專利名稱：高速鐵路鋼軌高速漏磁巡檢的缺陷定量識別方法
技術領域：
本發明涉及一種基于神經網絡的高速鐵路鋼軌高速漏磁巡檢的缺陷定量識別方法，涉及電磁無損檢測中的高速漏磁檢測技術、人工神經網絡算法和鋼軌結構健康檢測評估技術，屬于無損檢測技術領域。
背景技術：
隨著我國高速鐵路的大規模發展，以及鐵路運營七次大提速，切實保障了經濟發展對運輸的需求，促進了我國經濟的發展，為社會帶來了巨大的經濟效益。與此同時，由于列車速度和行車密度的增加以及我國超期服役的鋼軌數量較大，使得鋼軌損傷呈現新形式。在列車的高速運行狀態下，鋼軌的損傷形式主要表現為鋼軌踏面接觸疲勞引發的各種不規則裂紋，并向軌頭內部擴展并形成大尺寸橫向疲勞裂紋，最終導致鋼軌發生橫向折斷。鋼軌損傷直接威脅到列車的行車安全，輕者行車中斷，擾亂社會運輸秩序，重者車毀人亡， 造成重大的經濟損失和社會影響。為保證鋼軌的安全，積極尋求高效準確的鋼軌檢測方法實現對鐵路鋼軌進行高速巡檢，及時發現和判斷鋼軌缺陷日益重要。傳統的鋼軌檢測主要是人工查看或者敲打聽音，這種方法不僅檢測效率低，更是對檢測人員的技術要求比較高，需要大量的實踐經驗。隨著無損檢測的快速發展，人們開始把多種無損檢測技術應用到鋼軌的檢測中來，并取得了良好的效果。采用無損檢測技術對鋼軌進行檢測不僅能及時發現列車安全運行隱患，防止安全事故的發生，更重要的是可通過已知的早期缺陷及其發展規律，在確定其位置、類型、尺寸等參數的基礎上，對鋼軌的結構健康和安全壽命進行預測與評估。目前常用的鐵路鋼軌裂紋的無損檢測方法有射線式、超聲式和電磁式幾種。其中，射線式檢測方法由于檢測設備不易制備、具有放射性、操作較困難、不易實現在線檢測等原因，很難用于軌道的在線檢測應用；而通常的超聲式檢測方法由于需要耦合作用，難以實現非接觸式測量，另外設備結構較復雜，存在檢測盲區，使其在在線檢測的高可靠性要求下難以勝任。與超聲探傷檢測技術和其他檢測技術不同，漏磁檢測技術(Magnetic Fluxleakage Testing,即MFL)是利用鐵磁性材料的電磁特性來判斷被測材料的性能。漏磁檢測技術具有探頭結構簡單、無污染、檢測靈敏度高，可實現非接觸測量，有利于實現高速鐵路鋼軌缺陷的高速巡檢；而且根據缺陷三維漏磁信號的具體特征與鋼軌缺陷特征參數之間的映射關系，可以通過一定的手段實現對鐵路鋼軌缺陷的某些特征參數的定量識別，有利于高效準確地發現鐵路鋼軌的早期缺陷及其發展規律和鋼軌缺陷的位置、類型、尺寸等特征參數，進一步可實現對鐵路鋼軌結構健康和安全壽命的預測和評估。缺陷的定性檢測技術已經比較成熟，但是對缺陷的檢測不僅僅只是需要確定缺陷的有無，還要確定缺陷的尺寸、性質等，使對缺陷的檢測實現從定性檢測走向定量檢測，也就是要解決電磁求逆反演的問題，而這一問題一直是電磁無損檢測研究的難點和熱點。人為因素會對檢測結果造成一定的影響，而借助智能化的處理方法可以有效消除這一影響，所以許多人工智能方法如專家系統、事例推理、模式識別等都為缺陷的定量分析技術研究開辟了有效的途徑，但是在諸多的智能方法中，人工神經網絡技術以其具有高度非線性映射、快速并行處理和自適應學習等功能的優勢，可以有效提高有限元模型的計算速度，在漏磁場與缺陷幾何參數間建立起相對穩定的映射關系。人工神經網絡是有許多個基本神經單元構造的一種計算模型，它模擬生物的神經系統，按照生物系統的方式來處理現實生活中的客觀事物。目前，人工神經網絡已經繁衍出許多種網絡結構，在電磁定量無損檢測技術研究方面取得了較好的應用效果，其中最典型的神經網絡是基于輸入層、隱含層和輸出層的三層神經網絡模型結構，各層之間通過權重鏈接在一起，每一層都包含各自的神經單元，如說明書附圖I所示。
