吳澤宇 王文斌 魏志恒 朱 彬 李明航

(1.中國鐵道科學(xué)研究院, 100081, 北京; 2.中國鐵道科學(xué)研究院集團有限公司城市軌道交通中心, 100081, 北京∥第一作者, 碩士研究生)

基于神經(jīng)網(wǎng)絡(luò)的圖像識別技術(shù)能夠提取不同圖像的特征信息,從而實現(xiàn)對圖像的區(qū)分及識別。文獻[1]提出了AlexNet網(wǎng)絡(luò)結(jié)構(gòu)模型,并以其優(yōu)異的圖像識別能力贏得了當(dāng)年的ILSVRC(ImageNet大規(guī)模視覺識別挑戰(zhàn)賽)冠軍,自此CNN(卷積神經(jīng)網(wǎng)絡(luò))成為了圖像識別的核心算法模型。該算法將時頻分析技術(shù)與圖像識別技術(shù)相結(jié)合,實現(xiàn)對信號的有效分類。文獻[2]采用Gramian角場和Markov轉(zhuǎn)移場將時間序列信號編碼為圖像,通過平鋪CNN模型對時間序列圖像進行分類;文獻[3-4]通過使用遞歸圖將時間序列轉(zhuǎn)換為二維紋理圖像,并分別采用支持向量機和深度神經(jīng)卷積網(wǎng)絡(luò)對其進行分類。文獻[5]通過采集運營列車的軸箱以及車體其他部件的加速度實現(xiàn)對鋼軌的動態(tài)檢測;文獻[6-7]從能量角度分析了車輛軸箱振動加速度信號,通過對加速度信號有效值的量綱一化處理獲得軌道沖擊指數(shù),以對軌道短波不平順進行描述。本文以北京地鐵19號線實測數(shù)據(jù)為基礎(chǔ),采用小波變換提取鋼軌焊接接頭的時頻信息,并應(yīng)用AlexNet CNN技術(shù)對時頻信息進行區(qū)分,以實現(xiàn)對鋼軌焊接接頭的識別;通過計算軌道沖擊指數(shù)與鋼軌表面不平順的滑動峰峰平均值,評價鋼軌焊接接頭對車輛動力學(xué)的影響。

1 軌道交通鋼軌焊接接頭識別方法原理

1.1 AlexNet CNN模型

CNN的工作原理受哺乳動物視覺過程的啟發(fā)而來,是一種前饋形神經(jīng)網(wǎng)絡(luò),在圖像識別、視頻分析、聲音識別、自然語言處理等領(lǐng)域取得了巨大的突破。CNN通常由5層構(gòu)成,分別是輸入層、卷積層、激活層、池化層及全連接層。其中:輸入層負責(zé)數(shù)據(jù)的預(yù)處理操作;卷積層通過卷積提取圖像特征,并降低噪聲;激活層對卷積層的輸出結(jié)果進行非線性映射,避免每層的輸出僅是輸入的線性組合;池化層又稱下采樣層,即在保留有效信息的前提下,減少數(shù)據(jù)量和計算量,并加強圖像特征的不變性;全連接層通常位于數(shù)個卷積層/采樣層的組合之后,在整個CNN架構(gòu)的末端位置,也稱稠密層,其作用相當(dāng)于一個普通的分類器。

AlexNet作為一種經(jīng)典的早期CNN模型,由Alex Krizhevsky設(shè)計[1],包括:輸入層1個,卷積層5個,全連接層3個。其中,對全連接層進行了最大池化。AlexNet CNN結(jié)構(gòu)模型[1]如圖1所示。

注:圖中長方體側(cè)邊的數(shù)字為各卷積層與池化層中的卷積核與池化核尺寸及通道數(shù)。如:224×224×3中,224×224表示圖像的寬度和高度,單位為像素;3表示圖像的通道數(shù)。

1.2 小波變換

為獲得一組信號的頻率成分,通常采用傅里葉變換將信號從時間域轉(zhuǎn)換到頻率域,但傅里葉變換只能獲取一段信號總體上頻率成分的組成,以及缺失的各頻率成分出現(xiàn)的時間信息;此外傅里葉變換只適用于確定性的平穩(wěn)信號[8],即僅對信號中突變易解釋成一系列低成分的高頻信號疊加。為避免此種問題的出現(xiàn),通常對給定的時間序列信號x(t),采用時頻分析方法提取信號的頻率信息。常用的時頻分析方法包括短時傅里葉變換、小波變換、Wigner-Ville分布等。其中小波變換已成為目前處理非平穩(wěn)信號最重要的手段之一。

