一种基于漏磁检测的钢轨伤损判定和计数方法

杨志强， 王 平， 贾银亮， 冀凯伦， 石永生

(1.南京航空航天大学 自动化学院，江苏 南京 211106； 2.中国铁道科学研究院集团有限公司基础设施检测研究所，北京 100081)

随着列车的速度和行车密度的提高，钢轨的滚动接触疲劳越来越严重，当累积塑性变形超过钢轨的最大韧性值时，会在钢轨轨头表面产生裂纹、剥离、掉块、鱼鳞伤等伤损[1]。这些伤损在钢轨上普遍存在，为了确保火车的行车安全,保证高速铁路轨道的质量完好无损,钢轨伤损检测是必不可少的重要环节[2]。因此快速、准确地对钢轨表面伤损状态进行评估，是铁路安全维护的重要内容之一，对保障铁路运输安全具有重大意义[3]。

为了实现钢轨表面伤损的检测和评估，自1959年世界首辆钢轨超声检测车投入使用以来，无损检测技术已广泛应用到铁路钢轨伤损检测和巡检中，对钢轨生产、安装及服役条件下的故障检测和状态维护发挥了重要作用[4]。目前国内外常用的铁路钢轨检测技术主要包括超声检测[5]、涡流检测[6]、漏磁检测[7]等。

常规超声检测由于需要耦合剂，且超声波技术存在表面盲区或杂波效应，因此难以对表面小缺陷进行测量[8]。

涡流检测受提离变化的影响较大，检测探头与被测钢轨表面的距离需尽量保持固定[9]，同时涡流检测技术对信号处理的要求较高。

漏磁检测(Magnetic Flux Leakage,MFL)通过检测铁磁性材料被磁化部分的磁场变化进而发现缺陷。铁磁性材料工件被局部磁化后，在局部磁化区，如果该工件表面有裂纹或者凹坑等伤损，伤损处的磁场分布会发生突变，有部分磁场会分布到表面外，形成漏磁场，通过检测表面附件磁场的变化，可以判断是否存在表面损伤。相比于其他方法，漏磁检测具有原理简单、对检测环境要求低、检测效果好等优点[10]。杨理践等[11]使用多级磁化的高速漏磁检测技术，实现对钢管缺陷进行识别；程迪等[12]使用最小二乘支持向量机方法对油气储罐底板上的缺陷漏磁信号进行量化分析；Chen等[7]、冷强等[13]根据钢轨伤损信号的时频特性，对人工标定的规则形状钢轨伤损进行定量分析。而实际中钢轨轨头表面自然伤多为不规则形状且多以连续密集的形式出现，现有方法无法有效地对这种损伤状态进行准确评估，更难以完全以规则的人工伤损样例进行模拟分析。

针对这种问题，笔者提出一种基于漏磁检测的钢轨伤损判定和统计方法，实现对钢轨顶表面伤损的实时判定及数量统计。

1 连续伤损漏磁场有限元分析

当伤损距离较近时，其漏磁场会互相叠加，给单个伤损的识别造成困难。为了准确提取连续伤损信号的漏磁场的信号特征，使用Comsol Multiphysics多物理场仿真软件对直流激励的钢轨漏磁信号进行稳态仿真。依据仿真结果分析伤损泄漏磁场的分布与传感器提离的影响，研究不同间距伤损的漏磁场的分布，找到在一定激励电压、固定传感器提离值和激励磁轭提离值情况下可以明显区分连续伤损信号的间距。

1.1 模型的构建

根据钢轨探伤车在实际应用中的要求，建立图1所示的二维伤损模型。水平方向为X，垂直方向为Y，采用铁磁性材料构成U形磁轭，励磁线圈采用4000匝铜漆包线，直流激励电压60 V，磁轭与钢轨间提离为20 mm。钢轨上建立5个伤损模型，宽度均为0.4 mm、深度均为5 mm。左侧第一个伤损模型中心位于坐标(0,40 mm)，5个伤损从左到右间距分别为2 mm、4 mm、8 mm、16 mm。伤损上方分别设置提离为1 mm、2 mm、5 mm的传感器探头的检测线，用于测量不同提离下漏磁信号强度。

图1 二维仿真模型

1.2 伤损磁场分布的仿真结果及分析

钢轨伤损处的磁场主要分为3个部分：大部分磁力线从伤损附近的材料中通过；部分磁力线从伤损处通过；部分磁力线泄漏出被测件，从伤损处的材料表面通过。提取探头检测路径上不同提离的漏磁场X分量研究其分布特征和实际检测中伤损漏磁信号的特点。仿真结果如图2所示，伤损处的漏磁信号X方向分量有明显的峰值，有利于伤损的判定。提离越小伤损信号峰峰值越大，对连续信号分辨力也越好，且与间距大于4 mm信号几乎无重叠。

图2 不同提离连续伤损漏磁仿真结果

2 伤损数量实时统计算法

伤损数量实时统计方法主要包括自适应阈值判伤、峰值窗口定位和峰峰值判伤计数。

2.1 自适应阈值判伤

传统伤损检测方法一般使用固定阈值判伤，即使用某项特征值(一般为峰值)与预设的伤损阈值进行比较，以此来判定是否存在伤损，大于阈值即判定为伤损信号。由于实际巡检时存在环境、速度、提离等干扰，难以设置统一的阈值。本文使用标准差倍数自适应阈值算法，通过对采集到的数据进行处理，实时调整阈值，并根据此阈值对数据进行判伤分析，减少误报率。自适应阈值Vth的计算公式为[14]

(1)

