基于独立成分分析的尖轨导波监测信号处理方法研究

2018-11-22伍建军张鹏飞吕福在唐志峰

结构工程师 2018年5期

李伟伍建军张鹏飞吕福在门阔唐志峰

(1.中国铁道科学研究院铁道建筑研究所,北京 100081;2.浙江大学流体动力与机电系统国家重点实验室,杭州 310027;3.有研科技集团有限公司智能传感功能材料国家重点实验室,北京 100081;4.浙江大学数字技术与仪器研究所,杭州 310027)

0 引言

我国的铁路系统在近年内飞速发展,截止2017年底,我国的铁路总里程数超过12.7万km[1]。铁路运输的运载能力和运输速度大幅提升对铁路系统的组成模块的安全性能形成了更大的考验。道岔尖轨为铁路系统中列车转向结构的重要组成部分,在其运作过程中,承受着列车对其作用的巨大的冲击力。此外在其服役过程中,还承受着环境温度变化以及尖轨上其他部件与尖轨之间的相互作用力影响。尖轨动态的工作状态及在上述多种因素共同作用下,相对于基本轨来说,尖轨上更容易出现缺陷[2]。缺陷的生长将最终导致尖轨结构失效,甚至使尖轨发生断裂,严重威胁列车行车安全,甚至造成列车脱轨事故,带来人员伤亡与财产损失[3]。综上,对道岔尖轨的结构健康进行检测或者监测评估至关重要。

尖轨的非规则变截面结构特征较为复杂,且在每天在运行过程中留出的天窗时间较短。传统的无损检测技术包括超声检测[4]、漏磁检测[5]、涡流检测[6]、射线检测[7]、渗透检测[8]和机器视觉检测[9]等都难以实现全截面覆盖检测。而且上述检测技术都采用低效率的逐点式检测形式,检测工作只能在尖轨运行的天窗时间段进行。综上原因,传统的检测手段难以应用于尖轨检测。超声导波无损技术因其具有的单点激励长距离检测、全截面覆盖、高效率和低成本等优势成为无损检测技术的研究热点。基于超声导波的无损监测技术利用单次安装后可长期使用的固定式换能器配合定期检测数据采集系统可实现道岔尖轨的在线结构健康监测,这也是超声导波未来的发展方向。

现有的比较成熟的超声导波监测信号处理方法为残差分析法。首先从当前采集的检测信号减去在结构完整情况下采集的基准信号获得残差信号,然后通过分析残差信号实现缺陷判别及定位定征。这种方法的最大的问题在于除了结构中出现的缺陷外,尖轨所处的环境因素以及监测设备的不稳定性也会对导波信号产生影响。其中最大的影响因素即为环境温度。环境温度会对波导结构及波导材料属性造成影响,最终导致导波信号中波包发生相位偏移。现有的温度补偿的方法包括最佳基准法[10]和信号伸缩法[11],对于局部温度不一致的波导还有局部相关法[12]。残差分析法需要确定阈值才能实现缺陷判别,温度补偿难以消除信号中存在的其他噪声因素影响。

本文提出一种基于独立成分分析的导波监测信号处理方法,在理论分析的基础上利用导波检测仪对尖轨进行了模拟监测实验。试验结果证明本文提出的方法能够实现尖轨缺陷的准确判别及定位,为实现未来智能铁路的在线监测技术奠定有益基础。

1 导波信号处理算法

超声导波监测过程可分为两个阶段。在第一个阶段,被监测的尖轨需要被确定为结构完整的,在其处于尽可能复杂的工作环境下,采集尽可能多的导波信号建立基准库。在第二个阶段正式开始监测过程,每隔一段时间采集监测信号,然后与基准信号对比分析判断当前尖轨结构的完整性。

本文提出的方法首先从基准库和当前采集信号中随机选择部分信号构建分析矩阵,即

(1)

式中:上标b表示基准信号,上标t表示当前检测信号,n为选取的信号的个数,所有信号按行向量排列构成分析矩阵。

然后将分析矩阵使用独立成分分析算法进行分解。本研究中采用的算法为芬兰学者Hyvarrinen提出的Fast-ICA算法[13]。其目的在于基于源信号之间的统计独立性从分析矩阵的混合信号中提取源信号。其基本步骤包括预处理和解混矩阵求解,预处理包括对数据的中心化和白化。具体过程请参见参考文献[13]。获得解混矩阵后和分析矩阵相乘后即可从中提取出源信号矩阵。解混矩阵求逆即可获得权重矩阵,即

X=AS

(2)

式中:A为权重矩阵；S为源信号矩阵。改写成矩阵形式如下,

(3)

如果在权重矩阵中存在的明显的阶跃矢量Av1,Av2,…,Avk(k≤M),则通过阶跃矢量及其对应的源信号sv1,sv2,…,svk即可构建最终的变化信号,即

(4)

