超声波钢轨探伤车B显数据伤损模式分类技术研究

0 引言

钢轨探伤是我国铁路安全保障体系的重要一环。目前我国钢轨探伤系统主要依赖国外引进，在实际应用过程中发挥了很大作用[1-2]。国外学者对钢轨超声探伤模式分类技术进行了研究[3-4]，但并未见到实际系统的验证。许多国家和地区已有比较成熟的超声波钢轨探伤系统。美国SPERRY公司的探伤车最高运行速度为80 km/h，系统运行的同时，可实时对伤损进行识别和分类，能区分常见的钢轨伤损，能对伤损分类的参数进行配置。澳大利亚RTI公司的探伤车最高运行速度为40 km/h，具有基于神经网络的自动伤损识别系统，具备自学习功能。日本TOKIMEC公司生产的探伤车车体均采用铁路专用车辆，采用滑靴式超声波传感器，检测速度为40 km/h，已在新干线等多条线路上运用，此探伤系统具有实时识别伤损分类的功能。我国目前也有学者进行伤损分类识别的研究[5]，其识别结果停留在理论研究阶段。我国目前在役的超声波钢轨探伤系统均为国外引进，相应软件也为国外研发，严重限制和制约了我国钢轨超声波探伤检测技术的研究和发展。

为了打破技术壁垒，中国铁道科学研究院（简称铁科院）自主研发了钢轨探伤作业系统。超声波钢轨探伤车数据的伤损模式分类技术是诸多关键技术中的一项。超声检测的回波信号中含有大量与缺陷相关的信息。目前钢轨探伤车的探伤系统主要针对超声波B显数据进行判伤。针对铁科院自主化钢轨探伤车的超声波钢轨探伤系统B显数据进行特征提取，并将B显数据特征做为人工神经网络的输入，从而实现伤损的分类；并以在兴平标定线采集的超声波数据为对象进行试验，验证了方法的有效性。

1 探轮和伤损类别设置

分类前必须先设置伤损类别。不同角度的超声换能器可以探测不同类型的伤损；各超声换能器的组合关系直接决定了超声波探伤的B显图形。伤损模式分类技术依据超声波B显图形进行伤损识别和分类。因此，包含换能器的超声探轮配置及超声通道布置与钢轨伤损的分类直接相关。

1.1 探轮设置

自主化探伤作业系统探轮设置见图1。

图1 自主化探伤作业系统探轮设置

自主化探伤作业系统采用2种类型的探轮，即基础型探轮和偏斜角探轮。在基础型探轮探头中，有3个超声换能器：1个0°、1个37.5°、1个三晶片阵列的70.0°。每侧钢轨有2个基础型探轮，前后2个探轮按照镜像位置安装。偏斜角探轮中有3个超声换能器：1个0°、1个前偏斜角和1个后偏斜角换能器。每侧钢轨有1个偏斜角探轮。偏斜角探轮位于2个基础型探轮之间，偏斜角射向钢轨内侧。不同换能器用于检测不同位置伤损。

基础型探轮中0°换能器可产生超声波纵波声束，用于检测钢轨中的水平取向伤损。37.5°换能器常被称为45°换能器（下文统一称为45°换能器），主要检测轨腰部分的伤损，尤其是螺孔裂纹，45°换能器还可检测特定取向、70°通道探测不到的横向裂纹。前后轮的45°声束相对，可检测不同取向的伤损。基础型探轮具有3个70°换能器阵列，主要用于检测轨头部及轨腰顶部的伤损。基础型探轮对称安装，因此2个探轮中的70°换能器照射方向相反，以便检测不同取向的伤损。

偏斜角探轮的前、后偏斜角换能器用于检测轨头轨距内侧的小核伤。与基础型探轮中的70°换能器不同，偏斜角换能器的声束与钢轨纵向有1个经过优化的夹角，可利用一次和二次回波，对轨距内侧小核伤尤其是轨面龟裂下的小核伤有很好的检测效果。

1.2 钢轨伤损分类

在TB/T 1778—2010《钢轨伤损分类》中，规定了钢轨各种伤损的分类和编号、伤损描述、伤损原因等。结合超声波钢轨伤损的检测特点及可检测伤损的类型，再参照从国外引进的钢轨系统伤损分类方法，将超声波可以检测到的钢轨伤损归类为11种（见表1）。

