列车部件裂纹损伤监测方法和系统与流程

本发明涉及损伤分析技术领域，尤其涉及一种列车部件裂纹损伤监测方法和系统。

背景技术：

机车及动车组列车组是轨道交通运输的重要设备，工作时启动、制动加速度大，走行部，连挂部位皆承受着巨大的应力变化。在列车运行30万公里后，其走行部会出现较多的机械损伤。转向架构架作为机车车辆的关键承载部件，担负着支撑车体、运行和转向功能，其抗疲劳的性能对车辆安全运行有着格外重要意义。传统转向架设计大多采用增大安全系数来保障强度裕度的方法，这种方法存在着静强度富裕，局部的疲劳强度不足或者过量的问题，设计阶段不能准确预测构架疲劳寿命。

车轮是机车车辆的重要走行部件，在使用过程中易产生轮辋疲劳裂纹，若不及时发现会严重危及机车车辆的行车安全。当前我国投入使用的机车车辆普遍存在轮辋疲劳裂纹的伤损情况。车轮的这类损伤在历史中属于常见现象，但随着中国铁路的快速发展，列车时速高达300km/h、重载货车轴重达到30t，车轮与轨道之间的相互作用力也随速度的提高呈现线性递增规律，同时接触应力也随着轴重的提高而增加。在这种高速和重载条件下，车轮的踏面擦伤、剥离等损伤会导致冲击载荷作用在轮轨间，这些因素都会引起车轮轮辋内部应力的增加。

车钩作为铸钢件，内部或表面不可避免的存在一些缺陷，如气孔、夹渣和缩松等。这种铸造缺陷可以理解为宏观裂纹，由于宏观裂纹的存在，造成截面应力分布不均匀，从而引起裂纹尖端的应力增大。这种缺陷越大，应力集中现象也越严重，使得车钩在较低的载荷工况下就能造成裂纹的扩展并将诱发焊接裂纹的产生。车钩在动载荷作用下，大量的工作应力将导致铸件疲劳裂纹的发生。但在有铸造缺陷的部位，由于应力集中，受力截面上不大的工作应力同样可导致疲劳裂纹的发生，如果在这些应力较大区域例如钩耳孔、钩尾销孔或钩舌面存有铸造缺陷，将加快疲劳裂纹的产生及扩展。

对于上述列车或轨道不同部位的结构损伤和相关的检测技术，国内外也有较多的研究和应用，但多为四点圆弧定位、三点双曲线定位，但不能避免环境噪声、测量误差、时间延迟计算方法误差等因素，尤其是无法解决边界损伤问题。

技术实现要素：

在发明内容部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。

根据本发明实施例的一个方面公开了一种列车部件裂纹损伤监测方法，包括：

在待检测列车部件的检测结构上设置蜂窝传感器网络装置；其中，所述蜂窝传感器网络装置包括多个压电传感器，每个压电传感器都作为激励信号加载点和/或响应信号采集点；

将对所述蜂窝传感器网络装置采集的响应信号传输至车载数据处理装置；

对所述蜂窝传感器网络装置采集的响应信号进行预处理，以获得所述检测结构的损伤数据；其中，损伤数据包括：所述检测结构的裂纹长度数据；

将所述检测结构的损伤数据传输至中心服务器，进行存储和后续处理。

在本发明的一个实施例中，多个压电传感器排列成包括至少一个正六边形的基本检测单元的蜂窝状阵列；每个压电传感器都为蜂窝状阵列中的一个节点，作为激励信号加载点和/或响应信号采集点；

所述基本检测单元包括呈正六边形排列的六个压电传感器；

所述压电传感器内嵌有微控制器，所述压电传感器作为lamb波激发信号器和lamb波信号接收器。

在本发明的一个实施例中，还包括：

在激励信号加载点以第一时间间隔在健康的检测结构上激发激励信号，在检测结构中产生lamb波；各个响应信号采集点采集对于此lamb波的第一lamb波响应信号；

获取第一lamb波响应信号并建立lamb波在检测结构的各向异性复合材料层板中随传播角度变化的频散关系，获得lamb波的理论速度分布，作为基准信息；

在激励信号加载点以第二时间间隔在待检测的检测结构上激发激励信号，在检测结构中产生lamb波；各个响应信号采集点采集对于此lamb波的第二lamb波响应信号；

对第二lamb波响应信号在时域和频域上进行分析，提取特征信息；将第二lamb波响应信号作为损伤信号，将第一lamb波响应信号作为参考信号，基于损伤信号、参考信号以及基准信息、特征信息计算与各个所述响应信号采集点相对应的信号差异系数值sdc值；

