基于混合算法的非线性激光超声钢轨微裂纹分类检测方法

1.本发明设计了基于混合算法的非线性激光超声钢轨微裂纹分类检测方法，属 于无损检测技术领域。


背景技术：

2.列车车轮在滚动过程中与钢轨表面互相接触，在接触斑处循环反复的冲击载 荷作用下，会造成钢轨表面或者次表面的磨损，从而产生裂纹。疲劳裂纹损伤产 生的过程经历了孵化期、萌生期、扩展期、宏观裂纹及断裂失效等多个时段，疲 劳初期的微裂纹随着时间的推移会逐渐扩展，待其发展到深度约6mm-8mm，横 向长度25-28mm时，裂纹就会往钢轨内部进行延伸，存在着隐蔽性和危险性。 因此，要尽早实现对钢轨微裂纹进行及时检查，确保行车安全。激光超声技术结 合了传统超声技术和激光技术，凭借着远距离、非接触、检测精度高、宽频带以 及对微小缺陷敏感等特点，成为了铁路无损检测领域研究的新手段，但是目前在 钢轨疲劳微裂纹检测中，还没有相关的报告。
3.激光超声检测技术的宽频带优势，使得超声信号本身的低频和高频信号会与 裂纹产生非线性调制，可实现微裂纹的非线性超声检测。但是，激光声表面波与 裂纹产生非线性调制后，非线性调制信号容易淹没在原输入宽频域声激光超声表 面波信号中，导致直接提取特征信号困难。因此，研究基于激光声表面波非线性 调制特性的裂纹信号多特征提取方法，从复杂的非线性调制信号中提取不同长度 疲劳微裂纹的有效特征参数，结合高效的分类方法，实现疲劳微裂纹快速准确分 类是很有必要的。


技术实现要素：

4.本发明的目的在于提供一种不同长度钢轨早期微裂纹的快速准确分类检测 方法，提高激光超声钢轨无损检测的效率和质量。首先利用激光超声二维扫查系 统采集不同损伤程度的钢轨裂纹的非线性激光超声信号；对采集的信号进行时频 分析，提取原频域信号中的多种特征；利用小波包分解算法提取分解后不同频率 段的能量和有效频带熵特征；按不同方式将多特征重组得到新特征，并结合主成 分分析进行特征再提取；最后优化svm分类模型，并对不同损伤程度的钢轨微 裂纹进行分类检测。为达到上述目的，本发明采用的技术方案如下：
5.s1：激光超声二维扫查系统采集不同长度对钢轨微裂纹的非线性激光超声信 号；
6.s2：对采集的信号进行时频分析，提取原频域信号中的多种特征；
7.s3：利用小波包分解算法提取分解后不同频率段的能量和有效频带熵特征；
8.s4：按不同方式将多特征重组得到新特征，并结合主成分分析进行特征再提 取；
9.s5：优化svm分类模型，利用该模型对不同损伤程度的钢轨微裂纹进行分 类检测。
10.进一步地，所述步骤s1具体包括：
11.对a60钢轨轨头切割截取，制作5个在一侧有缺口的相同钢试样，通过循 环加载试验，得到疲劳裂纹长度在600um(s1)～2800um(s5)之间的钢轨试件。 搭建激光超声扫查实
验台，对钢轨试件进行二维扫查实验，每行扫查长度为10 mm，行与行之间的间隔为2mm，每行有101组信号，每个试件有8行扫查信 号，每个试件对应样本量为808个。
12.进一步的，所述步骤s2具体为：
13.对实验采集的信号进行频谱分析，在存在损伤的情况下，激光超声宽带脉冲 信号之间相互调制，产生了多个频率峰值，频谱中的信息变化更为丰富，因此先 提取原频域信号中的中心频率、中心频率对应的峰值、信号总能量特征。
14.进一步的，所述步骤s3具体为：
15.以demy小波基函数为基础对信号进行小波包分解，为了选择到更好的分解 层数，结合采集到的试件数据，分别对4-8层进行验证。通过对各层分解后的重 构信号与原信号求解信噪比、互相关系数，选择出较优的分解层数。在选择分解 层数的基础上提取了小波包分解后的小波包能量和小波包熵作为特征参数。
16.其中，本研究中小波包分解特征提取算法具体包括：
17.(1)小波包能量(e)特征提取，先求解出在不同分解尺度上的信号能量， 然后，这些能量值被排列成具有尺度顺序的且可以用于识别的特征向量。每个样 本的能量特征向量为：
[0018][0019]
其中，ei为第j层第m个结点的能量，m代表子频带的总个数，e
sum
为信 号总能量。
[0020]
(2)小波包局部熵(f)特征提取，本研究利用各子频带能量值选择有效频 带，提取有效频带对应的小波包能量熵(fi)作为特征参数，即，先求取每一个 小波包分解后，各子频带能量值与总能量值的比值pi，挑选总能量比值98％以上 的子频带，再求有效k个子频带的小波包熵特征，最终获得每个样本的小波包熵 特征向量f。
[0021][0022]fi
＝p
i2
·
log(p
i2
)
[0023]
f＝[f1，f2，......，f
m-1
，fm]
[0024]
进一步的，所述步骤s4具体为：
[0025]
利用提取出来的多种特征，进行四种特征重组方式，分别为总能量 小波包 能量 小波包能量熵、中心频率 小波包能量 小波包能量熵、中心频率峰值 小 波包能量 小波包能量熵、中心频率 中心频率对应的峰值 信号总能量 小波包 能量 小波包能量熵。但是，当重组的特征向量维数较大时，易产生过度学习的 问题。因此通过pca算法进一步对特征向量进行再提取，最终命名四种重组特 征为new feature 1、new feature 2、new feature 3、new feature 4，并通过聚类结 果预判断新特征的优劣。
[0026]
进一步的，所述步骤s5具体为：
[0027]
避免svm惩罚系数c和核系数ξ人为设定的问题，通过不同粒子群算法优 化svm参数，结合交叉验证算法，实现svm的最优建模，提高对裂纹分类的 能力，最后再用构建好的svm模型对不同损伤程度的微裂纹测试样本集进行类 别区分。
[0028]
其中，本研究提出的参数优化的svm模型分类如下：
[0029]
(1)将特征提取后的样本按照4：1的样本量比例分配，分别为训练集与 测试集；
[0030]
(2)分别基于混沌粒子群算法(cpso)、传统粒子群(pso)和(apso) 粒子群寻优算法，通过不断更新粒子的速度和位置，确定svm分类 模型的参数。粒子种群规模设为20，迭代次数为300，c和ξ参数寻 优范围均为[1,500]。粒子速度最大值均设定为2，粒子速度最小值均 设定为-2。
[0031]
(3)将训练集输入五折交叉验证算法中，结合各粒子群优化算法获得的 svm参数，得到最优参数的svm分类模型，最后将测试集输入该模 型进行分类。
[0032]
(4)每种粒子群算法分别独立运行30次，每次按4：1的方式随机分配训 练集和测试集，因此每次对应的最优svm参数不同，取30次结果 的平均值作为平均准确率，对比挑选出运行速度和识别率最高的粒子 群寻优算法。
[0033]
(5)基于以上算法建立的svm分类模型，将四种新特征参数对应的样本， 每次按4：1的方式随机分配训练集和测试集，输入到svm模型， 对比四种新特征参数下钢轨不同长度微裂纹分类结果，得到最佳新特 征参数，实现钢轨不同长度微裂纹的最佳分类。
[0034]
本发明有益效果：本发明与现有技术相比，具有如下优点：
[0035]
1、目前在钢轨微裂纹检测研究较少，而激光超声可以实现非接触式检测， 且其信号宽频带优势可与微裂纹产生非线性调制，本发明研究基于非线性激光超 声的不同长度钢轨疲劳微裂纹检测方法，有利于为实现在线钢轨微裂纹检测作铺 垫。
[0036]
2、本发明提出的非线性激光超声多特征提取方法，有利于避免复杂的非线 性激光超声调制信号是被原宽频域超声信号淹没，从而提高钢轨疲劳微裂纹的检 测效果。
[0037]
3、本发明提出优化svm分类模型方法可以避免人为因素的干扰，提高svm 的运行速度和识别率，为钢轨疲劳初期微裂纹(um级)的准确评估研究提供参 考，具有较好的通用性和实用性。
附图说明
[0038]
图1为(a)传统非线性波束混叠调制法；(b)宽频带激光超声非线性调制 示意图。
[0039]
图2为不同长度疲劳微裂纹的金相显微图。
[0040]
图3为钢轨疲劳微裂纹分类总流程示意图。
[0041]
图4为疲劳微裂纹试件和完整试件对应的(a)时域图与(b)频谱图。
[0042]
图5为任意101个样本原频域信号中对应的特征参数图。
[0043]
图6为任意101个样本小波包分解后对应的特征参数图。
[0044]
图7为不同特征参数组合对应的聚类效果图。
[0045]
图8为svm模型构建流程示意图。
[0046]
图9为不同长度疲劳微裂纹apso-svm混淆矩阵图。
具体实施方式
[0047]
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于 说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员 对本发明的各种等价形式的修改均落于本技术所附权利要求所限定的范围。
[0048]
本发明提供基于混合算法的非线性激光超声钢轨微裂纹分类检测方法。如图 所示，激光超声具有较宽的频带信息，在存在损伤的情况下，宽带脉冲信号之间 相互调制，产
生了多个频率峰值，因此在存在疲劳裂纹的情况下，频谱中的信息 变化更为丰富。但是，额外的信号分析是必要的，因为非线性响应分量在宽频域 内会发生重叠，且非线性特征容易被原宽频带信息淹没。
[0049]
以含不同疲劳程度的a60钢试样为检测对象，实施过程具体包括如下步骤：
[0050]
s1：制备不同疲劳损伤程度的a60钢样品；
[0051]
本实施例中制备不同疲劳损伤程度的a60钢材料试件。对a60钢轨轨头切 割截取，制作了5个在一侧有缺口的相同a60钢试样。通过循环加载试验，循 环加载试验采用instron 8801型疲劳试验机，最大载荷为30kn，最小载荷为 3kn，最大应力比为0.1，加载频率为15hz，每个试件分别从缺口处开始产生 疲劳裂纹。循环次数从试件s1增加到试件s5。相应地，长度疲劳裂纹在600um (s1)～2800um(s5)之间变化，诱发疲劳裂纹的金相图像如图3所示。
[0052]
s2：采集线扫查下的钢轨微裂纹非线性激光超声信号；
[0053]
本实施例中利用非接触式激光超声二维扫查系统采集不同位置处的非线性 信号，设备：采用nd:yag脉冲激光器激发，峰值功率为0.4mw、脉冲持续时 间为8ns、重复频率为20hz，通过振镜控制扫查路径(可x-y方向移动)，扫 查间隔为0.2mm，每行扫查长度为10mm，行与行之间的间隔为2mm，每行有组信号，每个试件有8行扫查信号，信号长度为5000，每个试件对应样本量 为808个。相应的超声响应由激光干涉仪接收，采样频率为25mhz，nd:yag 激光以及干涉仪距离试件300mm。为了提高信噪比，对响应进行了20次测量， 并在时域上求平均。
[0054]
s3：对采集到的的信号进行时频分析以及多特征提取；
[0055]
本实施例中对实验获取的信号进行频域分析及特征提取，流程示意。具体步 骤如下：
[0056]
(1)在时域上，有损和无损试件在同一激励接收位置得到的信号差异难以 区分，且包含较多的噪声信号，无法从时域获得有效的分析。但是，从频谱上可 以明显看出，在无损情况下，各频带峰值较稳定，中心频率处对应的边带峰值也 较少；而在有损情况下，明显出现了多频带峰值，尤其在主中心频率位置，因为 低频部分的频带之间发生了高频调制，且正好体现在了主中心频带处有关。因此， 求取了每个样本信号频带信息的中心频率、其对应的峰值以及各信号的总能量作 为特征参数。不同疲劳裂纹对应的任意101个样本的三种特征参数，可以看出， 对于中心频率而言每个样本之间的差异性较小，但是各个样本的中心频率峰值及 信号总能量之间存在着明显的差异性。
[0057]
(2)以demy小波基函数为基础对信号进行小波包分解。为了选择到更好 的分解层数，对s1试件的数据进行了验证，分别对4-8层进行验证。通过对各 层分解后的重构信号与原信号求解信噪比、互相关系数，来选择较优的分解层数， 其中，4层分解时其信噪比高、相关系数高、分解效果最优。经过4层小波包分 解，得到24＝16个频带信息，提取每个频带对应的能量特征。其中，前八个频 率段能量较高，包含了裂纹的主要信息，他们的能量占总能量的98％以上。因 此，主要针对前8个节点作为有效信号频带，进一步提取局部熵特征。
[0058]
(3)利用提取出来的多种特征，进行四种特征重组方式，分别为总能量 小波包能 量 小波包能量熵、中心频率 小波包能量 小波包能量熵、中心频率峰值 小波包能量 小波包能量熵、中心频率 中心频率对应的峰值 信号总能量 小波包能量 小波包能量 熵。当
重组的特征向量维数较大时，易产生过度学习的问题。因此通过pca算法进一 步对特征向量进行再提取，最终命名四种重组特征为new feature 1、new feature 2、newfeature 3、new feature 4，并通过聚类结果预判断新特征的优劣。虽然图7(a)(b)(c)特征 代表的不同裂纹有一定的聚集效果，但是存在样本重叠，仅使用(a)(b)(c)特征代表样本 的信息量误差较大,不能叫好的诠释样本特性；然而，(d)特征参数中，同一种疲劳裂纹 的样本不仅能很好地聚集在一起，且不同疲劳长度样本之间都能有效地分开，且呈现出 有规律的聚集模式。说明提出的new feature 4能够深度挖掘不同长度疲劳裂纹非线性调 制信号的时频特性，可分性较为优异。
[0059]
s4：对svm模型进行参数优化；
[0060]
本实施例中避免svm惩罚系数c和核系数ξ人为设定的问题，通过不同粒 子群算法优化svm参数，结合交叉验证算法，实现svm的最优建模，提高对 裂纹分类的能力，最后再用构建好的svm模型对不同损伤程度的微裂纹测试样 本集进行类别区分。
[0061]
其中，本研究提出的参数优化的svm模型分类如下：
[0062]
(1)将特征提取后的样本按照4：1的样本量比例分配，分别为训练集与测 试集；
[0063]
分别基于混沌粒子群算法(cpso)、传统粒子群(pso)和(apso)粒子群寻 优算法，通过不断更新粒子的速度和位置，确定svm分类模型的参数。粒子种 群规模设为20，迭代次数为300，c和ξ参数寻优范围均为[1,500]。粒子速度最 大值均设定为2，粒子速度最小值均设定为-2。
[0064]
(2)将训练集输入五折交叉验证算法中，结合各粒子群优化算法获得的 svm参数，
[0065]
得到最优参数的svm分类模型，最后将测试集输入该模型进行分类。
[0066]
(3)每种粒子群算法分别独立运行30次，每次按4：1的方式随机分配训 练集和测
[0067]
试集，因此每次对应的最优svm参数不同，取30次结果的平均值作为平 均准确率，对比挑选出运行速度和识别率最高的粒子群寻优算法。分析得到基于 apso寻优下的svm分类速度最快，且识别率最高。
[0068]
s5：利用apso-svm分类模型和不同特征参数对不同损伤程度的钢轨微裂 纹进行分类检测；
[0069]
本实施例中基于以上算法建立的svm分类模型，将四种新特征参数对应的 样本，每次按4：1的方式随机分配训练集和测试集，输入到svm模型，对比 四种新特征参数下钢轨不同长度微裂纹分类结果，其中新特征4对应的识别率最 高，分类效果最好，其中有26次各裂纹的识别准确率高于97％，有两次高于96％ 得到最佳新特征参数。因此，基于new feature 4可实现钢轨不同长度微裂纹的 最佳分类，并得到对应的分类混淆矩阵。
[0070]
本发明的方法，结合了无损检测，机器学习与模式识别领域，本发明能较好 的结合超声技术实现样本的定量检测。
[0071]
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出， 对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做 出若干改进，这些改进也应视为本发明的保护范围。