CN113591270B - 基于mdcd在钢轨焊缝数据集上性能分析对比的监测方法 - Google Patents

Abstract

本发明公开了一种基于MDCD在钢轨焊缝数据集上性能分析对比的监测方法，包括以下步骤：S1：对钢轨焊缝中Lamb波结构进行分析；S2：在钢轨焊缝裂纹损伤上监测Lamb波数据特征；S3：对钢轨焊缝结构健康监测的MDCD模型进行搭建与训练；S4：对两个阶段的模型训练效果进行评价，并对比了第二阶段模型相对于第一阶段模型的性能下降率，对比了两阶段训练模型在不同任务上执行效果与当前先进和流行的深度学习算法以及传统数字信号处理算法进行对比，本发明可以有效探测焊缝结构上的裂纹损伤，同时其较低的传播损伤，保证了Lamb波可以对一定距离和范围内的焊缝结构进行监测。

Description

基于MDCD在钢轨焊缝数据集上性能分析对比的监测方法

技术领域

本发明涉及无损检测技术领域，具体而言，涉及一种基于MDCD在钢轨焊缝数据集上性能分析对比的监测方法。

背景技术

钢轨焊缝作为钢轨中承接两个模块连贯性的组成部分，其健康状态与铁路运输的安全性密切相关。在铁路运输生产作业过程中，钢轨焊缝由于其人工焊接处的形状不规则特征，当列车通过时，轮轨关系产生的力无法在焊缝处均匀传导分散，导致钢轨焊缝部分位置受力严重。在长时间与高频率列车通过的情况下，轮轨关系产生的震动疲劳会直接导致钢轨焊缝受力严重部位出现疲劳裂纹损伤，随着裂纹损伤的加深，最终出现断轨现象。

由于铁路钢轨设计特征，轨腰部分受力不明显，不易出现裂纹疲劳损伤，当前铁路运输网中钢轨焊缝裂纹多出现于焊缝两端焊接根部，通常为垂直裂纹。随着钢轨使用过程中的疲劳加大，不同情况下裂纹呈现不同的长度与深度。根据钢轨构造与受力情况分析可知，裂纹出现部位一般为轨头底面、轨底顶面与轨底位置。轨底由于受力情况较为严重，一旦出现小型裂纹损伤，会快速演变为肉眼可辨的损伤程度，严重情况下将引发断轨事故。

在现代工业的无损探伤领域，对于焊缝结构的裂纹监测通常采用超声(UT)、磁粉(MT)、射线(RT)、渗透(PT)等常规无损检测方法。在钢轨焊缝探伤方法的选择上，各国采用的主要是超声探测。

为保证钢轨焊缝裂纹的可检测性，常规无损超声探测方法需要借助探伤车、探伤仪等设备不断在钢轨进行滑动才能实现裂纹损伤的，因此对于位置固定，范围较小的钢轨焊缝，需要通过不断在其上滑动才能实现裂纹的检测，超声探头的移动检测性让其无法固化到钢轨焊缝周围实现钢轨焊缝的持续结构健康监测，每次检测耗费人力物力。因此，一个针对钢轨焊缝的、可以探测小型裂纹的实时、精准、高效的钢轨焊缝裂纹损伤与结构健康监测技术对于保障铁路运输安全具有重要意义。

结构健康监测是针对某种特定结构提出的，可长期、持续、自动化地监测结构完整性，发现并定位缺陷，监测已存在缺陷的变化情况，甚至能预估结构使用寿命的一种方案。Lamb波凭借其沿介质表面传播时能量损失较小的特性，可实现长距离探测，并对结构中微小缺陷具备较高灵敏度，因此被广泛应用于金属的结构健康监测(Structure HealthMonitoring,SHM)中。对于钢轨焊缝的结构健康监测，Lamb波通常具有较大的激活频率，较短的波长，这给与了Lamb波优秀的损伤检测分辨率，可以有效探测焊缝结构上的裂纹损伤，同时其较低的传播损伤，保证了Lamb波可以对一定距离和范围内的焊缝结构进行监测，表明Lamb波对钢轨焊缝的结构健康监测具有重要意义。

