CN112986388A - 一种基于宽频激励的道岔尖轨缺陷检测方法及系统 - Google Patents
一种基于宽频激励的道岔尖轨缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN112986388A CN112986388A CN202110549264.2A CN202110549264A CN112986388A CN 112986388 A CN112986388 A CN 112986388A CN 202110549264 A CN202110549264 A CN 202110549264A CN 112986388 A CN112986388 A CN 112986388A
- Authority
- CN
- China
- Prior art keywords
- correlation function
- rail
- switch
- sound wave
- peak
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
- B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
- B61K9/08—Measuring installations for surveying permanent way
- B61K9/10—Measuring installations for surveying permanent way for detecting cracks in rails or welds thereof
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/048—Marking the faulty objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4445—Classification of defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4472—Mathematical theories or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0234—Metals, e.g. steel
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Mechanical Engineering (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于宽频激励的道岔尖轨缺陷检测方法及系统,所述方法包括:获取尖轨两端的声波信号;计算所述声波信号的二次相关函数,提取所述二次相关函数的峰值与峰值因子;将所述峰值与峰值因子输入到SVM模型中;所述SVM模型基于所述峰值和峰值因子确定所述尖轨的状态,所述尖轨的状态包括正常及不同缺陷类型的分类。本发明将所需检测的尖轨看做一个系统,利用信号通过系统前后的变化来判断系统的完整性,对环境噪声以及其他干扰有较强的鲁棒性,且不论缺陷出现在轨头、轨底或者轨腰,只要有缺陷产生,尖轨跟端与尖端两个传感器采集到的信号的相关信息会发生改变,通过提取对缺陷敏感的特征并对特征进行分类可进行不同尖轨状态的监测。
Description
技术领域
本发明属于道岔尖轨缺陷检测领域,特别涉及一种基于宽频激励的道岔尖轨缺陷检测方法及系统。
背景技术
道岔在铁路系统中具有举足轻重的地位,是列车进行变轨时的重要依托,使列车从一条线路变换至另一条线路。道岔中的尖轨属于可动部件和异形结构,由于缺少扣件按压而处于自由状态、并且承受列车强大冲击,极易导致列车发生脱轨事故。为保证列车更加安全的行驶,对尖轨缺陷检测尤为重要。
目前仅靠天窗点时间,工务使用探伤设备对道岔尖心轨进行裂纹、裂缝的检测,随着铁路的大面积铺设以及人员的缩编,对道岔尖心轨健康状态的监测越发迫切,急需一种可靠技术来实现道岔尖轨裂纹裂缝检测的技术。基于超声导波回波检测算法针对尖轨这种异形结构来说很难激励出单一模态,同时不同缺陷需要使用激励不同的模态,且铁路环境较为恶劣,该方法受噪声干扰较大,算法可靠性低。专利号为CN105136913B的发明提出“用于尖轨轨底缺陷检测的磁致伸缩式剪切导波换能器”其设计了一种针对轨底缺陷检测的换能器,该换能器激励的导波只对轨底缺陷敏感,而对尖轨轨腰、踏面等位置的缺陷无能为力;专利号为CN111242891A的发明提出“一种尖轨表面缺陷识别分类方法”,使用无人机监测图像预处理,再基于比例加强最大熵阈值算法的尖轨表面缺陷提取,最后利用深度森林方法实现小样本缺陷数据分类,基于机器视觉的方式只能检测出尖轨表面的缺陷,不能对内部、轨底等位置缺陷进行检测;专利号为CN111426756A的发明使用电磁导波换能器激励出高阶SH导波,通过对时域信号进行扫描成像来得到尖轨轨底缺陷成像图,该方法也只针对轨底缺陷进行检测。
