CN109856241B - 基于阈值自动控制的钢轨超声波探伤方法及系统 - Google Patents
基于阈值自动控制的钢轨超声波探伤方法及系统 Download PDFInfo
- Publication number
- CN109856241B CN109856241B CN201910116995.0A CN201910116995A CN109856241B CN 109856241 B CN109856241 B CN 109856241B CN 201910116995 A CN201910116995 A CN 201910116995A CN 109856241 B CN109856241 B CN 109856241B
- Authority
- CN
- China
- Prior art keywords
- steel rail
- ultrasonic
- flaw detection
- rail
- damage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Abstract
本申请提供一种基于阈值自动控制的钢轨超声波探伤方法及系统,方法包括:获取目标钢轨当前的探伤超声波信号对应的数字信号;对数字信号进行特征提取,得到特征组,特征组中包含有伤损回波高度和钢轨草状波高度;根据当前的伤损回波采集阈值对伤损回波进行筛选,生成用于目标钢轨的伤损识别的B型图;基于钢轨草状波高度,应用模糊控制算法得到当前伤损回波采集阈值对应的调整值;在获取目标钢轨的下一探伤超声波信号对应的数字信号之前,基于调整值自动调整当前的伤损回波采集阈值,直至完成针对目标钢轨的超声波探伤过程。本申请能够有效实现钢轨超声波探伤过程中的阈值自动控制,进而能够有效提高钢轨伤损识别过程的时效性、准确性和可靠性。
Description
技术领域
本申请涉及钢轨探伤技术领域,具体涉及一种基于阈值自动控制的钢轨超声波探伤方法及系统。
背景技术
钢轨探伤是指对铁路钢轨内部暗伤或表面上细小裂纹进行探查,特别是被夹板掩盖部分钢轨伤损。根据探伤工作原理,主要分为电磁探伤和超声波探伤两大类。而由于超声波在固体及液体中能从不同的速度传播,而在空气中几乎不能传播。当超声波射入有核伤、裂纹或其他伤损的钢轨时,在固体与空气的接触截面上受阻,产生反射波,因此,超声波探伤方式的应为更为广泛。
现有技术中,钢轨超声波探伤的常用方式为:在对铁路钢轨的检测作业过程中,通过超声波传感器等设备以一定的重复频率发射超声波,当超声波遇到反射体时则会发生反射,若反射波的幅值高于预先设定的阈值时,则记录下这次反射波的声程,并在B型图上以“点”的形式显示,且检测过程连续进行时,会在B型图上得到以特定规律排列的“点阵列”,即可作为判别伤损的依据。另外,在检测结束后,还可以对存储的B型图数据进行回放,以人工的方式用较低的速度筛选检测结果。
然而,由于现有的信号处理技术使探伤检测结果依赖于检测时设定的信号放大增益和阈值,所有的伤损信号提取都是一次性的。由于探伤车的检测速度快、同一条线路的检测周期长,使得短期内的重复检测不能实现。当操作员的技术水平和操作经验不足,不能及时调整系统状态,就会造成由于系统参数不合适而造成的“漏检”。另一方面,现有的探伤方法仅记录了超过阈值的伤损数据,所有检测结果都是基于检测时参数而生成的“一次性”的数据,造成探伤车有效检测数据的利用效率没有得到最大程度的发挥。也就是说,现有技术存在无法保证钢轨超声波探伤结果的准确性和可靠性的问题。
发明内容
针对现有技术中的问题,本申请提供一种基于阈值自动控制的钢轨超声波探伤方法及系统,能够有效实现钢轨超声波探伤过程中的阈值自动控制,进而能够有效提高钢轨伤损识别过程的时效性、准确性和可靠性。
为解决上述技术问题,本申请提供以下技术方案:
第一方面,本申请提供一种基于阈值自动控制的钢轨超声波探伤方法,包括:
获取目标钢轨当前的探伤超声波信号对应的数字信号;
对所述数字信号进行特征提取,得到对应的特征组,该特征组中包含有伤损回波和钢轨草状波高度;
根据当前的伤损回波采集阈值对所述伤损回波进行筛选,生成用于目标钢轨的伤损识别的B型图;
基于所述钢轨草状波高度,应用模糊控制算法得到当前伤损回波采集阈值对应的调整值;
在获取所述目标钢轨的下一探伤超声波信号对应的数字信号之前,基于所述调整值对当前的伤损回波采集阈值进行自动调整,直至完成针对所述目标钢轨的超声波探伤过程。
进一步地,还包括:
基于所述伤损回波采集阈值的自动调整结果,对应增加检测数据回放界面中的回放阈值的可选项;
接收所述回放阈值的调整指令;
根据该调整指令在所述检测数据回放界面中调整所述回放阈值;
以及,基于调整后的回放阈值,更新所述B型图,以根据该更新后的B型图对目标钢轨进行二次伤损智能识别。
进一步地,所述获取目标钢轨当前的探伤超声波信号对应的数字信号,包括:
接收超声波传感器发送的针对所述目标钢轨的探伤超声波信号;
对所述目标钢轨的探伤超声波信号进行AD转化,得到该探伤超声波信号对应的数字信号。
进一步地,在所述对所述数字信号进行特征提取之前,还包括:
对所述数字信号进行数字滤波及检波处理。
进一步地,所述根据当前的伤损回波采集阈值对伤损回波进行筛选,包括:
在所述目标钢轨当前的探伤超声波信号对应的特征组中,根据伤损回波高度大于或等于所述伤损回波采集阈值的特征组,生成用于目标钢轨的伤损识别的B型图。
进一步地,所述基于所述钢轨草状波高度,应用模糊控制算法得到当前伤损回波采集阈值对应的调整值,包括:
若所述钢轨草状波高度小于预设的闸门阈值,则将观测量和控制量分别划分为多个不同评级的模糊集,其中,所述观测量为所述闸门阈值与所述钢轨草状波高度之间的差值,所述控制量为所述闸门阈值与动态阈值之间的差值,该动态阈值大于所述钢轨草状波高度,且小于或等于所述闸门阈值;
基于所述观测量的模糊集确定所述观测量对应的隶属函数,以及,基于所述控制量的模糊集确定所述控制量对应的隶属函数;
基于所述观测量对应的隶属函数以及所述控制量对应的隶属函数,应用预设的模糊规则获取当前伤损回波采集阈值对应的调整值。
进一步地,所述特征组还包含有:伤损回波声程;
所述生成用于目标钢轨的伤损识别的B型图,包括:
根据所述特征组中的伤损回波声程生成用于目标钢轨的伤损识别的B型图。
进一步地,所述特征组还包含有:幅值和宽度;
所述钢轨超声波探伤方法还包括:
根据所述特征组中的伤损回波声程、幅值和宽度,生成并存储用于回放的所述目标钢轨当前的探伤超声波信号对应的A型特征值。
进一步地,所述特征组还包含有:发射脉冲、界面波和底波;
所述钢轨超声波探伤方法还包括:
根据所述特征组中的发射脉冲、界面波、底波和钢轨草状波,进行系统状态实时监控与报警。
第二方面,本申请提供一种基于阈值自动控制的钢轨超声波探伤系统,包括:
信号获取模块,用于获取目标钢轨当前的探伤超声波信号对应的数字信号;
特征提取模块,用于对所述数字信号进行特征提取,得到对应的特征组,该特征组中包含有伤损回波和钢轨草状波高度;
信号筛选模块,用于根据当前的伤损回波采集阈值对所述伤损回波进行筛选,生成用于目标钢轨的伤损识别的B型图;
模糊控制模块,用于基于所述钢轨草状波高度,应用模糊控制算法得到当前伤损回波采集阈值对应的调整值;