发明内容

本发明旨在一定程度上解决上述技术问题。

有鉴于此，本发明提供了一种基于MDCD在钢轨焊缝数据集上性能分析对比的监测方法，该基于MDCD在钢轨焊缝数据集上性能分析对比的监测方法在保证运行速度的情况下可以一定程度上满足对钢轨焊缝裂纹监测的需求。

为了解决上述技术问题，本发明提供了一种基于MDCD在钢轨焊缝数据集上性能分析对比的监测方法，包括以下步骤：S1：对钢轨焊缝中Lamb波结构进行分析；S2：在钢轨焊缝裂纹损伤上监测Lamb波数据特征；S3：对抗生成网络的生成器和判别器结构设计两个阶段的深度学习网络模型，第一个阶段根据设计结构复杂、参数较多但可以有效提取与处理后数据特征的深度学习神经网络，以满足对输入数据深度特征提取的需求，第二阶段网络模型设计根据迁移学习中教师和学生理论设计出具备更为简单的网络结构模型，进而学习第一阶段网络的特征提取能力与指定数据输出能力；S4：对两个阶段的模型训练效果进行评价，并对比了第二阶段模型相对于第一阶段模型的性能下降率。对比了两阶段训练模型在不同任务上执行效果与当前先进和流行的深度学习算法以及传统数字信号处理算法进行对比。

进一步，所述步骤S4包括：S41：对训练后的两个阶段模型结果评价指标进行定义，保证指标可以充分反映模型在相关钢轨焊缝裂纹损伤监测任务上的性能，并展示了两个阶段模型的各项指标。

进一步，所述步骤S4还包括：S42：对参考不同EfficientNet模型架构的两个阶段模型之间的性价比进行计算对比，得出在执行钢轨焊缝Lamb波模态分解与损伤监测任务中，MDCDs2-Eb3模型的综合性价比最高的结论。

进一步，所述步骤S4还包括：S43：对不同EfficientNet模型架构的两个阶段模型与当前较为先进与流行的深度学习和传统数字信号处理方法进行了对比分析，分析模型在不同任务之间的评价指标，得出MDCDs1-Eb7在各任务中均能达到较为先进的准确率，MDCDs2-Eb3在保证运行效率的前提下在各项任务中均可接近较为先进模型的效果。

进一步，，所述步骤S4还包括：S44：对模型的模态生成效果进行了可视化展示，并直观对比了MDCDs2-Eb3与先进方法之间的模态分解效果，证明MDCDs2-Eb3已具备先进模型的效果，但在模态生成结果的部分相位区间仍具备优化空间。

进一步，，所述步骤S4还包括：S45：对模型的裂纹定位效果进行了可视化展示，并直观对比了MDCDs2-Eb3与先进方法之间的裂纹定位效果，同时对定位裂纹后的近似裂纹宽度曲线进行拟合描述，近似展示了MDCDs2-Eb3与先进模型在裂纹宽度预测的拟合结果，表明MDCD2-Eb3可以有效完成裂纹损伤定位任务。

进一步，，所述步骤S4还包括：S46：对比了MDCDs2-Eb3与先进方法之间对裂纹存在概率与裂纹深度预测结果。

进一步，所述步骤S1还包括：S14：探索了模型在相似任务之间进行迁移学习的可行性，并在搭建初始复杂模型的情况下讨论了在保证模型精度情况下对模型体量进行压缩的方法。

本发明的技术效果在于：参考不同EfficientNet模型架构的两个阶段模型之间的性价比进行计算对比，得出在执行钢轨焊缝Lamb波模态分解与损伤监测任务中，MDCDs2-Eb3模型的综合性价比最高的结论；对不同EfficientNet模型架构的两个阶段模型与当前较为先进与流行的深度学习和传统数字信号处理方法进行了对比分析，分析模型在不同任务之间的评价指标，得出MDCDs1-Eb7在各任务中均能达到较为先进的准确率，MDCDs2-Eb3在保证运行效率的前提下在各项任务中均可接近较为先进模型的效果；对模型的模态生成效果进行了可视化展示，并直观对比了MDCDs2-Eb3与先进方法之间的模态分解效果，证明MDCDs2-Eb3已具备先进模型的效果，但在模态生成结果的部分相位区间仍具备优化空间；对模型的裂纹定位效果进行了可视化展示，并直观对比了MDCDs2-Eb3与先进方法之间的裂纹定位效果，同时对定位裂纹后的近似裂纹宽度曲线进行拟合描述，近似展示了MDCDs2-Eb3与先进模型在裂纹宽度预测的拟合结果，表明MDCD2-Eb3可以有效完成裂纹损伤定位任务，但对于宽度分布的预测仍有一定偏差；对比了MDCDs2-Eb3与先进方法之间对裂纹存在概率与裂纹深度预测结果，表明MDCDs2-Eb3相比于先进模型预算法，在裂纹存在概率与裂纹深度预测任务上已展示出优秀的能力。对比结果表明模型具备了一定的任务执行能力，在保证运行速度的情况下可以一定程度上满足对钢轨焊缝裂纹监测的需求，但在部分情况下模型仍具备一定的误差和优化空间。

附图说明

图1是根据本发明的一种基于MDCD在钢轨焊缝数据集上性能分析对比的监测方法的流程示意图；

图2是根据本发明的模型在不同GPU运行时间；

图3是根据本发明的相同参数不同GPU运行时间；

图4是根据本发明的模型不同指标趋势图；

图5是根据本发明的参数-指标趋势图；

图6是根据本发明的ASD、VMD两种方法与MDCDs2-Eb3信号模态分解结果的对比图；

图7是根据本发明的MDCDs2-Eb3与可执行裂纹定位任务模型与算法之间的宽度预测结果对比图；

图8是根据本发明的MDCDs2-Eb3与可执行裂纹定位任务模型与算法之间的深度预测结果对比图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

一种基于MDCD在钢轨焊缝数据集上性能分析对比的监测方法，包括以下步骤：S1：对钢轨焊缝中Lamb波结构进行分析；S2：在钢轨焊缝裂纹损伤上监测Lamb波数据特征；S3：对抗生成网络的生成器和判别器结构设计两个阶段的深度学习网络模型，第一个阶段根据设计结构复杂、参数较多但可以有效提取与处理后数据特征的深度学习神经网络，以满足对输入数据深度特征提取的需求，第二阶段网络模型设计根据迁移学习中教师和学生理论设计出具备更为简单的网络结构模型，进而学习第一阶段网络的特征提取能力与指定数据输出能力；S4：对两个阶段的模型训练效果进行评价，并对比了第二阶段模型相对于第一阶段模型的性能下降率。对比了两阶段训练模型在不同任务上执行效果与当前先进和流行的深度学习算法以及传统数字信号处理算法进行对比。

步骤S4包括：S41：对训练后的两个阶段模型结果评价指标进行定义，保证指标可以充分反映模型在相关钢轨焊缝裂纹损伤监测任务上的性能，并展示了两个阶段模型的各项指标；S42：对参考不同EfficientNet模型架构的两个阶段模型之间的性价比进行计算对比，得出在执行钢轨焊缝Lamb波模态分解与损伤监测任务中，MDCDs2-Eb3模型的综合性价比最高的结论；S43：对不同EfficientNet模型架构的两个阶段模型与当前较为先进与流行的深度学习和传统数字信号处理方法进行了对比分析，分析模型在不同任务之间的评价指标，得出MDCDs1-Eb7在各任务中均能达到较为先进的准确率，MDCDs2-Eb3在保证运行效率的前提下在各项任务中均可接近较为先进模型的效果；S44：对模型的模态生成效果进行了可视化展示，并直观对比了MDCDs2-Eb3与先进方法之间的模态分解效果，证明MDCDs2-Eb3已具备先进模型的效果，但在模态生成结果的部分相位区间仍具备优化空间；S45：对模型的裂纹定位效果进行了可视化展示，并直观对比了MDCDs2-Eb3与先进方法之间的裂纹定位效果，同时对定位裂纹后的近似裂纹宽度曲线进行拟合描述，近似展示了MDCDs2-Eb3与先进模型在裂纹宽度预测的拟合结果，表明MDCD2-Eb3可以有效完成裂纹损伤定位任务；S46：对比了MDCDs2-Eb3与先进方法之间对裂纹存在概率与裂纹深度预测结果。

