基于1D-DCNN的车轴疲劳裂纹识别方法

本发明涉及轨道车辆安全，具体涉及基于1d-dcnn的车轴疲劳裂纹识别方法。

背景技术：

1、铁路作为一种具有高经济性和庞大运输体量的运输方式，在全国的运输系统中占有举足轻重的地位，在轨道车辆的所有组成部件中，转向架是极其重要的部分，转向架的运行状态是影响车辆安全运行的关键因素之一，而车轴作为转向架的重要部件之一，一旦发生裂纹、磨损等形式的故障，且不能及时地被检测到，则会产生无法预料的严重后果，现有技术中多采用超声波探伤或者是磁粉探伤等技术手段来对车轴裂纹进行检测，但磁粉探伤和超声波探伤方法通常适用于特定类型的材料和缺陷，而且可能需要对被测物进行准备和处理，无法进行实时检测，且磁粉探伤和超声波探伤方法生成的数据往往需要人工解读和分析，主观因素容易对检测结果产生影响。

技术实现思路

1、为了克服现有技术中检测无法实时检测、且主观因素对检测结果有影响的技术问题，本发明提供了基于1d-dcnn的车轴疲劳裂纹识别方法。

2、本发明为实现上述目的所采用的技术方案是：基于1d-dcnn的车轴疲劳裂纹识别方法，包括以下步骤：

3、s1：利用声发射传感器采集车轴疲劳裂纹声发射信号数据、车轴背景噪声声发射信号数据、车轴敲击声发射信号数据；

4、s2：对车轴疲劳裂纹声发射信号数据进行分段采样，对车轴背景噪声声发射信号数据、车轴敲击声发射信号数据使用重叠采样法分别进行采样处理，获得车轴疲劳裂纹声发射信号样本、车轴背景噪声声发射信号样本、车轴敲击声发射信号样本；

5、s3：将车轴疲劳裂纹声发射信号样本、车轴背景噪声声发射信号样本、车轴敲击声发射信号样本分别添加标签，并将三种信号样本随机混合，并将混合后的样本集划分为训练集、验证集和测试集；

6、s4：搭建一维深度卷积神经网络模型，对三种声发射信号进行分类识别，一维深度卷积神经网络模型依次包括输入层、conv_1一维卷积层、批量归一化层、relu激活层、maxpool_1最大池化层、conv_2一维卷积层、批量归一化层、relu激活层、maxpool_2最大池化层、conv_3一维卷积层、批量归一化层、relu激活层、maxpool_3最大池化层、conv_4一维卷积层、批量归一化层、relu激活层、maxpool_4最大池化层、conv_5一维卷积层、批量归一化层、relu激活层、maxpool_5最大池化层、全连接层、dropout层、softmax层；s5：通过评估验证集在一维深度卷积神经网络模型中的识别率来确定最优超参数；

7、s6：在最佳超参数下，使用训练集对一维深度卷积神经网络模型进行训练，并保存训练完成的一维深度卷积神经网络模型；

8、s7：使用测试集导入一维深度卷积神经网络模型进行测试，并对模型性能进行评估；

9、s8：使用满足性能要求的一维深度卷积神经网络模型对待检测的声发射信号进行识别，并输出识别结果，若识别出车轴疲劳裂纹声发射信号则证明存在车轴疲劳裂纹，若未识别出车轴疲劳裂纹声发射信号则这证明不存在车轴疲劳裂纹；

10、优选地，所述步骤s2中车轴疲劳裂纹声发射信号数据是以1024个数据点为一个样本长度进行分段采样，所述车轴背景噪声声发射信号数据是以1024个数据点为一个样本长度，偏移量为245进行重叠采样，所述车轴敲击声发射信号数据是以1024个数据点为一个样本长度，偏移量为45进行重叠采样；

11、优选地，所述步骤s4中conv_1一维卷积层的尺寸为64×1，卷积核滑动步长为16，卷积核数量为16；conv_2一维卷积层的尺寸为3×1，卷积核滑动步长为1，卷积核数量为32；conv_3一维卷积层、conv_4一维卷积层、conv_5一维卷积层的尺寸为3×1，卷积核滑动步长为1，卷积核数量为64；

12、优选地，所述步骤s4中maxpool_1最大池化层、maxpool_2最大池化层、maxpool_3最大池化层、maxpool_4最大池化层、maxpool_5最大池化层的池化区域宽度均为2，步长均为2；

13、优选地，所述步骤s4中conv_1一维卷积层、conv_2一维卷积层、conv_3一维卷积层、conv_4一维卷积层、conv_5一维卷积层均用于对一维数据进行卷积操作，其计算公式如下：

14、yi(j)＝mi*x(j)+ni

15、其中：“*”表示卷积操作的运算符，mi表示卷积层中的第i个卷积核的权重，ni表示卷积层中的第i个卷积核的偏置参数，x(j)表示卷积层中第j个局部区域的输入值，yi(j)表示卷积层中的第i个卷积核计算出的特定局部区域j在该卷积核的特征图中对应位置的输出值；

16、所述步骤s4中maxpool_1最大池化层、maxpool_2最大池化层、maxpool_3最大池化层、maxpool_4最大池化层、maxpool_5最大池化层均用于对进行下采样操作、减少特征数据维度和网络运行参数，其计算公式为：

