Active intelligent identification method for steel rail damage based on ultrasonic testing
-
摘要:
常规的主动式钢轨伤损智能识别方法,在钢轨伤损数据采集过程中耗时较多,使得伤损智能识别时间较长。为解决这一问题,提出一种基于超声检测的主动式钢轨伤损智能识别方法。首先按照增益范围,获取钢轨伤损回波信号,设置超声换能器的滤波器,对信号进行转换,从而对数据进行采集；然后根据DBSCAN算法,以伤损识别的最小单元为一个单元,对采集的超声数据进行组合而构成超声信息群,并对数据进行划分,按照划分数据对钢轨伤损特征进行匹配；最后以AlexNet网络架构为识别主体结构,以数据匹配结果为基础,建立显图样本数据集,对伤损类型进行精细搜索,从而得到主动式钢轨伤损智能识别结果。试验结果表明,所提方法对主动式钢轨伤损识别的时间较短,能实现对主动式钢轨伤损的快速识别,具有较好的应用价值。
Abstract:The conventional active intelligent identification method for rail damage takes a long time in the process of collecting rail damage data, resulting in a longer intelligent identification time for rail damage. Therefore, an active intelligent identification method for rail damage based on ultrasound was proposed. Based on ultrasonic technology, the echo signal and rail damage echo signal were obtained according to the gain range, and the filter of ultrasonic transducer was set to convert the signal to collect data. According to the DBSCAN algorithm, the smallest unit for damage identification was used as a unit to combine the collected ultrasonic data to form an ultrasonic information group, and the data was divided. The rail damage features were matched according to the divided data. Finally, Using the AlexNet network architecture as the main identification structure, based on data matching results, a dataset of displayed samples was established to conduct a precise search for damage types, thus obtaining active intelligent identification results for rail damage. The experimental results showed that the method proposed in this paper had a shorter time for identifying active rail damage, and can achieve rapid identification of active rail damage, which has good application value.
-
随着铁路技术的快速发展,轨道负载逐渐增加,主动式钢轨在长期使用过程中会受到列车产生的长期碰撞等因素影响,裂纹的扩展速度会逐渐增大,核伤出现的概率也会同时增加[1]。对主动式钢轨伤损进行智能识别,有利于对钢轨损伤进行判断并及时采取措施,从而避免经济损失和人员伤亡。因此,钢轨伤损智能识别是保证铁路安全运维的重要保障,一直以来都是重要的研究课题[2]。
