一種基于漏磁檢測的鋼軌傷損判定和計數方法

楊志強， 王 平， 賈銀亮， 冀凱倫， 石永生

(1.南京航空航天大學 自動化學院，江蘇 南京 211106； 2.中國鐵道科學研究院集團有限公司基礎設施檢測研究所，北京 100081)

隨著列車的速度和行車密度的提高，鋼軌的滾動接觸疲勞越來越嚴重，當累積塑性變形超過鋼軌的最大韌性值時，會在鋼軌軌頭表面產生裂紋、剝離、掉塊、魚鱗傷等傷損[1]。這些傷損在鋼軌上普遍存在，為了確?；疖嚨男熊嚢踩?保證高速鐵路軌道的質量完好無損,鋼軌傷損檢測是必不可少的重要環節[2]。因此快速、準確地對鋼軌表面傷損狀態進行評估，是鐵路安全維護的重要內容之一，對保障鐵路運輸安全具有重大意義[3]。

為了實現鋼軌表面傷損的檢測和評估，自1959年世界首輛鋼軌超聲檢測車投入使用以來，無損檢測技術已廣泛應用到鐵路鋼軌傷損檢測和巡檢中，對鋼軌生產、安裝及服役條件下的故障檢測和狀態維護發揮了重要作用[4]。目前國內外常用的鐵路鋼軌檢測技術主要包括超聲檢測[5]、渦流檢測[6]、漏磁檢測[7]等。

常規超聲檢測由于需要耦合劑，且超聲波技術存在表面盲區或雜波效應，因此難以對表面小缺陷進行測量[8]。

渦流檢測受提離變化的影響較大，檢測探頭與被測鋼軌表面的距離需盡量保持固定[9]，同時渦流檢測技術對信號處理的要求較高。

漏磁檢測(Magnetic Flux Leakage,MFL)通過檢測鐵磁性材料被磁化部分的磁場變化進而發現缺陷。鐵磁性材料工件被局部磁化后，在局部磁化區，如果該工件表面有裂紋或者凹坑等傷損，傷損處的磁場分布會發生突變，有部分磁場會分布到表面外，形成漏磁場，通過檢測表面附件磁場的變化，可以判斷是否存在表面損傷。相比于其他方法，漏磁檢測具有原理簡單、對檢測環境要求低、檢測效果好等優點[10]。楊理踐等[11]使用多級磁化的高速漏磁檢測技術，實現對鋼管缺陷進行識別；程迪等[12]使用最小二乘支持向量機方法對油氣儲罐底板上的缺陷漏磁信號進行量化分析；Chen等[7]、冷強等[13]根據鋼軌傷損信號的時頻特性，對人工標定的規則形狀鋼軌傷損進行定量分析。而實際中鋼軌軌頭表面自然傷多為不規則形狀且多以連續密集的形式出現，現有方法無法有效地對這種損傷狀態進行準確評估，更難以完全以規則的人工傷損樣例進行模擬分析。

針對這種問題，筆者提出一種基于漏磁檢測的鋼軌傷損判定和統計方法，實現對鋼軌頂表面傷損的實時判定及數量統計。

1 連續傷損漏磁場有限元分析

當傷損距離較近時，其漏磁場會互相疊加，給單個傷損的識別造成困難。為了準確提取連續傷損信號的漏磁場的信號特征，使用Comsol Multiphysics多物理場仿真軟件對直流激勵的鋼軌漏磁信號進行穩態仿真。依據仿真結果分析傷損泄漏磁場的分布與傳感器提離的影響，研究不同間距傷損的漏磁場的分布，找到在一定激勵電壓、固定傳感器提離值和激勵磁軛提離值情況下可以明顯區分連續傷損信號的間距。

1.1 模型的構建

根據鋼軌探傷車在實際應用中的要求，建立圖1所示的二維傷損模型。水平方向為X，垂直方向為Y，采用鐵磁性材料構成U形磁軛，勵磁線圈采用4000匝銅漆包線，直流激勵電壓60 V，磁軛與鋼軌間提離為20 mm。鋼軌上建立5個傷損模型，寬度均為0.4 mm、深度均為5 mm。左側第一個傷損模型中心位于坐標(0,40 mm)，5個傷損從左到右間距分別為2 mm、4 mm、8 mm、16 mm。傷損上方分別設置提離為1 mm、2 mm、5 mm的傳感器探頭的檢測線，用于測量不同提離下漏磁信號強度。

圖1 二維仿真模型

1.2 傷損磁場分布的仿真結果及分析

鋼軌傷損處的磁場主要分為3個部分：大部分磁力線從傷損附近的材料中通過；部分磁力線從傷損處通過；部分磁力線泄漏出被測件，從傷損處的材料表面通過。提取探頭檢測路徑上不同提離的漏磁場X分量研究其分布特征和實際檢測中傷損漏磁信號的特點。仿真結果如圖2所示，傷損處的漏磁信號X方向分量有明顯的峰值，有利于傷損的判定。提離越小傷損信號峰峰值越大，對連續信號分辨力也越好，且與間距大于4 mm信號幾乎無重疊。

圖2 不同提離連續傷損漏磁仿真結果

2 傷損數量實時統計算法

傷損數量實時統計方法主要包括自適應閾值判傷、峰值窗口定位和峰峰值判傷計數。

2.1 自適應閾值判傷

傳統傷損檢測方法一般使用固定閾值判傷，即使用某項特征值(一般為峰值)與預設的傷損閾值進行比較，以此來判定是否存在傷損，大于閾值即判定為傷損信號。由于實際巡檢時存在環境、速度、提離等干擾，難以設置統一的閾值。本文使用標準差倍數自適應閾值算法，通過對采集到的數據進行處理，實時調整閾值，并根據此閾值對數據進行判傷分析，減少誤報率。自適應閾值Vth的計算公式為[14]

(1)

式中，xi為第i個采樣點的幅值；n為采樣點數；E為n個采樣點幅值的均值；A為經驗倍數值。

2.2 峰值窗口定位及峰峰值判傷計數

峰值判傷窗口定位及峰峰值判傷計數方法用于精確并快速地計算一段長度數據的傷損信號數量。峰值窗口定位方法能定位峰值電位，并以峰值電位為中心設定判傷窗口，可減少計算次數、提高處理速度，也解決了相鄰窗口分界處傷損重復檢測的問題。使用峰峰值進行判傷，也解決了區分單峰信號和雙峰信號需使用正負雙閾值的問題。

以一次鋼軌探傷車漏磁檢測數據為例，算法實現方法如圖3所示。設置1000個采樣點為1次判傷計數樣本長度，同時也是自適應閾值更新間隔。圖3中共2000個采樣點，第1～1000個采樣點進行第一次判傷計數；第1001～2000個采樣點進行第二次判傷計數。判傷閾值隨每次判傷的數據幅值不同而改變，既能滿足閾值大于最大噪聲的峰峰值，又能滿足小于最小傷損信息的峰峰值。

圖3 峰值定位判傷原理圖

以第二次判傷為例，首先計算出該數據段的峰峰值Vpp，根據式(1)計算自適應閾值Vth，如果Vpp>Vth，即判定本段可能有傷損，以峰值點橫坐標Pmax為中心定位選擇采樣點長度為Ws的第一個判傷窗口。窗口選擇過程中若出現窗口左邊界超出邊界即Pmax-Ws/2<1000,則選取最前端Ws個采樣點為判傷窗口；若出現窗右邊界超出邊界即Pmax+Ws/2>2000,則選取最后端Ws個采樣點為判傷窗口。計算窗口內數據的峰峰值Vppw，并將此窗口內數據歸零，若Vppw>Vth即判定為1個傷損，再重新計算本數據段的峰峰值Vpp，重復判傷直到Vpp不大于Vth，從而得到傷損計數值。

2.3 傷損數量實時統計算法實現

圖4為傷損數量實時統計算法流程圖。對原始直流漏磁數據以米為單位存入緩沖區BUFF[n]，緩沖區大小n由采集系統采樣率NKS/s及運行速度Vm/s決定，n=N/V。判傷窗口Ws大小根據傷損間隔L設定，根據仿真結果可知，當Ws=NL/V可保證一個Ws內僅包含一個傷損信號時，使用自適應閾值算法設定判傷閾值為Vth，運用比較運算求得BUFF[n]的最大值點所在橫坐標Pmax和信號的峰峰值Vpp。通過判斷Vpp與判傷閾值Vth的大小來進行預判傷。如預判傷結果為Vpp≤Vth，則判定本段無傷損，否則進行下一步峰值窗口定位。以Pmax為中心在BUFF[n]上定位選取長度為Ws的數據，然后進行一次峰峰值判傷，對判傷窗口內的數據進行特征值提取，得到其峰峰值Vppw，并對窗口內的數據置零，以免影響下次判斷。比較Vppw與閾值Vth的大小，若Vppw>Vth，傷損計數加1，對BUFF[n]數據進行循環判傷計數，最終得到BUFF[n]數據的傷損數量。

圖4 傷損數量實時統計流程圖

3 試驗驗證與結果分析

為了驗證本算法的有效性，建立了圖5所示的檢測實驗裝置樣機，分別對人工傷損樣例鋼軌及自然傷損樣例鋼軌進行試驗驗證。系統配置工控機采集卡采樣率為10 KS/s，探頭使用霍爾傳感器探頭，探頭提離值為1 mm，勵磁激勵使用永磁體掛載在檢測小車上，小車速度控制約為2 m/s。

圖5 檢測實驗樣機

3.1 人工傷損樣例試驗

選用實驗室帶有線切割不同深度傷損、不同長度傷損、與運行方向不同角度傷損、與水平方向不同角度傷損、不同埋藏深度傷損的5種人工傷損標準鋼軌樣例進行試驗。鋼軌樣例如圖6所示，包含多個不同的傷損，傷損間隔約為50 mm，由仿真結果可知各個傷損的漏磁場無疊加。

圖6 傷損樣例實物圖

實驗結果如圖7及表1所示，分別為測得傷損檢測原始數據識別結果及實時傷損數量統計算法計數結果。由圖7可知，傷損識別結果與被測鋼軌樣例傷損吻合。由表1可知，傷損數量實時統計算法結果與實際傷損數量一致。

表1 人工傷損數量統計結果

圖7 人工傷損樣例檢測數據

3.2 自然傷損試驗

方法實現對在役鋼軌自然形成的傷損進行判傷計數，由于人工傷損與實際在役鋼軌自然形成的傷損存在差異，所以對自然傷損進行試驗檢測。選取帶有自然傷損的鋼軌樣例(如圖8所示)，其中傷損5和傷損6間隔約為10 mm。

圖8 自然傷損樣例

實驗結果如圖9及表2所示，分別為自然傷損樣例測得的原始數據及實時傷損數量統計算法結果。由圖9可知，識別得到9個傷損與被測鋼軌樣例的傷損數量吻合。由表2可知，傷損算法實時統計的結果與實際傷損數量一致。

圖9 自然傷損原始數據

表2 自然傷損數量統計算法結果

4 結束語

鋼軌表面的傷損判斷及數量統計是檢測表面傷損程度的基礎之一,在鋼軌檢測中占有重要地位。通過有限元仿真及對標定的人工傷損及自然傷損的檢測試驗表明，該算法能夠有效統計鋼軌表面的傷損數量，這種傷損數量統計算法簡單、運算量小、環境適應性強，滿足檢測實時性的要求。對于鋼軌表面損傷狀態的實時評估，傷損判定及數量統計只是其中一個指標，對自然傷的傷損程度的研究還需要進行相應的后續工作。