吳澤宇 王文斌 魏志恒 朱 彬 李明航

(1.中國(guó)鐵道科學(xué)研究院, 100081, 北京; 2.中國(guó)鐵道科學(xué)研究院集團(tuán)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(shí)別技術(shù)能夠提取不同圖像的特征信息,從而實(shí)現(xiàn)對(duì)圖像的區(qū)分及識(shí)別。文獻(xiàn)[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(shí)別能力贏得了當(dāng)年的ILSVRC(ImageNet大規(guī)模視覺(jué)識(shí)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(shí)別的核心算法模型。該算法將時(shí)頻分析技術(shù)與圖像識(shí)別技術(shù)相結(jié)合,實(shí)現(xiàn)對(duì)信號(hào)的有效分類(lèi)。文獻(xiàn)[2]采用Gramian角場(chǎng)和Markov轉(zhuǎn)移場(chǎng)將時(shí)間序列信號(hào)編碼為圖像,通過(guò)平鋪CNN模型對(duì)時(shí)間序列圖像進(jìn)行分類(lèi);文獻(xiàn)[3-4]通過(guò)使用遞歸圖將時(shí)間序列轉(zhuǎn)換為二維紋理圖像,并分別采用支持向量機(jī)和深度神經(jīng)卷積網(wǎng)絡(luò)對(duì)其進(jìn)行分類(lèi)。文獻(xiàn)[5]通過(guò)采集運(yùn)營(yíng)列車(chē)的軸箱以及車(chē)體其他部件的加速度實(shí)現(xiàn)對(duì)鋼軌的動(dòng)態(tài)檢測(cè);文獻(xiàn)[6-7]從能量角度分析了車(chē)輛軸箱振動(dòng)加速度信號(hào),通過(guò)對(duì)加速度信號(hào)有效值的量綱一化處理獲得軌道沖擊指數(shù),以對(duì)軌道短波不平順進(jìn)行描述。本文以北京地鐵19號(hào)線實(shí)測(cè)數(shù)據(jù)為基礎(chǔ),采用小波變換提取鋼軌焊接接頭的時(shí)頻信息,并應(yīng)用AlexNet CNN技術(shù)對(duì)時(shí)頻信息進(jìn)行區(qū)分,以實(shí)現(xiàn)對(duì)鋼軌焊接接頭的識(shí)別;通過(guò)計(jì)算軌道沖擊指數(shù)與鋼軌表面不平順的滑動(dòng)峰峰平均值,評(píng)價(jià)鋼軌焊接接頭對(duì)車(chē)輛動(dòng)力學(xué)的影響。

1 軌道交通鋼軌焊接接頭識(shí)別方法原理

1.1 AlexNet CNN模型

CNN的工作原理受哺乳動(dòng)物視覺(jué)過(guò)程的啟發(fā)而來(lái),是一種前饋形神經(jīng)網(wǎng)絡(luò),在圖像識(shí)別、視頻分析、聲音識(shí)別、自然語(yǔ)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(fù)責(zé)數(shù)據(jù)的預(yù)處理操作;卷積層通過(guò)卷積提取圖像特征,并降低噪聲;激活層對(duì)卷積層的輸出結(jié)果進(jìn)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(chēng)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(jì)算量,并加強(qiáng)圖像特征的不變性;全連接層通常位于數(shù)個(gè)卷積層/采樣層的組合之后,在整個(gè)CNN架構(gòu)的末端位置,也稱(chēng)稠密層,其作用相當(dāng)于一個(gè)普通的分類(lèi)器。

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

注:圖中長(zhǎng)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(hào)的頻率成分,通常采用傅里葉變換將信號(hào)從時(shí)間域轉(zhuǎn)換到頻率域,但傅里葉變換只能獲取一段信號(hào)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(shí)間信息;此外傅里葉變換只適用于確定性的平穩(wěn)信號(hào)[8],即僅對(duì)信號(hào)中突變易解釋成一系列低成分的高頻信號(hào)疊加。為避免此種問(wèn)題的出現(xiàn),通常對(duì)給定的時(shí)間序列信號(hào)x(t),采用時(shí)頻分析方法提取信號(hào)的頻率信息。常用的時(shí)頻分析方法包括短時(shí)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(hào)最重要的手段之一。

