一种基于时频空函数的钢轨超声探伤智能检测方法与流程

本发明涉及钢轨探伤智能检测方法，具体涉及采用超声波对钢轨内部缺陷进行探测并进行智能检测的方法。

背景技术：

铁路在现代运输中发挥着重要的作用。铁路运输具备运输量大、能量消耗低、安全可靠等优点，在我国的运输体系中起着非常重要的一环。近年来，我国建设了大量的高铁，为了保证高铁的运营安全，铁路部门对铁路钢轨的质量和安全性也提出了更严格的要求。繁忙的通车运行会使得钢轨不断的受到碾压和摩擦，同时自然环境的变化以及自然灾害的发生都使钢轨的安全性越来越差。钢轨长时间在来自火车载荷、天气变化以及自然地貌变迁等等一系列的元素造成的不平衡力的作用下，容易产生裂痕或者形变，甚至发生断裂。钢轨检测是铁路运行安全的重要一环，目前国内外对钢轨进行探伤采用的大多数为电磁感应和超声波技术。超声波是频率高于20KHz的机械波。超声检测中常用的频率为0.5到25MHz。超声波在介质中传播会发生衰减，遇到介质交接面产生反射、透射等等。通过超声波在钢轨中的传播速度以及传播时间、回波的能量，可以分析出钢轨内部存在的缺陷位置和大小。

目前钢轨的检测主要依靠有经验的铁路养护工对超声探伤仪器反馈的信息进行人工检测。随着中国铁路的不断建设，尤其和对钢轨要求高的高铁线路的铺设，人工检测远远不能满足钢轨检测的工作需要，而且人工检测存在着一些弊端，首先，人工检测需要非常有经验的钢轨养护工来保证对钢轨裂纹的准确检测，培养一个有经验的养护工需要大量的时间以及金钱成本。第二，人工检测效率低下，人进行长时间的检测工作容易劳累导致漏检。目前对钢轨的探测采用的是人工推着探伤仪行驶在钢轨上，完全靠人工行走，检测效率低下且在如今繁忙的铁路线上进行人工检测的窗口期少，特别需要在晚上铁路稍微空闲的时候进行人工检测。这种检测方法已经无法满足我国高速发展的铁路运输需求，并且人工检测对钢轨检测人员的人身安全也造成重大的威胁。

目前国内外在超声波探伤智能检测上的研究主要是利用信号处理的方法提取出探伤波形回波的信号特征作为机器学习算法的输入来训练一个机器学习的算法对探伤波形进行智能检测。信号特征的提取一般是提取信号的能量作为代表探伤波形中钢轨缺陷的特征量。这种方法需要采用信号处理的算法对波形进行频率上的分离，然后以每段能量的不同作为表征钢轨特征。与一般的钢轨探伤不同，高速下的钢轨探伤存在以下几个难题：

(1)高速运行下，探头容易产生移动，使得探头无法接收到有效的回波。钢轨探测时，信号从钢轨轨头进入轨腰，当探伤仪在钢轨上高速移动的时候，探伤仪容易因为钢轨不平、自然环境等等干扰产生左右摆动而无法到达轨腰，从而无法有效地对钢轨轨腰处缺陷进行探测。

(2)高速下波形受到的干扰多，对波形的能量影响大。

技术实现要素：

针对于现有的钢轨探测智能检测存在的问题，本发明提供一种防抖性能好，自动化程度高、识别率高的基于时频空函数的钢轨超声探伤智能检测方法。

本发明采用以下技术方案实现。

一种基于时频空函数的钢轨超声探伤智能检测方法，其采用阵列探头的发射探头发射宽频超声，宽频超声经过钢轨反射被阵列探头的接收探头接收。通过发射波和反射波获取传输系统的时频空函数并将其作为钢轨特征输入支持向量机中进行特征智能检测。

进一步优化地，所述的时频空函数，是指根据发射探头发射的信号与接收探头阵列接收到的反射回波信号求得的描述钢轨的时域、频域、空域联合函数。发射探头发射的信号x(t)经过钢轨轨头轨腰，钢轨会对到达的超声波进行反射，反射回波返回到探伤仪的接收探头，探伤仪接收探头有多个接收点，可以接收多个沿着不同信道反射回来的回波超声信号y(t)。对反射的回波进行去噪处理，除去回波在信道传输的过程中受到的噪声干扰。根据信号系统的原理：y(t)＝x(t)*h(t)，可以获取到回波的时域函数h(t)。根据x(t)和y(t)还可以获得频域函数H(w)。阵列探头有多个接收探头，可以接收多个从钢轨不同传输信道反射回来的回波。对每个回波求得其时域函数和频域函数。对于每一个回波的时域和频域函数进行归一化处理并通过矩阵加权的形式形成表征钢轨特征的时频空函数。时频空函数可以表征钢轨的特征，从而反应出钢轨中缺陷的有无，对钢轨进行探伤检测。

进一步优化地，所述的支持向量机进行特征智能检测的方法是，将获取到的时频空函数作为表征钢轨特征的特征向量值，并将其作为支持向量机的输入数据对支持向量机进行训练和数据预测。采用表征钢轨特征的特征向量时频空函数对支持向量机进行训练得到支持向量机的数据模式。钢轨中有无缺陷会导致返回的回波波形不同，从而导致时频空函数具有不同的特征，所以可以将时频空函数来表征钢轨中缺陷有无的信息。将时频空函数对支持向量机进行训练，得到支持向量机关于钢轨缺陷有无的数学模型。在对钢轨中探伤智能检测的时候利用训练好的支持向量机对表征钢轨特征的时频空函数进行预测，判别缺陷的存在与否。

