综述 | 铁路轮对故障诊断研究综述（上）

库内常用声学方法主要指超声探伤法，其发展早、技术成熟，深受车辆维护人员青睐。基本原理是利用超声波在材料中的传播速度与衰减特性检测轮对缺陷。依据超声波产生方式，超声探伤法可进一步分为：（1）压电超声（Piezoelectric ultrasonic，PEU）检测法，(2) 电磁超声（Electromagnetic ultrasonic，EMU）检测法，(3) 激光超声（Laser ultrasonic，LU）检测法。图5展示了这些方法的发展历程。

   

图5 库内超声探伤法的代表性论文

2.1.1 PEU检测法

PEU检测法具有分辨率高、实时性好等优势，广泛应用于轮对故障诊断。该方法核心是利用压电换能器的压电效应将机械能转化为电能产生超声波。超声波在被测轮对中传播后被接收器接收生成电信号，通过分析电信号判断轮对缺陷。2010年，Brizuela等[27]基于多普勒效应，通过一个压电换能器发射的瑞利波频率与另一个接收的反射波频率差异，估计运动轮对的缺陷。开发的检测系统布设于车间入口处，用于常规检测低速（<10km/h）通过的车轮。但由于信噪比低，该方法仅能检测较大尺寸的局部缺陷（如长度大于20mm的扁疤），且无法精确测量缺陷尺寸。Brizuela等[28]于2011年报道了类似但更先进的方法（图6），将1MHz压电换能器置于钢轨一端发射超声脉冲，通过测量超声波至运动轮轨接触点的往返飞行时间（Round-trip time of flight，RTOF）变化，利用轮轨接触点至轮心在轨面投影的位移和量化缺陷尺寸，检测误差小于4%。该方法可量化车轮径向变化，理论上适用于检测车轮周向缺陷（包括跳动超限和多边形化）。

   

图6 文献[28]中检测车轮故障的原理与实验装置

基于单压电晶片的超声检测法获取信息有限，因此由多个独立压电晶片组成的相控阵超声（Phased array ultrasonic，PAU）检测法在轮对缺陷全面检测中更具优势。PAU检测法能同时检测车轴与车轮缺陷。车轴检测通常将设备安装在实心轴轴端或空心轴内孔。2006年，Cervigon等[29]介绍了这两类车轴的检测原理并开发了商用检测系统（图7），已用于西班牙RENFE车间。2012年，Peng等[30]开发了基于PAU的检测系统，用于在不拆卸轮对、不剥离涂层条件下检测中国大功率机车实心轴的横向缺陷（主要为裂纹）。类似方法见文献[31]。2016年，Gauna等[32]开发了空心轴超声检测系统，可在25分钟内从列车一侧检测几乎整个车轴。与典型低速列车车轴不同，高速列车车轴为变截面厚壁空心圆柱结构，使超声波在轴内传播复杂化。2015年，Li等[33]通过有限元法（FEM）系统研究了厚壁空心圆柱结构中导波传播特性，提出适用于高速列车车轴的基于导波的结构健康监测方法。

   

图7 文献[29]中基于PAU的车轴故障检测系统      

与车轴检测不同，车轮PAU检测面临高成本问题，因车间需配备专用检测轨道。2013年，Peng等[34]设计了特殊轨道（图8），由支撑轨和导向轨组成。车轮通过检测区时，车轮外侧型面被支撑轨抬起，轮缘与导向轨接触导向，名义滚动圆附近区域用于放置超声探头阵列。列车低速稳定通过设计的检测轨道时，可识别轮缘和踏面径向与周向裂纹、轮辋缺陷等，深度可达450 mm。该检测技术已用于中国CRH列车及机车。类似方法见Sun等[35]（2023年）。      

   

图8 文献[34]中给予PAU的车轮故障检测系统      

超声技术呈现的检测结果常含复杂噪声，能否反映车轮真实状态仍需专业人员判断，耗时耗力。近期，ML方法作为目标检测工具被引入超声检测技术，实现轮对故障智能识别，为自动化诊断创造条件。例如，2023年Peng等[36]通过PAU检测法采集车轮与车轴的超声B扫描缺陷数据，人工标注建立多类缺陷数据库，采用改进YOLO-v5算法[37]识别这些缺陷。

