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
发布时间：2021-03-29 10:12
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...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
实验系统装置
哈尔滨工业大学工程硕士学位论文3-10 可以看出，随着 CNN 层数增多，钢轨裂纹检测准确率上4 时，准确率稍微下降。当 CNN 层数为 4 时，准确率最高为果，选择网络层数为 4。虑以上参数优化，选择 4 层一维卷积构造网络，每层卷积核 2，第一层卷积核数量为 32，后续层卷积核数量以 2 的倍检测的准确率最高，在测试集准确率为 85.29%。利用混淆络模型在测试集上的表现。一维卷积网络的钢轨裂纹检测3-11 所示。
图 4-14 基于 BiLSTM 的钢轨裂纹检测模型的混淆矩阵 4-15 中，数字代表着样本被预测为某类的概率，对角线数分类的概率。噪声 noise-0 分类正确的概率最高，为 91.4%类的概率为 89.8%，被裂纹信号被误分类的概率为 10.2%oise-1、noise-3、noise-4。双向长短时记忆网络钢轨检测模纹的时序信息，同时又编码钢轨裂纹的过去信息与未来信积网络模型在钢轨裂纹检测的性能要更优秀。章总结基于循环神经网络进行钢轨裂纹检测，首先我们介绍了 RN 等几种常见的循环神经网络模型，然后分别基于这几种模型模型。通过实验对比，观察几种模型损失函数及准确率随迭线，结果表明循环神经网络模型检测效果最差，双向长短时最优，其在测试集准确率较高。可达到 87.34%。其次，本
【参考文献】：
期刊论文
[1]基于LSTM的城市公交车站短时客流量预测研究[J]. 李高盛,彭玲,李祥,吴同. 公路交通科技. 2019(02)
[2]基于神经网络的装修工程造价快速估算方法研究[J]. 陈磊,陈乐. 宁夏工程技术. 2018(04)
[3]基于双向长短时记忆-联结时序分类和加权有限状态转换器的端到端中文语音识别系统[J]. 姚煜,RYAD Chellali. 计算机应用. 2018(09)
[4]钢轨轨底裂纹红外热波无损检测数值模拟分析[J]. 顾桂梅,贾文晶. 红外技术. 2018(03)
[5]基于一维卷积神经网络的车载语音识别研究[J]. 朱锡祥,刘凤山,张超,吕钊,吴小培. 微电子学与计算机. 2017(11)
[6]基于Caffe深度学习框架的车牌数字字符识别算法研究[J]. 欧先锋,向灿群,郭龙源,涂兵,吴健辉,张国云. 四川大学学报(自然科学版). 2017(05)
[7]基于深度学习的高速铣削刀具磨损状态预测方法[J]. 林杨,高思煜,刘同舜,朱锟鹏. 机械与电子. 2017(07)
[8]声发射技术在铁路系统检测中的研究和应用[J]. 章欣,王艳,胡恒山,孙明健,沈毅. 应用声学. 2017(03)
[9]激光超声技术在钢轨探伤中的应用研究[J]. 刘洋,项占琴,唐志峰. 机械设计与制造. 2009(10)
[10]钢轨高速探伤检测系统中的伤损分析[J]. 祝连庆,董明利,孙军华. 仪器仪表学报. 2003(S1)
博士论文
[1]基于动态纹理和卷积神经网络的视频烟雾探测方法研究[D]. 林高华.中国科学技术大学 2018
[2]直升机复合材料试件声发射信号处理算法研究[D]. 于金涛.哈尔滨工业大学 2012
硕士论文
[1]裂纹声发射信号的多传感器检测方法研究[D]. 唐志一.哈尔滨工业大学 2018
[2]基于BRNN和注意力机制的视频行人再识别方法研究[D]. 喻晓东.山东大学 2018
[3]基于卷积神经网络的遥感图像飞机目标识别研究[D]. 颜荔.中国科学技术大学 2018
[4]神经系统疾病早期筛查及检测方法研究[D]. 宝颜鹏.大连理工大学 2018
[5]基于稀疏表示理论的声发射识别技术的研究[D]. 张祺威.东南大学 2017
[6]Q235A钢材在拉伸过程中的声发射特性和定位分析[D]. 杜冕.湘潭大学 2017
[7]脊柱核磁共振图像的分割算法研究与实现[D]. 李帅.武汉理工大学 2017
[8]基于时空特征的双模态情感识别研究[D]. 侯登永.合肥工业大学 2017
[9]基于深度学习方法的水下声音目标识别研究[D]. 卢安安.哈尔滨工程大学 2017
