。本发明中，由于检测的是7、8通道的轨底伤损，这里7、8通道的所有序列数据具有相同长度，取连续非空值数据的前10个作为轨底伤损识别的独立样本单位，这样RNN的网络节点数J＝单个向量长度*10。因此，每连续10个脉冲的序列数据对应的向量集合便构成了一组向量组被送进RNN作为输入。
3)搭建循环神经网络架构。
①建立2层的深度循环神经网络，如图8。为了提高模型的拟合能力，使用深度循环神经网络，选择的深度为2。
②使用LSTM作为循环神经网络的基本单元。针对B显数据时间顺序上的排列特征，长短时记忆网络(LSTM)利用其自动完成前后文信息的“记忆”和“遗忘”的特性，能够很好的提取伤损波形、固定回波等数据在时间顺序上的分布特点，对于区分轨底伤损和其他回波能够发挥重要作用。
③为了避免模型拟合过度，提高模型的泛化能力，并减少参数，对输入的词向量和LSTM进行随机失活(dropout)。
④给出二分类概率。对深度循环神经网络的最后节点的输出做逻辑回归，通过sigmoid函数使结果落到0-1之间，0代表正常，1代表含有伤损，通过选取合适的阈值确定输出结果是否正常。损失函数使用交叉熵，优化器选择Adam。
(6)用训练集进行神经网络的学习，优化网络结构和参数，获取权重参数表。将测试集的B显数据输入检测模型中，输出钢轨伤损的位置信息，在测试集中检验网络模型对轨底伤损的检测准确率。
本实施例中，训练和测试的数据来自于RT18-D型双轨式钢轨超声波探伤车，在济南工务段辖区禹城标定线采集。数据集中包含轨底伤损和其他回波的B显数据样本各2000。
基于超声波探伤车数据的轨底伤损识别分类模型的训练采用深度学习框架TensorFlow实现，硬件环境为i7-9750h CPU(2.60GHz)，64位操作***，NVIDIAGeForceGTX2060，安装了CUDA9.0和cuD-nn8.4.0***。
进一步地，训练过程，可以由图9看出，Loss差随着计算次数的增加迅速减小，并且收敛曲线平滑，也就意味着训练集样本中的实际值和模型的预测值之差随着模型的训练越来越小，模型的预测能力逼近实际值，大约训练到8000次以后，停止了训练，模型训练完成，获取了最优化权重参数。
实验中还将循环神经网络模型在200个样本测试集上进行检验，选取阈值为0.5时，识别伤损序列的准确率达到95.11，阈值为0.65时,伤损序列的识别准确率达到了98.23％，提高阈值的同时，误检率也会提高，筛选出的疑似伤损数量就会增大，因此需要谨慎选择合适的阈值，保证准确率的同时，减少疑似伤损的数量。
为了进一步验证该网络模型的伤损数据识别能力，另取济南工务段辖区禹城标定线轨底伤损样本20个，正常回波样本80个，充分打乱顺序后，分为5组，检验中直接记录模型的输出值，检验结果随机抽取一组统计如下：
Figure BDA0002591872390000121
从检验结果可以看出，基于超声波探伤车数据的轨底伤损检测模型的预测值和期望输出值十分接近。后期经过多次检验和测试，只要合适的设定阈值，就可以准确的检测到轨底伤损。
实施例二
在一个或多个实施方式中，公开了一种基于循环神经网络的轨底伤损识别***，包括：
探伤数据解析模块：用于获取待测区段的超声波探伤数据，将所述数据转换为具有时序特征的数字序列；
伤损数据检测模块：用于将所述数字序列输入到训练好的RNN循环神经网络模型，输出是否具有伤损及伤损的位置信息；
其中，对于RNN循环神经网络模型的训练过程包括：
获取设定数量的带有轨底伤损和其他回波样本的B显数据，构建原始数据集；
对原始数据集中的B显数据进行通道预处理，从预处理后的数据集中分别截取若干正负样本，形成样本集，并划分为训练集和测试集；
将所述样本集转换为具有时序特征的数字序列，对样本集中的正负样本进行标记；利用标记后的样本集对RNN循环神经网络模型进行训练。
上述装置的具体实现方式采用实施例一中公开的方法，不再赘述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中公开的基于循环神经网络的轨底伤损识别方法，为了简洁，不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
上述方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.一种基于循环神经网络的轨底伤损识别方法，其特征在于，包括：
