CN113884567B - 基于超声Lamb波的钢轨焊缝损伤检测方法和装置 - Google Patents
基于超声Lamb波的钢轨焊缝损伤检测方法和装置 Download PDFInfo
- Publication number
- CN113884567B CN113884567B CN202110728667.3A CN202110728667A CN113884567B CN 113884567 B CN113884567 B CN 113884567B CN 202110728667 A CN202110728667 A CN 202110728667A CN 113884567 B CN113884567 B CN 113884567B
- Authority
- CN
- China
- Prior art keywords
- damage
- detection signal
- signal
- damage detection
- noise reduction
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 92
- 235000019687 Lamb Nutrition 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000005284 excitation Effects 0.000 claims abstract description 38
- 230000009467 reduction Effects 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 26
- 239000010959 steel Substances 0.000 claims abstract description 26
- 238000003466 welding Methods 0.000 claims abstract description 17
- 230000004044 response Effects 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 8
- 230000002194 synthesizing effect Effects 0.000 abstract 1
- 230000003902 lesion Effects 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 4
- 229910052782 aluminium Inorganic materials 0.000 description 4
- 238000009659 non-destructive testing Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000006735 deficit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000001976 improved effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000001902 propagating effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000008376 long-term health Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01N29/041—Analysing solids on the surface of the material, e.g. using Lamb, Rayleigh or shear waves
-
- 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
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
-
- 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
- G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Mechanical Engineering (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明实施例公开了一种基于超声Lamb波的钢轨焊缝损伤检测方法和装置，其中的方法包括：获取钢轨焊缝损伤的检测信号，并对所述损伤检测信号进行降噪处理；从经过降噪处理后的损伤检测信号获取损伤特征信息；根据损伤特征信息进行损伤特征识别分析，以确定钢轨焊缝是否存在损伤，其中，钢轨焊缝损伤的检测信号通过紧凑阵列传感器获取，所述紧凑阵列传感器包括n个呈相控阵的形式布置的传感器，用于产生激励信号，以及接收目标的响应信号。本发明的方法和装置，基于紧凑阵列的检测方法，通过对两Lamb波信号的合成，可以有效地提取损伤信息进行检测，且占用被测结构的表面积较小，更适用于钢轨焊缝结构的损伤检测。
Description
技术领域
本发明涉及损伤分析技术领域，尤其涉及一种基于超声Lamb波钢轨焊缝损伤检测方法和装置。
背景技术
