CN112906672A - 钢轨缺陷识别方法及*** - Google Patents
钢轨缺陷识别方法及*** Download PDFInfo
- Publication number
- CN112906672A CN112906672A CN202110380409.0A CN202110380409A CN112906672A CN 112906672 A CN112906672 A CN 112906672A CN 202110380409 A CN202110380409 A CN 202110380409A CN 112906672 A CN112906672 A CN 112906672A
- Authority
- CN
- China
- Prior art keywords
- matrix
- steel rail
- guided wave
- wave detection
- defect
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 105
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 67
- 239000010959 steel Substances 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 100
- 238000001514 detection method Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000007797 corrosion Effects 0.000 claims abstract description 13
- 238000005260 corrosion Methods 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 238000013145 classification model Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 20
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
Images
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
Description
技术领域
本发明涉及人工智能,具体地,涉及一种钢轨缺陷识别方法及***。
背景技术
铁路运输具有容量大、速度快的优点,已经成为了四大运输方式之一。钢轨,作为铁路运输的基本组成部件,它的健康状况直接影响铁路运输的安全。因此,钢轨的安全性检测具有重要的意义。
目前,在国内对于钢轨缺陷的检测,主要是由专业人员借助探伤设备,通过专业知识分析,判断缺陷钢轨是否存在缺陷,这样的方法可以实现高效检测,但比较耗时、费力,已不能满足铁路发展的新需求。为实现钢轨缺陷的自动检测,涌现出一些基于机器学习算法的检测方法,例如:通过对导波检测信号进行特征提取,然后将提取的特征送入BP神经网络或者支持向量机SVM,进行有监督学习,以实现钢轨的缺陷识别。
但这些方法的一个不足之处在于必须通过专业知识和经验,才能比较准确的提取出信号的特征。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种钢轨缺陷识别方法及***。
根据本发明提供的钢轨缺陷识别方法,包括如下步骤:
步骤S4:通过所述钢轨缺陷识别模型对钢轨缺陷进行识别,确定钢轨的缺陷类型。
优选地,所述步骤S1包括如下步骤:
步骤S101:采集钢轨在完好状态的导波检测信号以及裂纹状态、腐蚀状态下的多种缺陷类型的导波检测信号;
步骤S102:将每一缺陷类型的所述导波检测信号形成m个样本,每个样本中导波检测信号元素数为n;
优选地,所述步骤S2包括如下步骤:
步骤S202:获取主成分个数k;
优选地,在步骤S1中采用超声导波检测方法,通过一激一收的信号采集方式采集钢轨的导波检测信号。
式中:
其中,n为每个导波检测信号中的特征值数;
w为单位方向向量。
优选地,所述样本包括7种不同程度的裂纹缺陷、4种不同程度的腐蚀缺陷以及无缺陷时钢轨的导波检测信号。
根据本发明提供的钢轨缺陷识别***,包括如下模块:
数据采集模块,用于采集钢轨在完好状态的导波检测信号以及裂纹状态、腐蚀状态下的多种缺陷类型的导波检测信号,将每一缺陷类型的所述导波检测信号形成m个样本,每个样本中导波检测信号数为n,进而形成一m×n的矩阵
缺陷识别模块,用于通过所述钢轨缺陷识别模型对钢轨缺陷进行识别,确定钢轨的缺陷类型。
与现有技术相比,本发明具有如下的有益效果:
本发明超声导波检测技术进行特征提取,将提取的特征送入机器学习分类模型中进行训练,生成的钢轨缺陷识别模型能够准确的识别部钢轨的缺陷类型,且在辨识过程中减少对专业知识的依赖,具有普适性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施例中钢轨缺陷识别方法的流程图;
图2为本发明实施例中钢轨缺陷识别模型的分类表格;
图3为本发明实施例中ROC曲线的示意图;
图4为本发明实施例中钢轨缺陷识别***的模块示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
图1为本发明实施例中钢轨缺陷识别方法的流程图,如图1所示,本发明提供的钢轨缺陷识别方法包括如下步骤:
在本发明实施例中,所述步骤S1包括如下步骤:
步骤S101:采集钢轨在完好状态的导波检测信号以及裂纹状态、腐蚀状态下的多种缺陷类型的导波检测信号;
步骤S102:将所有缺陷类型的所述导波检测信号形成m个样本,每个样本中导波检测信号元素数为n;
在步骤S1中采用超声导波检测方法,通过一激一收的信号采集方式采集钢轨的导波检测信号。
在本发明实施例中,所述步骤S2包括如下步骤:
式中:
