近幾十年來,我國高速鐵路迅速發(fā)展,形成巨大的鐵路通行網(wǎng)。高速鐵路推動著我國經(jīng)濟的高速發(fā)展,并且成為人們主要的出行方式。自鐵路歷經(jīng)數(shù)次提速后,鐵路運行的安全性得到廣泛關(guān)注。保障列車安全運行是我國鐵路運輸當(dāng)下最重視的問題。超聲、渦流等傳統(tǒng)檢測方法速度慢、占用鐵路線路且檢測效率低下,已經(jīng)跟不上鐵路發(fā)展的步伐。必須研究一種實時、高效的鋼軌裂紋檢測方法。聲發(fā)射技術(shù)作為近幾年提出來的鋼軌裂紋無損檢測新手段,彌補了超聲、渦流等檢測方法的不足。但現(xiàn)有鋼軌裂紋聲發(fā)射信號檢測算法基于人工提取特征,特征選取經(jīng)驗化,準(zhǔn)確率低。論文針對卷積網(wǎng)絡(luò)和長短時記憶網(wǎng)絡(luò)的鋼軌裂紋檢測方法進行了研究,開展了以下工作:首先對采集到的鋼軌裂紋聲發(fā)射信號進行預(yù)處理后構(gòu)建樣本集�；跁r域、頻域、時頻域方法分析鋼軌裂紋信號與噪聲的區(qū)別,并提取特征進行分類。其次為了挖掘鋼軌裂紋信號中潛藏的信息,嘗試構(gòu)建不同的卷積網(wǎng)絡(luò)模型進行裂紋信號檢測,分別基于一維卷積、二維卷積構(gòu)建鋼軌裂紋檢測模型。實驗表明,一維卷積網(wǎng)絡(luò)模型的檢測效果要優(yōu)于二維卷積網(wǎng)絡(luò)模型,并在此基礎(chǔ)上對一維卷積網(wǎng)絡(luò)模型相關(guān)網(wǎng)絡(luò)參數(shù)進行優(yōu)化。接著考慮鋼軌裂紋信號的時序信息,構(gòu)建基于... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

實驗系統(tǒng)裝置

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文3-10 可以看出，隨著 CNN 層數(shù)增多，鋼軌裂紋檢測準(zhǔn)確率上4 時，準(zhǔn)確率稍微下降。當(dāng) CNN 層數(shù)為 4 時，準(zhǔn)確率最高為果，選擇網(wǎng)絡(luò)層數(shù)為 4。慮以上參數(shù)優(yōu)化，選擇 4 層一維卷積構(gòu)造網(wǎng)絡(luò)，每層卷積核 2，第一層卷積核數(shù)量為 32，后續(xù)層卷積核數(shù)量以 2 的倍檢測的準(zhǔn)確率最高，在測試集準(zhǔn)確率為 85.29%。利用混淆絡(luò)模型在測試集上的表現(xiàn)。一維卷積網(wǎng)絡(luò)的鋼軌裂紋檢測3-11 所示。

圖 4-14 基于 BiLSTM 的鋼軌裂紋檢測模型的混淆矩陣 4-15 中，數(shù)字代表著樣本被預(yù)測為某類的概率，對角線數(shù)分類的概率。噪聲 noise-0 分類正確的概率最高，為 91.4%類的概率為 89.8%，被裂紋信號被誤分類的概率為 10.2%oise-1、noise-3、noise-4。雙向長短時記憶網(wǎng)絡(luò)鋼軌檢測模紋的時序信息，同時又編碼鋼軌裂紋的過去信息與未來信積網(wǎng)絡(luò)模型在鋼軌裂紋檢測的性能要更優(yōu)秀。章總結(jié)基于循環(huán)神經(jīng)網(wǎng)絡(luò)進行鋼軌裂紋檢測，首先我們介紹了 RN 等幾種常見的循環(huán)神經(jīng)網(wǎng)絡(luò)模型，然后分別基于這幾種模型模型。通過實驗對比，觀察幾種模型損失函數(shù)及準(zhǔn)確率隨迭線，結(jié)果表明循環(huán)神經(jīng)網(wǎng)絡(luò)模型檢測效果最差，雙向長短時最優(yōu)，其在測試集準(zhǔn)確率較高。可達到 87.34%。其次，本

