基于多任务学习的列车结构冲击损伤监测方法及相关装置

技术领域

本发明涉及列车安全监测技术领域，尤其涉及基于多任务学习的列车结构冲击损伤监测方法及相关装置。

背景技术

随着高速列车技术的迅速发展，高速列车行车安全问题也受到了极大的关注。由于高速列车长时间运行于复杂环境之中，高速列车各结构常会受到沙砾、冰雪等异物撞击，有可能产生微观损伤。在高速列车的强载荷下结构损伤将会迅速扩展，最终造成严重的安全事故。因此，冲击损伤监测已成为高速列车安全监测的研究重点。由于Lamb波具有远距离传播、易于驱动和接收以及对缺陷十分敏感等特性，基于Lamb波的结构健康监测技术在损伤监测方面显示出巨大的潜力。

准确预测冲击位置对于结构安全评估非常重要，因此已经提出了许多算法来定位冲击位置。成像算法和到达时间差(TDOA)算法是最基本和最流行的算法。成像算法的冲击损伤定位精度依赖于传感器网络密度。到达时间差方法虽然应用广泛，但是其定位精度依赖于结构的先验信息，比如波速。然而，波速通常是未知的，并且随着环境的变化而快速变化，如温度或施加的应力，难以估计。另外，这些方法都需要从复杂的信号中提取损伤特征，但是冲击信号是直接反射、边界反射、损伤反射波和噪声的复杂组合，使得根据经验提取合适的特征具有挑战性。

随着深度学习的发展，列车结构冲击损伤位置监测和冲击损伤能量监测都开始采用深度学习手段来进行。然而，现有的基于深度学习的列车结构冲击损伤位置监测和冲击损伤能量监测方法，都只着眼于影响列车结构健康的单一因素，没有考虑到多重因素之间的关联特性，不符合列车结构实际所处的复杂场景，无法真正应用到实际工程当中。

发明内容

本发明的目的在于提供基于多任务学习的列车结构冲击损伤监测方法及相关装置，以解决现有的列车冲击损伤监测方法之中，传统信号处理方法难以利用海量的健康监测数据；传统的冲击损伤监测方法需要波速等结构先验信息；机器学习方法严重依赖人工设计特征的质量；而深度学习方法只考虑了损伤位置因素或载荷因素等单一影响因素的这些技术问题。

为实现上述目的，本发明采用以下技术方案：

基于多任务学习的列车结构冲击损伤监测方法，包括：

通过传感器获取列车结构上的冲击位置及冲击能量的监测数据；

进行多个传感器的数据融合，构建样本数据集，划分训练集、验证集和测试集；

基于样本数据集，构建基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络，将训练集和验证集输入基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络进行训练和优化；

将测试集输入训练好的基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络，输出测试集样本的冲击损伤位置和冲击能量。

进一步的，获取列车结构上的冲击位置及冲击能量的监测数据：

在列车的目标结构处设置N个传感器以及处理中心，N为正整数，处理中心根据预设网格尺寸将目标结构划分为M个网格区域作为冲击区域；获取监测构件上多个不同位置在多个不同冲击能量下的数据。

进一步的，按照8:1:1比例划分训练集、验证集和测试集。

进一步的，构建样本数据集具体包括：

将传感器网络记录的冲击信号绘制为传感器编号-时间-电压幅值的三维表面图，在三维表面图中，颜色代表传感器数据的电压幅值，多个传感器数据点之间通过直线连接，实现多传感器数据融合；

向三维表面图的传感器编号和时间组成的平面作垂直投影得到2D彩色图像，2D彩色图像保留了各个传感器数据的时间信息、幅值信息和各个传感器之间的关系；2D彩色图像具有R

