亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于網(wǎng)絡(luò)模型的鋼軌裂紋檢測(cè)方法研究

        2021-11-02 15:10:35磨巧梅
        西部交通科技 2021年7期
        關(guān)鍵詞:裂紋信號(hào)檢測(cè)

        磨巧梅

        文章針對(duì)鋼軌裂紋聲發(fā)射信號(hào)特性人工提取效率低的問(wèn)題,應(yīng)用CNN與BiLSTM手段進(jìn)行鋼軌裂紋聲發(fā)射信號(hào)提取的研究,通過(guò)預(yù)處理采集的實(shí)際鋼軌裂紋聲發(fā)射信號(hào),對(duì)其特征信息進(jìn)行提取及分類(lèi),分別構(gòu)建基于一維CNN、二維CNN鋼軌裂紋檢測(cè)模型,證明前者效果優(yōu)于后者。根據(jù)鋼軌裂紋信號(hào)擁有時(shí)序的特性,構(gòu)建不同遞歸網(wǎng)絡(luò)鋼軌裂紋檢測(cè)模型,并對(duì)比RNN與LSTM模型檢測(cè)鋼軌裂紋的性能,優(yōu)化BiLSTM鋼軌裂紋檢測(cè)模型的方法證明能夠應(yīng)用于鋼軌裂紋的檢測(cè)。

        鋼軌裂紋;聲發(fā)射信號(hào);BiLSTM;一維CNN

        U216.4A371304

        0 引言

        近年來(lái),高速鐵路的發(fā)展已成為全球發(fā)展的一個(gè)重要趨勢(shì)。我國(guó)在鐵路里程數(shù)上取得了全球第一的成績(jī),創(chuàng)下全球最高列車(chē)時(shí)速的傲人紀(jì)錄,令世界嘆服。隨著速度的一次次提升,人們更加注重列車(chē)運(yùn)行的安全性。在高速列車(chē)運(yùn)行過(guò)程中,容易形成輪軌間長(zhǎng)期的反復(fù)接觸,使得鋼軌受重載擠壓力大于普通鋼軌,造成鋼軌出現(xiàn)裂紋的幾率變大。鋼軌裂紋容易出現(xiàn)擴(kuò)展,若不及時(shí)進(jìn)行檢測(cè)并采取防治措施,繼續(xù)在承受強(qiáng)大外力的作用下使用,就會(huì)形成鋼軌斷裂,發(fā)生安全事故。因此,及時(shí)對(duì)鋼軌裂紋進(jìn)行檢測(cè)成為了鐵路安全運(yùn)營(yíng)中最重要的一步[1]。

        國(guó)外針對(duì)鋼軌裂紋的研究相比國(guó)內(nèi)要早,美國(guó)某公司早在1928年就利用磁感應(yīng)[2]對(duì)鋼軌裂紋進(jìn)行檢測(cè),成為了當(dāng)今最早使用鐵路檢測(cè)技術(shù)的國(guó)家。隨著鋼軌裂紋檢測(cè)技術(shù)的深入研究和深度學(xué)習(xí),其運(yùn)用在故障檢測(cè)中的次數(shù)增多,研究學(xué)者們提出一種深度卷積網(wǎng)絡(luò)[3](深度CNN),對(duì)鋼軌裂紋進(jìn)行檢測(cè),為此利用深度學(xué)習(xí)對(duì)鋼軌裂紋聲發(fā)射技術(shù)的研究便慢慢興起。接著美國(guó)學(xué)者用二維信號(hào)表示鋼軌裂紋聲發(fā)射信號(hào)[4],并基于卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了很好的分類(lèi)。國(guó)內(nèi)對(duì)鋼軌裂紋檢測(cè)技術(shù)于1951年開(kāi)始探索,由國(guó)內(nèi)鐵路部門(mén)開(kāi)展,鐵路部門(mén)用超聲波技術(shù)對(duì)鋼軌裂紋進(jìn)行檢測(cè),最常用的檢測(cè)技術(shù)是超聲檢測(cè)與渦流檢測(cè)。但這兩種檢測(cè)方式不能實(shí)現(xiàn)實(shí)時(shí)的軌道探測(cè),所以我國(guó)大多通過(guò)結(jié)合手推式軌道檢測(cè)與全自動(dòng)檢測(cè)技術(shù)作為主要的探測(cè)方式進(jìn)行探測(cè),這種情況反映出國(guó)內(nèi)對(duì)聲發(fā)射鋼軌裂紋檢測(cè)技術(shù)的深度學(xué)習(xí)和研究較少。為此,國(guó)內(nèi)學(xué)者利用卷積神經(jīng)網(wǎng)絡(luò)識(shí)別鋼軌裂紋所處階段,并選取多次網(wǎng)絡(luò)輸出共同判斷檢測(cè)結(jié)果[5]。中國(guó)科技技術(shù)大學(xué)[6]建立了基于BP神經(jīng)網(wǎng)絡(luò)的模型,并采用深度神經(jīng)網(wǎng)絡(luò),建立一套智能監(jiān)測(cè)模型。

