基于深度卷积神经网络的无砟轨道砂浆层脱空识别方法研究.pdf

摘 要 CA 砂浆层是 CRTSI 型、CRTSII 型板式无砟轨道的弹性调整层，其状态直 接影响无砟轨道的耐久性和列车行驶的舒适性与安全性。CA 砂浆层的损伤具有 隐蔽性特征，无法直接观察。因此针对 CA 砂浆层隐蔽性损伤的无损检测技术研 究对于损伤的早发现、早整治至关重要。本文针对传统诊断方法无法实现的深层 特征特征提取以及冲击回波检测精度受限等问题，围绕CA 砂浆层冲击回波检测 信号的特征提取方法、特征信号处理方式及分类识别模型进行了研究。建立了基 于希尔伯特黄变换和卷积神经网络的CA 砂浆层缺陷识别模型：HHT-CNN 模型。 论文研究成果如下： (1)运用时域、频域及 HHT 分别对回波信号进行特征提取。根据响应波形的 时域特征、振幅特征、频谱特征，探讨了基于时、频分析进行特征提取的可行性 和局限性。同时依据 Hilbert 谱在信号瞬时频率-时间-能量提取的优势，提出了基 于 HHT 的回波信号缺陷特征提取方法。实现了信号- 图像特征的转换，使信号特 征表达更加全面。 (2)考虑到图像预处理对深度学习网络性能的影响，本文对 Hilbert 谱图进行 了剪裁、灰度化、压缩等归一化处理。根据信号特征提取、特征图像预处理及数 据集建立的需求，基于 MA