对样本图像进行灰度化显示，图像灰度值I

I

确定样本标签，包括冲击损伤位置标签、冲击损伤能量标签；

将构件划分为a个冲击损伤位置，则冲击损伤位置标签Y

Y

其中，Y

将构件划分为b个冲击损伤能量等级，则冲击损伤位置标签Y

Y

其中，Y

最后，从构建的所有样本中随机选取80％的样本作为训练集，10％的样本作为验证集，10％的样本作为测试集。

进一步的，构建基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络，包括：

基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络包含两个分类任务，分别用于检测冲击损伤位置和冲击损伤能量；两个分类任务共享两个卷积层和一个池化层；两个卷积层的卷积核尺寸均为3，,卷积核数量分别3和9；冲击损伤位置分类任务和冲击损伤能量分类任务结构一样，均由两个卷积层、一个池化层、一个平坦层、一个dropout层和一个全连接层组成；其中卷积核的大小和数量分别为[3，3]和[12，16]，池化层大小为3；损伤位置分类任务的全连接层的神经元数量与损伤位置数量相同，并应用其softmax激活函数输出损伤位置的分类结果；损伤能量分类任务的全连接层的神经元数量与冲击损伤能量类别数量相同，并应用其softmax激活函数输出冲击损伤能量的分类结果；在两个全连接层中均添加了丢弃机制，其值设置为0.5。

进一步的，将训练集和验证集输入基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络进行训练和优化，包括：

基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络的两个分类任务的损失函数均为多分类交叉熵损失，Loss_loccation是冲击损伤位置分类任务的交叉熵损失，Loss_energy是冲击损伤能量分类任务的交叉熵损失；把两者的损失加起来，获得基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络的联合损失；

Loss＝Loss_loccation+Loss_energy

通过Adam优化算法更新基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络中的参数。

进一步的，基于多任务学习的列车结构冲击损伤监测系统，包括：

数据采集模块，用于通过传感器获取列车结构上的冲击位置及冲击能量的监测数据；

数据集构建模块，用于进行多个传感器的数据融合，构建样本数据集，划分训练集、验证集和测试集；

训练优化模块，用于基于样本数据集，构建基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络，将训练集和验证集输入基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络进行训练和优化；

输出模块，用于将测试集输入训练好的基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络，输出测试集样本的冲击损伤位置和冲击能量。

进一步的，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现基于多任务学习的列车结构冲击损伤监测方法的步骤。

进一步的，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现基于多任务学习的列车结构冲击损伤监测方法的步骤。

与现有技术相比，本发明有以下技术效果：

本发明提供的基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测方法，使用结构健康监测系统获取冲击损伤响应数据。通过多传感器数据融合，将冲击损伤信号转换为灰度图像构建数据集并划分为训练集、验证集和测试集。构建基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络，并使用构建好的训练集输入网络训练。将测试集输入到已训练好的基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络中，输出列车结构冲击损伤位置监测和冲击损伤能量监测的结果。可以进一步针对列车的各种复杂结构实现对冲击损伤的精准定位和损伤程度评价。

附图说明

图1为本发明优选实施例的基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测方法的流程框架图；

图2为本发明优选实施例的不锈钢实验件结构设计及传感器布置示意图；

图3为本发明优选实施例的冲击信号示意图；

图4为本发明优选实施例的冲击信号的信号处理图，其中，(a)为冲击信号的三维表面示意图，(b)为冲击信号的二维俯视示意图；(c)为冲击信号的灰度图像示意图；

图5为本发明优选实施例的不锈钢实验件与冲击锤示意图；

图6为本发明优选实施例的位置L1使用0.5J的冲击锤冲击时各传感器的接收信号示意图。

图7为本发明优选实施例的位置L1使用0.5J的冲击锤冲击时传感器网络接收信号的信号处理图，其中，(a)为冲击信号的三维表面图，(b)为冲击信号的二维俯视图；(c)为冲击信号的灰度图像；

图8为本发明优选实施例提供的一种基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测方法中列车结构冲击损伤位置监测和冲击损伤能量监测模型结构图；

图9为本发明优选实施例的一种基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测方法中列车结构冲击损伤位置监测和冲击损伤能量监测模型的损失函数和准确率曲线；

图10为本发明优选实施例的一种基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测方法中列车结构冲击损伤位置监测和冲击损伤能量监测模型的监测结果。