获取待测区段的超声波探伤数据，将所述数据转换为具有时序特征的数字序列；将所述数字序列输入到训练好的RNN循环神经网络模型，输出是否具有伤损及伤损的位置信息；
其中，对于RNN循环神经网络模型的训练过程包括：
获取设定数量的带有轨底伤损和其他回波样本的B显数据，构建原始数据集；
对原始数据集中的B显数据进行通道预处理，从预处理后的数据集中分别截取若干正负样本，形成样本集，并划分为训练集和测试集；从预处理后的数据集中分别截取若干正负样本，形成样本集，具体过程包括：
截取一个完整伤损回波作为一个正样本，截取一个完整的正常回波作为负样本，总计截取设定数量的正负样本，形成样本集；
将所述样本集转换为具有时序特征的数字序列，对样本集中的正负样本进行标记；利用标记后的样本集对RNN循环神经网络模型进行训练；将所述样本集转换为具有时序特征的数字序列，具体过程包括：
对B显数据进行解压、还原和恢复，将B显数据处理成按脉冲时序分布的数字稀疏矩阵，并以16进制的数字序列进行存储。
2.如权利要求1所述的一种基于循环神经网络的轨底伤损识别方法，其特征在于，对原始数据集中的B显数据进行通道预处理，具体过程包括：
在获取超声波探伤车采集的B显数据后，只提取其中探测轨底伤损的通道的B显数据。
3.如权利要求1所述的一种基于循环神经网络的轨底伤损识别方法，其特征在于，在截取正负样本过程中，过滤掉数据文件中空白数据片段，并通过人工打乱使得样本分布均匀。
4.如权利要求1所述的一种基于循环神经网络的轨底伤损识别方法，其特征在于，对样本集中的正负样本进行标记，具体过程包括：
使用颜色标记法对样本集中的正负样本进行标记，以区分轨底伤损和正常回波。
5.如权利要求1所述的一种基于循环神经网络的轨底伤损识别方法，其特征在于，所述RNN循环神经网络模型包括两层深度循环神经网络，使用LSTM作为循环神经网络的基本单元，并对输入的词向量和LSTM进行随机失活；对深度循环神经网络最后节点的输出做逻辑回归，通过sigmoid函数使结果落到0-1之间，0代表正常，1代表含有伤损。
6.一种基于循环神经网络的轨底伤损识别***，其特征在于，包括：
探伤数据解析模块：用于获取待测区段的超声波探伤数据，将所述数据转换为具有时序特征的数字序列；
伤损数据检测模块：用于将所述数字序列输入到训练好的RNN循环神经网络模型，输出是否具有伤损及伤损的位置信息；
其中，对于RNN循环神经网络模型的训练过程包括：
获取设定数量的带有轨底伤损和其他回波样本的B显数据，构建原始数据集；
对原始数据集中的B显数据进行通道预处理，从预处理后的数据集中分别截取若干正负样本，形成样本集，并划分为训练集和测试集；从预处理后的数据集中分别截取若干正负样本，形成样本集，具体过程包括：
截取一个完整伤损回波作为一个正样本，截取一个完整的正常回波作为负样本，总计截取设定数量的正负样本，形成样本集；
将所述样本集转换为具有时序特征的数字序列，对样本集中的正负样本进行标记；利用标记后的样本集对RNN循环神经网络模型进行训练；将所述样本集转换为具有时序特征的数字序列，具体过程包括：
对B显数据进行解压、还原和恢复，将B显数据处理成按脉冲时序分布的数字稀疏矩阵，并以16进制的数字序列进行存储。
7.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-5任一项所述的基于循环神经网络的轨底伤损识别方法。
8.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-5任一项所述的基于循环神经网络的轨底伤损识别方法。
CN202010697585.2A 2020-07-20 2020-07-20 一种基于循环神经网络的轨底伤损识别方法及*** Active CN111855810B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010697585.2A CN111855810B (zh) 2020-07-20 2020-07-20 一种基于循环神经网络的轨底伤损识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010697585.2A CN111855810B (zh) 2020-07-20 2020-07-20 一种基于循环神经网络的轨底伤损识别方法及***