        綜上國(guó)內(nèi)外研究發(fā)現(xiàn),將聲發(fā)射信號(hào)利用于鋼軌裂紋信號(hào)的檢測(cè)是可行的,但由于其特征信息提取的復(fù)雜性,研究如何在沒(méi)有標(biāo)簽數(shù)據(jù)下進(jìn)行網(wǎng)絡(luò)訓(xùn)練成為一項(xiàng)重點(diǎn)任務(wù)。因此,本文對(duì)鋼軌裂紋檢測(cè)方法進(jìn)行進(jìn)一步研究:提取與分類(lèi)預(yù)處理的鋼軌裂紋數(shù)據(jù)信息,分別基于一維CNN和二維CNN建立檢測(cè)模型,證明CNN適合處理鋼軌裂紋信號(hào);建立監(jiān)督學(xué)習(xí)研究?jī)?nèi)容,利用不同遞歸神經(jīng)網(wǎng)絡(luò)對(duì)鋼軌裂紋進(jìn)行識(shí)別,獲得最佳檢測(cè)效果BiLSTM;對(duì)鋼軌裂紋檢測(cè)模型進(jìn)行優(yōu)化,得到能夠?qū)崿F(xiàn)鋼軌裂紋檢測(cè)的方法。

        1 鋼軌裂紋檢測(cè)

        本節(jié)詳細(xì)介紹了鋼軌裂紋聲發(fā)射信號(hào)的采集及預(yù)處理過(guò)程,并引用此數(shù)據(jù)構(gòu)造分幀樣本集,將樣本集通過(guò)時(shí)域、頻域與時(shí)頻域提取特征信息和分類(lèi),最后對(duì)樣本進(jìn)行端到端的訓(xùn)練,比較分別嘗試用一維CNN、二維CNN構(gòu)建鋼軌裂紋檢測(cè)模型的效果。

        1.1 聲發(fā)射信號(hào)采集及預(yù)處理

        鋼軌裂紋進(jìn)行檢測(cè)時(shí)需保持鋼軌裂紋信號(hào)的質(zhì)量,才能構(gòu)造裂紋信號(hào)與噪聲信號(hào)的分幀樣本集,但實(shí)際高速鐵路情況復(fù)雜,獲得的數(shù)據(jù)有多種干擾信號(hào)。因此,想要提供更優(yōu)質(zhì)的鋼軌裂紋聲發(fā)射信號(hào)給后續(xù)實(shí)驗(yàn),就需要搭建實(shí)驗(yàn)室系統(tǒng)才能滿(mǎn)足要求,而不能直接使用采集到的鋼軌裂紋信號(hào)。