定義1個平方可積的小波母函數(shù)ψ(t),對其作平移和伸縮變換,得到小波基函數(shù)ψa,b(t):

(1)

式中:

t——時間;

a——伸縮因子;

膀胱爆炸損傷程度可由黏膜損傷至膀胱破裂，黏膜損傷者留置尿管即可。膀胱破裂者，如鏡下見裂口通向腹腔或裂口較大伴活動性出血，應(yīng)立即手術(shù)修補，并檢查鄰近腸道有無損傷。如為腹膜外損傷，破口較小且無活動性出血，可行保守治療，保證尿液引流通暢。爆炸所致膀胱裂口常不規(guī)則且多發(fā)，修補時應(yīng)仔細。

b——平移因子。

式(1)中,若a、b不斷變換,可得到一族小波基函數(shù)ψa,b(t)。對于給定的二次可積信號x(t),有連續(xù)小波變換:

(2)

實際信號處理過程中,往往需要將尺度和位移離散,采用離散小波變換進行時頻分析,通常采用二進離散小波變換。對于給定的信號x(n),令:a=2j,b=2jk,j∈Z,k∈Z,則離散小波變換wx(2j,2jk)為:

(3)

1.3 軌道沖擊指數(shù)計算方法

提取運營列車的振動加速度信號,并采用慣性基準(zhǔn)法對軌道狀態(tài)進行檢測的方法早已被廣泛接受并驗證[5,9]。車輛軸箱振動加速度是輪軌耦合作用的結(jié)果,基于軸箱振動加速度的軌道不平順檢測往往受多種因素的影響。文獻[10]證明了車輪不圓順對基于慣性基準(zhǔn)法測得的軌道不平順數(shù)據(jù)在頻域方面影響較大,此外,車輪踏面、鋼軌材料、車輛懸掛參數(shù)及鋼軌廓形等因素均可能對不平順檢測結(jié)果造成影響。文獻[6]從能量的角度描述輪軌沖擊引起的軸箱振動加速度的高頻特性,提出采用軌道沖擊指數(shù)描述軌道短波不平順狀態(tài)。

對于給定的濾波后加速度信號集合{xi|i=1,2,…,N}(N為加速度信號波形點數(shù)),計算其有效值,得到集合{Sr|r=1,2,…,N-K+1}。其中,K為計算窗長,Sr為:

(4)

(5)

2 軌道交通鋼軌焊接接頭識別分析

2.1 鋼軌焊接接頭樣本挑選及時頻圖構(gòu)建

提取北京地鐵19號線某運營列車的軸箱振動加速度信號,如圖2所示。

a) 整體圖

顯然,鋼軌焊接接頭對應(yīng)的軸箱垂向振動加速度信號在時域上有兩個較為明顯的特征:①兩個沖擊信號相隔25 m,為單根鋼軌長度;②鋼軌焊接接頭會造成一大一小兩個沖擊,沖擊相隔2.2 m,為轉(zhuǎn)向架軸距,其中,大沖擊為鋼軌焊接接頭對傳感器所在輪對的沖擊,小沖擊為后一輪對在經(jīng)過鋼軌焊接接頭時對前一輪對傳感器所造成的沖擊。對不同運營里程處的鋼軌焊接接頭加速度信號進行小波變換,得到如圖3 a)所示的加速度信號時頻圖。與圖3 b)所示的非鋼軌焊接接頭時頻圖相比,圖3 a)所示的加速度信號時頻圖中鋼軌焊接接頭信號在時頻域上為明顯的兩點式特征,兩點呈現(xiàn)出一明一暗;查看不同程度的鋼軌焊接接頭信號,發(fā)現(xiàn)其頻率分布范圍基本一致。由此為AlexNet CNN模型識別鋼軌焊接接頭提供了條件。

a) 鋼軌焊接接頭

2.2 鋼軌焊接接頭識別

挑選200組鋼軌焊接接頭及非焊接接頭時頻圖作為訓(xùn)練樣本,通過人工打標(biāo)簽。采用已經(jīng)預(yù)訓(xùn)練的AlexNet模型,修改輸出參數(shù)設(shè)置。上述200組樣本中,70%用于訓(xùn)練,30%用于校正。對AlexNet模型重新訓(xùn)練,得到一個能夠識別軌道短波病害作用下的軸箱振動信號新模型。AlexNet模型訓(xùn)練的準(zhǔn)確率與損失隨迭代次數(shù)變化曲線如圖4所示。由圖4可見,最終模型的驗證準(zhǔn)確度達到了92.98%。

a) 準(zhǔn)確率

針對已訓(xùn)練好的模型,另選取100組鋼軌焊接接頭和非鋼軌焊接接頭數(shù)據(jù),獲取其時頻圖并對其進行識別,共重復(fù)3次,其識別準(zhǔn)確率與驗證準(zhǔn)確度相一致。

