壓裝車軸鑲?cè)氩苛鸭y缺陷信息提取

武冬冬，楊 凱，彭朝勇

（1.成都主導(dǎo)軟件技術(shù)有限公司技術(shù)中心，四川成都 610091；2.西南交通大學(xué)物理科學(xué)與技術(shù)學(xué)院，四川成都 610031）

在役軌道車輛車軸達(dá)到一定的檢修修程時(shí)，須進(jìn)行車軸的超聲波無(wú)損探傷，以保障車輛運(yùn)行安全。裝配輪對(duì)時(shí)車輪與車軸鑲?cè)氩块g的過(guò)盈配合，使得車軸鑲?cè)氩看嬖趹?yīng)力集中區(qū)［1］。車輛在日常運(yùn)行過(guò)程中車軸承受持續(xù)的輪軸間相互作用力［2］和交變應(yīng)力等共同作用，使得壓裝車軸鑲?cè)氩砍蔀槠诹鸭y缺陷高發(fā)區(qū)［3］，進(jìn)而可能產(chǎn)生車軸斷裂的風(fēng)險(xiǎn)［4］。

隨著超聲波檢測(cè)技術(shù)的發(fā)展，對(duì)車軸的探傷也由早期的人工手持常規(guī)超聲波探頭探傷，逐步優(yōu)化為基于相控陣超聲波檢測(cè)技術(shù)的自動(dòng)化探傷［5］，這改變了人工常規(guī)超聲波探傷掃查范圍小、效率低、耦合不穩(wěn)定等現(xiàn)象，實(shí)現(xiàn)具有多角度、大范圍、多點(diǎn)聚焦等功能的自動(dòng)化電子掃查，提高了檢測(cè)效率、掃查范圍、缺陷檢測(cè)能力和穩(wěn)定性［6］。但是，由于輪對(duì)的輪軸接觸界面［7］存在應(yīng)力集中及一定的粗糙度和微動(dòng)腐蝕，使用常規(guī)超聲波或相控陣超聲波檢測(cè)技術(shù)對(duì)壓裝車軸鑲?cè)氩窟M(jìn)行檢測(cè)時(shí)，超聲檢測(cè)回波中都含有較強(qiáng)的在輪軸接觸界面處產(chǎn)生的噪聲，當(dāng)缺陷回波幅值與噪聲回波幅值接近，甚至低于噪聲回波幅值時(shí)，很容易造成缺陷漏判。同時(shí)，現(xiàn)有對(duì)于壓裝車軸鑲?cè)氩砍暡z測(cè)波形的優(yōu)化算法［8］，需要以缺陷回波幅值高于噪聲回波幅值為前提，基于檢測(cè)結(jié)果成像為優(yōu)化對(duì)象進(jìn)行噪聲消除［9］，以提高檢測(cè)成像質(zhì)量和缺陷檢出信噪比，但有削弱缺陷回波幅值的可能。

本文針對(duì)超聲波檢測(cè)結(jié)果中噪聲信號(hào)幅值較大，缺陷信號(hào)被淹沒(méi)在噪聲信號(hào)中、無(wú)法直接識(shí)別的狀況，在進(jìn)行超聲波檢測(cè)信號(hào)特征分析的基礎(chǔ)上，采用小波包變換對(duì)檢測(cè)信號(hào)進(jìn)行局部化時(shí)頻域分析，提取缺陷特征系數(shù)和缺陷幅值系數(shù)，再將重建后的波形作為判別車軸鑲?cè)氩康某暡z測(cè)信號(hào)中是否存在疲勞裂紋缺陷的依據(jù)。

1 檢測(cè)信號(hào)數(shù)據(jù)采集及特征

使用由相控陣超聲波探頭（工作頻率為5 MHz、晶片為32 個(gè)、晶片總體尺寸為20.0 mm×19.2 mm）、相控陣超聲波采集儀器（采集頻率為100 MHz）、數(shù)據(jù)分析主機(jī)組成的超聲檢測(cè)平臺(tái)，分別對(duì)鑲?cè)氩亢毕莺蜔o(wú)缺陷的壓裝車軸進(jìn)行超聲波檢測(cè)信號(hào)數(shù)據(jù)采集。

采集檢測(cè)信號(hào)時(shí)，相控陣超聲波探頭與車軸端面穩(wěn)定耦合，并使不同角度的超聲波聲束覆蓋車軸鑲?cè)氩?。其中，鑲?cè)氩苛鸭y缺陷是按照壓裝車軸鑲?cè)氩孔匀黄诹鸭y缺陷［10］形態(tài)加工而成的不同深度的橫向裂紋缺陷，分布在鑲?cè)氩康牟煌恢?，裂紋缺陷深度有0.5，1.0 和1.5 mm 這3 種，裂紋寬度均為0.2 mm。車軸鑲?cè)氩苛鸭y缺陷制作完成后，車軸與車輪按照鐵總運(yùn)［2013］191 號(hào)《鐵路客車輪軸組裝檢修及管理規(guī)則》中的“組裝要求”進(jìn)行過(guò)盈壓裝，組裝成樣板輪對(duì)。檢測(cè)平臺(tái)信號(hào)獲取及裂紋缺陷的分布和形態(tài)如圖1所示。

圖1 檢測(cè)平臺(tái)信號(hào)獲取及裂紋缺陷的分布和形態(tài)示意

采集得到的車軸鑲?cè)氩砍暡z測(cè)典型檢測(cè)信號(hào)如圖2所示。

圖2 壓裝車軸鑲?cè)氩?種典型超聲波檢測(cè)信號(hào)

從圖2 可以看出：無(wú)裂紋缺陷時(shí)，信號(hào)波形只含有噪聲信號(hào)；缺陷信號(hào)分為2 個(gè)類型，一類是缺陷信號(hào)未被噪聲信號(hào)淹沒(méi)，信號(hào)波形中缺陷信號(hào)幅值明顯高于噪聲信號(hào)幅值，該缺陷信號(hào)具有較高的信噪比，較易識(shí)別，另一類是缺陷信號(hào)被噪聲信號(hào)淹沒(méi)，缺陷信號(hào)幅值與淹沒(méi)其的噪聲信號(hào)幅值基本相當(dāng)，在識(shí)別時(shí)會(huì)被當(dāng)作噪聲信號(hào)，即信號(hào)波形被誤認(rèn)為只含有噪聲信號(hào)而不含有缺陷信號(hào)，造成裂紋缺陷漏檢。

2 信號(hào)小波包變換

在傳統(tǒng)的平穩(wěn)信號(hào)分析和處理中，基于傅里葉變換的信號(hào)頻域分析發(fā)揮了極其重要的作用，但由于其為基于信號(hào)全部時(shí)域信息的整體變換，對(duì)于非平穩(wěn)信號(hào)不具有時(shí)間和頻率的定位功能，只能給出信號(hào)變換后的總體效果，而不能展示信號(hào)在某一時(shí)刻的本質(zhì)特征。小波變換和小波包變換都具有時(shí)頻域分析功能，小波變換只能對(duì)信號(hào)的低頻部分做進(jìn)一步分解，而小波包變換［11］同時(shí)還能對(duì)信號(hào)的高頻部分做進(jìn)一步分解，可實(shí)現(xiàn)對(duì)分解信號(hào)進(jìn)行全面的時(shí)頻域局部化分析。

基于超聲檢測(cè)信號(hào)的特征分析，使用Coiflets小波函數(shù)對(duì)壓裝車軸鑲?cè)氩啃旁氡葹? dB 以上未被噪聲信號(hào)淹沒(méi)的缺陷信號(hào)和無(wú)裂紋缺陷的噪聲信號(hào)進(jìn)行4 層小波包分解，通過(guò)規(guī)律性提取含有缺陷信息的缺陷特征系數(shù)和缺陷幅值系數(shù)。信號(hào)進(jìn)行小波包分解后，15 和17 小波包節(jié)點(diǎn)組成缺陷特征系數(shù)，含有缺陷信號(hào)和較少量噪聲信號(hào)；16 和18 小波包節(jié)點(diǎn)組成缺陷幅值系數(shù)，含有幅值較高的缺陷信號(hào)和一定量的噪聲信號(hào)。基于2 組系數(shù)的重建信號(hào)波形分別如圖3和圖4所示。

從圖3 和圖4 可以看出：重建后信號(hào)波形均能體現(xiàn)缺陷信號(hào)和噪聲信號(hào)的明顯特征，即未被噪聲信號(hào)淹沒(méi)的缺陷信號(hào)具有較高的信噪比，噪聲信號(hào)無(wú)收斂性或相對(duì)高幅值特征。

圖3 未被噪聲信號(hào)淹沒(méi)的缺陷信號(hào)小波包變換波形

圖4 噪聲信號(hào)小波包變換波形

對(duì)缺陷信號(hào)被噪聲信號(hào)淹沒(méi)的檢測(cè)信號(hào)進(jìn)行小包波變換分解，提取2 組系數(shù)并重建信號(hào)波形，結(jié)果如圖5所示。從圖5 可以看出：盡管缺陷信號(hào)被噪聲信號(hào)淹沒(méi)，但基于2 組系數(shù)的重建波形均體現(xiàn)了缺陷信號(hào)的明顯特征，可以用來(lái)辨別車軸鑲?cè)氩渴欠翊嬖谌毕荩苊馊毕菪盘?hào)被當(dāng)作無(wú)缺陷時(shí)噪聲信號(hào)。

盡管通過(guò)小波包變換可提取淹沒(méi)在噪聲信號(hào)中缺陷信號(hào)的主要缺陷成分，可是由于噪聲分量的存在，使缺陷成分表現(xiàn)的缺陷信息不夠清晰（如圖6（a）所示）。使用基于logistic函數(shù)［12］的自尋優(yōu)閾值濾波算法［13］，對(duì)重建后的信號(hào)波形進(jìn)行濾波，可以得到較為清晰的高信噪比缺陷分量（如圖6（b）所示）。

圖5 被噪聲信號(hào)淹沒(méi)缺陷信號(hào)小波包變換波形

圖6 缺陷信號(hào)淹沒(méi)在噪聲信號(hào)時(shí)重建波形濾波前后對(duì)比

濾波閾值sn為

式中：s為原始信號(hào)；T為閾值；m為閾值T的調(diào)節(jié)參數(shù)；a，b，c為logistic函數(shù)的通用參數(shù)。

通過(guò)調(diào)節(jié)參數(shù)a，b和c，可優(yōu)化logistic函數(shù)形成的“S”形曲線的梯度，以抑制噪聲信號(hào)幅值并保留缺陷信號(hào)幅值，提升缺陷信號(hào)信噪比。

采用該濾波算法對(duì)噪聲信號(hào)重建波形的濾波前后對(duì)比如圖7所示。從圖7 可以看出：濾波對(duì)噪聲信號(hào)幅值有削弱作用。

圖7 噪聲信號(hào)重建波形濾波前后對(duì)比

3 算例驗(yàn)證

為驗(yàn)證基于缺陷特征系數(shù)和缺陷幅值系數(shù)重建后的信號(hào)波形是否可以辨別出車軸鑲?cè)氩看嬖诘钠谌毕?，先收集樣板輪?duì)車軸鑲?cè)氩砍暡z測(cè)信號(hào)中的缺陷樣本和無(wú)缺陷樣本，作為訓(xùn)練數(shù)據(jù)，并搭建神經(jīng)網(wǎng)絡(luò)［14］，再基于預(yù)測(cè)數(shù)據(jù)，對(duì)未知樣本進(jìn)行預(yù)測(cè)，判斷其中是否含有缺陷信息?；谏窠?jīng)網(wǎng)絡(luò)的預(yù)測(cè)流程如圖8所示。