[10]基于多特征的图像表观迁移技术研究[D]. 宋志超.天津大学 2017
本文编号：3107385
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
实验系统装置
哈尔滨工业大学工程硕士学位论文3-10 可以看出，随着 CNN 层数增多，钢轨裂纹检测准确率上4 时，准确率稍微下降。当 CNN 层数为 4 时，准确率最高为果，选择网络层数为 4。虑以上参数优化，选择 4 层一维卷积构造网络，每层卷积核 2，第一层卷积核数量为 32，后续层卷积核数量以 2 的倍检测的准确率最高，在测试集准确率为 85.29%。利用混淆络模型在测试集上的表现。一维卷积网络的钢轨裂纹检测3-11 所示。
图 4-14 基于 BiLSTM 的钢轨裂纹检测模型的混淆矩阵 4-15 中，数字代表着样本被预测为某类的概率，对角线数分类的概率。噪声 noise-0 分类正确的概率最高，为 91.4%类的概率为 89.8%，被裂纹信号被误分类的概率为 10.2%oise-1、noise-3、noise-4。双向长短时记忆网络钢轨检测模纹的时序信息，同时又编码钢轨裂纹的过去信息与未来信积网络模型在钢轨裂纹检测的性能要更优秀。章总结基于循环神经网络进行钢轨裂纹检测，首先我们介绍了 RN 等几种常见的循环神经网络模型，然后分别基于这几种模型模型。通过实验对比，观察几种模型损失函数及准确率随迭线，结果表明循环神经网络模型检测效果最差，双向长短时最优，其在测试集准确率较高。可达到 87.34%。其次，本
【参考文献】：
期刊论文
[1]基于LSTM的城市公交车站短时客流量预测研究[J]. 李高盛,彭玲,李祥,吴同. 公路交通科技. 2019(02)
[2]基于神经网络的装修工程造价快速估算方法研究[J]. 陈磊,陈乐. 宁夏工程技术. 2018(04)
[3]基于双向长短时记忆-联结时序分类和加权有限状态转换器的端到端中文语音识别系统[J]. 姚煜,RYAD Chellali. 计算机应用. 2018(09)
[4]钢轨轨底裂纹红外热波无损检测数值模拟分析[J]. 顾桂梅,贾文晶. 红外技术. 2018(03)
[5]基于一维卷积神经网络的车载语音识别研究[J]. 朱锡祥,刘凤山,张超,吕钊,吴小培. 微电子学与计算机. 2017(11)
[6]基于Caffe深度学习框架的车牌数字字符识别算法研究[J]. 欧先锋,向灿群,郭龙源,涂兵,吴健辉,张国云. 四川大学学报(自然科学版). 2017(05)
[7]基于深度学习的高速铣削刀具磨损状态预测方法[J]. 林杨,高思煜,刘同舜,朱锟鹏. 机械与电子. 2017(07)
[8]声发射技术在铁路系统检测中的研究和应用[J]. 章欣,王艳,胡恒山,孙明健,沈毅. 应用声学. 2017(03)
[9]激光超声技术在钢轨探伤中的应用研究[J]. 刘洋,项占琴,唐志峰. 机械设计与制造. 2009(10)
[10]钢轨高速探伤检测系统中的伤损分析[J]. 祝连庆,董明利,孙军华. 仪器仪表学报. 2003(S1)
博士论文
[1]基于动态纹理和卷积神经网络的视频烟雾探测方法研究[D]. 林高华.中国科学技术大学 2018
[2]直升机复合材料试件声发射信号处理算法研究[D]. 于金涛.哈尔滨工业大学 2012
硕士论文
[1]裂纹声发射信号的多传感器检测方法研究[D]. 唐志一.哈尔滨工业大学 2018
[2]基于BRNN和注意力机制的视频行人再识别方法研究[D]. 喻晓东.山东大学 2018
[3]基于卷积神经网络的遥感图像飞机目标识别研究[D]. 颜荔.中国科学技术大学 2018
[4]神经系统疾病早期筛查及检测方法研究[D]. 宝颜鹏.大连理工大学 2018
[5]基于稀疏表示理论的声发射识别技术的研究[D]. 张祺威.东南大学 2017
[6]Q235A钢材在拉伸过程中的声发射特性和定位分析[D]. 杜冕.湘潭大学 2017
[7]脊柱核磁共振图像的分割算法研究与实现[D]. 李帅.武汉理工大学 2017
[8]基于时空特征的双模态情感识别研究[D]. 侯登永.合肥工业大学 2017
[9]基于深度学习方法的水下声音目标识别研究[D]. 卢安安.哈尔滨工程大学 2017
[10]基于多特征的图像表观迁移技术研究[D]. 宋志超.天津大学 2017
本文编号：3107385
本文链接：https://www.wllwen.com/kejilunwen/lxlw/3107385.html