3 鋼軌焊接接頭不平順幅值變化對其表面不平順的影響

使用波磨小車對北京地鐵19號線某上行普通軌道區(qū)段鋼軌表面不平順進行檢測,共得到兩段鋼軌表面不平順實測波形,如圖5所示。

a) 第1段

為去除圖5實測結(jié)果中鋼軌焊接接頭不平順幅值中較大的脈沖,對鋼軌表面不平順波形進行多次不同帶寬的帶通濾波。對比濾波結(jié)果可發(fā)現(xiàn),30～100 mm的帶通濾波結(jié)果(見圖6)會出現(xiàn)分布較為均勻的鋼軌表面不平順滑動峰峰平均值峰值,且每個峰值的間距約為25 m。鋼軌焊接接頭長度通常不超過11 mm,且每兩個焊接接頭之間的距離通常固定為25 m,其里程特征與帶通濾波后的鋼軌表面不平順的滑動峰峰平均值峰值分布特征相似。此外,由于焊接技術(shù)的不穩(wěn)定、焊接材料存在缺陷等眾多因素的影響,鋼軌焊接接頭所在里程處存在較大的不平順,這也與圖6中分布較為均勻的滑動峰峰平均值峰值遠大于相鄰區(qū)域內(nèi)其他里程處滑動峰峰平均值的特征相符。因此,可認為圖6中較為均勻分布的鋼軌表面不平順滑動峰峰平均值峰值為鋼軌焊接接頭所對應(yīng)的滑動峰峰平均值。

a) 第1段

提取運營列車軸箱垂向振動加速度,根據(jù)式(4)及式(5)計算軌道沖擊指數(shù),得到如圖7所示的計算結(jié)果。由圖7可以看出,軌道沖擊指數(shù)與經(jīng)30～100 mm濾波的實測鋼軌表面不平順滑動峰峰平均值的波形存在一定程度的相似性。此外,軌道沖擊指數(shù)具有與鋼軌表面不平順滑動峰峰平均值相似分布特征的峰值,在運營里程上與鋼軌焊接接頭相對應(yīng),說明列車在通過鋼軌焊接接頭時軸箱產(chǎn)生了較大的垂向振動加速度,進而導(dǎo)致軌道沖擊指數(shù)的計算值出現(xiàn)了明顯的尖峰。

a) 第1段

統(tǒng)計每處鋼軌焊接接頭對應(yīng)的鋼軌表面不平順滑動峰峰平均值與軌道沖擊指數(shù),以鋼軌表面不平順滑動峰峰平均值為自變量,軌道沖擊指數(shù)為因變量,剔除部分異常散點并擬合曲線,結(jié)果如圖8所示,其中黑色散點表示不同滑動峰峰平均值下的軌道沖擊指數(shù)。由圖8可見:軌道沖擊指數(shù)隨鋼軌表面不平順滑動峰峰平均值增長呈先減小后增大的趨勢;當(dāng)鋼軌表面不平順滑動峰峰平均值大于20μm時,軌道沖擊指數(shù)隨其增大而緩慢增長,這說明鋼軌焊接接頭一定程度上會對基于軌道沖擊指數(shù)的不平順檢測方法產(chǎn)生影響,但二者之間并不呈正相關(guān)關(guān)系。

圖8 軌道沖擊指數(shù)-鋼軌表面不平順滑動峰峰平均值擬合曲線

4 結(jié)語

1) 鋼軌焊接接頭在列車軸箱振動加速度信號中存在較為明顯的空間域分布特征與時頻特征。其中:空間域分布特征表現(xiàn)在每兩個鋼軌焊接接頭信號之間的間距為25 m,且每個信號由間距為2.2 m的兩個尖峰所構(gòu)成;時頻特征表現(xiàn)為鋼軌焊接接頭所在里程附近有一明一暗兩個亮點。上述特征清晰明了,使AlexNet CNN能很好地從大量的軸箱振動加速度信號中拾取鋼軌焊接接頭所在里程,本文AlexNet模型的識別準(zhǔn)確率約為92.98%。

2) 鋼軌焊接接頭不平順滑動峰峰平均值對基于軌道沖擊指數(shù)的短波不平順檢測結(jié)果有一定的影響,鋼軌焊接接頭處的軌道沖擊指數(shù)通常隨鋼軌表面不平順滑動峰峰平均值的增大而呈現(xiàn)一種先減小而后緩慢增大的趨勢,并不具有正相關(guān)性。