在车床上集成涡流检测技术，并结合可部署的算法实现铁路车轮缺陷的自动化检测 作者：Jose Luis Lanzagorta、Julen Mendikute、Irati Sanchez、Paula Ruiz、Iratxe Aizpurua-Maestre 和 Jokin Munoa

《Metals》：Integrated Eddy Current Inspection in Turning Machines with Deployable Algorithms for Automated Defect Detection in Railway Wheels Jose Luis Lanzagorta, Julen Mendikute, Irati Sanchez, Paula Ruiz, Iratxe Aizpurua-Maestre and Jokin Munoa

　　摘要 确保铁路车轮的结构完整性和服役可靠性已成为铁路行业现代制造和维护策略中的关键挑战。在此背景下，基于涡流（EC）的无损检测（NDT）提供了一种自动化且高效的方法，用于检测表面和近表面缺陷，同时相比于传统的手动方法，该方法可以减少检测时间和对操作员的依赖性。本研究介绍了将EC检测系统集成到精密车床中的方案，实现在车轮加工过程中进行实时评估。通过对带有人工缺陷的车轮进行实验验证，获得了较高的信噪比，并实现了可靠的缺陷表征。此外，还开发了计算效率高且易于部署的机器学习算法，以实现对缺陷的自动检测、定位和尺寸估计。结果证实了在加工过程中进行EC检测的可行性，有助于实现更早的缺陷发现，从而提升铁路行业的制造过程的安全性、效率和产品质量。 1. 引言近年来，检测领域的发展趋势转向完全自动化、无需人工干预的方法，以保持较高的检测概率（POD）。在铁路行业，这一转变代表了从传统的依赖操作员的检测方式向基于传感器、可重复的系统过渡，后者能够提供可量化和可追溯的结果[1]。Rickerscote（英国，1996年）[2]、Viareggio（意大利，2010年）[3]以及最近在Adamuz（西班牙，2026年1月18日）发生的重大事故凸显了维护和检测框架中的系统性漏洞。这些事件强调了铁路行业迫切需要采用强大的、可自动化的检测策略，以确保关键部件在整个服役期间的结构可靠性和无缺陷状态。一个明显的例子是努力替代传统的标准化检测程序，如磁粉检测（MT）。磁粉检测在工业中广泛用于轴和车轮表面的检测，因其简单性和高标准化水平而受到青睐[4]。然而，它对操作员的依赖性强、检测概率相对较低、自动化程度有限，以及环境限制，使其越来越不适应现代数字化制造环境。为了提高现有检测方法的性能，许多研究在铁路领域取得了显著进展，特别是在各种部件的检测技术发展方面。值得注意的例子包括用于车轮[5,6]和轴[7]评估的激光超声波技术、用于轴状态监测的低频振动分析[8]、用于铁路制动盘的红外热成像[9]，以及基于声发射的转向架检测[10]。在表面检测方面，EC方法[11]作为一种可靠、快速且工业上稳健的无损检测技术，越来越受到认可。该方法特别适合于检测几何形状复杂的部件和高产量生产，允许在最小操作员干预下进行自动化数字评估。附近的激励线圈中的交流电会产生动态电磁场，在导电材料中诱导出涡流。冶金缺陷（如裂纹或微观结构变化）会改变局部导电性和磁导率，从而产生可测量的信号幅度和相位变化，这些变化可以通过接收线圈或激励线圈的阻抗来检测，实现灵敏的实时缺陷表征[12]。非传统的EC系统也被越来越多地用于铁路部件的检测。例如，在[13]中，模拟驱动设计的涡流阵列（ECA）系统显著提高了铁路轴制造中的缺陷检测灵敏度和检测可靠性，为传统方法提供了一种稳健的替代方案。同样，在[14]中，实施了各向同性的ECA传感器用于轴检测，实现了与方向无关的缺陷检测，从而提高了检测的稳健性和一致性。先进的技术解决方案还使得能够在不拆卸车轮的情况下使用EC进行车轮检测[15]。总体而言，这些研究突显了铁路NDT领域的重大进展。然而，完全自动化的NDT系统仍然成本较高，限制了其在工业中的广泛应用。在这种情况下，将NDT功能直接集成到生产设备中具有双重优势：降低检测成本并实现快速的在线缺陷检测。因此，开发符合现代铁路运营要求的创新、经济可行的检测策略至关重要。本研究旨在介绍一种新的方法，以增强在制造和维护过程中铁路车轮的检测，尤其是在车轮已经投入使用的环境中。该方法将易于部署的EC系统（源自简化的手动检测硬件）直接集成到车床中，并与简化的机器学习算法结合，以实现自动缺陷检测。实验结果表明，该集成系统提供了高精度的缺陷检测和表征，可以无缝融入现有的车轮检测工作流程，并以相对较低的自动化成本实现可靠性能。因此，这种方法代表了提高铁路车轮质量控制的实际、可扩展且适用于工业的解决方案。 2. 实验设置本研究的实验设置旨在复制真实的检测条件，包括安装在车床上的铁路车轮以及相关的EC检测硬件和传感器（见图1a）。这种配置允许在代表性的操作条件下控制EC响应的评估。所研究的部件是根据AAR M-107/M-208 [16]标准分类的碳钢铁路车轮，其名义直径为969毫米，平均表面粗糙度为Ra = 0.6微米（见图1b）。在可控的加工条件下，有意在车轮踏面上引入了人工表面缺陷（凹槽）。所有人工缺陷的宽度均为0.3毫米，深度均为0.25毫米，同时考虑了三种不同的缺陷长度：1毫米、6.4毫米和8毫米（见表1）。凹槽相对于参考系统（RS）在横向和周向上都有定位，其中0°对应于踏面区域的起始位置。图1. (a) 整体检测系统的设置，以及 (b) 待检测的车轮、(c) 车床上的自动涡流（EC）检测装置和 (d) 检测探头头部的详细视图。表1. 部件详情和缺陷。实验在DANOBAT TV 1500车床（DANOBAT，Elgoibar，西班牙）上进行（见表2），该车床配备了集成在机床转塔中的定制设计检测头部和控制EC硬件。检测头部包括一个机械支撑装置，可手动调整传感器方向，从而覆盖车轮的不同分析区域，同时确保传感器始终垂直于表面（见图1c）。虽然该系统也可以检测车轮的其他弯曲区域，但本研究仅展示了与踏面相关的结果。该头部还包含一个适用于多种传感器类型的通用传感器支架。一个机械尖端保持与车轮表面的接触，确保传感器与试样之间的恒定间隙为0.1毫米（见图1d）。这个间隙由集成弹簧系统调节，以补偿表面不规则性或轻微的位置变化。最后，位置信号以125赫兹的频率直接从CNC机床记录下来，同时施加螺旋轨迹，车床卡盘的旋转速度为7转/分钟，轴向下降距离为1毫米。表2. 机床内检测系统。对于EC数据采集，使用了Omniscan MX硬件（Olympus，魁北克，QC，加拿大），采样率为1 KHz。这种通常用于手动检测的硬件能够全面表示测量参数。在本研究中，使用了阻抗平面表示法，记录了垂直（Vy）和水平（Vx）分量的电压值，这对于分类部件异常至关重要。使用了工作频率为500 kHz的差分EC传统探头，参数详见表1。选择500 kHz的激励频率是为了确保对浅层缺陷（0.25毫米）具有高敏感性，初步测试确认了最佳的信噪比和可检测性。2毫米的主动线圈直径，结合转塔每转1毫米的轴向下降距离，确保了检测轨迹之间的充分重叠。