        (1)數(shù)據(jù)采集:實(shí)驗(yàn)所采用的數(shù)據(jù)源于某試驗(yàn)場(chǎng)與實(shí)驗(yàn)室,在試驗(yàn)場(chǎng)地鋼軌上施加裂紋信號(hào),當(dāng)列車(chē)經(jīng)過(guò)實(shí)驗(yàn)系統(tǒng)時(shí)采集數(shù)據(jù),將得到的鋼軌裂紋數(shù)據(jù)進(jìn)行檢測(cè)研究。本實(shí)驗(yàn)系統(tǒng)裝置分為模擬裂紋信號(hào)的產(chǎn)生與鋼軌裂紋信號(hào)采集兩部分,由這兩部分組成的實(shí)驗(yàn)系統(tǒng)裝置可得到模擬裂紋信號(hào)時(shí)域圖、模擬裂紋信號(hào)小波圖,通過(guò)觀察小波圖又可獲得裂紋持續(xù)時(shí)間及模擬裂紋信號(hào)頻率范圍,為下一步實(shí)際鐵路工況下進(jìn)行實(shí)驗(yàn)做準(zhǔn)備工作。隨后觀察整趟列車(chē)聲發(fā)射信號(hào)幅值-時(shí)間圖,得到最大幅值為90 mv,信噪比為-28 db,該數(shù)據(jù)使模擬裂紋信號(hào)完全被覆蓋,且噪聲不斷增加衰減為檢測(cè)帶來(lái)巨大困難,所以需要對(duì)數(shù)據(jù)進(jìn)行去噪處理。

        (2)數(shù)據(jù)去噪:模擬裂紋信號(hào)擁有其自身的頻譜特點(diǎn),根據(jù)頻譜特點(diǎn)觀察環(huán)境噪聲與裂紋信號(hào)的小波圖,得到應(yīng)選用200~800 kHz內(nèi)的數(shù)據(jù)進(jìn)行研究。使數(shù)據(jù)能夠固定頻率、帶的信號(hào)及去除范圍外的信號(hào)。本節(jié)選用FIR濾波器作為帶通濾波器進(jìn)行計(jì)算,F(xiàn)IR濾波器函數(shù)如式(1)所示。通過(guò)觀察濾波器函數(shù)計(jì)算后頻率內(nèi)帶通濾波器去噪后的信號(hào)圖可以發(fā)現(xiàn),整段信號(hào)峰值由90 mv降至24 mv,信噪比由-28 db升高至16.5 db,證明了帶通濾波器的效果。

        H(z)=a(z)b(z)=∑N-1n=0h(n)z-n(1)

        (3)樣本采集設(shè)計(jì):本文需選取鋼軌裂紋信號(hào)與不同類(lèi)型的噪聲構(gòu)建鋼軌裂紋檢測(cè)實(shí)驗(yàn)的數(shù)據(jù)集,才能提取鋼軌裂紋的特征信息及提供后續(xù)訓(xùn)練、測(cè)試鋼軌裂紋檢驗(yàn)的算法。本節(jié)對(duì)裂紋信號(hào)與5類(lèi)噪聲進(jìn)行數(shù)據(jù)分幀,單個(gè)樣本長(zhǎng)度選取量為1 024個(gè),最后得到48 681個(gè)樣本,并采用獨(dú)熱編碼進(jìn)行分類(lèi)標(biāo)記,如表1所示。

        1.2 鋼軌裂紋特征提取

        基于時(shí)域、頻域與時(shí)頻域的特征分析可發(fā)現(xiàn),需要設(shè)計(jì)一分類(lèi)器將三者合在一起才能實(shí)現(xiàn)區(qū)分噪聲與裂紋信號(hào)。因此,本文采用具有很好的非線性擬合能力、可以擬合不同的函數(shù)及適應(yīng)于多分類(lèi)任務(wù)的BP網(wǎng)絡(luò)進(jìn)行任務(wù)的多分類(lèi)。各類(lèi)噪聲以裂紋信號(hào)在BP網(wǎng)絡(luò)中的準(zhǔn)確率如表2所示。

        由表2可以發(fā)現(xiàn),BP網(wǎng)絡(luò)信號(hào)能很好地識(shí)別常規(guī)噪聲,但面對(duì)裂紋信號(hào)時(shí)信號(hào)精度會(huì)下降,表明鋼軌裂紋與噪聲特征提取與各種噪聲的干擾有關(guān),側(cè)面反映出現(xiàn)有技術(shù)在解決鋼軌裂紋檢測(cè)方面不能很好地體現(xiàn)出其優(yōu)異之處,因此,需通過(guò)提升鋼軌裂紋檢測(cè)的精度來(lái)實(shí)現(xiàn)鋼軌裂紋有效特征信息的提取。