阈值自动调整模块,用于在获取所述目标钢轨的下一探伤超声波信号对应的数字信号之前,基于所述调整值对当前的伤损回波采集阈值进行自动调整,直至完成针对所述目标钢轨的超声波探伤过程。
进一步地,还包括:
回放阈值增加模块,用于基于所述伤损回波采集阈值的自动调整结果,对应增加检测数据回放界面中的回放阈值的可选项;
调整指令接收模块,用于接收所述回放阈值的调整指令;
回放阈值调整模块,用于根据该调整指令在所述检测数据回放界面中调整所述回放阈值;
二次伤损识别模块,用于基于调整后的回放阈值,更新所述B型图,以根据该更新后的B型图对目标钢轨进行二次伤损智能识别。
进一步地,所述信号获取模块包括:
信号接收单元,用于接收超声波传感器发送的针对所述目标钢轨的探伤超声波信号;
数字转化单元,用于对所述目标钢轨的探伤超声波信号进行AD转化,得到该探伤超声波信号对应的数字信号。
进一步地,还包括:
信号预处理模块,用于对所述数字信号进行数字滤波及检波处理。
进一步地,所述信号筛选模块包括:
信号筛选单元,用于在所述目标钢轨当前的探伤超声波信号对应的特征组中,根据大于或等于所述伤损回波采集阈值的特征组,生成用于目标钢轨的伤损识别的B型图。
进一步地,所述模糊控制模块包括:
模糊集划分单元,用于若所述钢轨草状波高度小于预设的闸门阈值,则将观测量和控制量分别划分为多个不同评级的模糊集,其中,所述观测量为所述闸门阈值与所述钢轨草状波高度之间的差值,所述控制量为所述闸门阈值与动态阈值之间的差值,该动态阈值大于所述钢轨草状波高度,且小于或等于所述闸门阈值;
隶属函数确定单元,用于基于所述观测量的模糊集确定所述观测量对应的隶属函数,以及,基于所述控制量的模糊集确定所述控制量对应的隶属函数;
调整值获取单元,用于基于所述观测量对应的隶属函数以及所述控制量对应的隶属函数,应用预设的模糊规则获取当前伤损回波采集阈值对应的调整值。
进一步地,所述特征组还包含有:伤损回波声程;
所述筛选模块还包括:
B型图单元,用于根据所述特征组中的伤损回波声程生成用于目标钢轨的伤损识别的B型图。
进一步地,所述特征组还包含有:幅值和宽度;
所述钢轨超声波探伤系统还包括:
A型特征单元,用于根据所述特征组中的伤损回波声程、幅值和宽度,生成并存储用于回放的所述目标钢轨当前的探伤超声波信号对应的A型特征值。
进一步地,所述特征组还包含有:发射脉冲、界面波和底波;
所述钢轨超声波探伤系统还包括:
监控报警单元,用于根据所述特征组中的发射脉冲、界面波、底波和钢轨草状波,进行系统状态实时监控与报警。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于阈值自动控制的钢轨超声波探伤方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的基于阈值自动控制的钢轨超声波探伤方法的步骤。
由上述技术方案可知,本申请提供一种基于阈值自动控制的钢轨超声波探伤方法,通过获取目标钢轨当前的探伤超声波信号对应的数字信号;对所述数字信号进行特征提取,得到对应的特征组,该特征组中包含有伤损回波和钢轨草状波高度;根据当前的伤损回波采集阈值对所述伤损回波进行筛选,生成用于目标钢轨的伤损识别的B型图;基于所述钢轨草状波高度,应用模糊控制算法得到当前伤损回波采集阈值对应的调整值;在获取所述目标钢轨的下一探伤超声波信号对应的数字信号之前,基于所述调整值对当前的伤损回波采集阈值进行自动调整,直至完成针对所述目标钢轨的超声波探伤过程,能够有效实现钢轨超声波探伤过程中的阈值自动控制,能够自动且及时的调整钢轨伤损识别的过程,并能够有效提高钢轨伤损识别过程的时效性、准确性和可靠性,也能够提高钢轨伤损识别结果的准确性,进而也能够应用阈值自动控制过程实现对钢轨超声波探伤结果的二次生成和钢轨伤损的二次识别。
附图说明
为了更清楚地说明本申请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简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的基于阈值自动控制的钢轨超声波探伤系统的架构示意图。
图2为本申请实施例的基于阈值自动控制的钢轨超声波探伤方法的流程示意图。
图3为本申请实施例的包含有步骤600至900的基于阈值自动控制的钢轨超声波探伤方法的流程示意图。
图4为本申请实施例中的回放阈值控制窗口的举例示意图。
图5为本申请实施例中的基于阈值自动控制的钢轨超声波探伤方法中步骤100的流程示意图。
图6为本申请实施例中的包含有步骤A00的基于阈值自动控制的钢轨超声波探伤方法的流程示意图。
图7为本申请实施例中的基于阈值自动控制的钢轨超声波探伤方法中步骤400的流程示意图。
图8为本申请实施例中的模糊控制的基本原理的举例示意图。
图9为本申请实施例中的模糊控制器的组成框图。
图10为本申请应用实例的基于阈值自动控制的钢轨超声波探伤方法的控制原理示意图。
图11为本申请实施例的基于阈值自动控制的钢轨超声波探伤系统的第一种结构示意图。
图12为本申请实施例的基于阈值自动控制的钢轨超声波探伤系统的第二种结构示意图。
图13为本申请实施例的基于阈值自动控制的钢轨超声波探伤系统中信号获取模块10的结构示意图。
图14为本申请实施例的基于阈值自动控制的钢轨超声波探伤系统的第三种结构示意图。
图15为本申请实施例的基于阈值自动控制的钢轨超声波探伤系统中模糊控制模块40的结构示意图。
图16为本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
钢轨探伤车与传统的人工推行检测方式相比,大型钢轨探伤车具有检测效率高、环境适应能强等特点,对保障铁路安全起到了重要作用。钢轨探伤车上安装有钢轨超声波探伤系统,采用与钢轨踏面接触的轮式传感器,在探伤车行驶过程中完成钢轨内部伤损的检测。目前,钢轨探伤系统的功能和信号处理方法类似:在检测作业时,探伤系统以一定的重复频率发射超声波,当超声波遇到伤损时发生反射,如果反射波的幅值高于系统设定的阈值时,系统就会记录下这次反射波的声程,并在B显图上以“点”的形式显示,连续运行时,以特定规律排列的“点阵列”即可作为判别伤损的依据。在检测结束后,操作员可以对存储的B型图数据进行回放,以较低的速度筛选检测结果。
现有的信号处理技术使探伤检测结果依赖于检测时设定的信号放大增益和阈值,所有的伤损信号提取都是一次性的。由于探伤车的检测速度快、同一条线路的检测周期长,使得短期内的重复检测不能实现。当操作员的技术水平和操作经验不足,不能及时调整系统状态,就会造成由于系统参数不合适而造成的“漏检”。另一方面,现有的探伤方法仅记录了超过阈值的伤损数据,所有检测结果都是基于检测时参数而生成的“一次性”的数据,造成探伤车有效检测数据的利用效率没有得到最大程度的发挥。
