王克文

國能新朔鐵路有限責任公司，內(nèi)蒙古鄂爾多斯 010300

大準鐵路線路狀態(tài)復(fù)雜，鋼軌狀態(tài)差，傷損多發(fā)且傷損發(fā)展快，安全生產(chǎn)形勢嚴峻。該線路鋼軌探傷完全依賴人工手推探傷儀，利用列車間隔或天窗點進行作業(yè)，檢測速度僅2 ～3 km/h，所需作業(yè)人員達100人以上，年成本高達2千多萬元。同時，利用列車間隔作業(yè)存在較大的人身安全隱患。因此，亟待研制一種新型探傷設(shè)備代替大部分人工作業(yè)，改變?nèi)斯ぬ絺鳂I(yè)低效率、高成本、高風險的現(xiàn)狀。本文依托重載鐵路新型相控陣鋼軌探傷車［1-2］進行自動判傷算法設(shè)計。

1 鋼軌探傷系統(tǒng)簡介

該鋼軌探傷系統(tǒng)基于快速相控陣+常規(guī)超聲布局，檢測時速可達80 km。軟件部分主要由三大模塊組成。模塊1 為鋼軌超聲探傷系統(tǒng)，超聲探傷系統(tǒng)采用快速相控陣技術(shù)和常規(guī)超聲技術(shù)相結(jié)合方式實現(xiàn)不同軌型超聲全覆蓋；模塊2為自動判傷模塊，利用自動判傷算法對傷損自動識別、分級報警；模塊3為人機交互界面，實現(xiàn)系統(tǒng)配置、參數(shù)調(diào)整、檢測結(jié)果A/B 型顯示、軌面圖像同步展示等。利用該系統(tǒng)可檢測鋪設(shè)43 ～75 kg/m 鋼軌的線路。智能判傷算法要解決的關(guān)鍵問題是，探傷車性能穩(wěn)定后，80 km/h條件下，探傷車檢出總數(shù)不低于人工手推儀器對應(yīng)缺陷檢出總數(shù)的90%（軌頭核傷不低于85%），漏報率不高于10%。

2 鋼軌傷損分類

根據(jù)大型鋼軌探傷車、手推鋼軌探傷儀傷損分類，結(jié)合TB/T 1778—2010《鋼軌傷損分類》中鋼軌傷損分類方法及現(xiàn)場經(jīng)驗，對超聲檢測的鋼軌缺陷進行整理，見表1。這些傷損類別涵蓋現(xiàn)有狀態(tài)下我國鋼軌所有常見傷損類型，分為軌頭、軌腰和軌底區(qū)域，其中軌頭區(qū)域核傷主要有PA70°+UT70°通道檢測，軌腰和軌底區(qū)域裂紋主要有37°通道檢測，而軌頭、軌腰等區(qū)域水平裂紋主要有0°通道檢測，同時0°通道還負責底波失波監(jiān)控［3］。

表1 鋼軌傷損分類及監(jiān)控通道

3 智能判傷算法設(shè)計

智能判傷設(shè)計方案見圖1。鋼軌探傷實時數(shù)據(jù)經(jīng)過自適應(yīng)的加框算法模塊被分割為一系列的數(shù)據(jù)框，再進入智能判傷模塊中進行判傷，計算出缺陷的位置、類型、長度等特征，實時顯示在上位機軟件中。

圖1 智能判傷設(shè)計

3.1 自適應(yīng)的加框算法

3.1.1 單通道數(shù)據(jù)分割/組合通道數(shù)據(jù)合并

單通道數(shù)據(jù)分割流程見圖2。數(shù)據(jù)點之間按橫向間距及縱向間距進行聚合，數(shù)據(jù)點與已聚合的數(shù)據(jù)群中最近的三個點之間的水平距離少于w（常數(shù)）且深度差距小于h（常數(shù)）則聚合為同一數(shù)據(jù)群。按該準則對單通道缺陷數(shù)據(jù)進行分割，分割結(jié)果記錄為通道ID與初步分割框［4］。

