CN112147221A - 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及*** - Google Patents
基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及*** Download PDFInfo
- Publication number
- CN112147221A CN112147221A CN202011002329.3A CN202011002329A CN112147221A CN 112147221 A CN112147221 A CN 112147221A CN 202011002329 A CN202011002329 A CN 202011002329A CN 112147221 A CN112147221 A CN 112147221A
- Authority
- CN
- China
- Prior art keywords
- data
- screw hole
- model
- damage
- flaw
- 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.)
- Granted
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
-
- 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
-
- 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
- G01N29/4472—Mathematical theories or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Acoustics & Sound (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本公开提出了基于超声波探伤仪数据的钢轨螺孔裂纹识别方法,包括:获得钢轨螺孔裂纹类伤损的扫描数据;对扫描数据进行预处理后选取典型伤损数据制作数据集,分为训练集和测试集;以一个螺孔为单位样本对数据集中的伤损数据进行正负样本标记,以标签的方式区分正负样本,建立逻辑回归模型;用训练集进行模型的训练学习,调整优化参数;基于训练好的逻辑回归模型,建立钢轨螺孔裂纹检测模型,将测试集作为输入,伤损位置信息作为输出,检验模型的螺孔裂纹检测准确率;利用测试后的钢轨螺孔裂纹检测模型对待检测的钢轨螺孔进行裂纹检测。减少故障漏判率,减轻探伤人员工作负担,提高探伤工作效率。
Description
技术领域
本公开属于铁路***钢轨无损检测下的超声波探伤技术领域,尤其涉及基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
当前我国铁路探伤部门的钢轨探伤工作基本上由相关设备机械化操作完成,但唯独探伤数据的伤损检测技术,仍旧通过人工来完成,并且存在着效率低、工作量大、准确率不高等问题。
发明人在研究中发现,在实际探伤工作中,探伤数据的伤损筛选工作高度依赖探伤工人的技术和经验,只有熟练度高、经验丰富的探伤工人才能比较高效的人工检测出伤损数据,严重影响工作效率及检测精度。
发明内容
为克服上述现有技术的不足,本公开提供了基于超声波探伤仪数据的钢轨螺孔裂纹识别方法,减少故障漏判率,减轻探伤人员工作负担,提高探伤工作效率。
为实现上述目的,本公开的一个或多个实施例提供了如下技术方案:
第一方面,公开了基于超声波探伤仪数据的钢轨螺孔裂纹识别方法,包括:
获得钢轨螺孔裂纹类伤损的扫描数据;
对扫描数据进行预处理后选取典型伤损数据制作数据集,分为训练集和测试集;
以一个螺孔为单位样本对数据集中的伤损数据进行正负样本标记,以标签的方式区分正负样本,建立逻辑回归模型;
用训练集进行模型的训练学习,调整优化参数;
基于训练好的逻辑回归模型,建立钢轨螺孔裂纹检测模型,将测试集作为输入,伤损位置信息作为输出,检验模型的螺孔裂纹检测准确率;
利用测试后的钢轨螺孔裂纹检测模型对待检测的钢轨螺孔进行裂纹检测。
进一步的技术方案,获得钢轨螺孔裂纹类伤损的扫描数据并建立螺孔裂纹探伤数据库,其中,采集含有螺孔裂纹的探伤数据,截取探伤数据中含有螺孔裂纹的片段,存储到螺孔裂纹数据库。
进一步的技术方案,基于获得钢轨螺孔裂纹类伤损的扫描数据为经过压缩、加密的,对扫描数据进行预处理包括解压和解析,恢复探伤数据的原始面貌。
进一步的技术方案,对扫描数据进行预处理后,基于钢轨伤损不同类型在探伤数据上的通道分布特点,提取螺孔裂纹所在通道数据。
进一步的技术方案,经过预处理的探伤数据,是以脉冲计数为时间顺序的序列数据,每个脉冲计数下数值的大小代表超声回波距离探头的距离。
进一步的技术方案,对扫描数据进行预处理后选取典型伤损数据制作数据集,具体为:
制作数据集时,以连续设定个脉冲计数的序列数据为基本单位提取有效数据,数据集中既含有正常螺孔的序列数据也含有带裂纹伤损的螺孔序列数据。
