专利名称：高速铁路钢轨高速漏磁巡检的缺陷定量识别方法
技术领域：
本发明涉及一种基于神经网络的高速铁路钢轨高速漏磁巡检的缺陷定量识别方法，涉及电磁无损检测中的高速漏磁检测技术、人工神经网络算法和钢轨结构健康检测评估技术，属于无损检测技术领域。
背景技术：
随着我国高速铁路的大规模发展，以及铁路运营七次大提速，切实保障了经济发展对运输的需求，促进了我国经济的发展，为社会带来了巨大的经济效益。与此同时，由于列车速度和行车密度的增加以及我国超期服役的钢轨数量较大，使得钢轨损伤呈现新形式。在列车的高速运行状态下，钢轨的损伤形式主要表现为钢轨踏面接触疲劳引发的各种不规则裂纹，并向轨头内部扩展并形成大尺寸横向疲劳裂纹，最终导致钢轨发生横向折断。钢轨损伤直接威胁到列车的行车安全，轻者行车中断，扰乱社会运输秩序，重者车毁人亡， 造成重大的经济损失和社会影响。为保证钢轨的安全，积极寻求高效准确的钢轨检测方法实现对铁路钢轨进行高速巡检，及时发现和判断钢轨缺陷日益重要。传统的钢轨检测主要是人工查看或者敲打听音，这种方法不仅检测效率低，更是对检测人员的技术要求比较高，需要大量的实践经验。随着无损检测的快速发展，人们开始把多种无损检测技术应用到钢轨的检测中来，并取得了良好的效果。采用无损检测技术对钢轨进行检测不仅能及时发现列车安全运行隐患，防止安全事故的发生，更重要的是可通过已知的早期缺陷及其发展规律，在确定其位置、类型、尺寸等参数的基础上，对钢轨的结构健康和安全寿命进行预测与评估。目前常用的铁路钢轨裂纹的无损检测方法有射线式、超声式和电磁式几种。其中，射线式检测方法由于检测设备不易制备、具有放射性、操作较困难、不易实现在线检测等原因，很难用于轨道的在线检测应用；而通常的超声式检测方法由于需要耦合作用，难以实现非接触式测量，另外设备结构较复杂，存在检测盲区，使其在在线检测的高可靠性要求下难以胜任。与超声探伤检测技术和其他检测技术不同，漏磁检测技术(Magnetic Fluxleakage Testing,即MFL)是利用铁磁性材料的电磁特性来判断被测材料的性能。漏磁检测技术具有探头结构简单、无污染、检测灵敏度高，可实现非接触测量，有利于实现高速铁路钢轨缺陷的高速巡检；而且根据缺陷三维漏磁信号的具体特征与钢轨缺陷特征参数之间的映射关系，可以通过一定的手段实现对铁路钢轨缺陷的某些特征参数的定量识别，有利于高效准确地发现铁路钢轨的早期缺陷及其发展规律和钢轨缺陷的位置、类型、尺寸等特征参数，进一步可实现对铁路钢轨结构健康和安全寿命的预测和评估。缺陷的定性检测技术已经比较成熟，但是对缺陷的检测不仅仅只是需要确定缺陷的有无，还要确定缺陷的尺寸、性质等，使对缺陷的检测实现从定性检测走向定量检测，也就是要解决电磁求逆反演的问题，而这一问题一直是电磁无损检测研究的难点和热点。人为因素会对检测结果造成一定的影响，而借助智能化的处理方法可以有效消除这一影响，所以许多人工智能方法如专家系统、事例推理、模式识别等都为缺陷的定量分析技术研究开辟了有效的途径，但是在诸多的智能方法中，人工神经网络技术以其具有高度非线性映射、快速并行处理和自适应学习等功能的优势，可以有效提高有限元模型的计算速度，在漏磁场与缺陷几何参数间建立起相对稳定的映射关系。人工神经网络是有许多个基本神经单元构造的一种计算模型，它模拟生物的神经系统，按照生物系统的方式来处理现实生活中的客观事物。目前，人工神经网络已经繁衍出许多种网络结构，在电磁定量无损检测技术研究方面取得了较好的应用效果，其中最典型的神经网络是基于输入层、隐含层和输出层的三层神经网络模型结构，各层之间通过权重链接在一起，每一层都包含各自的神经单元，如说明书附图I所示。
发明内容
本发明为实现对铁路钢轨结构健康和安全寿命的预测和评估，提出了一种基于神经网络的高速铁路钢轨高速漏磁巡检的缺陷定量识别方法。本发明为实现上述发明目的具体采用如下技术方案
一种高速铁路钢轨高速漏磁巡检的缺陷定量识别方法，其特征在于分析提取不同巡检 速度下的缺陷漏磁场信号特征值，针对钢轨缺陷不同的特征参数各自构建神经网络建立缺陷定量识别模型，实现钢轨缺陷的识别和定量分析预测，具体包括如下步骤
(1)获取钢轨缺陷三维漏磁场信号和巡检速度，通过对三维漏磁场信号的数据处理提取能够反映钢轨缺陷特征参数的相应缺陷漏磁场信号特征值；
(2)针对钢轨缺陷不同的特征参数分别建立各自的神经网络，并选取不同的缺陷漏磁场信号特征值和巡检速度作为神经网络的输入特征值，把缺陷漏磁场信号特征值对应的已知钢轨缺陷不同的特征参数作为神经网络的输出目标值，确定适当的神经网络及网络参数、传递函数和训练函数，来建立并训练和验证各神经网络；
(3)根据步骤(2)中各神经网络的训练结果及验证结果，分别调整各神经网络的参数、传递函数和训练函数，调整训练样本数据的均衡性，来反复训练和验证各神经网络的适应性、准确度和可靠性，直至达到允许的识别误差范围内或更高识别精度，建立高速铁路钢轨高速漏磁巡检的缺陷定量识别模型；
(4)利用步骤(3)建立的缺陷定量识别模型对未知钢轨缺陷特征参数进行识别和定量分析预测，通过分析缺陷定量识别结果，得出缺陷的类型和分布规律实现对铁路钢轨结构健康和安全寿命的预测和评估。本发明的有益效果在于I、本发明分析提取了高速铁路钢轨高速漏磁巡检下三维缺陷漏磁场信号的特征值，针对
钢轨缺陷不同的特征参数选取不同的缺陷漏磁场信号特征值和巡检速度作为神经网络的输入建立各自相应的缺陷参数定量识别神经网络共同构成钢轨缺陷定量识别模型以对未知钢轨缺陷进行识别和定量分析预测，能比较准确和可靠地定量识别钢轨缺陷的特征参数。2、本发明把巡检速度作为钢轨缺陷识别和定量分析预测的神经网络模型输入特征值，避免了采用速度补偿方法进行缺陷定量所引入的误差，能更好的实现铁路钢轨高速漏磁巡检下的缺陷识别和定量分析预测。3、本发明在建立神经网络的过程中，依据输入特征值对缺陷特征参数的灵敏度大小进行排序，尽量保证输入样本特征值数据的容量充足和比重均衡；针对不同的缺陷特征参数以及输入特征值的数据容量大小选取不同的神经网络层数、每层的神经元数目和传递函数、训练函数来进行多次训练和验证，以达到缺陷识别和定量分析预测的高准确度、高可靠性和较好的适应性。
图I是典型的神经网络模型结构 图2是本发明方法流程图；
图3是高速漏磁检测装置结构图。
具体实施例方式一种基于神经网络的高速铁路钢轨高速漏磁巡检的缺陷定量识别方法包括如下步骤
I、首先通过高速漏磁检测装置对铁路钢轨进行高速漏磁巡检来获取钢轨缺陷三维漏磁场信号及巡检速度和缺陷位置等信息，根据钢轨缺陷特征参数和对应的缺陷漏磁场信号之间的映射关系，可以对缺陷漏磁场信号进行数据处理得出能够反映钢轨缺陷特征参数的缺陷漏磁场信号特征值并可以分析得出每个特征值对应某一缺陷特征参数的灵敏度大小，用于构建缺陷定量识别模型的输入特征值。本发明主要提取了以下几个缺陷漏磁场信号特征值X信号分量一次微分平滑后的峰峰值和峰间距、Y信号分量一次微分平滑后的峰峰值和峰间距、Z信号分量的峰峰值和峰间距。