張廣遠 王哲 王保憲 李義強 趙維剛

摘? 要： 高速鐵路軌下多層結構承載著高速列車通行，因此其健康狀態(tài)直接影響到列車運營的安全性。利用彈性波、探地雷達等傳感器提取的軌道病害特征可有效地實現(xiàn)軌道結構病害檢測，但單一特征不能全面地對無砟軌道病害進行描述，導致部分病害不能被檢測，從而影響無砟軌道的病害檢測精度?；诖耍岢鲆环N基于多源特征融合的無砟軌道砂漿層脫空病害檢測方法。該方法將彈性波與探地雷達兩種特征進行量化分析，并將量化結果利用特征堆棧的方式實現(xiàn)特征融合，最后利用支持向量機完成病害融合特征的分類識別。在無砟軌道實體結構上采集大量的脫空病害數(shù)據(jù)并測試該文方法，實驗結果驗證了該文算法對脫空病害檢測的有效性。

關鍵詞： 無砟軌道; 病害監(jiān)測; 特征融合; 量化分析; 特征堆棧; 分類識別

中圖分類號： TN911.23?34? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）22?0062?05

Abstract： Multi?layer structure under the track of high?speed railway bears up the high?speed train， so its health directly affects the safety of train operation. The track defect features extracted by elastic wave and ground penetrating radar sensors can effectively detect the track structure diseases， but the single feature cannot describe the ballastless track damage comprehensively， which results in the some diseases cannot be detected， and thus influences the accuracy of the diseases detection of the ballastless track. On this basis， a method of ballastless track mortar layer void disease detection based on multi?source feature fusion is proposed. In this method， the two features of the elastic wave and ground penetrating radar are analyzed quantitatively， the feature fusion of the quantification results is carried out by means of the feature stack， and the classification and identification of the disease fusion feature are completed by means of the support vector machine. A large number of void disease data are collected from the solid structure of ballastless track and the method in this paper is tested. The experimental results have verified the effectiveness of the proposed algorithm for void disease detection.

Keywords： ballastless track; disease detection; feature fusion; quantitative analysis; feature stack; classification identification

0? 引? 言

高速鐵路軌下多層結構（主要包括無砟軌道軌下各結構層及路基本體、橋面板等）承載著高速列車通行，在高時速列車行駛下，其性能狀態(tài)直接關系到列車運營安全。當前，傳統(tǒng)的鐵路軌下結構病害檢測以挖探、釬探為主，其存在成本高、隨意性大、容易損壞被測線路等缺點。目前，鐵路相關部門越來越多地應用探地雷達這一高效、連續(xù)的檢測技術來全面、及時、準確地了解整條鐵路線下結構的狀況信息。探地雷達法（Ground Penetrating Radar，GPR）是一種運用電磁波傳播理論來檢測地下目標內(nèi)部結構的無損檢測技術[1]。隨著電子通信技術的發(fā)展，GPR數(shù)據(jù)可轉變?yōu)?D圖像，利用高分辨率的雷達圖像可以使研究人員相對容易地判別目標特征和類型，進而促進了GPR在地質(zhì)勘探[2]、地下管道探測[3]等方面的應用。喬旭等人采用GPR對城市道路進行病害檢測，并研究了硬化道路土基病害出現(xiàn)的一般規(guī)律[4]。杜良等人基于GPR成像技術，運用時域有限差分法實現(xiàn)了隧道襯砌中空洞病害的檢測[5]。