这个1毫米的步长也平衡了检测速度和空间分辨率，为评估的缺陷提供了足够的精度，同时保持了工业使用的检测时间合理性。通过IDEKO开发的IK-DAS系统从检测硬件中提取EC信号，该系统允许通过专用数据采集软件从多个传感器或选定的电压通道采集信号。这种设置实现了信号的离线可视化，便于后续分析。 3. 结果与讨论 3.1. 缺陷检测为了有效检测铁路车轮，必须能够清楚地区分缺陷相关信号和无缺陷区域的信号。图2显示了涡流（EC）信号分量Vx和Vy的时间演变。首先，注意到基线噪声水平非常低，表明在检测过程中几乎没有间隙变化。这一观察结果与所使用的检测头部类型一致，这种检测头部基于作者在之前关于集成到机床中的EC检测的研究中使用的相同概念，例如磨削[17,18]，从而确保了测量的一致性。车轮踏面上的缺陷会导致阻抗平面信号分量的明显且可测量的放大。其中，Vx分量的幅度始终高于Vy，因此被选为后续分析的参考变量。对于所有检测到的缺陷，Vx幅度均超过了2.5伏的阈值，这可以视为检测系统的参考水平和有效检测限制。实验在确保基线噪声水平极低的条件下进行。因此，对于评估的五种缺陷类型，信噪比（SNR）始终超过36分贝，证实了机床内检测配置的高灵敏度和稳健性。缺陷的方向也在观察到的信号幅度中起着决定性作用。周向缺陷（1、2和3）产生的Vx幅度通常低于横向缺陷（4和5）。这种行为可以归因于差分探头与不连续性之间的相互作用机制：线圈对是周向排列的，这种配置自然增强了横向缺陷的检测能力，当诱导的涡流扰动与探头的灵敏度轴对齐时。除了幅度差异外，缺陷的方向还决定了信号的时间形态。横向缺陷通常在检测路径上产生多个幅度峰值，反映了探头与不连续性之间的延长相互作用长度（见图2中的缺陷4）。相比之下，周向缺陷通常产生的峰值较少，因为传感器与缺陷之间的有效相互作用路径显著较短（见图2中的缺陷1）。尽管存在这些差异，两种类型的缺陷仍然可以清晰地区分于背景噪声。图2. 随时间变化的Vx和Vy。下一步是将EC信号数据与车床CNC系统提供的周向坐标（卡盘旋转位置）和横向坐标（垂直转塔位移）同步。由于EC硬件和CNC系统的采集频率不同（分别为1000 Hz和125 Hz），因此需要对位置数据进行线性插值（旋转和平移都处于恒定速度），以确保数据集的时间和空间正确对齐。通过这种同步过程，获得了C扫描表示，见图3。在此图中，y轴对应于部件的轴向（高度）位置，而x轴代表周向角度。为了增强缺陷的可视化，使用2.5伏的阈值对信号进行了二值化；超过此阈值的信号幅度以红色显示。鉴于缺陷尺寸相对于总检测面积较小，C扫描的局部放大能够清晰识别缺陷位置。图3. 车轮踏面的EC C扫描，放大缺陷区域以增强清晰度并便于详细检测。 3.2. 缺陷表征为了定位和测量缺陷，应用了基于DBSCAN（基于密度的空间聚类应用）的无监督机器学习算法对涡流（EC）信号数据进行了聚类[19]。DBSCAN将数据密度高的区域识别为簇，这些区域由数据密度低的区域分隔，无需预先指定簇的数量。设数据集由n维特征向量组成。在这项研究中，每个点代表一个信号测量值，其特征包括其振幅、周向位置和横向位置。该算法依赖于两个主要参数：邻域半径（对于周向轴为0.75°，对于横向轴为1毫米），这定义了两个点被认为是邻居的最大距离；以及邻域点的最小数量（在本例中为5），这决定了形成密集区域所需的最低邻域点数，如图4所示。图4展示了自动缺陷检测和表征的算法框架。虽然本研究使用了均匀的人造缺口进行控制评估，但该算法能够通过识别高信号密度区域来检测不规则的缺陷几何形状，如实际的疲劳裂纹。未来的工作将把验证扩展到在更复杂、现实世界条件下获得的现场缺陷。