根据获得的sdc值并采用概率成像原理，重构出检测结构中裂纹损伤可能存在的区域；

基于sdc值判定裂纹方向，校正裂纹方向上的sdc值，用于强化裂纹方向上的重构图像信息，采用概率成像原理重构裂纹损伤图像；绘制sdc分布图，基于sdc分布图评估出裂纹的长度，生成所述损伤数据。

在本发明的一个实施例中，还包括：

所述中心服务器基于存储的所述检测结构的历史损伤数据预测所述检测结构的损伤的增长速率。

在本发明的一个实施例中，所述预测所述检测结构的损伤的增长速率包括：

根据所述历史损伤数据获得对于所述检测结构的损伤的寿命分布特征和验证指标参数，并建立与所述检测结构的损伤相对应的贝叶斯概率预测模型；

根据所述历史损伤数据分析得出所述验证指标参数的先验分布；

采用马尔科夫链蒙特卡洛方法优化贝叶斯概率预测模型的模型参数，并预测所述检测结构的损伤的增长速率。

本发明实施例的另一方面公开了一种列车部件裂纹损伤监测系统，包括：蜂窝传感器网络装置、多通道数据转换器、车载数据处理装置和中心服务器，

所述蜂窝传感器网络装置设置在待检测列车部件的检测结构上，且包括多个压电传感器，每个压电传感器都作为激励信号加载点和/或响应信号采集点；

所述多通道数据转换器配置为将所述蜂窝传感器网络装置采集的响应信号传输至所述车载数据处理装置；

所述车载数据处理装置配置为对所述蜂窝传感器网络装置采集的响应信号进行预处理，以获得所述检测结构的损伤数据，并将所述检测结构的损伤数据传输至所述中心服务器；其中，损伤数据包括：所述检测结构的裂纹长度数据；

所述中心服务器配置为存储所述检测结构的损伤数据，并对所述损伤数据进行处理以实现对所述待检测列车部件的检测结构的远程监督。

在本发明的一个实施例中，多个压电传感器排列成包括至少一个正六边形的基本检测单元的蜂窝状阵列；每个压电传感器都为蜂窝状阵列中的一个节点，作为激励信号加载点和/或响应信号采集点；

所述基本检测单元包括呈正六边形排列的六个压电传感器；

所述压电传感器内嵌有微控制器，所述压电传感器作为lamb波激发信号器和lamb波信号接收器。

在本发明的一个实施例中，所述车载数据处理装置包括：

第一信号激发模块，用于在激励信号加载点利用探头以第一时间间隔在健康的检测结构上激发激励信号，在检测结构中产生lamb波，各个响应信号采集点采集对于此lamb波的第一lamb波响应信号；

基准信息获取模块，用于获取第一lamb波响应信号并通过mindlin板理论建立lamb波在检测结构的各向异性复合材料层板中随传播角度变化的频散关系，获得lamb波的理论速度分布，作为基准信息；

第二信号激发模块，用于在激励信号加载点利用探头以第二时间间隔在待检测的检测结构上激发激励信号，在检测结构中产生lamb波，各个响应信号采集点采集对于此lamb波的第二lamb波响应信号；

损伤信息获取模块，用于对第二lamb波响应信号在时域和频域上进行分析，提取特征信息；将第二lamb波响应信号作为损伤信号，将第一lamb波响应信号作为参考信号，基于损伤信号、参考信号以及基准信息、特征信息计算与各个所述响应信号采集点相对应的信号差异系数值sdc值；

成像分析模块，用于根据获得的sdc值并采用概率成像原理，重构出检测结构中裂纹损伤可能存在的区域；基于sdc值判定裂纹方向，校正裂纹方向上的sdc值，用于强化裂纹方向上的重构图像信息，采用概率成像原理重构裂纹损伤图像：绘制sdc分布图，基于sdc分布图评估出裂纹的长度。

