本发明涉及钢轨探伤检测领域，尤其涉及一种铁路钢轨伤损检测方法及装置。
背景技术：
在我国的钢轨探伤检测体系中，有钢轨探伤车检测和钢轨探伤仪检测两种形式。钢轨探伤车探伤速度快、适应性强，但是，探伤作业结果需要人工现场复查以确定伤损的存在和尺寸。钢轨探伤仪探伤灵敏度高，但速度低、效率差。随着铁路运输高速发展，钢轨探伤车承担起了越来越多的探伤检测任务，尤其在高铁线路、高原线路上，由于区间里程长、环境恶劣等原因造成人工探伤作业困难，主要采用探伤车进行钢轨探伤。
根据钢轨探伤车运用管理办法的规定，钢轨探伤车主要利用b型图判别伤损，探伤车超声检测可疑伤损报警分为三级：一级报警，即b型图未形成明显的伤损形态走势；二级报警，即b型图形成较为明显的伤损走势；三级报警，即b型图显示为严重伤损。
目前无法定量分析探伤车的钢轨伤损检出能力与检测速度、伤损尺寸、伤损角度等指标间的关系。这给钢轨探伤工作的计划、实施与监督控制带来了问题与挑战。
技术实现要素：
为了解决上述的现有技术无法定量分析探伤车的钢轨伤损检出能力与检测速度、伤损尺寸、伤损角度等指标间的关系的技术问题，本发明提出了一种铁路钢轨伤损检测方法及装置。
本发明提出了一种铁路钢轨伤损检测方法，用于计算钢轨探伤车对各种伤损的检出能力，包括：获取铁路钢轨伤损的原始数据；根据逻辑回归方法与机器学习方法，建立不同伤损类型的检测概率模型；根据所述铁路钢轨伤损的原始数据，利用mle最大概率估计方法拟合确定所述不同伤损类型的检测概率模型的模型系数；根据确定后的不同伤损类型的检测概率模型以及当前钢轨探伤车的车速/设定的伤损类型的检出概率，确定不同伤损类型的检出概率/钢轨探伤车的车速范围。
进一步的，螺孔裂纹的检测概率模型为：
其中，q为螺孔裂纹的检出概率；v为当前钢轨探伤车的车速；a为检测角度；b为螺孔裂纹长度。
进一步的，轨面平底孔的检测概率模型为：
其中，q为轨面平底孔的检出概率；v为当前钢轨探伤车的车速；b为轨面平底孔的孔径。
进一步的，轨头横孔的检测概率模型为：
其中，q为轨头横孔的检出概率；v为当前钢轨探伤车的车速；a为轨头横孔的孔径；b为轨头横孔的长度。
进一步的，轨腰通孔的检测概率模型为：
其中，q为轨腰通孔的检出概率；v为当前钢轨探伤车的车速；b为轨腰通孔的孔径。
为了达到上述目的，本发明相应的提出了一种铁路钢轨伤损检测装置，用于计算钢轨探伤车对各种伤损的检出能力，包括：数据获取模块，用于获取铁路钢轨伤损的原始数据；模型建立模块，用于根据逻辑回归方法与机器学习方法，建立不同伤损类型的检测概率模型；模型确定模块，用于根据铁路钢轨伤损的原始数据，利用mle最大概率估计方法拟合确定不同伤损类型的检测概率模型的模型系数；检出概率/检测车速确定模块，用于根据确定后的不同伤损类型的检测概率模型以及当前钢轨探伤车的车速/设定的伤损类型的检出概率，确定不同伤损类型的检出概率/钢轨探伤车的车速范围。
本发明的有益效果在于，本发明的铁路钢轨伤损检测方法及装置，能够定量确定钢轨伤损的检出能力与检测速度、伤损尺寸、伤损角度等指标间的关系，在给定检测速度下，结合检测概率模型计算探伤车对各种伤损的检出能力，进而在给定检出概率要求的情况下(如不低于80％)，计算探伤车检测各种伤损时需要设置的检测速度。也可以根据预计出现的伤损情况，设置检出概率与探伤车检测速度的合适组合。还可以根据建立检测概率模型得到有关变量间关系的直观展示，以促进伤损检测业务的决策，给钢轨探伤工作的计划、实施与监督控制提供支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的铁路钢轨伤损检测方法的步骤流程图。
图2为本发明实施例的螺孔裂纹的速度-检出概率关系图(检测角度为15°)。
图3为本发明实施例的螺孔裂纹的速度-检出概率关系图(检测角度为25°)。
图4为本发明实施例的螺孔裂纹的速度-检出概率关系图(检测角度为37°)。
图5为本发明实施例的螺孔裂纹的速度-检出概率关系图(检测角度为45°)。
图6为本发明实施例的轨面平底孔的速度-检出概率关系图。
图7为本发明实施例的轨头横孔的速度-检出概率关系图(轨头横孔的长度为35)。
图8为本发明实施例的轨头横孔的速度-检出概率关系图(轨头横孔的长度为25)。
图9为本发明实施例的轨腰通孔的速度-检出概率关系图。
图10为本发明实施例的查看某一伤损的伤损检出率的示意图