Publications (2)

Publication Number Publication Date
CN111855810A CN111855810A (zh) 2020-10-30
CN111855810B true CN111855810B (zh) 2023-02-03

Family

ID=73001042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010697585.2A Active CN111855810B (zh) 2020-07-20 2020-07-20 一种基于循环神经网络的轨底伤损识别方法及***

Country Status (1)

Country Link
CN (1) CN111855810B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633550B (zh) * 2020-11-23 2023-07-18 成都唐源电气股份有限公司 一种基于rnn的接触网故障趋势预测方法、设备及存储介质
CN112634195A (zh) * 2020-11-23 2021-04-09 清华大学 混凝土结构裂缝预测方法、装置及***
CN114862744A (zh) * 2021-02-04 2022-08-05 北京洞微科技发展有限公司 一种基于卷积神经网络的钢轨支撑位分类方法及***
CN114862743A (zh) * 2021-02-04 2022-08-05 北京洞微科技发展有限公司 一种基于卷积神经网络的钢轨伤损确定方法及确定***
CN113447572B (zh) * 2021-09-01 2021-11-30 深圳市信润富联数字科技有限公司 钢轨探伤方法、电子装置、钢轨探伤车及可读存储介质
CN113791034B (zh) * 2021-09-30 2022-09-06 合肥德泰轨交数据有限公司 一种用于钢轨探伤的样本采集分类监管***
CN113858866B (zh) * 2021-10-12 2023-06-30 中国铁路济南局集团有限公司科学技术研究所 钢轨双面智能打标一体化设备
CN114047259B (zh) * 2021-10-28 2024-05-10 深圳市比一比网络科技有限公司 一种基于时间序列多尺度钢轨伤损缺陷的检测方法
CN114264727B (zh) * 2021-11-20 2023-11-24 重庆大学 一种基于运营列车动态响应的轨道—桥梁***损伤识别的方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1743839A (zh) * 2005-07-15 2006-03-08 华南理工大学 一种结构缺陷超声在线智能识别***及识别方法
CN102854249A (zh) * 2012-09-28 2013-01-02 北京交通大学 一种受控式多通道超声波探伤装置及其方法
CN105030279A (zh) * 2015-06-24 2015-11-11 华南理工大学 一种基于超声射频时间序列的组织定征方法
CN105606708A (zh) * 2015-11-10 2016-05-25 南京拓控信息科技有限公司 一种列车车轮便携式探伤***及其检测方法
CN107091884A (zh) * 2017-06-21 2017-08-25 株洲时代电子技术有限公司 一种钢轨探伤作业数据显示和存储方法
CN108245193A (zh) * 2018-03-15 2018-07-06 北京大众益康科技有限公司 数据处理装置及方法
EP3457325A1 (en) * 2017-09-19 2019-03-20 Siemens Mobility GmbH Failure identification of a rail vehicle component
CN109856241A (zh) * 2019-02-15 2019-06-07 中国铁道科学研究院集团有限公司 基于阈值自动控制的钢轨超声波探伤方法及***
CN110196866A (zh) * 2019-05-31 2019-09-03 梁帆 一种基于数据挖掘的探伤管理***
CN110361456A (zh) * 2019-07-22 2019-10-22 株洲时代电子技术有限公司 一种钢轨探伤信号发生及处理方法
CN110967409A (zh) * 2018-09-29 2020-04-07 东莞灵虎智能科技有限公司 一种基于多通道超声波探伤原始数据特征提取与识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2652742C (en) * 2006-05-26 2016-09-06 Queen's University At Kingston Method for improved ultrasonic detection
US11254336B2 (en) * 2018-12-19 2022-02-22 Nordco Inc. Rail flaw detector

