Page 89 - 无损检测2024年第六期
P. 89
尹段泉：
基于超声检测的主动式钢轨伤损智能识别方法
用差分输入方式，对输入信号的动态范围进行确定， 通过分布距离，对伤损类型的回波能量S进行
之后自动得到两差模信号的差值，该差值即为采集 计算，即
的钢轨伤损数据。
（5）
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 式中：D为超声回波信号；F为协方差矩阵；G为特
据数据对钢轨伤损特征进行匹配 [10] ，匹配主要流程 征值；ℓ为主成分向量。
如图3所示。 按照回波能量，对特征信息进行计算，可以得到
（6）
开始
式中：I为矩阵特征值；P为特征向量；z为主成分载
输入采集的钢轨伤损超声波参数
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
超声波波形分类
转换，其映射转换过程如图5所示。
各类型伤损的特征提取 原始数据空间 高维数据空间
x x
x W(x)
计算各类型伤损超声回波信号与坐标轴围成的面积
o o o 核函数 W(x) W(x)
o o W(x) W(x)
W(x) W(x) W(x) W(x)
计算超声回波的最大幅值及其位置 x x W(x) W(x) W(x)
o x o W(x)
特征匹配
图 5 核函数的映射转换过程示意
图 3 钢轨伤损特征匹配主要流程 将特征进行映射后，按照目标特征参数进行判
在此基础上，根据DBSCAN算法，对钢轨伤损 断，其中判断函数∂可表示为
超声检测数据进行超声信息群的划分，以伤损识别
（7）
的最小单元为一个单元，将超声信息进行组合，构成
式中：e为特定频率有效信息；v为投影算子；b为标
超声信息群。同时，使用不同颜色代表不同超声回
椎正交参数；x为信号的离散细节。
波点，得到的组合B扫描显示图像如图4所示。
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
(a) B 显图像 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。
(b) 超声信息组合
在此基础上，对参数进行优化，优化后的参数h
图 4 钢轨伤损组合 B 扫描显示图像
表示为
根据B扫描图像的划分，基于数据集距离分布
（8）
特性，生成钢轨伤损的Minpts参数，将数据集分布
式中：ω为粒子位置参数；y为速度更新公式； ω 为全
距离 B 定义为
C +V 局极值参数；X为个体极值参数。
B = N × O （4） 根据优化参数对测试的数据权重系数r进行计
Z
式中：C为元素点个数；V为欧式距离参数；Z为距 算，即
离矩阵；N为最近邻距离矩阵；O为中位最近邻集合。 （9）
51
2024 年 第 46 卷 第 6 期
无损检测