在本发明的一个实施例中，所述中心服务器基于存储的所述检测结构的历史损伤数据预测所述检测结构的损伤的增长速率。

在本发明的一个实施例中，所述中心服务器包括：

历史数据获取模块，用于获取所述检测结构的历史损伤数据；其中，损伤数据包括：所述检测结构的裂纹长度数据；

预测模型建立模块，用于根据所述历史损伤数据获得对于所述检测结构的损伤的寿命分布特征和验证指标参数，并建立与所述检测结构的损伤相对应的贝叶斯概率预测模型；

损伤增长预测模块，用于根据所述历史损伤数据分析得出所述验证指标参数的先验分布；采用马尔科夫链蒙特卡洛方法优化贝叶斯概率预测模型的模型参数，并预测所述检测结构的损伤的增长速率。

根据本发明的列车部件裂纹损伤监测方法和系统可以基于响应信号对列车部件裂纹损伤进行检测，并损伤数据进行存储以基于损伤数据对损伤部位的发展趋势进行预测评价，给出可靠性评估和隐患预警，实现对列车部件裂纹损伤的监测，为列车的维修、更换提供更为准确的、直观化的依据。

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它的附图：

图1为根据本发明的列车部件裂纹损伤监测方法的一个实施例的流程图；

图2为根据本发明的列车部件裂纹损伤监测方法的一个实施例中的传感器网络装置的布置示意图；

图3为根据本发明的列车部件裂纹损监测系统的一个实施例中的结构示意图；

图4为根据本发明的列车部件裂纹损监测系统中的车载数据处理装置的一个实施例中的模块示意图；

图5为根据本发明的列车部件裂纹损监测系统中的中心服务器的一个实施例中的模块示意图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本发明实施例可以应用于计算机系统/中心服务器，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与计算机系统/中心服务器一起使用的众所周知的计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、中心服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。

计算机系统/中心服务器可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/中心服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。

下文中的“第一”、“第二”仅用于描述上相区别，并没有其它特殊的含义。

图1为根据本发明的列车部件裂纹损伤监测方法的一个实施例的流程图，如图1所示：

步骤101，在待检测列车部件的检测结构上设置蜂窝传感器网络装置；其中，所述蜂窝传感器网络装置包括多个压电传感器，每个压电传感器都作为激励信号加载点和/或响应信号采集点。列车部件可以为高速列车、地铁等的关键部件等，例如车轮、车钩、转向架等。所述压电传感器可内嵌微控制器，分别作为激发信号器及信号接收器，按照一定时序进行多路检测，并将收集的lamb波信号储存在传感器。

步骤102，将对所述蜂窝传感器网络装置采集的响应信号传输至车载数据处理装置。在高速列车行至等公里时，将储存在传感器的lamb波信号数据传输至多通道数据转换器，多通道数据转换器将lamb波信号数据传输到车载数据处理装置进行预处理，确认裂纹位置及损伤长度，得到检测结构的损伤数据。

步骤103，对所述蜂窝传感器网络装置采集的响应信号进行预处理，以获得所述检测结构的损伤数据；其中，损伤数据包括：所述检测结构的裂纹长度数据。

在一个实施例中，将储存在传感器的数据进行预处理，预处理过程包括：1、信号滤波：滤除噪声及虚假信息、对压电传感器的温度特性进项补偿；2、采用小波分析、hht分析、经验模式分解等方法提取故障特征信息，确定列车关键部位损伤程度；3、通过压电原件接收到达信号及它们之间的延迟时间，利用椭圆定位的方法确定损伤位置，其中靠近传感器附近损伤定位的误差，将通过正六边形蜂窝状布置方式来消除。

在本实施例中，基于lamb波成像对列车部件裂纹损伤进行检测，可以通过下述步骤获得所述检测结构的损伤数据；

首先，在激励信号加载点利用探头以第一时间间隔在健康的检测结构上激发激励信号，在检测结构中产生lamb波。各个响应信号采集点采集对于此lamb波的第一lamb波响应信号。

lamb波是在自由边界条件下，固体结构中传播的弹性导波，具有衰减慢传播距离远，且对结构中的微小损伤十分敏感。可以利用电荷放大器将激励信号放大后加载到压电传感器，从而在检测结构中激发出lamb波。采集检测结构健康时的所有激励/传感通道的lamb波响应信号，作为检测结构的基准信号。

