超声引导基于waves监测轨头:实验室和现场测试

文摘

最近的火车事故重申需要开发一个轨道缺陷检测系统比目前使用的更有效。铁路检验中最有前途的技术之一是利用超声导波和非接触探测。铁路检验原型基于这些概念和致力于轨头的自动损伤检测的缺陷是本文的重点。原型包括一个算法基于小波变换和异常值分析。利用离散小波变换降噪超声波信号,生成一组相关的损伤敏感数据。这些数据组合成一个损伤指数向量喂一种无监督学习算法基于孤立点分析,决定了铁路的异常条件。论文的第一部分在铁轨上显示了运行中的原型模型建立在加州大学圣迭戈。模型包含表面和内部缺陷。三个实验的结果。特征选择的重要性,以最大化的敏感性检测系统演示。 The second part of the paper shows the results of field testing conducted in south east Pennsylvania under the auspices of the U.S. Federal Railroad Administration.

1。介绍

安全统计数据来自美国联邦铁路管理局(1,2)表明,火车事故引起的跟踪失败包括铁路、联合酒吧和锚定导致2700脱轨441年的直接成本,在1992 - 2002年的十年。这些事故的主要原因是“横向缺陷的类型,负责541出轨被发现91年的同期成本。横向缺陷裂纹发展方向垂直于铁路运行方向,并包括横向裂缝,轨头内,发起和细节骨折,开始在表面滚动接触疲劳缺陷。

最常见的铁路的检验方法是磁感应和接触超声检测(3- - - - - -5]。第一个方法是受环境影响磁噪声,它需要一个小发射距离传感器,以产生足够的灵敏度(6,7]。超声检测是常规执行从顶部的轨头回波脉冲配置。在此系统中,超声波传感器位于水内轮和导向在0°轨头的表面检测水平裂缝和70°检测横向裂缝。这种方法受到有限的检测速度和缺点与需求相关的铁路和检查轮之间的联系。更重要的是,水平表面损伤如炮击和头部检查可以防止超声束到达内部缺陷导致假阴性读数。表面炮击的问题突出等事故的优越,WI哈特菲尔德(美国)在1991年和2000年(英国)。

最近,一个基于红外热成像检测方法被提出。这种方法是具有挑战性由于光学掩星引起的各种配件和设备用于保存铁路,和污染物产生的衰减通常出现在钢轨表面(8]。

超声导波(UGWs)正在考虑近年来铁路对轮式超声检查作为一个改进方法(9- - - - - -18]。一般来说,UGWs是理想的监控应用程序可以受益于内置的转导,适度大检查范围和高灵敏度小的缺陷。在铁路的应用程序,因为这些电波传播,而不是穿过铁路,他们非常适合检测关键横向缺陷。他们也可能不敏感表面炮击,因为他们可以运行下面这种类型的不连续。有时当UGWs的波长在同一数量级的铁路曲率半径,被称为表面导波(11]。海浪产生的频率范围通常根据所使用的超声源的类型而异。频率范围是重要的实现穿透深度足以探测整个横梁截面,允许筛选几米的铁路从一个检验点,并减少非关键特性的敏感性。

在过去的十年里,技术不需要接触询问(调查)和审讯(铁路)系统,研究了生成和检测UGWs。非接触轨测试已经证明通过使用脉冲激光和air-coupled传感器(16,19),机电声学换能器(EMATs) [12,18,20.),和激光振动计(11]。然而,任何非接触测试的缺点相比传统接触测试是降低信噪比。使用信号处理基于离散小波变换(DWT)有助于克服这个问题,最近证明(3,16,21- - - - - -24]。

本文提出一种混合激光/ air-coupled传感器系统旨在检测缺陷的轨头UGWs的手段。激光用于生成UGWs轨头。对air-coupled传感器是用来感觉海浪传播沿轨头。系统耦合到一个强大的信号处理算法用于自动损伤检测。由DWT算法、特征提取和异常值分析。DWT应用于过程的原始信号。相关的统计数据从记录中提取信号和DWT-processing后用来构造一个义务虽或多维损伤指数向量。向量然后美联储是一个无监督算法基于孤立点分析。

本文的新颖是多种的。首先,离群值分析是应用于rails与缺陷检测的相关问题。第二,特征选择的系统调查,作为一个重要的工具来最大化的灵敏度探测系统。然后,试图区分轨头表面和内部缺陷是由提出一个过滤分离的过程。硬件/软件/算法原型部署到手推车上移动实验室铁路模型是本文的另一个新奇。最后,从实地测试结果检验算法的一部分已经实现。

