高速铁路用钢轨磁记忆检测方法

范振中

(中国铁道科学研究院, 北京 100081)



高速铁路用钢轨磁记忆检测方法

范振中

(中国铁道科学研究院, 北京 100081)

摘要:通过构建磁记忆信号采集系统，检测高速铁路钢轨用U71Mn钢试件法向磁记忆信号，对信号进行小波包变换与Hilbert变换，得到法向磁记忆信号包络，求取梯度特征值；提出磁记忆信号的小波包能量谱分析方法，通过对有中心小孔人工缺陷的U71Mn钢试件进行拉伸试验，采集不同载荷下试件表面的法向磁记忆信号，以小波包分解频带的能量作为试件应力集中的判定特征值，根据小波包不同空间能量谱中能量的大小及分布，判断试件的应力集中部位及应力集中程度。结果表明:该方法对钢轨用U71Mn钢的检测具有较好的可行性,可望在磁记忆信号的计算机自动识别方面具有工程应用价值。

关键词:高铁；金属磁记忆检测；小波包；能量谱

U71Mn钢具有极佳的韧性和高强度、耐磨等特点，是高速铁路中用量最大的钢轨材料之一，笔者采用金属磁记忆检测技术对U71Mn钢早期应力集中区域进行判别:改进了现有磁记忆梯度判别方法，为消除复杂工况对磁记忆信号的干扰，引入小波包变换，随后对变换后的信号应用Hilbert变换以求取包络信号[1-2]，再对包络信号求取梯度特征值；根据小波包能量理论，提出新的高铁用钢轨磁记忆信号小波包能量谱检测方法，通过分析带中心圆孔拉伸件在不同载荷下法向磁记忆信号的小波包能量谱，得出应力大小与信号小波包能量谱的对应关系。

1小波包理论与Hilbert变换

小波函数ψ(t)和正交尺度函数φ(t)的二尺度关系由下列公式给出:

(1)

(2)

式中:h0k，h1k分别为多分辨率分析中的滤波器系数；t为时间变量；k为整数平移，t∈R,k∈Z。

二尺度方程可由下列公式推出:

(3)

(4)

式中：函数集{wn(t)}n∈Z为由w0(t)=φ(t)所确定的小波包;n为整数平移，n∈Z，当n=0时w0(t)为尺度函数；n=1时w1(t)即为小波函数。

小波包分解的表达式为:

(5)

式中：j为尺度；Uj为尺度函数空间；Wj为小波函数空间。

当k=m=0时，子空间为：

(6)

小波基为：

(7)

式中：l为整数平移。

小波包系数d的公式为:

(8)

(9)

式中:g0和g1为综合滤波器，经重构的信号即可起到滤波的作用。

Hilbert变换是提取信号包络的一般常用方法，磁记忆信号的包络里存在着不连续信息，对于给定时间序列x(t),Hilbert变换的定义为:

(10)

式中:P为柯西主值。

由此定义，x(t)和y(t)的解析信号为:

(11)

其中

Hilbert变换包络中的低频分量反应了信号的变化。笔者将小波包变换与Hilbert变换用于梯度值的求取，提高了可检出度。

2检测条件

制备拉伸试件所用的U71Mn钢的化学成分分别为C，0.75;Si,0.22;Mn,1.29;S.0.017;P,0.016;V,0.04。图1所示为试件加工尺寸示意，为利于拉伸试验中产生的应力集中，试件中央加工有2 mm直径圆孔[3-4]。

图1　试件加工尺寸示意

磁记忆扫描检测系统如图2所示，主要由高速计算机、数据采集装置、磁场测量装置、电机控制装置等部件组成。系统选用LAKESHORE公司421高斯计作为磁记忆信号测量设备，输出端接电磁屏蔽板后与数据采集卡相连。磁场采集分析软件实现对系统各个部件的控制功能。

图2　检测系统硬件组成

系统的硬件结构框图如图3所示。

图3　检测系统硬件结构框图

磁阻探头夹持在扫描架上，在软件控制下，自动扫查图4所示考察线上的磁记忆信号。

图 4　磁场考查线

图5为该系统直接采集到的磁场信号，由于磁记忆信号微弱，极易受到工况干扰，缺陷位置显示不够明显；图6为直接对采集系统采集的信号求取梯度值的结果，其已失去应力集中区域的指示能力。

图5　系统采集的原始磁记忆信号

图6　未经处理的磁记忆信号梯度值

3小波包降噪及Hilbert变换求取梯度

对试件表面磁记忆信号进行小波包变换的过程为:选择一个小波函数，确定分解层数后进行分解；计算最优树并选择最优小波包基；根据给定的阈值对小波包分解系数进行重构处理，用以达到磁记忆信号的去噪目的。

对实际采集到的信号进行小波包降噪时，小波选用sym6，小波包分解层数为5层，采用香农熵和软阈值处理，磁记忆信号的降噪效果较好。图7为经过小波包滤波降噪后的磁记忆信号。