圖2 單通道數(shù)據(jù)分割流程

單通道數(shù)據(jù)分割效果見圖3。紅色代表未處理數(shù)據(jù)群，黑色代表已聚合數(shù)據(jù)群，黑色點中最后三個點形成的矩形框向上下擴展h、向左右擴展w后包含了下一個紅點，因此將紅點與前面的黑點再聚合為同一數(shù)據(jù)群。其中w=40，h=15。

圖3 單通道數(shù)據(jù)分割

組合通道數(shù)據(jù)合并流程見圖4，效果如圖5 所示。將初步分割框按框的水平位置順序排列，分割框的長度、寬度分別向延伸方向增加w、h，計算每個分割框與其相鄰的分割框之間的重疊部分面積（圖5 中黑色部分）分別占兩個分割框的面積的多少，若超過5%則把兩個分割框合并為一個。

圖4 組合通道數(shù)據(jù)框合并流程

圖5 組合通道數(shù)據(jù)框合并

3.1.2 多通道數(shù)據(jù)融合

數(shù)據(jù)分割算法總會把兩個接近的缺陷合并成一個，或把同一個分隔得比較開的缺陷分割成兩個，因此提出自適應(yīng)策略：設(shè)置多種分割尺度操作，仍采用原來的方法，但擴展參數(shù)不同。策略A：w= 10，h=50；策略B：w=50，h=50；策略C：w=300，h=50。分別設(shè)置三種數(shù)據(jù)融合尺度，以螺孔和線孔組合識別為例，識別效果如圖6所示?？梢钥闯?，策略A 是最分散的數(shù)據(jù)融合策略，策略C 完整地把螺孔和線孔標示出來，策略B介于二者之間。三種策略的參數(shù)各異，包含多種尺度范圍，聯(lián)合使用可提高算法的靈活度。

圖6 螺孔+線孔圖譜三種數(shù)據(jù)分割策略識別效果

超聲人員分析數(shù)據(jù)時，只需對包含6 個連續(xù)出現(xiàn)螺孔和各個線孔的大框進行標記。采用這種方式，使疑似缺陷信號與其附近出現(xiàn)的疑似缺陷信號聯(lián)系在一起形成特征，模擬了人的局部和全局的觀察推理方式，更符合人的判斷方式。

3.1.3 底波數(shù)據(jù)分割

由于底波數(shù)據(jù)量大，且底波檢測通道數(shù)據(jù)的特征比較明顯，特征為有或無。因此，對底波數(shù)據(jù)進行分割處理：底波通道按缺失的長度超過m（常數(shù)）來分割，底波缺失小于m個位置的不看做底波消失。

3.2 智能判傷算法

智能判傷算法模塊的輸入為上一步產(chǎn)生的缺陷分割框及每個框中的原始信號數(shù)據(jù)，輸出為缺陷框下缺陷的類型。

3.2.1 傳統(tǒng)判傷算法

在使用傳統(tǒng)機器學習算法時，必須首先將數(shù)據(jù)的特征量提取出來作為算法的輸入。這里數(shù)據(jù)特征的設(shè)計是一個建模的過程，特征設(shè)計的好壞將極大程度地影響算法的能力。因此自動判傷的特征設(shè)計基本上基于NDT（Non-Destructive Testing）人員的主觀經(jīng)驗。特征量主要包括各通道數(shù)據(jù)的點數(shù)、除底波通道外所有數(shù)據(jù)的點數(shù)之和、數(shù)據(jù)框的長度、某些特定通道數(shù)據(jù)的斜率、數(shù)據(jù)框的寬度（即深度范圍）、數(shù)據(jù)框的中心深度。