进一步的技术方案,建立逻辑回归模型,用训练集进行模型的训练学习,调整优化参数,具体为:
将数据集中的数据和标签同时加载,初始化参数,选取目标优化函数、学习率、训练次数,最后将数据集导入进行训练、学习,过程中通过梯度下降的方式使代价函数的值降到最低,将最优化的参数和结构保存。
进一步的技术方案,基于训练好的逻辑回归模型,建立钢轨螺孔裂纹检测模型,将测试集作为输入,伤损位置信息作为输出,检验模型的螺孔裂纹检测准确率,具体为:
将保存的最优化参数加载到钢轨螺孔裂纹检测模型的计算机指令中,使得该模型拥有识别螺孔裂纹的能力,再将测试集的数据输入钢轨螺孔裂纹检测模型中,该模型会通过比对输入数据与学习训练得来的“标准螺孔裂纹伤损”的结果,并做出预测,如果输入数据是螺孔裂纹伤损则输出该伤损位置信息,如果不是,则继续检测下一段测试数据,检测完整个文件后将所有螺孔裂纹伤损的位置信息全部输出。
第二方面,公开了基于超声波探伤仪数据的钢轨螺孔裂纹识别***,包括:
数据集建立模块,被配置为:获得钢轨螺孔裂纹类伤损的扫描数据;
对扫描数据进行预处理后选取典型伤损数据制作数据集,分为训练集和测试集;
逻辑回归模型建立模块,被配置为:以一个螺孔为单位样本对数据集中的伤损数据进行正负样本标记,以标签的方式区分正负样本,建立逻辑回归模型;
用训练集进行模型的训练学习,调整优化参数;
钢轨螺孔裂纹检测模型建立模块,被配置为:基于训练好的逻辑回归模型,建立钢轨螺孔裂纹检测模型,将测试集作为输入,伤损位置信息作为输出,检验模型的螺孔裂纹检测准确率;
伤损数据检测模块,被配置为:利用测试后的钢轨螺孔裂纹检测模型对待检测的钢轨螺孔进行裂纹检测。
以上一个或多个技术方案存在以下有益效果:
本公开技术方案可以通过计算机自动完成对探伤数据的识别和伤损定位工作,并且能够达到人工分析的指标要求。在此方法中引入的逻辑回归模型,能够准确的识别螺孔裂纹伤损数据,并把伤损的位置信息输出,为探伤人员提供有价值的参考,提供钢轨伤损数据的检测效率。
本公开技术方案是基于GTC-8C型钢轨超声波探伤仪探伤数据的螺孔裂纹检测***,可在现行探伤作业条件下直接检测GTC-8C型钢轨超声波探伤仪探伤数据,不需要其他辅助设备进行操作。
本公开技术方案进行了通道预处理。本发明专门针对螺孔裂纹伤损单独设计了逻辑回归模型进行检测,针对它的通道分布特点,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,同时大大降低了运算量。
本公开技术方案对探探伤仪的探伤数据进行了解压、解析和恢复,改变了其原有的数据格式,使其更容易作为逻辑回归模型的输出。
本公开技术方案直接针对探伤数据中的螺孔裂纹这一单一类型伤损进行识别和二分类,针对性强,干扰少,特征选取明显,检测准确率高。
本公开技术方案基于逻辑回归的钢轨螺孔裂纹检测模型在测试集中的检测准确率为:阈值设定为0.5时,识别轨底伤损序列的准确率达到95.67,优于人工判断伤损的准确率,检测效率更是远超人工方式。
本发明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
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为不同角度的探头检测钢轨部位示意图;
图2为探伤仪检测到钢轨伤损时B显数据生成的原理图;
图3为螺孔裂纹伤损在B显图像中的示意图;
图4为螺孔裂纹样本和正常螺孔样本进行颜色标记的示意图;
图5为sigmoid函数图像;
图6为训练模型时代价函数Loss值的收敛图。
图7为探伤车采集的B显数据在内存中存储格式。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开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公开的示例性实施方式。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,本公开中的实施例及实施例中的特征可以相互组合。
针对当前钢轨探伤设备检测数据采用人工回放和人工对比方式效率较低的问题,本公开技术方案以超声波探伤设备采集的现场数据为基础,通过前期数据的预处理,针对钢轨螺孔裂纹这一种伤损类型,建立了钢轨螺孔裂纹探伤数据库,利用逻辑回归这一经典算法,设计了钢轨螺孔裂纹探伤数据识别模型,并使用伤损库中的螺孔裂纹样本进行训练、学习,提取有效特征,自动识别出正常螺孔上述和非正常螺孔数据,最终将疑似螺孔伤损数据对应的位置信息输出,为探伤人员提供有价值的参考信息,减少故障漏判率,减轻探伤人员工作负担,提高探伤工作效率。
实施例一
本发明以GTC-8C型钢轨超声波探伤仪在济南工务段禹城标定线采集的探伤数据为例进行说明。
本实施例公开了基于超声波探伤仪数据的钢轨螺孔裂纹识别方法,包括下述步骤:
(1)使用超声波探伤设备收集钢轨螺孔裂纹类伤损的B扫描数据,建立螺孔裂纹探伤数据库;
(2)对螺孔裂纹探伤数据库中的B扫描伤损数据进行解压、解析、分割等预处理;
