基于卷积网络与长短时记忆网络的钢轨裂纹检测方法研究

基于卷积网络与长短时记忆网络的钢轨裂纹检测方法研究

论文摘要

近几十年来,我国高速铁路迅速发展,形成巨大的铁路通行网。高速铁路推动着我国经济的高速发展,并且成为人们主要的出行方式。自铁路历经数次提速后,铁路运行的安全性得到广泛关注。保障列车安全运行是我国铁路运输当下最重视的问题。超声、涡流等传统检测方法速度慢、占用铁路线路且检测效率低下,已经跟不上铁路发展的步伐。必须研究一种实时、高效的钢轨裂纹检测方法。声发射技术作为近几年提出来的钢轨裂纹无损检测新手段,弥补了超声、涡流等检测方法的不足。但现有钢轨裂纹声发射信号检测算法基于人工提取特征,特征选取经验化,准确率低。论文针对卷积网络和长短时记忆网络的钢轨裂纹检测方法进行了研究,开展了以下工作:首先对采集到的钢轨裂纹声发射信号进行预处理后构建样本集。基于时域、频域、时频域方法分析钢轨裂纹信号与噪声的区别,并提取特征进行分类。其次为了挖掘钢轨裂纹信号中潜藏的信息,尝试构建不同的卷积网络模型进行裂纹信号检测,分别基于一维卷积、二维卷积构建钢轨裂纹检测模型。实验表明,一维卷积网络模型的检测效果要优于二维卷积网络模型,并在此基础上对一维卷积网络模型相关网络参数进行优化。接着考虑钢轨裂纹信号的时序信息,构建基于双向长短时记忆网络的钢轨裂纹检测模型。对比循环神经网络和长短时记忆网络模型在钢轨裂纹检测的性能。最后对双向长短时记忆网络的钢轨裂纹检测模型进行优化。采用一维卷积提取特征向量,作为双向长短时记忆网络的输入数据进行钢轨裂纹检测。同时针对裂纹获取困难与没有标签的问题,对现有模型改进,引入自编码结构和K-Means聚类算法,从噪声出发,利用编码器结构提取噪声的潜层特征,进行K-Means算法聚类,通过设定阈值判断信号是否为裂纹信号,实现对钢轨裂纹的检测。

论文目录

  • 摘要
  • ABSTRACT
  • 第1章 绪论
  •   1.1 课题背景及研究意义
  •   1.2 国内外研究现状
  •     1.2.1 国外研究现状
  •     1.2.2 国内研究现状
  •   1.3 本文的主要研究内容
  • 第2章 钢轨裂纹声发射信号预处理与特征分析
  •   2.1 数据采集及预处理
  •     2.1.1 数据采集
  •     2.1.2 数据去噪
  •     2.1.3 样本集设计
  •   2.2 特征提取与分析
  •     2.2.1 时域特征提取与分析
  •     2.2.2 频域特征提取与分析
  •     2.2.3 时频域特征提取与分析
  •     2.2.4 分类器设计
  •   2.3 本章总结
  • 第3章 基于一维卷积网络的钢轨裂纹检测
  •   3.1 卷积神经网络理论
  •     3.1.1 二维卷积神经网络
  •     3.1.2 一维卷积神经网络
  •   3.2 卷积网络模型搭建
  •     3.2.1 二维卷积网络模型构建
  •     3.2.2 一维卷积网络模型构建
  •   3.3 实验对比与分析
  •   3.4 本章总结
  • 第4章 基于双向长短时记忆网络的钢轨裂纹检测
  •   4.1 递归神经网络理论
  •     4.1.1 循环神经网络
  •     4.1.2 长短时记忆网络
  •     4.1.3 双向长短时记忆网络
  •   4.2 网络模型搭建
  •   4.3 实验对比分析
  •   4.4 本章总结
  • 第5章 双向长短时记忆网络的钢轨裂纹检测模型优化
  •   5.1 改进双向长短时记忆网络模型
  •     5.1.1 模型搭建
  •     5.1.2 实验结果与分析
  •   5.2 基于噪声的无监督聚类钢轨裂纹检测模型
  •     5.2.1 自编码网络结构
  •     5.2.2 K-Means聚类
  •     5.2.3 无监督聚类钢轨裂纹检测模型搭建
  •   5.3 实验结果与分析
  •   5.4 本章小结
  • 结论
  • 参考文献
  • 攻读硕士学位期间发表的论文及其它成果
  • 致谢
  • 文章来源