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1743839A (zh) * 2005-07-15 2006-03-08 华南理工大学 一种结构缺陷超声在线智能识别***及识别方法
CN102854249A (zh) * 2012-09-28 2013-01-02 北京交通大学 一种受控式多通道超声波探伤装置及其方法
CN105030279A (zh) * 2015-06-24 2015-11-11 华南理工大学 一种基于超声射频时间序列的组织定征方法
CN105606708A (zh) * 2015-11-10 2016-05-25 南京拓控信息科技有限公司 一种列车车轮便携式探伤***及其检测方法
CN107091884A (zh) * 2017-06-21 2017-08-25 株洲时代电子技术有限公司 一种钢轨探伤作业数据显示和存储方法
EP3457325A1 (en) * 2017-09-19 2019-03-20 Siemens Mobility GmbH Failure identification of a rail vehicle component
CN108245193A (zh) * 2018-03-15 2018-07-06 北京大众益康科技有限公司 数据处理装置及方法
CN110967409A (zh) * 2018-09-29 2020-04-07 东莞灵虎智能科技有限公司 一种基于多通道超声波探伤原始数据特征提取与识别方法
CN109856241A (zh) * 2019-02-15 2019-06-07 中国铁道科学研究院集团有限公司 基于阈值自动控制的钢轨超声波探伤方法及***
CN110196866A (zh) * 2019-05-31 2019-09-03 梁帆 一种基于数据挖掘的探伤管理***
CN110361456A (zh) * 2019-07-22 2019-10-22 株洲时代电子技术有限公司 一种钢轨探伤信号发生及处理方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Research and application of rail ultrasonic flaw detection technology based on BP neural network;H. X. Wang;《Northeastern Universit》;20171231;全文 *
Symbolic time series analysis of ultrasonic data for early detection of fatigue damage;Shalabh Gupta等;《Mechanical Systems and Signal Processing》;20051019;第21卷(第02期);全文 *
基于时空检测数据智能分析的钢轨伤损检出与识判研究;孙次锁;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20200115(第01期);全文 *
基于深度学习的钢轨伤损智能识别方法;孙次锁等;《中国铁道科学》;20180930;第39卷(第05期);全文 *
超声波钢轨探伤车B显数据伤损模式分类技术研究;黄筱妍等;《中国铁路》;20180331(第03期);全文 *

Also Published As

Publication number Publication date
CN111855810A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111855810B (zh) 一种基于循环神经网络的轨底伤损识别方法及***
CN111797890A (zh) 一种用于检测输电线路设备缺陷的方法及***
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
KR20160130422A (ko) 화물을 검사하는 방법 및 그 시스템
Xu et al. Rail defect detection method based on recurrent neural network
CN112147221B (zh) 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及***
CN109100627A (zh) 一种基于端到端模式的电力设备局部放电故障诊断方法
CN111949535B (zh) 基于开源社区知识的软件缺陷预测装置及方法
CN114581764B (zh) 基于深度学习算法的地下结构裂纹病害判别方法
CN112528774B (zh) 一种复杂电磁环境下未知雷达信号智能分选***及方法
JP2020516897A (ja) 検査方法及び検査設備
CN115865483A (zh) 一种基于机器学习的异常行为分析方法和装置
CN114297264B (zh) 一种时序信号异常片段检测方法及***
Turner et al. Deep learning based classification of sheep behaviour from accelerometer data with imbalance
Simula et al. Process monitoring and visualization using self-organizing maps
CN112215307B (zh) 一种应用机器学习自动检测地震仪器信号异常的方法
CN111855825B (zh) 基于bp神经网络的轨头核伤识别方法及***
CN108764026B (zh) 一种基于时序检测单元预筛选的视频行为检测方法
JP3002325B2 (ja) 表面検査装置
CN110704678B (zh) 评估排序方法、评估排序***、计算机装置及储存介质
KR102172727B1 (ko) 설비 결함 검출 장치 및 방법
CN104980442B (zh) 一种基于元样本稀疏表示的网络入侵检测方法
CN104484869B (zh) 面向排序测度特征的图像匹配方法及***
CN106096634A (zh) 基于自适应滑动窗口算法与区间折半算法的故障检测方法
CN111667697A (zh) 异常车辆识别方法和装置、计算机可读存储介质

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