多传感器特征决策融合的钢轨裂纹识别方法

随着高速铁路的快速发展,钢轨裂纹的有效检测对于铁路安全运行具有重要的意义.针对基于漏磁信号的钢轨裂纹识别问题,采用多传感器特征决策融合技术,在对漏磁信号进行了时域和频域的多特征提取与融合的基础上,同时对多传感器信号进行决策融合,设计了一种基于支持向量机(SVM)的多传感器信息融合分类器.利用人工裂纹的实测漏磁信号进行实验,相比于提取单一特征和利用单一传感器信号进行识别,提出的方法取得了更好裂纹识别效果,平均识别率达到98％.     

基于路图特征和SVM的钢轨裂纹识别

为了进一步提升钢轨裂纹的识别精度,从新特征的角度出发,提出一种基于路图特征和支持向量机(Support Vector Machine,SVM)的钢轨裂纹识别方法。该方法基于图信号处理与图谱理论,计算由钢轨裂纹时域漏磁(Magnetic Flux Leakage,MFL)信号转换得到的路图信号的“时域”和“频域”统计量作为钢轨裂纹MFL信号的特征训练SVM分类器,有效实现了不同缺陷参数的钢轨裂纹识别。基于钢轨裂纹漏磁检测平台实测数据验证所提方法的有效性。实验结果表明,相比于传统漏磁信号特征,采用路图特征在钢轨裂纹识别中的精度更高、稳定性更好。     

基于微磁检测和交替最小二乘法的钢轨裂纹定量估计

针对钢轨裂纹定量估计的问题,提出了一种基于弱磁检测和交替最小二乘法的钢轨裂纹定量估计方法。该方法使用弱磁检测的钢轨裂纹信号,提取弱磁信号特征,再利用交替最小二乘法解出钢轨裂纹的深度、宽度、水平角和垂直角的估计值。针对交替最小二乘分解大矩阵速度慢的问题,提出了优化初值的方法,减少交替最小二乘迭代次数,缩短计算时间。基于实测数据的研究结果表明,深度和垂直角估计精度较高,而宽度和水平角误差较大,从而提出将其他三个裂纹参数混入混合矩阵中,再去拟合深度、水平角和垂直角,估计精度将会明显提高。