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)行車軸的超聲波無損探傷，以保障車輛運(yùn)行安全。裝配輪對時(shí)車輪與車軸鑲?cè)氩块g的過盈配合，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］。

隨著超聲波檢測技術(shù)的發(fā)展，對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，提高了檢測效率、掃查范圍、缺陷檢測能力和穩(wěn)定性［6］。但是，由于輪對的輪軸接觸界面［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技術(shù)對壓裝車軸鑲?cè)氩窟M(jìn)行檢測時(shí)，超聲檢測回波中都含有較強(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)有對于壓裝車軸鑲?cè)氩砍暡z測波形的優(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，基于檢測結(jié)果成像為優(yōu)化對象進(jìn)行噪聲消除［9］，以提高檢測成像質(zhì)量和缺陷檢出信噪比，但有削弱缺陷回波幅值的可能。

本文針對超聲波檢測結(jié)果中噪聲信號幅值較大，缺陷信號被淹沒在噪聲信號中、無法直接識別的狀況，在進(jìn)行超聲波檢測信號特征分析的基礎(chǔ)上，采用小波包變換對檢測信號進(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測信號中是否存在疲勞裂紋缺陷的依據(jù)。

1 檢測信號數(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)組成的超聲檢測平臺，分別對鑲?cè)氩亢毕莺蜔o缺陷的壓裝車軸進(jìn)行超聲波檢測信號數(shù)據(jù)采集。

采集檢測信號時(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恢茫鸭y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《鐵路客車輪軸組裝檢修及管理規(guī)則》中的“組裝要求”進(jìn)行過盈壓裝，組裝成樣板輪對。檢測平臺信號獲取及裂紋缺陷的分布和形態(tài)如圖1所示。

圖1 檢測平臺信號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測典型檢測信號如圖2所示。

圖2 壓裝車軸鑲?cè)氩?種典型超聲波檢測信號

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

2 信號小波包變換

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

基于超聲檢測信號的特征分析，使用Coiflets小波函數(shù)對壓裝車軸鑲?cè)氩啃旁氡葹? dB 以上未被噪聲信號淹沒的缺陷信號和無裂紋缺陷的噪聲信號進(jìn)行4 層小波包分解，通過規(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)，含有缺陷信號和較少量噪聲信號；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和一定量的噪聲信號。基于2 組系數(shù)的重建信號波形分別如圖3和圖4所示。

從圖3 和圖4 可以看出：重建后信號波形均能體現(xiàn)缺陷信號和噪聲信號的明顯特征，即未被噪聲信號淹沒的缺陷信號具有較高的信噪比，噪聲信號無收斂性或相對高幅值特征。

圖3 未被噪聲信號淹沒的缺陷信號小波包變換波形

圖4 噪聲信號小波包變換波形

對缺陷信號被噪聲信號淹沒的檢測信號進(jìn)行小包波變換分解，提取2 組系數(shù)并重建信號波形，結(jié)果如圖5所示。從圖5 可以看出：盡管缺陷信號被噪聲信號淹沒，但基于2 組系數(shù)的重建波形均體現(xiàn)了缺陷信號的明顯特征，可以用來辨別車軸鑲?cè)氩渴欠翊嬖谌毕?，避免缺陷信號被?dāng)作無缺陷時(shí)噪聲信號。

盡管通過小波包變換可提取淹沒在噪聲信號中缺陷信號的主要缺陷成分，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］，對重建后的信號波形進(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 被噪聲信號淹沒缺陷信號小波包變換波形

圖6 缺陷信號淹沒在噪聲信號時(shí)重建波形濾波前后對比

濾波閾值sn為

式中：s為原始信號；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，以抑制噪聲信號幅值并保留缺陷信號幅值，提升缺陷信號信噪比。

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

圖7 噪聲信號重建波形濾波前后對比

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)重建后的信號波形是否可以辨別出車軸鑲?cè)氩看嬖诘钠谌毕荩仁占瘶影遢唽囕S鑲?cè)氩砍暡z測信號中的缺陷樣本和無缺陷樣本，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)測數(shù)據(jù)，對未知樣本進(jìn)行預(yù)測，判斷其中是否含有缺陷信息?；谏窠?jīng)網(wǎng)絡(luò)的預(yù)測流程如圖8所示。

圖8 基于神經(jīng)網(wǎng)絡(luò)預(yù)測流程

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。無缺陷樣本共42組，其中4組取自樣板輪對車軸鑲?cè)氩砍暡z測信號（見圖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)場無缺陷輪對車軸鑲?cè)氩砍暡z測信號（見圖9（b）），并設(shè)定無缺陷樣板的訓(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)測數(shù)據(jù)共10組，其中前6組數(shù)據(jù)取自缺陷信號淹沒在噪聲信號中的超聲波檢測信號（見圖10（a）），后4組數(shù)據(jù)取自只含有噪聲信號的超聲波檢測信號（見圖10（b））。

從圖10 可以看出：預(yù)測數(shù)據(jù)中缺陷樣本具有缺陷信號被淹沒在噪聲信號時(shí)的典型特征。

圖10 典型預(yù)測數(shù)據(jù)

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

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

4 結(jié)論

（1）利用小波包變換在時(shí)頻域?qū)π盘柗纸獾母叻直嫣匦裕崛∮糜趨^(qū)別噪聲信號的缺陷特征系數(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）通過對缺陷特征系數(shù)和缺陷幅值系數(shù)的重建，可以從噪聲信號中恢復(fù)出缺陷信號的主要信息，并使用基于logistic 函數(shù)的自尋優(yōu)閾值濾波改進(jìn)算法，提高缺陷信號信噪比。

（3）收集標(biāo)準(zhǔn)壓裝的樣本輪對車軸鑲?cè)氩亢蛙囕v段現(xiàn)場輪對車軸鑲?cè)氩康娜毕菪盘柡驮肼曅盘?，作為神?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)對樣本范圍以外的缺陷信號和噪聲信號進(jìn)行預(yù)測，預(yù)測結(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)的重建信號波形可以有效區(qū)分缺陷信號和噪聲信號。