圖8 基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)流程

訓(xùn)練數(shù)據(jù)中，缺陷樣本共32組，信噪比為6 dB以上（見(jiàn)圖2（b）和圖9（a）），設(shè)定缺陷樣本的訓(xùn)練目標(biāo)值為數(shù)值9。無(wú)缺陷樣本共42組，其中4組取自樣板輪對(duì)車軸鑲?cè)氩砍暡z測(cè)信號(hào)（見(jiàn)圖2（a）），其余38組取自達(dá)到一定運(yùn)行里程和新壓裝未運(yùn)行的車輛段現(xiàn)場(chǎng)無(wú)缺陷輪對(duì)車軸鑲?cè)氩砍暡z測(cè)信號(hào)（見(jiàn)圖9（b）），并設(shè)定無(wú)缺陷樣板的訓(xùn)練目標(biāo)值為數(shù)值0。

圖9 典型訓(xùn)練數(shù)據(jù)

使用非線性最小二乘算法，列文伯格-馬夸爾特法（Levenberg-Marquardt）進(jìn)行網(wǎng)絡(luò)訓(xùn)練，在這74 組訓(xùn)練數(shù)據(jù)中，算法隨機(jī)取其中52 組樣本作為網(wǎng)絡(luò)訓(xùn)練輸入，11 組樣本作為網(wǎng)絡(luò)泛化優(yōu)化，其余11 組樣本用于網(wǎng)絡(luò)性能的獨(dú)立測(cè)試。當(dāng)網(wǎng)絡(luò)輸出值與目標(biāo)值的均方誤差為5.2×10-9時(shí)泛化優(yōu)化停止、訓(xùn)練完成，神經(jīng)網(wǎng)絡(luò)搭建完畢。

訓(xùn)練數(shù)據(jù)范圍外的預(yù)測(cè)數(shù)據(jù)共10組，其中前6組數(shù)據(jù)取自缺陷信號(hào)淹沒(méi)在噪聲信號(hào)中的超聲波檢測(cè)信號(hào)（見(jiàn)圖10（a）），后4組數(shù)據(jù)取自只含有噪聲信號(hào)的超聲波檢測(cè)信號(hào)（見(jiàn)圖10（b））。

從圖10 可以看出：預(yù)測(cè)數(shù)據(jù)中缺陷樣本具有缺陷信號(hào)被淹沒(méi)在噪聲信號(hào)時(shí)的典型特征。

圖10 典型預(yù)測(cè)數(shù)據(jù)

基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果見(jiàn)表1。從表1 可以看出，采用本文方法識(shí)別正確率達(dá)100%。表明缺陷信號(hào)被淹沒(méi)在噪聲信號(hào)時(shí)，采用傳統(tǒng)的識(shí)別方法，缺陷易被漏判，但經(jīng)采用本文所述方法，缺陷可被識(shí)別。

表1 基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

4 結(jié)論

（1）利用小波包變換在時(shí)頻域?qū)π盘?hào)分解的高分辨特性，提取用于區(qū)別噪聲信號(hào)的缺陷特征系數(shù)和缺陷幅值系數(shù)，基于這2 組系數(shù)的重建波形含有缺陷的主要信息。

（2）通過(guò)對(duì)缺陷特征系數(shù)和缺陷幅值系數(shù)的重建，可以從噪聲信號(hào)中恢復(fù)出缺陷信號(hào)的主要信息，并使用基于logistic 函數(shù)的自尋優(yōu)閾值濾波改進(jìn)算法，提高缺陷信號(hào)信噪比。

（3）收集標(biāo)準(zhǔn)壓裝的樣本輪對(duì)車軸鑲?cè)氩亢蛙囕v段現(xiàn)場(chǎng)輪對(duì)車軸鑲?cè)氩康娜毕菪盘?hào)和噪聲信號(hào)，作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本的原始數(shù)據(jù)，使用搭建好的神經(jīng)網(wǎng)絡(luò)對(duì)樣本范圍以外的缺陷信號(hào)和噪聲信號(hào)進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果與目標(biāo)值一致，證明使用基于缺陷特征系數(shù)和缺陷幅值系數(shù)的重建信號(hào)波形可以有效區(qū)分缺陷信號(hào)和噪聲信號(hào)。