一种钢轨表面缺陷漏磁信号识别方法及系统

1.本发明涉及无损检测技术领域，尤其是一种钢轨表面缺陷漏磁信号识别方法及系统。


背景技术：

2.无损检测是利用材料内部结构的异常和缺陷的存在所引起的对热、声、电、光、磁等反应的变化，评价结构的异常和缺陷，即在不损伤被检测工件、材料等的情况下检测其内部结构、物理性能或状态是否存在裂纹、夹杂等缺陷的新兴学科。漏磁无损检测法可以检测铁磁性材料工件表面及近表面缺陷，并且具备检测灵敏度高、速度快、对工件表面清洁度要求不高、成本低、操作简单等优点，被广泛应用在铁磁材料，如钢轨、钢管等工件表面缺陷的无损检测中。
3.高速检测环境中漏磁信号噪声普遍存在，其主要来源包括：振动引入的非平稳暂态噪声、系统电路与空间磁场干扰造成基准电压漂移而引入的固有噪声等。因此，在实际线路检测过程中由于内外界因素的干扰，磁敏传感器采集到的漏磁信号有非常大的干扰，实际检测结果中纯噪声数据占90％以上，数据偏斜问题较为严重，需要进行处理，从原始的采集信号中识别出缺陷信号，而筛除非缺陷信号。


技术实现要素：

4.发明目的：本发明的目的在于提供一种钢轨表面缺陷漏磁信号识别方法，达到准确有效的从带有干扰的信号中识别到漏磁缺陷信号的效果；本发明对应提供一种钢轨表面缺陷漏磁信号识别系统。
5.技术方案：本发明提供的钢轨表面缺陷漏磁信号识别方法，包含以下步骤：
6.s1：采集钢轨表面原始漏磁信号，将原始漏磁检测信号以a米为单位长度，划分成n个数据段；a大于0,；n为大于0的正整数；
7.s2：选定n个数据段中任意一个数据段，计算该数据段内原始漏磁检测信号的峭度值；
8.s3：设置峭度值的阈值，判断该数据段内原始漏磁检测信号的峭度值是否大于阈值，若小于阈值则判断为非缺陷信号，返回s2处理n个数据段中其余数据段；若大于阈值则判断为疑似缺陷信号，进入s4；
9.s4：对疑似缺陷信号进行ceemd分解，得到模态分量和残余项，分别计算模态分量的峭度值和残余项的峭度值；
10.s5：将模态分量的峭度值和残余项的峭度值共同作为判别缺陷信号和振动信号的特征向量，采用svm分类器对ceemd分解后的疑似缺陷信号进行二次筛选；
11.s6：判断疑似缺陷信号是否为缺陷信号，若不是，则判定为振动信号，返回s2处理n个数据段中其余数据段，若是，则判定为缺陷信号，保留该段信号，进入s7；
12.s7：判断n个数据段是否全部计算完毕，若是，则保留n个数据段中判定为缺陷信号
的信号，结束；若不是，返回s2。
13.进一步的，步骤s2中峭度值k的的计算公式为：
[0014][0015]
式中，μ为输入信号x的均值，σ为输入信号x的标准差，e(
·
)表示计算其期望值。
[0016]
进一步的，步骤s5中，svm分类器的训练方式为选取径向基函数rbf作为svm分类器的核函数，选取已知的缺陷信号样本和振动信号样本共同作为数据集，将数据集分为两部分，一部分为训练集,另一部分为验证集,对其中一部分训练集采用网格搜索法，对常用范围内的惩罚参数c和核参数g通过循环遍历，进行筛选,将另一部分训练集采取交叉验证法划分为新的验证集，使用新的验证集再微调惩罚参数c和核参数g，svm分类器此时训练好，作为训练好的svm分类器进行使用。
[0017]
本发明对应提供一种钢轨表面缺陷漏磁信号识别系统，包含划分模块、计算峭度值模块、判断阈值模块、ceemd分解模块、二次筛选模块、判断信号模块、计算确认模块；
[0018]
划分模块用以采集钢轨表面原始漏磁信号，将原始漏磁检测信号以a米为单位长度，划分成n个数据段；a大于0,；n为大于0的正整数；
[0019]
计算峭度值模块用以选定n个数据段中任意一个数据段，计算该数据段内原始漏磁检测信号的峭度值；
[0020]
判断阈值模块用以设置峭度值的阈值，判断该数据段内原始漏磁检测信号的峭度值是否大于阈值，若小于阈值则判断为非缺陷信号，返回计算峭度值模块处理n个数据段中其余数据段；若大于阈值则判断为疑似缺陷信号，进入ceemd分解模块；
[0021]
ceemd分解模块用以对疑似缺陷信号进行ceemd分解，得到模态分量和残余项，分别计算模态分量的峭度值和残余项的峭度值；
[0022]
二次筛选模块用以将模态分量的峭度值和残余项的峭度值共同作为判别缺陷信号和振动信号的特征向量，采用svm分类器对ceemd分解后的疑似缺陷信号进行二次筛选；
[0023]
判断信号模块用以判断疑似缺陷信号是否为缺陷信号，若不是，则判定为振动信号，返回计算峭度值模块处理n个数据段中其余数据段，若是，则判定为缺陷信号，保留该段信号，进入计算确认模块；
[0024]
计算确认模块用以判断n个数据段是否全部计算完毕，若是，则保留n个数据段中判定为缺陷信号的信号，结束；若不是，返回计算峭度值模块。
[0025]
进一步的，计算峭度值模块中峭度值的计算公式为：
[0026][0027]
式中，μ为输入信号x的均值，σ为输入信号x的标准差，e(
·
)表示计算其期望值。
[0028]
进一步的，二次筛选模块中，svm分类器的训练方式为选取径向基函数rbf作为svm分类器的核函数，选取已知的缺陷信号样本和振动信号样本共同作为数据集，将数据集分为两部分，一部分为训练集,另一部分为验证集,对其中一部分训练集采用网格搜索法，对常用范围内的惩罚参数c和核参数g通过循环遍历，进行筛选,将另一部分训练集采取交叉验证法划分为新的验证集，使用新的验证集再微调惩罚参数c和核参数g，svm分类器此时训练好，作为训练好的svm分类器进行使用。
[0029]
有益效果：本发明与现有技术对比，其显著特点是将采集到的原始漏磁信号进行划分，通过分段处理及svm分类器的二次筛选作用下，筛查无用信号，准确有效的识别出缺陷信号，提高了缺陷信号的识别效率，减少了后续信号分析时的数据量，同时减少振动和电磁噪声信号带来的误差，大幅度避免振动信号对实际缺陷信号的干扰。
附图说明
[0030]
图1是本发明的流程示意图；
[0031]
图2是本发明中80km/h速度下钢轨缺陷漏磁检测信号示意图；
[0032]
图3是本发明中选取任意一段数据段时域波形图；
[0033]
图4是漏磁信号ceemd处理后时域波形图。
具体实施方式
[0034]
下面结合附图及具体实施例对本发明做进一步详细说明。
[0035]
实施例1
[0036]
请参阅图1所示，本发明提供的一种钢轨表面缺陷漏磁信号识别方法，包含以下步骤：
[0037]
s1：采集钢轨表面原始漏磁信号，将原始漏磁检测信号以a米为单位长度，划分成n个数据段；a大于0,；n为大于0的正整数。
[0038]
s2：选定n个数据段中任意一个数据段，计算该数据段内原始漏磁检测信号的峭度值。
[0039]
由于当信号幅值近似服从正态分布时，如高斯白噪声，其峭度值约为3，当信号幅值分布较为分散，即其标准差较大时，其峭度值将小于3，当信号中存在较多冲击和突变成分时，其峭度值将增大，且大于3，据此可知，当漏磁信号为无明显幅值突变的背景噪声时，其信号幅值的分布接近于正态分布，因此其峭度值约为3。
[0040]
当漏磁信号中存在缺陷或振动引起的信号波形畸变时，其信号统计特性将偏离正态分布，峭度值将增大，若信号的峭度值越大则表示该信号中存在的突变成分越显著，因此，通过比较峭度统计值可以区分幅值发生畸变的异常信号如缺陷信号、振动信号，非异常信号如纯噪声信号。
[0041]
计算第q个数据段区间的的峭度值(q＝1，2，3
…
n)，第一次计算时，设定q＝1；
[0042]
峭度值k的计算公式为：
[0043][0044]
式中，μ为输入信号x的均值，σ为输入信号x的标准差，e(
·
)表示计算其期望值。
[0045]
s3：设置峭度值的阈值，判断该数据段内原始漏磁检测信号的峭度值是否大于阈值，若小于阈值则判断为非缺陷信号，第q个数据段识别完成，q自动加1，返回s2处理n个数据段中其余数据段；若大于阈值则判断为疑似缺陷信号，进入s4，峭度值的阈值设置为3.45。
[0046]
s4：对疑似缺陷信号进行ceemd分解，得到模态分量和残余项，分别计算模态分量的峭度值和残余项的峭度值。
[0047]
由于缺陷信号的频谱分布集中在高频段，而振动信号往往集中在低频段，根据两种信号的频谱分布特征，利用ceemd算法的二进带通滤波特性所得到的模态分量将具备以下特征：
[0048]
(1)对于缺陷信号，缺陷成分将出现在高频段的若干模态分量中，其峭度值将大于其余模态分量，具体表现为低阶模态峭度值大于3，而高阶模态分量峭度值约为3；
[0049]
(2)对于振动信号，振动成分将出现在低频段的若干模态分量中，其峭度值将大于其余模态分量，具体表现为高阶模态峭度值大于3，而低阶模态分量峭度值约为3；
[0050]
(3)对于缺陷和振动同时存在的漏磁信号，其高频段和低频段的模态分量峭度值将同时增大，均大于3。
[0051]
由于疑似缺陷信号经过ceemd分解后，疑似缺陷信号中频带范围较大的背景噪声分配到各个模态中，噪声的影响被降低；反映缺陷信息的信号成分被分解到若干低阶模态分量中，反映振动信息的信号被分解到高阶模态分量中，其中，ceemd分解步骤如下：
[0052]
4.1)对疑似缺陷信号x(t)添加一对高斯白噪声信号，有：
[0053]
xi(t)＝x(t)+(-1)imod2εvi(t)
[0054]
式中，vi(t)表示第i个白噪声序列(i＝1,2,
…
,n)；n越高则分解精度越高，而算法效率降低，通常取值为100；ε为高斯白噪声的标准差，该值越小则分解精度越高，但太小可能导致疑似缺陷信号峰值的分布不变、算法失效，通常取值为0.1～0.2；mod表示取模运算。
[0055]
xi(t)(i＝1,2,
…
,n)分别做emd分解后得到n个第一阶模态分量imf
1i
(t)，即有：
[0056]
xi(t)＝imf
1i
(t)+r
1i
(t）
[0057]
4.2)对n次分解后的模态分量imf
1i
(t)取平均后得到最终的第一阶
[0058]
即有：
[0059][0060]
第一阶分解后的残余分量r1(t)可以表示为：
[0061][0062]
4.3)将上面所得到的r1(t)作为步骤4.1)的输入x(t)，重复步骤4.1)和4.2)得到第二阶模态分量imf
2i
(t)，即有：
[0063]
r1(t)＝imf
2i
(t)+r
2i
(t)
[0064]
第二阶模态分量有：
[0065][0066]
第二阶的残余分量r2(t)有：
[0067]
[0068]
4.4)重复以上步骤直到某一阶分解后的残余分量无法再进行ceemd分解，得到第k+1阶的模态分量和第k+1阶的残余分量r
k+1
(t)。
[0069]rk
(t)＝imf
k+1i
(t)+r
k+1i
(t)
[0070][0071][0072]
则疑似缺陷信号x(t)可以表示为：