如说明书附图3所示高速漏磁检测装置结构图，包括磁化部分(由磁轭、励磁线圈、直流激励组成)、霍尔传感器部分、码盘位移传感器部分、信号调理电路、数据采集部分和计算机处理部分组成。2、然后针对已知钢轨缺陷不同的特征参数(如缺陷的深度、宽度、缺陷与水平轨面的角度、缺陷与行车方向的角度等)选取不同的样本数据分别构建各自相应的缺陷参数定量识别神经网络共同构成钢轨缺陷定量识别模型。(I)其中样本数据包括模型输入特征值和模型输出目标值，将步骤I中获得的缺陷漏磁场信号特征值和巡检速度作为输入特征值，把输入特征值对应的缺陷特征参数作为输出目标值，然后将样本数据按一定类型和比例分组，其中大部分的样本数据作为模型的训练样本，剩下的少量样本数据作为模型的验证样本。如说明书附图2 (a)中所示获取检测数据构建模型样本。对应于不同的模型输出目标值所选取的模型输入特征值不同样本I选取Z信号分量的峰间距、X信号分量和Y信号分量一次微分平滑之后的峰间距以及巡检速度这四个参量为模型的输入特征值对缺陷的宽度进行定量识别；样本2选取Z信号分量的峰峰值、X信号分量和Y信号分量一次微分平滑之后的峰峰值以及巡检速度这四个参量为模型的输入特征值对缺陷的深度进行定量识别；样本3和样本4选取Z信号分量的峰峰值、X信号分量和Y信号分量一次微分平滑之后的峰峰值、Z分量的峰间距、X信号分量和Y信号分量一次微分平滑之后的峰间距以及巡检速度七个特征值对缺陷的与水平面角度和与钢轨走向角度进行定量识别。(2)根据以上步骤(I)中针对定量识别缺陷某一特征参数的各个样本，确定适当的神经网络及网络参数、传递函数和训练函数，初步构建各自相应的缺陷参数定量识别神经网络，通过训练样本作为模型的输入对网络模型进行训练误差分析，再通过验证样本作为模型的输入对已训练过的网络模型进行验证和误差分析。例如为定量识别钢轨缺陷的深度参数，建立一个两层的BP神经网络，第一层神经元数目为20,传递函数为tansig ;第二层神经元数目为1，传递函数为purelin ;神经网络的训练函数为trainbr。选取已知钢轨缺陷深度参数的高速巡检漏磁信号，X信号分量微分后的峰峰值、Y信号分量微分后的峰峰值、Z信号分量的峰峰值和巡检速度作为该神经网络的输入，并按照输入特征值对缺陷深度参数的灵敏度进行排序，选取所有数据量的其中四分之三作为输入样本用于训练网络，选取剩下的四分之一数据量作为验证样本用于验证该神经网络的准确性和可靠性。钢轨缺陷漏磁场为三维空间场量，在不同巡检速度下通过霍尔传感器对其进行时空域信号采集得到的缺陷漏磁场信号受涡流、检测设备振动等因素影响而有所不同，因此把巡检速度作为钢轨缺陷识别和定量分析的神经网络模型输入特征值，可以避免采用速度补偿方法进行缺陷定量所引入的误差。(3)根据以上针对缺陷各个特征参数建立神经网络的训练验证结果，分别调整各自的神经网络层数、各层神经元数目和传递函数、训练函数，以及样本的均衡性和数据容量大小，来反复训练和验证神经网络的准确度和可靠性，直至达到允许的识别误差范围内或更高识别精度，以获得可以定量识别缺陷各个特征参数的神经网络模型。步骤(2)和步骤