(3)选取预处理后的部分典型伤损数据制作数据集,并按9:1的比例分为训练集和测试集;
(4)以一个螺孔为单位样本对数据集中的伤损数据进行正负样本标记;
(5)基于伤损数据的特点,建立逻辑回归(Logistic Regression) 模型,用训练集进行模型的训练学习,调整优化参数;
(6)基于训练好的逻辑回归模型,设计钢轨螺孔裂纹检测模型,将测试集作为输入,伤损位置信息作为输出,检验模型的螺孔裂纹检测准确率, 钢轨螺孔裂纹检测模型具体为:从逻辑回归模型优化得到的参数作为分类标准,通过设定合适阈值,将检测数据与其比对,得到输出结果。该过程是以程序指令完成。待检测的数据输入模型以后,通过比对得出输出结果: 0或1,分别表示有无螺孔伤损,同时返回该数据对应的铁路里程。
步骤(1)中,使用超声波探伤设备收集钢轨螺孔裂纹类伤损的B扫描数据,建立螺孔裂纹探伤数据库,具体为:
在济南工务段辖区禹城标定线,使用GTC-8C型钢轨超声波探伤仪,采集含有螺孔裂纹的探伤数据,采集的探伤数据中,螺孔裂纹类型尽量丰富、数量确保足够。因为伤损数据在探伤数据中是离散分布的,因此需要手动截取探伤数据中含有螺孔裂纹的片段,存储到螺孔裂纹数据库。
步骤(2)中,具体为:
直接获取的探伤数据是经过压缩、加密的,需要通过特定方式进行解压和解析,恢复探伤数据的原始面貌才能作为模型的输入。
由于钢轨伤损不同类型在探伤数据上的通道分布特点(对于该探伤设备来说,轨头核伤仅存在于1-6通道,螺孔裂纹只存在于7-8通道),我们针对探伤数据库中的数据解压、解析后,仅提取7-8通道数据即可。
经过预处理的探伤数据,是以脉冲计数为时间顺序的序列数据,每个脉冲计数下数值的大小代表,超声回波距离探头的距离。
具体的,GTC-8C型钢轨超声波探伤仪一共配备9个探头,对应了9个检测通道: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,保证覆盖整个轨头,如图1。
本发明主要针对GTC-8C型钢轨超声波探伤仪探伤数据7-8通道存在的螺孔裂纹伤损进行检测,因此在数据通道的预处理上,只提取其中7-8通道的探伤数据即可。
图2为探伤设备检测到钢轨伤损时候的示意图。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,其中,反射回波到探头的距离,就会被记录下来。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。
直接获取的探伤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。本发明将探伤仪采集的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10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图7所示;
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9个通道叠加的二进制稀疏矩阵。
10通道即右轨8通道,先定义一个15个字节的数组,初始值均为0xff,其中掩码0200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):0 0 0 0 0 0 0 0 0 0 0 0 77 98 100 123 123 0 0
经过预处理的探伤数据,是以脉冲计数为时间顺序的序列数据,每个脉冲计数下数值的大小代表,超声回波距离探头的距离。
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。
步骤(3)中,具体为:
经过预处理的7-8两通道探伤数据中,正常螺孔数据和伤损数据仍是离散分布的,中间有大量空白无效的片段和噪声杂波。一个完整的螺孔回波数据是一段连续15-30个脉冲计数的序列数据,因此,制作数据集时,我们以连续20个脉冲计数的序列数据为基本单位提取有效数据,这样就将所有有效数据集中到了一起,作为数据集。数据集中既含有正常螺孔的序列数据也含有带裂纹伤损的螺孔序列数据,为了提高模型泛化能力,将其充分打乱,并把其中90%作为训练集,10%作为测试集。
步骤(4)中,具体为:
在B显图像上含有钢轨螺孔裂纹伤损的回波和正常螺孔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螺孔裂纹伤损的主要依据。如图3,B显图像中7、8通道的回波处于下半部分,其中螺孔裂纹伤损使用白色方框标出,该范围内未标出的是正常螺孔回波和其他回波。而对应到预处理后的数据中,含有螺孔裂纹的伤损数据和正常数据在“数值大小”(数值大小反应)和“连续序列的个数”上存在明显差别,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。通过对数据施加不同颜色,来区分正常螺孔和含有伤损的螺孔数据,也就是通过手工打上标签的方式区分正负样本,如图4。相应的,在程序中定义一个数据颜色区分函数,在加载数据时,用0和1代表不同颜色(0代表正常螺孔, 1代表含有裂纹的螺孔),这样所有数据中,每一个螺孔样本对应一个0或1 标签,用以区分是否为正常螺孔,数据集就是一张带0和1标签的螺孔样本集合。
