基于LabVIEW 的火車輪面裂紋深度在線監測技術

夏蓉花，劉春，趙慧娟

（江蘇安全技術職業學院，江蘇徐州 221011）

隨著我國高鐵事業和高速列車建設的快速發展，作為鐵道系統的重要組成部分，火車車輪的狀態直接關系到火車行車安全。車輪踏面損傷是車輪故障的主要類型，所以對車輪踏面損傷進行自動檢測具有重要意義。

該文針對火車車輪工作時高溫、高速的特點，開發了一套車輪踏面的深度檢測系統，為車輪的健康檢測提供了一種有效手段。

1 電磁超聲探傷系統設計

該文設計的電磁超聲探傷系統如圖1 所示[3]。

圖1 電磁超聲探傷系統

文中提出的電磁超聲探傷系統基于頻分復用技術開發，不同線圈由不同的頻率正弦信號供電，每個磁場可感應出具有不同頻率和幅度的正弦電。為了獲得每個信號分量，將輸出通過帶通濾波器進行濾波[4]。

1.1 磁場發生器設計

考慮到磁場的限制，重新設計了一種新的場發生器，以滿足在適當距離提供符合要求的磁場[5]。

5 個線圈通過使用塑料支架固定在專用的有機玻璃框架上，以避免出現可能產生電磁干擾的次級磁場。在排列線圈時，前3 個線圈分別沿著直角坐標系x-y-z分布，另外兩個相對于支撐平面傾斜45°，實物如圖2 所示。通過這種方式可以擴大跟蹤體積，同時確保互感為零。

圖2 磁場發生器實物

每個單線圈的設計均依照IEEE C95.6 標準，滿足在受控環境中人體四肢、軀干和頭部暴露于磁場的安全限制。此外，該系統還設計了0.2 mT 的安全閾值[6]。

磁場發生器線圈的交流電源信號由DAQ 模塊組成，型號為NI9263。由于功率有限，因此需要為每個線圈使用功率放大器。具體實現方法是將Texas Instrument OPA544 運算放大器配置在非反相狀態[7]，并將增益設置為51 dB。

1.2 電流控制單元

初步實驗結果表明，線圈電阻的過熱導致了顯著的磁場變化，因此需要實現電流控制回路以保持磁場的恒定[8]。

如圖3 所示，該文對于每個磁場發生器線圈實施比例積分（PI）控制，并通過引入積分控制來減少漸進誤差。因為該系統在穩定條件下工作，所以微分控制可以被忽略，對超調沒有嚴格要求，且動態擾動較慢（例如溫度變化）。

圖3 電流控制模塊

此次采用的電流測量元件為LA55-P 型閉環霍爾效應傳感器，其具有70 A 的峰值電流和0.65%的控制準確度[9]。通過將一個高精度的100 Ω電阻連接到傳感器的輸出端，將傳感器輸出端的電流轉換為電壓信號，便于控制單元獲取測量信號[10]。

采集電路采用±12 V 雙電源供電，另外兩個0.01 μF 旁路電容器用于減少電源信號可能的干擾，如圖4 所示。為了放大電流信號，在LEM 傳感器中進行兩級放大，獲得的電壓值評估如下：

圖4 電流信號采集電路

其中，Nt=1 000 匝，是電流傳感器的匝數。

圖5 為電流控制電路板實物。為了獲取PI 控制的常數，實驗測得比例常數與積分常數值為0.024 和0.005。經過實驗測試證明了電流信號的良好穩定性，僅有約0.01%的控制誤差。

圖5 控制電路板實物

為了有效管理和控制該文設計的系統，需要一個控制單元來為場發生器生成5 個正弦信號并從測量電路中獲取實時電壓。文中設計開發了基于DAQ（數據采集）模塊和軟件接口的實驗裝置，并在LabVIEW 中集成。

2 基于LabVIEW的深度監測網絡

為了對LabVIEW中輸入的信號進行合理分析，基于深度學習設計了信號分析與分類算法。LabVIEW接收信號可以表示為：

其中，y[n]是接收到的復數信號，x[n]是從所設計調制方案n傳輸的復數信號，η[n]是均值，記其方差為。

深度網絡由多層組成，無需人工干預即可提取網絡數據的特征。此次選用ResNet-50 模型提取數據特征，與淺層網絡相比，深層網絡提供了良好的分類結果[11]。

2.1 初始化網絡

網絡配置如圖6 所示。網絡初始模塊采用傳統的并行方法來連接卷積層子網絡，同時批量歸一化激活層[12]。該模型具有并行分支，易于在多個GPU上進行訓練。高維度的初始網絡使用中間輔助分類器實現，以減少反向傳播時的梯度消失問題[13]。神經元激活時，使用ReLU 函數以及0.5 的刪除概率實現正則化[14]。