2。实验室测试

2.1。检查原型

铁路检测系统包括一个混合激光/ air-coupled传感器系统。一个Nd: YAG、q开关类型脉冲激光用于交付通过传统光学40 mm长的线梁轨头。线源是有效地生成定向和宽带UGWs传播垂直于线。

三双air-coupled传感器被用来获得超声信号沿着铁路旅行。三双被部署提供覆盖的中心线,规方面,和现场的铁路。与超声波传感器宽带换能器的带宽在空气中40 khz - 2.25 MHz。传统上用传统的楔形换能器,对齐air-coupled探测器的角度调整最大化导波的敏感性,斯涅尔定律。

传感器是位于距离大于50.8毫米(从轨头的顶部)。图1表明,激光传感器之间放置在双。纵向距离二维中央两传感器之间的等于343毫米,而规侧对的元素之间的距离和元素之间的领域对等于254毫米。这些距离代表了好的高信噪比、高检测速度之间的妥协。混合动力系统耦合,手边有一台便携式PXI单位下运行虚拟仪器设计执行激光控制和数据采集。车被用于主机混合动力系统和PXI单位。

超声波信号是在5 MHz采样率,并使用Matlab的小波工具箱先后进行了分析。

2.2。实验装置和协议

rail-mock上升了约6米长的铁轨。这样的照片呈现在图2(一个)。测试部分包括四个铁路部分表面和内部缺陷。Rails 1和4是AREMA 110部分,而Rails 2和3 AREMA 136部分。铁路关节的位置和缺陷是枚举,如图2 (b)。

网站布局展示在表的细节1。被确定为起点位置# 1和铁路之间的联合,不是画在图2 (b)和铁路1。第一个铁路部分包含四个表面缺陷:三个横向缺陷位置# 2,# 5,# 6和纵向切口在40毫米长。第二和第三部分包含每一个内部缺陷。这些缺陷在位置# 8 # 10。

手映射进行商业接触超声波仪器内部缺陷更靠近计的头。映射估计他们扩展头截面积的8%和23%,分别。最后,第四部分包含一个斜面向缺陷在45度平面位置# 12 # 13和表面横向缺陷位置。表面缺陷都是通过使用电子锯加工。

进行了三次测试。车是手动推模型和超声波采集每一寸约。每个枚举逐步收购。举个例子,在测试78收购了表和列52显示部分铁路是在每一对收购由中央传感器探测。

典型的波形记录在收购见图3。数据3(一个)和3 (b)现在的波形记录前后中央传感器,分别,当激光照射轨头从起点在1150毫米。理想情况下,波形的形状和幅度应该是相同的;然而,传感器内部的细微变化的敏感性和对齐,和传感器之间的相对距离和光束,产生波形的振幅小差异。数据3 (c)和3 (d)激光侵犯时记录显示了超声波信号的轨头1965毫米。根据表1,此次收购应该检测表面缺陷加工位置# 6。事实上,前端传感器检测到的信号的振幅小于后传感器的信号幅度,证明激光照亮区域之间的缺口和后面的调查。这也证实了后来的脉搏图3 (c),这是表面缺陷的反射的结果。最后,数据3 (e)和3 (f)显示了超声波信号的影响存在第二个关节放置激光和传感器。没有超声波跟踪是可见的图3 (f)。后传感器的信号检测,呈现在图3 (e),显示了应力波从激光,并从联合回声。

3所示。信号处理

3.1。离散小波变换

超声信号处理通过DWT,分解原始时域信号通过计算其相关短期称为母小波的波是灵活的在时间和频率。DWT处理包含两个主要部分:分解和重建。分解阶段将函数转换为小波系数分层步骤后,或水平的不同的频段。原始信号的去噪可以实现如果只有少数小波系数,代表信号的一个或多个水平保留,其余系数,与噪音,被丢弃。在重建过程中,系数通过重建过滤器是密切相关的,但不等于的分解(24- - - - - -27]。

3.2。离群值分析

局外人是一个基准,与一组数据出现不一致,基线描述正常状态下结构的调查。一组由维(多元)数据n观察p变量。在这项研究中,所表达的检测的异常值的平方距离,这是一个非负标量定义为 在哪里是潜在的离群值向量,是均值向量的基线,基线的协方差矩阵和吗T象征着转置操作。两个向量和是维而是一个方阵的秩序p。