通過鋼軌探傷平臺采集測試軌數(shù)據(jù)進行驗證。測試軌包含軌頭核傷12 個、軌腰裂紋11 個、軌底裂紋2個，總計采集數(shù)據(jù)100次。對這些樣本采用傳統(tǒng)判傷算法進行識別率統(tǒng)計，結(jié)果見表2?？芍瑐鹘y(tǒng)判傷算法能正確識別樣板軌上的軌頭核傷、軌腰螺孔裂紋及軌底裂紋，測試結(jié)果可實現(xiàn)低于10%的誤報率和低于5%的漏報率。因此，傳統(tǒng)判傷算法具有很強的適應(yīng)能力，可以為算法初期的效果提供下限。

表2 傳統(tǒng)判傷算法測試統(tǒng)計

3.2.2 基于卷積神經(jīng)網(wǎng)絡(luò)分類算法

卷積神經(jīng)網(wǎng)絡(luò)善于提取圖像中平移不變的細節(jié)特征，適用于鋼軌探傷中的缺陷細節(jié)特征提取，但將網(wǎng)絡(luò)訓練達到要求需要大量數(shù)據(jù)。卷積神經(jīng)網(wǎng)絡(luò)是一個黑箱模型，根據(jù)數(shù)據(jù)特征設(shè)計相應(yīng)的網(wǎng)絡(luò)后，需要將標記過的樣本數(shù)據(jù)輸入網(wǎng)絡(luò)中進行訓練，讓網(wǎng)絡(luò)自動學會提取數(shù)據(jù)中有用的特征并輸出合適的結(jié)果。

在進行神經(jīng)網(wǎng)絡(luò)訓練前，將數(shù)據(jù)群劃分為軌頭區(qū)域數(shù)據(jù)群、軌腰區(qū)域數(shù)據(jù)群、軌底區(qū)域數(shù)據(jù)群、跨區(qū)域數(shù)據(jù)群、單通道數(shù)據(jù)群、多通道數(shù)據(jù)群（圖7）。針對圖中每子節(jié)點訓練一個卷積神經(jīng)網(wǎng)絡(luò)，判傷時根據(jù)不同的條件調(diào)取卷積網(wǎng)絡(luò)進行預(yù)測。考慮到鋼軌項目的數(shù)據(jù)與常規(guī)圖像數(shù)據(jù)不同，在使用卷積網(wǎng)絡(luò)時應(yīng)充分考慮鋼軌超聲掃查數(shù)據(jù)的特點，采用類似一維卷積網(wǎng)絡(luò)的方式來設(shè)計網(wǎng)絡(luò)［5］。如表3 所示，神經(jīng)網(wǎng)絡(luò)的輸入為B 掃數(shù)據(jù)群轉(zhuǎn)化為250（長度）× 8（通道數(shù)）的數(shù)組，數(shù)組的值代表當前位置/通道所含數(shù)據(jù)的深度，若無數(shù)據(jù)則深度為0。數(shù)據(jù)經(jīng)過第一層（Conv1）時，8 個通道的250 長度的數(shù)據(jù)按長度方向2 進行卷積組合，在組合中所有的通道融合在一起，進入下層，后面的數(shù)據(jù)層與常規(guī)一維卷積網(wǎng)絡(luò)的組合方式相同［6］。

圖7 數(shù)據(jù)群劃分

表3 神經(jīng)網(wǎng)絡(luò)架構(gòu)

由于試驗平臺產(chǎn)生的真實缺陷數(shù)據(jù)較少，數(shù)據(jù)種類單一，不適于直接進行深度學習的訓練和判傷。為此，專門設(shè)計模擬鋼軌探傷數(shù)據(jù)軟件［7］，采用對標準樣本做隨機變形的方式生成了大量的樣本數(shù)據(jù)集。數(shù)據(jù)集包括軌頭核傷、螺孔裂紋、軌底裂紋、魚鱗紋及隨機噪聲。模擬鋼軌探傷數(shù)據(jù)軟件功能包括：①模擬數(shù)據(jù)生產(chǎn)、模擬實時檢測；②內(nèi)置算法可對實時對多通道回波數(shù)據(jù)群進行分割；③待分類數(shù)據(jù)以Protobuf 協(xié)議壓縮，通過網(wǎng)絡(luò)TCP 傳出；④分割數(shù)據(jù)通過網(wǎng)絡(luò)接口傳送至服務(wù)程序進行缺陷識別及分類。