步骤S202:获取主成分个数k;主成分个数k的选择用主成分贡献率给出选择依据,最大投影方差值的大小反映了所含原始数据中信息的多少,其值越大,表示其中包含原始数据的有用信息越多;同时,该值越小,表示其中包含的干扰信息越多。在求解最大投影方差的过程中,如式(3),(4)所示,可发现最大投影方差即为协方差矩阵的特征值,也为矩阵的奇异值的平方。故此,选取前k个特征值及其特征向量,使其尽可能有效地,全面地代表原始数据,即:一般,选取的前k个特征值的总和与矩阵所有特征值的总和的比值大于等于0.99,这个比值也被称为主成分贡献率。然后,将选取的k个特征向量按行组成矩阵,即W为k*n的矩阵。
其中,n:为每个导波检测信号中的特征值数;
w为单位方向向量。
w为单位方向向量;
在w*wT=1的条件下,求解式(2)的最大值,引入拉格朗日系数λ,求解可得式(3):
即:λ为协方差矩阵的特征值,故此:
步骤S4:通过所述钢轨缺陷识别模型对钢轨缺陷进行识别,确定钢轨的缺陷类型。
当在本发明实施例中进行实验验证时,通过包含有7种不同程度的裂纹缺陷和4种不同程度的腐蚀缺陷,以及无缺陷时钢轨的导波检测信号所组成的数据集。其中,每种类型的缺陷有10个样本,每个样本中有20001个导波检测信号元素。
提取主成分的个数选择。在此次实验中,按照主成分贡献率为0.99,选取主成分个数。主成分贡献率如表1所示,当主成分个数为6时,可使主成分的贡献率达到0.99,故此次实验,选取6个主成分个数,即将每个样本中的20001个元素,减少到6个元素。将第2步求取的奇异值降序排序,提取前6个奇异值,及其对应的右奇异向量,其中,需要注意的是:因为在本次降维过程中是对矩阵的列向量实现降维,故特征向量应在右奇异矩阵V中选取;
表1 前k个主成分贡献率
在总数120个样本集中,从每种损伤中提取8个样本作为SVM的训练集,2个作为测试集,则训练集中共有96个样本,测试集中有24个样本。送入SVM模型中,得到一个分类结果。这里取十次分类的结果,取其平均值:则其分类准确率为95%,十次结果的标准差为0.02。
图3为本发明实施例中ROC曲线的示意图,如图3所示,真阳率(True positiverage)和假阳率(False positive rate)是机器学习模型评估中常用的评价指标。真阳率反映了模型的正确分类的能力;假阳率反映了模型错误分类的能力。在图3中,除第九类,第十类的ROC曲线距离随机分类线近一些,其他分类的ROC曲线都远离随机分类线,即可实现分类功能。故验证了机器学习分类模型的可行性,同时,也证明了分类结果的准确性。
图4为本发明实施例中钢轨缺陷识别***的模块示意图,如图4所示,本发明提供的钢轨缺陷识别***,包括如下模块:
数据采集模块,用于采集钢轨在完好状态的导波检测信号以及裂纹状态、腐蚀状态下的多种缺陷类型的导波检测信号,将所有缺陷类型的所述导波检测信号形成m个样本,每个样本中导波检测信号数为n,进而形成一m×n的矩阵
缺陷识别模块,用于通过所述钢轨缺陷识别模型对钢轨缺陷进行识别,确定钢轨的缺陷类型。
本发明实施例中,超声导波检测技术进行特征提取,将提取的特征送入机器学习分类模型中进行训练,生成的钢轨缺陷识别模型能够准确的识别部钢轨的缺陷类型,且在辨识过程中减少对专业知识的依赖,具有普适性。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (10)
4.根据权利要求1所述的钢轨缺陷识别方法,其特征在于,在步骤S1中采用超声导波检测方法,通过一激一收的信号采集方式采集钢轨的导波检测信号。
9.根据权利要求1所述的钢轨缺陷识别方法,其特征在于,所述样本包括7种不同程度的裂纹缺陷、4种不同程度的腐蚀缺陷以及无缺陷时钢轨的导波检测信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110380409.0A CN112906672B (zh) | 2021-04-08 | 2021-04-08 | 钢轨缺陷识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110380409.0A CN112906672B (zh) | 2021-04-08 | 2021-04-08 | 钢轨缺陷识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906672A true CN112906672A (zh) | 2021-06-04 |
CN112906672B CN112906672B (zh) | 2024-02-02 |
Family
ID=76110304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110380409.0A Active CN112906672B (zh) | 2021-04-08 | 2021-04-08 | 钢轨缺陷识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906672B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110940732A (zh) * | 2019-12-30 | 2020-03-31 | 华东交通大学 | 一种钢轨结构腐蚀在线监测与评价方法 |
CN113486874A (zh) * | 2021-09-08 | 2021-10-08 | 西南交通大学 | 一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102692429A (zh) * | 2011-03-24 | 2012-09-26 | 中国科学院沈阳自动化研究所 | 一种复合材料内部缺陷类型自动识别检测方法 |
CN103033567A (zh) * | 2012-12-31 | 2013-04-10 | 江苏大学 | 一种基于导波的管道缺陷信号识别方法 |
WO2014101579A1 (zh) * | 2012-12-28 | 2014-07-03 | 国家电网公司 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
CN105334269A (zh) * | 2015-10-19 | 2016-02-17 | 江苏大学 | 一种基于神经网络和导波特征数据库的管道缺陷类别判别方法 |