可以计算均值和标准差有或没有潜在的离群值取决于是否包含或者不包含措施优先。在目前的研究中,由于潜在的离群值总是已知的先验,完全没有污染的统计计算基准。为了确定一个新的多维数据是个例外,相应的价值相比一个阈值。作为样本的数据集包括通过添加人工噪声产生超声波信号,曾经的值基线分布确定的阈值被作为上层值3σ限制,等于99.73%的高斯信心。

随时基线样品超过阈值,他们分类为离群值。在当前框架的上下文中,这些值代表假损伤的迹象,也就是说,假阳性。相反,随时与缺陷相关的数据低于阈值,它是归类为假阴性。

3.3。结构健康监测算法

整个算法采用实验室测试见图的流程图4。从每个超声波测量其他19通过添加高斯白噪声信号得到。因此,总数为20样品采集。像之前所做的工作(24,27,28噪音是由使用MATLABrandn函数。均方根(RMS)的统计特性,波峰因素(CF)和峰(ppk)计算从这些信号。DWT应用于每一个信号。两个小波系数向量是由分离的第二个和第三个分解水平第四和第五分解水平。第二和第三层次包括大约300 khz - 1.2 MHz范围。这样一个范围是以下表示高频带宽。第四和第五的水平而不是包括大约75 kHz - 300千赫范围内。这个范围是以下表示低频带宽。由于波长小,高频声信号将更敏感比内部缺陷的表面缺陷。每个两个系数向量被保留模最大的小波系数阈值。

利用DWT重建进程得到去噪信号。上面介绍的相同的统计特性是应用小波系数向量和去噪信号。

为了增加的特性,去噪信号的傅里叶变换是评估,和地区(Area_FFT)和RMS (RMS_FTT)频谱的计算。

3.4。伤害指数向量

每个选择的特征来计算损伤指数。随着激光传感器之间的中间,损伤指数的计算方法是比值一定特性的信号传感器,检测到的从后面,在同一功能传感器,。逆的计算 只有之间的最大价值和被认为是。因此每次激光之间的一个缺陷是,其中一个传感器,损伤指数预计将增加从1增加缺陷的理想值的大小。两个或两个以上的功能是作为一个多维损伤指数向量的元素,代表输入的多变量分析。表2总结了母亲小波,保留系数,认为在目前的研究和特性。

4所示。实验结果

4.1。特性和频率带宽的敏感性

的重要性,选择适当的统计特性和频率带宽了。图5比较相关的损伤指标向量的分解得到的小波系数的原始信号db10母小波。6每个带宽系数在这两个层次的保留。因此,以下介绍的符号表2使用为c_I,过滤器组合。收购的绘制函数索引位置。RMS的统计特性,ppk, CF,。对于这个研究也最大模量系数的值被认为是。测试1的结果。中包含的高频宽带信号获取与中央传感器和计传感器数据中所示5(一个)和5 (c),分别。分析的结果提出的低频组件而不是数字5 (b)和5 (d),分别。提高可读性的情节垂直轴是按比例缩小。正如所料,传感器对部署在铁路计的一面不太适合识别异常的存在位于中央部分的铁路,但它是有效的展开计斜的存在缺陷。这是证明了损伤指数的大幅增加收购# 71。

在图5 (d)峰值在收购# 39是可见的在考虑CF的统计特性。这种峰值与第一内部缺陷的存在。这个结果证实了诊断由传统的超声波探针接触,即接近规方面的内部缺陷。

4.2。多变量分析

结合特性的目的是增加敏感性损害的存在。然而,所有11特性列在表的使用2可能不是必要的,所有功能的选择可能会降低检测性能。为了研究这个方面,进行了参数分析。的所有功能被认为是包括所有的二维组合损伤指数向量维的单一组合11维向量。图6显示了Mahalanobis平方距离最好和最差的组合作为样本数量的函数。值的相关分析高频超声信号的带宽由中央传感器获得。这个图的横线代表99.73%置信阈值。算法的性能从93%到57%不等。用于排序的标准节中讨论的成功率是一样的4.3一些假阴性位于对应纵向和计斜缺陷。结合c_I_(1 - 3、6、9)获得最佳的性能。这样一个组合使用db10母亲小波,六大系数级别2和3和5个特性。Mahalanobis平方距离的值与缺陷的存在高出几个数量级的阈值。表现不佳的“最差组合”b_II_(9、11)注意到许多假阴性位于样品与横向缺陷有关。