具体实施方式

下面对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另作定义，本发明中使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也相应地改变。

需要指出的是，由于列车的运行环境复杂，各结构常会出现异物撞击的情况，此类冲击事件容易造成结构损伤，威胁行车安全，因此监测高速列车各结构中的冲击事件十分必要。现有的列车冲击损伤监测方法之中，传统信号处理方法难以利用海量的健康监测数据，传统的Lamb波冲击定位方法需要波速等结构先验信息；但实际情况中难以对高速列车各结构进行精准的波速测量，且列车各结构形状并不规则，采取传统的方法进行定位必然会带来较大的误差；机器学习方法严重依赖人工设计特征的质量；而深度学习方法只考虑了损伤位置因素或载荷因素等单一影响因素。基于此，本申请提供一种基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测方法。

请参见图1，本申请实施例提供一种基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测方法，应用于列车结构冲击损伤位置监测和冲击损伤能量监测系统，列车结构冲击损伤位置监测和冲击损伤能量监测系统包括设置于列车的目标结构处的N个传感器以及处理中心，N为正整数，所述处理中心用于：

根据预设网格尺寸将目标结构划分为M个网格区域作为冲击区域；

获取监测构件上多个不同位置在多个不同冲击能量下的检测数据；

实现多个传感器的数据融合，通过一种新颖的方法构建样本数据集，并按照8:1:1比例划分训练集、验证集和测试集；

构建基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络，将训练集和验证集输入基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络进行训练和优化；

将测试集输入训练好的基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络，输出测试集样本的冲击损伤位置和冲击能量。

在本实施例中，目标结构是指列车的某部分遭受冲击的结构。

对目标结构进行冲击区域划分，区域尺寸在一定程度上决定了定位精度，但网格尺寸过小将会导致计算成本过大而不能带来较明显的定位精度收益，因此网格尺寸需要综合定位精度和计算成本进行确定，本实施例中，预设冲击区域尺寸可以是40mm，此处仅作示例，不做限定，在其他可行的实施例中，还可以在一定程度上调整预设冲击区域尺寸。

上述的基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测方法，首先获取监测构件上多个不同位置在多个不同冲击能量下的检测数据；

实现多个传感器的数据融合，通过一种新颖的方法构建样本数据集，并按照8:1:1比例划分训练集、验证集和测试集，包括：

将传感器网络记录的冲击信号绘制为传感器编号-时间-电压幅值的三维表面图。在三维表面图中，颜色反映了了传感器数据的电压幅值，多个传感器数据点之间是通过直线连接的，实现了多传感器数据融合；

向三维表面图的传感器编号和时间组成的平面作垂直投影得到2D彩色图像。2D彩色图像保留了各个传感器数据的时间信息、幅值信息和各个传感器之间的关系。2D彩色图像具有R

对样本图像进行灰度化显示。图像灰度值I

I

确定样本标签，包括冲击损伤位置标签、冲击损伤能量标签。

将构件划分为a个冲击损伤位置，则冲击损伤位置标签Y

Y

其中，Y

将构件划分为b个冲击损伤能量等级，则冲击损伤位置标签Y

Y

其中，Y

最后，从构建的所有样本中随机选取80％的样本作为训练集，10％的样本作为验证集，10％的样本作为测试集。

构建基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络，包括：

基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络包含两个分类任务，分别用于检测冲击损伤位置和冲击损伤能量。冲击损伤位置分类任务和冲击损伤能量分类任务具有一部分共同的结构。两个分类任务共享两个卷积层和一个池化层。两个卷积层的卷积核尺寸均为3，,卷积核数量分别3和9。冲击损伤位置分类任务和冲击损伤能量分类任务结构一样，均由两个卷积层、一个池化层、一个平坦层、一个dropout层和一个全连接层组成。其中卷积核的大小和数量分别为[3，3]和[12，16]，池化层大小为3。损伤位置分类任务的全连接层的神经元数量与损伤位置数量相同，并应用其softmax激活函数输出损伤位置的分类结果。而损伤能量分类任务的全连接层的神经元数量与冲击损伤能量类别数量相同，并应用其softmax激活函数输出冲击损伤能量的分类结果。此外，在两个全连接层中均添加了丢弃机制，以防止过度拟合并提高鲁棒性，其值设置为0.5。