CN109798844A (zh) * | 2018-12-28 | 2019-05-24 | 北京交通大学 | 一种钢轨磨耗动态测量中的轨廓自动配准方法 |
CN111767897A (zh) * | 2020-07-14 | 2020-10-13 | 上海应用技术大学 | 一种基于支持向量机的钢轨裂纹缺陷的识别方法 |
-
2021
- 2021-04-08 CN CN202110380409.0A patent/CN112906672B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102692429A (zh) * | 2011-03-24 | 2012-09-26 | 中国科学院沈阳自动化研究所 | 一种复合材料内部缺陷类型自动识别检测方法 |
WO2014101579A1 (zh) * | 2012-12-28 | 2014-07-03 | 国家电网公司 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
CN103033567A (zh) * | 2012-12-31 | 2013-04-10 | 江苏大学 | 一种基于导波的管道缺陷信号识别方法 |
CN105334269A (zh) * | 2015-10-19 | 2016-02-17 | 江苏大学 | 一种基于神经网络和导波特征数据库的管道缺陷类别判别方法 |
CN109798844A (zh) * | 2018-12-28 | 2019-05-24 | 北京交通大学 | 一种钢轨磨耗动态测量中的轨廓自动配准方法 |
CN111767897A (zh) * | 2020-07-14 | 2020-10-13 | 上海应用技术大学 | 一种基于支持向量机的钢轨裂纹缺陷的识别方法 |
Non-Patent Citations (1)
Title |
---|
唐东林;魏子兵;潘峰;唐圳雄;李茂扬;胡琳;: "基于PCA和SVM的管道腐蚀超声内检测", 传感技术学报, no. 07 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110940732A (zh) * | 2019-12-30 | 2020-03-31 | 华东交通大学 | 一种钢轨结构腐蚀在线监测与评价方法 |
CN110940732B (zh) * | 2019-12-30 | 2022-03-01 | 华东交通大学 | 一种钢轨结构腐蚀在线监测与评价方法 |
CN113486874A (zh) * | 2021-09-08 | 2021-10-08 | 西南交通大学 | 一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112906672B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111181939B (zh) | 一种基于集成学习的网络入侵检测方法及装置 | |
CN111738364B (zh) | 一种基于用户负荷与用电参量相结合的窃电检测方法 | |
CN111832608B (zh) | 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法 | |
CN109977808A (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
CN112949715A (zh) | 一种基于svm的轨道交通故障诊断方法 | |
CN112906672A (zh) | 钢轨缺陷识别方法及*** | |
CN111580506A (zh) | 基于信息融合的工业过程故障诊断方法 | |
CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及*** | |
CN111343147B (zh) | 一种基于深度学习的网络攻击检测装置及方法 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN106250913B (zh) | 一种基于局部典型相关分析的分类器集成车牌识别方法 | |
CN113376516A (zh) | 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法 | |
CN111398798A (zh) | 基于振动信号区间特征提取的断路器储能状态辨识方法 | |
CN115471712A (zh) | 一种基于视觉语义约束的生成零样本学习方法 | |
CN111461923A (zh) | 一种基于深度卷积神经网络的窃电监测***和方法 | |
CN116740900B (zh) | 一种基于svm的电力施工预警方法及*** | |
CN117171702A (zh) | 一种基于深度学习的多模态电网故障检测方法和*** | |
CN111863135A (zh) | 一种假阳性结构变异过滤方法、存储介质及计算设备 | |
CN114926702B (zh) | 一种基于深度注意力度量的小样本图像分类方法 | |
CN115452957A (zh) | 基于注意力原型网络的小样本金属损伤识别方法 | |
CN113722239A (zh) | 机载嵌入式软件质量检测方法、装置、介质及电子设备 | |
CN114610882A (zh) | 一种基于电力短文本分类的异常设备编码检测方法和*** | |
CN114842183A (zh) | 一种基于卷积神经网络的开关状态识别方法和*** | |
CN113326971A (zh) | 一种基于PCA和Adaboost的隧道交通事故持续时间预测方法 | |
Zuo et al. | An Improved AdaBoost Tree-Based Method for Defective Products Identification in Wafer Test |
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 |