利用GPR技術進行鐵路軌下結構病害的檢測識別過程，首先是結合電磁波的傳播特性以及反射回波的電磁波譜，來描述地下目標的內(nèi)部結構特征。接著需要根據(jù)計算得到的電磁波數(shù)據(jù)和所呈現(xiàn)的波形圖譜，選擇合適的模式識別技術進行病害識別診斷。其中，模式識別技術就是要建立起各種雷達特征參數(shù)與對應的地下病害目標之間的映射關系，是軌下結構病害檢測識別過程的關鍵步驟之一。目前，應用于土木基礎設施相關病害檢測與識別的方法有人工神經(jīng)網(wǎng)絡[6]、支持向量機（Support Vector Machine，SVM）[7]等。近幾年的高鐵運營實踐表明，鐵路軌下結構病害的出現(xiàn)不是偶然的，往往是在多種復雜因素作用下，若干種結構病害（裂縫、空洞、脫空、翻漿等）逐漸演變后復合存在的。因此，僅利用探地雷達技術無法精準地完成鐵路軌下結構病害檢測。以砂漿層脫空病害為例，探地雷達電磁波在傳遞過程中會受到無砟軌道內(nèi)部鋼筋強反射的干擾，導致僅利用探地雷達無法實現(xiàn)對無砟軌道砂漿層脫空病害的有效檢測。

除探地雷達技術外，基于彈性波理論的軌下病害識別技術開始普及應用。以脫空病害檢測為例，彈性波在無砟軌道多層介質(zhì)中傳播時遇到脫空區(qū)域會出現(xiàn)反射回波，利用該特性可探測脫空病害。然而高速鐵路軌道結構復雜，彈性波在病害表面和層間界面反射過程中，不同類型的回波相互疊加，導致僅利用彈性波一種技術也無法較為精準地完成脫空病害檢測。

基于此，本文提出一種基于多源特征融合的無砟軌道脫空病害檢測方法，具體流程如圖1所示。首先，利用彈性波與探地雷達兩種技術提取無砟軌道的脫空病害特征，隨后通過特征堆棧的方式將兩種特征進行融合，并利用支持向量機（SVM）對融合特征進行分類學習，最終實現(xiàn)了無砟軌道脫空病害的精準檢測。相比于其他算法，本文算法綜合利用了兩種病害描述特征，因此可以有效地提高對脫空病害檢測的魯棒性。

1? 特征提取方法

1.1? 無砟軌道脫空病害描述

圖2展示了我國最常見的CRTS Ⅱ型無砟軌道結構的橫斷面。在理想情況下，CRTS Ⅱ型無砟軌道結構各層之間相互密貼、協(xié)同受力，且層與層之間是不存在離縫的，整個無砟軌道結構處于完全支撐狀態(tài)。然而由于軌道結構各部分的力學特性不同，在施工質(zhì)量、列車荷載、路基不均勻沉降等多種因素作用下，軌道板與CA砂漿層之間會產(chǎn)生離縫病害。離縫使得軌道板處于不完全支撐狀態(tài)且由于水和列車荷載的綜合作用，離縫病害會導致CA砂漿層整層的破壞加速，進而產(chǎn)生脫空病害。經(jīng)過實地調(diào)研與數(shù)據(jù)統(tǒng)計分析，目前無砟軌道內(nèi)部脫空病害的主要特征為：軌道板板底與CA砂漿表層結合不密實，存在1 mm及以上的縫隙，且縫隙長度大于5 cm。

1.2? 沖擊彈性波法特征

沖擊彈性波在傳播過程中，遇到裂紋、孔洞等不連續(xù)界面時，會發(fā)生散射、折射以及反射等現(xiàn)象。如圖2所示，高速鐵路無砟軌道整體結構是多層板狀結構，受到激振后的響應情況可以反應出結構本身的特性，因此沖擊彈性波可以有效地檢測到無砟軌道下的裂紋與孔洞情況，并通過彈性波信號處理提取軌下結構的脫空病害特征。本文采用彈性波系統(tǒng)對不同工況的無砟軌道檢測，分析得出正常無砟軌道模型中，瞬態(tài)沖擊彈性波從軌道板表面?zhèn)髦林螌拥酌?，再反射回軌道板表面的傳播過程為一個能量和幅值連續(xù)變化的過程，將這個過程反應在頻域圖譜上，可觀察到的共振譜能量集中在4～11 kHz頻率范圍內(nèi)。在含脫空缺陷的模型中，當沖擊彈性波到達軌道板和砂漿層缺陷界面時，會出現(xiàn)強烈反射，彈性波在軌道板上下表面之間多次反射產(chǎn)生瞬態(tài)共振，將這一過程體現(xiàn)在速度和位移頻域圖上可以發(fā)現(xiàn)在10 kHz附近出現(xiàn)較高的共振峰，而4 kHz附近的共振峰減弱。