        1.3 CNN模型搭建及實(shí)驗(yàn)對(duì)比與分析

        CNN與現(xiàn)有人工設(shè)計(jì)提取方法不同,因?yàn)镃NN可以實(shí)現(xiàn)特征的自動(dòng)化提取[7],及一維特性是鋼軌裂紋信號(hào)特有的表現(xiàn)方式這一特點(diǎn),所以采用一維CNN對(duì)其進(jìn)行處理所得結(jié)果的解釋性更強(qiáng)。本節(jié)將采用一維CNN來(lái)構(gòu)建鋼軌裂紋模型與二維CNN構(gòu)建模型進(jìn)行對(duì)比,分析兩種方法的檢測(cè)效果。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

        一維CNN鋼軌裂紋檢測(cè)模型樣本尺寸數(shù)據(jù)為1 024×1,數(shù)據(jù)集包括裂紋信號(hào)和5種噪聲,共6類(lèi)信號(hào),所以輸入層尺寸數(shù)據(jù)為1 024×1,輸出層尺寸數(shù)據(jù)為6×1。一維CNN模型如圖2所示。為了適應(yīng)二維CNN構(gòu)建,需將一維樣本尺寸1 024×1的維度更換為二維矩陣32×32后再進(jìn)行數(shù)據(jù)的輸入,二維CNN數(shù)據(jù)集包括裂紋信號(hào)和5種噪聲,共6類(lèi)信號(hào),輸出層為6×1。二維CNN模型如圖3所示。

        為了更好地驗(yàn)證模型的有效性,本實(shí)驗(yàn)基于Tensorflow框架[8]運(yùn)用Python語(yǔ)言和計(jì)算機(jī)應(yīng)用完成網(wǎng)絡(luò)模型的構(gòu)建,從中選取樣本的信號(hào),并選取7/10作為樣本進(jìn)行訓(xùn)練,其余3/10檢測(cè)網(wǎng)絡(luò)性能,學(xué)習(xí)率設(shè)定0.001。整個(gè)CNN的檢測(cè)效果可以通過(guò)誤差的收斂曲線很好地反映,因此通過(guò)對(duì)比一維CNN與二維CNN建立模型的損失函數(shù)和準(zhǔn)確率曲線,可以評(píng)估兩類(lèi)模型的鋼軌裂紋檢測(cè)效果。損傷函數(shù)如圖4所示。準(zhǔn)確率曲線如圖5所示。

        由圖4和圖5可以看出,一維CNN模型損失函數(shù)下降快,且最終收斂時(shí)損失函數(shù)值也明顯小于二維CNN模型,最終準(zhǔn)確率為84.51%,要高于BP分類(lèi)器的準(zhǔn)確率,可以看出一維CNN檢測(cè)性能要優(yōu)于二維CNN。

        2 BiLSTM的鋼軌裂紋檢測(cè)

        鋼軌裂紋聲發(fā)射信號(hào)是一種具有上下聯(lián)系的時(shí)序信號(hào),為此基于RNN與LSTM的遞歸網(wǎng)絡(luò)來(lái)捕捉鋼軌裂紋時(shí)序信號(hào)[9],將準(zhǔn)確率進(jìn)行對(duì)比分析,得到適合的測(cè)試方法。

        2.1 構(gòu)建網(wǎng)絡(luò)模型

        根據(jù)遞歸神經(jīng)網(wǎng)絡(luò)可以很好地解決鋼軌裂紋時(shí)序信號(hào)檢測(cè)的問(wèn)題這一理論[10],構(gòu)建RNN、LSTM、BiLSTM三種遞歸網(wǎng)絡(luò),并對(duì)比鋼軌裂紋信號(hào)檢測(cè)的效果。選取前文鋼軌裂紋輸入的6類(lèi)信號(hào),選擇幀長(zhǎng)128,幀移32,網(wǎng)絡(luò)輸入128×1來(lái)減少循環(huán)網(wǎng)絡(luò)神經(jīng)結(jié)構(gòu)。構(gòu)建RNN模型結(jié)構(gòu)如圖6所示;構(gòu)建LSTM模型結(jié)構(gòu)如圖7所示;構(gòu)建BiLSTM模型結(jié)構(gòu)如圖8所示。

