Page 90 - 无损检测2024年第六期

尹段泉：
基于超声检测的主动式钢轨伤损智能识别方法

开始

初始化神经元数值，并与伤损标签一一对应，输入损伤样本个数

初始化所有B扫描显示样本数据
(a) 钢轨一
利用B扫描显示数据的标签计算所有样本的一阶导数
从经过卷积神经网络提取的6层的4 096个特征

所有取值分别作为分裂的阈值进行分裂 (b) 钢轨二

递归进行树的构建，直至树的深度达到一定程度
对样本的B显数据进行预测
(c) 钢轨三
计算特征重要程度

结束
图 6 钢轨伤损智能识别算法流程图
(d) 钢轨四
f
l
式中：q为迭代速度；为权重最小参数；为权重最大
图 7 试验线人工伤损布置示意
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 图 8 某条钢轨的超声回波波形显示
中测试环境的各项参数如表2所示。
表3 不同类型钢轨伤损的试验参数 个
表2 测试环境参数
伤损类型 钢轨1 钢轨2
项目 参数 项目 参数 测试数据 测试数据
软件 TensorFlow-gup 1.5.0 语言 Python3.5 轨底：平底孔 6 125 1 531
轨腰：完好螺孔 2 563 641
阻尼电阻 R1/Ω 100 控制脉冲/μs 40
轨腰：螺孔横向裂纹 2 365 591
开关元件 2GBT 限流电阻/kΩ 20
轨腰：螺孔一二象限斜裂纹 2 145 536
按照该测试环境，对伤损进行布置，其中左右股 轨腰：螺孔三四象限斜裂纹 2 586 647
各4根伤损钢轨，均钻有标准螺孔，试验线人工伤损 轨头：3 mm半贯穿孔 2 695 674
布置如图7所示。 轨头：踏面斜26°斜向下缺陷 3 562 891
按照铁路系统钢轨探伤车年检的标定线，对超 轨头剥离 1 256 314
轨头压溃 2 589 647
声B扫描显示数据进行采集，其中某条钢轨的回波
轨距变化 3 002 751
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 每个类型伤损的文档数量为 10 个，数据量中
方法，分别对其进行识别。 80%作为训练数据，20%作为测试数据。
2.2 试验参数 2.3 试验结果与分析
按照一般情况下主动式钢轨的伤损类型，对数 使用所提方法和两种对比方法对伤损进行识
据进行分类模型训练，不同类型钢轨伤损的试验参 别。对比方法1为基于光纤光栅的主动式钢轨伤损
数如表3所示。 智能识别方法，对比方法2为基于深度学习的主动
52
2024 年 第 46 卷 第 6 期
无损检测