进一步优化地，上述基于时频空函数的钢轨超声探伤智能检测方法，具体包含以下步骤：

(1)阵列探头发射和接收宽频超声波。阵列探头的发射探头向钢轨发射超

声波信号，钢轨对超声波进行反射，接收探头接收反射回波。

(2)对接收的回波进行去噪。采用信号处理的方法对回波信号进行去噪处理。

(3)计算每个接收探头接收到的回波的时域函数和频域函数。

(4)将回波的时域函数和频域函数分别进行矩阵加权得到表征钢轨特征的时频空函数。

(5)训练数据中，将表征钢轨特征的时频空函数以及钢轨缺陷的有无输入支持向量机中，对支持向量机进行训练，得到支持向量机的参数。

(6)通过步骤(5)得到的支持向量机参数构建支持向量机。

(7)钢轨探伤时重复步骤1到4，将获取到的钢轨时频空函数数据输入步骤(6)中构建好的支持向量机进行缺陷的智能检测。

与现有技术相比，本发明的优点是：

(1)单探头在高速运行时可能会因为抖动的原因导致回波接收不可靠的问题，本发明采用阵列探头对探测的钢轨发射连续的宽频超声波。阵列探头可以有效地保证从不同角度反射的超声波回波被探伤仪的接收端接收，同时多个回波可以更准确的表征钢轨的特征。

(2)本发明采用时频空函数作为表征钢轨特征的特征向量。钢轨特征的时频空函数是由连续的宽频发射波经过钢轨反射后，通过不同的路径到达阵列探头的接收探头处。多个回波的时频函数组成表征钢轨特征的时频空函数，可以更加有效的防止噪声的干扰，提高对缺陷的识别率。

附图说明

图1是本发明的阵列探头示意图。

图2是阵列探头与钢轨的示意图。

图3是支持向量机输入输出示意图。

具体实施方式

本实施例结合附图对本发明的具体实施方式作进一步说明，但本发明的实施不限于此。

本实例的一种基于时频空函数的钢轨超声探伤智能检测方法，具体的步骤如下。

步骤1：钢轨探伤采用如同图1所示的阵列探头。图1为阵列探头的横截面，包括连续宽频超声波的发射探头101，围绕着发射探头的接收探头阵列102，分布在以发射探头为中心的圆周上。图2为阵列探头对钢轨探伤的示意图，阵列探头通过耦合剂与钢轨表面紧密贴合。发射探头发射的连续宽频超声信号x(t)经过钢轨轨头轨腰，根据超声波的传输原理，钢轨会对到达的超声波进行反射返回到探伤仪接收探头处，反射的超声回波经过轨腰轨头，通过不同的信道到达超声探伤仪的接收探头处。探伤仪接收探头有多个接收点，可以接收多个沿着不同信道反射回来的连续宽频超声信号y(t)。

步骤2：对反射的连续宽频超声波进行去噪处理。信号在信道中传输的过程中由于环境等等原因会有噪声对信号产生干扰。采用小波变换的方法对信号进行去噪处理。

步骤3：根据信号与系统的原理：y(t)＝x(t)*h(t)，通过发射探头发射的连续宽频超声波x(t)和接收探头接收到的回波y(t)，可以获取回波的时域函数h(t)。对回波的时域函数做傅里叶变换：

得到回波的频域函数H(w)。将H(w)和h(t)经过实验设定的归一化参数α、β归一化，得到表征钢轨特征的时频函数对时频函数离散化，记为其中j为离散后的样点数。阵列探头的接收探头接收到多个沿不同信道到达的回波，对多个回波(i个)求得其时频函数并采样得到表征钢轨特征的多个时频函数数据多个时频函数组成表征缺陷的时频空函数：

其中i为回波个数，j为离散样点数。

对进行线性变换得到：

取作为表征钢轨特征的特征向量。

步骤4生成的特征向量作为数据x_i,有缺陷的数据y＝1,无缺陷的数据y＝-1。将获取的数据组合成数据集(x_i,y_i)。由于数据非线性数据，采用核方法对数据进行处理。核方法可以采用线性核、高斯核等等，本实施采用高斯核方法对数据进行处理。高斯核的函数形式为：

σ为高斯核参数，采用经验值。

步骤5通过高斯核函数并引入拉格朗日乘子α_i确定支持向量机模型的计算形式：

其中：(α_i≥0),(i,j＝1,2,3…m),m为数据的总个数。解得α_i即可确定支持向量机。

步骤6采用SMO算法计算步骤5中的式子，得到α_i的值。通过α_i计算支持向量机的参数w和b。

通过参数得到支持向量机的分类决策函数模型：

步骤7通过训练数据得到支持向量机后，在对钢轨的探伤的时候，重复步骤1到3获取阵列探头采集到的数据，得到表征钢轨特征的时频空函数并输入到已经训练好的支持向量机中进行特征智能检测，判别钢轨中是否有缺陷。