接着，获取第一lamb波响应信号并通过mindlin板理论建立lamb波在检测结构的各向异性复合材料层板中随传播角度变化的频散关系，获得lamb波的理论速度分布，作为基准信息。mindlin板理论通常被称为板的一阶剪切变形理论。mindlin板理论假设在板厚度方向板位移线性变化，但是板厚度不变，并假设忽略板厚度方向的正应力，即平面应力假设。可以通过mindlin板理论建立lamb波在各向异性复合材料层板中随传播角度变化的频散关系，得到lamb波的理论速度分布，为损伤成像提供基准信息。

接着，在激励信号加载点利用探头以第二时间间隔在待检测的检测结构上激发激励信号，在检测结构中产生lamb波。各个响应信号采集点采集对于此lamb波的第二lamb波响应信号。对第二lamb波响应信号在时域和频域上进行分析，提取特征信息。将第二lamb波响应信号作为损伤信号，将第一lamb波响应信号作为参考信号，基于损伤信号、参考信号以及基准信息、特征信息计算与各个响应信号采集点相对应的信号差异系数值sdc值。将采集到的第二lamb波响应信号作为损伤信号，再根据在健康的板结构中采集第一lamb波响应信号作为参考信号，然后计算所有激励/传感通道的sdc值。

可以利用小波变换对由压电传感元件激励和接收的lamb波信号在时频域进行分析，提取特征信息，测量出lamb波在监测的部位中实际传播的飞行时间和群速度，并与基准信息相比较。根据lamb波信号传播自身的特性，通过聚焦的方法使损伤散射信号能量叠加放大，从而提高信号的信噪比。利用时间反转法对波源进行自适应聚焦能力，重建信号传播波动图，通过信号聚焦显示损伤位置和区域。

接着，根据获得的sdc值并采用概率成像原理，重构出检测结构中裂纹损伤可能存在的区域。根据得到的sdc值，根据裂纹损伤对lamb波监测信号的反射及散射作用，通过校正损伤区域中裂纹方向上的信号差异系数值sdc，强化裂纹方向上的重构图像信息，实现对裂纹损伤的图像重构，采用概率成像原理重构裂纹损伤图像。

根据lamb波传播的基本原理，当传播介质出现中断或不连续时，大多数的lamb波信号会因受到阻碍而难以继续向前传播，即使裂纹宽度很窄，只要其长度大于lamb波波长，就会造成在传播前进方向上的lamb波出现十分明显的衰减。可以利用信号差异系数sdc来表征损伤信号和参考信号的统计特性差异，sdc值的大小反映了损伤程度和损伤距离。

根据裂纹损伤对lamb波监测信号的反射及散射作用，通过校正损伤区域中裂纹方向上的信号差异系数值(signaldifferencecoefficient，sdc)，强化裂纹方向上的重构图像信息，实现对裂纹损伤的图像重构，并由接收端sdc分布图评估出裂纹的长度。

接着，根据得到的sdc值，可以利用传统概率成像原理，重构出板中裂纹损伤可能存在的区域；根据通过损伤区域内的压电传感器所在的路径计算其sdc值差值，可以判定裂纹方向。可以将裂纹判定方向上的sdc值校正为1，采用传统概率成像原理再次重构裂纹损伤图像。把六个激励/传感通道的sdc值布置为一个正六边形，将所有传感路径对应的概率分布图进行叠加，从而得到检测区域内任意点的损伤分布概率，重构出裂纹的损伤图像。

接着，基于sdc值判定裂纹方向，校正裂纹方向上的sdc值，用于强化裂纹方向上的重构图像信息，采用概率成像原理重构裂纹损伤图像。绘制sdc分布图，基于sdc分布图评估出裂纹的长度。可以采用现有的多种方法绘制sdc分布图，并评估出裂纹的长度。

可以根据lamb波信号传播自身的特性，通过聚焦的方法使损伤散射信号能量叠加放大，从而提高信号的信噪比；利用时间反转法对波源的自适应聚焦能力，重建信号传播波动图，通过信号聚焦显示损伤位置和区域；根据成像结果，在判定的裂纹方向的监测路径上，按照超过设定阈值的图像像素点数量和间距计算裂纹损伤长度。