式中，xi为第i个采样点的幅值；n为采样点数；E为n个采样点幅值的均值；A为经验倍数值。

2.2 峰值窗口定位及峰峰值判伤计数

峰值判伤窗口定位及峰峰值判伤计数方法用于精确并快速地计算一段长度数据的伤损信号数量。峰值窗口定位方法能定位峰值电位，并以峰值电位为中心设定判伤窗口，可减少计算次数、提高处理速度，也解决了相邻窗口分界处伤损重复检测的问题。使用峰峰值进行判伤，也解决了区分单峰信号和双峰信号需使用正负双阈值的问题。

以一次钢轨探伤车漏磁检测数据为例，算法实现方法如图3所示。设置1000个采样点为1次判伤计数样本长度，同时也是自适应阈值更新间隔。图3中共2000个采样点，第1～1000个采样点进行第一次判伤计数；第1001～2000个采样点进行第二次判伤计数。判伤阈值随每次判伤的数据幅值不同而改变，既能满足阈值大于最大噪声的峰峰值，又能满足小于最小伤损信息的峰峰值。

图3 峰值定位判伤原理图

以第二次判伤为例，首先计算出该数据段的峰峰值Vpp，根据式(1)计算自适应阈值Vth，如果Vpp>Vth，即判定本段可能有伤损，以峰值点横坐标Pmax为中心定位选择采样点长度为Ws的第一个判伤窗口。窗口选择过程中若出现窗口左边界超出边界即Pmax-Ws/2<1000,则选取最前端Ws个采样点为判伤窗口；若出现窗右边界超出边界即Pmax+Ws/2>2000,则选取最后端Ws个采样点为判伤窗口。计算窗口内数据的峰峰值Vppw，并将此窗口内数据归零，若Vppw>Vth即判定为1个伤损，再重新计算本数据段的峰峰值Vpp，重复判伤直到Vpp不大于Vth，从而得到伤损计数值。

2.3 伤损数量实时统计算法实现

图4为伤损数量实时统计算法流程图。对原始直流漏磁数据以米为单位存入缓冲区BUFF[n]，缓冲区大小n由采集系统采样率NKS/s及运行速度Vm/s决定，n=N/V。判伤窗口Ws大小根据伤损间隔L设定，根据仿真结果可知，当Ws=NL/V可保证一个Ws内仅包含一个伤损信号时，使用自适应阈值算法设定判伤阈值为Vth，运用比较运算求得BUFF[n]的最大值点所在横坐标Pmax和信号的峰峰值Vpp。通过判断Vpp与判伤阈值Vth的大小来进行预判伤。如预判伤结果为Vpp≤Vth，则判定本段无伤损，否则进行下一步峰值窗口定位。以Pmax为中心在BUFF[n]上定位选取长度为Ws的数据，然后进行一次峰峰值判伤，对判伤窗口内的数据进行特征值提取，得到其峰峰值Vppw，并对窗口内的数据置零，以免影响下次判断。比较Vppw与阈值Vth的大小，若Vppw>Vth，伤损计数加1，对BUFF[n]数据进行循环判伤计数，最终得到BUFF[n]数据的伤损数量。

图4 伤损数量实时统计流程图

3 试验验证与结果分析

为了验证本算法的有效性，建立了图5所示的检测实验装置样机，分别对人工伤损样例钢轨及自然伤损样例钢轨进行试验验证。系统配置工控机采集卡采样率为10 KS/s，探头使用霍尔传感器探头，探头提离值为1 mm，励磁激励使用永磁体挂载在检测小车上，小车速度控制约为2 m/s。

图5 检测实验样机

3.1 人工伤损样例试验

选用实验室带有线切割不同深度伤损、不同长度伤损、与运行方向不同角度伤损、与水平方向不同角度伤损、不同埋藏深度伤损的5种人工伤损标准钢轨样例进行试验。钢轨样例如图6所示，包含多个不同的伤损，伤损间隔约为50 mm，由仿真结果可知各个伤损的漏磁场无叠加。

图6 伤损样例实物图

实验结果如图7及表1所示，分别为测得伤损检测原始数据识别结果及实时伤损数量统计算法计数结果。由图7可知，伤损识别结果与被测钢轨样例伤损吻合。由表1可知，伤损数量实时统计算法结果与实际伤损数量一致。

表1 人工伤损数量统计结果

图7 人工伤损样例检测数据

3.2 自然伤损试验

方法实现对在役钢轨自然形成的伤损进行判伤计数，由于人工伤损与实际在役钢轨自然形成的伤损存在差异，所以对自然伤损进行试验检测。选取带有自然伤损的钢轨样例(如图8所示)，其中伤损5和伤损6间隔约为10 mm。

图8 自然伤损样例

实验结果如图9及表2所示，分别为自然伤损样例测得的原始数据及实时伤损数量统计算法结果。由图9可知，识别得到9个伤损与被测钢轨样例的伤损数量吻合。由表2可知，伤损算法实时统计的结果与实际伤损数量一致。

图9 自然伤损原始数据

表2 自然伤损数量统计算法结果

4 结束语

钢轨表面的伤损判断及数量统计是检测表面伤损程度的基础之一,在钢轨检测中占有重要地位。通过有限元仿真及对标定的人工伤损及自然伤损的检测试验表明，该算法能够有效统计钢轨表面的伤损数量，这种伤损数量统计算法简单、运算量小、环境适应性强，满足检测实时性的要求。对于钢轨表面损伤状态的实时评估，伤损判定及数量统计只是其中一个指标，对自然伤的伤损程度的研究还需要进行相应的后续工作。