CN111855793A - 一种基于表面磁记忆信号的无缝铁轨内部温度应力早期诊断方法 - Google Patents
一种基于表面磁记忆信号的无缝铁轨内部温度应力早期诊断方法 Download PDFInfo
- Publication number
- CN111855793A CN111855793A CN201910292110.2A CN201910292110A CN111855793A CN 111855793 A CN111855793 A CN 111855793A CN 201910292110 A CN201910292110 A CN 201910292110A CN 111855793 A CN111855793 A CN 111855793A
- Authority
- CN
- China
- Prior art keywords
- magnetic memory
- time domain
- wavelet
- seamless
- memory signal
- 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.)
- Pending
Links
- 230000005291 magnetic effect Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013399 early diagnosis Methods 0.000 title claims abstract description 6
- 238000000513 principal component analysis Methods 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000013499 data model Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 3
- 238000010801 machine learning Methods 0.000 claims abstract description 3
- 238000005457 optimization Methods 0.000 claims abstract description 3
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 abstract description 7
- 239000002184 metal Substances 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 5
- 230000005294 ferromagnetic effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 230000005330 Barkhausen effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005358 geomagnetic field Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000005381 magnetic domain Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
- G01L5/0047—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes measuring forces due to residual stresses
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measuring Magnetic Variables (AREA)
Abstract
本发明属于高速铁路无缝线路轨道稳定性的检测和评估领域，具体涉及一种基于表面磁记忆信号的无缝铁轨内部温度应力早期诊断方法。包括提出一种铁路现场测量方案对无缝铁轨内部在不同程度温度应力积累下表面金属磁记忆信号进行采集；对各帧磁记忆信号进行时域特征分析并进行主元分析PCA特征选优；利用傅立叶变换以及功率谱分析确定小波分解层数；最大小波能量‑香农熵比值确定小波基；对信号进行小波包分解并提取其子频带能量信息作为磁记忆信号频域特征；结合时频域特征，利用机器学习算法建立数据模型并对铁路内部温度应力积累程度进行诊断。本发明能够快速判断无缝线路内部应力累积程度，实现铁轨损伤的早期预防，减少事故的发生，具有实际的工程应用价值。
Description
技术领域
本发明属于高速铁路无缝线路轨道稳定性的检测和评估领域,具体涉及一种基于表面磁记忆信号的无缝铁轨内部温度应力早期诊断方法。
背景技术
我国铁路事业飞速发展，无缝铁轨被广泛的应用在高速铁路建设中，其特点是每段轨之间以焊接形式连接，因此因气温变化时铁轨的热胀冷缩被限制，其内部往往会积累巨大的温度应力，加上高速行驶的列车碾压造成的残余应力，如果不能及时处理，当应力累积到一定程度时，铁轨易发生扭曲甚至断裂，因此，对无缝线路内部应力积累情况的快速早期评估具有现实意义。
金属磁记忆技术是新兴的唯一被动无损检测方法，其原理可以简明阐述为铁磁性工件受工作载荷和地磁场的共同作用，在应力和变形集中区域会发生磁致伸缩性质的磁畴组织定向、不可逆的重新取向，形成漏磁场，其区别于其他无损检测手段最主要的方面是其不仅能检测出铁磁构件宏观缺陷，同时也能反映工件内部应力集中及早期损伤。自1999年俄国学者DOUBV将此技术在中国提出后，国内大量学者做了很多磁记忆机理及应用方面的研究，但大都针对工件或工业设备焊接裂缝及宏观裂纹，其在交通尤其新兴无缝线路的隐性损伤诊断甚少。
在铁路检测方面，超声波检测技术应用广泛，但其只能检测已存在的宏观缺陷，无法通过检测内部应力对其寿命进行估计。
发明内容
针对目前磁记忆检测技术在无缝线路检测方面应用甚少，且在铁磁构件应力检测中仅能定性检测,达不到定量检测的，本发明的目的是提供一种铁磁构件应力定量检测方法,通过提取无缝铁轨内部不同程度温度应力积累情况下表面金属磁记忆信号特征的方法，将无缝线路内部温度应力状况与其表面金属磁记忆信号特征联系起来，并建立预测模型，可用于无缝线路沿线检测对铁路内部应力积累状况的评估及早期预警。
为达到上述目的,本发明采用的技术方案是:对不同温度应力下法线方向上的磁记忆信号进行采集；对所得的磁记忆信号进行时域分析并进行主元分析PCA,进行优选，得到时域特征向量；对所得的磁记忆信号进行频域分析，得到频域特征向量；将得到的时频域特征向量汇总得到最终特征向量；用提取的各特征向量建立训练集，并训练预测模型；将需要诊断的检测数据输入预测模型，得到定量检测结果。
进一步,所述磁记忆信号的采集.需要在测量的无缝线路段每隔一段距离进行标记，采集各标记点轨腰处内部温度应力值(单位Mpa)及该点前后0.5m范围内法线方向磁记忆信号为一帧数据(单位：A/mm)，如图2。
进一步,所述得到的不同应力下各帧数据x＝{x1,x2,...,xN},时域统计量包括：“均方根”、“极差”、“偏度”、“峰度”、“峭度”、“整流平均值”、“方差”及“标准差”，其计算公式分别为：
均方根：
极差：pd＝xmax-xmin (2)
偏度：
峰度：
峭度：
整流平均值：
方差及标准差：
初步得到时域特征向量：T＝[rms,pd,ske,ku,kur,av,va,st]。PCA降维处理将上述时域特征向量T由8维降至k'维：t＝[pc(m)],(m＝1,2,…,k')，k'由主元分析PCA,分析后贡献较大的成分个数决定。
进一步,所述得到的不同应力下各帧数据x＝{x1,x2,...,xN}进行离散傅立叶变换并求出其功率谱重心，观察其主要幅值所处频率段fd。；得到的频谱分析结果，确定小波分解层数J；计算在不同小波基下磁记忆信号的能量-香农熵比，选择能量-香农熵比比值最大的为合适小波基。根据所得小波基与所确定的小波分解层数，对得到的磁记忆信号进行J层分解及重构，得到2n个子频带并求出各子频带能量，取前四个子频带信号能量作为磁记忆信号频域特征::
k取值由实际情况决定。
进一步,将所述得到的时域特征向量与频域特征向量合并：
为最终提取的信号特征。
计算公式如下:
离散傅里叶变换公式为：
其中N为采样序列长度。
功率谱重心公式为：
小波分解层数J确定公式为：
其中fs为采样频率，fd为需要识别的频率，在实际应用中，可以在此基础上增加1层提高分辨率。
小波能量-香农熵比值公式为：
其中
为小波分解第i级的能量，di(m)为信号小波分解第m个小波系数，M为信号小波分解第i级小波系数的总个数，为2n个，n为小波分解层数，且有：
其中
是小波系数的能量概率密度，且
若pm＝0,则相应的pm loga pm＝0。
其中
为小波包树底层各子频带重构信号，xjk为
离散点的幅值且有总信号
进一步,现有大部分机器学习算法均可用于训练数据模型，如SVM，ELM等。
与现有技术相比，本发明的有益效果是：
1、为磁记忆技术在无缝线路的内部应力定量研究方向打下基础，为无缝线路沿线检测及维护提供了新的方法思路。
2、本发明在随机信号处理基础上，从时域与频域两方面分析不同应力下的磁记忆信号特征，建立数据模型，能够快速判断无缝线路内部应力累积程度，实现铁轨损伤的早期预防，减少事故的发生，具有实际的工程应用价值。
附图说明
图1是本发明实施例的一种基于表面磁记忆信号的无缝铁轨内部温度应力早期诊断方法流程图。
图2是本发明各帧数据采集示意图。
具体实施方式
以下结合具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明中具体实验数据来源为中国河北保定工务段保满线下行，长度为1100m无缝线路，所测量的固定区长度为900m。磁记忆信号由俄国动力诊断公司的TSC-1M-4型仪器采集，各测量点内部应力值由本实验室自主开发且拥有自主产权的金属磁巴克豪森噪声应力仪测量。分析软件环境为Matlab2016a的编程脚本下进行。
本发明方法具体实施步骤如下所述：
步骤1，现场获取数据：在上述公务路段每隔一段距离进行标记，采集各标记点轨腰处内部温度应力值(单位Mpa)及该点前后0.5m范围内法线方向磁记忆信号为一帧数据(单位：A/mm)。
步骤2，将获取的磁记忆信号进行时域分析，根据式(1)～(8)计算各统计量，得到原始时域特征向量T，通过PCA主成分分析，时域特征量中标准差与极差对主成分贡献最大，故去掉其他时域特征得到最终时域特征向量：t＝[Ran,St]；
步骤3.1,对步骤1获取的磁记忆信号按式(9)，(10)进行傅里叶变换并求出其功率谱重心，得到信号能量集中在在低频段0～10Hz。
步骤3.2，通过式(11)，确定小波分解级数为3层。
步骤3.3，通过式(12)，(13)，选定能量-香农熵比值最大的小波基为Demy小波
步骤3.4，利用Matlab对步骤1得到的磁记忆信号进行J层分解及重构，得到2n个子频带并按式(14)求出各子频带能量，取前4个子频带信号能量作为磁记忆信号频域特征:
步骤4，将步骤2与步骤3中得到的时频域特征向量汇总得到最终特征向量：
步骤5，本次实验使用K-ELM训练预测模型，采集并分析共75个数据，随机选择45个数据作为训练集，30个数据作为测试集，选定核函数为RBF高斯核函数。
步骤6，根据识别结果，按下式计算模型准确率
其中，N为测试集数据总数，P为预测与实测误差<10Mpa数据点个数。因每次训练样本不一致，准确率存在小幅波动，重复训练50次得出平均训练模型准确率为77％。
以上所述仅是本发明的优选实施方式对本发明方法做的进一步详细说明，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于表面磁记忆信号的无缝铁轨内部温度应力早期诊断方法，其特征是，包括以下步骤：
步骤1：对不同温度应力下法线方向上的磁记忆信号进行采集；
步骤2：对步骤1所得的磁记忆信号进行时域分析并进行主元分析(PCA)优选，得到时域特征向量；
步骤3：对步骤1所得的磁记忆信号进行频域分析，得到频域特征向量；
步骤4：将步骤2与步骤3中得到的时域和频域特征向量汇总得到最终特征向量；
步骤5：将步骤4中提取的各最终特征向量建立训练集，并训练预测模型；
步骤6：将需要诊断的检测数据输入步骤5中得到的预测模型中，生成检测结果。
2.根据权利要求1所述的方法，其特征在于，所述步骤1包括：
在需要测量的无缝线路段每隔一段距离进行标记，采集各标记点轨腰处内部温度应力值(单位Mpa)及该点前后0.5m范围内法线方向磁记忆信号为一帧数据(单位：A/mm)。
3.根据权利要求1所述的方法，其特征在于，所述步骤2包括：
求出步骤1得到的不同应力下,各帧数据x＝{x1,x2,...,xN}时域统计量，包括：“均方根RMS”、“极差pd”、“偏度ske”、“峰度Ku”、“峭度kur”、“整流平均值av”、“方差va”及“标准差st”，初步得到时域特征向量：T＝[RMS,pd,ske,Ku,kur,av,va,st]。
采用主元分析(PCA)降维处理将上述时域特征向量T由8维降至k'维：t＝[pc(m)],(m＝1,2,…,k')，k'由主元分析(PCA)分析后贡献较大的成分个数决定。
4.根据权利要求1所述的方法，其特征在于，所述步骤3包括：
步骤3.1：将步骤1得到的磁记忆信号进行离散傅立叶变换并求出其功率谱重心，观察其主要幅值所处频率段fd；
步骤3.2：根据步骤3.1所得到的频谱分析结果，确定小波分解层数J；
步骤3.3：计算在不同小波基下步骤1得到的磁记忆信号的能量-香农熵比，选择能量-香农熵比比值最大的为合适小波基；
步骤3.4：根据步骤3.3所得小波基与步骤3.2所确定的小波分解层数，对步骤1得到的磁记忆信号进行J层分解及重构，得到2n个子频带并求出各子频带能量，取前四个子频带信号能量作为磁记忆信号频域特征:
k取值由实际情况决定。
5.根据权利要求1所述的方法，其特征在于，所述步骤4包括：
将步骤2所得时域特征向量与步骤3所得频域特征向量合并：
为最终从步骤1获取的信号中提取的信号特征。
6.根据权利要求1所述的方法，其特征在于，所述步骤5包括：机器学习算法SVM，ELM，K-ELM均可用于训练数据模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910292110.2A CN111855793A (zh) | 2019-04-12 | 2019-04-12 | 一种基于表面磁记忆信号的无缝铁轨内部温度应力早期诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910292110.2A CN111855793A (zh) | 2019-04-12 | 2019-04-12 | 一种基于表面磁记忆信号的无缝铁轨内部温度应力早期诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111855793A true CN111855793A (zh) | 2020-10-30 |
Family
ID=72951981
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910292110.2A Pending CN111855793A (zh) | 2019-04-12 | 2019-04-12 | 一种基于表面磁记忆信号的无缝铁轨内部温度应力早期诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111855793A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112667958A (zh) * | 2020-12-25 | 2021-04-16 | 淮安市水利勘测设计研究院有限公司 | 一种基于能量特征的出水流道脉动分析方法 |
| CN113340494A (zh) * | 2021-05-11 | 2021-09-03 | 西安交通大学 | 基于谐波小波频带能量的激光冲击强化质量在线监测方法 |
| CN113688731A (zh) * | 2021-08-24 | 2021-11-23 | 北京化工大学 | 一种无缝钢轨内部温度应力分类评估方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101012746A (zh) * | 2006-12-26 | 2007-08-08 | 大庆油田有限责任公司 | 预测油井套管损伤的方法以及用于实施该方法的检测仪 |
| CN102841131A (zh) * | 2012-09-20 | 2012-12-26 | 西安科技大学 | 钢丝绳芯输送带缺陷智能识别方法及系统 |
| CN108388860A (zh) * | 2018-02-12 | 2018-08-10 | 大连理工大学 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
| CN109459489A (zh) * | 2018-10-22 | 2019-03-12 | 金陵科技学院 | 一种基于磁记忆检测原理的电梯裂纹检测方法 |
| US20190094181A1 (en) * | 2016-03-18 | 2019-03-28 | Pure Technologies Ltd. | Methods and system for inspecting train wheels and axles |
-
2019
- 2019-04-12 CN CN201910292110.2A patent/CN111855793A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101012746A (zh) * | 2006-12-26 | 2007-08-08 | 大庆油田有限责任公司 | 预测油井套管损伤的方法以及用于实施该方法的检测仪 |
| CN102841131A (zh) * | 2012-09-20 | 2012-12-26 | 西安科技大学 | 钢丝绳芯输送带缺陷智能识别方法及系统 |
| US20190094181A1 (en) * | 2016-03-18 | 2019-03-28 | Pure Technologies Ltd. | Methods and system for inspecting train wheels and axles |