相同的常规应用于过程波形计传感器检测到的一对。数据7(一)和7 (b)显示Mahalanobis平方距离的函数示例数据的高频和低频带宽,分别。低频分量,排名标准评估相结合,提供最佳的算法性能是由异常值与内部缺陷的比例最高和最低数量的假阳性。

最佳的性能得到过滤coif4母小波的信号,保留10 6最大的系数在4和5的水平,分别和使用十个特性。这意味着d_III_组合(2 - 11)。

第一个内部缺陷,由样本范围781 - 840,发现通过使用带宽。第二个内部缺陷,由样本范围1101 - 1160,发现只使用低频率带宽。

手映射显示第二个内部缺陷是位于超过10毫米低于轨头表面,而第一个内部缺陷轨面下面撒了谎。因此,后者的缺陷也可检测利用导波传播的高频带宽。这一结果表明,该算法收益率内部缺陷的深度位置。

表3总结了表现最好和最差的两个传感器对频率带宽。

4.3。可重复性测试

为了验证安装的可重复性,两个测试是在分开的日子里进行的。每个测试之间的会话,购物车托管原型被撤铁路。传感器的最小变化方向和光学系统的一致性,如果发生任何意外。离群值分析进行这两个测试使用相同的测试1的基线数据。相同级别的噪声添加到原始波形记录在测试2和测试3。数据8(一个)和8 (b)显示Mahalanobis平方距离的函数示例测试2和测试3,分别。结果相关的高频分量的波形与中央对收购。在图8(一个),结果从功能的选择,最大化的横向和纵向缺陷检测测试2和测试1叠加。同样,图8 (b)显示了最大化的结果选择横向和纵向缺陷的检测在测试3和测试1。的值对应的阈值叠加。很明显,结果非常相似。随着并购数量的变化,不同样品的总数。这将导致两个情节图之间的轻微变化8(一个)。

4.4。讨论

整体是观察到的缺陷比例正确认定为异常值随损伤指数向量维度的增加,而假阳性的数量相对稳定。这一结果是显示在图9成功率是策划作为损伤指标向量的维数的函数,也就是说,功能使用的数量。图中的每个值的平均利率的组合使用相同数量的特性。相应的平均叠加的假阳性。可以看出,只有五个特征的选择提供了一个获得的成功率几乎相同的考虑所有11特性。图中给出的分析9与横向缺陷的检测通过高频超声带宽。由中央传感器的时间波形记录。

内部缺陷的检测,发现成功率最高的是通过大量的功能。然而,假阳性的数量也高。这可能是相关的倾角传感器对轨面。在准备设置,传感器位置对钢轨截面进行优化1。然而,当两个AREMA部分同时测试,灵敏度/ rails 2和3不是最优的。因此,更多的假阳性可能已经出现。

必须强调,在图讨论的检出率9不是概念上的概率相同的检测(POD)。例如,让我们假设一个给定的缺陷探测至少五次在每个测试,和三个五个收购的正确认定为离群值。异常值分析的成功率是60%。然而,由于缺陷被发现至少一次检测的概率是100%。

5。现场试验

本节介绍了实地测试活动的结果在过去的两年里附近的葛底斯堡,宾夕法尼亚州。该网站由一段铁路站,160英尺(49米)长,包含已知的缺陷。几个关节出现在测试区。3、1.8米(6英尺)长,136 -磅A.R.E.M.A.部分与已知的内部缺陷的头插入、担保和联合酒吧,在测试部分。从超声波手里映射,三个内部缺陷的位置和大小,以3.5%的面积(公顷),35%哈,哈,分别和12%。手映射还表示,所有的内部缺陷主要是横向,与两个位于计,另一个位于头部中心。此外,两个表面削减加工垂直地到铁路运行方向,分别为哈,大小的5%和2%。两个斜表面削减(45度倾斜的运行方向)的顶部,还添加了头,两公顷大约3.5%。测试网站的照片显示在图10 ()。参测试网站的更多细节。(29日,30.]。