考虑到现有的钢轨超声波探伤方法存在的钢轨超声波探伤结果的准确性和可靠性差的问题,本申请提供一种基于阈值自动控制的钢轨超声波探伤方法、基于阈值自动控制的钢轨超声波探伤系统、电子设备和计算机可读存储介质,针对以上存在的问题,结合自主化探伤系统的发展方向,本申请开展自主化探伤系统动态阈值技术研究,目的实现检测阈值的实时动态控制,增加检测结果中的有效回波数量。在数据回放时,根据判别伤损的需要,操作员可动态调整回放阈值,可以使检测结果二次生成和伤损二次识别。具体为:通过获取目标钢轨当前的探伤超声波信号对应的数字信号;对所述数字信号进行特征提取,得到对应的特征组,该特征组中包含有伤损回波和钢轨草状波高度;根据当前的伤损回波采集阈值对所述伤损回波进行筛选,生成用于目标钢轨的伤损识别的B型图;基于所述钢轨草状波高度,应用模糊控制算法得到当前伤损回波采集阈值对应的调整值;在获取所述目标钢轨的下一探伤超声波信号对应的数字信号之前,基于所述调整值对当前的伤损回波采集阈值进行自动调整,直至完成针对所述目标钢轨的超声波探伤过程,并能够有效提高钢轨伤损识别过程的时效性、准确性和可靠性,也能够提高钢轨伤损识别结果的准确性,进而也能够应用阈值自动控制过程实现对钢轨超声波探伤结果的二次生成和钢轨伤损的二次识别。
基于上述内容,本申请实施例提供一种基于阈值自动控制的钢轨超声波探伤系统,参见图1,该钢轨超声波探伤系统的主要组成部分包含有:探轮、编码器、AD转换模块、FPGA模块、实时系统(Real-Time)、工控机和显示器等。其中,所述探轮具体可以为本申请的一个或多个实施例中的超声波传感器中的轮式传感器。可以理解的是,轮式探头,轮子由透声树脂材料制作,内充透声液,轴上装固定探头。一般有三个探头芯,向钢轨发射三种不同方向和不同波型的超声波。探伤时,轮胎随车运动而转动,而其中的探头芯不动,以保持声波的发射和接收方向不变。其中,探头里装有超声换能器,通过超声发射电路使换能器按定频率发射超声波。探伤时,耦合液喷淋装置在探头和钢轨之间喷洒耦合液,保证探头与钢轨耦合良好。使超声波束大部分能量能传入钢轨内。如无损伤存在,波束到达钢轨底面后依原路返回探头,得到底波。如有损伤,则在底波前出现一个损伤波,而底波峰值降低或消失。
在本申请的一个或多个实施例中,超声探伤仪的种类为A型(A超)+B型(B超),其中,A型为脉冲反射式,可以确定伤损的深度和大小,B型可以显示探头下方工件的缺陷分布和离探头侧面的深度,获得横截面图像;从目前的应用看来,B型扫描方式的实时钢轨超声图形显示方式成为潮流,操作人员监视直观,比较方便,利用计算机支持的高分辨率彩色显示器可以完成钢轨B扫描图形显示。
为了能够有效实现钢轨超声波探伤过程中的阈值自动控制,进而能够有效提高钢轨伤损识别过程的时效性、准确性和可靠性,本申请提供一种执行主体可以为前述的钢轨超声波探伤系统的基于阈值自动控制的钢轨超声波探伤方法的实施例,参见图2,所述基于阈值自动控制的钢轨超声波探伤方法具体包含有如下内容:
步骤100:获取目标钢轨当前的探伤超声波信号对应的数字信号。
步骤200:对所述数字信号进行特征提取,得到对应的特征组,该特征组中包含有伤损回波和钢轨草状波高度。
步骤300:根据当前的伤损回波采集阈值对所述伤损回波进行筛选,生成用于目标钢轨的伤损识别的B型图。
可以理解的是,本实施例利用“钢轨内草状波高度”作为动态阈值算法的基准信号。
在一种举例中,所述步骤300具体可以为:在所述目标钢轨当前的探伤超声波信号对应的数字信号中,根据伤损回波高度大于或等于所述伤损回波采集阈值的特征组,生成用于目标钢轨的伤损识别的B型图。
步骤400:基于所述钢轨草状波高度,应用模糊控制算法得到当前伤损回波采集阈值对应的调整值。
在步骤400中,可以根据动态阈值算法的基准信号,利用模糊控制算法计算得出最优的超声回波特征提取阈值,并将此值实时部署至FPGA特征提取模块中,从而实现超声回波的动态阈值闭环控制功能。
可以理解的是,模糊控制(Fuzzy Control)是建立在人工经验基础之上的。对于一个熟练的操作人员,往往能够凭借丰富的实践经验,采取适当的对策来巧妙的控制一个复杂过程。若能将这些熟练操作员的实践经验加以总结和描述,并用语言表达出来,就会得到一种定性的、不精确的控制规则。如果用模糊数据将其定量化,就转化为模糊控制算法。
步骤500:在获取所述目标钢轨的下一探伤超声波信号对应的数字信号之前,基于所述调整值对当前的伤损回波采集阈值进行自动调整,直至完成针对所述目标钢轨的超声波探伤过程。
从上述描述可知,本申请实施例提供的基于阈值自动控制的钢轨超声波探伤方法,能够有效实现钢轨超声波探伤过程中的阈值自动控制,能够自动且及时的调整钢轨伤损识别的过程,并能够有效提高钢轨伤损识别过程的时效性、准确性和可靠性,也能够提高钢轨伤损识别结果的准确性,进而也能够应用阈值自动控制过程实现对钢轨超声波探伤结果的二次生成和钢轨伤损的二次识别。
为了通过数据回放来进一步实现对目标钢轨进行二次伤损识别,在本申请的一个实施例中,参见图3,所述基于阈值自动控制的钢轨超声波探伤方法中的步骤400之后还包含有如下内容:
步骤600:基于所述伤损回波采集阈值的自动调整结果,对应增加检测数据回放界面中的回放阈值的可选项。
步骤700:接收所述回放阈值的调整指令。
步骤800:根据该调整指令在所述检测数据回放界面中调整所述回放阈值。
可以理解的是,操作人员可以通过文字输入或触屏等方式向所述基于阈值自动控制的钢轨超声波探伤系统发送回放阈值的调整指令,钢轨超声波探伤系统根据该回放阈值的调整指令在所述检测数据回放界面中调整所述回放阈值。
步骤900:基于调整后的回放阈值,更新所述B型图,以根据该更新后的B型图对目标钢轨进行二次伤损智能识别。
基于上述内容,在一种举例中,参见图4,在检测数据回放时,增加回放阈值控制窗口,可用鼠标控制滑动块,调节回放的阈值。B显绘制根据回放阈值进行显示,大于阈值的B显点才绘制。伤损识别根据显示的B显图形进行识别。X=0,Y=操作员设定阈值。调节回放阈值后,对应的弹出窗口显示的B显点数会增多或减少,伤损识别模块根据更新的B型图进行伤损识别。因此,本申请不但能够实现阈值的实时自动控制,提高钢轨探伤系统的自动化水平,增加检测结果中的有效数据数量。还能够在数据回放时,根据判别伤损的需要,操作员可动态调整显示阈值,可以使检测结果的B显图形结果二次生成和伤损二次识别。
本申请实施例利用AD和FPGA技术,将超声波信号转换成数字信号,在钢轨声程范围内提取“钢轨内草状波高度”作为阈值自动控制的基准信号,利用模糊控制算法计算得出最优的超声回波特征提取阈值,将此值实时部署至特征提取模块中,从而实现阈值自动控制功能,基于此,在一种具体实施方式,参见图5,所述基于阈值自动控制的钢轨超声波探伤方法中的步骤100具体包含有如下内容:
步骤101:接收超声波传感器发送的针对所述目标钢轨的探伤超声波信号。
步骤102:对所述目标钢轨的探伤超声波信号进行AD转化,得到该探伤超声波信号对应的数字信号。
而为了通过提高数据基础的准确性来进一步提高钢轨伤损识别结果的准确性,在一种具体实施方式,参见图6,所述基于阈值自动控制的钢轨超声波探伤方法中的步骤100之后且步骤200之前还具体包含有如下内容:
步骤A00:对所述数字信号进行数字滤波及检波处理。
为了有效实现钢轨超声波探伤过程中的阈值自动控制,进而能够有效提高钢轨伤损识别过程的时效性、准确性和可靠性,在一种具体实施方式,参见图7,所述基于阈值自动控制的钢轨超声波探伤方法中的步骤400具体包含有如下内容:
步骤401:若所述钢轨草状波高度小于预设的闸门阈值,则将观测量和控制量分别划分为多个不同评级的模糊集。
可以理解的是,所述观测量为所述闸门阈值与所述钢轨草状波高度之间的差值,所述控制量为所述闸门阈值与动态阈值之间的差值,该动态阈值大于所述钢轨草状波高度,且小于或等于所述闸门阈值。