[0073][0074]
对于给定疑似缺陷信号x(t)，emd算法的基本步骤如下：
[0075]
4.1.1)确定疑似缺陷信号x(t)中所有的局部极值点，包括极大值与极小值；
[0076]
4.1.2)对所确定的极值点采用3次样条插值法构造x(t)的上包络线u(t)与下包络线u
′
(t)；
[0077]
4.1.3)计算上包络线与下包络线的平均值m(t)＝[u(t)+u
′
(t)]/2；
[0078]
4.1.4)求x(t)与m(t)的差h(t)＝x(t)-m(t)，判断h(t)是否满足本征模函数定义的两个条件：一条为在整段时间序列上，极值点个数，包括极大值与极小值，与过零点个数必须相等或者最大相差一个；另一条为在时间序列的任意时刻，由信号极大值确定的上包络与极小值确定的下包络的均值为零，信号具有关于时间轴对称的局部特性。
[0079]
若不满足条件则将h(t)作为疑似缺陷信号x(t)输入，并重复以上步骤，若满足条件则第一个本征模函数imf1(t)＝h(t)，它代表信号在局部时间内的频率最高成分；
[0080]
4.1.5)将x(t)减去步骤4.1.4)分解出的imfj(t)得到rj(t)，将rj(t)作为步骤4.1.1)的输入并继续重复以上步骤，直到满足rj(t)无法再进行emd分解。
[0081]
本实施例中，将疑似缺陷信号分解到k个模态中，分别计算imf1、imf2、
…
、
[0082]
imfk的峭度值。
[0083]
疑似缺陷信号x(t)可以表示为：
[0084][0085]
其中k为将疑似缺陷信号分解到了k个模态中，为第k项模态分量，r(t)为残余分量。
[0086]
s5：将模态分量的峭度值和残余项的峭度值共同作为判别缺陷信号和振动信号的特征向量，采用svm分类器对ceemd分解后的疑似缺陷信号进行二次筛选。
[0087]
将模态分量的峭度值及残余项的峭度值作为判别缺陷信号和振动信号的特征向量，采用svm分类器对信号进行二次筛选，其中svm分类器已经过样本训练完毕。
[0088]
svm分类器所确定的分割超平面具有较好的鲁棒性，并且其决策函数只依赖于支
持向量，与训练样本总数无关，分类速度比较快。
[0089]
svm分类器的训练方式为：选取径向基函数rbf作为svm分类器的核函数，选取已知的缺陷信号样本和振动信号样本共同作为数据集，将数据集分为两部分，一部分为训练集,另一部分为验证集,对其中一部分训练集采用网格搜索法，对常用范围内的惩罚参数c和核参数g通过循环遍历，进行筛选,使得另一部分中验证集在输入svm分类器时达到识别率100％，将另一部分训练集采取交叉验证法划分为新的验证集，使用新的验证集再微调惩罚参数c和核参数g，svm分类器此时训练好，作为训练好的svm分类器进行使用。
[0090]
将模态分量的峭度值及残余项的峭度值作为特征向量，送入已经训练好的svm分类器中，进行分类。
[0091]
s6：根据svm分类器训练结果，判断疑似缺陷信号是否为缺陷信号，若不是，则判定为振动信号，第q个数据段识别完成，q自动加1，返回s2处理n个数据段中其余数据段，若是，则判定为缺陷信号，保留该段信号，进入s7；
[0092]
s7：判断n个数据段是否全部计算完毕，若是，则保留n个数据段中判定为缺陷信号的信号，结束；若不是，q自动加1，返回s2。
[0093]
请参阅图2所示，截取一段在80km/h检测速度下的漏磁信号，由于大尺寸缺陷信号有较好的信噪比，因此只截取小尺寸缺陷位置的漏磁信号，漏磁信号总长度对应空间距离约为1m，此外，在该漏磁信号中同时存在缺陷与振动引起信号畸变，如图3所示。