定義1個(gè)平方可積的小波母函數(shù)ψ(t),對(duì)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(shí)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(jiàn)裂口通向腹腔或裂口較大伴活動(dòng)性出血，應(yīng)立即手術(shù)修補(bǔ)，并檢查鄰近腸道有無(wú)損傷。如為腹膜外損傷，破口較小且無(wú)活動(dòng)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(bǔ)時(shí)應(yīng)仔細(xì)。

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(duì)于給定的二次可積信號(hào)x(t),有連續(xù)小波變換:

(2)

實(shí)際信號(hào)處理過(guò)程中,往往需要將尺度和位移離散,采用離散小波變換進(jìn)行時(shí)頻分析,通常采用二進(jìn)離散小波變換。對(duì)于給定的信號(hào)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(jì)算方法

提取運(yùn)營(yíng)列車(chē)的振動(dòng)加速度信號(hào),并采用慣性基準(zhǔn)法對(duì)軌道狀態(tài)進(jìn)行檢測(cè)的方法早已被廣泛接受并驗(yàn)證[5,9]。車(chē)輛軸箱振動(dòng)加速度是輪軌耦合作用的結(jié)果,基于軸箱振動(dòng)加速度的軌道不平順檢測(cè)往往受多種因素的影響。文獻(xiàn)[10]證明了車(chē)輪不圓順對(duì)基于慣性基準(zhǔn)法測(cè)得的軌道不平順數(shù)據(jù)在頻域方面影響較大,此外,車(chē)輪踏面、鋼軌材料、車(chē)輛懸掛參數(shù)及鋼軌廓形等因素均可能對(duì)不平順檢測(cè)結(jié)果造成影響。文獻(xiàn)[6]從能量的角度描述輪軌沖擊引起的軸箱振動(dòng)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(duì)于給定的濾波后加速度信號(hào)集合{xi|i=1,2,…,N}(N為加速度信號(hào)波形點(diǎn)數(shù)),計(jì)算其有效值,得到集合{Sr|r=1,2,…,N-K+1}。其中,K為計(jì)算窗長(zhǎng),Sr為:

(4)

(5)

2 軌道交通鋼軌焊接接頭識(shí)別分析

2.1 鋼軌焊接接頭樣本挑選及時(shí)頻圖構(gòu)建

提取北京地鐵19號(hào)線某運(yùn)營(yíng)列車(chē)的軸箱振動(dòng)加速度信號(hào),如圖2所示。

a) 整體圖

顯然,鋼軌焊接接頭對(duì)應(yīng)的軸箱垂向振動(dòng)加速度信號(hào)在時(shí)域上有兩個(gè)較為明顯的特征:①兩個(gè)沖擊信號(hào)相隔25 m,為單根鋼軌長(zhǎng)度;②鋼軌焊接接頭會(huì)造成一大一小兩個(gè)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(duì)傳感器所在輪對(duì)的沖擊,小沖擊為后一輪對(duì)在經(jīng)過(guò)鋼軌焊接接頭時(shí)對(duì)前一輪對(duì)傳感器所造成的沖擊。對(duì)不同運(yùn)營(yíng)里程處的鋼軌焊接接頭加速度信號(hào)進(jìn)行小波變換,得到如圖3 a)所示的加速度信號(hào)時(shí)頻圖。與圖3 b)所示的非鋼軌焊接接頭時(shí)頻圖相比,圖3 a)所示的加速度信號(hào)時(shí)頻圖中鋼軌焊接接頭信號(hào)在時(shí)頻域上為明顯的兩點(diǎn)式特征,兩點(diǎn)呈現(xiàn)出一明一暗;查看不同程度的鋼軌焊接接頭信號(hào),發(fā)現(xiàn)其頻率分布范圍基本一致。由此為AlexNet CNN模型識(shí)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(shí)別

挑選200組鋼軌焊接接頭及非焊接接頭時(shí)頻圖作為訓(xùn)練樣本,通過(guò)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(duì)AlexNet模型重新訓(xùn)練,得到一個(gè)能夠識(shí)別軌道短波病害作用下的軸箱振動(dòng)信號(hào)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(jiàn),最終模型的驗(yàn)證準(zhǔn)確度達(dá)到了92.98%。

a) 準(zhǔn)確率

針對(duì)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(shí)頻圖并對(duì)其進(jìn)行識(shí)別,共重復(fù)3次,其識(shí)別準(zhǔn)確率與驗(yàn)證準(zhǔn)確度相一致。