步骤402:基于所述观测量的模糊集确定所述观测量对应的隶属函数,以及,基于所述控制量的模糊集确定所述控制量对应的隶属函数。
步骤403:基于所述观测量对应的隶属函数以及所述控制量对应的隶属函数,应用预设的模糊规则获取当前伤损回波采集阈值对应的调整值。
基于上述内容,在本申请的一个应用实例中,模糊控制的基本原理参见图8,所示。模糊控制是以模糊集理论、模糊语言变量和模糊逻辑推理为基础的一种智能控制方法,它从行为上模仿人的模糊推理和决策过程。该方法首先将操作人员或专家经验编成模糊规则,然后将来自传感器的实时信号模糊化,将模糊化的信号作为模糊规则的输入,完成模糊推理,将推理后得到的输出量加到执行器上。它的核心部分为模糊控制器,模糊控制器的控制律由计算机的程序实现。
实现一步模糊控制算法的过程描述如下:计算机经采样获取被控制量的精确值,然后此值与给定值比较得到误差信号E,一般选误差信号E作为模糊控制器的一个输入量。把误差信号E的精确量进行模糊化变成模糊量。误差E的模糊量可用相应的模糊语言表示,得到误差E的模糊语言集合的一个子集e(e是一个模糊向量),再由e和模糊关系R根据推理的合成规则进行模糊决策,得到模糊控制量u。
模糊控制系统与通常的计算机数字控制系统的主要差别是采用了模糊控制器。模糊控制器是模糊控制系统的核心,一个模糊控制系统的性能优劣,主要取决于模糊控制器的结构、所采用的模糊规则、合成推理算法及模糊决策的方法等因素。
模糊控制具有一些明显的特点:
1)模糊控制不需要被控对象的数学模型。模糊控制是以人对被控对象的控制经验为依据而设计的控制器,故无须知道被控对象的数据模型。
2)模糊控制是一种反映人类智慧的智能控制方法。模糊控制采用人类思维中的模糊量,如“高”、“低”、“大”、“小”等,控制量由模糊推理导出。这些模糊量和模糊推理是人类智能活动的体现。
3)模糊控制易于被人们接受。模糊控制的核心是控制规则,模糊规则是用语言来表示的,如“今天气温高,则今天天气暖和”等,易于被一般人所接受。
4)构造容易。模糊控制规则易于软件实现。
5)鲁棒性和适应性好。通过专家经验设计的模糊规则可以对复杂的对象进行有效的控制。
(1)模糊控制的模糊集合、隶属函数、隶属度
为了表示模糊概念,需要引入模糊集合、隶属函数及隶属度的概念。
隶属函数定义为:
式中,A成为模糊集合,由0,1及μA(x)构成;μA(x)表示元素x属于模糊集合A的程度,取值范围为(0,1),称μA(x)为x属于模糊集合A的隶属度。
隶属函数很好的描述了事物的模糊性。隶属函数有以下两个特点:
1)隶属函数的值域为[0,1],它将普通集合只能取0,1两个值,推广到[0,1]闭区间上连续取值。隶属函数的值μA(x)越接近于1,表示元素x属于模糊集合A的程度越大。反之,μA(x)越接近于0,表示元素x属于模糊集合A的程度越小。
2)隶属函数完全刻画了模糊集合,隶属函数是模糊数学的基本概念,不同的隶属函数所描述的模糊集合不同。
(2)隶属函数的确定方法
隶属函数是模糊控制的应用基础。目前还没有成熟的方法来确定隶属函数,主要还停留在经验和实验的基础上。通常的方法是初步确定粗略的隶属函数,然后通过“学习”和实践来不断地调整和完善。遵照这一原则的隶属函数选择方法有以下几种:
1)模糊统计法
根据所提出的模糊概念进行调查统计,提出与之对应的模糊集A,通过统计实验,确定不同元素属于A的程度。
2)主观经验法
当论域为离散论域时,可根据主观认识,结合个人经验,经过分析和推理,直接给出隶属度。这种确定隶属函数的方法已经被广泛应用。
3)神经网络法
利用神经网络的学习功能,由神经网络自动生成隶属函数,并通过网络的学习调整隶属函数的值。
(3)模糊控制器的组成
模糊控制器的组成主要有三个组成部分:模糊化接口、知识库、推理与解模糊接口,框图如图9所示。
(4)模糊控制器的设计步骤
模糊控制器最简单的实现方法是将一系列的模糊控制规则离线转化为一个查询表(又称为控制表),存储在计算机中供在线控制时使用。这种模糊控制器结构简单,使用方便,是最基本的一种形式。模糊控制器的设计步骤如下:
1)定义输入、输出模糊集合
定义误差e、控制量u的模糊集合,例如{NB,NM,NS,ZO,PS,PM,PB}。
2)定义输入、输出隶属函数
误差e、控制量u的模糊集合和论域确定后,需对模糊变量确定隶属函数,即对模糊变量赋值,确定论域内元素对模糊变量的隶属度。
3)建立模糊控制规则
根据人的直觉思维推理,由系统输出的误差及误差的变化趋势来设计消除系统误差的模糊控制规则。模糊控制规则语句构成了描述众多被控过程的模糊模型。
4)建立模糊控制表
由模糊控制规则建立模糊控制表。
5)模糊推理
模糊推理是模糊控制的核心,它利用某种模糊推理算法和模糊规则进行推理,得出最终的控制量。
6)反模糊化
通过模糊推理得到的结果是一个模糊集合。但在实际模糊控制中,必须要有一个确定值才能控制或驱动执行机构。将模糊推理结构转化为精确值的过程称为反模糊化。常用的反模糊化方法有3种:
1)最大隶属度法。
选取推理结果的模糊集合中隶属度最大的元素作为输出值,即v0=maxμv(v),v∈V。如果在输出论域V中,其最大隶属度对应的输出值多余一个,则取所有具有最大隶属度输出的平均值。
最大隶属度法不考虑输出隶属度函数的形状,只考虑最大隶属度处的输出值。因此,难免会丢失许多信息。其突出特点是计算简单。在一些控制要求不高的场合,可采用最大隶属度法。
2)重心法
为了获得准确的控制量,就要求模糊方法能够很好地表达输出隶属度函数的计算结果。重心法是取隶属度函数曲线与横坐标围成面积的重心作为模糊推理的最终输出值,与最大隶属度法相比较,重心法具有更平滑的输出推理控制。即使对应于输入信号的微小变化,输出也会发生变化。
3)加权平均法
工业控制中广泛使用的反模糊方法为加权平均法,不同的系数决定系统具有不同的响应特性。
基于上述内容,本申请的步骤300具体举例内容如下所述:
(1)确定动态阈值观测量和控制量
将钢轨草状波高度hc、闸门阈值h0、以及两者的高度差e=h0-hc作为观测量。将动态阈值高度hd与闸门阈值h0的高度差Δh=h0-hd作为控制量。当hc<h0时,进行模糊控制。
(2)输入量和输出量的模糊化
将高度差e分为5个模糊集:最大(MB)、较大(NB)、适中(MD)、较小(NS)、最小(MS),根据探伤系统的操作经验,选用三角形和梯形隶属函数实现高度差e的模糊化,隶属函数表示为μe(x)。
控制量Δh划分为5个模糊集:最大(MB)、较大(NB)、适中(MD)、较小(NS)、最小(MS),根据探伤系统的操作经验,选用三角形和梯形隶属函数实现控制量Δh的模糊化,隶属函数表示为μΔh。
(3)模糊规则描述
根据探伤系统的操作经验设置以下模糊规则:
1.若e最大,则Δh最大;
2.若e较大,则Δh较大;
3.若e适中,则Δh适中;
4.若e较小,则Δh较小;
5.若e最小,则Δh最小;
可得模糊控制规则表,见表1:
表1控制量Δh的模糊划分表
若(IF) | MB<sub>e</sub> | NB<sub>e</sub> | MD<sub>e</sub> | NS<sub>e</sub> | MS<sub>e</sub> |