轨道交通作为国民经济的支柱性行业，承担着促进社会经济稳定发展的重要职责。但是随着在役钢轨的长时间运行，焊缝作为钢轨结构的薄弱处，在列车和外界环境的作用下，易发生疲劳折断等问题，严重威胁铁路运输安全。因此，对钢轨焊缝进行及时全面准确的检测，在裂纹萌生初期及时发现损伤，防止损伤进一步扩展可能引发的重大事故，对于保障铁路运输安全具有重要意义。
与传统的无损检测方法相比，基于超声Lamb波的无损检测技术因其具有传播距离远、沿传播路径衰减小、检测范围广、对微损伤敏感等优点[5]，已被广泛应用于板材和管道等大型构件的无损检测中。但是由于铁路设备结构较为复杂等原因的限制，基于Lamb波的损伤识别技术尚未在轨道交通中得到系统性的研究与应用。因此，为弥补传统无损检测技术针对钢轨焊缝检测的不足，研究基于超声Lamb波的钢轨焊缝损伤识别技术，对于保障铁路运输安全具有重要意义。
发明内容
有鉴于此，本发明实施例提供一种基于超声Lamb波钢轨焊缝损伤检测方法和装置。
根据本发明实施例的一个方面，提供一种基于超声Lamb波钢轨焊缝损伤检测方法，包括：
获取钢轨焊缝损伤的检测信号，并对所述损伤检测信号进行降噪处理；
从经过降噪处理后的损伤检测信号获取损伤特征信息；
根据损伤特征信息进行损伤特征识别分析，以确定钢轨焊缝是否存在损伤，
其中，钢轨焊缝损伤的检测信号通过紧凑阵列传感器获取，所述紧凑阵列传感器包括n个呈相控阵的形式布置的传感器，用于产生激励信号，以及接收目标的响应信号。
可选地，通过db5小波降噪对所述损伤检测信号进行降噪处理。
可选地，从经过降噪处理后的损伤检测信号获取损伤特征信息，包括：
通过经验模态分析获取损伤检测信号的IMF分量，并筛选反应损伤特征的IMF分量；和/或
对损伤检测信号进行希尔伯特变换获取希尔伯特谱。
可选地，根据损伤特征信息进行损伤特征识别分析，以确定钢轨焊缝是否存在损伤包括：
计算损伤检测信号的IMF信号功率谱，并根据IMF信号功率谱判断是否存在损伤。
可选地，所述紧凑阵列包括3个传感器，所述3个传感器呈等边三角形布置。
根据本发明的另一方面，提供一种基于超声Lamb波钢轨焊缝损伤检测装置，包括：
紧凑阵列传感器，所述紧凑阵列传感器包括n个呈相控阵的形式布置的传感器，用于产生激励信号，以及接收目标的响应信号；
降噪模块，用于获取钢轨焊缝损伤的检测信号，并对所述损伤检测信号进行降噪处理；
特征提取模块，用于从经过降噪处理后的损伤检测信号获取损伤特征信息；
特征分析模块，用于根据损伤特征信息进行损伤特征识别分析，以确定钢轨焊缝是否存在损伤。
可选地，所述降噪模块通过db5小波降噪对所述损伤检测信号进行降噪处理。
可选地，所述特征提取模块用于：
通过经验模态分析获取损伤检测信号的IMF分量，并筛选反应损伤特征的IMF分量；和/或
对损伤检测信号进行希尔伯特变换获取希尔伯特谱。
可选地，所述特征分析模块用于计算损伤检测信号的IMF信号功率谱，并根据IMF信号功率谱判断是否存在损伤。
可选地，所述紧凑阵列包括3个传感器，所述3个传感器呈等边三角形布置。
本发明的基于超声Lamb波的钢轨焊缝损伤检测方法和装置，基于紧凑阵列的检测方法，通过对两Lamb波信号的合成，使得阵列激发信号具有了一定的指向性和能量汇聚的优点，受到其他方向反射信号的影响较小，在经过焊缝散射后，所得到的反射波信号能量仍较大，可以有效地提取损伤信息进行检测，且占用被测结构的表面积较小，所以紧凑阵列检测方法更适用于钢轨焊缝结构的损伤检测。
本发明实施例附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
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，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其它的附图：
图1示出两个同相波源的组合辐射是构成声阵辐射的最基本模型示意图；
图2为包括三个传感器的紧凑阵列布置示意图；
图3为紧凑阵列Lamb波振幅的理论2D图像；
图4为椭圆定位算法示意图；
图5为根据本发明的基于超声Lamb波的钢轨焊缝损伤检测方法的一个实施例的流程图；
图6为根据本发明的基于超声Lamb波的钢轨焊缝损伤检测装置的一个实施例中的模块示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于计算机系统/服务器，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与计算机系统/服务器一起使用的众所周知的计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
计算机系统/服务器可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
下文中的“第一”、“第二”仅用于描述上相区别，并没有其它特殊的含义。
在基于Lamb波的损伤识别技术中，单个传感器对收发所获得的结构特征信息较少，不足以确定大型复杂结构的健康状态，并且，在对结构进行长期的健康监测过程中，对结构的损伤识别依赖于结构处于无损状态时所采集的信号(基准信号)与存在损伤时所采集的信号(损伤信号)之间的差异作为损伤识别的特征信息。但这种方法的前提是信号的变化主要是结构出现损伤所引起的，然而在实际工程中，由于基准信号和损伤信号两次采样的非同步性，可能会受外界环境(温度、噪声、湿度等)和机械系统(耦合强度、传感器性能等)的变化，导致结构处于同一状态下不同时期采集的信号也出现差异，而这种差异在后期进行数字信号处理分析中，会被误认为是由于结构产生损伤所导致的。因此，仅依赖于单个传感器对所获得的信号进行损伤识别，极易产生较大的误差，需要研究新的损伤识别技术，减小对基准信号和损伤信号采样时间的敏感性。虽然有很多学者致力于从温度补偿、压力补偿、噪声处理等角度进行研究[74-78]，减少因非损伤原因对信号的影响，但目前这些方法还处于实验阶段，并且所适用的情况非常受限，所以并未在实际工程中得到广泛应用。
