申请/专利权人：哈尔滨工业大学

申请日：2023-06-08

公开（公告）日：2024-04-30

公开（公告）号：CN116821737B

主分类号：G06F18/23213

分类号：G06F18/23213;G06F18/25;G06F18/214;G06F18/24;G06N3/0464;G06N3/0442;G06N3/0895

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2023.10.24#实质审查的生效;2023.09.29#公开

摘要：本发明公开了一种基于改进弱监督多特征融合的裂纹声发射信号识别方法，所述方法包括如下步骤：一：加载从具有不同裂纹的钢轨获得的声发射信号，从这些声发射信号中提取25维特征，依据K‑means算法对特征进行聚类处理，根据聚类精度进行特征筛选，获得能够有效区分不同裂纹信息的特征集；二：将特征集输入到SCNN‑LSTM深度学习模型中，结合弱监督学习标签进行多特征融合，获得钢轨健康指数；三：依据钢轨健康指数的特性，构建自适应钢轨裂纹识别阈值，准确判别来自四段具有不同裂纹的钢轨的声发射信号，完成钢轨裂纹声发射信号识别。本发明运算速率快，识别精度高，在高铁钢轨裂纹伤损识别领域，具有很高的社会意义和经济价值。

主权项：1.一种基于改进弱监督多特征融合的裂纹声发射信号识别方法，其特征在于所述方法包括如下步骤：步骤一：加载从具有不同裂纹的钢轨获得的声发射信号从这些声发射信号中提取25维特征，依据K-means算法对特征进行聚类处理，根据聚类精度进行特征筛选，获得能够有效区分不同裂纹信息的特征集其中，N2代表信号数目，L代表单个信号含有的采样点个数，E2表示筛选得到的特征集维数；步骤二：将特征集输入到SCNN-LSTM深度学习模型中，结合弱监督学习标签进行多特征融合，获得钢轨健康指数具体步骤如下：1将步骤一获取的特征集划分为训练集和测试集N3、N4分别表示训练集和测试集中信号数目，并构建弱监督学习标签Tlabel： 2将训练集作为SCNN层的输入，然后通过卷积运算从输入特征集提取初始特征，接下来通过池化过程进行特征降维，完成特征向量提取，得到三维特征指标FC： FC＝maxJC+b2其中，JC和JS分别代表卷积层和激活层的输出，WC是权值系数，b1和b2是偏移向量，表示卷积运算，δS和ρS是常量，SeLU代表激活函数，主要用来对卷积层的输出进行非线性变换；3利用LSTM层从三维特征指标FC中学习深层信息，刻画出更高层次的特征指标FL，其时序关系如下：FL＝LSTMFC4搭建全连接层，将来自LSTM层的特征指标FL融合构建训练模型的钢轨健康指数RHItrain，完成SCNN-LSTM模型构建： 其中，W和b分别代表权值系数和偏移向量，Sigmoid作为激活函数，保证RHI值在0到1之间；5使用最小化代价函数对构建好的SCNN-LSTM进行训练： 其中，Yout代表训练完成的SCNN-LSTM模型输出，代表弱监督学习标签Tlabel，这样完成训练后，将测试集输入到训练好的SCNN-LSTM模型中，即可得到钢轨健康指数步骤三：依据钢轨健康指数的特性，构建自适应钢轨裂纹识别阈值，准确判别来自四段具有不同裂纹的钢轨的声发射信号，完成钢轨裂纹声发射信号识别，具体步骤如下：1计算钢轨健康指数的标准差SRHI，衡量RHI的统计分布的程度： 其中，Hi3表示第i3组声发射信号的钢轨健康指标，表示的平均值，N4表示训练集和测试集中信号数目；2构建钢轨裂纹识别阈值Thrk： 其中，k代表具有不同裂纹的钢轨序号，k＝1，2，3，4；3依据钢轨裂纹识别阈值Thrk，建立自适应钢轨裂纹识别标准： 其中，i4＝1，2，...，N4，ε代表识别允许误差，P代表最终裂纹识别结果，当P＝1时，代表该处钢轨健康指标对应的声发射信号属于第1段具有裂纹的钢轨，同理，当P＝2，3，4时，分别代表该处钢轨健康指标对应的声发射信号属于第2、3和4段具有裂纹的钢轨，完成钢轨裂纹声发射信号识别。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 基于改进弱监督多特征融合的裂纹声发射信号识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD