[发明专利]基于MDCD在钢轨焊缝数据集上性能分析对比的监测方法

权利要求书

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。

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。

3.根据权利要求2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。

4.根据权利要求3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。

5.根据权利要求4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。

6.根据权利要求5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。

7.根据权利要求6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。

8.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。