发明内容
针对上述问题,本发明提供一种基于宽频激励的道岔尖轨缺陷检测方法。
一种基于宽频激励的道岔尖轨缺陷检测方法,所述方法包括:
获取尖轨两端的声波信号;
计算所述声波信号的二次相关函数,提取所述二次相关函数的峰值与峰值因子;
将所述峰值与峰值因子输入到SVM模型中;
所述SVM模型基于所述峰值和峰值因子确定所述尖轨的状态,所述尖轨的状态包括正常及不同缺陷类型的分类。
进一步地,通过以下步骤建立所述SVM模型:
建立M组样本,获取M组样本中尖轨两端的声波信号,计算M组样本中尖轨两端所述声波信号的二次相关函数,提取所述二次相关函数的峰值与峰值因子,得到M组峰值与峰值因子;
将M组峰值与峰值因子随机分为训练样本集与测试样本集,以训练样本集中的峰值与峰值因子为输入,建立SVM训练模型并通过核函数进行参数寻优,确定模型最优参数,将测试样本集中的峰值与峰值因子输入到SVM模型中进行分类测试,验证模型的准确度。
进一步地,M组样本包括完好状态下的尖轨样本组和不同缺陷状态下的尖轨样本组,其中,每一种缺陷状态下的尖轨样本有若干组。
进一步地,所述计算M组样本中尖轨两端所述声波信号的二次相关函数包括如下步骤:
计算尖轨完好状态下的声波信号的一次相关函数,作为基准相关值;
计算M组样本中尖轨两端的声波信号的一次相关函数,将M组一次相关函数与基准相关值进行二次相关,得到M组尖轨两端的声波信号的二次相关函数。
进一步地,计算所述声波信号的二次相关函数包括如下步骤:
计算尖轨两端的声波信号的一次相关函数;
将尖轨的一次相关函数与基准相关值进行二次相关,得到尖轨两端的声波信号的二次相关函数。
进一步地,所述尖轨两端的声波信号分别为第一信号x(t)、第二信号y(t)。
进一步地,二次相关函数的计算包括如下步骤:
计算尖轨两端的声波信号的互功率谱Sxy(ω),其中,
X(ω)为第一信号x(t)的傅里叶变换,Y(ω)为第二信号y(t)的傅里叶变换,*表示共轭,其中,
对所述尖轨两端的声波信号的互功率谱Sxy(ω)进行逆傅里叶变换,得到所述尖轨的一次相关函数Rxy(τ),其中,
将所述尖轨的一次相关函数Rxy(τ)与尖轨完好状态时的基准相关值Rxy_base进行二次相关,得到所述尖轨的二次相关函数RRn,其中,基准相关值的计算公式同一次相关函数计算公式。
进一步地,计算二次相关函数RRn的峰值与峰值因子,即计算二次相关函数RRN的峰值T1和峰值因子T2,
进一步地,对尖轨的根端发送宽频信号激励。
一种基于宽频激励的道岔尖轨缺陷检测系统,所述系统包括两个传感器、计算设备,其中,
所述两个传感器分别位于尖轨的两端,分别用于获取尖轨两端的声波信号;
所述计算设备,用于计算所述声波信号的二次相关函数,提取所述二次相关函数的峰值与峰值因子;将所述峰值与峰值因子输入到SVM模型中;所述SVM模型基于所述峰值和峰值因子确定所述道岔尖轨的状态,所述尖轨的状态包括正常及不同缺陷类型的分类。
进一步地,所述计算设备中的所述SVM模型是通过以下方式建立的:
建立M组样本,获取M组样本中尖轨两端的声波信号,计算M组样本中尖轨两端所述声波信号的二次相关函数,提取所述二次相关函数的峰值与峰值因子,得到M组峰值与峰值因子;
将M组峰值与峰值因子随机分为训练样本集与测试样本集,以训练样本集中的峰值与峰值因子为输入,建立SVM训练模型并通过核函数进行参数寻优,确定模型最优参数,将测试样本集中的峰值与峰值因子输入到SVM模型中进行分类测试,验证模型的准确度。
进一步地,M组样本包括完好状态下的尖轨样本组和不同缺陷状态下的尖轨样本组,其中,每一种缺陷状态下的尖轨样本有若干组。
进一步地,所述计算M组样本中尖轨两端所述声波信号的二次相关函数包括如下步骤:
计算尖轨完好状态下的声波信号的一次相关函数,作为基准相关值;
计算M组样本中尖轨两端的声波信号的一次相关函数,将M组一次相关函数与基准相关值进行二次相关,得到M组尖轨两端的声波信号的二次相关函数。
进一步地,所述计算设备通过以下方式计算所述声波信号的相关函数:
计算尖轨两端的声波信号的一次相关函数;
将尖轨的一次相关函数与基准相关值进行二次相关,得到尖轨两端的声波信号的二次相关函数。
进一步地,所述尖轨两端的声波信号分别为第一信号x(t)、第二信号y(t)。
进一步地,所述二次相关函数的计算包括如下步骤:
计算尖轨两端的声波信号的互功率谱Sxy(ω),其中,
X(ω)为第一信号x(t)的傅里叶变换,Y(ω)为第二信号y(t)的傅里叶变换,*表示共轭,其中,
对所述尖轨的互功率谱Sxy(ω)进行逆傅里叶变换,得到所述尖轨的一次相关函数Rxy(τ),其中,
将所述尖轨的一次相关函数Rxy(τ)与尖轨完好状态时的基准相关值Rxy_base进行二次相关,得到所述尖轨的二次相关函数RRn,其中,基准相关值的计算公式同一次相关函数计算公式。
进一步地,所述计算设备通过以下方式计算所述相关函数的峰值与峰值因子:
计算相关函数RRn的峰值与峰值因子,即计算相关函数RRn的峰值T1和峰值因子T2,
进一步地,所述系统还包括信号发生器、功率放大器和换能器,其中,
所述信号发生器,用于提供换能器所需宽频激励信号;
所述功率放大器,用于对宽频激励信号进行功率放大;
所述换能器位于所述尖轨的跟端。
本发明将所需检测的尖轨看做一个系统,利用信号通过系统前后的变化来判断系统的完整性,对环境噪声以及其他干扰有较强的鲁棒性,且不论缺陷出现在轨头、轨底或者轨腰,只要有缺陷产生,尖轨跟端与尖端两个传感器采集到的信号的相关信息会发生改变,通过提取对缺陷敏感的特征并对特征进行分类可进行不同尖轨状态的监测。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
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的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例中的基于宽频激励的道岔尖轨缺陷检测方法的尖轨缺陷检测系统示意图;
图2示出了本发明实施例中的尖轨完好无损伤时跟端接收传感器时域信号图;
图3示出了本发明实施例中的尖轨完好无损伤时尖端接收传感器时域信号图;
图4示出了本发明实施例中的尖轨完好无损伤时的基准相关函数图;
图5示出了本发明实施例中的尖轨完好无损伤状态下的二次相关函数图;
图6示出了本发明实施例中的轨头锯一半状态下的二次相关函数图;
图7示出了本发明实施例中的轨头全部锯断状态下的二次相关函数图;
图8示出了本发明实施例中的轨腰锯一半状态下的二次相关函数图;
图9示出了本发明实施例中的尖轨4种状态下的实际与预测结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1示出了本发明实施例中的一种基于宽频激励的道岔尖轨缺陷检测方法的流程图。本发明实施例介绍一种基于宽频激励的道岔尖轨缺陷检测方法,在实施本发明方法时,首先要建立SVM模型,SVM模型用于识别尖轨的类型。
通过以下步骤建立所述SVM模型:
建立M组样本,获取M组样本中尖轨两端的声波信号,计算M组样本中尖轨两端所述声波信号的相关函数,提取所述相关函数的峰值与峰值因子,得到M组峰值与峰值因子。
其中,M组样本包括完好状态下的尖轨样本组和不同缺陷状态下的尖轨样本组,其中,每一种缺陷状态下的尖轨样本为若干组。
本发明实施例,提供230组样本,分别是完好状态下的尖轨样本110组、轨腰锯一半状态下的尖轨样本40组、轨头锯断状态(即轨头全部锯断状态)下的尖轨样本40组、轨头锯一半状态下的尖轨样本40组。
具体的,先计算完好状态下的尖轨的基准相关值(完好状态下的尖轨的一次相关函数),以及不同状态下的尖轨样本一次相关函数。具体的,构建缺陷检测系统,即将换能器放置在尖轨跟端,两个传感器分别放置在尖轨两端,通过换能器对尖轨一端施加宽频激励信号,采集尖轨两端的声波信号(即尖轨跟端与尖端声波信号),令与换能器同一端的声波信号记为第一信号x(t),与换能器异端的声波信号记为第二信号y(t)。采样频率为fs,采集时长记为t。计算尖轨两端的声波信号的互功率谱Sxy(ω),其中,
X(ω)为第一信号x(t)的傅里叶变换,Y(ω)为第二信号y(t)的傅里叶变换,*表示共轭,其中,
计算互功率谱Sxy(ω)时傅里叶变换点数N的取值一般为2的n次方,且为了计算结果更精确,要使频率分辨率较高(df≤10 Hz)。再对互功率谱进行逆傅里叶变换,即可求得尖轨完好时的相关函数Rxy(τ),其中,
记录此时的一次相关函数,并作为基准相关值Rxy_base。
在计算得到完好状态下的尖轨的基准相关值后,分别采集完好状态下尖轨样本组、轨腰锯一半状态下的尖轨样本组、轨头锯断状态(即轨头全部锯断状态)下的尖轨样本组、轨头锯一半状态下的尖轨样本组中尖轨两端的声波信号,并分别计算每组样本的一次相关函数,共计M组,分别记为Rxy_1,Rxy_2,Rxy_3,…,Rxy_n,n=1,2,…M。
然后将M组样本的一次相关函数与完好状态下的尖轨基准相关值进行二次相关,得到不同状态下的尖轨二次相关函数,二次相关函数分别记为RR1,RR2,RR3,…,RRM。
具体二次相关函数计算公式如下:
其中,RRn表示第n个样本的二次相关函数,Rxy_base为基准相关值,Rxy_n表示第n个样本的一次相关函数,m取值从-N到N,k取值从负无穷到正无穷,Rxy_base(k)就是对应的数值,比如Rxy_base有N个值,k取1-N时,即Rxy_base(1)到Rxy_base(N)是有数值的,k取之外的数字k为负数或者大于N的数Rxy_base(k)的值就是0。
对二次相关函数RR1、RR2、RR3…RRM进行特征提取,分别提取二次相关函数RR1、RR2、RR3 …RRM的绝对峰值T1及峰值因子T2,组成特征向量[T1,T2],绝对峰值T1及峰值因子T2计算方式如下:
将M组峰值与峰值因子随机分为训练样本集与测试样本集,以训练样本集中的峰值与峰值因子为输入,建立SVM训练模型并通过核函数进行参数寻优,确定模型最优参数,使用测试样本集的峰值与峰值因子,调整得到最优的SVM模型。
本发明实施例,目前常用的核函数形式主要有线性核函数、多项式核函数、径向基型核函数和Sigmoid核函数。采用上述4种核函数,针对尖轨完好及3种缺陷共230组测试样本分类发现,径向基核函数分类效果最好。
从M组峰值与峰值因子中随机选定部分作为训练样本集,通过使用径向基核函数进行参数寻优,确定模型最优参数,径向基核函数表达式为:
其中σ为高斯核宽度,xi,xj为原空间里的向量,进一步具体的,xi,xj为训练样本集中的特征值,峰值T1或峰值因子T2。
将其余的峰值与峰值因子作为测试样本集,通过SVM分类模型,验证输出分类识别结果。
示例性的,当尖轨完好无损伤时,在尖轨跟端与尖端各放置一个传感器,采集到的激励端发出的时域信号分别为x(t)与y(t),采样频率fs=131072Hz,参见图2和图3,图2和图3分别示出了本发明实施例中的尖轨完好无损伤时跟端与尖端接收传感器时域信号图。求得x(t)、y(t)的一次相关函数作为基准相关函数,参见图4,图4示出了本发明实施例中的尖轨完好无损伤时的基准相关函数图。模拟尖轨不同伤损情况求得尖轨不同伤损情况下的一次相关函数。以尖轨四种状态为例:正常状态即完好状态、轨头锯一半、轨头全部锯掉、轨腰锯一半。每种样本数分别为110、40、40、40组,共计230组样本。将这230组样本得到的一次相关函数与基准相关值再相关,得到尖轨不同状态的二次相关函数,如图5-8所示,从图5-8中可看出尖轨四种状态下二次相关函数的绝对峰值、峰值因子有明显区别。求出230组样本的绝对峰值T1、峰值因子T2这两个特征值,得到230×2的特征矩阵作为支持SVM(向量机)分类模型的输入。在该矩阵中随机选取120组作为训练样本集,其余110组作为测试样本集,完成训练后的SVM模型分类结果如图9所示,圆圈表示真实分类结果,星形表示使用训练模型得到的预测分类结果,分类准确度列表如表1所示。尖轨不同类别都可以100%准确的区分开,证明本专利提出的方法及特征值的有效性。
表1 尖轨缺陷的分类准确度列表
在建立准确较高的SVM模型模型后,利用本发明实施例介绍一种基于宽频激励的道岔尖轨缺陷检测方法对实际工程中的尖轨进行检测,所述方法包括:
获取尖轨两端的声波信号。
构建尖轨缺陷检测系统,缺陷检测系统包括信号发生器、功率放大器和换能器和两个传感器,信号发生器和功率放大器提供激励尖轨所需宽频激励信号,两个传感器采集尖轨两端被激励出来沿所述尖轨传播的声波信号。将换能器置于尖轨任一一端,两个传感器分别位于尖轨的两端,两个传感器用于接收换能器激励出来沿尖轨传播的声波信号。利用信号发生器、功率放大器和换能器激励尖轨一端,传感器分别接受换能器激励出来沿尖轨传播的声波信号。尖轨两端的声波信号分别记为第一信号x(t)和第二信号y(t)。
计算所述声波信号的二次相关函数,提取所述二次相关函数的峰值与峰值因子。
所述计算所述声波信号的相关函数包括如下步骤:
计算尖轨两端的声波信号的一次相关函数,将所述一次相关函数与完好状态下的尖轨样本的一次相关函数进行二次相关,即可得到所述声波信号的二次相关函数。
具体的,所述相关函数的计算包括如下步骤:
计算尖轨两端的声波信号的互功率谱Sxy(ω),其中,
X(ω)、Y(ω)分别为第一信号x(t)、第二信号y(t)的傅里叶变换,*表示共轭,其中,
对所述尖轨的互功率谱Sxy(ω)进行逆傅里叶变换,得到所述尖轨的相关函数Rxy(τ),其中,
将所述尖轨的相关函数Rxy(τ)与尖轨完好状态时的相关函数Rxy_base进行二次相关,得到所述尖轨的二次相关函数RRn。
计算相关函数RRn的峰值与峰值因子,即计算相关函数RRn的峰值T1和峰值因子T2,其中,
将所述峰值与峰值因子输入到SVM模型中。所述SVM模型基于所述峰值和峰值因子确定所述道岔尖轨的状态,所述尖轨的状态包括正常及不同缺陷类型的分类。
本发明将所需检测的尖轨看做一个系统,利用信号通过系统前后的变化来判断系统的完整性,对环境噪声以及其他干扰有较强的鲁棒性,且不论缺陷出现在轨头、轨底或者轨腰,只要有缺陷产生,尖轨跟端与尖端两个传感器采集到的信号的相关信息会发生改变,通过提取对缺陷敏感的特征并对特征进行分类可进行不同尖轨状态的监测。
本发明还提供一种基于宽频激励的道岔尖轨缺陷检测系统,所述系统包括两个传感器、计算设备,其中,
所述两个传感器分别位于尖轨的两端,分别用于获取尖轨两端的声波信号;
所述计算设备,用于计算所述声波信号的二次相关函数,提取所述二次相关函数的峰值与峰值因子;将所述峰值与峰值因子输入到SVM模型中;所述SVM模型基于所述峰值和峰值因子确定所述道岔尖轨的状态,所述尖轨的状态包括正常及不同缺陷类型的分类。
所述计算设备中的所述SVM模型是通过以下方式建立的:
建立M组样本,获取M组样本中尖轨两端的声波信号,计算M组样本中尖轨两端所述声波信号的二次相关函数,提取所述二次相关函数的峰值与峰值因子,得到M组峰值与峰值因子;
将M组峰值与峰值因子随机分为训练样本集与测试样本集,以训练样本集中的峰值与峰值因子为输入,建立SVM训练模型并通过核函数进行参数寻优,确定模型最优参数,将测试样本集中的峰值与峰值因子输入到SVM模型中进行分类测试,验证模型的准确度。
M组样本包括完好状态下的尖轨样本组和不同缺陷状态下的尖轨样本组,其中,每一种缺陷状态下的尖轨样本有若干组。
所述计算M组样本中尖轨两端所述声波信号的相关函数包括如下步骤:
计算尖轨完好状态下的声波信号的一次相关函数,作为基准相关值;
计算M组样本中尖轨两端的声波信号的一次相关函数,将M组一次相关函数与基准相关值进行二次相关,得到M组尖轨两端的声波信号的二次相关函数。
所述计算设备通过以下方式计算所述声波信号的相关函数:
计算尖轨两端的声波信号的一次相关函数;
将尖轨的一次相关函数与基准相关值进行二次相关,得到尖轨两端的声波信号的二次相关函数。
所述尖轨两端的声波信号分别为第一信号x(t)、第二信号y(t)。
所述相关函数的计算包括如下步骤:
计算尖轨两端的声波信号的互功率谱Sxy(ω),其中,
X(ω)为第一信号x(t)的傅里叶变换,Y(ω)为第二信号y(t)的傅里叶变换,*表示共轭,其中,
对所述尖轨的互功率谱Sxy(ω)进行逆傅里叶变换,得到所述尖轨的相关函数Rxy(τ),其中,
将所述尖轨的一次相关函数Rxy(τ)与尖轨完好状态时的基准相关值Rxy_base进行二次相关,得到所述尖轨的二次相关函数RRn,其中,基准相关值的计算公式同一次相关函数计算公式。
所述计算设备通过以下方式计算所述相关函数的峰值与峰值因子:
计算相关函数RRn的峰值与峰值因子,即计算相关函数RRn的峰值T1和峰值因子T2,
所述系统还包括信号发生器、功率放大器和换能器,其中,
所述信号发生器,用于提供换能器所需宽频激励信号;
所述功率放大器,用于对宽频激励信号进行功率放大;
所述换能器位于所述尖轨的跟端。
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (18)
1.一种基于宽频激励的道岔尖轨缺陷检测方法,其特征在于,所述方法包括:
获取尖轨两端的声波信号;
计算所述声波信号的二次相关函数,提取所述二次相关函数的峰值与峰值因子;
将所述峰值与峰值因子输入到SVM模型中;
所述SVM模型基于所述峰值和峰值因子确定所述尖轨的状态,所述尖轨的状态包括正常及不同缺陷类型的分类。
2.根据权利要求1所述的道岔尖轨缺陷检测方法,其特征在于,通过以下步骤建立所述SVM模型:
建立M组样本,获取M组样本中尖轨两端的声波信号,计算M组样本中尖轨两端所述声波信号的二次相关函数,提取所述二次相关函数的峰值与峰值因子,得到M组峰值与峰值因子;
将M组峰值与峰值因子随机分为训练样本集与测试样本集,以训练样本集中的峰值与峰值因子为输入,建立SVM训练模型并通过核函数进行参数寻优,确定模型最优参数,将测试样本集中的峰值与峰值因子输入到SVM模型中进行分类测试,验证模型的准确度。
3.根据权利要求2所述的道岔尖轨缺陷检测方法,其特征在于,
M组样本包括完好状态下的尖轨样本组和不同缺陷状态下的尖轨样本组,其中,每一种缺陷状态下的尖轨样本有若干组。
4.根据权利要求3所述的道岔尖轨缺陷检测方法,其特征在于,
所述计算M组样本中尖轨两端所述声波信号的二次相关函数包括如下步骤:
计算尖轨完好状态下的声波信号的一次相关函数,作为基准相关值;
计算M组样本中尖轨两端的声波信号的一次相关函数,将M组一次相关函数与基准相关值进行二次相关,得到M组尖轨两端的声波信号的二次相关函数。
5.根据权利要求1所述的道岔尖轨缺陷检测方法,其特征在于,
计算所述声波信号的二次相关函数包括如下步骤:
计算尖轨两端的声波信号的一次相关函数;
将尖轨的一次相关函数与基准相关值进行二次相关,得到尖轨两端的声波信号的二次相关函数。
6.根据权利要求4或5所述的道岔尖轨缺陷检测方法,其特征在于,
所述尖轨两端的声波信号分别为第一信号x(t)、第二信号y(t)。
9.根据权利要求1所述的道岔尖轨缺陷检测方法,其特征在于,
对尖轨的根端发送宽频信号激励。
10.一种基于宽频激励的道岔尖轨缺陷检测系统,其特征在于,所述系统包括两个传感器、计算设备,其中,
所述两个传感器分别位于尖轨的两端,分别用于获取尖轨两端的声波信号;
所述计算设备,用于计算所述声波信号的二次相关函数,提取所述二次相关函数的峰值与峰值因子;将所述峰值与峰值因子输入到SVM模型中;所述SVM模型基于所述峰值和峰值因子确定所述道岔尖轨的状态,所述尖轨的状态包括正常及不同缺陷类型的分类。
11.根据权利要求10所述的道岔尖轨缺陷检测系统,其特征在于,所述计算设备中的所述SVM模型是通过以下方式建立的:
建立M组样本,获取M组样本中尖轨两端的声波信号,计算M组样本中尖轨两端所述声波信号的二次相关函数,提取所述二次相关函数的峰值与峰值因子,得到M组峰值与峰值因子;
将M组峰值与峰值因子随机分为训练样本集与测试样本集,以训练样本集中的峰值与峰值因子为输入,建立SVM训练模型并通过核函数进行参数寻优,确定模型最优参数,将测试样本集中的峰值与峰值因子输入到SVM模型中进行分类测试,验证模型的准确度。
12.根据权利要求11所述的道岔尖轨缺陷检测系统,其特征在于,
M组样本包括完好状态下的尖轨样本组和不同缺陷状态下的尖轨样本组,其中,每一种缺陷状态下的尖轨样本有若干组。
13.根据权利要求12所述的道岔尖轨缺陷检测系统,其特征在于,
所述计算M组样本中尖轨两端所述声波信号的二次相关函数包括如下步骤:
计算尖轨完好状态下的声波信号的一次相关函数,作为基准相关值;
计算M组样本中尖轨两端的声波信号的一次相关函数,将M组一次相关函数与基准相关值进行二次相关,得到M组尖轨两端的声波信号的二次相关函数。
14.根据权利要求10所述的道岔尖轨缺陷检测系统,其特征在于,所述计算设备通过以下方式计算所述声波信号的相关函数:
计算尖轨两端的声波信号的一次相关函数;
将尖轨的一次相关函数与基准相关值进行二次相关,得到尖轨两端的声波信号的二次相关函数。
15.根据权利要求13或14所述的道岔尖轨缺陷检测系统,其特征在于,
所述尖轨两端的声波信号分别为第一信号x(t)、第二信号y(t)。
18.根据权利要求10所述的道岔尖轨缺陷检测系统,其特征在于,所述系统还包括信号发生器、功率放大器和换能器,其中,
所述信号发生器,用于提供换能器所需宽频激励信号;
所述功率放大器,用于对宽频激励信号进行功率放大;
所述换能器位于所述尖轨的跟端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110549264.2A CN112986388B (zh) | 2021-05-20 | 2021-05-20 | 一种基于宽频激励的道岔尖轨缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110549264.2A CN112986388B (zh) | 2021-05-20 | 2021-05-20 | 一种基于宽频激励的道岔尖轨缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112986388A true CN112986388A (zh) | 2021-06-18 |
CN112986388B CN112986388B (zh) | 2021-08-17 |
Family
ID=76337707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110549264.2A Active CN112986388B (zh) | 2021-05-20 | 2021-05-20 | 一种基于宽频激励的道岔尖轨缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112986388B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114544771A (zh) * | 2022-04-24 | 2022-05-27 | 北京全路通信信号研究设计院集团有限公司 | 一种基于相关算法的岔区断轨实时监测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0574964A2 (en) * | 1989-02-28 | 1993-12-22 | Mitsubishi Denki Kabushiki Kaisha | Detecting apparatus |
CN1804612A (zh) * | 2005-12-29 | 2006-07-19 | 西北工业大学 | 基于互相关函数幅值向量的随机振动结构损伤的检测方法 |
CN101571233A (zh) * | 2009-06-15 | 2009-11-04 | 北京工业大学 | 基于相关分析的管道特征智能识别方法 |
CN103645249A (zh) * | 2013-11-27 | 2014-03-19 | 国网黑龙江省电力有限公司 | 基于精简集下采样不均衡svm变压器在线故障检测方法 |
CN105158335A (zh) * | 2015-08-21 | 2015-12-16 | 南昌航空大学 | 一种钢-玻璃钢复合板材脱粘超声导波评价方法 |
CN110231404A (zh) * | 2019-06-17 | 2019-09-13 | 江南大学 | 一种基于振动信号的倒装焊焊点缺失缺陷智能检测方法 |
CN112668382A (zh) * | 2020-07-21 | 2021-04-16 | 北京工业大学 | 一种基于支持向量机的钢锭中缺陷超声信号识别方法 |
-
2021
- 2021-05-20 CN CN202110549264.2A patent/CN112986388B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0574964A2 (en) * | 1989-02-28 | 1993-12-22 | Mitsubishi Denki Kabushiki Kaisha | Detecting apparatus |
CN1804612A (zh) * | 2005-12-29 | 2006-07-19 | 西北工业大学 | 基于互相关函数幅值向量的随机振动结构损伤的检测方法 |
CN101571233A (zh) * | 2009-06-15 | 2009-11-04 | 北京工业大学 | 基于相关分析的管道特征智能识别方法 |
CN103645249A (zh) * | 2013-11-27 | 2014-03-19 | 国网黑龙江省电力有限公司 | 基于精简集下采样不均衡svm变压器在线故障检测方法 |
CN105158335A (zh) * | 2015-08-21 | 2015-12-16 | 南昌航空大学 | 一种钢-玻璃钢复合板材脱粘超声导波评价方法 |
CN110231404A (zh) * | 2019-06-17 | 2019-09-13 | 江南大学 | 一种基于振动信号的倒装焊焊点缺失缺陷智能检测方法 |
CN112668382A (zh) * | 2020-07-21 | 2021-04-16 | 北京工业大学 | 一种基于支持向量机的钢锭中缺陷超声信号识别方法 |
Non-Patent Citations (2)
Title |
---|
UMUT KONUR: "Computerized detection of spina bifida using SVM with Zernikemoments of fetal skulls in ultrasound screening", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL》 * |
付连著等: "基于超声导波的道岔尖轨伤损监测试验研究", 《铁道建筑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114544771A (zh) * | 2022-04-24 | 2022-05-27 | 北京全路通信信号研究设计院集团有限公司 | 一种基于相关算法的岔区断轨实时监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112986388B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110389170B (zh) | 基于Lamb波成像的列车部件裂纹损伤检测方法和系统 | |
US8326582B2 (en) | Acoustic-based rotating component analysis | |