则(THEN) | MB<sub>Δh</sub> | NB<sub>Δh</sub> | MD<sub>Δh</sub> | NS<sub>Δh</sub> | MS<sub>Δh</sub> |
(4)模糊推理
假定探伤系统的钢轨草状波高度hc=7%,闸门阈值设置为h0=50%,则高度差e=h0-hc=43%,分别带入高度差e所属的隶属函数求隶属度为:
μMB=0.53,μNB2=0.85,μMD=0,μNS=0,μMS=0
可得到2条匹配的模糊规则,见表2:
表2匹配的模糊规则
高度差e | MB<sub>e</sub>(0.53) | NB2<sub>e</sub>(0.85) |
控制量Δh | MB<sub>Δh</sub> | NB2<sub>Δh</sub> |
(5)模糊决策
模糊控制器的输出为2个模糊规则推理结果的并集,即:
μΔh=μMB(0.53)∪μNB2(0.85)
(6)控制量的反模糊化
以最大隶属度法进行反模糊化,可得此时模糊控制器的输出值为:
Δh=Max(μMB(0.53),μNB2(0.85))=38%
即高度差e为43%时,动态阈值高度设置为hd=h0-Δh=5%。
按照上述方法,按照1%的步长将高度差e进行枚举,离线计算出动态阈值模糊控制响应表。
模糊控制算法主要包括两个部分:离线计算和及时控制。离线计算已经在上一节中完成,得到了动态阈值模糊控制响应表;实时控制主要根据闸门阈值与钢轨草状波高度差查询得到动态阈值,并将动态阈值实时部署至FPGA中。
在数字化样机中,每个超声发射周期的钢轨草状波高度可在FPGA中实时提取出来,与其他回波特征一起传输至RT中进行处理。模糊控制算法即在RT中实现,将闸门阈值h0与钢轨草状波高度hc之差e=h0-hc作为观测量,通过查询动态阈值模糊控制响应表,得到控制量Δh(动态阈值高度hd与闸门阈值h0的高度差Δh=h0-hd),再将动态阈值高度hd=h0-Δh部署至FPGA中,利用动态阈值实时提取回波特征。
需要特别说明的是,模糊控制的隶属函数是根据主观认识,结合个人经验,经过分析和推理直接给出的。这样确定的隶属函数是粗略的,需要通过试验来验证模糊控制的有效性,通过“学习”和实践来不断的调整和完善隶属函数。本小节的隶属函数和动态阈值响应表已经经过了试验验证和完善,动态阈值模糊控制可满足探伤作业的要求。
参见图10,在本申请的一个应用实例中,所述特征组具体包含有伤损回波声程、幅值、宽度、发射脉冲、界面波、底波和草状波。且所述生成用于目标钢轨的伤损识别的B型图的具体方式可以为根据所述特征组中的伤损回波声程生成用于目标钢轨的伤损识别的B型图。另外,所述钢轨超声波探伤方法中包含有下述步骤:
步骤B00:根据所述特征组中的伤损回波声程、幅值和宽度,生成并存储用于回放的所述目标钢轨当前的探伤超声波信号对应的A型特征值。
步骤C00:根据所述特征组中的发射脉冲、界面波、底波和钢轨草状波,进行系统状态实时监控与报警。以进一步提高钢轨伤损识别结果的准确性。
从软件层面来说,为了能够有效实现钢轨超声波探伤过程中的阈值自动控制,进而能够有效提高钢轨伤损识别过程的时效性、准确性和可靠性,本申请提供一种用于执行所述基于阈值自动控制的钢轨超声波探伤方法中全部或部分内容的基于阈值自动控制的钢轨超声波探伤系统的实施例,参见图11,所述基于阈值自动控制的钢轨超声波探伤系统具体包含有如下内容:
信号获取模块10,用于获取目标钢轨当前的探伤超声波信号对应的数字信号。
特征提取模块20,用于对所述数字信号进行特征提取,得到对应的特征组,该特征组中包含有伤损回波和钢轨草状波高度;
信号筛选模块30,用于根据当前的伤损回波采集阈值对所述伤损回波进行筛选,生成用于目标钢轨的伤损识别的B型图。
在一种举例中,所述信号筛选模块30具体包含有:信号筛选单元31,用于在所述目标钢轨当前的探伤超声波信号对应的数字信号中,删除小于或等于所述伤损回波采集阈值的数字信号。
模糊控制模块40,用于基于所述钢轨草状波高度,应用模糊控制算法得到当前伤损回波采集阈值对应的调整值。
阈值自动调整模块50,用于在获取所述目标钢轨的下一探伤超声波信号对应的数字信号之前,基于所述调整值对当前的伤损回波采集阈值进行自动调整,直至完成针对所述目标钢轨的超声波探伤过程。
从上述描述可知,本申请实施例提供的基于阈值自动控制的钢轨超声波探伤系统,能够有效实现钢轨超声波探伤过程中的阈值自动控制,能够自动且及时的调整钢轨伤损识别的过程,并能够有效提高钢轨伤损识别过程的时效性、准确性和可靠性,也能够提高钢轨伤损识别结果的准确性,进而也能够应用阈值自动控制过程实现对钢轨超声波探伤结果的二次生成和钢轨伤损的二次识别。
为了通过数据回放来进一步实现对目标钢轨进行二次伤损识别,在本申请的一个实施例中,参见图12,所述基于阈值自动控制的钢轨超声波探伤系统中还包含有如下内容:
回放阈值增加模块60,用于基于所述伤损回波采集阈值的自动调整结果,对应增加检测数据回放界面中的回放阈值的可选项。
调整指令接收模块70,用于接收所述回放阈值的调整指令。
回放阈值调整模块80,用于根据该调整指令在所述检测数据回放界面中调整所述回放阈值。
二次伤损识别模块90,用于基于调整后的回放阈值,更新所述B型图,以根据该更新后的B型图对目标钢轨进行二次伤损智能识别。
本申请实施例利用AD和FPGA技术,将超声波信号转换成数字信号,在钢轨声程范围内提取“钢轨内草状波高度”作为阈值自动控制的基准信号,利用模糊控制算法计算得出最优的超声回波特征提取阈值,将此值实时部署至特征提取模块中,从而实现阈值自动控制功能,基于此,在一种具体实施方式,参见图13,所述基于阈值自动控制的钢轨超声波探伤系统中的信号获取模块10具体包含有如下内容:
信号接收单元11,用于接收超声波传感器发送的针对所述目标钢轨的探伤超声波信号。
数字转化单元12,用于对所述目标钢轨的探伤超声波信号进行AD转化,得到该探伤超声波信号对应的数字信号。
而为了通过提高数据基础的准确性来进一步提高钢轨伤损识别结果的准确性,在一种具体实施方式,参见图14,所述基于阈值自动控制的钢轨超声波探伤系统中还具体包含有如下内容:
信号预处理模块A0,用于对所述数字信号进行数字滤波及检波处理。
为了有效实现钢轨超声波探伤过程中的阈值自动控制,进而能够有效提高钢轨伤损识别过程的时效性、准确性和可靠性,在一种具体实施方式,参见图15,所述基于阈值自动控制的钢轨超声波探伤系统中的模糊控制模块40具体包含有如下内容:
模糊集划分单元41,用于若所述草状波的高度小于预设的闸门阈值,则将观测量和控制量分别划分为多个不同评级的模糊集,其中,所述观测量为所述闸门阈值与所述草状波的高度之间的差值,所述控制量为所述闸门阈值与动态阈值之间的差值,该动态阈值大于所述草状波的高度,且小于或等于所述闸门阈值。
隶属函数确定单元42,用于基于所述观测量的模糊集确定所述观测量对应的隶属函数,以及,基于所述控制量的模糊集确定所述控制量对应的隶属函数。
调整值获取单元43,用于基于所述观测量对应的隶属函数以及所述控制量对应的隶属函数,应用预设的模糊规则获取当前伤损回波采集阈值对应的调整值。
在本申请的一个应用实例中,所述特征组具体包含有声程、幅值、宽度、发射脉冲、界面波、底波和草状波。且所述生成用于目标钢轨的伤损识别的B型图的具体方式可以为根据所述特征组中的声程生成用于目标钢轨的伤损识别的B型图。基于此,所述信号筛选模块30中还具体包含有:B型图单元32,用于根据所述特征组中的声程生成用于目标钢轨的伤损识别的B型图。