在基于lamb的成像过程中，通过聚焦的方法使损伤散射信号能量叠加放大，从而提高信号的信噪比。在损伤定位过程中，利用时间反转法对波源的自适应聚焦能力，重建信号传播波动图，通过信号聚焦显示损伤位置和区域。在裂纹大小评估过程中，根据裂纹损伤对lamb波监测信号的反射及散射作用，通过校正损伤区域中裂纹方向上的信号差异系数sdc值，强化裂纹方向上的重构图像信息，实现对裂纹损伤的图像重构，并由接收端sdc分布图评估出裂纹的长度。

如图2所示，多个压电传感器排列成包括至少一个正六边形的基本检测单元的蜂窝状阵列。每个压电传感器都为蜂窝状阵列中的一个节点，作为激励信号加载点、响应信号采集点。基本检测单元包括呈正六边形排列的六个压电传感器；压电传感器内嵌有微控制器，压电传感器作为lamb波激发信号器和lamb波信号接收器。

波形发生器通过导线与功率放大器连接，功率放大器通过导线与蜂窝传感器网络装置组成的监测路径中的激励器连接，该蜂窝传感器网络装置设置在待测结构上。监测路径中的传感器通过导线与电荷放大器连接，电荷放大器通过导线与车载数据处理装置连接。

根据检测区域大小，使用一定数量的内嵌微控制器的压电传感器组成正六边形蜂窝状阵列覆在待测部位表面。作为激励，蜂窝传感器网络的布置数量可以根据待监测结构的实际情况进行确定，理论上六个压电元件就可以组成一个监测单元，结构较大时根据情况可通过紧密布置多个蜂窝传感器网络以扫查的方式进行。

采用小波变换算法对第二lamb波响应信号在时域和频域上进行分析，提取特征信息，用于测量出lamb波在待检测的检测结构中的实际传播的时间和速度。在提取待测构件的特征信息过程中，利用小波变换对由压电传感元件激励和接收的lamb波信号在时频域进行分析。

以第一lamb波响应信号作为基信号，将第二lamb波响应信号与第一lamb波响应信号相减，得到损伤散射信号；通过聚焦的方法使损伤散射信号能量叠加放大，用以提高损伤散射信号的信噪比，并对损伤散射信号进行时间反转处理。可以对包含缺陷信息的第二lamb波响应信号进行时间反转处理，并将处理后的第二lamb波响应信号作为新的波源加载到激励信号加载点进行发射，用以在待检测的检测结构上激发激励信号，实现lamb波在缺陷处的二次聚焦，建立幅值聚焦图，用以对损伤位置和区域进行成像识别。

在一个实施例中，首先在待测部位上布置蜂窝传感器网络装置，将监测区域分割成若干个基本监测单元，利用蜂窝传感器网络装置的节点激励和接收lamb波，通过聚焦和时间反转法重建信号传播波动图，利用信号聚焦显示损伤位置和区域。根据lamb波监测信号的反射及散射作用校正损伤区域中裂纹方向上的信号差异系数值强化裂纹方向上的重构图像信息，并由接收端sdc分布图评估出裂纹的长度。

上述实施例提供的基于lamb波成像的列车部件损伤数据获取方法，在待检测列车部件的检测结构上设置蜂窝传感器网络装置，蜂窝传感器网络装置中的压电传感器都作为激励信号加载点和/或响应信号采集点；将第二lamb波响应信号作为损伤信号，将第一lamb波响应信号作为参考信号，计算与各个响应信号采集点相对应的信号差异系数值sdc值，采用概率成像原理重构裂纹损伤图像，并绘制sdc分布图，基于sdc分布图评估出裂纹的长度，并可以对响应信号进行聚焦和时间反转等处理；能够克服环境噪声、测量误差、时间延迟等因素的影响，对信号的能量计算准确度高，对损伤判断的误判率低，可以减少检测中的“盲区”，使得损伤监测范围更大，并能够提高损伤判别的精准性。

步骤104，将所述检测结构的损伤数据传输至中心服务器，进行存储和后续处理。

所述中心服务器可以为各种类型的中心服务器，利用采用hadoop-spar搭载平台，进行数据处理，并且具有庞大的数据存储空间，以存储所述检测结构的损伤数据。所述中心服务器可以含有含智能辨识诊断软件，运用智能诊断方法和模式识别方法：比如人工神经网络、模糊逻辑、遗传算法等，其可以融入lamb波成像与裂纹智能识别技术，能够进一步提高诊断有效性和可靠性。