表1 钢轨伤损类型分类

序号 伤损类型1轨头内、外、中心核伤5轨头内、中心核伤6轨头外、中心核伤7轨头水平分裂8轨头、轨腰分裂9轨腰水平裂1 0 轨底断裂1 1 螺孔裂纹轨头外侧核伤2轨头中心核伤3轨头内侧核伤4

表1所列伤损中，伤损1—伤损6是由70°通道和偏斜角通道所能发现的伤损，其他伤损是由45°和0°通道所能发现的伤损。这些伤损类别基本涵括了现有状态下我国钢轨出现的所有常见伤损类型。根据伤损发现的通道和形态区别，将伤损分为四大类：核伤类（1—6）、水平裂纹类（7—9）、轨底裂纹类（10）、螺孔裂纹类（11）。

2 BP神经网络模型

人工神经网络是在对人脑神经运作机制的抽象和模拟基础上发展起来的一种计算模型，具有记忆、联想、自适应及良好的鲁棒性等一系列优点。近年来，神经网络技术发展迅速，已经广泛应用于模式识别、智能控制、信号处理、非线性优化等领域，产生了深远影响。比较常用的学习方式是BP算法。BP神经网络拓扑结构见图2。图中，X1，X2，…，Xm为BP神经网络输入值；Y1，Y2，…，Yn为BP神经网络预测值；ωij为隐含层第i个节点到输入层第j个节点间的权值；θk为隐含层第k个节点的阈值；Φ（x）为隐含层的激励函数；ak为输出层第k个节点的阈值，k=1，…，L；Ψ（x）为输出层的激励函数；Yk为输出层第k个节点的输出。

图2 BP神经网络拓扑结构

由图2可知，BP神经网络可看成一个非线性函数，网络输入值和预测值分别为该函数的自变量和因变量。当输入节点数为n、输出节点数为m时，BP神经网络就表达了从n个自变量到m个因变量的函数映射关系。

BP神经网络预测前首先要训练网络，通过训练使网络具有联想和记忆能力。训练过程由信号的正向传播和误差的反向传播2个过程组成，基本思想如下：

（1）正向传播时，输入样本从输入层输入，经各隐含层处理后，传向输出层。若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段。

（2）误差反向传播是将输出误差以某种形式通过各隐含层向输入层逐层反传，并将误差分摊给各层的所有神经元，从而获得各层神经元的误差信号，此误差信号即作为修正各神经元权值的依据。

（3）信号正向传播与误差反向传播的各层权值调整过程周而复始的进行，直到网络输出的误差减小到可接受程度，或进行到预先设定的学习次数为止。

常见的学习算法有最速下降法及最速下降法的改进算法，最速下降法的改进算法包括动量BP法、学习率可变BP法（Variable Learning Rate Backpropagation，VLBP）、拟牛顿法、LM（Levenberg-Marquardt）算法。

基于BP神经网络的超声波检测系统伤损分类算法建模包括BP神经网络构建、BP神经网络训练、BP神经网络分类3步，算法流程见图3。

BP神经网络模型设计需要确定BP神经网络的结构，包括网络层数，输入、输出节点数及所代表的含义，隐含层节点数及传输函数、训练方式方法和初始权值。参照此步骤构建伤损模式分类的BP神经网络模型。

3 基于BP神经网络的伤损模式分类技术

3.1 伤损模式分类过程

基于BP神经网络的伤损模式分类运算过程为：将超声波B显数据输入识别系统，经过数据分割、去噪，进行特征提取，提取的特征进行归一化处理；然后将归一化处理后的特征做为神经网络输入，经过运算后得到神经网络输出；根据判定规则，决定伤损的分类结果；最后输出结果（见图4）。

图3 BP神经网络模型算法流程

图4 基于BP神经网络的伤损模式分类过程

3.2 B显数据分割

对超声波B显数据按照通道和位置相关性分割成一组组超声信息组合。根据伤损类别划分，下述各通道闸门的超声回波具有相关性：

（1）70°各通道监视闸门内的超声回波；

（2）0°和45°轨腰监视闸门内的超声回波；

（3）45°轨底监视闸门内的超声回波。

在进行闸门划分时，需将相关联的闸门内回波划分到一起后再进行位置上的分割。将一组组相关的超声信息组合称为超声信息群。分割后，以超声信息群为研究对象，进行去噪和特征提取。

3.3 B显数据去噪

实际检测过程中，往往会因为各种干扰产生一些散列杂波。这些杂散的回波将影响伤损识别，因此在进行伤损识别前有必要去掉这些回波，只留下一些具有判伤意义的超声信息群进行特征提取。可采用基于聚类的孤立点检测算法将单个或数个散列的回波点去除。

3.4 B显数据特征提取

单个B显回波信息包括3种信息：

（1）回波所属通道；

（2）回波的钢轨横向位置；

（3）回波的钢轨纵向位置。

人工判伤时，主要研究对象是一组位置临近的超声信息组合。在此进行特征提取的对象是一组经过去噪的超声信息群。

超声信息群基本特征包括：

（1）回波群高度；

（2）回波群纵向平均值；

（3）回波群宽度；

（4）回波群横向平均值；

（5）回波群回波点数；

（6）回波群中各回波点在通道方向上进行线性拟合后计算的拟合度。

回波群的线性拟合方式为：固定斜率为超声通道进入钢轨后的折射角对应的正切值k，然后根据下式计算截距b：

式中：mean为求平均值；X、Y为回波点坐标。

拟合度的计算方式为：根据上述方式可得出拟合的直线y=kx+b；然后计算各回波点到此直线的欧氏距离；最后计算各回波点到直线欧氏距离的平均值，作为回波群在通道方向上的线性拟合度。

3.5 特征的归一化处理

将提取的特征进行归一化处理，即把所有特征数据转换为［0，1］之间的数据，目的是去掉各维数据间的数量级区别，避免因输入输出数量级差别较大造成网络预测误差较大。

3.6 BP神经网络结构设计

不同类型伤损判别采用不同的神经网络结构，并分别进行训练[6]。以正常螺孔与非正常螺孔的判别为例进行说明。

（1）输入层节点数。输入层节点数取决于输入向量的维数。应用神经网络解决实际问题时，首先应从问题中提炼出一个抽象模型。输入层采用3×6个节点，分别输入2个0°通道、前向45°通道、后向45°通道的基本特征。

（2）输出层节点数。输出层神经元的个数需根据从实际问题中得到的抽象模型来确定。输出层采用1个输出节点，0代表正常，1代表存在此类伤损。

（3）网络层数。BP神经网络可以包含1个到多个隐含层。不过理论上已经可以证明，单个隐含层的网络可通过适当增加神经元节点个数实现任意非线性映射。对于大部分场合，单个隐含层就可满足需求。但如果样本较多，增加1个隐含层可明显减小网络规模。区分正常螺孔和非正常螺孔的算法里，选用了单个隐含层。

（4）隐含层节点数。隐含层节点数对BP神经网络的性能有很大影响。一般较多的隐含层节点数可以带来更好的性能，但可能导致训练时间过长。目前没有一个理想的解析式可以用来确定合理的神经元节点个数。通常做法是采用经验公式给出估计值：

式中：m和 n分别为输出层和输入层的神经元个数；a为［0，10］间的数。

根据式（2），设置隐含层节点数为15。

（5）传递函数选择。一般隐含层使用Sigmoid函数，输出层使用线性函数。如果输出层也使用Sigmoid函数，则输出值也将会被限制在（0，1）或（-1，1）。隐含层和输出层都使用Sigmoid函数：

式中：a取值为1。

（6）训练方法选择。训练方法的选择与问题本身、训练样本个数有关。采用动量BP法，在标准BP算法权值更新阶段引入动量因子，使得权值的更新有一定惯性，且具有一定的抗振荡能力和加快收敛能力。

（7）初始权值确定。BP神经网络采用迭代更新的方式确定权值，需要一个初始值。一般初始值都是随机给定，但易造成网络的不可重现性。初始值过大或过小都会对性能产生影响，于是将初始值定义为较小的非零随机值，经验值为（-2.4/F，2.4/F），F为权值输入端连接的神经元个数。

4 实验说明

训练和测试数据来源于GTC-301型和GTC-801型钢轨探伤车兴平标定线实验数据。

（1）训练样本选择。从中选取15个正常螺孔样本、30个非正常螺孔样本作为训练样本。30个非正常螺孔样本包括5个前向45°检测的螺孔上裂样本、5个后向45°检测的螺孔上裂样本、5个前向45°检测的下裂样本、5个后向45°检测的下裂样本、10个螺孔水平横裂样本。前向45°检测的螺孔上裂样本基本模型见图5的红框处，前向45°检测的螺孔下裂样本基本模型见图6右侧红框处，后向45°检测的螺孔上裂基本模型见图7左侧红框处、螺孔下裂样本基本模型见图7右侧红框处，螺孔水平裂纹样本基本模型见图8红框处。

（2）测试样本选择。从中选取10个正常螺孔样本、25个非正常螺孔样本作为测试样本。25个非正常螺孔样本包括5个前向45°检测的螺孔上裂样本、5个后向45°检测的螺孔上裂样本、5个前向45°检测的下裂样本、5个后向45°检测的下裂样本、5个螺孔水平横裂样本。

（3）实验结果（见表2）。可以看出，正常螺孔的输出值集中于0附近，非正常螺孔的输出值都远离0。只要设定合适的阈值，可将识别率控制在95%以上。

5 结束语

提供一种基于BP神经网络的超声波钢轨探伤车B显数据伤损模式分类技术，可识别的伤损类别涵盖目前国铁所有常见伤损。该分类技术应用在自主化钢轨探伤作业系统平台上，达到了GB/T 28426—2012《大型超声波钢轨探伤车》的要求。可扩展性好，在将来的实际应用过程中，可借助越来越丰富的伤损样本，进一步对伤损模式分类技术进行改进。

图5 螺孔裂纹示例（一）

图6 螺孔裂纹示例（二）

图7 螺孔裂纹示例（三）

图8 螺孔裂纹示例（四）

表2 测试结果统计

样本编号是否为正常螺孔预期输出实际输出样本编号是否为正常螺孔预期输出实际输出样本编号是否为正常螺孔预期输出 实际输出1 10.915 680 13否 10.966 618 25否 10.998 261 2否10.979 038 14否 10.983 256 26是 00.012 897否3 10.978 806 15否 10.989 043 27是 00.151 309 4否10.996 163 16否 10.985 086 28是 00.037 876否5 10.997 368 17否 10.503 280 29是 00.024 743 6否10.754 556 18否 10.557 262 30是 00.034 830否7 10.997 650 19否 10.957 283 31是 00.015 672 8否10.997 166 20否 10.997 523 32是 00.024 750否10.968 836 21否 10.997 769 33是 00.032 501 10否 10.995 474 22否 10.997 122 34是 00.045 221 11否 10.977 232 23否 10.998 532 35是 00.031 807 12否 10.989 429 24否 10.998 322 9否

参考文献

[1] 徐其瑞，石永生，熊龙辉，等．基于大型钢轨探 伤车的顶面伤损漏磁检测技术研究[J]．中国铁路， 2017(10)：39-44．

[2] 徐其瑞，石永生，许贵阳，等．GTC-80型钢轨探伤 车及其运用[J]．中国铁路，2013(11)：55-58．

[3] SAMUEL TONY VIPPARTHY，CH MADHU V N，G G RAMAKRISHNA，et al. Inspection of rails using interface of ultrasonic testing[J]．International Journal of Mechanical Engineering and Robotics Research，2015，4(1)：176-184．

[4] ROBERT RONALD PHILLIPS．Ultrasonic methods for rail inspection[D]．California：University of California，2012．

[5] HAO WEI，LI CHENGTONG．Automatic realtime SVM based ultrasonic rail flaw detection and classification system[J]. Journal of the Graduate School of the Chinese Academy of Sciences，2009，26(4)：517-521．

[6] 陈明．MATLAB神经网络原理与实例精解[M]．北 京：清华大学出版社，2013．