目前主动式钢轨伤损的智能识别主要有以下几种思路。曾楚琦等[3]基于光纤光栅,采用可变轨距优化了钢轨探伤车的检测速度,并通过影响耦合关系,对钢轨伤损进行识别；该方法伤损识别速度较快,检出率高,具有较好的应用价值。胡文博等[4]针对不同曲线半径的钢轨,基于深度学习技术,通过加强数据对比以及周期交替对线路进行检测,该方法伤损识别误报较多,但是识别速度较快。
超声波在传输过程中,会反射伤损的分布情况,可以通过反射回来的超声信号,对伤损情况进行判断[5]。在检测识别过程中,会出现一部分外界环境的干扰噪声,因此需要通过技术手段,对超声回波信号进行处理。文章基于超声检测技术,对主动式钢轨伤损进行智能识别,首先,采集包括正常钢轨和带有不同类型损伤的钢轨的超声信号数据；其次,对采集到的超声信号进行预处理,包括去除噪声、滤波、数据归一化等；然后,从经过预处理的超声信号中提取包括时域、频域、时频域等特征信息（如振幅、频率、能量等）,这些特征能够反映不同损伤类型下的波形差异。根据提取的特征,使用机器学习算法或模式识别技术对超声信号进行分类和识别；最后,以伤损识别速度为验证指标进行试验,验证所提方法的可行性。
1. 基于超声检测的主动式钢轨伤损智能识别方法
1.1 采集钢轨伤损数据
为了有效地对主动式钢轨伤损进行智能识别,首先对钢轨伤损超声检测数据进行采集,通过高压直流电压,发出一定频率的脉冲信号,得到驱动时间,按照脉冲式超声发射原理采集数据,脉冲式超声发射电路结构如图1所示[6]。
利用Simulink软件自带的测量工具,对脉冲生成器进行测量[7]。由于超声回波信号的变化范围较大,所以使用增益放大器对信号进行放大,增益控制范围如表1所示,表中Gain为增益,VG为输出电压。
Table 1. 增益控制范围输入方式 计算式 范围/dB VOUT与反馈端FDBK短接 Gain=40VG+10 dB -10~30 VOUT与反馈端FDBK接反馈电阻 Gain=40VG+20 dB 0~40 反馈端FDBK接地 Gain=40VG+30 dB 10~50 按照增益范围,对数据进行模数转换,获取回波信号,并设置超声换能器的滤波器,对信号进行转换,其变换的结构可表示为
(1) 式中：K为滤波器的线性相位参数；χ为频率响应；W为相位参数；E为变换参数；β为冲击响应[8]。
按照该参数,可将相位分为两类,相位特性函数θ（w）和延时频率响应函数h（w）,即
(2) 式中：w为恒值延时；t为回波信号；c为频率参数；n为中心频率参数；θ（w）为延时的相位特性；h（w）为延时的频率响应。
结合延时后的相位与频率,对恒值延时进行延迟,得到带通滤波器的窗函数d,即
(3) 式中：s为下限截止频率；g为采样频率。
由于超声检测的信号带有多个高频分量,所以对阻带衰减系数进行一定的抑制[9],得到抑制后的超声脉冲波形（见图2）。
在此基础上,为了提高超声检测的整体精度,使用差分输入方式,对输入信号的动态范围进行确定,之后自动得到两差模信号的差值,该差值即为采集的钢轨伤损数据。
1.2 匹配钢轨伤损特征
对采集的钢轨伤损超声检测数据进行分析,根据数据对钢轨伤损特征进行匹配[10],匹配主要流程如图3所示。
在此基础上,根据DBSCAN算法,对钢轨伤损超声检测数据进行超声信息群的划分,以伤损识别的最小单元为一个单元,将超声信息进行组合,构成超声信息群。同时,使用不同颜色代表不同超声回波点,得到的组合B扫描显示图像如图4所示。
根据B扫描图像的划分,基于数据集距离分布特性,生成钢轨伤损的Minpts参数,将数据集分布距离
定义为 (4) 式中：C为元素点个数；V为欧式距离参数；Z为距离矩阵；N为最近邻距离矩阵；O为中位最近邻集合。
通过分布距离,对伤损类型的回波能量S进行计算,即
(5) 式中：D为超声回波信号；F为协方差矩阵；G为特征值；ℓ为主成分向量。
按照回波能量,对特征信息进行计算,可以得到
(6) 式中：I为矩阵特征值；P为特征向量；z为主成分载荷参数；U为钢轨伤损特征信息。
根据非线性变换,通过核函数对信息进行映射转换,其映射转换过程如图5所示。
将特征进行映射后,按照目标特征参数进行判断,其中判断函数∂可表示为
(7) 式中：e为特定频率有效信息；v为投影算子；b为标椎正交参数；x为信号的离散细节。
按照判断函数依次对特征信息进行判断,得到判断结果,之后进行迭代计算,得到最终的钢轨伤损特征匹配结果。
1.3 主动式钢轨伤损智能识别