在本发明一个实施例中，所述中心服务器还基于其内存储的所述检测结构的历史损伤数据预测所述检测结构的损伤的增长速率，具体包括下述步骤：

首先，根据所述历史损伤数据获得对于所述检测结构的损伤的寿命分布特征和验证指标参数，并建立与所述检测结构的损伤相对应的贝叶斯概率预测模型；

其次，根据所述历史损伤数据分析得出所述验证指标参数的先验分布；

最后，采用马尔科夫链蒙特卡洛方法优化贝叶斯概率预测模型的模型参数，并预测所述检测结构的损伤的增长速率。

马尔可夫链蒙特卡罗(markovchainmontecarlo，mcmc)算法的基础理论为马尔可夫过程，在mcmc算法中，为了在一个指定的分布上采样，根据马尔可夫过程，首先从任一状态出发，模拟马尔可夫过程，不断进行状态转移，最终收敛到平稳分布。

在一个实施例中，将车载数据处理装置提取的故障特征信息作为输入值，传入含智能辨识诊断软件的中心服务器，通过对获取的真实运营条件下的损伤增长数据进行拟合分析，得到最优的拟合函数。

列车部件的寿命服从一定统计规律的随机变量，一般用寿命的分布函数(也称累积分布函数)来描述。列车部件的寿命大多服从连续型随机变量的概率分布，包括对数分布、指数分布、正态分布、威布尔分布等。对数正态分布是一种比较完善的分布，具有非负性，是一种可以准确描述列车部件寿命的概率分布，适用于本发明中列车部件随运行里程累积产生的损伤特征。

确定对于检测结构的损伤的寿命分布为对数正态分布，其中，对数正态分布的密度函数为：

其中，μ是损伤大小的平均值(mm)；σ是损伤大小的标准差(mm)。

将验证指标参数的先验分布确定为检测结构的裂纹增长速率的对数正态分布f(θ)与最大似然估计f(x|θ)的结合，运用贝叶斯概率预测模型并结合历史损伤数据中的检测结构的裂纹数据x，获得后验分布f(θ|x)，并进行迭代计算获得裂纹在单位里程中的增长速率。

由于贝叶斯决策(bayesiandecisiontheory)是在不完全情报下，对部分未知的状态用主观概率估计，然后用贝叶斯公式对发生概率进行修正，最后再利用期望值和修正概率做出最优决策的方法，根据如下贝叶斯公式，可以得到先验分布。

在本实施例中先验分布为观察变量列车部件的裂纹增长速率的对数正态分布f(θ)与最大似然估计f(x|θ)的结合，运用贝叶斯决策模型结合实际数据x，获得后验分布f(θ|x)，通过大量迭代，最终得到裂纹增长速率均值(期望值)，这个均值也就是模型中高速列车关键部位裂纹增长趋于稳定后的单位里程增长速率。

例如，某城市发生了一起汽车撞人逃跑事件，该城市只有两种颜色的车，蓝色15％，绿色85％，事发时有一个人a在现场看见了，a指证是蓝车。但是根据专家在现场分析，那种条件能看正确的可能性是80％，那么，肇事的车是蓝车的概率采用下述的方法进行计算：

a：目击证人看到的车辆颜色为蓝色；b1：肇事车辆是蓝色；b2肇事车辆是绿色|

p(a|b1)＝80％；p(a)＝80％p(b1)+20％p(b2)

。贝叶斯概率预测模型用以下公式描述：

σldi＝z1+z0ti，i＝1，...，n～n(z1+z0ti；σ²)(5)；

f(z0，z1，σ²)＝f(z0，z1)*f(σ²)(6)；

log(z0)～n2(μ，σ²)(7)；

σ²～ig(a，b)(8)；

其中，δldi表示标准裂纹长度损伤量(mm)，z1是裂纹初始的长度，如果列车部件不存在初始裂纹，z0是裂纹在单位里程中的增长速率(mm/3000km、mm/5000km或mm/10000km，根据实际不同测量数据值确定)，t是自上一次采集历史损伤数据后的积累运营公里数，τ＝σ-2，则τ-g(a，b)，其中a＝b＝0.01。