将训练集和验证集输入基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络进行训练和优化，包括：

基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络的两个分类任务的损失函数均为多分类交叉熵损失，Loss_loccation是冲击损伤位置分类任务的交叉熵损失，Loss_energy是冲击损伤能量分类任务的交叉熵损失。把两者的损失加起来，可以获得基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络的联合损失。

Loss＝Loss_loccation+Loss_energy

通过Adam优化算法更新基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络中的参数。

其中，实物试验验证方法如下：

采用2mm厚不锈钢板作为实验件，尺寸为300mm*300mm，其力学参数如表1所示。具体的结构设计及传感器布置位置与上述中图2相同，并利用能量为0.5J,1.0J和1.5J的冲击锤模拟冲击，如图5所示。

表1：不锈钢板力学参数

使用冲击锤在试验板上进行冲击，利用8个传感器接收冲击信号，使用Tektronix示波器记录数据，由于示波器一次只能记录四组波形，将传感器按传感器编号分为两组分别进行接收，记录各传感器接收的冲击信号波形如图6所示。

对接收信号进行信号处理如图7所示，构建了冲击损伤数据集并按照8:1:1的比例划分为训练集、验证集和测试集。

构建基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络，其网络结构如图8所示。将训练集和验证集输入基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络进行训练和优化。采用自适应动量的随机优化方法训练网络，训练算法采用Adam算法，Epochs设置为80，学习率为0.0001，批次大小为30。如图9(a)所示，网络的损失随Epochs减小，在40个周期内迅速收敛。如图9(b),(c)所示，两个分类任务的正确率随Epochs增加，分别在10和40个周期内迅速收敛。此外，整个过程中存在抖动，但很小，属于正常波动的范围。

将测试集输入训练好的基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络，输出测试集样本的冲击损伤位置和冲击能量，两个分类任务的混淆矩阵如图10所示。从损伤位置分类任务的混淆矩阵判断，在损伤位置分类任务输出的240个损伤样本中全部都预测正确。由此可以计算出损伤位置分类任务的准确率为100％。根据冲击能量大小分类任务的混淆矩阵，只有6个损伤大小预测错误，其余234个都预测正确。由此可以计算出损伤位置分类任务的准确率为97.50％。

由于损伤位置分类任务在测试集上的准确率为100％，因此精准率和召回率以及F1-score也为100％。表2显示了损伤能量分类任务对每个能量损伤的精确率和召回率和F1-score。从表中可以看出，0.5J的损伤精确率为96.77％，损伤召回率为98.90％，F1-score为97.82％。1.0J的损伤精确率为97.14％，损伤召回率为95.77％，F1-score为96.45％。1.5J的损伤精确率为100％，损伤召回率为97.43％，F1-score为98.69％。这再次证明了模型的可靠性。

表2

上述的列车结构冲击损伤位置监测和冲击损伤能量监测系统，能实现上述的列车结构冲击损伤位置监测和冲击损伤能量监测多任务学习方法的各个实施例且能达到相同的有益效果，此处，不做赘述。

本发明再一实施例中，提供基于多任务学习的列车结构冲击伤监测系统，能够用于实现上述的基于多任务学习的列车结构冲击损伤监测方法，具体的，该系统包括：

数据采集模块，用于通过传感器获取列车结构上的冲击位置及冲击能量的监测数据；

数据集构建模块，用于进行多个传感器的数据融合，构建样本数据集，划分训练集、验证集和测试集；

训练优化模块，用于基于样本数据集，构建基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络，将训练集和验证集输入基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络进行训练和优化；

输出模块，用于将测试集输入训练好的基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络，输出测试集样本的冲击损伤位置和冲击能量。

本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于多任务学习的列车结构冲击损伤监测方法的操作。

本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于多任务学习的列车结构冲击损伤监测方法的相应步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。