3 鋼軌焊接接頭不平順?lè)底兓瘜?duì)其表面不平順的影響

使用波磨小車(chē)對(duì)北京地鐵19號(hào)線某上行普通軌道區(qū)段鋼軌表面不平順進(jìn)行檢測(cè),共得到兩段鋼軌表面不平順實(shí)測(cè)波形,如圖5所示。

a) 第1段

為去除圖5實(shí)測(cè)結(jié)果中鋼軌焊接接頭不平順?lè)抵休^大的脈沖,對(duì)鋼軌表面不平順波形進(jìn)行多次不同帶寬的帶通濾波。對(duì)比濾波結(jié)果可發(fā)現(xiàn),30～100 mm的帶通濾波結(jié)果(見(jiàn)圖6)會(huì)出現(xiàn)分布較為均勻的鋼軌表面不平順滑動(dòng)峰峰平均值峰值,且每個(gè)峰值的間距約為25 m。鋼軌焊接接頭長(zhǎng)度通常不超過(guò)11 mm,且每?jī)蓚€(gè)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(dòng)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(dòng)峰峰平均值峰值遠(yuǎn)大于相鄰區(qū)域內(nèi)其他里程處滑動(dòng)峰峰平均值的特征相符。因此,可認(rèn)為圖6中較為均勻分布的鋼軌表面不平順滑動(dòng)峰峰平均值峰值為鋼軌焊接接頭所對(duì)應(yīng)的滑動(dòng)峰峰平均值。

a) 第1段

提取運(yùn)營(yíng)列車(chē)軸箱垂向振動(dòng)加速度,根據(jù)式(4)及式(5)計(jì)算軌道沖擊指數(shù),得到如圖7所示的計(jì)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(shí)測(cè)鋼軌表面不平順滑動(dòng)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(dòng)峰峰平均值相似分布特征的峰值,在運(yùn)營(yíng)里程上與鋼軌焊接接頭相對(duì)應(yīng),說(shuō)明列車(chē)在通過(guò)鋼軌焊接接頭時(shí)軸箱產(chǎn)生了較大的垂向振動(dòng)加速度,進(jìn)而導(dǎo)致軌道沖擊指數(shù)的計(jì)算值出現(xiàn)了明顯的尖峰。

a) 第1段

統(tǒng)計(jì)每處鋼軌焊接接頭對(duì)應(yīng)的鋼軌表面不平順滑動(dòng)峰峰平均值與軌道沖擊指數(shù),以鋼軌表面不平順滑動(dòng)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(diǎn)并擬合曲線,結(jié)果如圖8所示,其中黑色散點(diǎn)表示不同滑動(dòng)峰峰平均值下的軌道沖擊指數(shù)。由圖8可見(jiàn):軌道沖擊指數(shù)隨鋼軌表面不平順滑動(dòng)峰峰平均值增長(zhǎng)呈先減小后增大的趨勢(shì);當(dāng)鋼軌表面不平順滑動(dòng)峰峰平均值大于20μm時(shí),軌道沖擊指數(shù)隨其增大而緩慢增長(zhǎng),這說(shuō)明鋼軌焊接接頭一定程度上會(huì)對(duì)基于軌道沖擊指數(shù)的不平順檢測(cè)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(dòng)峰峰平均值擬合曲線

4 結(jié)語(yǔ)

1) 鋼軌焊接接頭在列車(chē)軸箱振動(dòng)加速度信號(hào)中存在較為明顯的空間域分布特征與時(shí)頻特征。其中:空間域分布特征表現(xiàn)在每?jī)蓚€(gè)鋼軌焊接接頭信號(hào)之間的間距為25 m,且每個(gè)信號(hào)由間距為2.2 m的兩個(gè)尖峰所構(gòu)成;時(shí)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(gè)亮點(diǎn)。上述特征清晰明了,使AlexNet CNN能很好地從大量的軸箱振動(dòng)加速度信號(hào)中拾取鋼軌焊接接頭所在里程,本文AlexNet模型的識(shí)別準(zhǔn)確率約為92.98%。

2) 鋼軌焊接接頭不平順滑動(dòng)峰峰平均值對(duì)基于軌道沖擊指數(shù)的短波不平順檢測(cè)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(dòng)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(shì),并不具有正相關(guān)性。