式(5)为裂纹长度与积累运营公里数的线性关系，其中，δldi服从均值为σldi＝z1+z0ti的正态分布，该公式用于计算累计裂纹长度，但考虑δldi受多方因素影响，引入贝叶斯概率公式，使用正态分布提高公式准确性，即预测的准确性，至此，所有参数都不再是定值，将服从各自分布。

式(6)为式(5)中z0、z1所服从的概率分布可拆解成两种概率分布的乘积，需要说明的是，此公式隐含于计算过程中，不能具体表达，但并不影响计算。

式(7)表示z0服从对数正太分布，μ为z0的均值，由历史数据获得，σ2为z0标准差，服从逆gamma分布。以式(5)-(8)为顺序，在实际计算过程中是逆序通过历史损伤数据首先得到f(x|θ)最大似然估计，之后通过实际经验确定τ-g(a，b)，其中a＝b＝0.01，如式(7)先验分布已确定为对数正态分布f(θ)，最终，结合式(6)及通过历史损伤数据得到的f(x|θ)最大似然估计使用贝叶斯公式，从而得到验证指标参数。建立预测模型后，本实施例使用winbugs软件进行mcmc迭代，即完成上述过程，上述公式的具体计算以及进行mcmc迭代可以采用现有的多种方法具体进行执行，由于最大似然估计受太多因素干扰，不能用具体公式表示，本实施例使用mcmc方法的目的旨在产生大量服从历史数据分布规律的数据，该数据用于表示最大似然估计f(x|θ)，最终获得z0的均值，即损伤增长速率。

上述实施例中的列车部件裂纹损伤预测方法，收集高速列车关键部位历史损伤数据(等运行里程下裂纹累计长度)；确定高速列车关键部位寿命分布和验证指标参数，建立贝叶斯统计分布模型；基于历史数据确定验证指标参数的先验分布，基于mcmc方法，利用winbugs预测高速列车关键部位损伤增长速率。

根据本发明的列车部件裂纹损伤监测方法可以基于响应信号对列车部件裂纹损伤进行检测，并损伤数据进行存储以基于损伤数据对损伤部位的发展趋势进行预测评价，给出可靠性评估和隐患预警，实现对列车部件裂纹损伤的监测，为列车的维修、更换提供更为准确的、直观化的依据。

图3为根据本发明的列车部件裂纹损监测系统的一个实施例中的结构示意图。如图3所示，本发明的列车部件裂纹损监测系统包括蜂窝传感器网络装置30、多通道数据转换器31、车载数据处理装置32和中心服务器33。

所述蜂窝传感器网络装置30设置在待检测列车部件的检测结构上，且包括多个压电传感器，每个压电传感器都作为激励信号加载点和/或响应信号采集点。多个压电传感器排列成包括至少一个正六边形的基本检测单元的蜂窝状阵列。每个压电传感器都为蜂窝状阵列中的一个节点，作为激励信号加载点、响应信号采集点。基本检测单元包括呈正六边形排列的六个压电传感器。压电传感器内嵌有微控制器，压电传感器作为lamb波激发信号器和lamb波信号接收器。

所述多通道数据转换器31配置为将所述蜂窝传感器网络装置30采集的响应信号传输至所述车载数据处理装置32。所述多通道数据转换器31具有多个输入输出通道，通过所述多通道数据转换器31将所述列出上布置的所有蜂窝传感器网络装置30联网，以将所有蜂窝传感器网络装置30采集的响应信号传输至所述车载数据处理装置32进行处理。

所述车载数据处理装置32配置为对所述蜂窝传感器网络装置采集的响应信号进行预处理，以获得所述检测结构的损伤数据，并将所述检测结构的损伤数据传输至所述中心服务器；其中，损伤数据包括：所述检测结构的裂纹长度数据。

在一个实施例中，如图4所示，本发明的所述车载数据处理装置32包括第一信号激发模块321、基准信息获取模块322、第二信号激发模块323、损伤信息获取模块324和成像分析模块325。

第一信号激发模块321在激励信号加载点利用探头以第一时间间隔在健康的检测结构上激发激励信号，在检测结构中产生lamb波，各个响应信号采集点采集对于此lamb波的第一lamb波响应信号。

基准信息获取模块322获取第一lamb波响应信号并通过mindlin板理论建立lamb波在检测结构的各向异性复合材料层板中随传播角度变化的频散关系，获得lamb波的理论速度分布，作为基准信息。

