[發明專利]一種基于聲振法的高鐵制動片無損檢測方法

在審

• 申請號: 202110754120.0
• 申請日: 2021-07-05
• 公開（公告）號: CN113514547A
• 公開（公告）日: 2021-10-19
• 發明（設計）人: 李榮達;周真
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G01N29/04
• 分類號: G01N29/04;G01N29/44;G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06N20/20
• 代理公司: 哈爾濱三目知識產權代理事務所(普通合伙) 23214
• 代理人: 劉冰;賈澤純

1.一種基于聲振法的高鐵制動片無損檢測方法，其特征在于：所述方法通過以下步驟實現：

步驟一、對高鐵剎車片施加激勵，通過傳感器獲得高鐵剎車片的振動信號，并得到振動信號的時域和頻域圖像數據；

步驟二、利用獲得的振動信號的時域和頻域圖像數據，計算時域信號和頻域信號的各個統計參數；

步驟三、對計算出的統計參數進行數據降維和特征提取，并選擇與缺陷信號相關的特征參數進行統計；

步驟四、利用深度學習方法和SVM方法對剎車片振動特征參數進行分析、訓練，得到剎車片分析的結果；

步驟五、通過得到的訓練結果進行高鐵制動片無損檢測，若檢測結果不涉及缺陷信號相關特征參數，則認為高鐵制動片無損。

2.根據權利要求1所述的一種基于聲振法的高鐵制動片無損檢測方法，其特征在于：所述的步驟一中，是通過加速度傳感器、處理電路和數據采集卡將獲得的振動信號中的時域信號傳入到電腦中。

3.根據權利要求1或2所述的一種基于聲振法的高鐵制動片無損檢測方法，其特征在于：所述的步驟一中，是利用傅里葉變換把時域信號變成頻域信號。

4.根據權利要求3所述的一種基于聲振法的高鐵制動片無損檢測方法，其特征在于：所述的步驟二中，計算時域信號和頻域信號的各個統計參數的過程是，截取有效的特征區間，計算時域信號的峰值、均值、均方差、有效值、方差、標準差、偏態指標與峭度指標、其它無量綱指標的數值、頻域信號的特征數值，并且利用同一組獲得的多個實驗數據求取這些數值的平均值作為最終的特征數值；

其中，

1).峰值的計算或確定方法為：

峰值反應的是時域信號中，在某一時間段內幅值的最大值，即敲擊實驗中剎車片被敲擊的一瞬間產生了峰值；

2).均值的計算或確定方法為：

敲擊振動信號的均值是樣本函數x(k)＝(k＝1,2,3…,N)在時間軸上的積分平均；其信號均值估計公式為：

3).均方差的計算或確定方法為：

均方差能夠反映出信號相對于零點的波動，能夠辨識出信號的平均能量，其對應的數學表達式為：

4).有效值的計算或確定方法為：

有效值又被稱之為均方根值，對敲擊振動信號來說，有效值和振動能量是相對應的，其數學表達式為：

5).方差的計算或確定方法為：

方差是用于描述敲擊信號相對于均值的波動情況，方差反映了敲擊信號的動態分量，對應的數學表達式為：

6).標準差的計算或確定方法為：

標準差即為方差的開方，表示為：

7).偏態指標與峭度指標的計算或確定方法為：

偏態指標也稱之為偏度，它與峭度指標都是用來描述敲擊信號偏差的正態分布程度，分別用K₃，K₄表示：

式中，p(x)為概率分布函數其表達式為：

8).其它無量綱指標的計算或確定方法為：

從理論上講，當敲擊狀態變化引起的參數發生變化時，無量綱指標會有更加明顯的變化；波性指標K、峰值指標C、脈沖指標I、裕度指標L是無量綱主要指標，其分別表示為：

波形指標

峰值指標

脈沖指標

裕度指標

式中，X_r-方根幅值，

傅里葉變換公式：

5.根據權利要求1、2或4所述的一種基于聲振法的高鐵制動片無損檢測方法，其特征在于：所述的步驟三中，所述的缺陷信號是指表征高鐵剎車副損壞或者異常的特征信息。

6.根據權利要求5所述的一種基于聲振法的高鐵制動片無損檢測方法，其特征在于：所述的步驟四中，利用深度學習方法和SVM方法對剎車片振動特征參數進行分析、訓練的過程中，

所述的深度學習方法過程為，

從輸入到輸出的過程，再定義一個層次的概念，當包含最左邊的輸入層和最右邊的輸出層，解題所需要的過程越復雜，則可能需要更多的隱藏層來計算最終的結果；

所述的SVM方法過程為，

設輸入為：數據集(x₁,y₁)(x₂,y₂)(x₃,y₃)(x₄,y₄)···(x_n,y_n)；

x_i∈X＝Rⁿ，y_i∈Y＝{-1,+1}，i＝1，2，…，N；

設輸出為：最大間隔分離超平面和分類決策函數；

1).構造并求解帶有約束條件的優化問題：

求得最優解α＝(α₁,α₂,…,α_N)^T；

2).計算：

選擇α的一個正分量α_j0，計算：

由此得到分離超平面：

ω·Φ(x)+b＝0

以及分類決策函數：

y(x)＝sign(ω·Φ(x)+b)

其中，Φ(x)為x的核函數，相當于對x做了一個維度變換；

ω，b的值只依賴于訓練數量中對應的α_i≥0的樣本點，其他的點對ω，b沒有影響，我們將訓練數據對應于α_i≥0的點成為支持向量；

支持向量考慮原始優化：

1-y_i(w^T·Φ(x_i)+b)≤0

將位于邊界上的點稱為支持向量，即滿足以下條件的點：

1-y_i(w^T·Φ(x_i)+b)＝0

也就是：ω·Φ(x)+b＝±1。