基于上述内容,所述钢轨超声波探伤系统中还包含有下述内容:
A型特征单元B0,用于根据所述特征组中的声程、幅值和宽度,生成并存储用于回放的所述目标钢轨当前的探伤超声波信号对应的A型特征值。
监控报警单元C0,用于根据所述特征组中的发射脉冲、界面波、底波和草状波,进行系统状态实时监控与报警。
从硬件层面来看,本申请的实施例还提供能够实现上述实施例中的基于阈值自动控制的钢轨超声波探伤方法中全部步骤的一种电子设备的具体实施方式,参见图16,所述电子设备具体包括如下内容:
处理器(processor)601、存储器(memory)602、通信接口(CommunicationsInterface)603和总线604;
其中,所述处理器601、存储器602、通信接口603通过所述总线604完成相互间的通信;所述通信接口603用于实现基于阈值自动控制的钢轨超声波探伤系统、相关数据库以及其他参与机构之间的信息传输;
所述处理器601用于调用所述存储器602中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的基于阈值自动控制的钢轨超声波探伤方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:获取目标钢轨当前的探伤超声波信号对应的数字信号。
步骤200:对所述数字信号进行特征提取,得到对应的特征组,该特征组中包含有伤损回波和钢轨草状波高度。
步骤300:根据当前的伤损回波采集阈值对所述伤损回波进行筛选,生成用于目标钢轨的伤损识别的B型图。
步骤400:基于所述钢轨草状波高度,应用模糊控制算法得到当前伤损回波采集阈值对应的调整值。
步骤500:在获取所述目标钢轨的下一探伤超声波信号对应的数字信号之前,基于所述调整值对当前的伤损回波采集阈值进行自动调整,直至完成针对所述目标钢轨的超声波探伤过程。
从上述描述可知,本申请实施例提供的电子设备,能够有效实现钢轨超声波探伤过程中的阈值自动控制,能够自动且及时的调整钢轨伤损识别的过程,并能够有效提高钢轨伤损识别过程的时效性、准确性和可靠性,也能够提高钢轨伤损识别结果的准确性,进而也能够应用阈值自动控制过程实现对钢轨超声波探伤结果的二次生成和钢轨伤损的二次识别。
本申请的实施例还提供能够实现上述实施例中的基于阈值自动控制的钢轨超声波探伤方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的基于阈值自动控制的钢轨超声波探伤方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:获取目标钢轨当前的探伤超声波信号对应的数字信号。
步骤200:对所述数字信号进行特征提取,得到对应的特征组,该特征组中包含有伤损回波和钢轨草状波高度。
步骤300:根据当前的伤损回波采集阈值对所述伤损回波进行筛选,生成用于目标钢轨的伤损识别的B型图。
步骤400:基于所述钢轨草状波高度,应用模糊控制算法得到当前伤损回波采集阈值对应的调整值。
步骤500:在获取所述目标钢轨的下一探伤超声波信号对应的数字信号之前,基于所述调整值对当前的伤损回波采集阈值进行自动调整,直至完成针对所述目标钢轨的超声波探伤过程。
从上述描述可知,本申请实施例提供的计算机可读存储介质,能够有效实现钢轨超声波探伤过程中的阈值自动控制,能够自动且及时的调整钢轨伤损识别的过程,并能够有效提高钢轨伤损识别过程的时效性、准确性和可靠性,也能够提高钢轨伤损识别结果的准确性,进而也能够应用阈值自动控制过程实现对钢轨超声波探伤结果的二次生成和钢轨伤损的二次识别。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书实施例。对于本领域技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施例的权利要求范围之内。
Claims (18)
1.一种基于阈值自动控制的钢轨超声波探伤方法,其特征在于,包括:
获取目标钢轨当前的探伤超声波信号对应的数字信号;
对所述数字信号进行特征提取,得到对应的特征组,该特征组中包含有伤损回波和钢轨草状波高度;
根据当前的伤损回波采集阈值对所述伤损回波进行筛选,生成用于目标钢轨的伤损识别的B型图;
基于所述钢轨草状波高度,应用模糊控制算法得到当前伤损回波采集阈值对应的调整值;
在获取所述目标钢轨的下一探伤超声波信号对应的数字信号之前,基于所述调整值对当前的伤损回波采集阈值进行自动调整,直至完成针对所述目标钢轨的超声波探伤过程;
其中,所述基于所述钢轨草状波高度,应用模糊控制算法得到当前伤损回波采集阈值对应的调整值,包括:
若所述钢轨草状波高度小于预设的闸门阈值,则将观测量和控制量分别划分为多个不同评级的模糊集,其中,所述观测量为所述闸门阈值与所述钢轨草状波高度之间的差值,所述控制量为所述闸门阈值与动态阈值之间的差值,该动态阈值大于所述钢轨草状波高度,且小于或等于所述闸门阈值;
基于所述观测量的模糊集确定所述观测量对应的隶属函数,以及,基于所述控制量的模糊集确定所述控制量对应的隶属函数;
基于所述观测量对应的隶属函数以及所述控制量对应的隶属函数,应用预设的模糊规则获取当前伤损回波采集阈值对应的调整值。
2.根据权利要求1所述的钢轨超声波探伤方法,其特征在于,还包括:
基于所述伤损回波采集阈值的自动调整结果,对应增加检测数据回放界面中的回放阈值的可选项;
接收所述回放阈值的调整指令;
根据该调整指令在所述检测数据回放界面中调整所述回放阈值;
以及,基于调整后的回放阈值,更新所述B型图,以根据该更新后的B型图对目标钢轨进行二次伤损智能识别。
3.根据权利要求1所述的钢轨超声波探伤方法,其特征在于,所述获取目标钢轨当前的探伤超声波信号对应的数字信号,包括:
接收超声波传感器发送的针对所述目标钢轨的探伤超声波信号;
对所述目标钢轨的探伤超声波信号进行AD转化,得到该探伤超声波信号对应的数字信号。
4.根据权利要求1所述的钢轨超声波探伤方法,其特征在于,在所述对所述数字信号进行特征提取之前,还包括:
对所述数字信号进行数字滤波及检波处理。
5.根据权利要求1所述的钢轨超声波探伤方法,其特征在于,所述根据当前的伤损回波采集阈值对伤损回波进行筛选,包括:
在所述目标钢轨当前的探伤超声波信号对应的特征组中,根据伤损回波高度大于或等于所述伤损回波采集阈值的特征组,生成用于目标钢轨的伤损识别的B型图。
6.根据权利要求1所述的钢轨超声波探伤方法,其特征在于,所述特征组还包含有:伤损回波声程;
所述生成用于目标钢轨的伤损识别的B型图,包括:
根据所述特征组中的伤损回波声程生成用于目标钢轨的伤损识别的B型图。
7.根据权利要求6所述的钢轨超声波探伤方法,其特征在于,所述特征组还包含有:幅值和宽度;
所述钢轨超声波探伤方法还包括:
根据所述特征组中的伤损回波声程、幅值和宽度,生成并存储用于回放的所述目标钢轨当前的探伤超声波信号对应的A型特征值。
8.根据权利要求1、6或7所述的钢轨超声波探伤方法,其特征在于,所述特征组还包含有:发射脉冲、界面波和底波;
所述钢轨超声波探伤方法还包括:
根据所述特征组中的发射脉冲、界面波、底波和钢轨草状波,进行系统状态实时监控与报警。
9.一种基于阈值自动控制的钢轨超声波探伤系统,其特征在于,包括:
信号获取模块,用于获取目标钢轨当前的探伤超声波信号对应的数字信号;
特征提取模块,用于对所述数字信号进行特征提取,得到对应的特征组,该特征组中包含有伤损回波和钢轨草状波高度;
信号筛选模块,用于根据当前的伤损回波采集阈值对所述伤损回波进行筛选,生成用于目标钢轨的伤损识别的B型图;
模糊控制模块,用于基于所述钢轨草状波高度,应用模糊控制算法得到当前伤损回波采集阈值对应的调整值;
阈值自动调整模块,用于在获取所述目标钢轨的下一探伤超声波信号对应的数字信号之前,基于所述调整值对当前的伤损回波采集阈值进行自动调整,直至完成针对所述目标钢轨的超声波探伤过程;
其中,所述模糊控制模块包括:
模糊集划分单元,用于若所述钢轨草状波高度小于预设的闸门阈值,则将观测量和控制量分别划分为多个不同评级的模糊集,其中,所述观测量为所述闸门阈值与所述钢轨草状波高度之间的差值,所述控制量为所述闸门阈值与动态阈值之间的差值,该动态阈值大于所述钢轨草状波高度,且小于或等于所述闸门阈值;
隶属函数确定单元,用于基于所述观测量的模糊集确定所述观测量对应的隶属函数,以及,基于所述控制量的模糊集确定所述控制量对应的隶属函数;
调整值获取单元,用于基于所述观测量对应的隶属函数以及所述控制量对应的隶属函数,应用预设的模糊规则获取当前伤损回波采集阈值对应的调整值。
10.根据权利要求9所述的钢轨超声波探伤系统,其特征在于,还包括:
回放阈值增加模块,用于基于所述伤损回波采集阈值的自动调整结果,对应增加检测数据回放界面中的回放阈值的可选项;
调整指令接收模块,用于接收所述回放阈值的调整指令;
回放阈值调整模块,用于根据该调整指令在所述检测数据回放界面中调整所述回放阈值;
二次伤损识别模块,用于基于调整后的回放阈值,更新所述B型图,以根据该更新后的B型图对目标钢轨进行二次伤损智能识别。
11.根据权利要求9所述的钢轨超声波探伤系统,其特征在于,所述信号获取模块包括:
信号接收单元,用于接收超声波传感器发送的针对所述目标钢轨的探伤超声波信号;
数字转化单元,用于对所述目标钢轨的探伤超声波信号进行AD转化,得到该探伤超声波信号对应的数字信号。
12.根据权利要求9所述的钢轨超声波探伤系统,其特征在于,还包括:
信号预处理模块,用于对所述数字信号进行数字滤波及检波处理。
13.根据权利要求9所述的钢轨超声波探伤系统,其特征在于,所述信号筛选模块包括:
信号筛选单元,用于在所述目标钢轨当前的探伤超声波信号对应的特征组中,根据大于或等于所述伤损回波采集阈值的特征组,生成用于目标钢轨的伤损识别的B型图。
14.根据权利要求9所述的钢轨超声波探伤系统,其特征在于,所述特征组还包含有:伤损回波声程;
所述筛选模块还包括:
B型图单元,用于根据所述特征组中的伤损回波声程生成用于目标钢轨的伤损识别的B型图。
15.根据权利要求14所述的钢轨超声波探伤系统,其特征在于,所述特征组还包含有:幅值和宽度;
所述钢轨超声波探伤系统还包括:
A型特征单元,用于根据所述特征组中的伤损回波声程、幅值和宽度,生成并存储用于回放的所述目标钢轨当前的探伤超声波信号对应的A型特征值。
16.根据权利要求9、14或15所述的钢轨超声波探伤系统,其特征在于,所述特征组还包含有:发射脉冲、界面波和底波;
所述钢轨超声波探伤系统还包括:
监控报警单元,用于根据所述特征组中的发射脉冲、界面波、底波和钢轨草状波,进行系统状态实时监控与报警。
17.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至8任一项所述的基于阈值自动控制的钢轨超声波探伤方法的步骤。
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至8任一项所述的基于阈值自动控制的钢轨超声波探伤方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910116995.0A CN109856241B (zh) | 2019-02-15 | 2019-02-15 | 基于阈值自动控制的钢轨超声波探伤方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910116995.0A CN109856241B (zh) | 2019-02-15 | 2019-02-15 | 基于阈值自动控制的钢轨超声波探伤方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109856241A CN109856241A (zh) | 2019-06-07 |
CN109856241B true CN109856241B (zh) | 2022-02-08 |
Family
ID=66897965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910116995.0A Active CN109856241B (zh) | 2019-02-15 | 2019-02-15 | 基于阈值自动控制的钢轨超声波探伤方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109856241B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111398431A (zh) * | 2020-03-03 | 2020-07-10 | 西安理工大学 | 一种自适应高度的多闸门钢轨判伤系统及方法 |
CN111562307B (zh) * | 2020-04-22 | 2022-05-20 | 南京航空航天大学 | 一种基于直流漏磁原理的钢轨伤损数量实时统计方法 |
CN111855810B (zh) * | 2020-07-20 | 2023-02-03 | 济南大学 | 一种基于循环神经网络的轨底伤损识别方法及系统 |
CN112147221B (zh) * | 2020-09-22 | 2023-02-03 | 济南大学 | 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及系统 |
CN113447574B (zh) * | 2021-06-23 | 2023-02-03 | 北京世纪东方智汇科技股份有限公司 | 一种基于超声波轨道探伤的图显示方法及装置 |
CN115144474A (zh) * | 2022-06-27 | 2022-10-04 | 东莞灵虎智能科技有限公司 | 一种超声信号数据质量检测方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0332553A (ja) * | 1989-06-29 | 1991-02-13 | Omron Corp | 工具折損検出装置 |
US5571969A (en) * | 1992-05-14 | 1996-11-05 | Mitsubishi Jukogyo Kabushiki Kaisha | Vibration detection and reduction system and vibration sensors for use in micro-gravity environment |