图11为本发明实施例的铁路钢轨伤损检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域相关技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护的范围。
本发明的铁路钢轨伤损检测方法及装置的目的在于，利用数据挖掘、机器学习领域中的方法，高效、准确地定量分析探伤车的钢轨伤损检出能力与检测速度、伤损尺寸、伤损角度等指标间的关系，给钢轨探伤工作的计划、实施与监督控制提供支持。
图1为本发明实施例的铁路钢轨伤损检测方法的步骤流程图，如图1所示，本发明实施例的铁路钢轨伤损检测方法包括：s100，获取铁路钢轨伤损的原始数据；s200，根据逻辑回归方法与机器学习方法，建立不同伤损类型的检测概率模型；s300，根据所述铁路钢轨伤损的原始数据，利用mle最大概率估计方法拟合确定所述不同伤损类型的检测概率模型的模型系数；s400，根据确定后的不同伤损类型的检测概率模型以及当前钢轨探伤车的车速/设定的伤损类型的检出概率，确定不同伤损类型的检出概率/钢轨探伤车的车速范围。
步骤s100中，获取铁路钢轨伤损的原始数据。在具体实施过程中，该铁路钢轨伤损的原始数据包括：钢轨伤损的特征参数、检测车的车速信息，其中钢轨伤损的特征参数包括：螺孔裂纹长度、检测角度、轨腰通孔的孔径、轨头横孔的长度、轨头横孔的孔径。该铁路钢轨伤损的原始数据的可以通过已统计的历史检测数据获取，也可以通过设立若干段试验轨道(该试验轨道上设定有多处不同种类的钢轨伤损)，并使用检测车采集该若干段试验轨道的伤损信息，以获取该铁路钢轨伤损的原始数据。
获取铁路钢轨伤损的原始数据后，步骤s200中，根据逻辑回归方法与机器学习方法，建立不同伤损类型的检测概率模型。在具体实施过程中，技术人员可以根据所述铁路钢轨伤损的原始数据构建多个逻辑回归模型作为不同伤损类型的检测概率模型，所述逻辑回归模型使用sigmoid函数，sigmoid函数为p(y＝1|x；θ)＝exp(θtx)/(1+exp(θtx))，其中θtx为模型参数。对各种不同伤损的数据，可以利用r语言或java编程实现。然后，根据探伤车的速度与钢轨伤损的特征参数，建立所述逻辑回归模型中的模型参数，其中所述模型参数为所述探伤车的速度、多个钢轨伤损的特征参数与对应的回归系数之积的和，其中所述钢轨伤损的特征参数包括：螺孔裂纹长度、检测角度、轨腰通孔的孔径、轨头横孔的长度、轨头横孔的孔径。即θtx＝w0+w1v+w2a+w3b+…，其中，v、a、b…为钢轨伤损的特征参数，w0、w1、w2…为对应的回归系数。
步骤s300中s300，根据所述铁路钢轨伤损的原始数据，利用mle最大概率估计方法拟合确定所述不同伤损类型的检测概率模型的模型系数。在具体实施过程中，技术人员可以根据所述铁路钢轨伤损的原始数据中不同伤损类型的检出结果，建立所述逻辑回归模型的目标变量，目标变量为检出概率，其中“未检出”标记为0，“检出”标记为1；根据所述铁路钢轨伤损的原始数据，利用mle最大概率估计方法拟合确定所述多个逻辑回归模型的回归系数，即确定所述不同伤损类型的检测概率模型；在预测变量与目标变量之间，根据逻辑回归(logisticregression)方法构建数学关系，经过机器学习，建立不同伤损类型的检测概率模型，然后利用mle最大概率估计方法确定模型中的参数，确定不同伤损类型的检测概率模型的数学关系表达式，即确定所述不同伤损类型的检测概率模型。
在具体实施过程中，由于不同的线路或里程区段存在外在环境不一致的情况，因而训练数据时可以根据伤损类型、线路、行别、里程区段、时间区间为限定条件，进行模型训练，完成后以限定条件及计算时间为索引，保存不同条件下的模型。基于中国铁路总公司试验线路的伤损数据，对于以下四种比较常见的伤损的检测，所确定的检测概率模型具体如下：
当伤损类型为螺孔裂纹时，螺孔裂纹的检测概率模型为：
其中，q为螺孔裂纹的检出概率；v为当前钢轨探伤车的车速；a为检测角度；b为螺孔裂纹长度。根据螺孔裂纹的检测概率模型可以得出有关变量间的关系，图2至图5为本发明实施例的螺孔裂纹的速度-检出概率关系图，其为检测角度分别为15°、25°、37°及45°时，螺孔裂纹长度为3mm、5mm、8mm的检出概率与车速的关系图。本领域技术人员可以根据图2至图5辅助检测工作。具体实施过程中，一种情况为，根据确定后的不同伤损类型的检测概率模型、当前钢轨探伤车的车速，确定不同伤损类型的检出概率，检测人员可以以当前钢轨探伤车的车速作为自变量，将其带入至螺孔裂纹的检测概率模型中，计算不同长度螺孔裂纹的检出概率，编制测量报告；另一种情况为，根据确定后的不同伤损类型的检测概率模型、设定的伤损类型的检出概率，确定钢轨探伤车的车速范围，检测人员可以针对当前段的检出概率需求，以某一种螺孔裂纹的设定检出概率作为自变量，将其带入至螺孔裂纹的检测概率模型中，计算钢轨探伤车车速的允许范围，方便在允许的概率范围内以合适速度对钢轨进行检测。