(3)如说明书附图2 (b)中所示构建缺陷特征参数定量识别模型。图2 (b)中，训练样本n和验证样本n为构建某一缺陷特征参数识别模型net-n的样本，且训练样本n和验证样本n包括的模型输入特征值和输出目标值不同。3、对未知铁路钢轨缺陷进行高速漏磁巡检，提取相应的缺陷漏磁场信号特征值和巡检速度并根据定量识别某一参数进行分组作为钢轨缺陷特征参数定量识别模型的输入，即可以对钢轨缺陷的多个特征参数进行识别和定量分析预测，通过对缺陷定量识别结果的分析得出钢轨缺陷的类型及分布规律就可以实现高速铁路钢轨结构健康和安全寿命的评估，如说明书附图2 (c)中所示对未知钢轨缺陷检测进行定量识别的应用。图2 (c)中钢轨缺陷定量识别模型由缺陷多个特征参数的识别模型神经网络共同组成，比如net-1用于缺陷深度的定量识别，net-2用于缺陷宽度的定量识别，net-3用于缺陷与轨面水平角度的定量识别，net-4用于缺陷与行车方向角度的定量识别等。依据已有的铁路钢轨缺陷检测结果，及时扩充缺陷定量识别模型的训练样本，调整各自的神经网络层数、各层神经元数目和传递函数、训练函数，以及样本的均衡性和数据容量大小，以对缺陷定量识别模型进行优化，使其具有更好的检测适应性、准确度和可靠性。权利要求
1.ー种高速鉄路钢轨高速漏磁巡检的缺陷定量识别方法，其特征在于分析提取不同巡检速度下的缺陷漏磁场信号特征值，针对钢轨缺陷不同的特征參数各自构建神经网络建立缺陷定量识别模型，实现钢轨缺陷的识别和定量分析预测，具体包括如下步骤 (1)获取钢轨缺陷三维漏磁场信号和巡检速度，通过对三维漏磁场信号的数据处理提取能够反映钢轨缺陷特征參数的相应缺陷漏磁场信号特征值； (2)针对钢轨缺陷不同的特征參数分别建立各自的神经网络，并选取不同的缺陷漏磁场信号特征值和巡检速度作为神经网络的输入特征值，把缺陷漏磁场信号特征值对应的已知钢轨缺陷不同的特征參数作为神经网络的输出目标值，确定适当的神经网络及网络參数、传递函数和训练函数，来建立并训练和验证各神经网络模型； (3)根据步骤(2)中各神经网络的训练结果及验证结果，分别调整各神经网络的參数、传递函数和训练函数，调整训练样本数据的均衡性，来反复训练和验证各神经网络的适应 性、准确度和可靠性，直至达到允许的识别误差范围内或更高识别精度，建立高速鉄路钢轨高速漏磁巡检的缺陷定量识别模型； (4)利用步骤(3)建立的缺陷定量识别模型对未知钢轨缺陷特征參数进行识别和定量分析预测，通过分析缺陷定量识别结果，得出缺陷的类型和分布规律实现对铁路钢轨结构健康和安全寿命的预测和评估。
2.如权利要求I所述的高速鉄路钢轨高速漏磁巡检的缺陷定量识别方法，其特征在于提取Z信号分量的峰峰值、X信号分量和Y信号分量一次微分平滑之后的峰峰值、Z分量的峰间距、X信号分量和Y信号分量一次微分平滑之后的峰间距六个參数作为缺陷漏磁场信号的特征值。
3.如权利要求I所述的高速鉄路钢轨高速漏磁巡检的缺陷定量识别方法，其特征在于针对钢轨缺陷不同的特征參数选取对其灵敏度较强的缺陷漏磁场信号特征值以及巡检速度作为输入特征值，依据输入特征值对缺陷特征參数的灵敏度大小进行排序，把缺陷特征參数作为神经网络的输出目标值，针对不同的缺陷特征參数分别建立并训练和验证各神经网络模型。
全文摘要
本发明公开了一种高速铁路钢轨高速漏磁巡检的缺陷定量识别方法，分析提取了不同漏磁巡检速度下缺陷的三维漏磁场信号特征值，针对钢轨缺陷不同的特征参数选取能反映该特征参数的相应缺陷漏磁场信号特征值和巡检速度作为输入特征值，来各自构建神经网络建立缺陷定量识别模型并进行训练验证和优化，以对未知钢轨缺陷进行识别和定量分析预测，结果表明此方法能比较准确和可靠地定量识别钢轨缺陷的特征参数。
文档编号G06N3/02GK102735747SQ20121010275
公开日2012年10月17日 申请日期2012年4月10日 优先权日2012年4月10日
发明者丁松, 王平, 王海涛, 田贵云, 高运来 申请人:南京航空航天大学