根据本发明的具体实施例对于MDCD模型在钢轨焊缝裂纹损伤监测数据及上的性能对比分析，有助于探索训练后的模型在各项任务中执行能力，用指标进行直观展示模型的性能与效果。同时对比模型与当前先进算法之间在相同任务上的效果，有助于判断模型任务执行能力与前沿算法之间的差别，为后续模型的进一步发展与改进提供一定依据。

针对第一阶段与第二阶段的钢轨焊缝裂纹损伤模型指标分析，是为了评价与考核模型是否可以按照预期完成其指定的钢轨焊缝裂纹损伤监测任务，因此针对模型的任务完成度评价指标描述如下：

针对模型Lamb波模态分解结果的评价指标，考核的是模型生成模态分量与实际模态分量之间的相似度；

针对钢轨焊缝裂纹定位概率矩阵标签的评价指标，考核的是模型对存在裂纹损伤的钢轨焊缝上裂纹位置的定位精度，其中包括裂纹长度精度、裂纹位置精度与裂纹宽度精度；

针对钢轨焊缝裂纹出现概率的评价指标，考核的是当裂纹存在情况下，模型对裂纹数量与裂纹损伤存在与否的查全率；

针对钢轨焊缝裂纹深度的评价指标，考核的是当裂纹存在情况下，模型对存在裂纹深度的预测精准度。

因此针对模型评价指标有四个：模型损伤分类准确率指标(ClassificationAccuracy Index,CAI)、模型深度预测准确率指标(Depth Accuracy Index,DAI)、定位准确率指标(Localization Accuracy Index,LAI)、模态分量准确率指标(IMFs AccuracyIndex,IMFAI)。

(1)损伤分类准确率指标

针对钢轨焊缝损伤分类产生了焊缝存在裂纹损伤的概率与不存在裂纹损伤的概率，两者之间取和结果为1。针对钢轨焊缝裂纹监测任务，其原则为宁可错查不可漏查，因此对焊缝裂纹损伤分类，采用查全率/召回率(Recall)来判断模型在该任务的表现效果。

查全率参数代表模型对钢轨焊缝裂纹的敏感度，查全率越高，说明模型对焊缝裂纹越敏感。查全率计算公式如下：

式中，Φ——训练后的钢轨焊缝裂纹监测模型；

Φ_TP，Φ_FN——如下表5-1所示，Φ_TP表示钢轨焊缝存在裂纹且模型预测钢轨焊缝存在裂纹的概率；Φ_FN表示钢轨焊缝不存在裂纹且模型预测钢轨焊缝存在裂纹的概率；Φ_FP表示当钢轨焊缝存在裂纹且模型预测钢轨焊缝不存在裂纹的概率；Φ_TN表示钢轨焊缝不存在裂纹且模型预测钢轨焊缝不存在裂纹的概率。

(2)深度相似度指标

针对钢轨焊缝深度相似度指标，用于判断模型在钢轨焊缝存在裂纹损伤时，预测所得焊缝裂纹深度与实际裂纹深度之间的差异大小。即模型能否展现出较小的预测误差。同时，当钢轨焊缝不存在裂纹时，模型对于该部分的钢轨焊缝裂纹深度预测应趋近于0。根据指标所执行的功能，可设计深度相似度指标数学表达式为：