CN101067618B (zh) * | 2007-06-08 | 2010-05-19 | 华中科技大学 | 一种用于检测非金属介质的多通道超声波采集装置 |
CN105139560B (zh) * | 2015-07-14 | 2017-08-15 | 山东康威通信技术股份有限公司 | 基于监狱隔离网振动监测的环境干扰滤除系统及其方法 |
CN105806948B (zh) * | 2016-03-03 | 2019-04-05 | 奥瑞视(北京)科技有限公司 | 基于局部水浸耦合方式单晶直探头的中厚板超声检测方法 |
CN106525971A (zh) * | 2016-11-16 | 2017-03-22 | 西安理工大学 | 便携式自动超声波无损探伤定位仪及其检测轨道的方法 |
CN107677729A (zh) * | 2017-10-24 | 2018-02-09 | 中国铁路总公司 | 铁路钢轨探伤系统 |
CN108803312B (zh) * | 2018-04-19 | 2021-07-09 | 西安交通大学 | 一种新型道路损坏检测系统 |
CN109030628B (zh) * | 2018-06-25 | 2020-04-28 | 北京交通大学 | 基于振动噪声频谱特征匹配的轨道结构力学性能评价方法 |
CN109060964A (zh) * | 2018-09-17 | 2018-12-21 | 北京云率数据科技有限公司 | 一种用于钢轨探伤车探轮的耦合液循环加注装置及方法 |
-
2019
- 2019-02-15 CN CN201910116995.0A patent/CN109856241B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109856241A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109856241B (zh) | 基于阈值自动控制的钢轨超声波探伤方法及系统 | |
CN109657880A (zh) | 一种基于贝叶斯网络的船舶碰撞事故等级预测方法和系统 | |
Zhang et al. | A multi-module generative adversarial network augmented with adaptive decoupling strategy for intelligent fault diagnosis of machines with small sample | |
CN109919082A (zh) | 基于lstm与emd的模态识别方法 | |
Ghafoor et al. | Non-contact detection of railhead defects and their classification by using convolutional neural network | |
CN114898206A (zh) | 一种短时强降水预报方法及计算机设备和存储介质 | |
Zhang et al. | Surface hardness monitoring of laser shock Peening: Acoustic emission and key frame selection | |
CN114117912A (zh) | 一种数据模型双驱动下的海杂波建模与抑制方法 | |
Lees et al. | Case based reasoning in a hybrid agent-oriented system | |
CN113570594A (zh) | 超声图像中目标组织的监测方法、装置及存储介质 | |
Wang et al. | Penetration recognition based on machine learning in arc welding: a review | |
Lim et al. | Gaussian process auto regression for vehicle center coordinates trajectory prediction | |
Bagheri et al. | Noise-Resistant Feature Extraction from Measured Data of a Passive Sonar. | |
CN117173461A (zh) | 一种多视觉任务的灌装容器缺陷检测方法、系统及介质 | |
Linda et al. | Importance sampling based defuzzification for general type-2 fuzzy sets | |
Ellison et al. | An acoustic scene perspective on spatial, temporal, and spectral aspects of marine mammal behavioral responses to noise | |
CN106680800A (zh) | 一种双频识别声纳数据处理方法 | |
Krasheninnikov et al. | Pseudo-gradient algorithms for forecasting and filtering cylindrical and circular images | |
Zhao et al. | Multiple obstacles detection using fuzzy interface system for auv navigation in natural water | |
CN106019267A (zh) | 运动物体检测装置 | |
Azarov et al. | Sound field reconstruction from incomplete data by solving fuzzy relational equations | |
Lees et al. | Neural network support in a hybrid case-based forecasting system | |
Jia | Convolutional Neural Network and Its Application in Handwritten Digit and Traffic Sign Recognition | |
Zhang et al. | Time-delay wavelet network predictor based on sensitivity analysis with application to predictive ship course control | |
CN108536871A (zh) | 粒子滤波并限定动态规划搜索范围的音乐主旋律提取方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |