CN115629124A - 一种基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备 - Google Patents
一种基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备 Download PDFInfo
- Publication number
- CN115629124A CN115629124A CN202211075461.6A CN202211075461A CN115629124A CN 115629124 A CN115629124 A CN 115629124A CN 202211075461 A CN202211075461 A CN 202211075461A CN 115629124 A CN115629124 A CN 115629124A
- Authority
- CN
- China
- Prior art keywords
- crack
- signal curve
- curve
- deep learning
- eddy current
- 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
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
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
- G01N27/9006—Details, e.g. in the structure or functioning of sensors
-
- 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
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
- G01N27/9013—Arrangements for scanning
-
- 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
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
- G01N27/9046—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents by analysing electrical signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Immunology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备,包括:采集裂纹涡流响应,建立第一信号曲线;计算裂纹倾角,并对称化转换第一信号曲线,输出第二信号曲线;将第二信号曲线导入垂直裂纹深度学习模型,基于分析结果重构斜裂纹并确定斜裂纹深度和宽度。为了使垂直裂纹信号曲线数据集训练出的深度学习模型能用于斜裂纹的定量检测,将不对称的斜裂纹信号曲线对称化转换成对称曲线。在获得斜裂纹的对称化信号曲线后,使用训练好的垂直裂纹深度学习模型对对称信号曲线的数据进行反演,获得斜裂纹的剖面轮廓曲线,进而计算斜裂纹的宽度和垂直深度。
Description
技术领域
本发明涉及钢轨裂纹检测技术领域,尤其涉及一种基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备。
背景技术
钢轨作为列车轨道的最重要的组成部分,由轨头、轨腰和轨底三部分组成。钢轨主要起到支撑机车车轮和引导车轮前进的作用,为车轮提供连续且阻力很小的滚动表面,直接承受来自车轮的压力。高速铁路的钢轨要满足高稳定性、表面平顺、良好的弹性和便于维护等要求。目前,已发现高铁在多年营运过程中累积了许多损伤。据统计,高铁损伤近一半发生在钢轨表面,这些损伤在沿横向发展后会造成钢轨的断裂,是严重危害人身安全的隐患。
长年累月,这种大载荷、高接触频率造成钢轨踏面出现不同程度的损伤。踏面的浅表层缺陷有裂纹、掉块、擦伤、锈蚀等。其中,裂纹的扩展对钢轨的危害最为严重。在周期性大载荷的作用下,裂纹继续扩展会使踏面出现剥离掉块甚至使钢轨断裂。根据裂纹与踏面法向夹角的不同,可以将钢轨踏面裂纹分为垂直裂纹和斜裂纹两种。不同倾角的裂纹扩展后将造成不同范围的损伤区域。在钢轨裂纹检测过程中,检测仪器会采集到大量的检测信号,深度学习技术可以实现损伤识别和定量检测,从而帮助检测人员根据具体裂纹深度对不同损伤级别的钢轨段采取相应的维护措施。深度学习基于大量的特征数据,对深度学习模型(目前以深度神经网络为主)进行训练,使得完成训练的模型能够实现数据的准确分类或相关参数的定量计算。
现有技术中利用深度学习对裂纹进行定量评估,需要建立垂直裂纹和斜裂纹的深度学习模型,分别用于垂直裂纹和斜裂纹的定量评估。建立两种深度学习模型,需要花费较多的时间,若直接将垂直裂纹的深度学习模型用于斜裂纹宽度和深度的定量计算,则无法得到正确的裂纹宽度和深度值。申请人提出一种可以解决上述问题的基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备。
发明内容
有鉴于此,本发明提出一种基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备,利用垂直裂纹数据集训练所得的深度学习模型对转换后的斜裂纹信号曲线进行反演,并结合斜裂纹的倾角,获得斜裂纹剖面轮廓曲线,进而获得斜裂纹的宽度和深度。
采用涡流检测的方法检测垂直裂纹得到的信号曲线是对称曲线,检测斜裂纹得到的信号曲线是非对称曲线。本发明中,采用对称化转换公式,将斜裂纹的信号曲线转换为对称曲线,使之适用于垂直裂纹深度学习模型。
一方面,本发明提供一种基于深度学习的钢轨裂纹定量涡流检测方法,所述方法包括:采集裂纹涡流响应,建立第一信号曲线;计算裂纹倾角,并对称化转换所述第一信号曲线,输出第二信号曲线;将所述第二信号曲线导入垂直裂纹深度学习模型进行计算,基于计算结果重构斜裂纹并确定斜裂纹深度和宽度。
另一方面,本发明提供一种基于深度学习的钢轨裂纹定量涡流检测装置,包括:
采集模块,用于采集裂纹涡流响应,建立第一信号曲线;
对称化转换模块,用于计算裂纹倾角,并对称化转换所述第一信号曲线,输出第二信号曲线;
深度学习模块,用于将所述第二信号曲线导入垂直裂纹深度学习模型进行计算,基于计算结果重构斜裂纹并确定斜裂纹深度和宽度。
最后,本发明提供一种基于深度学习的钢轨裂纹定量涡流检测设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器。其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述任一项所述的基于深度学习的钢轨裂纹定量涡流检测方法。
提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的基于深度学习的钢轨裂纹定量涡流检测方法。
可以发现,为了使在垂直裂纹信号曲线数据集上训练出的深度学习模型能够用于斜裂纹的定量检测,本发明采用对称化转换公式将不对称的斜裂纹信号曲线转换成对称曲线。在获得斜裂纹的对称化信号曲线后,使用训练好的深度学习模型对对称信号曲线的数据进行反演,并结合根据转换前的信号曲线计算得到的裂纹倾角,获得斜裂纹的剖面轮廓曲线,直观反映裂纹的延伸情况,进而计算斜裂纹的宽度和垂直深度。裂纹按类型分为垂直裂纹和斜裂纹,现有技术中利用深度学习对裂纹进行定量评估,需要建立垂直裂纹和斜裂纹的深度学习模型,分别用于垂直裂纹和斜裂纹的定量评估。本申请只需要建立垂直裂纹深度学习模型,该模型可同时用于垂直裂纹和斜裂纹的定量评估,提高效率,节约时间。
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简单介绍。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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明基于深度学习的钢轨裂纹定量涡流检测方法一实施例的流程示意图;
图2是钢轨斜裂纹相位曲线示意图;
图3是实验测得垂直裂纹和斜裂纹相位曲线;
图4是斜裂纹相位曲线对称化转换结果。
具体实施方式
下面结合附图和实施例,对本发明作进一步的详细描述。特别指出的是,以下实施例仅用于说明本发明,但不对本发明的范围进行限定。同样的,以下实施例仅为本发明的部分实施例而非全部实施例,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它实施例,都属于本发明保护的范围。
本发明提供一种基于深度学习的钢轨裂纹定量涡流检测方法,将不对称的斜裂纹信号曲线对称化转换成对称的信号曲线,信号是指用于表征涡流检测结果的特征量,如幅值、相位、实部、虚部等,在本实施例中,提取相位,建立相位曲线进行举例说明。在获得斜裂纹的对称化相位曲线后,利用垂直裂纹数据集训练所得的深度学习模型对转换后的斜裂纹相位曲线进行反演,并结合斜裂纹的倾角,获得斜裂纹剖面轮廓曲线,进而获得斜裂纹的宽度和深度。
请参见图1,图1是本发明基于深度学习的钢轨裂纹定量涡流检测方法一实施例的流程示意图。需注意的是,若有实质上相同的结果,本发明的方法并不以图1所示的流程顺序为限。如图1所示,该方法包括如下步骤:
S1、采集裂纹涡流响应相位信号,建立第一信号曲线;
S2、计算裂纹倾角,并对称化转换所述第一信号曲线,输出第二信号曲线;
S3、将所述第二信号曲线导入垂直裂纹深度学习模型进行计算,基于计算结果重构斜裂纹并确定斜裂纹宽度和深度。
S1(采集裂纹涡流响应相位信号,建立第一信号曲线)所述的第一信号曲线可以是垂直裂纹相位曲线,也可以是斜裂纹相位曲线。
S2(计算裂纹倾角,并对称化转换所述第一信号曲线,输出第二信号曲线)具体包括如下步骤:
S21、计算相位信号曲线的不对称率,
所述不对称率的计算公式为
S22、基于不对称率计算裂纹倾角,
裂纹倾角计算公式为
θc=160.0R-2.9
式中,θc为实验相位曲线对应的倾角计算值,R为实验相位曲线的不对称率;
S23、若裂纹倾角≠0,则将相位曲线对称化转换,输出第二信号曲线,否则输出原始相位曲线,
所述对称化转换的计算公式为
f(xmax-xi,R)=(-1.90×10-2R+2.20×10-3)cos[(-0.37R+0.43)(xmax-xi)]+(1.00×10-2R-1.90×10-4)sin[(-0.37R+0.43)(xmax-xi)]+(-6.90×10-3R+5.00×10-4)cos[(-0.74R-0.86)(xmax-xi)]+(4.80×10-3R-2.70×10-4)sin[(-0.74R+0.86)(xmax-xi)]-1.60×10-2R+1.00
式中,R代表不对称率,xmax-xi代表信号曲线峰值点横坐标与第i个点横坐标之差。
该S2的原理如下。
首先需要对钢轨裂纹涡流检测进行有限元分析。斜裂纹与垂直裂纹并不相同,因此本发明采用三维有限元法对PCB探头检测钢轨垂直裂纹和斜裂纹进行模拟研究。根据模拟结果,寻找钢轨垂直裂纹和斜裂纹相位曲线之间的转换关系,并构造出转换公式。
模拟用PCB探头分别对含垂直裂纹和不同倾角斜裂纹的钢轨进行涡流扫查。垂直裂纹的相位曲线关于峰值点对称,而斜裂纹的相位曲线关于峰值点不对称。随着裂纹倾角的增大,相位曲线的不对称性逐渐增强,峰值横坐标向裂纹倾角增大的方向移动,且峰值增大。
其次,分析钢轨垂直裂纹与斜裂纹相位曲线转换方法。为了将垂直裂纹与斜裂纹相位曲线转换,引入不对称率,用于衡量钢轨垂直裂纹和斜裂纹的相位曲线的不对称程度,计算出裂纹倾角,并推导出垂直裂纹和斜裂纹相位曲线之间的转换关系式。
1、曲线不对称率与倾角计算
由实验采集和模拟计算所得的裂纹相位曲线可知,垂直裂纹和斜裂纹都存在两个波谷,下文仅对两波谷间的信号进行分析。钢轨斜裂纹相位曲线示意图如图2所示,图中表示相位曲线的最大值和最小值之差。为了量化钢轨裂纹相位曲线的不对称程度,引入不对称率R。令xmax、x1、x2分别代表相位曲线峰值以及相位曲线最小值加上处的横坐标,则R的计算公式为
R越大,表示裂纹相位曲线不对称程度越大。
对倾角为20°、40°、60°的斜裂纹不对称率与倾角的关系进行拟合,并用倾角为10°、30°、50°的斜裂纹不对称率进行验证。采用式(1)对实验所测得的倾角为20°、40°、60°的斜裂纹相位曲线以及垂直裂纹相位曲线进行计算,求出相应的不对称率。以上4个角度的倾角-不对称率的拟合直线公式为:
θc=160.0R-2.9 (2)
式中:θc为实验相位曲线对应的倾角拟合值,也称倾角估计值;R为实验相位曲线的不对称率。
采用式(2)由实际倾角为0°、10°、20°、30°、40°、50°、60°的裂纹相位曲线的不对称率计算对应的倾角估计值。随后,计算倾角估计值与实际值的误差的平均值eθ,eθ的计算式为:
式中:neθ为参与计算裂纹倾角估计误差平均值的相位曲线数目;θci为第i个裂纹倾角估计值;θri为第i个裂纹倾角实际值。计算结果如表1所示。
表1不同倾角裂纹实验相位曲线的不对称率及倾角估计值
2、对称化转换公式推导
斜裂纹相位曲线为不对称曲线,垂直裂纹相位曲线为对称曲线,因此实现斜裂纹相位曲线到垂直裂纹相位曲线的转换是将不对称曲线转换为对称曲线。为了实现该对称化转换,构造对称化转换函数f,并使f满足下式:
式中:di代表相位曲线峰值点横坐标与第i个点横坐标之差。通过计算垂直裂纹相位曲线与各斜裂纹相位曲线的比值,得到比值曲线。计算结果表明,比值曲线的形状接近于正弦函数,因此采用Matlab拟合工具箱对比值曲线进行傅里叶拟合。调整傅里叶拟合的阶次,寻找合适的拟合公式。权衡函数构造的复杂度和拟合准确度,对各比值曲线进行二阶傅里叶拟合,二阶傅里叶拟合的定义式为:
f(x)=a0+a1cos(ωx)+b1sin(ωx)+a2cos(2ωx)+b2sin(2ωx) (6)
式中:a0代表常数项;ω代表三角函数的角频率;a1、b1、a1、b1分别代表式中各三角函数的幅值系数;x代表傅里叶拟合定义式的自变量。
选取裂纹倾角为20°、40°、60°的三条相位曲线,计算对称化转换公式的系数。用倾角为10°、30°、50°的三条相位曲线检验对称化转换的效果。图3所示为3条实验测得的斜裂纹相位信号及垂直裂纹相位曲线。采用公式(5)对实验测得的垂直裂纹相位曲线与3条斜裂纹相位曲线计算,可得出3条比值曲线。对比值曲线进行二阶傅里叶拟合,拟合公式的各项系数如表2所示。
表2实验测得的斜裂纹相位曲线对应的对称化转换公式各系数值
对表2中的各项系数数值与不对称率的关系进行多项式拟合,得到
a0(R)=-1.60×10-2R+1.00 (7)
ω(R)=-0.37R+0.43 (8)
a1(R)=-1.90×10-2R+2.20×10-3 (9)
b1(R)=1.00×10-2R-1.90×10-4 (10)
a2(R)=-6.90×10-2R+5.00×10-4 (11)
b2(R)=4.80×10-2R-2.70×10-4 (12)
将式(7)—(12)代入式(6),得到
使用式(13),将倾角为10°、30°、50°的三条斜裂纹相位曲线进行对称化转换,图4所示为对称化转换的结果。由图可见,实验所得的斜裂纹相位曲线进行对称化转换后和垂直裂纹相位曲线基本吻合。将实验所得的斜裂纹相位曲线进行对称化转换后,可以将对称化曲线导入训练好的深度学习模型中计算出斜裂纹的深度和宽度。
S3(将所述第二信号曲线导入垂直裂纹深度学习模型进行计算,基于计算结果重构斜裂纹并确定斜裂纹宽度和深度)具体包括如下步骤:
S31、将所述第二信号曲线导入深度学习模型计算第二信号曲线对应的裂纹剖面轮廓曲线;
S32、结合裂纹倾角及第二信号曲线对应的裂纹剖面轮廓曲线重构斜裂纹轮廓曲线;
S33、基于斜裂纹轮廓曲线计算斜裂纹宽度及深度。
该S3的原理如下。
首先利用PCB涡流探头扫查钢轨踏面的垂直裂纹,建立垂直裂纹特征信号数据集,并将数据集进行预处理,然后划分为训练集、验证集和测试集。将上述建立的训练集和验证集导入GRU-RNN深度学习模型进行训练及优化,并利用测试集评估训练优化后的GRU-RNN深度学习模型。GRU-RNN对采集的垂直裂纹特征数据进行反演,获得裂纹轮廓。
其次,实验测得的钢轨踏面斜裂纹相位曲线包含倾角为10°、20°、30°、40°、50°、60°的相位曲线。在完成斜裂纹的相位曲线对称化转换之后,采用训练好的深度学习模型对各斜裂纹进行重构。根据计算出的裂纹轮廓序列数据获得斜裂纹的宽度和垂直深度。结合由式(2)计算出的斜裂纹倾角,当计算出的轮廓点z坐标小于0时对轮廓点进行横向平移,则第i个轮廓点新的横坐标为:
式中:xinew为第i个轮廓点横向平移后的横坐标;xi为第i个轮廓点横向平移前的横坐标;hi为轮廓点深度(即轮廓点z坐标的负值);θc为裂纹倾角拟合值。
最后,裂纹宽度定义为计算得到的裂纹轮廓曲线的半下降沿深度和半上升沿深度的横向距离,用wc表示。裂纹深度定义为裂纹轮廓曲线中的最小值与无裂纹区域网络计算值的纵向距离,用dc表示。从每个裂纹尺寸对应的数据子集中选取10个样本导入GRU-RNN进行计算后得到相应的10个裂纹轮廓计算曲线,进而获得10个样本对应的裂纹深度和宽度的计算值,并计算这些计算值与标签值的误差的平均值。
用ed表示裂纹深度计算值与标签值的误差平均值;用ew表示裂纹宽度计算值与标签值的误差平均值。ed和ew的计算式为:
式中:ned和new分别为参与计算裂纹深度和裂纹宽度计算误差平均值的样本数目;dci和wci分别为第i个裂纹深度计算值和宽度计算值;dri和wri分别为第i个裂纹深度标签值和宽度标签值。深度学习模型在不同数据集上的垂直裂纹深度和宽度的计算结果如表3所示。
由斜裂纹轮廓重构结果获得斜裂纹的宽度和深度,并根据式(15)—(16)计算出斜裂纹宽度和深度的误差平均值,计算结果如表4所示。斜裂纹倾角计算误差平均值已在表1中体现。
上述内容即步骤S3的原理。本发明为了使在垂直裂纹相位曲线数据集上训练出的深度学习模型能够用于斜裂纹的定量检测,采用对称化转换公式将不对称的斜裂纹相位曲线转换成对称曲线。在获得斜裂纹的对称化相位曲线后,
表3深度学习模型在不同数据集上的垂直裂纹深度和宽度的计算结果
表4斜裂纹深度和宽度的计算结果
使用训练好的深度学习模型对对称相位曲线的数据进行反演,获得斜裂纹的剖面轮廓曲线(有助于直观地反映裂纹的延伸情况),进而计算斜裂纹的宽度和垂直深度。裂纹按类型分为垂直裂纹和斜裂纹,现有技术中利用深度学习对裂纹进行定量评估,需要建立垂直裂纹和斜裂纹的深度学习模型,分别用于垂直裂纹和斜裂纹的定量评估。本申请只需要建立垂直裂纹深度学习模型,该模型可同时用于垂直裂纹和斜裂纹的定量评估,提高效率,节约时间。采用涡流检测的方法检测垂直裂纹得到的相位曲线是对称曲线,检测斜裂纹得到的相位曲线是非对称的。本案中,采用对称化转换公式,将斜裂纹的相位曲线转换为对称曲线,使之适用于垂直裂纹深度学习模型。
本发明还提出一种基于深度学习的钢轨裂纹定量涡流检测装置,包括:
采集模块,用于采集裂纹相位信号,建立第一信号曲线;
对称化转换模块,用于计算裂纹倾角,并对称化转换所述第一信号曲线,输出第二信号曲线;
深度学习模块,用于将所述第二信号曲线导入垂直裂纹深度学习模型进行计算,基于计算结果重构斜裂纹轮廓并确定斜裂纹宽度和深度。
进一步的,所述对称化转换模块具体可用于:计算相位曲线的不对称率;基于不对称率计算裂纹倾角;若裂纹倾角≠0,则将相位曲线对称化转换,输出对称化相位曲线,否则输出原始相位信号曲线。
进一步的,所述不对称率、裂纹倾角及对称化转换的计算公式如下:
所述不对称率的计算公式为
所述裂纹倾角的计算公式为
θc=160.0R-2.9
式中,θc为实验相位曲线对应的倾角拟合值,R为实验相位曲线的不对称率;所述对称化转换的计算公式为
f(xmax-xi,R)=(-1.90×10-2R+2.20×10-3)cos[(-0.37R+0.43)(xmax-xi)]+(1.00×10-2R-1.90×10-4)sin[(-0.37R+0.43)(xmax-xi)]+(-6.90×10-3R+5.00×10-4)cos[(-0.74R-0.86)(xmax-xi)]+(4.80×10-3R-2.70×10-4)sin[(-0.74R+0.86)(xmax-xi)]-1.60×10-2R+1.00
式中,R代表不对称率,xmax-xi代表信号曲线峰值点横坐标与第i个点横坐标之差。
进一步的,所述深度学习模块具体可用于:
将所述第二信号曲线导入深度学习模型计算第二信号曲线对应的裂纹剖面轮廓曲线;结合裂纹倾角及第二信号曲线对应的裂纹剖面轮廓曲线重构斜裂纹轮廓曲线;基于斜裂纹轮廓曲线计算斜裂纹宽度及深度。
本发明还提出一种基于深度学习的钢轨裂纹定量涡流检测设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器。其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行基于深度学习的钢轨裂纹定量涡流检测方法。
本发明还提出一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现基于深度学习的钢轨裂纹定量涡流检测方法。
以上所述仅为本发明的部分实施例,并非因此限制本发明的保护范围,凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于深度学习的钢轨裂纹定量涡流检测方法,其特征在于,所述方法包括:采集裂纹涡流响应,建立第一信号曲线;计算裂纹倾角,并对称化转换所述第一信号曲线,输出第二信号曲线;将所述第二信号曲线导入垂直裂纹深度学习模型进行计算,基于计算结果重构斜裂纹并确定斜裂纹深度和宽度。
2.如权利要求1所述的基于深度学习的钢轨裂纹定量涡流检测方法,其特征在于,
所述对称化转换所述第一信号曲线,输出第二信号曲线具体包括如下步骤:
计算信号曲线的不对称率;基于不对称率计算裂纹倾角;若裂纹倾角≠0,则将信号曲线对称化转换,输出第二信号曲线,否则输出原始信号曲线。
3.如权利要求2所述的基于深度学习的钢轨裂纹定量涡流检测方法,其特征在于:
所述不对称率的计算公式为
所述裂纹倾角的计算公式为
θc=160.0R-2.9
式中,θc为信号曲线对应的倾角计算值,R为信号曲线的不对称率;
所述对称化转换的计算公式为
f(xmax-xi,R)=(-1.90×10-2R+2.20×10-3)cos[(-0.37R+0.43)(xmax-xi)]+(1.00×10- 2R-1.90×10-4)sin[(-0.37R+0.43)(xmax-xi)]+(-6.90×10-3R+5.00×10-4)cos[(-0.74R-0.86)(xmax-xi)]+(4.80×10-3R-2.70×10-4)sin[(-0.74R+0.86)(xmax-xi)]-1.60×10-2R+1.00
式中,R代表不对称率,xmax-xi代表信号曲线峰值点横坐标与第i个点横坐标之差。
4.如权利要求1所述的基于深度学习的钢轨裂纹定量涡流检测方法,其特征在于,
将所述第二信号曲线导入垂直裂纹深度学习模型进行计算,基于计算结果重构斜裂纹并确定斜裂纹深度和宽度,具体包括如下步骤:将所述第二信号曲线导入垂直裂纹深度学习模型计算第二信号曲线对应的裂纹剖面轮廓曲线;结合裂纹倾角及第二信号曲线对应的裂纹剖面轮廓曲线重构斜裂纹轮廓曲线;基于斜裂纹轮廓曲线计算斜裂纹宽度及深度。
5.一种基于深度学习的钢轨裂纹定量涡流检测装置,其特征在于,包括:
采集模块,用于采集裂纹涡流响应,建立第一信号曲线;
对称化转换模块,用于计算裂纹倾角,并对称化转换所述第一信号曲线,输出第二信号曲线;
深度学习模块,用于将所述第二信号曲线导入垂直裂纹深度学习模型进行计算,基于计算结果重构斜裂纹并确定斜裂纹深度和宽度。
6.如权利要求5所述的基于深度学习的钢轨裂纹定量涡流检测装置,其特征在于,
所述对称化转换模块具体可用于:计算信号曲线的不对称率;基于不对称率计算裂纹倾角;若裂纹倾角≠0,则将信号曲线对称化转换,输出第二信号曲线,否则输出原始信号曲线。
7.如权利要求6所述的基于深度学习的钢轨裂纹定量涡流检测装置,其特征在于:
所述不对称率的计算公式为
所述裂纹倾角的计算公式为
θc=160.0R-2.9
式中,θc为信号曲线对应的倾角计算值,R为信号曲线的不对称率;
所述对称化转换的计算公式为
f(xmax-xi,R)=(-1.90×10-2R+2.20×10-3)cos[(-0.37R+0.43)(xmax-xi)]+(1.00×10- 2R-1.90×10-4)sin[(-0.37R+0.43)(xmax-xi)]+(-6.90×10-3R+5.00×10-4)cos[(-0.74R-0.86)(xmax-xi)]+(4.80×10-3R-2.70×10-4)sin[(-0.74R+0.86)(xmax-xi)]-1.60×10-2R+1.00
式中,R代表不对称率,xmax-xi代表信号曲线峰值点横坐标与第i个点横坐标之差。
8.如权利要求5所述的基于深度学习的钢轨裂纹定量涡流检测装置,其特征在于,
所述深度学习模块具体可用于:
将所述第二信号曲线导入垂直裂纹深度学习模型计算第二信号曲线对应的裂纹剖面轮廓曲线;结合裂纹倾角及第二信号曲线对应的裂纹剖面轮廓曲线重构斜裂纹轮廓曲线;基于斜裂纹轮廓曲线计算斜裂纹宽度及深度。
9.一种基于深度学习的钢轨裂纹定量涡流检测设备,其特征在于,包括至少一个处理器,以及,
与所述至少一个处理器通信连接的存储器,其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至4中任一项所述的基于深度学习的钢轨裂纹定量涡流检测方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的基于深度学习的钢轨裂纹定量涡流检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211075461.6A CN115629124A (zh) | 2022-09-02 | 2022-09-02 | 一种基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211075461.6A CN115629124A (zh) | 2022-09-02 | 2022-09-02 | 一种基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115629124A true CN115629124A (zh) | 2023-01-20 |
Family
ID=84902466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211075461.6A Pending CN115629124A (zh) | 2022-09-02 | 2022-09-02 | 一种基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115629124A (zh) |
-
2022
- 2022-09-02 CN CN202211075461.6A patent/CN115629124A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108845028B (zh) | 一种高速铁路钢轨波磨动态检测方法和装置 | |
CN110619106B (zh) | 一种桥梁损伤定位方法及其定量方法 | |
CN113433057B (zh) | 一种埋地金属管道杂散电流腐蚀速率预测装置及方法 | |
CN113324648A (zh) | 一种便携式高速铁路轮轨振动时空同步测试方法及系统 | |
CN104634493A (zh) | 一种电气化铁路弓网接触压力不平顺诊断和定位方法 | |
CN110646119B (zh) | 一种超声波测量轧制金属材料表面应力张量的方法 | |
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 | |
CN109900789B (zh) | 一种树木纵截面内部缺陷成像方法 | |
CN113158558B (zh) | 一种高速铁路路基连续压实分析方法、装置及分析仪 | |
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 | |
CN114240916A (zh) | 钢轨外观状态的多偏振光点云数据融合方法及装置 | |
CN115629124A (zh) | 一种基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备 | |
CN102914479A (zh) | 布氏硬度自动测定方法 | |
CN103174072B (zh) | 基于三点偏弦法的轨面检测方法 | |
Dandurand et al. | Automatic detection and quantification of growth spurts | |
CN204963756U (zh) | 一种多功能车轮踏面外形检测样板 | |
CN114091160B (zh) | 一种桥梁结构损伤的智能化检测方法及系统 | |
CN111324957B (zh) | 基于弹性虚拟尺的钢轨垂向波磨提取方法 | |
CN110687206B (zh) | 一种无砟轨道功能层缺陷成像方法 | |
CN115047286A (zh) | 一种电缆缺陷检测方法、设备及介质 | |
CN102374842A (zh) | 一种基于自然裂纹模型检测自然裂纹形状的方法 | |
CN109099880B (zh) | 岩体结构面粗糙度系数全域搜索测量方法 | |
CN113221212B (zh) | 一种钢轨焊接平顺状态评估管理方法 | |
CN110992461B (zh) | 基于非等间隔采样的大型高速回转装备三维形态学滤波方法 | |
CN116542042A (zh) | 钢轨焊接接头的描述方法和测试方法 |
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 |