| CN108388860A (zh) * | 2018-02-12 | 2018-08-10 | 大连理工大学 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
| CN109459489A (zh) * | 2018-10-22 | 2019-03-12 | 金陵科技学院 | 一种基于磁记忆检测原理的电梯裂纹检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张军 等: "金属磁记忆检测中应力集中区信号的识别", 《中国电机工程学报》 * |
| 范振中: "高速铁路用钢轨磁记忆检测方法", 《无损检测》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112667958A (zh) * | 2020-12-25 | 2021-04-16 | 淮安市水利勘测设计研究院有限公司 | 一种基于能量特征的出水流道脉动分析方法 |
| CN113340494A (zh) * | 2021-05-11 | 2021-09-03 | 西安交通大学 | 基于谐波小波频带能量的激光冲击强化质量在线监测方法 |
| CN113688731A (zh) * | 2021-08-24 | 2021-11-23 | 北京化工大学 | 一种无缝钢轨内部温度应力分类评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Molodova et al. | Automatic detection of squats in railway infrastructure | |
| Li et al. | Fault detection method for railway wheel flat using an adaptive multiscale morphological filter | |
| WO2022134868A1 (zh) | 一种基于特征融合的道岔尖轨伤损状态监测方法 | |
| CN108845028B (zh) | 一种高速铁路钢轨波磨动态检测方法和装置 | |
| CN111855793A (zh) | 一种基于表面磁记忆信号的无缝铁轨内部温度应力早期诊断方法 | |
| CN102636577B (zh) | 一种基于小波变换提取轮辋超声波探伤信号的方法 | |
| CN106441893B (zh) | 火车滚动轴承故障与杂质振动区分方法 | |
| Zhou et al. | A new method to classify railway vehicle axle fatigue crack AE signal | |
| Molodova et al. | Monitoring the railway infrastructure: Detection of surface defects using wavelets | |
| CN113988326A (zh) | 一种地铁设备维修优化方法及系统 | |
| CN108549847A (zh) | 一种无基准数据条件下的梁式结构裂缝损伤识别方法 | |
| CN109029541B (zh) | 轨道波磨检测方法 | |
| CN109855771B (zh) | 一种基于钢轨竖向加速度功率谱密度检测温度力的方法 | |
| Li et al. | A visual inspection system for rail corrugation based on local frequency features | |
| Xie et al. | A data-driven convolutional regression scheme for on-board and quantitative detection of rail corrugation roughness | |
| Chang et al. | An efficient method for wheel-flattened defects detection based on acoustic emission technique | |
| CN108205016A (zh) | 声发射塔吊安全检测的工控机系统 | |
| CN107782548A (zh) | 一种基于对轨道交通工具零部件检测系统 | |
| CN112986388B (zh) | 一种基于宽频激励的道岔尖轨缺陷检测方法及系统 | |
| CN207774644U (zh) | 塔吊安全检测装置 | |
| CN207703792U (zh) | 声发射塔吊安全检测系统 | |
| Tang et al. | Sliding Window Dynamic Time-Series Warping-Based Ultrasonic Guided Wave Temperature Compensation and Defect Monitoring Method for Turnout Rail Foot | |
| CN111824207A (zh) | 一种基于轨底应变识别车轮失圆的方法 | |
| Zhu et al. | Rapid classification and evaluation method of the temperature stress of continuous welded rail based on the metal magnetic memory technique | |
| CN112578019A (zh) | 一种基于表面漏磁信号的高速长钢轨内部温度应力集中早期预警方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201030 |
|
| WD01 | Invention patent application deemed withdrawn after publication |