發明內容
本發明為實現對鐵路鋼軌結構健康和安全壽命的預測和評估，提出了一種基于神經網絡的高速鐵路鋼軌高速漏磁巡檢的缺陷定量識別方法。本發明為實現上述發明目的具體采用如下技術方案
一種高速鐵路鋼軌高速漏磁巡檢的缺陷定量識別方法，其特征在于分析提取不同巡檢 速度下的缺陷漏磁場信號特征值，針對鋼軌缺陷不同的特征參數各自構建神經網絡建立缺陷定量識別模型，實現鋼軌缺陷的識別和定量分析預測，具體包括如下步驟
(1)獲取鋼軌缺陷三維漏磁場信號和巡檢速度，通過對三維漏磁場信號的數據處理提取能夠反映鋼軌缺陷特征參數的相應缺陷漏磁場信號特征值；
(2)針對鋼軌缺陷不同的特征參數分別建立各自的神經網絡，并選取不同的缺陷漏磁場信號特征值和巡檢速度作為神經網絡的輸入特征值，把缺陷漏磁場信號特征值對應的已知鋼軌缺陷不同的特征參數作為神經網絡的輸出目標值，確定適當的神經網絡及網絡參數、傳遞函數和訓練函數，來建立并訓練和驗證各神經網絡；
(3)根據步驟(2)中各神經網絡的訓練結果及驗證結果，分別調整各神經網絡的參數、傳遞函數和訓練函數，調整訓練樣本數據的均衡性，來反復訓練和驗證各神經網絡的適應性、準確度和可靠性，直至達到允許的識別誤差范圍內或更高識別精度，建立高速鐵路鋼軌高速漏磁巡檢的缺陷定量識別模型；
(4)利用步驟(3)建立的缺陷定量識別模型對未知鋼軌缺陷特征參數進行識別和定量分析預測，通過分析缺陷定量識別結果，得出缺陷的類型和分布規律實現對鐵路鋼軌結構健康和安全壽命的預測和評估。本發明的有益效果在于I、本發明分析提取了高速鐵路鋼軌高速漏磁巡檢下三維缺陷漏磁場信號的特征值，針對
鋼軌缺陷不同的特征參數選取不同的缺陷漏磁場信號特征值和巡檢速度作為神經網絡的輸入建立各自相應的缺陷參數定量識別神經網絡共同構成鋼軌缺陷定量識別模型以對未知鋼軌缺陷進行識別和定量分析預測，能比較準確和可靠地定量識別鋼軌缺陷的特征參數。2、本發明把巡檢速度作為鋼軌缺陷識別和定量分析預測的神經網絡模型輸入特征值，避免了采用速度補償方法進行缺陷定量所引入的誤差，能更好的實現鐵路鋼軌高速漏磁巡檢下的缺陷識別和定量分析預測。3、本發明在建立神經網絡的過程中，依據輸入特征值對缺陷特征參數的靈敏度大小進行排序，盡量保證輸入樣本特征值數據的容量充足和比重均衡；針對不同的缺陷特征參數以及輸入特征值的數據容量大小選取不同的神經網絡層數、每層的神經元數目和傳遞函數、訓練函數來進行多次訓練和驗證，以達到缺陷識別和定量分析預測的高準確度、高可靠性和較好的適應性。
圖I是典型的神經網絡模型結構 圖2是本發明方法流程圖；
圖3是高速漏磁檢測裝置結構圖。
具體實施例方式一種基于神經網絡的高速鐵路鋼軌高速漏磁巡檢的缺陷定量識別方法包括如下步驟
I、首先通過高速漏磁檢測裝置對鐵路鋼軌進行高速漏磁巡檢來獲取鋼軌缺陷三維漏磁場信號及巡檢速度和缺陷位置等信息，根據鋼軌缺陷特征參數和對應的缺陷漏磁場信號之間的映射關系，可以對缺陷漏磁場信號進行數據處理得出能夠反映鋼軌缺陷特征參數的缺陷漏磁場信號特征值并可以分析得出每個特征值對應某一缺陷特征參數的靈敏度大小，用于構建缺陷定量識別模型的輸入特征值。本發明主要提取了以下幾個缺陷漏磁場信號特征值X信號分量一次微分平滑后的峰峰值和峰間距、Y信號分量一次微分平滑后的峰峰值和峰間距、Z信號分量的峰峰值和峰間距。