式中，S——测试数据集；

abs——取绝对值计算；

P(·|S)——测试集中状态为·的数据所占比例，·可为损伤或无损；

depth_pre——模型预测损伤深度；

depth_gt——损伤存在时实际损伤深度；

depth_max——数据集中存在损伤情况下最大损伤深度；

Φ——训练后的钢轨焊缝裂纹监测模型。

式(5-2)对于模型深度相似指标的计算分为三部分，当模型预测损伤类型为无损且与实际情况相同时，DAI为0；当模型预测有损且与实际情况相同时，DAI为损伤数据占总数据集的比例×预测损伤深度与实际损伤深度差值的绝对值所占实际损伤深度的比例；当模型预测损伤类型与实际情况不同时，DAI为预测损伤类型数据为损伤数据占总数据集的比例×预测损伤深度占数据集中最大损伤深度的比例。

DAI评价指标可以有效将深度预测误差平摊至每个同类数据中。同时，DAI指标与模型的损伤分类误差进行结合，利用数据类型在数据集中的概率作为模型不同预测结果下的裂纹深度误差的权重，合理分摊了不同类型下裂纹深度预测的误差精度，且增大了损伤类型预测错误情况下的损伤深度误差值对DAI指标的影响程度。DAI展示了模型对于裂纹损伤预测的稳定性，DAI越小，证明模型预测裂纹损伤越准确稳定。

(3)定位准确率指标

针对钢轨焊缝的定位准确率指标，应从裂纹长度、宽度与定位精度三个方面进行分析。针对裂纹长度与宽度评价指标，与DAI相同，利用裂纹长宽预测值与实际裂纹长宽值之间的差异比例乘以训练集中对应裂纹状态数据所占比值。针对裂纹定位精度的评判，利用预测裂纹两端坐标和中心点坐标三个点位与实际情况下裂纹三点坐标进行欧氏距离计算，并将计算所得结果除以传感器布设144×72长方形范围内最长两点距离，即同时参考DAI计算权重分配方式，以损伤类型数据所占测试集比例为权重，对三点欧式距离结果进行加权计算。综上分析可得LAI计算公式为：

式中，——预测裂纹位置两端和中心三点构成的坐标点空间；

P_pre——模型预测点位坐标；

P_gt——真实点位坐标；

——同DAI中的指标权重空间；

Eu(·)——欧式距离计算；

Φ——训练后的钢轨焊缝裂纹监测模型。

LAI指标展现了模型对损伤定位能力的不准确度，根据式(5-3)的计算过程可知，误差越大，LAI指标则越大，表明模型对于裂纹损伤的定位越不准确。

(4)模态分量准确率指标

针对Lamb波模态分量的准确率指标，其本质是衡量两组时间序列数据之间的信息相似度，通过T Rakthanmanon等人对时间序列数据相似度的研究，针对模态分量准确率指标的计算引入动态时间规划算法(Dynamic Time Warping,DTW)。DTW将两序列的相似度比较转化为一个典型的函数优化问题，该算法使用满足一定条件的时间规整函数W(n)，来描述测试序列和参考序列的时间对应关系，求解两序列匹配时累计距离最小所对应的规整函数。当两序列相同显著特征所持续时间不一时，DTW可以有效找到两组时间序列之间对其的数据点，并将数据对齐后进行序列之间欧氏距离计算。

因此，引入DTW后的IMFAI计算公式如下所示：

式中，——钢轨焊缝单通道Lamb波数据模态分解后的三个模态分量组成的数据空间；

imf_pred——模型预测模态分量；

imf_gt——实际模态分量；

Φ——训练后的钢轨焊缝裂纹监测模型。

IMFAI评价了模型产生的三个模态分量与真实模态分量之间的相似度，反应了模型对钢轨焊缝Lamb波多模态叠加数据的模态分解能力，IMFAI越大，模型模态分解能力越强。

MDCDs2学生模型由于更加简单的模型结构与模型参数规模，在各项指标中的表现均劣于MDCDs1教师模型。MDCDs1-Eb7由于其强大的参数量与模型拟合能力，在MDCDs1模型中取得最好的参数结果；MDCDs2中MDCDs2-Eb3在CAIrecall、DAI与IMFAI中均均效果最优，展现出相对更加均衡优秀的参数结果。