        2.2 實(shí)驗(yàn)數(shù)據(jù)對(duì)比

        RNN、LSTM、BiLSTM三種網(wǎng)絡(luò)程序的運(yùn)行配置與鋼軌裂紋特征提取配置一致,設(shè)置7/10進(jìn)行訓(xùn)練,3/10檢測(cè)網(wǎng)絡(luò)性能,學(xué)習(xí)率為0.001。三類(lèi)模型訓(xùn)練損失函數(shù)如圖9所示;各模型準(zhǔn)確率曲線如圖10所示。由圖9~10可以看出,RNN損失函數(shù)小于另外兩者,但損失值最大。而B(niǎo)iLSTM與LSTM對(duì)比,前者損失函數(shù)值下降最快,且最終損失函數(shù)值要小于后者,所以BiLSTM檢測(cè)性能要比LSTM性能好,準(zhǔn)確率也高于LSTM。三類(lèi)模型的準(zhǔn)確率隨著迭代次數(shù)的增加逐漸提高,在對(duì)比三類(lèi)模型后發(fā)現(xiàn)僅有BiLSTM的準(zhǔn)確率在不斷提升,其最終準(zhǔn)確率為87.57%,證明了BiLSTM檢測(cè)效果要優(yōu)于其余兩者。

        為了進(jìn)一步探索得到最優(yōu)的模型參數(shù),并提高檢測(cè)準(zhǔn)確率,使其達(dá)到檢測(cè)效果,繼續(xù)對(duì)檢測(cè)模型進(jìn)行優(yōu)化,發(fā)現(xiàn)網(wǎng)絡(luò)層數(shù)與每層隱藏節(jié)點(diǎn)數(shù)為檢測(cè)模型待優(yōu)化的參數(shù)?,F(xiàn)對(duì)三種模型中具有最佳檢測(cè)效果的BiLSTM模型進(jìn)行分析,先構(gòu)造兩層BiLSTM層,再分別選用64、128、256、512作為模型的隱藏節(jié)點(diǎn),實(shí)驗(yàn)對(duì)比結(jié)果如表3所示。由表3可以看出,節(jié)點(diǎn)512與256對(duì)比,僅提升了0.1%,沒(méi)有發(fā)生很大的變化,所以根據(jù)成本,隱藏節(jié)點(diǎn)選用256為最優(yōu)。

        其次選用隱藏節(jié)點(diǎn)數(shù)為256,分別對(duì)LSTM與BiLSTM進(jìn)行分析。對(duì)前者網(wǎng)絡(luò)層數(shù)設(shè)置為4層,后者設(shè)置為3層,構(gòu)造網(wǎng)絡(luò)并進(jìn)行訓(xùn)練,比較兩種模型不同層數(shù)對(duì)鋼軌裂紋檢測(cè)準(zhǔn)確率的影響。如表4所示。

        由表4可以看出,LSTM準(zhǔn)確率隨網(wǎng)絡(luò)層次數(shù)目的增加,先上升后下降,在4層的時(shí)候準(zhǔn)確率最大,為88.81%,超過(guò)4層又下降,所以LSTM選用隱藏節(jié)點(diǎn)256,網(wǎng)絡(luò)層數(shù)4層時(shí)為最佳檢測(cè)效果;BiLSTM準(zhǔn)確率增加到一定程度后繼續(xù)下降,在3層的時(shí)候準(zhǔn)確率最大,為89.15%,僅比2層高了0.23%,而4層時(shí)的準(zhǔn)確率均比2、3層時(shí)準(zhǔn)確率小,且用時(shí)也會(huì)延長(zhǎng)。為此考慮成本與檢測(cè)精度,BiLSTM網(wǎng)絡(luò)層選用隱藏節(jié)點(diǎn)256,網(wǎng)絡(luò)層數(shù)2層時(shí)為最佳檢測(cè)效果。

        3 優(yōu)化雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的鋼軌裂紋檢測(cè)模型

        3.1 改進(jìn)BiLSTM模型的搭建

        相比較BP網(wǎng)絡(luò)分類(lèi)器,鋼軌裂紋信號(hào)的一維特性能很好地被一維CNN模型適應(yīng),提取鋼軌裂紋局部特性信號(hào),但沒(méi)考慮到鋼軌裂紋信號(hào)的時(shí)序信息。而B(niǎo)iLSTM考慮了裂紋信號(hào)時(shí)序信息,可以捕捉長(zhǎng)期依賴(lài)關(guān)系,擁有比一維CNN更高的準(zhǔn)確度,但提取特性信息的能力較弱。為此通過(guò)將兩者結(jié)合,提出一種改進(jìn)的BiLSTM結(jié)構(gòu),更好地進(jìn)行鋼軌裂紋檢測(cè),并構(gòu)建全連接層對(duì)鋼軌裂紋檢測(cè)進(jìn)行預(yù)測(cè)。網(wǎng)絡(luò)模型如圖11所示。

