车轴超声检测数据的滑动中值滤波算法

钱微冬，高晓蓉

(西南交通大学 物理科学与技术学院 光电工程研究所，成都 610031)

车轴超声检测数据的滑动中值滤波算法

钱微冬，高晓蓉

(西南交通大学 物理科学与技术学院 光电工程研究所，成都 610031)

提出了一种基于A扫描的滑动中值滤波算法，其通过对被检测工件与圆形超声直探头声场进行分析来确定滑动中值滤波的采样点数。对空心车轴超声检测系统采集的A扫描数据进行算法处理后可以发现，由算法处理后的A扫数据还原而来的B扫图、C扫图干净清晰,一方面去除了所处环境、机械运转结构及装配等因素造成的随机干扰；另一方面很好地保留了缺陷信息。

超声检测；车轴；滑动中值滤波；随机干扰

在铁路领域中，轮轴的安全是列车能否安全运行的关键因素。由于运行过程中受力的原因，轮轴极易产生疲劳缺陷，如不能及时对其检测处理，则可能引起列车断轴、脱轨等事故[1]。因此，对车轴的检测在列车的日常检修过程中尤其重要。

目前，我国对车轴的检测方法主要是超声检测和磁粉检测。磁粉检测只能检测车轴表面缺陷，不能检测内部缺陷[2]，对内部缺陷的检测主要靠超声检测[3]。超声检测分手动和自动化两种，手动检测受人为因素的影响较大，对待检工件的要求较高。国内部分企业已经研发了一些全自动化车轴检测系统[4]，但由于设备所处环境、使用条件以及设备装配等因素的影响，检测中会出现一些随机噪声干扰而影响超声检测信号，导致超声检测结果出现不正常显示，影响对缺陷的判断。所以，对超声信号的滤波显得尤其重要。笔者提出了一种基于A扫描的滑动中值滤波算法，其通过对被检测工件与圆形超声直探头声场进行分析来确定滑动中值滤波的采样点数。

1 滑动中值滤波算法

滑动中值滤波是一种非线性的滤波方法，其基本原理是将数据中一点的值用该点的一个邻域内各点值的中值来代替。其基本技术思路是对窗口内的所有像素灰度进行排序，取排序结果的中值作为原窗口中心点处像素的灰度，从而起到消除奇异噪声点的功能[5]。

用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升(或下降)的二维数据序列[6]。二维中值滤波输出为

式中：f(x,y)，g(x,y)分别为原始图像和处理后的图像，(k,l∈W)。

W为二维模板，通常为3×3，5×5区域，也可以是不同的形状，如线状、圆形、十字形、圆环形等。中值滤波的滤波效果依赖于对窗口形状和大小的选择；若选择不当，会严重影响滤波的效果。

笔者基于对超声检测的理论分析，从超声A扫出发，开展超声数据滑动中值滤波的研究。

超声换能器发射的超声波在工件中传播，当传播至缺陷处时，超声波会发生反射、折射、散射等现象，超声换能器接收到返回的声波，即为检测到的缺陷信号[7]。在工件的同一检测点连续采样N次(N取奇数)A扫数据，将N次A扫数据中同一深度的采样点按大小排列，取中间值为本次有效值，组成一个新的A扫数据，即完成对超声检测数据的滑动中值滤波。

图1 滑动中值滤波算法数据处理原理示意

采样次数N的确定需通过对超声发射声场与规则发射体回波的分析计算得到。

图2 圆盘波源辐射的纵波声场示意

2 采样次数N的确定

2.1超声波发射声场

声场是指有声波在其中传播的那部分媒质范围[8]。根据检测用的超声类型进行声场分类，可以分为纵波和横波两大类。根据检测用的探头波源形状，又可分为圆盘波源和矩形波源。因对车轴的检测主要使用的是圆形探头，其波源为圆盘状，所以下面以圆盘状波源为例进行分析。

声轴线上的声压幅值为

式中：Rs为声源半径；x为声程;l为波长;P0为波源起始声压。

当x≫R时：

以频率2.25 MHz，直径20 mm的圆盘声源为例，其声场声压分布如图3所示。

图3 理论计算的声场声压分布示意

根据声场中声压的分布，声场可分为近场区、远场区和足够远场[9]。

近场区(菲涅尔区)，在声源附近由于波的干涉而出现一系列声压极大值和极小值的区域。声场横截面声压分布呈中心轴线上声压为0，偏离中心轴线声压则较高的特征。

远场区，声压随距离增加单调减小，声场横截面声压分布呈轴线上声压最高，偏离中心线声压逐步降低，且完全对称的特征。

足够远场，声压与声程成反比，近似球面波的规律，是所有规则反射体回波声压计算的基础。

所以探头声轴偏移的测量、折射角的测量均应在远场上进行。

2.2波束指向性和半扩散角

图4 波束指向性和半扩散角示意

以确定的扩散角向固定的方向辐射超声波的特性称为波束指向性。波束指向性和半扩散角示意如图4所示，声束向两侧扩散的角度称为扩散角(2θ0)，向其一侧扩散的角度称为半扩散角(θ0)。超声波的能量主要集中在半扩散角以内，2θ0以内的波束称为主波束，只有当缺陷位于主波束以内时才容易被发现。

式中：Ds为探头直径。

所以，探头频率f越高，Ds越大，半扩散角2θ0越小，波束的指向性越好，方向性越好，定位误差越小。

2.3N的理论计算对空心车轴的检测，主要采用TR直探头，探头频率为5 MHz，直径为8 mm。根据半扩散角计算公式可计算出其半扩散角θ0=10.325°，所以TR探头的波束宽度2θ0=20.65°。当TR探头在空心车轴内侧进行螺旋扫查时，一圈可以采集到216个A扫描数据，每次A扫描旋转度数Δ=1.67°。如果出现缺陷，理论上可以获得缺陷信息的A扫描一共12个。

2.4N的实际测试

对CRH380D样板轴进行检测，人工缺陷被A扫描采集到了缺陷信息，图5是包含随机干扰的A扫描信号。

图5 包含随机干扰的样板轴的A扫描信号

但随机干扰只出现在3个连续A扫描中的当中的那个A扫信号中，其他两个A扫描中均未出现随机干扰。相邻3个A扫描信号如图6所示。

图6 样板轴的相邻3个A扫描信号

针对轴向运动，TR圆探头的波束指向性为圆锥状，分析情况和周向一致。通过轴向检测结果(见图7)可以明显看出，人工缺陷可以在4个螺距里检测到，每个螺距4 mm，轴向声束指向性有约16 mm的长度。

图7 样板轴的轴向检测结果

随机干扰信号最多只会连续出现在2个A扫描中，采样次数N设置为5，可以把随机噪声去除，保留真正的缺陷信号。

3 算法验证

现场进行数据采集，然后利用MATLAB软件进行数据的滑动中值滤波算法处理，并还原超声B扫描、C扫描图像进行验证。对现场采集的部分数据的验证结果如图810所示。

图8 第一组数据处理结果

图9 第二组数据处理结果

图10 第三组数据处理结果

从上述结果可以看出，算法处理后的B扫描、C扫描图干净清晰，一方面去除了随机干扰，另一方面也很好地保留了缺陷信息。

4 结语

在空心车轴的超声检测后的数据处理过程中，滑动中值滤波算法可以很好地滤除超声原始A扫描数据当中的随机噪声干扰信号，保留缺陷信息，B、C扫描视图非常干净。

[1] 唐鲁楠, 冯文慧. 无损检测技术在地铁检修中的应用[J]. 无损检测, 2016, 38(3):82-84.

[2] 董汉杰, 陈翠丽, 李国栋,等. 轴承零件的常见磁粉探伤缺陷[J]. 无损检测, 2015, 37(3):56-58.

[3] 张国华, 纪晓明, 王亚新,等. 浅析机车车轴内部缺陷的超声波探伤[J]. 无损检测, 2010，32(4):302-305.

[4] 王玉国, 李雄兵, 宋永锋,等. 机车车轴超声自动检测系统设计[J]. 铁道科学与工程学报, 2012, 34(3):124-128.

[5] ZHU W Z, DONG C P. Median filtering and its application on image processing[J].Journal of Tianjin Vocational Technical Teachers College,2002,3(4):27-28.

[6] 李婧, 黄进. 一种图像测量中的快速中值滤波算法[J]. 微计算机信息, 2007, 23(21):299-300.

[7] 庞勇, 韩焱. 超声成像方法综述[J]. 测试技术学报, 2001, 15(4):280-284.

[8] 彭应秋, 李坚, 权义萍,等. 超声检测中的声场特性及应用分析[J]. 无损检测, 2003, 25(12):612-615.

[9] 冯雨, 周超, 吕景林. 超声波换能器中轴线上振幅分布[J]. 实验室研究与探索, 2013, 32(12):35-37.

欢迎网上投稿欢迎订阅欢迎刊登广告

SlidingMedianFilterAlgorithmforUltrasonicTestingDataofAxels

QIAN Weidong, GAO Xiaorong

(Photoelectric Engineering Institute, School of Physical Science & Technology,Southwest Jiaotong University, Chengdu 610031, China)

In this paper, a sliding median filtering algorithm based on A-scan was proposed, and the sampling points of the sliding median filter were determined by the analysis of the sound field of the circular ultrasonic probe and the actual workpiece.The B-scan and C-scan, which were restored by the A-scan data collected by ultrasonic inspection of hollow axles and processed by the algorithm, were clean and clear. On the one hand, this algorithm removed the random interference caused by the environment, mechanical structure and assembly, whereas on the other hand, it also retained the defect information.

ultrasonic testing; axle; sliding median filter; random disturbance

TG115.28

： A

：1000-6656(2017)09-0007-04

2017-03-05

钱微冬(1991-)，男，硕士，工程师，主要从事无损检测工作

钱微冬，13882051943@163.com

10.11973/wsjc201709002