因此，為了實現(xiàn)對脫空缺陷檢測的定量化，提取不同工況時的測試數(shù)據(jù)，進行傅里葉變換后，將4～8 kHz處各點峰值的平方進行求和、取均值（作為A1值）處理;8～14 kHz處各點峰值的平方進行求和、取均值（作為A2值）處理。計算不同測試點處二者的比值，即：

式中，[k]為功率密度比。由計算結果可知（詳見第4.1節(jié)沖擊彈性波方法分析部分），對于正常的無砟軌道，功率密度比值大部分在0.5以上，而含脫空缺陷的無砟軌道的功率密度比值大部分在0.5以下。因此，功率密度比值大小可作為評定砂漿層是否存在脫空缺陷的指標之一。然而簡單地利用閾值分析方法，仍然無法實現(xiàn)對砂漿層脫空缺陷的精準檢測。

1.3? 探地雷達法特征

探地雷達是一種運用電磁波傳播理論來檢測地下目標內(nèi)部結構的無損檢測技術。探地雷達系統(tǒng)將高頻電磁波以寬頻帶短脈沖的形式由發(fā)射天線向目標體發(fā)射，當電磁波遇到電性（介電常數(shù)、磁導率、電導率）差異界面時會發(fā)生反射、折射和透射等現(xiàn)象。其中，反射電磁波被接收天線接收，形成探地雷達回波信號。由于探地雷達法具有探測速度快、精度高、連續(xù)檢測等優(yōu)勢，符合高鐵天窗維修檢測的需求。在實際應用中，以檢測CRTS Ⅱ型無砟軌道結構為例，CA砂漿層上部的軌道板為多層密集鋼筋混凝土結構。考慮鋼筋為良導體介質(zhì)且鋼筋在空間位置上規(guī)律分布，將導致電磁波在鋼筋與混凝土界面形成全反射，在探地雷達回波圖上呈現(xiàn)典型的雙曲特性。除此之外，還有部分繞射波透過軌道板傳播到CA砂漿層，并在脫空病害表面形成反射波，并與鋼筋反射波疊加在一起被雷達天線接收形成雷達回波圖像。

圖3a）展示了某CRTS Ⅱ型軌道實體結構的雷達回波信號圖像。顯然可見，在內(nèi)部和外部因素的綜合影響下，最終形成的雷達回波圖像包含了多種噪聲（比如地面直達波、鋼筋強反射波等）。為此，本文利用圖像頻率去噪方法提取有用的脫空病害反射信號。首先，利用二維傅里葉變換對原始雷達回波圖像進行變換，可得雷達回波圖像的二維頻譜圖見圖3b）。由于初始雷達回波二維頻譜圖的直流分量并不在中心位置，對其進行頻譜搬移后，可得新的雷達回波頻譜圖見圖3c）。在此基礎上，采用高斯高通濾波器對雷達回波頻譜圖進行濾波，并對濾波后的結果進行二維傅里葉反變換，獲得頻率濾波后的雷達圖像見圖3d）。由圖3可知，在經(jīng)過二維圖像頻率濾波后，原始雷達回波圖像中的大量噪聲被抑制。

2? 特征融合

針對特征融合，目前主要從數(shù)據(jù)層、特征層以及決策層進行融合。其中，數(shù)據(jù)層融合是將全部傳感器的觀測數(shù)據(jù)融合，然后從融合的數(shù)據(jù)中提取特征向量并進行判斷檢測;特征層融合是提取每種傳感器采集的特征，將這些特征融合成單一特征向量，并運用模式識別方法進行處理;決策層融合則是在每個傳感器對目標做出檢測后，將多個傳感器的檢測結果進行融合。