为评价MDCDs2在学习不同的教师模型时性能衰退率指标，本文设计提出了模型性能衰退率计算公式如下所示：

式中，D——性能衰退率指标；

Φ_*——训练后的MDCDs1或MDCDs2模型；

CAI_*——模型*的CAI指标；

DAI_*——模型*的DAI指标；

LAI_*——模型*的LAI指标；

IMFAI_*——模型*的IMFAI指标；

通过式(5-5)～(5-8)计算，可以获取四种任务下MDCDs2模型相较于MDCDs1模型的衰退率。对于衰退率指标的计算公式，其分子皆为第一阶段模型指标减去第二阶段模型指标，分母为衰退前后相比较大的指标。表5-3展示了MDCDs2针对不同EfficientNet模型架构下MDCDs2相对于MDCDs1在真实数据测试集中不同指标下的性能衰退率：

随着基于EfficientNet模型架构复杂度与参数数量的提高，MDCDs1的任务执行能力逐渐提高，各项指标均可证明模型随着模型复杂度的提高，MDCDs1模型可以展现出更好的学习效果。但由于MDCDs2模型规模与参数数量不变，随着MDCDs1规模的增大，MDCDs1模型对钢轨焊缝Lamb波数据特征拟合效果逐渐达到MDCDs2的模型拟合能力上限，并超出MDCDs2的拟合能力，此时，对比Eb1、Eb3、Eb5、Eb7，当教师模型MDCDs1特征提取网络模型架构参考Eb3时，学生模型MDCDs2可达到最好的学习效果，在四项指标中模型能力衰退率最低，当MDCDs1模型规模继续增大时，教师模型MDCDs1学习到的数据特征分布规律已无法再被学生模型MDCDs2理解，因此出现MDCDs2模型学习能力衰退率骤增的情况，导致MDCDs2执行任务效果降低。

MDCD运行效率与性价比指标分析

MDCDs1模型在基于不同EfficientNet模型架构情况下，模型NoP指标、FLOPs指标以及GPU NVIDIA Tesla P100与GPU NVIDIA GeForce 1060下模型针对真实数据测试集单batch输入的运行速度。随着模型NoP加大，模型FlOPs与运行时间也在不断增大，运行效率降低。

图2、图3和图4所示，可视化了不同模型在两种GPU下的运行时间、具备相同参数的模型在不同GPU下的运行时间、不同模型的四项指标变化趋势以及不同参数模型的四项指标变化趋势。整体来讲，随着模型规模的增大，模型运行效率逐渐降低，同时当模型规模随着参数增多至MDCDs2-Eb3的3.0M时，模型各项指标呈现阶梯式跳跃增长，可初步判断MDCDs2每单位参数学习到的数据分布知识最多。

为准确判断每个模型的学习效率，即：每单位参数学习到的数据分布量，本文设计了运行性价比指标CP_Φ来对模型的性价比进行评价，运行性价比指标的计算公式如下所示：

式中，CAI_Φ——模型的损伤分类准确率指标；

DAI_Φ——模型的模型深度预测准确率指标；

LAI_Φ——模型的定位准确率指标；

IMFAI_Φ——模型的模态分量准确率指标；

Φ——训练后的钢轨焊缝裂纹监测模型；

Params_Φ——模型参数量，单位：百万；

Params_max——所有模型中最大模型参数量，单位：百万。

采用上式对模型的性价比计算，保证模型的性价比指标始终与模型的参数量成非线性负相关，与模型的CAI、IMFAI指标呈线性正相关，与模型的DAI、LAI指标呈线性负相关。同时Params_max平衡了各项指标对模型性价比指标带来影响的数据尺度，因此CP性价比指标可以非线性地展示出在钢轨焊缝裂纹损伤真实数据测试集中不同参数模型与四项输出指标之间的性价比关系。

当教师模型MDCDs1采用EfficientNet-b3架构时，学生模型MDCDs2可以最大发挥参数拟合能力，学习得到最佳模型，其最大性价比指标为0.89。整体来看，MDCDs2模型在面对不同的教师模型时，均具备较高的性价比指标，可以看出教师-学生模型压缩策略在针对钢轨焊缝Lamb波模态分解与钢轨焊缝裂纹损伤监测任务时，可以有效提升模型的整体执行效率。当模型部署于生产环境时，可根据生产环境需求修改性价比评价指标计算方法来选取最合适的模型。