步骤(5)中,将数据集中的数据和标签同时加载,一个螺孔样本的大小是20个数据,这也是输入节点的大小。设计逻辑回归模型的结构,搭建逻辑回归模型,包括:初始化参数,选取合适代价函数(目标优化函数)、学习率、训练次数等等。最后将数据集导入进行训练、学习,过程中通过梯度下降的方式使loss值(代价函数的值)降到最低,将最优化的参数和结构保存。
具体为:
Logistic Regression虽然被称为回归,但其实际上是分类模型,并常用于二分类。Logistic Regression因其简单、可并行化、可解释强深受工业界喜爱。在本发明中需要根据训练集中的数据,拟合出分类的边界,以便来区分正常螺孔和含有裂纹的螺孔,这本身是一个输入变量与输出变量均为连续变量的预测问题。
逻辑回归也被称为广义线性回归模型,它与线性回归模型的形式基本上相同,都具有ax+b,其中a和b是待求参数,其区别在于他们的因变量不同,多重线性回归直接将ax+b作为因变量,即y=ax+b,而logistic 回归则通过函数S将ax+b对应到一个隐状态p,p=S(ax+b),然后根据p 与1-p的大小决定因变量的值。这里的函数S就是Sigmoid函数,函数图像如图5:
通过函数S的作用,我们可以将输出的值限制在区间[0,1]上,也就是将预测结果—是否为正常螺孔,限制在两只结果之间。实际运算中,我们最终得到的预测值值是在[0,1]这个区间上的一个数,然后我们可以选择一个阈值,假设为0.5,当输出y>0.5时,就将这个输入x归到1这一类,也就是检测数据归为1这一类,如果输出y<0.5就将输入x归到0这一类,这样就实现了探伤数据的二分类。
输入层节点数。输入节点数取决于输入向量的维数。在我们解析恢复后的超声波B扫数据中,螺孔样本相关信息存在于7-8通道中,而7-8通道中每个脉冲计数下的探伤数据由3位十进制数字组成,输入节点数: 20*3=60
输出层节点数。输出节点的个数同样需要从实际问题中得到的抽象模型来确定。这里我们输出的结果是钢轨螺孔伤损的存在与否,因此输出层采用1个输出节点,0代表B扫数据正常,1则代表存在螺孔裂纹伤损。
选取代价函数。假设训练集一共有m个样本,y表示原训练样本中的实际值,也就是标准答案,i表示第i个样本,hθ表示用参数θ和x预测出来的y值。整个模型需要通过训练学习,找到让代价函数J最低的权重参数,当J最低时,也就是模型拟合、预测能力最好的时候,推导出总代价函数:
步骤(6)中,将上一步保存的最优化参数加载到钢轨螺孔裂纹检测模型的计算机指令中,使得该模型拥有识别螺孔裂纹的能力。再将测试集的数据输入钢轨螺孔裂纹检测模型中,该模型会通过比对输入数据与学习训练得来的“标准螺孔裂纹伤损”的结果,并做出预测,如果输入数据是螺孔裂纹伤损则输出该伤损位置信息,如果不是,则继续检测下一段测试数据。检测完整个文件后将所有螺孔裂纹伤损的位置信息全部输出。
具体为:
训练和测试的数据来自于GTC-8C型钢轨超声波探伤仪,在济南工务段辖区禹城标定线采集一共采集了35000多个螺孔数据数据样本,其中含有裂纹的螺孔样本17000多个。
训练过程,可以由图6看出,代价函数随着计算次数的增加迅速减小并收敛,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13000次以后,停止了训练,模型训练完成。
实验中还将逻辑回归模型在35000个样本测试集上进行检验,选取阈值为0.5时,识别螺孔裂纹的准确率达到95.67,阈值为0.65时,螺孔裂纹的识别准确率达到了99.13%,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。
为了验证该网络模型对于螺孔裂纹的识别能力,另取济南工务段辖区禹城标定线螺孔样本100个,其中含有螺孔裂纹的样本20个,正常螺孔的样本数量为80个,检验中直接记录模型的输出值,检验结果随机抽取其中 20个样本统计如下:
从检验结果可以看出,基于逻辑回归的螺孔裂纹检测模型的预测值和样本实际值完全一致。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螺孔裂纹的位置。
实施例二
本实施例的目的是提供一种计算装置,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上述实施例子一中的方法的步骤。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行上述实施例子一中的方法的步骤。
实施例四
本实施例的目的是提供基于超声波探伤仪数据的钢轨螺孔裂纹识别***,包括:
数据集建立模块,被配置为:获得钢轨螺孔裂纹类伤损的扫描数据;
对扫描数据进行预处理后选取典型伤损数据制作数据集,分为训练集和测试集;
逻辑回归模型建立模块,被配置为:以一个螺孔为单位样本对数据集中的伤损数据进行正负样本标记,以标签的方式区分正负样本,建立逻辑回归模型;