        3.2 實(shí)驗(yàn)結(jié)果與分析

        采用預(yù)處理裂紋聲發(fā)射信號(hào)作為輸入數(shù)據(jù),根據(jù)與前文相同的計(jì)算方法進(jìn)行計(jì)算,通過(guò)數(shù)據(jù)圖分析得到平均準(zhǔn)確率為91.24%,隨后將表現(xiàn)最好的不同模型準(zhǔn)確率進(jìn)行對(duì)比,如表5所示,可以看出,一維CNN與BiLSTM結(jié)合模型的準(zhǔn)確率相比前四者都有提升,且達(dá)到了最高準(zhǔn)確率,為91.24%。將此數(shù)據(jù)導(dǎo)入混淆矩陣進(jìn)行評(píng)估,得到每類(lèi)信號(hào)準(zhǔn)確率均為90%以上,證明改進(jìn)的BiLSTM模型可以對(duì)復(fù)雜情況下的鋼軌裂紋信號(hào)進(jìn)行檢測(cè)。

        4 結(jié)語(yǔ)

        本文通過(guò)真實(shí)情況下采集得到鋼軌裂紋聲發(fā)射信號(hào),經(jīng)過(guò)預(yù)處理后進(jìn)行分類(lèi)與特征提取,針對(duì)CNN和BiLSTM的鋼軌裂紋檢測(cè)方法進(jìn)行研究,并提出一種基于一維CNN和BiLSTM結(jié)合的有監(jiān)控鋼軌裂紋檢測(cè)模型,優(yōu)化BiLSTM鋼軌裂紋檢測(cè)模型,實(shí)現(xiàn)更好的鋼軌裂紋信號(hào)檢測(cè)。主要結(jié)論如下:

        (1)利用預(yù)處理采集的聲發(fā)射信號(hào)構(gòu)建分幀樣本集,提取鋼軌裂紋和5種噪聲的特征,通過(guò)BP網(wǎng)絡(luò)設(shè)計(jì)檢測(cè)模型,得到73.62%的準(zhǔn)確率。結(jié)果表明,鋼軌裂紋與噪聲特征提取與各種噪聲的干擾有關(guān),需通過(guò)提升鋼軌裂紋檢測(cè)的精度,才能實(shí)現(xiàn)鋼軌裂紋有效特征信息的提取。

        (2)分別構(gòu)建基于一維CNN與二維CNN的鋼軌裂紋檢測(cè)模型,對(duì)比兩種方法,采用一維CNN可以有效地檢測(cè)鋼軌裂紋信息,且準(zhǔn)確率為84.51%。證明了一維CNN效果優(yōu)于二維CNN。

        (3)針對(duì)鋼軌裂紋時(shí)序信息,分別構(gòu)建基于RNN、LSTM、BiLSTM的鋼軌裂紋檢測(cè)模型,對(duì)其進(jìn)行檢測(cè)分析與模型的進(jìn)一步優(yōu)化。結(jié)果表明,有且僅有隱藏節(jié)點(diǎn)為256、網(wǎng)絡(luò)層次為2層時(shí),BiLSTM模型檢測(cè)效果最佳,準(zhǔn)確率為88.92%。

        (4)基于一維CNN提取特征信號(hào)的特性及BiLSTM擁有時(shí)序信息與捕捉長(zhǎng)期依賴(lài)關(guān)系的特性,得到一維CNN與BiLSTM相結(jié)合的高效率檢測(cè)性能的模型,檢測(cè)準(zhǔn)確率達(dá)到91.24%,能實(shí)現(xiàn)復(fù)雜情況下鋼軌裂紋的檢測(cè)工作。

        [1]顧桂梅,賈文晶.鋼軌軌底裂紋紅外熱波無(wú)損檢測(cè)數(shù)值模擬分析[J].紅外技術(shù),2018,40(3):294-299.

