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 MATLAB 平台设计了集信号采集，信号特征提取，特征 图像处理为一体的回波信号预处理程序，实现了信号特征的快速、准确提取及数 据集的建立。 (3)将特征图像输入卷积神经网络完成信号分类。本文根据脱空识别需求， 训练了 DE-CNN-1 模型和 DS-CNN-2 模型，分别实现了脱空与否和脱空大小的 判断。经实验验证，识别准确率达到 98% 以上。 本文将希尔伯特黄变换与卷积神经网络相结合建立了 HHT-CNN 无砟轨道 CA 砂浆层脱空识别模型，该模型对缺陷 自动识别准确率高、速度快。 关键词：无砟轨道；CA 砂浆层；脱空识别；Hilbert-Huang 变换；卷积神经 网络 目 录 第一章 绪 论 1 1.1 研究背景及意义 1 1.2 国内外研究现状2 1.2.1 砂浆层检测研究现状 2 1.2.2 回波信号特征提取研究现状3 1.2.3 回波信号模式识别研究现状 5 1.3 研究内容及技术路线 6 1.3.1 研究内容 6 1.3.2 技术路线 6 第二章 HHT-CNN 原理8 2.1 希尔伯特黄变换(HHT)基本原理 8 2.1.1 经验模式分解(EMD) 8 2.1.2 希尔伯特谱分析 11 2.1.3 HHT 过程仿真信号分析 11 2.2 卷积神经网络 14 2.2.1 卷积层 15 2.2.2 激活函数层 16 2.2.3 池化层 17 2.3 本章小结 18 第三章 基于 HHT 的回波信号特征描述与特征分析20 3.1 回波信号原理 20 3.2 数值模拟 22 3.3 时、频特征分析 23 3.3.1 时域特征分析 23 3.3.2 频域特征分析 26 3.3.3 时、频特征参数 29 3.4 基于 HHT 时频特征分析29 3.4.1 经验模态分解(EMD) 29 3.4.2 回波信号Hilbert 边际谱分析33 3.4.3 回波信号Hilbert 谱分析36 -I- 3.5 本章小结 38 第四章 冲击回