用训练集进行模型的训练学习,调整优化参数;
钢轨螺孔裂纹检测模型建立模块,被配置为:基于训练好的逻辑回归模型,建立钢轨螺孔裂纹检测模型,将测试集作为输入,伤损位置信息作为输出,检验模型的螺孔裂纹检测准确率;
伤损数据检测模块,被配置为:利用测试后的钢轨螺孔裂纹检测模型对待检测的钢轨螺孔进行裂纹检测。
上述实施例子二、三、四等的具体内容或者模块的执行可参见实施例子一中的详细步骤,此处不再进行说明。
本领域技术人员应该明白,上述本公开的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开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公开的保护范围以内。
Claims (10)
1.基于超声波探伤仪数据的钢轨螺孔裂纹识别方法,其特征是,包括:
获得钢轨螺孔裂纹类伤损的扫描数据;
对扫描数据进行预处理后选取典型伤损数据制作数据集,分为训练集和测试集;
以一个螺孔为单位样本对数据集中的伤损数据进行正负样本标记,以标签的方式区分正负样本,建立逻辑回归模型;
用训练集进行模型的训练学习,调整优化参数;
基于训练好的逻辑回归模型,建立钢轨螺孔裂纹检测模型,将测试集作为输入,伤损位置信息作为输出,检验模型的螺孔裂纹检测准确率;
利用测试后的钢轨螺孔裂纹检测模型对待检测的钢轨螺孔进行裂纹检测。
2.如权利要求1所述的基于超声波探伤仪数据的钢轨螺孔裂纹识别方法,其特征是,获得钢轨螺孔裂纹类伤损的扫描数据并建立螺孔裂纹探伤数据库,其中,采集含有螺孔裂纹的探伤数据,截取探伤数据中含有螺孔裂纹的片段,存储到螺孔裂纹数据库。
3.如权利要求1所述的基于超声波探伤仪数据的钢轨螺孔裂纹识别方法,其特征是,基于获得钢轨螺孔裂纹类伤损的扫描数据为经过压缩、加密的,对扫描数据进行预处理包括解压和解析,恢复探伤数据的原始面貌。
4.如权利要求1所述的基于超声波探伤仪数据的钢轨螺孔裂纹识别方法,其特征是,对扫描数据进行预处理后,基于钢轨伤损不同类型在探伤数据上的通道分布特点,提取螺孔裂纹所在通道数据。
5.如权利要求1所述的基于超声波探伤仪数据的钢轨螺孔裂纹识别方法,其特征是,经过预处理的探伤数据,是以脉冲计数为时间顺序的序列数据,每个脉冲计数下数值的大小代表超声回波距离探头的距离。
6.如权利要求1所述的基于超声波探伤仪数据的钢轨螺孔裂纹识别方法,其特征是,对扫描数据进行预处理后选取典型伤损数据制作数据集,具体为:
制作数据集时,以连续设定个脉冲计数的序列数据为基本单位提取有效数据,数据集中既含有正常螺孔的序列数据也含有带裂纹伤损的螺孔序列数据;
进一步的技术方案,建立逻辑回归模型,用训练集进行模型的训练学习,调整优化参数,具体为:
将数据集中的数据和标签同时加载,初始化参数,选取目标优化函数、学习率、训练次数,最后将数据集导入进行训练、学习,过程中通过梯度下降的方式使代价函数的值降到最低,将最优化的参数和结构保存。
7.如权利要求6所述的基于超声波探伤仪数据的钢轨螺孔裂纹识别方法,其特征是,基于训练好的逻辑回归模型,建立钢轨螺孔裂纹检测模型,将测试集作为输入,伤损位置信息作为输出,检验模型的螺孔裂纹检测准确率,具体为:
将保存的最优化参数加载到钢轨螺孔裂纹检测模型的计算机指令中,使得该模型拥有识别螺孔裂纹的能力,再将测试集的数据输入钢轨螺孔裂纹检测模型中,该模型会通过比对输入数据与学习训练得来的“标准螺孔裂纹伤损”的结果,并做出预测,如果输入数据是螺孔裂纹伤损则输出该伤损位置信息,如果不是,则继续检测下一段测试数据,检测完整个文件后将所有螺孔裂纹伤损的位置信息全部输出。
8.基于超声波探伤仪数据的钢轨螺孔裂纹识别***,其特征是,包括:
数据集建立模块,被配置为:获得钢轨螺孔裂纹类伤损的扫描数据;
对扫描数据进行预处理后选取典型伤损数据制作数据集,分为训练集和测试集;
逻辑回归模型建立模块,被配置为:以一个螺孔为单位样本对数据集中的伤损数据进行正负样本标记,以标签的方式区分正负样本,建立逻辑回归模型;
用训练集进行模型的训练学习,调整优化参数;
钢轨螺孔裂纹检测模型建立模块,被配置为:基于训练好的逻辑回归模型,建立钢轨螺孔裂纹检测模型,将测试集作为输入,伤损位置信息作为输出,检验模型的螺孔裂纹检测准确率;
伤损数据检测模块,被配置为:利用测试后的钢轨螺孔裂纹检测模型对待检测的钢轨螺孔进行裂纹检测。
9.一种计算装置,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,其特征是,所述处理器执行所述程序时实现上述权利要求1-7任一所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行上述权利要求1-7任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011002329.3A CN112147221B (zh) | 2020-09-22 | 2020-09-22 | 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011002329.3A CN112147221B (zh) | 2020-09-22 | 2020-09-22 | 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112147221A true CN112147221A (zh) | 2020-12-29 |