MDCDs1、MDCDs2与当前较为先进的深度学习与传统数字信号处理方法在钢轨焊缝裂纹损伤真实数据集相关任务上的指标对比。从表5-6可以看出，MDCDs1-Eb7模型在各项任务中均展现了与当前先进方法精度与准确率相近的效果，但由于MDCDs1-Eb7参数量过大，性价比过低，不适合应用于对实时性要求较高的场景中；MDCDs2-Eb3在利用更少的参数情况下，也达到了接近当前常用算法的效果，并能同时执行4个任务，且运行效率高，适合应用于对实时性要求较高的场景中。

计算所得性价比指数最高的模型MDCDs2-Eb3进行效果展示，并挑选测试集中一组数据，观察对比测试集中真实数据与模型输出数据之间的差异。

图6展示了表5-6中ASD、VMD两种方法与MDCDs2-Eb3信号模态分解结果的对比图。图中左列展示了三种方法模态分解的结果，右列展示了三种方法模态分解结果与钢轨焊缝裂纹损伤测试集数据模态分解结果的绝对值误差。观察左列可以看出，VMD在结果预测中直观观察效果较差，该方法对于信号的模态分解将主要模态信息聚集于IMF1，在IMF2中分散较少，IMF3为噪声信号；观察第三行IMF3的模态分解结果与IMF3模态分解绝对误差可以看出，ASD对于模态分解的效果掺杂较大噪声信息，IMF1与IMF2的模态分解效果与MDCDs2-Eb3相近。

钢轨焊缝裂纹损伤仿真数据对模型的预训练，使模型学习到了较为充足的裂纹损伤位置分布，而真实的钢轨焊缝裂纹损伤数据主要分布于钢轨焊缝的四个位置，因此真实数据对模型学到从仿真数据学到的知识进行了调整，并约束模型识别裂纹主要出现于焊缝根部位置，但仍旧无法完全约束裂纹出现于轨顶地面或轨底顶面。此现象可以通过丰富真实数据集来避免。因此可以看出，模型对于存在裂纹时裂纹位置的预测相对准确，虽然模型对于裂纹位置的预测存在微小的偏差与误检，但对真实存在裂纹的位置预测仍具备较高的准确率。

通过对比了MDCDs2-Eb3与不同可执行裂纹定位任务的先进模型与算法之间对钢轨左侧焊缝根部轨顶底面部位裂纹进行预测的结果对比，以左上角为坐标轴原点，真实情况下裂纹中心位置坐标为[21,14]，并以概率值大于0.75的概率点进行在宽度坐标轴进行横向统计，将连续点数最宽位置作为裂纹宽度预测结果，真实情况下裂纹宽度为4mm。从图中可以看出，MDCDs2-Eb3裂纹定位任务上可视化效果接近，中心位置为[21,15]，宽度均约为4mm；Model1预测结果存在长宽坐标轴上均有中心位置的偏差，预测中心位置为[25,6]，宽度约为8mm；Model2效果与MDCDs2-Eb3相似，其中心位置为[24,18]，宽度均约为4mm；Model3对于损伤定位的预测范围过大，预测中心位置为[25,6]，宽度约为10mm。

图7展示了MDCDs2-Eb3与可执行钢轨焊缝裂纹损伤定位任务模型与算法之间的宽度预测结果拟合曲线、散点对比图(左上与右上)与绝对值误差折线图(左下与右下)，拟合曲线可以近似代表模型学习到的数据的分布特征和裂纹长度与宽度之间的关系。图中左上图像绘制了MDCDs2-Eb3与真实数据(Ground Truth)之间的对比，可以看出，MDCDs2-Eb3没有完全有效学习到数据的特征分布规律，观察左下误差图可知，当裂纹长度较短时，模型对裂纹宽度的预测结果偏离真实情况，最大误差可达0.73mm，随着裂纹长度的增加，模型对于裂纹宽度的预测逐渐接近真实情况，最小误差为0.04mm；图中右上图像绘制了表5-6中Model1～Model3、MDCDs2-Eb3和真实情况的对比曲线与散点图，观察波形趋势与右下误差折线图可以看出，Model1产生的裂纹长度-宽度曲线最接近于真实情况，最小误差与最大误差分别为为0.04mm与0.71mm，Model3产生的裂纹长度-宽度曲线与真实情况相差最多，最小误差与最大误差分别为0.03mm与0.95mm。