17、

18、其中：qi(t)表示最大池化层中第i通道第t个神经元的输入值，pi(j)表示最大池化层中第i通道第j个神经元的输出值，w表示池化层感知区域的宽度；

19、所述步骤s4中全连接层用于整合一维卷积层和最大池化层提取到的特征信息，其计算公式为：

20、

21、其中：uj表示全连接层的第j个神经元的输出值，n表示神经元的数量，wij表示全连接层输入特征向量的第i个神经元与输出特征向量的第j个神经元之间的连接权重，xi表示全连接层的第i个神经元的输人值，bj表示全连接层中输出特征向量的第j个神经元的偏置值；

22、所述步骤s4中的dropout层用于对神经元做随机失活操作；

23、所述步骤s4中的softmax层用于作为一维深度卷积神经网络模型的输出层，其计算公式为：

24、

25、其中：pj表示softmax层第j个类别的概率输出值，yj表示softmax层第j个类别的输入值，yi表示softmax层第i个类别的输入值，n表示分类任务所涉及到的类别；

26、优选地，所述步骤s4中的批量归一化层作用是将一维卷积层的输出进行标准化，使其具有零均值和方差为1的特性，其计算过程如下：

27、计算批量数据的特征通道的均值，其表达式如下：

28、

29、其中：μ表示对批量数据的特征通道进行归一化时，该特征通道的均值，m表示批量归一化层中的样本数量，yki表批量归一化层的第i个神经元在批量数据中第k个样本中的输入值；

30、计算批量数据特征通道的方差，其计算公式如下：

31、

32、其中：σ2表示批量数据的特征通道的方差，σ表示批量数据的特征通道的的标准差；对当前批量数据的每个神经元进行标准化，其计算公式如下：

33、

34、其中：表示批量归一化操作后的批量归一化层的第i个神经元的输出值，表示对输入数据进行归一化之后得到的结果，ε表示保证数值稳定的常数项；

35、对标准化后的数据进行缩放和偏置，其计算公式如下：

36、

37、其中：zi表示批量归一化层的第i个神经元的最后输出值，γ表示批量归一化层的缩放，β表示批量归一化层的偏置；

38、所述步骤s4中relu激活层中包括relu激活函数，用于减少运算量提高计算速度，其计算方法如下：

39、y＝relu(x)＝max{0,x}

40、其中：y表示relu激活层的输出值，x表示relu激活层的输入值；

41、优选地，所述步骤s4中dropout层用于对神经元做随机失活操作的概率为50％；

42、优选地，所述步骤s5中的超参数包括优化器、学习率、批量尺寸和迭代次数，其中最优优化器为rmsprop，最优学习率为0.001，最优批量尺寸为64，最优迭代次数为100；

43、优选地，所述步骤s6中使用训练集对一维深度卷积神经网络模型进行训练具体包括以下步骤：

44、s6.1：对训练集样本按照批量尺寸为64进行分批处理；

45、s6.2：网络模型权值初始化；

46、s6.3：将训练集导入一维深度卷积神经网络模型，进行正向传播，输出分类识别结果，并计算误差是否在允许范围内，如果误差在允许范围内或误差不在允许范围内且已达到最大迭代次数则执行步骤s6.7，若误差不在允许范围内且未达到最大迭代次数则执行步骤s6.4；s6.4：进入反向传播阶段，利用链式法则计算网络中神经元误差，并计算网络中的梯度误差；s6.5：利用梯度下降法将网络模型权值向误差减小的方向更新；

47、s6.6：重复步骤s6.3-s6.5，直至输出分类结果与目标分类结果的误差在允许范围内或达到最大迭代次数100次；

48、s6.7：将所有批次训练样本依次导入一维深度卷积神经网络模型中重复步骤s6.2-s6.5，直至所有训练样本训练完成，完成训练，保存网络模型；

49、优选地，所述步骤s7中，使用混淆矩阵、精确率、召回率和f1值对模型性能进行评估，其中精确率的表达式如下；

50、

51、其中：p表示精确率，tp表示真正类数量，fp表示假正类数量；

52、召回率表达式如下：

53、

54、其中：r表示召回率，tp表示真正类数量，fn表示假负类数量；

55、f1值表达式如下：

56、

57、其中：p表示精确率，r表示召回率。

58、本发明与现有技术相比有益效果在于：1、本发明中采用了一维深度卷积神经网络，其在操作过程中无需对原始声发射信号数据进行时频变换操作，也无需将原始数据进行模态分解操作，能够直接将原始数据进行特征提取和分类，既简化了流程又保证了原始数据特征的完整性，且能够实现实时监测和智能监测，降低检测误差；

59、2、本发明中采用了五组卷积层和池化层，能够提取更深层、更抽象的特征，能够更好的表征数据集中的复杂模式和关系，能够提高模型的精准度；

60、3、本发明首个卷积层采用大尺寸卷积核，后续采用多个小尺寸卷积核，与小尺寸卷积核相比，首个卷积层的卷积核尺寸越大，感受野区域越大，能够获取更多数据并为更深层提供更多信息，且对于车抽疲劳裂纹声发射检测而言，大卷积核可以更好的抑制高频噪声，另外首个卷积层之后的卷积核设置为小尺寸以加深网络，提高网络的表达能力，从而学习获得输入信号良好的特征表示；

61、4、本发明在卷积层与池化层之间添加了归一化层和激活层，卷积操作之后在进行批量归一化操作可以减少内部协变量转移，能够提高模型性能和增强网络模型的泛化能力，激活层通过引入非线性因素将批量归一化后的卷积层输出结果映射到非线性区间来增强网络模型的非线性表征能力，以避免梯度消失现象，提高模型的可收敛性。