CN112147221B CN112147221B (zh) | 2023-02-03 |
Family
ID=73896179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011002329.3A Active CN112147221B (zh) | 2020-09-22 | 2020-09-22 | 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112147221B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112649513A (zh) * | 2020-12-30 | 2021-04-13 | 天津精益铁安机电技术有限公司 | 一种基于图像识别的铁路人工智能判伤方法 |
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*** |
CN115394142A (zh) * | 2021-01-13 | 2022-11-25 | 中国铁路昆明局集团有限公司 | 一种钢轨探伤仿真学习实训仪 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334908A (zh) * | 2018-03-07 | 2018-07-27 | 中国铁道科学研究院 | 铁路钢轨伤损检测方法及装置 |
CN109064461A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习网络的钢轨表面缺陷检测方法 |
CN109050574A (zh) * | 2018-05-23 | 2018-12-21 | 苏州工业园区职业技术学院 | 一种轨道故障监控*** |
CN109828026A (zh) * | 2019-02-13 | 2019-05-31 | 汕头大学 | 一种高速轨道缺陷并行超声波成像检测及其智能学习方法 |
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*** |
CN110175422A (zh) * | 2019-05-31 | 2019-08-27 | 梁帆 | 一种基于数据挖掘的多周期钢轨伤损趋势预测方法 |
CN110246134A (zh) * | 2019-06-24 | 2019-09-17 | 株洲时代电子技术有限公司 | 一种钢轨伤损分类装置 |
WO2019201176A1 (zh) * | 2018-04-17 | 2019-10-24 | 江苏必得科技股份有限公司 | 列车部件裂纹损伤预测方法和装置 |
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 |
-
2020
- 2020-09-22 CN CN202011002329.3A patent/CN112147221B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334908A (zh) * | 2018-03-07 | 2018-07-27 | 中国铁道科学研究院 | 铁路钢轨伤损检测方法及装置 |
WO2019201176A1 (zh) * | 2018-04-17 | 2019-10-24 | 江苏必得科技股份有限公司 | 列车部件裂纹损伤预测方法和装置 |
CN109050574A (zh) * | 2018-05-23 | 2018-12-21 | 苏州工业园区职业技术学院 | 一种轨道故障监控*** |
CN109064461A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习网络的钢轨表面缺陷检测方法 |
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 |
CN109828026A (zh) * | 2019-02-13 | 2019-05-31 | 汕头大学 | 一种高速轨道缺陷并行超声波成像检测及其智能学习方法 |
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*** |
CN110175422A (zh) * | 2019-05-31 | 2019-08-27 | 梁帆 | 一种基于数据挖掘的多周期钢轨伤损趋势预测方法 |
CN110246134A (zh) * | 2019-06-24 | 2019-09-17 | 株洲时代电子技术有限公司 | 一种钢轨伤损分类装置 |
Non-Patent Citations (4)
Title |
---|
QINHUA XU ET AL.: "Rail Defect Detection Method Based on Recurrent Neural Network", 《PROCEEDINGS OF THE 39TH CHINESE CONTROL CONFERENCE》 * |
孙海涛等: "螺纹套修复核电设备螺纹孔的核安全审查要点", 《核动力工程》 * |
王玲编著: "《数据挖掘学习方法》", 31 August 2017, 北京:冶金工业出版社 * |
黄筱妍等: "超声波钢轨探伤车B显数据伤损模式分类技术研究", 《中国铁路》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112649513A (zh) * | 2020-12-30 | 2021-04-13 | 天津精益铁安机电技术有限公司 | 一种基于图像识别的铁路人工智能判伤方法 |
CN115394142A (zh) * | 2021-01-13 | 2022-11-25 | 中国铁路昆明局集团有限公司 | 一种钢轨探伤仿真学习实训仪 |
CN115394142B (zh) * | 2021-01-13 | 2024-03-12 | 中国铁路昆明局集团有限公司 | 一种钢轨探伤仿真学习实训仪 |
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*** |
Also Published As
Publication number | Publication date |
---|---|
CN112147221B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112147221B (zh) | 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及*** | |
CN111855810B (zh) | 一种基于循环神经网络的轨底伤损识别方法及*** | |
KR101811270B1 (ko) | 화물을 검사하는 방법 및 그 시스템 | |
CN111737909B (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
Xu et al. | Rail defect detection method based on recurrent neural network | |
CN111678992A (zh) | 一种用于识别混凝土结构损伤类型的无损检测方法 | |
CN115673596B (zh) | 一种基于Actor-Critic强化学习模型的焊接异常实时诊断方法 | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
CN117034143A (zh) | 一种基于机器学习的分布式***故障诊断方法及装置 | |
Chou et al. | SHM data anomaly classification using machine learning strategies: A comparative study | |
CN111855825B (zh) | 基于bp神经网络的轨头核伤识别方法及*** | |
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 | |
CN111678991B (zh) | 一种用于混凝土结构无损检测损伤识别的方法 | |
CN110057588B (zh) | 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及*** | |
CN104504265A (zh) | 一种在役桥梁监测信息安全评估的方法 | |
CN111767546A (zh) | 一种基于深度学习的输入结构推断方法和装置 | |
CN116433218A (zh) | 基于自组织映射聚类的矿井机械设备在线健康评估方法 | |
CN115015375A (zh) | 一种在管道检测中环焊缝的识别方法 | |
CN114219157B (zh) | 一种基于最优决策和动态分析的烷烃气体红外光谱测量方法 | |
Iwata et al. | AI-aided Hammering Test System to Automatically Generate Anomaly Maps. | |
CN112801073B (zh) | 基于深度神经网络的声发射初至信号分类与识别方法 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、***、设备及介质 | |
CN113095364B (zh) | 利用卷积神经网络的高铁地震事件提取方法、介质及设备 |
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 |