表5-7展示了模型对于钢轨焊缝裂纹存在情况与裂纹深度的预测结果与真实结果较为典型具有代表性的对比。从表中可以看出，当焊缝存在裂纹时，模型对于焊缝裂纹的存在概率预测相对较为准确，由表5-5可知，其准确率为76％，适当调整预测概率的阈值，可增大模型对裂纹预测的准确率。对深度的预测结果进行遍历统计，当存在裂纹时，模型预测结果相对准确，其误差范围为±1.5mm，当裂纹不存在时，模型对裂纹深度结果的预测误差相对较大，误差范围为0～3mm。

MDCDs2-Eb3与可执行钢轨焊缝裂纹损伤深度预测任务模型与算法之间的深度预测结果拟合曲线、散点对比图(左上与右上)与绝对值误差折线图(左下与右下)。图8中左上图像绘制了MDCDs2-Eb3与真实数据(Ground Truth)之间的对比，可以看出，MDCDs2-Eb3相对有效地学习到真实情况下裂纹深度与长度之间的非线性关系，裂纹深度预测误差最小与最大分别为0.01mm与3.57mm，可以通过左下误差图看出随着裂纹深度的增大，MDCDs2-Eb3对裂纹深度预测误差会随之增大。图8中右上图像绘制了表5-6中Model4、Model5、MDCDs2-Eb3和真实情况的对比曲线与散点图，观察波形趋势可以看出，相比于Model5，Model4产生的裂纹长度-宽度曲线更接近于真实情况，Model4误差最大与最小分别为0.15mm与6.38mm，Model5误差最大与最小分别为0.03mm与6.94mm。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (2)

1.一种基于MDCD在钢轨焊缝数据集上性能分析对比的监测方法，其特征在于，包括以下步骤：

S1：对钢轨焊缝中Lamb波结构进行分析；

S2：在钢轨焊缝裂纹损伤上监测Lamb波数据特征；

S3：对抗生成网络的生成器和判别器结构设计两个阶段的深度学习网络模型，第一个阶段根据设计结构复杂、参数较多但可以有效提取与处理后数据特征的深度学习神经网络，以满足对输入数据深度特征提取的需求，第二阶段网络模型设计根据迁移学习中教师和学生理论设计出具备更为简单的网络结构模型，进而学习第一阶段网络的特征提取能力与指定数据输出能力；

S4：对两个阶段的模型训练效果进行评价，并对比了第二阶段模型相对于第一阶段模型的性能下降率，同时对比了两阶段训练模型在不同任务上执行效果与当前先进和流行的深度学习算法以及传统数字信号处理算法进行对比；

为准确判断每个模型的学习效率，设计了运行性价比指标CP_Φ来对模型的性价比进行评价，运行性价比指标的计算公式如下所示：

式中，CAI_Φ——模型的损伤分类准确率CAI指标；

DAI_Φ——模型的模型深度预测准确率DAI指标；

LAI_Φ——模型的定位准确率LAI指标；

IMFAI_Φ——模型的模态分量准确率IMFAI指标；

Φ——训练后的钢轨焊缝裂纹监测模型；

Params_Φ——模型参数量，单位：百万；

Params_max——所有模型中最大模型参数量，单位：百万。

2.根据权利要求1所述的基于MDCD在钢轨焊缝数据集上性能分析对比的监测方法，其特征在于，所述步骤S4包括：S41：对训练后的两个阶段模型结果评价指标进行定义，保证指标可以充分反映模型在相关钢轨焊缝裂纹损伤监测任务上的性能，并展示了两个阶段模型的各项指标。