当伤损类型为轨面平底孔时，轨面平底孔的检测概率模型为：
其中，q为轨面平底孔的检出概率；v为当前钢轨探伤车的车速；b为轨面平底孔的孔径。根据轨面平底孔的检测概率模型可以得出有关变量间的关系，图6为本发明实施例的轨面平底孔的速度-检出概率关系图，其为轨面平底孔的孔径分别为
当伤损类型为轨头横孔时，轨头横孔的检测概率模型为：
其中，q为轨头横孔的检出概率；v为当前钢轨探伤车的车速；a为轨头横孔的孔径；b为轨头横孔的长度。根据轨头横孔的检测概率模型可以得出有关变量间的关系，图7、图8为本发明实施例的轨头横孔的速度-检出概率关系图，轨头横孔的长度分别为35、25时，轨头横孔的孔径为
当伤损类型为轨腰通孔时，轨腰通孔的检测概率模型为：
其中，q为轨腰通孔的检出概率；v为当前钢轨探伤车的车速；b为轨腰通孔的孔径。图9为本发明实施例的轨腰通孔的速度-检出概率关系图，其为轨腰通孔的孔径分别为
图10为本发明实施例的查看某一伤损的伤损检出率的示意图。如图10所示，本领域技术人员根据需求，查看某一伤损时，输入特定的特征并选定模型后，系统枚举尽可能多的情况同时展示；用户在某一项(如角度)中输入多个值，将枚举不同条件(如角度为30、45、60)下所对应的伤损检出率。该实施方案有助于用户同时把握多种情况，分析对比不同条件对检出率的影响。
在介绍了本发明实施例的铁路钢轨伤损检测方法之后，接下来，对本发明实施例的铁路钢轨伤损检测装置进行介绍。该装置的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”、“单元”，可以是实现预定功能的软件和/或硬件。
图11为本发明实施例的铁路钢轨伤损检测装置的结构示意图。图11所示，本发明实施例的铁路钢轨伤损检测装置，用于计算探伤车对各种伤损的检出能力，包括：数据获取模块100，用于获取铁路钢轨伤损的原始数据；模型建立模块200，用于根据逻辑回归方法与机器学习方法，建立不同伤损类型的检测概率模型；模型确定模块300，用于根据铁路钢轨伤损的原始数据，利用mle最大概率估计方法拟合确定不同伤损类型的检测概率模型的模型系数；检出概率/检测车速确定模块400，用于根据确定后的不同伤损类型的检测概率模型以及当前钢轨探伤车的车速/设定的伤损类型的检出概率，确定不同伤损类型的检出概率/钢轨探伤车的车速范围。
检出概率/检测车速确定模块400中，当伤损类型为螺孔裂纹时，螺孔裂纹的检测概率模型为：
其中，q为螺孔裂纹的检出概率；v为当前钢轨探伤车的车速；a为检测角度；b为螺孔裂纹长度。
检出概率/检测车速确定模块400中，当伤损类型为轨面平底孔时，轨面平底孔的检测概率模型为：
其中，q为轨面平底孔的检出概率；v为当前钢轨探伤车的车速；b为轨面平底孔的孔径。
检出概率/检测车速确定模块400中，当伤损类型为轨头横孔时，轨头横孔的检测概率模型为：
其中，q为轨头横孔的检出概率；v为当前钢轨探伤车的车速；a为轨头横孔的孔径；b为轨头横孔的长度。
检出概率/检测车速确定模块400中，当伤损类型为轨腰通孔时，轨腰通孔的检测概率模型为：
其中，q为轨腰通孔的检出概率；v为当前钢轨探伤车的车速；b为轨腰通孔的孔径。
本发明的有益效果在于，本发明的铁路钢轨伤损检测方法及装置，能够定量确定钢轨伤损的检出能力与检测速度、伤损尺寸、伤损角度等指标间的关系，在给定检测速度下，结合检测概率模型计算探伤车对各种伤损的检出能力，进而在给定检出概率要求的情况下(如不低于80％)，计算探伤车检测各种伤损时需要设置的检测速度。也可以根据预计出现的伤损情况，设置检出概率与探伤车检测速度的合适组合。还可以根据建立检测概率模型得到有关变量间关系的直观展示，以促进伤损检测业务的决策，给钢轨探伤工作的计划、实施与监督控制提供支持。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。