如說明書附圖3所示高速漏磁檢測裝置結構圖，包括磁化部分(由磁軛、勵磁線圈、直流激勵組成)、霍爾傳感器部分、碼盤位移傳感器部分、信號調理電路、數據采集部分和計算機處理部分組成。2、然后針對已知鋼軌缺陷不同的特征參數(如缺陷的深度、寬度、缺陷與水平軌面的角度、缺陷與行車方向的角度等)選取不同的樣本數據分別構建各自相應的缺陷參數定量識別神經網絡共同構成鋼軌缺陷定量識別模型。(I)其中樣本數據包括模型輸入特征值和模型輸出目標值，將步驟I中獲得的缺陷漏磁場信號特征值和巡檢速度作為輸入特征值，把輸入特征值對應的缺陷特征參數作為輸出目標值，然后將樣本數據按一定類型和比例分組，其中大部分的樣本數據作為模型的訓練樣本，剩下的少量樣本數據作為模型的驗證樣本。如說明書附圖2 (a)中所示獲取檢測數據構建模型樣本。對應于不同的模型輸出目標值所選取的模型輸入特征值不同樣本I選取Z信號分量的峰間距、X信號分量和Y信號分量一次微分平滑之后的峰間距以及巡檢速度這四個參量為模型的輸入特征值對缺陷的寬度進行定量識別；樣本2選取Z信號分量的峰峰值、X信號分量和Y信號分量一次微分平滑之后的峰峰值以及巡檢速度這四個參量為模型的輸入特征值對缺陷的深度進行定量識別；樣本3和樣本4選取Z信號分量的峰峰值、X信號分量和Y信號分量一次微分平滑之后的峰峰值、Z分量的峰間距、X信號分量和Y信號分量一次微分平滑之后的峰間距以及巡檢速度七個特征值對缺陷的與水平面角度和與鋼軌走向角度進行定量識別。(2)根據以上步驟(I)中針對定量識別缺陷某一特征參數的各個樣本，確定適當的神經網絡及網絡參數、傳遞函數和訓練函數，初步構建各自相應的缺陷參數定量識別神經網絡，通過訓練樣本作為模型的輸入對網絡模型進行訓練誤差分析，再通過驗證樣本作為模型的輸入對已訓練過的網絡模型進行驗證和誤差分析。例如為定量識別鋼軌缺陷的深度參數，建立一個兩層的BP神經網絡，第一層神經元數目為20,傳遞函數為tansig ;第二層神經元數目為1，傳遞函數為purelin ;神經網絡的訓練函數為trainbr。選取已知鋼軌缺陷深度參數的高速巡檢漏磁信號，X信號分量微分后的峰峰值、Y信號分量微分后的峰峰值、Z信號分量的峰峰值和巡檢速度作為該神經網絡的輸入，并按照輸入特征值對缺陷深度參數的靈敏度進行排序，選取所有數據量的其中四分之三作為輸入樣本用于訓練網絡，選取剩下的四分之一數據量作為驗證樣本用于驗證該神經網絡的準確性和可靠性。鋼軌缺陷漏磁場為三維空間場量，在不同巡檢速度下通過霍爾傳感器對其進行時空域信號采集得到的缺陷漏磁場信號受渦流、檢測設備振動等因素影響而有所不同，因此把巡檢速度作為鋼軌缺陷識別和定量分析的神經網絡模型輸入特征值，可以避免采用速度補償方法進行缺陷定量所引入的誤差。(3)根據以上針對缺陷各個特征參數建立神經網絡的訓練驗證結果，分別調整各自的神經網絡層數、各層神經元數目和傳遞函數、訓練函數，以及樣本的均衡性和數據容量大小，來反復訓練和驗證神經網絡的準確度和可靠性，直至達到允許的識別誤差范圍內或更高識別精度，以獲得可以定量識別缺陷各個特征參數的神經網絡模型。步驟(2)和步驟
(3)如說明書附圖2 (b)中所示構建缺陷特征參數定量識別模型。圖2 (b)中，訓練樣本n和驗證樣本n為構建某一缺陷特征參數識別模型net-n的樣本，且訓練樣本n和驗證樣本n包括的模型輸入特征值和輸出目標值不同。3、對未知鐵路鋼軌缺陷進行高速漏磁巡檢，提取相應的缺陷漏磁場信號特征值和巡檢速度并根據定量識別某一參數進行分組作為鋼軌缺陷特征參數定量識別模型的輸入，即可以對鋼軌缺陷的多個特征參數進行識別和定量分析預測，通過對缺陷定量識別結果的分析得出鋼軌缺陷的類型及分布規律就可以實現高速鐵路鋼軌結構健康和安全壽命的評估，如說明書附圖2 (c)中所示對未知鋼軌缺陷檢測進行定量識別的應用。圖2 (c)中鋼軌缺陷定量識別模型由缺陷多個特征參數的識別模型神經網絡共同組成，比如net-1用于缺陷深度的定量識別，net-2用于缺陷寬度的定量識別，net-3用于缺陷與軌面水平角度的定量識別，net-4用于缺陷與行車方向角度的定量識別等。依據已有的鐵路鋼軌缺陷檢測結果，及時擴充缺陷定量識別模型的訓練樣本，調整各自的神經網絡層數、各層神經元數目和傳遞函數、訓練函數，以及樣本的均衡性和數據容量大小，以對缺陷定量識別模型進行優化，使其具有更好的檢測適應性、準確度和可靠性。權利要求
1.ー種高速鉄路鋼軌高速漏磁巡檢的缺陷定量識別方法，其特征在于分析提取不同巡檢速度下的缺陷漏磁場信號特征值，針對鋼軌缺陷不同的特征參數各自構建神經網絡建立缺陷定量識別模型，實現鋼軌缺陷的識別和定量分析預測，具體包括如下步驟 (1)獲取鋼軌缺陷三維漏磁場信號和巡檢速度，通過對三維漏磁場信號的數據處理提取能夠反映鋼軌缺陷特征參數的相應缺陷漏磁場信號特征值； (2)針對鋼軌缺陷不同的特征參數分別建立各自的神經網絡，并選取不同的缺陷漏磁場信號特征值和巡檢速度作為神經網絡的輸入特征值，把缺陷漏磁場信號特征值對應的已知鋼軌缺陷不同的特征參數作為神經網絡的輸出目標值，確定適當的神經網絡及網絡參數、傳遞函數和訓練函數，來建立并訓練和驗證各神經網絡模型； (3)根據步驟(2)中各神經網絡的訓練結果及驗證結果，分別調整各神經網絡的參數、傳遞函數和訓練函數，調整訓練樣本數據的均衡性，來反復訓練和驗證各神經網絡的適應 性、準確度和可靠性，直至達到允許的識別誤差范圍內或更高識別精度，建立高速鉄路鋼軌高速漏磁巡檢的缺陷定量識別模型； (4)利用步驟(3)建立的缺陷定量識別模型對未知鋼軌缺陷特征參數進行識別和定量分析預測，通過分析缺陷定量識別結果，得出缺陷的類型和分布規律實現對鐵路鋼軌結構健康和安全壽命的預測和評估。
2.如權利要求I所述的高速鉄路鋼軌高速漏磁巡檢的缺陷定量識別方法，其特征在于提取Z信號分量的峰峰值、X信號分量和Y信號分量一次微分平滑之后的峰峰值、Z分量的峰間距、X信號分量和Y信號分量一次微分平滑之后的峰間距六個參數作為缺陷漏磁場信號的特征值。
3.如權利要求I所述的高速鉄路鋼軌高速漏磁巡檢的缺陷定量識別方法，其特征在于針對鋼軌缺陷不同的特征參數選取對其靈敏度較強的缺陷漏磁場信號特征值以及巡檢速度作為輸入特征值，依據輸入特征值對缺陷特征參數的靈敏度大小進行排序，把缺陷特征參數作為神經網絡的輸出目標值，針對不同的缺陷特征參數分別建立并訓練和驗證各神經網絡模型。
全文摘要
本發明公開了一種高速鐵路鋼軌高速漏磁巡檢的缺陷定量識別方法，分析提取了不同漏磁巡檢速度下缺陷的三維漏磁場信號特征值，針對鋼軌缺陷不同的特征參數選取能反映該特征參數的相應缺陷漏磁場信號特征值和巡檢速度作為輸入特征值，來各自構建神經網絡建立缺陷定量識別模型并進行訓練驗證和優化，以對未知鋼軌缺陷進行識別和定量分析預測，結果表明此方法能比較準確和可靠地定量識別鋼軌缺陷的特征參數。
文檔編號G06N3/02GK102735747SQ20121010275
公開日2012年10月17日 申請日期2012年4月10日 優先權日2012年4月10日
發明者丁松, 王平, 王海濤, 田貴云, 高運來 申請人:南京航空航天大學