在图所示的原型10 (b)被用于测试。

现场试验原型实现的信号处理算法是适应提供实时显示统计健壮的方式的缺陷,并提供两个级别的分类。第一级标识“不连续性”跟踪(包括缺陷和关节);第二分类水平标志每个不连续“联合”,“表面缺陷”,“内部缺陷,”或“非机密的缺陷。“二级分类是实现最小化的机会丢失的缺陷(即。,minimizing false negatives) and, at the same time, to provide the defect classification (“surface defect” versus “internal defect”) whenever possible. Defects are flagged in real-time along with their position. The classification analyzes damage indexes. It must be pointed out that in the context of the field testing, the damage index is the Mahalanobis squared distance calculated by combining five statistical features associated with the time domain of the raw signals detected from air-coupled transducers pairs [31日,32]。

图11显示了一个典型的损伤指数作为检测距离的函数。最大的山峰铁路关节系统解释为“非常大的不连续性”,和小峰是真实的缺陷。discontinuity-free铁路的一部分显示几乎等于零损伤指数。

图12显示了图形用户界面相对于缺陷分类的结果。注意,情节放大位置70英尺和120英尺之间。软件显示了两个情节,即“不连续”情节包括关节和缺陷,和“分类”情节的颜色代码根据不连续类“联合”,“内部缺陷,”“表面缺陷,”和“非机密的缺陷。”

在四天的测试进行了各种运行。24这些运行被用来收集损伤指数数据估算的豆荚存在缺陷。其他运行进行收集原始数据进行进一步分析。评估系统的鲁棒性,测试在不同条件下进行包括平静和有风的,干和湿铁路、5英里和10英里/小时,并使用两个不同的激光激发的能力。

原型的性能,评估豆荚,总结了表4。结果分别所示的5英里每小时10英里每小时测试速度。“累积”,通过考虑所有测试无论测试速度,也会显示。豆荚的数量之间的比率计算运行在一个给定的缺陷检测,在可用的总数。发现一个缺陷被认为是当至少一个统计损伤指数与传感器相关的被激活。索引被称为“激活”上面的对应值是一个固定的阈值水平。表4显示了优良的性能在检测存在的缺陷。特别值得注意的是高舱获得三个内部缺陷。的可靠性检测表面和斜削减也高。目前尚不清楚为什么35%的豆荚H.A.内部缺陷是小于其他两个内部缺陷的5英里每小时。可能35% H.A.缺陷有曲率,使超声检测更具挑战性。这一事实并没有观察到这种效应在10英里每小时可能是由于的有利位置air-coupled传感器相对于快速跑的缺陷。因此,一些缺陷的,似乎有一种依赖的可靠性检测传感器的位置。这并不奇怪,因为这个缺陷”超声波影子”足迹沿铁路将与位置变化。

6。结论

本文描述了铁路检验原型基于非接触探测和超声导波加上一个健壮的信号处理算法。算法由离散小波变换、特征提取和异常值分析,旨在提供自动损伤检测和分类。系统使用激光产生的导波检测surface-breaking裂纹和内部缺陷位于轨头。超声波信号检测用三双air-coupled传感器。时间波形处理离散小波变换降噪信号并生成一组相关的损伤敏感特征用来构造一个大学或多维损伤指数。美联储损伤指数的无监督学习算法基于孤立点分析旨在检测轨头的异常条件。的人口数据异常值分析是由添加数字超声测量随机噪声。总共有20样品/收购从而获得基线构成的条件和每个损坏的条件。

特征选择的重要性与损伤检测性能检查。这是在多变量分析表明,结合多个特性大大提高系统的性能方面的缺陷敏感性大小的检测和歧视。通过结合只有五个特性,提高缺陷检测中的应用。通过分离的低频高频信号带宽,歧视之间的内部和表面缺陷。此外,通过部署传感器整个轨头宽度,头部截面内的缺陷的位置可以确定。

这里给出的结果显示部署的有效性对传感器在整个轨道宽度和执行强大的信号处理的效率提高缺陷的敏感性检验原型。例如,斜缺陷位于显然是通过分析确定计数据但几乎看不见通过分析中央传感器的数据。拟议的设置,不仅增加了轨头的完全覆盖,但也提供了一个工具来进行缺陷位置和分类轨头部分。