[0094]
以3.45为峭度阈值进行判别，该段漏磁信号的峭度值大于3.45，因此对该段漏磁信号进行4阶的ceemd分解，得到4个模态分量及1个参与分量，4个模态分量记为imf1、imf2、imf3、imf4，分别计算4个模态分量的峭度值，分解结果如图4所示。
[0095]
选取rbf核函数来构造svm分类器，采用网格搜索交叉验证法选取最优的惩罚参数c和核参数g，将提取的模态的峭度值送入svm分类器进行训练，在训测比为4:1和1:4下分别对漏磁信号进行识别，训测比即训练集与测试集之间的比例，识别率平均值如表1所示。
[0096]
表1基于模态峭度值和svm分类器的分类结果
[0097][0098]
由表可知，在训测比为4:1的情形下，识别率均达到100％，证明该svm分类器分类方法对于缺陷信号和振动信号区分的有效性。
[0099]
同时，为验证稳定性，在训测比为1:4的情形对其进行识别，由表可知：当训练样本数量减少时，缺陷信号的识别率下降到96.3％，错误识别的样本数量为3，观察其峭度值占比分布，识别错误的主要原因是缺陷信号的imf1峭度值较小，其缺陷信号主要集中在imf2和imf3。
[0100]
实施例2
[0101]
对应实施例1的钢轨表面缺陷漏磁信号识别方法，本实施例2提供一种钢轨表面缺陷漏磁信号识别系统，请参阅图1所示，包含划分模块、计算峭度值模块、判断阈值模块、ceemd分解模块、二次筛选模块、判断信号模块、计算确认模块；
[0102]
划分模块用以采集钢轨表面原始漏磁信号，将原始漏磁检测信号以a米为单位长度，划分成n个数据段；a大于0,；n为大于0的正整数。
[0103]
计算峭度值模块用以选定n个数据段中任意一个数据段，计算该数据段内原始漏磁检测信号的峭度值。
[0104]
由于当信号幅值近似服从正态分布时，如高斯白噪声，其峭度值约为3，当信号幅值分布较为分散，即其标准差较大时，其峭度值将小于3，当信号中存在较多冲击和突变成分时，其峭度值将增大，且大于3，据此可知，当漏磁信号为无明显幅值突变的背景噪声时，其信号幅值的分布接近于正态分布，因此其峭度值约为3。
[0105]
当漏磁信号中存在缺陷或振动引起的信号波形畸变时，其信号统计特性将偏离正态分布，峭度值将增大，若信号的峭度值越大则表示该信号中存在的突变成分越显著，因此，通过比较峭度统计值可以区分幅值发生畸变的异常信号如缺陷信号、振动信号，非异常信号如纯噪声信号。
[0106]
计算第q个数据段区间的的峭度值(q＝1，2，3
…
n)，第一次计算时，设定q＝1；
[0107]
峭度值k的计算公式为：
[0108][0109]
式中，μ为输入信号x的均值，σ为输入信号x的标准差，e(
·
)表示计算其期望值。
[0110]
判断阈值模块用以设置峭度值的阈值，判断该数据段内原始漏磁检测信号的峭度值是否大于阈值，若小于阈值则判断为非缺陷信号，返回计算峭度值模块处理n个数据段中其余数据段；若大于阈值则判断为疑似缺陷信号，进入ceemd分解模块，阈值设置为3.45。
[0111]
ceemd分解模块用以对疑似缺陷信号进行ceemd分解，得到模态分量和残余项，分别计算模态分量的峭度值和残余项的峭度值。
[0112]
由于缺陷信号的频谱分布集中在高频段，而振动信号往往集中在低频段，根据两种信号的频谱分布特征，利用ceemd算法的二进带通滤波特性所得到的模态分量将具备以下特征：
[0113]
(1)对于缺陷信号，缺陷成分将出现在高频段的若干模态分量中，其峭度值将大于其余模态分量，具体表现为低阶模态峭度值大于3，而高阶模态分量峭度值约为3；