圖6 網絡配置

2.2 數據預處理和訓練

為了確定正確的調制方案，在分類層次結構的3個階段訓練多個深度學習模型[15]。

用平均能量對LabVIEW 數據進行歸一化后，對復平面4×4 區域中的點進行進一步處理，該區域范圍涵蓋了合理信噪比中的大部分有用數據。采用濾波器Fk將CDM 轉換為彩色圖像，其中k∈{1,2,…,6}。Fk由3 個掩碼組成，每個掩碼均是一個維數為100×100的布爾矩陣，且每個掩碼的輸出均代表電信號的一個通道[16]。Fk濾波器的第m個掩碼的輸出由式（3）給出：

2.3 模型訓練與部署

此次的預訓練模型采用大小為3×100×100 的輸入數據，并分類為1 000 個類別。通過在每個模型的末尾連接8 個全連接層來執行分類任務，網絡前7 層分別包含1 000、750、500、250、100、50、20 個神經元，第8 層根據選擇的分類器包含2 或3 個神經元。模型訓練時，信噪比在-4～30 dB 間的數據步長設置為1 dB，信噪比在35～70 dB 間的數據步長設置為5 dB。在分類的第一步中，將考慮的8種調制方案分為3組，并給出17 200 組數據進行訓練。第二步，用4 300 組數據訓練的模型進行分類。最終分類也遵循了一致層次結構原則，分析模型在帶有Keras 庫的Python 中實現，文中部署在NVIDIADGX-2GPU 上來訓練模型。為了更優地實現分類且更快地完成訓練過程，對求解器配置的參數也進行了調整，學習率設置為0.000 1，最小批量的大小為64。

3 實驗驗證

此次設計考慮在計算機資源有限的情況下，使用PC-DAQ 方法實現測量數據的長時間儲存，并使用顯示屏作為交互工具，減少嵌入式硬件的開發難度。最終集成的實時數據采集框架，如圖7 所示。

圖7中，程序框架的最外圍為Loop程序。程序在運行時會連續采集數據，僅在用戶按下STOP 時停止工作。該文設計的屏顯功能由延時函數實現，考慮到人眼的工作模式，屏顯的刷新延時設置在50 ms～1 s之間。Loop程序中最后完成的一部分功能是采樣與存儲，對于通信端口連續讀取，采集到EPP 的2 048 Byte數據，數據經過時間幀同步后存儲至計算機。

圖7 LabVIEW EPP采集數據程序框架

為了評估實驗所得控制電路的PI 控制常數，分別施加0.024 的比例常數和0.005 的積分常數用于Ziegler Nichols 算法。如圖8 所示，獲得的誤差約為0.01%。實驗測試結果表明，電流信號具有良好的穩定性。

圖8 采樣點電流波形

在此基礎上，進一步對電壓信號的干擾項展開深入研究，以表征系統在不同工作中的準確性和重復性。兩個相互獨立的干擾作用下的測量誤差模型，如式（4）所示：

其中，EB(B)和ES表示相互獨立的測量誤差。為了驗證模型，分析實驗結果的標準偏差（STD），定義如下所示：

處理每個立方體內不同點處的信號樣本vi(t),i=1,…,5，觀察如圖9 所示的誤差分布情況，可以看出在一階近似的條件下，測量誤差近似于高斯分布。

圖9 測量誤差分布

為了研究隨著測量距離的增加，系統信號處理能力的變化情況，進行了時間連續的實驗測試，數據結果如表1 所示。可以看出，隨著距離的增加，測量數據量也在同步增加，因此噪聲項的誤差也有相應的減少，所以標準偏差的平均值也有下降的趨勢。

表1 電流測量標準差實驗數據（單位：mA）

4 結束語

該文研究了基于虛擬儀器技術與電磁超聲測量技術的火車車輪踏面裂紋深度檢測技術。首先，對電磁超聲探傷系統的磁場發生器、電流控制與測量單元進行研究，并使用LabVIEW 程序進行集成，實現對信號的實時顯示與集成。為了減輕人工監視的負擔，基于深度學習與LabVIEW 對信號數據進行特征學習以及噪聲分析。通過實驗驗證了電流控制電路的控制精度可達0.01%以內，具有良好的穩定性。此外，隨著測量距離的增加，系統對于信號處理的精度也有所提高。

火車車輪裂紋探傷的實際應用，對于檢測技術的穩定性、實時性等方面有著較高的要求，這將是未來的重點研究方向。