论文的最后一部分提出了钢轨缺陷的状态下检测在加利福尼亚大学圣迭戈分校(UCSD)的原型正在开发联邦铁路局赞助。原型是现场测试10英里每小时的速度。测试跟踪包括三个不同大小的内部缺陷(3.5%、35%和12% H.A.),两个大小的横向表面头削减H.A.(2%和5%),和一个大斜表面被H.A. (3.5%)。测试的结果表明高概率的所有缺陷的检测,从75%到100%不等的成功率超过24运行进行了不同环境条件包括风雨。不幸的是,它是不可能的比较提出了技术与现有铁路检验技术。希望在不久的将来可以做这种比较。

确认

这项工作,最初由美国国家科学基金会支持通过批准号cms - 84249,是目前由美国联邦铁路管理局批准号下dtfr53 - 02 - g - 00011。ENSCO的支持,公司在现场测试承认和感谢。作者感谢Mahmood法塔赫,联邦铁路局的技术代表,技术指导,和加里•卡尔ENSCO前高级机械工程师,现在联邦铁路局的跟踪研究部门,提供在样机装配技术和后勤支持。m . Cammarata执行这项研究在匹兹堡大学的访问留学奖学金(Decreto没有3684 - 2006)大学的巴勒莫,意大利。进一步支持匹兹堡大学的Cammarata先生通过启动资金提供给第一作者也承认。