点的ε-邻域由以下公式给出：
(1) 其中：N是一个半径为r的邻域点集合，d是点p和其邻居点之间的距离度量，R是最大邻域半径。

如果点p满足以下条件，则被分类为核心点：
(2) 其中|N|表示邻域点的数量，Nmin是定义足够密集区域所需的最低邻居点数。位于核心点的ε-邻域内但不满足密度条件的点被分类为边界点；而无法从任何核心点达到密度条件的点则被标记为噪声。

在本研究中，DBSCAN算法被用来对对应于同一物理不连续性的涡流（EC）信号指示进行聚类。引入了两个额外的领域特定约束：只有当点的信号幅度超过检测阈值时，该点才被认为适合聚类：
(3) 其中Am是测量值的信号幅度，2.5 V对应于实验定义的缺陷检测限。

只有当两个点同时满足以下空间条件时，它们才被认为是邻居：
(4) 或者，这个基于密度的公式也可以表示为归一化距离标准：
(5) 这种基于密度的公式确保聚类的信号对应于空间上连贯的缺陷指示，而那些不满足密度条件的孤立高幅度测量值会自动被分类为噪声。

应用基于DBSCAN的聚类算法后，每个缺陷在C扫描图中的结果分组显示在图5中。所提出的聚类框架能够一致且明确地识别出所有五个缺陷，无论它们的大小、形态或方向如何，如图5中缺陷2和4之间的差异所示。图5是通过应用该模型生成的簇。红点代表与EC信号相关的每个簇元素。基于密度的方法能够稳健地估计簇的中心点（几何重心），并精确确定每个不连续性在轴向和周向的最大和最小空间范围。这种定量表征提供了仅从聚类信号分布中得出的缺陷几何的直接参数描述，无需手动后处理或启发式解释。算法预测的缺陷尺寸和位置参数在表3和图6中进行了总结，并与名义目标缺陷尺寸和参考特性进行了定量比较。表3显示了模型预测参数与参考缺陷测量值之间的比较。图6中的奇偶性图分别表示长度位置（a）、高度位置（b）和旋转位置（c）。

该检测系统在横向和周向方向上的定位精度超过了99%，使得提取的参数可以直接映射到当前检测标准所定义的适用验收标准，从而能够对评估的部件进行客观、可重复且符合标准的验收或拒绝决策。图6表明，预测的缺陷长度的偏差低于8%，这可以归因于两个主要误差来源。首先，加工缺陷具有大约10%的固有几何公差，这与模型的精度相当。其次，扫描系统的垂直位移受到1毫米的机床步长的限制，与测量不确定性相当。减小机械系统中的垂直步长增量将最小化这一误差来源，从而将预测精度控制在可接受的范围内，并提高自动缺陷评估过程的可靠性。

获得的结果稳健地验证了所提出的方法，该方法将相对简单的检测系统直接集成到了车削机中。这种方法使得商业上可用的系统能够无缝集成到生产线中，或者与操作人员在制造或维护检查期间通常使用的手动硬件结合使用。此外，通过使用易于部署的DBSCAN-ML算法，这种方法建立了一个可靠且高效的检测系统，几乎不需要任何额外调整，完全兼容于无损检测（NDT）中的人工智能（AI）集成[20]。所提出的方法在实际应用中具有显著的优势，特别是在需要复杂模型（如卷积神经网络[21]或自编码器模型[22]）的特定NDT应用中，这些模型通常需要大量训练和计算资源，因此在其它环境中（特别是在集成能力有限的工业环境中）的部署可能会很具挑战性。相比之下，所提出的方法能够在不牺牲性能的情况下实现高效和可靠的实施。

与传统的手动检测技术（如磁粉检测）相比，这种方法具有明显的优势：它消除了劳动密集型程序，减少了操作员引起的变异风险，并允许在不移除部件的情况下进行连续的现场监控。此外，与基于涡流检测的专用自动化系统[15]相比，该方法提供了额外的好处：它能够在部件留在机器上的情况下实现超快的缺陷检测和精确定位，以显著较低的成本实现高自动化性能。此外，它还允许在不同机器和生产线之间快速部署，从而增强了工业应用中的灵活性和可扩展性。

4. 结论

将涡流检测（EC）集成到CNC车削机中用于铁路轮子的检查已被证明是可行且具有工业应用价值的。这种方法实现了实时的、在机器内的缺陷检测，减少了专用检测站的需求并最小化了操作员的干预。使用带有 artificially created defects 的轮子进行的实验验证显示，信号噪声比（超过36 dB）很高，并且能够可靠地识别不同类型和方向的缺陷特征。利用定制的DBSCAN算法进行的自动缺陷表征能够准确定位不连续性（99%的位置精度），并估计出在工业容差范围内的缺陷尺寸，提供了快速、客观且可重复的检测结果，同时减少了操作员的变异。

该系统利用了商业上可用的硬件和轻量级算法，使得其在现有的生产和维护线中的部署变得简单。其设计易于适应不同的检测要求，而针对材料的特定校准确保了在不同类型的铁路钢材上的一致灵敏度。未来的工作将致力于使用更低频率或多频率激励策略以及优化的探头配置来扩展该方法，同时在实际工业条件下验证该系统在更广泛缺陷类型下的性能。总体而言，这项研究为数字化的、在机器内的铁路轮子检测提供了一种实用、可扩展且成本效益高的解决方案，为更安全、更高效和更高质量的轮子维护和制造过程铺平了道路。