[0114]
(2)对于振动信号，振动成分将出现在低频段的若干模态分量中，其峭度值将大于其余模态分量，具体表现为高阶模态峭度值大于3，而低阶模态分量峭度值约为3；
[0115]
(3)对于缺陷和振动同时存在的漏磁信号，其高频段和低频段的模态分量峭度值将同时增大，均大于3。
[0116]
由于疑似缺陷信号经过ceemd分解后，疑似缺陷信号中频带范围较大的背景噪声分配到各个模态中，噪声的影响被降低；反映缺陷信息的信号成分被分解到若干低阶模态分量中，反映振动信息的信号被分解到高阶模态分量中，其中，ceemd分解步骤如下：
[0117]
4.1)对疑似缺陷信号x(t)添加一对高斯白噪声信号，有：
[0118]
xi(t)＝x(t)+(-1)
imod2
εvi(t)
[0119]
式中，vi(t)表示第i个白噪声序列(i＝1,2,
…
,n)；n越高则分解精度越高，而算法效率降低，通常取值为100；ε为高斯白噪声的标准差，该值越小则分解精度越高，但太小可能导致疑似缺陷信号峰值的分布不变、算法失效，通常取值为0.1～0.2；mod表示取模运算。
[0120]
xi(t)(i＝1,2,
…
,n)分别做emd分解后得到n个第一阶模态分量imf
1i
(t)，即有：
[0121]
xi(t)＝imf
1i
(t)+r
1i
(t)
[0122]
4.2)对n次分解后的模态分量imf
1i
(t)取平均后得到最终的第一阶
[0123]
即有：
[0124][0125]
第一阶分解后的残余分量r1(t)可以表示为：
[0126][0127]
4.3)将上面所得到的r1(t)作为步骤4.1)的输入x(t)，重复步骤4.1)和4.2)
[0128]
得到第二阶模态分量imf
2i
(t)，即有：
[0129]
r1(t)＝imf
2i
(t)+r
2i
(t)
[0130]
第二阶模态分量有：
[0131][0132]
第二阶的残余分量r2(t)有：
[0133][0134]
4.4)重复以上步骤直到某一阶分解后的残余分量无法再进行ceemd分解，得到第k+1阶的模态分量和第k+1阶的残余分量r
k+1
(t)。
[0135]rk
(t)＝imf
k+1i
(t)+r
k+1i
(t)
[0136][0137][0138]
则疑似缺陷信号x(t)可以表示为：
[0139][0140]
对于给定疑似缺陷信号x(t)，emd算法的基本步骤如下：
[0141]
4.1.1)确定疑似缺陷信号x(t)中所有的局部极值点，包括极大值与极小值；
[0142]
4.1.2)对所确定的极值点采用3次样条插值法构造x(t)的上包络线u(t)与下包络线u
′
(t)；
[0143]
4.1.3)计算上包络线与下包络线的平均值m(t)＝[u(t)+u
′
(t)]/2；
[0144]
4.1.4)求x(t)与m(t)的差h(t)＝x(t)-m(t)，判断h(t)是否满足本征模函数定义的两个条件：一条为在整段时间序列上，极值点个数，包括极大值与极小值，与过零点个数必须相等或者最大相差一个；另一条为在时间序列的任意时刻，由信号极大值确定的上包络与极小值确定的下包络的均值为零，信号具有关于时间轴对称的局部特性。
[0145]
若不满足条件则将h(t)作为疑似缺陷信号x(t)输入，并重复以上步骤，若满足条件则第一个本征模函数imf1(t)＝h(t)，它代表信号在局部时间内的频率最高成分；
[0146]
4.1.5)将x(t)减去步骤4.1.4)分解出的imfj(t)得到rj(t)，将rj(t)作为步骤4.1.1)的输入并继续重复以上步骤，直到满足rj(t)无法再进行emd分解。