引用

1. 联邦铁路管理局,“安全统计数据:1992 - 2002,美国运输部2002。视图:谷歌学术搜索
2. http://safetydata.fra.dot.gov/OfficeofSafety/。
3. h·a·Toliyat k . Abbaszadeh m . m . Rahimian l·e·奥尔森,“铁路缺陷诊断使用小波包分解,”IEEE行业应用,39卷,不。5,1454 - 1461年,2003页。视图:出版商的网站|谷歌学术搜索
4. r·克拉克“钢轨探伤:概述和需要为未来的发展,“无损检测和E国际,37卷,不。2、111 - 118年,2004页。视图:出版商的网站|谷歌学术搜索
5. f·兰扎迪Scalea“铁路工业超声检测,”非破坏性测试手册9 - 16页,美国无损检测学会,哥伦布,俄亥俄州,美国第3版,2007年版。视图:谷歌学术搜索
6. l . Oukhellou p·阿克尼和j。佩兰,”专用传感器和轨头缺陷的分类器”,控制工程实践,7卷,不。1,57 - 61,1999页。视图:谷歌学术搜索
7. a·r·波尔周宏儒。孟泰格,小时。托马斯,h . Wustenberg“铁路车轮和计角落检查无损检测技术,”无损检测和E国际,37卷,不。2、89 - 94年,2004页。视图:出版商的网站|谷歌学术搜索
8. r·j·格林,j·r·耶茨和e·a·帕特森“裂纹检测铁路使用红外方法,”光学工程,46卷,不。5、文章ID 051013, 2007。视图:出版商的网站|谷歌学术搜索
9. p•威尔科克斯·m·埃文斯b Pavlakovic et al .,“铁路的导波测试,”洞察力,45卷,不。6,413 - 420年,2003页。视图:出版商的网站|谷歌学术搜索
10. p•考利·m·j·s·劳d . n . Alleyne b . Pavlakovic p·威尔科克斯,“实际远程导波测试:应用程序管道和铁路,“材料评价,卷61,不。1,第74 - 66页,2003。视图:谷歌学术搜索
11. d .黑森州和p·考利,“在rails中,表面波模式”美国声学学会杂志》上,卷120,不。2、733 - 740年,2006页。视图:出版商的网站|谷歌学术搜索
12. j·l·罗斯·m·j . Avioli p .玛吉和r·桑德森,“在铁路导波检测潜在的缺陷,”无损检测和E国际,37卷,不。2、153 - 161年,2004页。视图:出版商的网站|谷歌学术搜索
13. j·l·罗斯·m·j . Avioli W.-J。歌曲“导波的应用和潜在的铁路检查。”洞察力,44卷,不。6,353 - 358年,2002页。视图:谷歌学术搜索
14. j·d·麦克纳马拉、f•兰扎迪Scalea和m .法塔赫”自动缺陷分类在远程超声波钢轨检测使用一个基于支持向量机的“智能系统”,“洞察力,46卷,不。6,331 - 337年,2004页。视图:出版商的网站|谷歌学术搜索
15. 莎娃,f•兰扎迪Scalea m·法塔赫和大肠Viola,“建模导波传播与远程应用程序在铁轨缺陷检测,”无损检测和E国际,38卷,不。5,325 - 334年,2005页。视图:出版商的网站|谷歌学术搜索
16. f·兰扎迪Scalea莎娃,p . Rizzo和m .法塔赫,“高速缺陷检测在rails中通过非接触式超声引导测试,”交通研究委员会杂志》上卷,1961年,第77 - 66页,2006年。视图:谷歌学术搜索
17. g·欧特,“铁路钢轨探伤系统基于电磁声换能器、“技术。众议员点/ FRA / ORD-88/09,美国交通部,1988年。视图:谷歌学术搜索
18. r·s·爱德华兹,s·迪克森,x,”描述缺陷的轨头使用超声表面波,“无损检测和E国际,39卷,不。6,468 - 475年,2006页。视图:出版商的网站|谷歌学术搜索
19. s . Kenderian d . Cerniglia比比Djordjevic, g·加西亚,j .太阳和m·斯奈尔,“铁路现场测试使用激光/空气混合超声技术,”材料评价,卷61,不。10日,1129 - 1133年,2003页。视图:谷歌学术搜索
20. t . Hayashi W.-J。歌,j·l·罗斯“导波色散曲线与任意截面酒吧,一个杆和铁路的例子,”超声学第41卷。。3、175 - 183年,2003页。视图:出版商的网站|谷歌学术搜索
21. j·麦克纳马拉和f·l·迪Scalea改善非接触超声波测试rails的离散小波变换,“材料评价,卷62,不。3、365 - 372年,2004页。视图:谷歌学术搜索
22. f . l . di Scalea·里佐s Coccia et al .,“非接触式超声检查rails自动缺陷检测和信号处理和分类,“洞察力卷,47号6,346 - 353年,2005页。视图:出版商的网站|谷歌学术搜索
23. w . Staszewski c·鲍勒,g·汤姆林森航空航天结构的健康监测约翰·威利& Sons,慕尼黑,德国,2006年。
24. p·里索和f•兰扎迪Scalea”小波无监督和监督学习算法对超声波波导结构监测、”智能材料与结构研究的进展,第八章,页227 - 290,Nova科学,Hauppauge,纽约,美国,2007年。视图:谷歌学术搜索
25. p·里索和f·l·迪Scalea”小波在链自动缺陷分类特征提取超声结构监测、”智能结构和系统,卷2,不。3、253 - 274年,2007页。视图:谷歌学术搜索
26. p·里索和f·l·迪Scalea超声检查多丝钢铁股借助小波变换”智能材料和结构,14卷,不。4、685 - 695年,2005页。视图:出版商的网站|谷歌学术搜索
27. p·里佐,莎娃,m . Cammarata和s . Coccia“数字信号处理铁路监控通过超声导波,“洞察力卷,49号6,327 - 332年,2007页。视图:出版商的网站|谷歌学术搜索
28. p·里佐,m . Cammarata d·杜塔h .孙和k·a·哈瑞斯,“无监督学习算法在波导疲劳裂纹检测,”智能材料和结构ID 025016条,卷。18日,11页,2009年。视图:出版商的网站|谷歌学术搜索
29. p·里佐,s . Coccia i莎娃,f•兰扎迪Scalea”在线高速铁路缺陷detection-prototype组装和测试领域,“科技,众议员SSRP-06/17加州大学圣地亚哥,加州,美国,2006年。视图:谷歌学术搜索
30. s . Coccia莎娃,f•兰扎迪Scalea p·里佐,“非接触式轨道缺陷检测:第一和第二场测试中,“科技,众议员SSRP-07/15加州大学圣地亚哥,加州,美国,2007年。视图:谷歌学术搜索
31. s . Coccia r·菲利普斯莎娃,s . Salamone f•兰扎迪Scalea,“非接触式铁路缺陷检测”技术。众议员SSRP-08/02,联邦铁路管理局,加州大学圣地亚哥,加州,美国,2008年。视图:谷歌学术搜索
32. s . Coccia莎娃,r·菲利普斯s Salamone f•兰扎迪Scalea,“非接触式轨道缺陷检测:第四场测试,”科技,众议员SSRP-09/04联邦铁路管理局,加州大学圣地亚哥,加州,美国,2009年。视图:谷歌学术搜索

版权

版权©2010 Piervincenzo Rizzo et al。这是一个开放的分布式下文章 知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。