导入特征匹配结果,对主动式钢轨伤损进行智能识别。以AlexNet网络架构作为识别的结构,将其分为卷积层与池化层,之后按照神经元裁剪算法,对数据匹配结构进行计算,钢轨伤损智能识别算法流程图如图6所示。
在此基础上,对参数进行优化,优化后的参数h表示为
(8) 式中：ω为粒子位置参数；y为速度更新公式；
为全局极值参数；X为个体极值参数。 根据优化参数对测试的数据权重系数r进行计算,即
(9) 式中：q为迭代速度；f为权重最小参数；l为权重最大参数。
根据该函数筛选出特征最明显的伤损图,并建立显图样本数据集,对粒子的速度进行精细搜索,从而得到主动式钢轨伤损智能识别结果。
2. 试验与分析
为了验证所设计检测方法的可行性,对主动式钢轨伤损进行智能识别试验。
2.1 试验环境
使用TensorFlow软件进行识别模型的训练,其中测试环境的各项参数如表2所示。
Table 2. 测试环境参数项目 参数 项目 参数 软件 TensorFlow-gup 1.5.0 语言 Python3.5 阻尼电阻 R1/Ω 100 控制脉冲/μs 40 开关元件 2GBT 限流电阻/kΩ 20 按照该测试环境,对伤损进行布置,其中左右股各4根伤损钢轨,均钻有标准螺孔,试验线人工伤损布置如图7所示。
按照铁路系统钢轨探伤车年检的标定线,对超声B扫描显示数据进行采集,其中某条钢轨的回波波形显示如图8所示。
按照波形显示对数据进行处理,使用3种识别方法,分别对其进行识别。
2.2 试验参数
按照一般情况下主动式钢轨的伤损类型,对数据进行分类模型训练,不同类型钢轨伤损的试验参数如表3所示。
Table 3. 不同类型钢轨伤损的试验参数伤损类型 钢轨1测试数据 钢轨2测试数据 轨底：平底孔 6 125 1 531 轨腰：完好螺孔 2 563 641 轨腰：螺孔横向裂纹 2 365 591 轨腰：螺孔一二象限斜裂纹 2 145 536 轨腰：螺孔三四象限斜裂纹 2 586 647 轨头：3 mm半贯穿孔 2 695 674 轨头：踏面斜26°斜向下缺陷 3 562 891 轨头剥离 1 256 314 轨头压溃 2 589 647 轨距变化 3 002 751 每个类型伤损的文档数量为10个,数据量中80%作为训练数据,20%作为测试数据。
2.3 试验结果与分析
使用所提方法和两种对比方法对伤损进行识别。对比方法1为基于光纤光栅的主动式钢轨伤损智能识别方法,对比方法2为基于深度学习的主动式钢轨伤损智能识别方法,得到的钢轨伤损智能识别时间统计如图9所示。
对识别结果进行统计,可以得到主动式钢轨1的伤损智能识别结果（见表4）。对主动式钢轨2伤损进行智能识别,其结果如表5所示。
Table 4. 钢轨1伤损不同识别方法的智能识别时间伤损类型 识别时间/s 笔者设计方法 对比方法1 对比方法2 轨底：平底孔 3.3 7.8 12.3 轨腰：完好螺孔 3.4 7.6 12.0 轨腰：螺孔横向裂纹 3.2 7.7 12.6 轨腰：螺孔一二象限斜裂纹 3.6 7.6 12.5 轨腰：螺孔三四象限斜裂纹 3.7 7.8 12.6 轨头：3 mm半贯穿孔 3.7 7.5 12.9 轨头：踏面斜26°斜向下缺陷 3.6 7.5 12.5 轨头剥离 3.7 7.6 12.4 轨头压溃 3.7 7.8 12.5 轨距变化 3.3 7.7 12.5 Table 5. 钢轨2伤损不同识别方法的智能识别时间伤损类型 识别时间/s 笔者设计方法 对比方法1 对比方法2 轨底：平底孔 3.6 7.6 12.6 轨腰：完好螺孔 3.4 7.6 12.5 轨腰：螺孔横向裂纹 3.3 7.7 12.0 轨腰：螺孔一二象限斜裂纹 3.6 7.5 12.1 轨腰：螺孔三四象限斜裂纹 3.7 7.7 12.2 轨头：3 mm半贯穿孔 3.5 7.8 12.9 轨头：踏面斜26°斜向下缺陷 3.6 7.7 12.5 轨头剥离 3.6 7.0 12.5 轨头压溃 3.3 7.2 12.8 轨距变化 3.4 7.6 12.7 从表4,5及图9中可以看出,所提方法相比其他两种方法,对主动式钢轨伤损智能识别的时间较短,能实现对伤损的快速识别,具有较好的应用价值。
3. 结语
基于超声检测技术、DBSCAN算法和AlexNet网络架构,设计了一套主动式钢轨伤损智能识别方法。首先对钢轨伤损超声回波信号进行采集,并对特征进行了匹配,按照匹配结果,根据提取的特征,使用机器学习算法或模式识别技术对超声信号进行分类,并对伤损类型进行精细地搜索与识别,通过与其他两种方法的识别结果进行对比以验证其优越性。试验结果表明,所提方法识别的时间较短,能够实现钢轨伤损快速智能识别,为主动式钢轨伤损的识别与分类提供了一些借鉴。