通过分析变化信号可从中提取缺陷的有效信息以实现缺陷定位定征,需要说明的是源信号方差的不确定性会影响变化信号的整体幅值,而缺陷的位置信息主要包含在变化信号的波形当中,整体幅值变化对于缺陷判别不会造成影响。

2 道岔尖轨监测实验

2.1 实验设置

实验研究针对一根长度为4.58 m 50AT尖轨。监测实验系统示意图如图1所示。在轨腰上不同区域存在着分布间隔和孔径不同的若干个通孔。列车运行过程中,车轮与轨头区域接触,因此轨头区域不适合长期安装换能器。轨腰裂纹是尖轨缺陷的常见类型,轨底边缘区域是可能导致断轨的细小裂纹缺陷起始生长的区域。因此轨腰和轨底边缘是尖轨结构健康监测的重点区域。所以实验监测的区域也设置为轨腰和轨底边缘区域。换能器安装方式如图1(a)所示。换能器安装的位置距离尖轨的根端为0.94 m。在尖轨上距离换能器1.5 m和2.5 m的位置经过打磨预处理后耦合质量块来人工模拟缺陷。质量块如图1(b)所示。三种规格的质量块模拟的缺陷横截面积分别为900 mm2、600 mm2和300 mm2。

图1 尖轨超声导波监测实验示意图Fig.1 Experimental diagram of switch rail monitoring using ultrasonic guided waves

实验中采用的数据采集仪器为杭州浙达精益机电技术股份有限公司研发的MSGW超声导波检测仪,连接笔记本电脑作为上位机控制。数据采集过程中使用一个温度记录仪记录实验过程中尖轨的轨温,在进行数据分析过程中,确保基准信号和当前检测信号的温度在同一温度变化范围内。实验中利用压电式换能器实现超声导波的激发与接收,即脉冲回波式检测。因在该过程中仅使用单个换能器,无法实现对于导波传播方向的控制,所以从信号中分析出的特征波包所在位置仅表示该特征与换能器之间的距离,不包含方向信息。

第一组实验设置的监测区域为尖轨轨底边缘。换能器也相应安装于尖轨轨底窄边边缘。首先采集基准信号800组建立基准库。尖轨所在的温度范围为16 ℃～23 ℃之间。然后在图1所示的耦合处1处耦合小铁块模拟缺陷,其所占的截面损失为3.39%。在耦合小铁块后采集的数据为当前检测信号,共212组,此时尖轨所在的温度范围为17 ℃～22 ℃。第二组实验设置的监测区域为尖轨轨腰。换能器安装于尖轨轨腰单侧。基准库包含400组基准信号。尖轨所在的温度范围为11 ℃～15 ℃之间。然后在图1所示的耦合处2处耦合小铁块模拟缺陷,其所占的截面损失为6.78%。在耦合小铁块后采集的数据为当前检测信号,共300组,此时尖轨所在的温度范围为12 ℃～15 ℃。

2.2 实验分析

轨底边缘与轨腰处的有无模拟缺陷状态的典型监测信号对比如图2所示。仅仅从原始信号出发,我们无法从中判别出是否有缺陷的存在以及代表缺陷的特征波包。

图2 典型监测信号对比Fig.2 Comparison of typical monitoring signals

经过本文提出的算法处理后,可从基准信号和当前检测信号中提取出两组存在阶跃特征的权重矢量及其对应的源信号。尖轨轨底边缘和轨腰处的监测结果分别如图3所示。权重矢量存在阶跃性说明存在源信号在基准信号和当前检测信号中占不同水平的比重。而在实际导波信号采集过程中,除了模型缺陷的加入使得整个数据采集系统(包括被监测对象)前后不同外,其他所有对数据采集系统存在影响的因素都是随机的。温度因素的影响也通过构建分析矩阵时的信号的随机化选取而变得随机化。因此阶跃性权重的存在也表明缺陷的存在,而缺陷定位定征信息包含于相应的源信号中。通过源信号及其权重矢量可构建变化信号,尖轨轨底边缘和轨腰的对应信号分别如图4(a)和图5(a)所示。变化信号中首个显著尖峰即为缺陷的位置,后续的尖峰皆由缺陷造成。作为对比,本实验中的数据还利用属于残差分析方法的最佳基准法进行处理,分别如图4(b)和图5(b)所示。观察图4(a)和图5(a)中的变化信号可以判别缺陷分别位于距离换能器1.5 m和2.5 m处,结果与实际基本一致。图4(b)和图5(b)中缺陷的位置是根据先验知识标识的,仅从信号中是无法判别出缺陷的位置。结果对比显示,本文中提出的算法结果信噪比优于最佳基准法,减少了信号判断过程中随机因素的干扰,降低了缺陷信息解读的难度。实验的结果验证了算法的有效性和优越性。