由于數(shù)據(jù)層融合只能針對同一物理傳感器進行融合;決策層融合對傳感器數(shù)據(jù)進行了濃縮，導致部分數(shù)據(jù)信息丟失進而影響最終結果。因此，本文選用了特征層融合方式。如圖4所示，分別利用沖擊彈性波與探地雷達兩種方法對無砟軌道結構進行信號采集，按照第1.2～1.3節(jié)中所述方法計算脫空病害特征，并通過特征向量堆棧的方式融合兩類目標特征向量，即有[x=[k，h]]。這里，[k∈R1]為采集得到的沖擊彈性波病害特征，[h∈R5]為采集得到的探地雷達病害特征，[x∈R6]為最終的脫空病害特征融合向量。

3? 無砟軌道病害檢測

在完成特征融合的基礎上，需進一步對無砟軌道是否存在脫空缺陷進行識別。本文采用支持向量機模型，其通過最大化脫空與非脫空兩類目標的分類間隔建立脫空病害的識別函數(shù)。設[xk]為第k個樣本的多源融合特征，通過人工標定其樣本標簽[yk]（脫空，則設其標簽為1;非脫空，則設其標簽為0），由此建立無砟軌道的脫空與非脫空的訓練樣本集[S=yk，xkNk]。通過求解式（3）可建立無砟軌道的脫空病害檢測模型。

4? 實驗結果與討論

為了測試驗證本文方法的有效性，本文對無砟軌道實體結構模型進行了脫空病害數(shù)據(jù)采集。該無砟軌道實體結構模型位于河北省石家莊鐵道大學工程訓練中心實訓基地內(nèi)，如圖5a）所示，軌道板采用了CRTS Ⅱ型板式無砟軌道。在無砟軌道鋪設過程中，預先在砂漿層中布設了脫空病害，布設過程如圖5b）所示。最終布設完含缺陷的無砟軌道模型如圖5c）所示。

4.1? 沖擊彈性波方法分析

本文采用掃描式?jīng)_擊回波測試系統(tǒng)，選取20個不同測試點的功率密度比值數(shù)據(jù)進行測試，并將這些數(shù)值做歸一化處理，具體如圖6所示。顯然，通過閾值分析即可判定部分測試點是否存在脫空缺陷。因此，功率密度比值可作為評定砂漿層是否存在脫空缺陷的指標之一。但是由于脫空缺陷情況較為復雜，仍有部分測試點不能通過簡單的閾值分析判定其是否為缺陷點，見圖6中曲線框部分。

4.2? 探地雷達方法分析

本文采用900 MHz雷達天線檢測CRTS Ⅱ型板式無砟軌道結構是否存在脫空，具體的GPR雷達回波圖像如圖3a）所示。其中，橫坐標表示測線道數(shù)，每道數(shù)據(jù)的間距為0.008 m，共606道數(shù)據(jù);每道數(shù)據(jù)采樣時間窗為40 ns，采樣點數(shù)為512點。為了初步測試探地雷達方法的可行性，本文從脫空與非脫空區(qū)域各選擇了20個GPR雷達回波數(shù)據(jù)進行分析。由于本文提出的探地雷達脫空病害特征為多維向量，為了直觀展示，計算多維特征向量[h]的均值并進行歸一化處理，結果如圖7所示。顯然，脫空與非脫空樣本的病害特征在數(shù)值范圍內(nèi)存在明顯交迭，因此無法利用簡單的閾值分析方法實現(xiàn)無砟軌道結構脫空病害的精準檢測。

4.3? 融合特征方法的對比驗證

為了提高對脫空缺陷的檢測精度，本文采用特征融合方法，構建一個由彈性波特征和探地雷達特征組成的二元特征向量[x=[k，h]∈R6]?？紤]特征融合后的多參數(shù)訓練樣本在低維特征空間中基本線性不可分，本文選用高斯徑向基函數(shù)作為核函數(shù)，將融合特征映射到更高維度的特征空間進行分類訓練。在實驗環(huán)節(jié)中，經(jīng)過交叉驗證測試，確定SVM訓練過程中的核函數(shù)寬度參數(shù)[σ=5.2]，正則化參數(shù)[γ=0.4]。