模擬軟件共生成軌頭核傷24 000 例、螺孔8 000例、螺孔裂紋 6 000 例、裂紋 10 000 例、噪聲 4 000 例，并增加了4 000 例魚鱗紋缺陷。在該數(shù)據(jù)集合上的測試結(jié)果見表4?？芍焊黝惾毕莸臏蚀_率均達到98%以上、漏報率低于2%，這充分說明了深度學習算法對具有大量數(shù)據(jù)樣本支持的樣例具有很高的準確率。

表4 基于卷積神經(jīng)網(wǎng)絡(luò)理論驗證 %

3.2.3 算法架構(gòu)

條件判傷算法需要根據(jù)設(shè)計者對缺陷的特征進行精準定制。傳統(tǒng)的算法架構(gòu)往往采用一次定制方案，即在開發(fā)算法期間將所有判傷條件設(shè)計完畢，且無法改動或只能進行較小改動。應(yīng)用期間會出現(xiàn)一些在算法設(shè)計階段未考慮過的特殊缺陷形態(tài)，傳統(tǒng)算法架構(gòu)無法應(yīng)對這些情況。因此，采用工廠模式設(shè)計，通過靜態(tài)反射原理實現(xiàn)以腳本的方式靈活配置算法。算法代碼一次完成，后續(xù)更改可由調(diào)試或維護人員根據(jù)新型缺陷的特征以文本形式修改輸入算法的腳本，對判傷的方式、條件進行設(shè)計。另外，設(shè)計了循環(huán)可變長動態(tài)緩存的數(shù)據(jù)結(jié)構(gòu)來存儲數(shù)據(jù)，采用該數(shù)據(jù)結(jié)構(gòu)可大幅提高內(nèi)存利用率。

4 智能判傷算法應(yīng)用

如圖8 所示，軟件界面上所有螺孔裂紋均被正確打框，且缺陷類型被正確識別并以圖標的形式顯示在缺陷的正下方。其中圖8（a）從左到右依次為：外、中、內(nèi)、內(nèi)中外、內(nèi)中、外中核傷；圖8（b）從左到右依次為：左下、右下、左上、右上螺孔裂紋；圖8（c）從左到右依次為：軌腰斜裂紋、軌底斜裂紋、軌頭水平裂紋、軌腰水平裂紋。

圖8 各類缺陷識別結(jié)果

該算法已應(yīng)用于重載鐵路新型相控陣鋼軌探傷車，能正確識別鋼軌對比試塊上的軌頭核傷、軌腰螺孔裂紋及軌底裂紋，測試結(jié)果達到了90%以上的檢出率和低于10%的漏報率。

5 結(jié)語

鋼軌探傷車試運行時用條件判傷算法把現(xiàn)場探傷經(jīng)驗用編程實現(xiàn)自動判傷，通過調(diào)整條件判傷的特征量，基本可以識別所有鋼軌傷損類型，但對實際線路傷損缺乏適應(yīng)性。在探傷車積累大量傷損數(shù)據(jù)后，可利用卷積神經(jīng)網(wǎng)絡(luò)對傷損數(shù)據(jù)進行訓練，提取出對傷損分類有用的細節(jié)特征。鑒于算法的準確性與大量的缺陷數(shù)據(jù)訓練密切相關(guān)，目前新算法的現(xiàn)場實際應(yīng)用及數(shù)據(jù)采集仍存不足，建議在現(xiàn)場大量采集傷損數(shù)據(jù)，進一步加強自動識別訓練和算法改進，不斷提升自動識別能力。

目前該設(shè)計已應(yīng)用于重載鐵路新型相控陣鋼軌探傷車，80 km/h 的檢測速度下，算法能正確識別樣板軌上的軌頭核傷、軌腰螺孔裂紋及軌底裂紋，測試結(jié)果達到了90%以上的檢測率和低于10%的漏報率，初步驗證了該智能判傷算法的有效性。