图7　经小波包降噪处理后的磁记忆信号

图7中数据出现局部极值的位置(采样点10 000到采样点15 000位置)是试件拉伸后的小孔附近应力集中位置。由图4所示磁场检测线检测到的磁记忆信号先经小波包变换，小波选用sym6，小波包分解层数为5层，然后进行Hilbert变换，再对包络求取梯度特征值[5-6]。磁记忆信号的梯度如图8所示。由图可见，在小孔附近应力集中位置出现突变，相比于图6直接求取磁场信号梯度的方式，此处理方法可得到更清晰明确的应力位置。

图8　经小波包变换和Hilbert变换的信号梯度值

4小波包能量谱理论

(12)

(13)

式中:序列SE(j,n)(n=0,1,2，…,2j-1)被称为小波包能量序列。

小波包能量谱序列为归一化处理的序列:

(14)

λ(n)实际上表明了各频带内所示能量的大小。小波包能谱分析应力集中的过程为:确定用于磁记忆分解的小波函数，并确定小波包分解层数，根据磁记忆信号能量谱序列的特征，确定应力集中判定阈值，达到指示应力集中的目的。

采用图2所示的磁记忆检测系统，对带中心小孔的C1～C4试件进行不同载荷下的拉伸加载，载荷大小及屈服状态如表1所示。

表1　试件的拉伸载荷及屈服状态

采集试件上的法向磁记忆信号如图9所示。对四组磁记忆信号选取sym6小波函数进行能量谱分解，分解层数为6层，整体频带将被划分为64个小波包空间，得到的小波包能量谱序列如图10所示，其中横坐标代表第1～64小波包空间，纵坐标代表各小波包空间的能量比重，无量纲单位。

图9　各试件不同拉伸载荷下的磁记忆信号

图10　不同试件的能量谱序列

表2　各试件的小波包空间能量谱

5结论

(1) 试验验证了磁记忆检测方法对U71Mn钢轨用钢检测的可行性，结果表明:磁记忆信号梯度极值位置与预置的试件应力区域有很好的相关性。

(2) 为了提高梯度特征值检测方法的可检出性，将小波包变换和Hilbert变换引入到信号分析中，试验数据表明信噪比有明显提高。

(3) 提出磁记忆信号的小波包能量谱分析方法，采集不同载荷下试件表面的法向磁记忆信号，根据小波包特定空间能量的分布及大小，判断试件的应力集中部位及应力集中程度。方法可望在磁记忆信号的计算机自动识别方面具有一定的工程应用价值。下一步将进行细化试验，找出合适的阈值，进行缺陷定量化评估。

参考文献:

[1]任吉林，王进，范振中，等.一种磁记忆检测定量分析的新方法[J].仪器仪表学报,2010，31(2):431-436.

[2]任吉林，孙金立.磁记忆二维检测的研究与工程应用[J].机械工程学报,2013，49(27):8-15.

[3]任吉林，林俊明.金属磁记忆检测技术[M].北京:中国电力出版社,2000.

[4]任吉林，陈曦，宋凯. 金属构件磁记忆效应影响因素的研究[J]. 无损检测，2006,28 (6):292-295.

[5]任吉林，李晓刚，宋凯，等. 典型受载铁磁构件的数值模拟和磁特性[J]. 北京科技大学学报，2005,27(6):684-687.

[6]任吉林，范振中，陈曦，等. 基于小波包变换的磁记忆信号特征值的提取[J]. 无损检测，2008,30(9):580-582.

Metal Magnetic Memory Test Method on Rails for High Speed Railway

FAN Zhen-zhong

(China Academy of Railway Sciences, Beijing 100081, China)

Abstract:Magnetic memory testing system is developed to acquire normal direction magnetic signals from the U71Mn specimen. Wavelet packet transform and Hilbert transform is used to get the envelop curve of the signals so that gradient eigenvalues are picked effectively; By different loads stretching experiments on specimens U71Mn steel specimens with artificial hole defect, normal direction magnetic memory signals can be acquired by the testing system，the magnetic signals energy of the frequency domain based on wavelet packet decomposition is taken as the feature information of stress concentration, and the amount and the distribution of the energy in different wavelet package energy spectrum spaces indicate the stress concentration level. The results show that this method has a good feasibility for the detection of U71Mn steel rail, and it is expected to have certain engineering application value in the computer automatic recognition of magnetic memory signals.

Key words:High speed railway; Metal magnetic memory test; Wavelet packet; Energy spectrum

中图分类号:TG115.28

文献标志码:A

文章编号:1000-6656(2016)04-0022-04

DOI:10.11973/wsjc201604006

作者简介:范振中(1982-)，男，博士研究生，助理研究员，主要从事铁路行业超声及电磁无损检测的研究工作。通信作者：范振中，E-mail: zhenzhongfan@qq.com。

收稿日期:2015-08-25