为弥补上述缺点，目前广泛采用的方法是在结构表面布置多个传感器，构成传感器阵列，通过将目标结构区域覆盖在阵列的各条检测路径范围内，提高损伤识别的精度。
多个传感器阵列一种布置方式稀疏阵列，其特点是：在被测结构周围布设多个传感器，组成的传感器阵列检测范围覆盖检测目标，在一次检测中，其中一个传感器作为激励传感器，其余传感器作为接收传感器，分别进行激励接收，这样就完成了第一个传感器到其余各个传感器的路径连接，接收信号包含了各条路径上结构的特征信息，然后再选取另一个传感器作为激励传感器进行第二轮检测，直到所有的传感器都被作为激励传感器激发了一次信号，这时检测结束。
稀疏阵列检测一次需要进行多次激励和接收，来获得覆盖检测目标区域的多条路径信息。所有基于稀疏阵列的方法都必须满足一个假设前提，即与受损路径相比，未受损路径要占较大的比例，即大多数信号都来自未受损路径，并且具有相似的信号特征，通过未受损路径的特征创建瞬时基准，分离出受损路径。这也满足实际工程应用，对于一个需要检测的结构，最多有几条路径可能同时被损坏。
信号处理阶段，将采集的信号按照路径长度进行聚类，长度相等的路径上的信号相互之间进行参考，作为相对基准。如果被测区域处于健康状态(没有损伤)，那么对每一类信号所提取出的特征信息，如时频相关性、能量谱、功率谱等应大体一致(允许人为因素导致的误差存在)；如果被测区域内存在损伤，那么将会影响经过损伤的路径和损伤附近的路径的信号产生较大变化，通过信号处理技术提取的特征信息将会出现明显的差异。
因此，稀疏阵列的损伤识别方法为：如果将所采集的信号进行聚类后，每种信号经过处理提取出的特征信息都大体一致，那么就认为该结构处于健康状态；如果某些信号的特征信息与同类信号的特征信息存在较大差别，那么就认为该结构存在损伤，之后再运用合适的识别定位算法进行损伤成像[79]。
由上述可知，稀疏阵列的损伤识别技术具有以下的优缺点：
优点：(1)弥补了单个传感器对所获取结构状态特征信息不足的缺点，通过增加传感器数量，来获得更加全面的信息；
(2)避免了基准信号和缺陷信号采集的时间不同步性因外界环境变化导致的信号差异，通过在较短的时间内获得相对基准参考；
(3)通过聚类多条路径的信息可以对检测范围内的损伤进行更准确的识别定位。
缺点：(1)传感器越多，所采集的信号越全面，但同时会增加阵列结构的复杂性和成本，后期进行信号处理需要大量的运算和复杂的检测算法，并且要占用被测结构较大的面积；
(2)控制多个传感器在较短的时间内完成多次激发和接收，需要复杂的电气控制设备；
(3)信号激励是全向的，发射波向所有方向传播，因此在每个方向上辐射的能量非常少，从损伤位置到传感器的反射能量将非常低，信号衰减程度大，大多数应用中通过施加高电压来增加信噪比。并且，全向激励受到结构各个方向的边界反射影响较大，增加了信号的混叠程度。
所以，稀疏阵列通常适用于管道和板材等大型但简单的结构，不适用于没有足够空间放置传感器的小型复杂结构。
为弥补单个传感器对采集的信号所包含的结构损伤信息不全面，易受外界环境影响等缺点，在实际应用中，基于Lamb波的损伤检测技术通常采用多个传感器对进行信号的采集。本申请针对传统稀疏阵列应用于钢轨焊缝检测时的缺点与不足，提出了钢轨焊缝损伤识别技术，并在下面进行详细描述。
钢轨焊缝损伤检测方法，不用在待测目标周围布置多个传感器，而是将多个传感器凑在一起组成相控阵的形式，阵列激励同时激励出的多个Lamb波信号相互干涉，形成实际波束，通过对特定位置的传感器进行控制，让阵列在待检测目标的方向上激发出较强的信号。阵列的辐射方向是由单个传感器的激励方向和阵列因子的乘积决定的，由于试验所采用的圆形压电陶瓷传感器是向各个方向进行传播，所以紧凑阵列的方向由阵列因子决定。阵列因子是阵列的几何形状和激励信号参数(幅值、相位、频率等)的函数。当由N个相同的传感器组成的紧凑阵列，其辐射能量如式(4-1)所示：
ψ＝kd cos(φ) (4-2)
式中，φ——检测目标方向与阵列水平方向的夹角；d——阵列传感器之间的距离；k＝2π/λ是激励信号波数。归一化功率为：
当N＝2时，即两个同相波源的组合辐射是构成声阵辐射的最基本模型[80]，如图1所示为两个相距为d的传感器，在x轴上x＝±d/2处按谐和律振动，它们激励信号的频率、振幅及相位均相同。
按叠加原理，两同性声源在M点的合成声场的声压为
当d＝r时，有
因此有
式中，Δ＝d/2×sinθ。
指向性函数为
由上式可知，二元线性紧凑阵列的指向性与两传感器之间的距离和波长的比值有关。
为了保证Lamb波能量不被焊缝散射降低，且避免各个方向反射波的影响，本文根据二元紧凑声场，设计了由三个传感器组成的紧凑阵列，如图2所示。
该紧凑阵列由三个传感器组成一个等边三角形，根据第二章所确定的激励信号可得，三角形的边长为半个波长，根据频散曲线和实际测量计算，即λ/2＝(vg×T)/2＝vg/2f＝8mm。阵列通过三次组合实现对检测目标的全面覆盖，从而对焊缝结构进行全面检测。如表4-1所示，在每次组合中，阵列中的两个传感器作为激励传感器，信号以零相位差同时被激励，另外一个作为接收传感器，用来采集结构响应信号。三次组合中主瓣指向三个不同的方向，对焊缝结构进行完整检测。