-
Table 1 增益控制范围
输入方式 计算式 范围/dB VOUT与反馈端FDBK短接 Gain=40VG+10 dB -10~30 VOUT与反馈端FDBK接反馈电阻 Gain=40VG+20 dB 0~40 反馈端FDBK接地 Gain=40VG+30 dB 10~50 
下载: 导出CSV
Table 2 测试环境参数
项目 参数 项目 参数 软件 TensorFlow-gup 1.5.0 语言 Python3.5 阻尼电阻 R1/Ω 100 控制脉冲/μs 40 开关元件 2GBT 限流电阻/kΩ 20
下载: 导出CSV
Table 3 不同类型钢轨伤损的试验参数
伤损类型 钢轨1测试数据 钢轨2测试数据 轨底：平底孔 6 125 1 531 轨腰：完好螺孔 2 563 641 轨腰：螺孔横向裂纹 2 365 591 轨腰：螺孔一二象限斜裂纹 2 145 536 轨腰：螺孔三四象限斜裂纹 2 586 647 轨头：3 mm半贯穿孔 2 695 674 轨头：踏面斜26°斜向下缺陷 3 562 891 轨头剥离 1 256 314 轨头压溃 2 589 647 轨距变化 3 002 751
下载: 导出CSV
Table 4 钢轨1伤损不同识别方法的智能识别时间
伤损类型 识别时间/s 笔者设计方法 对比方法1 对比方法2 轨底：平底孔 3.3 7.8 12.3 轨腰：完好螺孔 3.4 7.6 12.0 轨腰：螺孔横向裂纹 3.2 7.7 12.6 轨腰：螺孔一二象限斜裂纹 3.6 7.6 12.5 轨腰：螺孔三四象限斜裂纹 3.7 7.8 12.6 轨头：3 mm半贯穿孔 3.7 7.5 12.9 轨头：踏面斜26°斜向下缺陷 3.6 7.5 12.5 轨头剥离 3.7 7.6 12.4 轨头压溃 3.7 7.8 12.5 轨距变化 3.3 7.7 12.5
下载: 导出CSV
Table 5 钢轨2伤损不同识别方法的智能识别时间
伤损类型 识别时间/s 笔者设计方法 对比方法1 对比方法2 轨底：平底孔 3.6 7.6 12.6 轨腰：完好螺孔 3.4 7.6 12.5 轨腰：螺孔横向裂纹 3.3 7.7 12.0 轨腰：螺孔一二象限斜裂纹 3.6 7.5 12.1 轨腰：螺孔三四象限斜裂纹 3.7 7.7 12.2 轨头：3 mm半贯穿孔 3.5 7.8 12.9 轨头：踏面斜26°斜向下缺陷 3.6 7.7 12.5 轨头剥离 3.6 7.0 12.5 轨头压溃 3.3 7.2 12.8 轨距变化 3.4 7.6 12.7
下载: 导出CSV
-
[1] 何庆,陈正兴,王启航,等.基于改进YOLO V3的钢轨伤损B显图像识别研究[J].铁道学报,2022,44(12):82-88. [2] 王旭华,郑韵娴,安尚文,等.基于AlexNet神经网络的手推式双轨探伤仪超声检测系统研究[J].铁道技术监督,2022,50(4):19-24. [3] 曾楚琦,潘自立,莫宏愿,等.基于光纤光栅的高速铁路钢轨损伤识别技术[J].高速铁路技术,2021,12(5):79-83. [4] 胡文博,邱实,许馨月,等.基于深度学习的钢轨伤损超声检测与分类[J].铁道学报,2021,43(4):108-116. [5] 罗江平,喻熙倬,曹经纬,等.基于深度学习与支持向量机的钢轨伤损智能识别系统[J].机车电传动,2021(2):100-107. [6] 杨志强,王平,贾银亮,等.一种基于漏磁检测的钢轨伤损判定和计数方法[J].测控技术,2021,40(4):65-69. [7] 黄梦莹,罗江平,王文星,等.基于图像处理的钢轨伤损分类算法研究[J].机车电传动,2020(4):41-46. [8] 张事成,贾银亮,冀凯伦,等.一种钢轨顶面伤损漏磁信号缺陷识别方法[J].电子测量技术,2020,43(21):10-14. [9] 张向阳,罗江平.钢轨探伤车综合智能检测系统[J].机车电传动,2021(1):133-137. [10] 王平,何庆,杨荣山,等.高速铁路轨道结构安全服役的研究[J].中国科学基金,2021,35(1):236-242.
计量
- 文章访问数: 20
- HTML全文浏览量: 3
- PDF下载量: 23
