详情

原文传递识别车轴疲劳裂纹声发射信号方法

专利名称：	识别车轴疲劳裂纹声发射信号方法
摘要：	本发明提供一种识别车轴疲劳裂纹声发射信号方法，包括：获取安装在车轴处的声发射传感器采集的声发射信号；对声发射信号进行预处理，并向声发射信号添加属性标签得到处理后的声发射信号并将其划分为训练集和测试集；构建CNN‑BiLSTM网络模型，根据训练集对CNN‑BiLSTM网络模型进行训练；将测试集输入训练后的CNN‑BiLSTM网络模型，训练后的CNN‑BiLSTM网络模型将测试集分类为疲劳裂纹信号和非疲劳裂纹信号。通过CNN‑BiLSTM网络模型的卷积神经网络和双向长短期记忆网络对车轴混合有干扰信号的声发射信号进行识别分类，以实现对车轴疲劳裂纹的检测。
专利类型：	发明专利
国家地区组织代码：	辽宁;21
申请人：	大连交通大学
发明人：	林丽;唐小雯;彭庆伟;刘晓晶
专利状态：	有效
申请日期：	2023-08-09T00:00:00+0800
发布日期：	2023-11-24T00:00:00+0800
申请号：	CN202310998406.2
公开号：	CN117110446A
代理机构：	大连东方专利代理有限责任公司
代理人：	吴婷婷;李洪福
分类号：	G01N29/44;G01N29/04;G;G01;G01N;G01N29;G01N29/44;G01N29/04
申请人地址：	116000 辽宁省大连市沙河口区黄河路794号
主权项：	1.一种识别车轴疲劳裂纹声发射信号方法，其特征在于，包括：获取安装在车轴处的声发射传感器采集的声发射信号；对所述声发射信号进行预处理，并向所述声发射信号添加属性标签得到处理后的所述声发射信号，所述属性标签包括裂纹、敲击和噪声；将处理后的所述声发射信号划分为训练集和测试集；构建CNN-BiLSTM网络模型，所述CNN-BiLSTM网络模型包括卷积神经网络和双向长短期记忆网络，根据所述训练集对所述CNN-BiLSTM网络模型进行训练；将所述测试集输入训练后的所述CNN-BiLSTM网络模型，训练后的所述CNN-BiLSTM网络模型将所述测试集分类为疲劳裂纹信号和非疲劳裂纹信号。 2.根据权利要求1所述的识别车轴疲劳裂纹声发射信号方法，其特征在于，所述构建CNN-BiLSTM网络模型，包括：构建所述卷积神经网络，所述卷积神经网络包括顺次设置的序列输入层、第一卷积层、第一修正单元、第一层归一化、第二卷积层、第二修正单元、第二层归一化和全局平均池化层；构建所述双向长短期记忆网络，包括顺次设置的第一长短期记忆网络和第二长短期记忆网络，所述第一长短期记忆网络和所述第二长短期记忆网络的方向相反，将所述第一长短期记忆网络与所述全局平均池化层电连接；设置全连接层，分别电连接所述第二长短期记忆网络、Softmax回归层；设置分类输出层，电连接所述Softmax回归层。 3.根据权利要求2所述的识别车轴疲劳裂纹声发射信号方法，其特征在于，所述构建CNN-BiLSTM网络模型，还包括：设置所述双向长短期记忆网络的隐藏单元数为160，初始学习率为0.001，最小批次处理样本个数为64、训练的最大迭代次数10，损失函数为交叉熵损失函数、输出模式为输出最后一个分类值、序列长度为最长序列长度。 4.根据权利要求2所述的识别车轴疲劳裂纹声发射信号方法，其特征在于，所述双向长短期记忆网络按照以下方式进行计算：其中，→为沿顺时间顺序隐藏，←为沿逆时间顺序隐藏，xt为输入序列，ht为第t时刻的隐藏状态，ht-1为第t-1时刻的隐藏状态。 5.根据权利要求4所述的识别车轴疲劳裂纹声发射信号方法，其特征在于，所述第一长短期记忆网络和所述第二长短期记忆网络均包括M个记忆单元，所述记忆单元包括遗忘门、输入门和输出门，所述遗忘门、所述输入门和所述输出门按照以下方式计算第t时刻的隐藏状态：其中，Ot为所述输出门的输出值，tanh为双曲线正切的激活函数赋予第t-1时刻的生成输入状态和生成隐藏状态，Ct为第t时刻的记忆单元状态，σ为sigmoid激活函数，WO为所述输出门的权重，bO为所述输出门的偏置，ft为所述遗忘门的输出值，Ct-1为第t-1时刻的记忆单元状态，it为所述输入门的输出值，为记忆单元状态，WC为所述生成输入状态的权重，bC为所述生成输入状态的偏置，Wi为所述输入门的权重，bi为所述输入门的偏置，Wf为所述遗忘门的权重，bf为所述遗忘门的偏置。 6.根据权利要求3所述的识别车轴疲劳裂纹声发射信号方法，其特征在于，所述根据所述训练集对所述CNN-BiLSTM网络模型进行训练，包括：当所述训练集在所述双向长短期记忆网络得到迭代次数满足所述训练的最大迭代次数，所述CNN-BiLSTM网络模型完成训练。 7.根据权利要求1所述的识别车轴疲劳裂纹声发射信号方法，其特征在于，所述将处理后的所述声发射信号划分为训练集和测试集，包括：所述训练集与所述测试集的比例为3：1。