表4-1三角形紧凑阵列的不同组合
基于稀疏阵列每次采用一个激励传感器，其余传感器进行接收，每次反射信号的振幅作为位置函数，用来定位损伤。基于双源的紧凑阵列加入波的干涉数据，如图1所示，对于表面上任意一点M，信号由激励传感器到接收传感器的传播距离如式(4-8)所示：
其中，(xT,yT)和(xR,yR)分别为激励传感器和接收传感器的坐标，(x,y)为任意一点M的坐标，下标j为表4-1的组合数。因为两个激励传感器之间的距离差距不大，仅有半个波长，因此认为两个传感器的中心坐标与原点一致，则dj简化为：
激励后，叠加信号的振幅被作为散射体的图像值，任意点M处两个波源的干涉产生的波的振幅，可以通过使用该点处两个波之间的相位差Δφ来计算，相位差是频率和相速度的函数，任意点的总振幅等于所有频率分量振幅之和，如式(4-10)所示：
式中，(x1,x2)，(y1,y2)是两个激励传感器的坐标。
通过计算结构上不同点的Aj，就能获得紧凑阵列Lamb波振幅的理论2D图像，如图3所示。
上图所示，是在不存在损伤情况下的理论声场。通过获得损伤出现之前和之后aj的接收信号之差的希尔伯特变换来计算每个点处的反射强度，如式(4-12)所示：
式中，vg——Lamb波在所选激励频率下的群速度。
因为Lamb波在每个方向上传播的能量从激发点开始逐渐减小，因此从距离传感器近的点反射的波的能量大于从同一方向的更远的点反射的波的能量，考虑到这种影响，采用距离补偿和能量补偿的方法来调整反射强度：
I″j(x,y)＝I′j(x,y)Aj(x,y) (4-14)
根据上述方法提出基于钢轨焊缝损伤识别方法，可以检测结构中一个或多个损伤，通过设置阈值，在检测到第一个损伤后，继续寻找下一处损伤，从而实现多个损伤的检测。
基于阵列的损伤识别算法通常都是通过比较阵列中所有可能的传感器组合获得的信号特征来判断是否存在损伤，即结构在存在损伤状态时与无损状态下不同信号的对比。因为铝板的结构较为简单，厚度固定且表面平整，材料内部均匀性较好，符合各向同性的要求。因此，Lamb波在铝板中传播时受到结构内部的散射影响较小，可以保持与激励信号较为一致的状态进行传播，并且，铝板的表面积较大，各个边界产生的反射无法与直达波产生混叠，所以在铝板中接收到的Lamb波信号较好，适合用来做有效性，不需要设计复杂的损伤识别算法。因此，可以通过对结构在两种状态下采集的信号进行相关性分析，来判断结构在无损和有损状态下的差异以及差异的大小。
对于两个采样点数和间隔相同的数字信号xi和yi(i＝1,2,...N)的相关性分析如式(4-15)所示。
式中，λxy—相关系数，Cxy—协方差，—均值，σ—标准差。对于λxy的取值：0.00-±0.30，微相关；±0.30-±0.50，实相关；±0.50-±0.80，显著相关；±0.80-±1.00，高度相关。
为了能够放大损伤对信号的影响，更准确地识别出检测结构中受损伤影响的路径，计算一个路径的信号与其余所有等长路径上的信号的互相关值，使用改进的互相关值来表示所受损伤影响的程度，如式(4-16)所示：
式中，MCC——改进的互相关值；n——路径总数；i——参考路径索引；
j——比较路径索引。
当路径j所受损伤影响较大时，相关性就越低，MCC值就较高。为了能够识别多处损伤，增加识别多条损伤路径的方法。通过将路径总集合中删除潜在的受损伤影响的路径，及互相关值的路径，并重新计算剩余路径的互相关值。如果路径集合中存在受损伤影响的路径，那么删除该路径后会导致式(4-16)的总和减少，即
式中，b——减去受损路径后MCC的值；d——受损路径的索引。
删除受损路径后，新值仅代表剩余路径互相关值之和，需要对新修改的互相关值按比例进行缩放，即：
其中，MCCn代表修改的互相关的新值，MCCs缩放后互相关的值，则
计算删除路径后的MCC值与剩余MCC值的百分比差异，如式(4-20)所示：
其中PD是百分比差异，用于表达移除的路径对剩余路径的互相关值的影响程度。如果一条损坏的路径被移除，则对其余路径互相关的影响较大，反之则较小。通过这种算法，从移除最不相关的路径开始，并根据需要重复多次，直到产生相对较小的百分比差值，算法将停止，之前删除的所有路径都认为是受损伤影响较大的路径。
互相关算法通过对一个信号在时域的平移来比较与另一个信号之间的线性相关程度，所以算法对信号形状变化和频率变化敏感，但对信号幅度变化和到达时间变化不敏感，对幅度变化的不敏感使得两个具有不同振幅的相同信号将具有完美的相关性，这种特点消除了在实际实验操作中因传感器耦合强度的不同导致接收信号幅度变化的差异，对到达时间变化的不敏感允许算法忽略传感器布置时的物理位置产生微小的差异，从而不会因为传感器耦合强度和位置不一致导致损伤误判。
在确定检测结构区域内存在损伤后，就要对损伤进行定位。在所采集的损伤信号中，最直观的特征信息就是有损伤时由缺陷散射造成与无损伤时的差异，通过比较第一个直达波与损伤散射到达波的时间差就可以大致确定出损伤相对于传感器的位置[82]，以此为基础提出基于稀疏阵列和紧凑阵列的椭圆定位算法。如图4所示，当所选信号模态与损伤相互作用时，第一个直达波相比，由损伤散射导致的TOF如式(4-21)所示：
TD＝TA-D-B-TA-B＝(LA-D+LD-B-LA-B)/vg (4-21)
其中， TA-D-B是信号S0模式从激励传感器到损伤，再从损伤到接收传感器所需要的的时间；TA-B是信号S0模式从激励传感器到接收传感器所需要的的时间；LA-D和LD-B分别是损伤中心位置与激励传感器和接收传感器的距离；LA-B是激励和接收两传感器之间的距离；vg是在选定频厚积下S0模式的群速度。
以激励传感器和接收传感器所在的位置作为椭圆的焦点，根据损伤D反射波包的到达时刻计算处Lamb波信号从A到D，在从D到B的距离，作为椭圆的长轴长2a，方程(4-18)就可以求解出一个经过损伤D的椭圆轨迹。根据阵列各中组合方式所得到的TD，可以绘制出多条椭圆轨迹，它们的交点便是损伤的位置。
基于相关性分析的损伤识别方法只适用于铝板这种简单结构的损伤识别，当信号受外界噪声影响较大，尤其是当噪声信息淹没了损伤信息时，就会对损伤产生误判。并且由于钢轨焊缝结构复杂，材料不均匀，Lamb波的多模式和频散特性影响，很难直观地识别出由于损伤所引起的反射信号相比于无损状态时的基准信号之间的差异，提取代表损伤信息的特征，因此，需要采用更好的识别算法。
1)首先要对采集的原始信号进行降噪处理。由于钢轨焊缝结构的各向异性，使得接收的Lamb波信号较为复杂，产生的干扰频率成分较多，对于这种信号进行降噪处理时，传统的去噪方法，如滤波器和窗函数等，难以分辨出有效信号与噪声的区别[84]，一味地从频域角度设置阈值范围，对信号频率成分进行截取，不仅会丢失因损伤作用产生的有效频率成分，还无法对混在信号中的噪声频率完全去除。而小波降噪的方法，不仅可以获取信号的频率成分，还能获取信号中各频率成分到达的时间，是一种从时域和频域两个维度进行降噪的方法，通过对损伤反射波到达时间的截取，就可以获得因损伤作用产生的有用信号。因此，本文设计更适用于钢轨焊缝损伤信号的小波去噪的方法对原信号进行降噪处理。
2)对原信号进行降噪处理后，就要提取其中的损伤特征信息。经验模态分析包括经验模态分解(EMD)和希尔伯特分析[85]，是一种自适应的信号处理方法，更加适合用于分析具有频散特性的Lamb波。
EMD方法的关键技术问题是把一个非线性非平稳信号分解为有限个IMF分量和一个趋势。首先对于原始信号X(t)，做原信号与上下包络线的均值线m1之差，如式(5-1)所示：
X(t)-m1(t)＝h1(t) (5-1)
其中h1(t)就是X(t)的第一分量。
进行第二次筛选时，把h1当做原信号，重复第一次筛选的做法，得到h11：
h1-m11＝h11 (5-2)
这样筛选下去，如果第k次筛选的结果符合要求，就得到了第一个IMF分量C1，即
h1k＝h1(k-1)-m1k＝C1 (5-3)
为避免过度变换，在两个连续的变换之间有一个基于经验的衡量标准，即正则化的标准差，用于限制变换的次数，定义为：
其中T为信号的采样时间。SD值达到限值时，即可停止筛选过程。
接下来就把C1从原始序列中分离出去，得到一个剩余序列r1：
X(t)-C1＝r1 (5-5)
因为剩余序列r1中可能含有比C1的特征时间尺度大的IMF分量，所以继续上述筛选过程，以求得第二个IMF分量C2，有：
r1-C2＝r2,...,rn-1-Cn＝rn (5-6)
于是得到一系列IMF分量。直到剩余序列rn成为一个单调函数，整个分解过程结束，最后那个变化简单的剩余序列称为趋势项rn。X(t)分解的数学表达式为全部的IMF和残余信号的总和：
它的含义是：一个复杂的原信号X(t)经过逐级的筛选过程后，可以分解为n个本征模态函数IMF分量C1,...,Cn以及一个趋势项rn。从而实现对获取的损伤信号的平稳线性处理。
经过HHT后，可以把原始信号X(t)用各个IMF分量的瞬时频率ωj(t)和瞬时振幅aj(t)近似地表示成：
其中aj和ωj分别表示第j个谐波分量的振幅和频率，它们都随时间而改变。展开公式(5-8)后取实部得到的就是Hilbert幅值谱，简称Hilbert谱：
希尔伯特谱是一种时频谱，反映的是信号时间—频率—幅值之间的关系，可以分析包含混合分量信号中各分量随时间的变化规律，以识别局部特征。
3)提取能反映损伤特征的信息后，就要进行损伤识别的分析。功率谱表示了信号功率随频率的变化情况，是专门对功率能量的可用有限信号进行分析所表现的能量[86]。将不同组合信号所提取出的反映损伤信息的IMFi作为判断是否存在损伤的特征信息，通过希尔伯特变换，得到对应频率的信息，计算所有路径的IMFi的功率谱，通过功率谱的差别判定信号是否受损伤影响，其表达式如式(5-10)所示。
式中，FT(ω)——信号的傅里叶变换；T——信号持续时间段。
如果信号受到损伤影响，那就会产生新的频率成分，该组合信号的功率谱与其他组合信号的功率谱相比将发生明显的跳变，同时，由于损伤导致信号的能量损失，使得功率谱的变化范围也会减小。所以本节采用功率谱的钢轨焊缝损伤识别方法，为了能够明显的显示损伤对功率谱的影响，本文采用对数显示的方法，通过比较每种组合信号的功率谱，可以判断结构是否存在损伤。
图5为根据本发明的基于超声Lamb波的钢轨焊缝损伤检测方法的一个实施例的流程图，如图5所示：该方法包括：
步骤101，获取钢轨焊缝损伤的检测信号，并对所述损伤检测信号进行降噪处理；
步骤102，从经过降噪处理后的损伤检测信号获取损伤特征信息；
步骤103，根据损伤特征信息进行损伤特征识别分析，以确定钢轨焊缝是否存在损伤，
其中，钢轨焊缝损伤的检测信号通过紧凑阵列传感器获取，所述紧凑阵列传感器包括n个呈相控阵的形式布置的传感器，用于产生激励信号，以及接收目标的响应信号。
可选地，通过db5小波降噪对所述损伤检测信号进行降噪处理。
可选地，从经过降噪处理后的损伤检测信号获取损伤特征信息，包括：
通过经验模态分析获取损伤检测信号的IMF分量，并筛选反应损伤特征的IMF分量；和/或
对损伤检测信号进行希尔伯特变换获取希尔伯特谱。
可选地，根据损伤特征信息进行损伤特征识别分析，以确定钢轨焊缝是否存在损伤包括：
计算损伤检测信号的IMF信号功率谱，并根据IMF信号功率谱判断是否存在损伤。
可选地，所述紧凑阵列包括3个传感器，所述3个传感器呈等边三角形布置。
对于钢轨焊缝这种复杂结构，其内部材料分布不均匀，结构为各向异性，Lamb波在钢轨内部传播时，受到结构的散射和能量衰减影响较大。这时Lamb波信号在各个方向的传播受到的影响都不一样，导致即使是传播相同距离的信号也会产生较大的差别，基于距离的基准信号就无法建立，稀疏阵列的检测方法就无法识别损伤，并且钢轨结构较复杂，稀疏阵列这种全向激励的方式受到各个方向的边界反射影响较大，损伤特征的提取较为复杂。另外经过焊缝散射后的信号，在传播较远距离后，信号能量衰减较大，无法从中提取到含有损伤信息的模态函数。而基于紧凑阵列的检测方法，通过对两Lamb波信号的合成，使得阵列激发信号具有了一定的指向性和能量汇聚的优点，受到其他方向反射信号的影响较小，在经过焊缝散射后，所得到的反射波信号能量仍较大，可以有效地提取损伤信息进行检测，且占用被测结构的表面积较小，所以紧凑阵列检测方法更适用于钢轨焊缝结构的损伤检测。
在一个实施例中，如图6所示，本发明提供一种基于超声Lamb波的钢轨焊缝损伤检测装置40，包括：紧凑阵列传感器41、降噪模块42、特征提取模块43和特征分析模块44。
紧凑阵列传感器41包括n个呈相控阵的形式布置的传感器，用于产生激励信号，以及接收目标的响应信号；
降噪模块42用于获取钢轨焊缝损伤的检测信号，并对所述损伤检测信号进行降噪处理；
特征提取模块43用于从经过降噪处理后的损伤检测信号获取损伤特征信息；
特征分析模块44用于根据损伤特征信息进行损伤特征识别分析，以确定钢轨焊缝是否存在损伤。
可选地，所述降噪模块通过db5小波降噪对所述损伤检测信号进行降噪处理。
可选地，所述特征提取模块43用于：
通过经验模态分析获取损伤检测信号的IMF分量，并筛选反应损伤特征的IMF分量；和/或
对损伤检测信号进行希尔伯特变换获取希尔伯特谱。
可选地，所述特征分析模块44用于计算损伤检测信号的IMF信号功率谱，并根据IMF信号功率谱判断是否存在损伤。
可选地，所述紧凑阵列包括3个传感器，所述3个传感器呈等边三角形布置。
可能以许多方式来实现本发明的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (4)
1.一种基于超声Lamb波的钢轨焊缝损伤检测方法，其特征在于，该方法包括：
获取钢轨焊缝损伤检测信号，并通过db5小波降噪对所述损伤检测信号进行降噪处理；
从经过降噪处理后的损伤检测信号获取损伤特征信息；
根据损伤特征信息进行损伤特征识别分析，以确定钢轨焊缝是否存在损伤，
其中，钢轨焊缝损伤的检测信号通过紧凑阵列传感器获取，所述紧凑阵列传感器包括n个呈相控阵的形式布置的传感器，用于产生激励信号，以及接收目标的响应信号，
从经过降噪处理后的损伤检测信号获取损伤特征信息，包括：
通过经验模态分析获取损伤检测信号的IMF分量，并筛选反映损伤特征的IMF分量；和/或
对损伤检测信号进行希尔伯特变换获取希尔伯特谱，
根据损伤特征信息进行损伤特征识别分析，以确定钢轨焊缝是否存在损伤包括：
计算损伤检测信号的IMF信号功率谱，并根据IMF信号功率谱判断是否存在损伤。
2.如权利要求1所述的方法，其特征在于，所述紧凑阵列包括3个传感器，所述3个传感器呈等边三角形布置。
3.一种基于超声Lamb波的钢轨焊缝损伤检测装置，其特征在于，包括：
紧凑阵列传感器，所述紧凑阵列传感器包括n个呈相控阵的形式布置的传感器，用于产生激励信号，以及接收目标的响应信号；
降噪模块，用于获取钢轨焊缝损伤检测信号，并通过db5小波降噪对所述损伤检测信号进行降噪处理；
特征提取模块，用于从经过降噪处理后的损伤检测信号获取损伤特征信息；
特征分析模块，用于根据损伤特征信息进行损伤特征识别分析，以确定钢轨焊缝是否存在损伤，
所述特征提取模块用于：
通过经验模态分析获取损伤检测信号的IMF分量，并筛选反映损伤特征的IMF分量；和/或
对损伤检测信号进行希尔伯特变换获取希尔伯特谱，
所述特征分析模块用于计算损伤检测信号的IMF信号功率谱，并根据IMF信号功率谱判断是否存在损伤。
4.如权利要求3所述的装置，其特征在于，所述紧凑阵列包括3个传感器，所述3个传感器呈等边三角形布置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110728667.3A CN113884567B (zh) | 2021-06-29 | 2021-06-29 | 基于超声Lamb波的钢轨焊缝损伤检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110728667.3A CN113884567B (zh) | 2021-06-29 | 2021-06-29 | 基于超声Lamb波的钢轨焊缝损伤检测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113884567A CN113884567A (zh) | 2022-01-04 |
| CN113884567B true CN113884567B (zh) | 2023-12-08 |
Family
ID=79010662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110728667.3A Active CN113884567B (zh) | 2021-06-29 | 2021-06-29 | 基于超声Lamb波的钢轨焊缝损伤检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113884567B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115597901B (zh) * | 2022-12-13 | 2023-05-05 | 江苏中云筑智慧运维研究院有限公司 | 一种桥梁伸缩缝损伤的监测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013036770A (ja) * | 2011-08-04 | 2013-02-21 | Railway Technical Research Institute | レール頭部傷連続探傷方法及び装置 |
| CN107144643A (zh) * | 2017-06-15 | 2017-09-08 | 南京邮电大学 | 一种Lamb波监测信号统计参数的损伤识别方法 |
| CN109884192A (zh) * | 2019-02-28 | 2019-06-14 | 江苏大学 | 用于焊缝特征导波缺陷回波信号特性提取的稀疏表示方法 |
| CN110412130A (zh) * | 2019-08-14 | 2019-11-05 | 山东大学 | 基于能量谱和Lamb波层析成像技术的复合材料损伤成像方法 |
| CN110687208A (zh) * | 2019-09-26 | 2020-01-14 | 华东理工大学 | 一种基于双曲线定位的无基准Lamb波损伤监测方法 |
| CN111896625A (zh) * | 2020-08-17 | 2020-11-06 | 中南大学 | 钢轨伤损实时监测方法及其监测系统 |
| CN112697887A (zh) * | 2020-12-08 | 2021-04-23 | 江苏科技大学 | 基于神经网络的超声检测缺陷定性识别方法 |
-
2021
- 2021-06-29 CN CN202110728667.3A patent/CN113884567B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013036770A (ja) * | 2011-08-04 | 2013-02-21 | Railway Technical Research Institute | レール頭部傷連続探傷方法及び装置 |
| CN107144643A (zh) * | 2017-06-15 | 2017-09-08 | 南京邮电大学 | 一种Lamb波监测信号统计参数的损伤识别方法 |
| CN109884192A (zh) * | 2019-02-28 | 2019-06-14 | 江苏大学 | 用于焊缝特征导波缺陷回波信号特性提取的稀疏表示方法 |
| CN110412130A (zh) * | 2019-08-14 | 2019-11-05 | 山东大学 | 基于能量谱和Lamb波层析成像技术的复合材料损伤成像方法 |
| CN110687208A (zh) * | 2019-09-26 | 2020-01-14 | 华东理工大学 | 一种基于双曲线定位的无基准Lamb波损伤监测方法 |
| CN111896625A (zh) * | 2020-08-17 | 2020-11-06 | 中南大学 | 钢轨伤损实时监测方法及其监测系统 |
| CN112697887A (zh) * | 2020-12-08 | 2021-04-23 | 江苏科技大学 | 基于神经网络的超声检测缺陷定性识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 超声波技术在高铁钢轨焊缝探伤中的应用;李金川;《设备与技术》;第149-151页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113884567A (zh) | 2022-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gangadharan et al. | Time reversal technique for health monitoring of metallic structure using Lamb waves | |
| Liu et al. | Baseline-free delamination inspection in composite plates by synthesizing non-contact air-coupled Lamb wave scan method and virtual time reversal algorithm | |
| Xu et al. | A focusing MUSIC algorithm for baseline-free Lamb wave damage localization | |
| Leleux et al. | Long range detection of defects in composite plates using Lamb waves generated and detected by ultrasonic phased array probes | |
| Ciampa et al. | Nonlinear imaging of damage in composite structures using sparse ultrasonic sensor arrays | |
| US20130327148A1 (en) | Systems and methods for damage detection in plate-like structures using guided wave phased arrays | |
| US20150073729A1 (en) | Systems and methods for damage detection in structures using guided wave phased arrays | |
| Benstock et al. | The influence of surface roughness on ultrasonic thickness measurements | |
| Ambrozinski et al. | Evaluation of dispersion characteristics of multimodal guided waves using slant stack transform | |
| Ciampa et al. | Nonlinear elastic wave tomography for the imaging of corrosion damage | |
| Harley et al. | Statistical partial wavefield imaging using Lamb wave signals | |
| Albiruni et al. | Non-contact guided waves tomographic imaging of plate-like structures using a probabilistic algorithm | |
| Bolotina et al. | Ultrasonic arrays for quantitative nondestructive testing an engineering approach | |
| CN113884567B (zh) | 基于超声Lamb波的钢轨焊缝损伤检测方法和装置 | |
| Tang et al. | Non-contact phase coded excitation of ultrasonic Lamb wave for blind hole inspection | |
| Sun et al. | Analytical model and optimal focal position selection for oblique point-focusing shear horizontal guided wave EMAT | |
| Kehlenbach et al. | Identifying damage in plates by analyzing Lamb wave propagation characteristics | |
| Zhao et al. | Multivariate sparse Bayesian learning for guided wave‐based multidamage localization in plate‐like structures | |
| KR20130138237A (ko) | 기계 부품 내부에 존재하는 결함의 방향을 측정하기 위한 방법 및 그 장치 | |
| CA3110818A1 (en) | Continuous wave ultrasound or acoustic non-destructive testing | |
| Moallemi et al. | A distributed reflector localization approach to ultrasonic array imaging in non-destructive testing applications | |
| Robert et al. | Assessment of real-time techniques for ultrasonic non-destructive testing | |
| Kolkoori et al. | Quantitative simulation of ultrasonic time of flight diffraction technique in 2D geometries using Huygens–Fresnel diffraction model: theory and experimental comparison | |
| Draudvilienė et al. | Validation of dispersion curve reconstruction techniques for the A0 and S0 modes of Lamb waves | |
| Mostafapour et al. | Acoustic emission source locating in two‐layer plate using wavelet packet decomposition and wavelet‐based optimized residual complexity |
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 |