Park et al. | PZT-based active damage detection techniques for steel bridge components | |
US7555954B2 (en) | In-track wheel inspection system | |
Lanza di Scalea et al. | Non-contact ultrasonic inspection of rails and signal processing for automatic defect detection and classification | |
CN109030628A (zh) | 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 | |
CN102353717B (zh) | 基于非负张量分解振动特征的钢轨伤损探测装置和方法 | |
CN103760243A (zh) | 一种微裂纹无损检测装置及方法 | |
CN101836100A (zh) | 用于对滚动轴承检测和自动识别损伤的方法 | |
Ulriksen et al. | Damage detection in an operating Vestas V27 wind turbine blade by use of outlier analysis | |
Zhang et al. | An automatic impact-based delamination detection system for concrete bridge decks | |
CN111767897B (zh) | 一种基于支持向量机的钢轨裂纹缺陷的识别方法 | |
Zhou et al. | A new method to classify railway vehicle axle fatigue crack AE signal | |
KR102058841B1 (ko) | 발전기 컬렉터의 섬락을 검출하는 시스템 및 방법 | |
CN112986388B (zh) | 一种基于宽频激励的道岔尖轨缺陷检测方法及系统 | |
Chiariotti et al. | Delamination detection by multi-level wavelet processing of continuous scanning laser Doppler vibrometry data | |
CN109855770B (zh) | 一种基于钢轨横向加速度功率谱密度检测温度力的方法 | |
Siddiqui et al. | IoT Based Railway Track Faults Detection and Localization Using Acoustic Analysis | |
Choi et al. | Application of modal-based damage-detection method to locate and evaluate damage in timber beams | |
Mustapha et al. | Damage detection using stress waves and multivariate statistics, an experimental case study of an aircraft component | |
Aktas et al. | Detection of wheel flatten defect on the moving train with acoustic emission sensor | |
Park et al. | Active sensing-based real-time nondestructive evaluations for steel bridge members | |
Tsiapoki et al. | Combining a vibration-based SHM scheme and an airborne sound approach for damage detection on wind turbine rotor blades | |
Achenbach et al. | Techniques and instrumentation for structural diagnostics | |
Nagy et al. | Detection of flaws in railroad wheels using acoustic signatures |
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 |