為了驗證本文方法的有效性，將彈性波特征與探地雷達特征分別采用支持向量機進行分類訓練，并與本文算法進行對比。同時為了驗證支持向量機的二分類優(yōu)勢，選用多元回歸模型[8]對多源融合特征進行分類建模。本文實際采集了340組實驗數(shù)據(jù)集（其中含脫空缺陷的有140組，不含脫空缺陷的有200組），按照等比例方式，每次隨機選取112組脫空樣本和160組非脫空樣本作為訓練數(shù)據(jù)集，剩余的樣本集作為測試數(shù)據(jù)集。根據(jù)上述方式，分別獨立進行5次仿真計算并統(tǒng)計每次的樣本檢測識別率（樣本檢測識別率=檢測識別正確的樣本個數(shù)/測試樣本總個數(shù)）。具體統(tǒng)計結果如表1所示。

由表1中的對比結果可知，在綜合利用彈性波與探地雷達兩種病害檢測特征后，無砟軌道砂漿層的脫空病害檢測率有明顯的提升，驗證了本文所提出的多源特征融合算法的有效性。同時通過對比表1可知，相比于SVM核函數(shù)模型，多元回歸模型的效果并不理想，可能的原因有：樣本參數(shù)的維度較多，在低維空間線性不可分，導致多元回歸的效果不理想;相比于多元回歸模型，SVM核函數(shù)模型利用了核函數(shù)映射，并在高維特征空間中通過最大化脫空與非脫空兩類樣本的分類間隔構建二分類識別函數(shù)，因此分類識別效果更優(yōu)。

5? 結? 論

本文提出一種基于多源特征融合的無砟軌道砂漿層脫空病害檢測方法，用于解決單一檢測特征對病害描述的匱乏，導致病害檢測精度較低的問題。該方法通過將彈性波與探地雷達兩種信號特征進行量化處理，并將量化結果通過特征堆棧的方式實現(xiàn)特征融合，最后利用支持向量機完成對軌下結構病害融合特征的分類檢測。通過采集無砟軌道脫空病害數(shù)據(jù)，將本文算法與單一特征（彈性波特征、探地雷達特征）病害檢測進行對比，驗證了本文算法可以有效地提升脫空病害檢測的精度。

注：本文通訊作者為王保憲。

參考文獻

[1] BENEDETTO A， TOSTI F， CIAMPOLI L B， et al. GPR applications across engineering and geosciences disciplines in italy： a review [J]. IEEE journal of selected topics in applied earth observations and remote sensing， 2017， 9（7）： 2952?2965.

[2] BROOK M S， NOBES D C. Ground penetrating radar imaging of abandoned coal and gold mine workings [C]// International Conference on Environmental & Engineering Geophysics. Xian： Springer， 2014： 724?729.

[3] DEMIRCI S， YIGIT E， ESKIDEMIR I H， et al. Ground penetrating radar imaging of water leaks from buried pipes based on back?projection method [J]. NDT & E international， 2012， 47： 35?42.

[4] 喬旭，趙學軍，楊峰，等.城市道路土基病害核匹配追蹤識別算法[J].中國公路學報，2017，30（5）：44?51.

[5] 杜良，劉樹才，梁棋念，等.隧道檢測中基本形狀空洞探地雷達圖像特征[J].地球物理學進展，2015，30（6）：2892?2896.

[6] 徐昕軍，勾妍妍，楊峰.基于探地雷達與概率神經(jīng)網(wǎng)絡的城市道路路基病害預警模型研究[J].科學技術與工程，2017，17（17）：118?124.

[7] 周輝林，姜玉玲，徐立紅，等.基于SVM的高速公路路基病害自動檢測算法[J].中國公路學報，2013，26（2）：42?47.

[8] LAWTON M P， KLEBAN M H， FULCOMER M C. Multiple regression in behavioral research [M]. Oxford： Oxford University Press， 1997： 102?112.

[9] 李海平，李正凱，閻宗嶺.山區(qū)公路陡斜坡路基?擋墻體系病害動態(tài)過程調(diào)控技術[J].公路交通技術，2018（6）：8?12.

[10] 李法濱，吳旭東，馮坤偉.探地雷達在路基病害探測中的正演模擬及瞬時屬性分析[J].交通科技，2019（2）：56?59.