第二信号激发模块323在激励信号加载点利用探头以第二时间间隔在待检测的检测结构上激发激励信号，在检测结构中产生lamb波，各个响应信号采集点采集对于此lamb波的第二lamb波响应信号。损伤信息获取模块324对第二lamb波响应信号在时域和频域上进行分析，提取特征信息。损伤信息获取模块324将第二lamb波响应信号作为损伤信号，将第一lamb波响应信号作为参考信号，基于损伤信号、参考信号以及基准信息、特征信息计算与各个响应信号采集点相对应的信号差异系数值sdc值。

成像分析模块325根据获得的sdc值并采用概率成像原理，重构出检测结构中裂纹损伤可能存在的区域。成像分析模块325基于sdc值判定裂纹方向，校正裂纹方向上的sdc值，用于强化裂纹方向上的重构图像信息，采用概率成像原理重构裂纹损伤图像。成像分析模块325绘制sdc分布图，基于sdc分布图评估出裂纹的长度。

损伤信息获取模块324采用小波变换算法对第二lamb波响应信号在时域和频域上进行分析，提取特征信息，用于测量出lamb波在待检测的检测结构中的实际传播的时间和速度。损伤信息获取模块324以第一lamb波响应信号作为基信号，将第二lamb波响应信号与第一lamb波响应信号相减，得到损伤散射信号。损伤信息获取模块324通过聚焦的方法使损伤散射信号能量叠加放大，用以提高损伤散射信号的信噪比，并对损伤散射信号进行时间反转处理。

第二信号激发模块323对包含缺陷信息的第二lamb波响应信号进行时间反转处理，并将处理后的第二lamb波响应信号作为新的波源加载到激励信号加载点进行发射，用以在待检测的检测结构上激发激励信号，实现lamb波在缺陷处的二次聚焦，建立幅值聚焦图，用以对损伤位置和区域进行成像识别。

所述中心服务器33配置为存储所述检测结构的损伤数据，并对所述损伤数据进行处理以实现对所述待检测列车部件的检测结构的远程监督。

在一个实施例中，如图5所示，所述中心服务器33包括：存储模块330、历史数据获取模块331、预测模型建立模块332和损伤增长预测模块334。

存储模块330用于存储所述车载数据处理装置32获得列车部件的检测结构的损伤数据，所述损伤数据包括：检测结构的裂纹长度数据。

历史数据获取模块331获取检测结构的历史损伤数据，损伤数据包括：检测结构的裂纹长度数据。

预测模型建立模块332根据历史损伤数据获得对于检测结构的损伤的寿命分布特征和验证指标参数，并建立与检测结构的损伤相对应的贝叶斯概率预测模型。

损伤增长预测模块333根据历史损伤数据分析得出验证指标参数的先验分布，采用马尔科夫链蒙特卡洛方法优化贝叶斯概率预测模型的模型参数，并预测检测结构的损伤的增长速率。

预测模型建立模块332确定对于检测结构的损伤的寿命分布为对数正态分布，对数正态分布的密度函数为：

其中，μ是损伤尺寸的平均值，σ是损伤尺寸的标准差。

损伤增长预测模块333将验证指标参数的先验分布确定为检测结构的裂纹增长速率的对数正态分布f(θ)与最大似然估计f(x|θ)的结合，运用贝叶斯概率预测模型并结合历史损伤数据中的检测结构的裂纹数据x，获得后验分布f(θ|x)，并进行迭代计算获得裂纹在单位里程中的增长速率。

上述实施例提供的中心服务器33获取对于列车部件的检测结构的历史损伤数据，根据历史损伤数据获得对于检测结构的损伤的寿命分布特征和验证指标参数，并建立贝叶斯概率预测模型，分析得出验证指标参数的先验分布，采用马尔科夫链蒙特卡洛方法优化贝叶斯概率预测模型的模型参数，并预测检测结构的损伤的增长速率；通过应用bayesian-mcmc的方法并基于大量历史数据预测列车部件损伤增长，可以在数据不完全的情况下，对部分未知的列车部件损伤采用主观概率估计，然后用贝叶斯公式对发生概率进行修正，最后再利用期望值和修正概率做出最优维修或更新决策，为列车的维修、更换提供更为准确的、直观化的依据，并且计算准确度高。

可能以许多方式来实现本发明的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。

本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。