        [2]高運(yùn)來(lái).鐵路鋼軌裂紋的在線高速漏磁巡檢[D].南京:南京航空航天大學(xué),2013.

        [3]X.Ding,Q.He,Energy-fluctuated multiscale feature learning with deepconvnet for intelligent spindle bearing fault diagnosis[J].IEEE Transactions on Instrumentation and Measurement,2017,66(8):1 926-1 935.

        [4]于金濤.直升機(jī)復(fù)合材料試件聲發(fā)射信號(hào)處理算法研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2012.

        [5]韓瑞東.基于卷積網(wǎng)絡(luò)與長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的鋼軌裂紋檢測(cè)方法研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2019.

        [6]林 楊,高思煜,劉同舜,等.基于深度學(xué)習(xí)的高速銑削刀具磨損狀態(tài)預(yù)測(cè)方法[J].機(jī)械與電子,2017,35(7):12-17.

        [7]顏 荔.基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像飛機(jī)目標(biāo)識(shí)別研究[D].合肥:中國(guó)科學(xué)技術(shù)大學(xué),2018.

        [8]袁群勇.深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練優(yōu)化方法研究[D].廣州:華南理工大學(xué),2020.

        [9]周長(zhǎng)義,孫 偉.基于聲發(fā)射檢測(cè)的鋼軌斷裂實(shí)時(shí)監(jiān)測(cè)及定位方法研究[J].鐵道科學(xué)與工程學(xué)報(bào),2020,17(1):232-238.

        [10]徐東坡.遞歸神經(jīng)網(wǎng)絡(luò)梯度學(xué)習(xí)算法的收斂性[D].大連:大連理工大學(xué),2009.

        [11]劉禮文,俞 弦.循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)及應(yīng)用研究[J].科技視界,2019(32):54-55.

        猜你喜歡
        裂紋信號(hào)檢測(cè)
        裂紋長(zhǎng)度對(duì)焊接接頭裂紋擴(kuò)展驅(qū)動(dòng)力的影響
        “不等式”檢測(cè)題
        “一元一次不等式”檢測(cè)題
        “一元一次不等式組”檢測(cè)題
        信號(hào)
        鴨綠江(2021年35期)2021-04-19 12:24:18
        完形填空二則
        Epidermal growth factor receptor rs17337023 polymorphism in hypertensive gestational diabetic women: A pilot study
        基于FPGA的多功能信號(hào)發(fā)生器的設(shè)計(jì)
        電子制作(2018年11期)2018-08-04 03:25:42
        小波變換在PCB缺陷檢測(cè)中的應(yīng)用
        基于LabVIEW的力加載信號(hào)采集與PID控制
        久久精品女同亚洲女同| 国产真人无遮挡免费视频| 国产亚洲欧美在线播放网站| 日本精品少妇一区二区| 蜜桃av精品一区二区三区| 在线观看免费人成视频色9| 色窝窝无码一区二区三区2022| 一级a免费高清免在线| 亚洲性无码av中文字幕| 国产精品亚洲一区二区三区在线| 久久久久中文字幕精品无码免费| 尤物成av人片在线观看| 男女男生精精品视频网站| 丝袜美腿亚洲第一免费| 久久综合狠狠色综合伊人| 好爽受不了了要高潮了av| 中文字幕一区二区三区四区久久 | 好看午夜一鲁一鲁一鲁| 国产激情视频在线观看大全 | 国产人在线成免费视频| 国产九九在线观看播放| 亚洲福利二区三区四区| 久久天天躁狠狠躁夜夜avapp | 亚洲国产精品无码专区影院| 日韩我不卡| 国产一区二区三区在线观看蜜桃| 无码爽视频| 青草国产精品久久久久久| 久久99精品久久久久久国产人妖| 免费在线视频亚洲色图| 亚洲人成77777在线播放网站| 尤物视频一区二区| 中国av一区二区三区四区| 波多野结衣中文字幕一区二区三区| 台湾佬综合网| 久久久久无码中文字幕| 亚洲av综合av一区| 好日子在线观看视频大全免费动漫 | 亚洲国产综合精品中文| 久久精品国产亚洲av麻豆长发| 欧美精品免费观看二区|