    类型: 硕士论文

    作者: 韩瑞东

    导师: 赵悦

    关键词: 钢轨裂纹,声发射,双向长短时记忆网络,一维卷积,自编码网络

    来源: 哈尔滨工业大学

    年度: 2019

    分类: 基础科学,工程科技Ⅱ辑

    专业: 力学,铁路运输

    单位: 哈尔滨工业大学

    分类号: U213.43;O346.1

    DOI: 10.27061/d.cnki.ghgdu.2019.001383

    总页数: 78

    文件大小: 3120K

    下载量: 246

    相关论文文献

    • [1].基于传统数字图像处理的钢轨裂纹检测[J]. 邯郸职业技术学院学报 2019(02)
    • [2].一种钢轨裂纹红外图像处理算法研究[J]. 铁道学报 2018(11)
    • [3].裂纹长度对钢轨裂纹扩展的影响[J]. 应用数学和力学 2014(S1)
    • [4].基于高通滤波和直方图均衡的钢轨裂纹红外图像增强技术[J]. 铁道标准设计 2016(11)
    • [5].多传感器特征决策融合的钢轨裂纹识别方法[J]. 电子测量技术 2017(11)
    • [6].钢轨裂纹疲劳与磨损耦合关系的研究[J]. 铁道科学与工程学报 2016(03)
    • [7].基于OpenCV的钢轨裂纹检测[J]. 电子技术与软件工程 2015(12)
    • [8].基于路图特征和SVM的钢轨裂纹识别[J]. 测控技术 2019(10)
    • [9].钢轨轨脚裂纹红外热波无损检测实验(英文)[J]. 红外技术 2020(02)
    • [10].DKSVD和SVM在钢轨裂纹漏磁识别上的对比研究[J]. 电子测量技术 2017(09)
    • [11].用于钢轨裂纹检测的铁基非晶合金涡流探头研究[J]. 铸造技术 2014(12)
    • [12].国外资讯[J]. 现代城市轨道交通 2016(06)
    • [13].基于微磁检测和交替最小二乘法的钢轨裂纹定量估计[J]. 测控技术 2020(02)
    • [14].涡流检测在钢轨裂纹定量化评估中的应用[J]. 浙江大学学报(工学版) 2011(11)
    • [15].基于改进高低帽变换的钢轨裂纹红外图像增强[J]. 激光与红外 2017(01)
    • [16].基于自适应多尺度积阈值的钢轨裂纹红外图像增强[J]. 铁道学报 2015(02)
    • [17].钢轨裂纹伤损声发射源的建模仿真与特征分析[J]. 声学学报 2015(04)
    • [18].高速漏磁检测中钢轨磁化强度的研究[J]. 无损检测 2013(11)
    • [19].钢轨裂纹高速漏磁巡检中的动态磁化及速度效应分析[J]. 无损检测 2013(10)
    • [20].高速铁路钢轨电磁检测试验[J]. 无损检测 2010(11)
    • [21].重载铁路钢轨打磨技术浅析[J]. 山西建筑 2011(18)
    • [22].基于电磁原理的钢轨裂纹高速在线巡检方法[J]. 无损检测 2012(12)

    标签:;  ;  ;  ;  ;  

    基于卷积网络与长短时记忆网络的钢轨裂纹检测方法研究
    下载Doc文档

    猜你喜欢