【參考文獻】：
期刊論文
[1]基于LSTM的城市公交車站短時客流量預(yù)測研究[J]. 李高盛,彭玲,李祥,吳同.  公路交通科技. 2019(02)
[2]基于神經(jīng)網(wǎng)絡(luò)的裝修工程造價快速估算方法研究[J]. 陳磊,陳樂.  寧夏工程技術(shù). 2018(04)
[3]基于雙向長短時記憶-聯(lián)結(jié)時序分類和加權(quán)有限狀態(tài)轉(zhuǎn)換器的端到端中文語音識別系統(tǒng)[J]. 姚煜,RYAD Chellali.  計算機應(yīng)用. 2018(09)
[4]鋼軌軌底裂紋紅外熱波無損檢測數(shù)值模擬分析[J]. 顧桂梅,賈文晶.  紅外技術(shù). 2018(03)
[5]基于一維卷積神經(jīng)網(wǎng)絡(luò)的車載語音識別研究[J]. 朱錫祥,劉鳳山,張超,呂釗,吳小培.  微電子學(xué)與計算機. 2017(11)
[6]基于Caffe深度學(xué)習(xí)框架的車牌數(shù)字字符識別算法研究[J]. 歐先鋒,向燦群,郭龍源,涂兵,吳健輝,張國云.  四川大學(xué)學(xué)報(自然科學(xué)版). 2017(05)
[7]基于深度學(xué)習(xí)的高速銑削刀具磨損狀態(tài)預(yù)測方法[J]. 林楊,高思煜,劉同舜,朱錕鵬.  機械與電子. 2017(07)
[8]聲發(fā)射技術(shù)在鐵路系統(tǒng)檢測中的研究和應(yīng)用[J]. 章欣,王艷,胡恒山,孫明健,沈毅.  應(yīng)用聲學(xué). 2017(03)
[9]激光超聲技術(shù)在鋼軌探傷中的應(yīng)用研究[J]. 劉洋,項占琴,唐志峰.  機械設(shè)計與制造. 2009(10)
[10]鋼軌高速探傷檢測系統(tǒng)中的傷損分析[J]. 祝連慶,董明利,孫軍華.  儀器儀表學(xué)報. 2003(S1)

博士論文
[1]基于動態(tài)紋理和卷積神經(jīng)網(wǎng)絡(luò)的視頻煙霧探測方法研究[D]. 林高華.中國科學(xué)技術(shù)大學(xué) 2018
[2]直升機復(fù)合材料試件聲發(fā)射信號處理算法研究[D]. 于金濤.哈爾濱工業(yè)大學(xué) 2012

碩士論文
[1]裂紋聲發(fā)射信號的多傳感器檢測方法研究[D]. 唐志一.哈爾濱工業(yè)大學(xué) 2018
[2]基于BRNN和注意力機制的視頻行人再識別方法研究[D]. 喻曉東.山東大學(xué) 2018
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像飛機目標(biāo)識別研究[D]. 顏荔.中國科學(xué)技術(shù)大學(xué) 2018
[4]神經(jīng)系統(tǒng)疾病早期篩查及檢測方法研究[D]. 寶顏鵬.大連理工大學(xué) 2018
[5]基于稀疏表示理論的聲發(fā)射識別技術(shù)的研究[D]. 張祺威.東南大學(xué) 2017
[6]Q235A鋼材在拉伸過程中的聲發(fā)射特性和定位分析[D]. 杜冕.湘潭大學(xué) 2017
[7]脊柱核磁共振圖像的分割算法研究與實現(xiàn)[D]. 李帥.武漢理工大學(xué) 2017
[8]基于時空特征的雙模態(tài)情感識別研究[D]. 侯登永.合肥工業(yè)大學(xué) 2017
[9]基于深度學(xué)習(xí)方法的水下聲音目標(biāo)識別研究[D]. 盧安安.哈爾濱工程大學(xué) 2017
[10]基于多特征的圖像表觀遷移技術(shù)研究[D]. 宋志超.天津大學(xué) 2017



本文編號：3107385