[0147]
本实施例中，将疑似缺陷信号分解到k个模态中，分别计算imf1、imf2、
…
、imfk的峭度值。
[0148]
疑似缺陷信号x(t)可以表示为：
[0149][0150]
其中k为将疑似缺陷信号分解到了k个模态中，为第k项模态分量，r(t)为残余分量。
[0151]
二次筛选模块用以将模态分量的峭度值和残余项的峭度值共同作为判别缺陷信号和振动信号的特征向量，采用svm分类器对ceemd分解后的疑似缺陷信号进行二次筛选。
[0152]
将模态分量的峭度值及残余项的峭度值作为判别缺陷信号和振动信号的特征向量，采用svm分类器对信号进行二次筛选，其中svm分类器已经过样本训练完毕。
[0153]
svm分类器所确定的分割超平面具有较好的鲁棒性，并且其决策函数只依赖于支持向量，与训练样本总数无关，分类速度比较快。
[0154]
svm分类器的训练方式为：选取径向基函数rbf作为svm分类器的核函数，选取已知的缺陷信号样本和振动信号样本共同作为数据集，将数据集分为两部分，一部分为训练集,另一部分为验证集,对其中一部分训练集采用网格搜索法，对常用范围内的惩罚参数c和核参数g通过循环遍历，进行筛选,使得另一部分中验证集在输入svm分类器时达到识别率100％，将另一部分训练集采取交叉验证法划分为新的验证集，使用新的验证集再微调惩罚参数c和核参数g，svm分类器此时训练好，作为训练好的svm分类器进行使用。
[0155]
将模态分量的峭度值及残余项的峭度值作为特征向量，送入已经训练好的svm分类器中，进行分类。
[0156]
判断信号模块用以判断疑似缺陷信号是否为缺陷信号，若不是，则判定为振动信号，第q个数据段识别完成，q自动加1，返回计算峭度值模块处理n个数据段中其余数据段，若是，则判定为缺陷信号，保留该段信号，进入计算确认模块；
[0157]
计算确认模块用以判断n个数据段是否全部计算完毕，若是，则保留n个数据段中判定为缺陷信号的信号，结束；若不是，q自动加1，返回计算峭度值模块。
[0158]
请参阅图2所示，截取一段在80km/h检测速度下的漏磁信号，由于大尺寸缺陷信号有较好的信噪比，因此只截取小尺寸缺陷位置的漏磁信号，漏磁信号总长度对应空间距离约为1m，此外，在该漏磁信号中同时存在缺陷与振动引起信号畸变，如图3所示。
[0159]
以3.45为峭度阈值进行判别，该段漏磁信号的峭度值大于3.45，因此对该段漏磁信号进行4阶的ceemd分解，得到4个模态分量及1个参与分量，4个模态分量记为imf1、imf2、imf3、imf4，分别计算4个模态分量的峭度值，分解结果如图4所示。
[0160]
选取rbf核函数来构造svm分类器，采用网格搜索交叉验证法选取最优的惩罚参数c和核参数g，将提取的模态的峭度值送入svm分类器进行训练，在训测比为4:1和1:4下分别对漏磁信号进行识别，训测比即训练集与测试集之间的比例，识别率平均值如表1所示。
[0161]
表1基于模态峭度值和svm分类器的分类结果
[0162][0163]
由表可知，在训测比为4:1的情形下，识别率均达到100％，证明该svm分类器分类方法对于缺陷信号和振动信号区分的有效性。
[0164]
同时，为验证稳定性，在训测比为1:4的情形对其进行识别，由表可知：当训练样本数量减少时，缺陷信号的识别率下降到96.3％，错误识别的样本数量为3，观察其峭度值占比分布，识别错误的主要原因是缺陷信号的imf1峭度值较小，其缺陷信号主要集中在imf2和imf3。