2.1.2 EMU检测法

EMU检测法具有非接触、适用于小缺陷和粗糙表面材料等优势，广泛用于轮对缺陷检测。缺陷检测过程中，常采用多个电磁声换能器（Electromagnetic acoustic transducers，EMATs）进行超声相控检测。EMATs将电磁超声发射器的电能转化为轮对内部粒子的动能，通过检测粒子变化发现缺陷。2000年，德国弗劳恩霍夫无损检测研究所的Kappes等[38]在报告中指出，开发了基于电磁超声换能器的车轮踏面检测系统，由专用检测轨和四个无需耦合剂作用的EMATs组成。当车辆通过嵌入轨头的EMATs时，系统可利用脉冲回波信号检测临界缺陷。类似超声检测系统AUROPA III由Salzburger等[39]于2009年报道，用于快速检测早期踏面类裂纹缺陷。该系统的原理如图9所示，采用了超声脉冲回波与脉冲透射技术。EMATs探头发射的超声波以表面波形式在踏面近表层传播，通过回波及透射波衰减可检测该区域的类裂纹缺陷。列车通过检测轨的速度可达15km/h，数分钟内可确定整列车所有轮对踏面的周向健康状况。2006年，成都主导科技有限责任公司引进该检测系统并投入工程应用。2022年，Zhang等[40]利用FEM建立Comsol Multiphysics 16通道电磁超声相控阵二维仿真模型，采用基于B扫描成像的检测方法处理电磁超声相控阵回波信号，实现列车车轮内部缺陷识别。

   

图9 文献[36]中的EMU检测原理及实验装置

2.1.3 LU检测法

LU检测法利用高能激光脉冲在轮对中产生超声波，通过分析超声波传播特性来检测车轮与车轴的缺陷。为检测车轮缺陷，2003年Kenderian等[41]在美国普韦布洛运输技术中心的测试轨道上，采用激光-空气混合超声技术检测车辆车轮缺陷。结果显示该技术能检测轮缘和踏面的热疲劳裂纹及踏面破碎裂纹。2016年，Cavuto等[42]通过FEM模拟车轮内部超声传播过程以明确激光源与超声探头的最佳布设位置，并基于此在实验室台架实验中利用激光超声诊断测量程序检测车轮缺陷。如图10所示，实验对象为含人为制造径向与轴向缺陷的车轮，通过轴承系统安装在支撑轮上，电机驱动的编码器测量车轴角位置，探头安装在可沿车轮轴向与径向移动的支架上。2019年，Montinaro等[43]采用Trenitalia SpA提供的列车车轮扇形段作为基准，人为制造六种车轮缺陷（倒角缺口、径向通孔、轴向盲孔、背面槽口及踏面缺口）。通过激光超声检测系统在实验室对这些缺陷进行了检测和分析。实验结果表明，该方法能够对所有类型的标准缺陷进行定位，但无法识别缺陷的形状。此外，检测系统中应用的激光干涉仪易受轮对表面状况的影响。为了解决这一问题，2021年，Cavuto等[44]考虑了超声波在固体和空气中的传播特性，开发了一个有限元模型来模拟高功率激光源在车轴材料内部产生的超声波的传播过程。基于有限元模拟，可以预先确定激光源的能量，从而将超声波的产生限制在热弹性-烧蚀极限内。此外，在实验室中，使用带有两个疲劳裂纹缺陷的车轴对表面波附近的时间历程进行了特写测试，以检查实验结果和数值结果之间的差异。与传统的纯基于实验的方法相比，本研究结合了实验和模拟结果，使测试过程具有更大的灵活性。

   

图10 LU检测装置与实验样本[42]

在车轴缺陷检测方面，2005年，Gonzates等[45]基于激光-空气混合超声技术对车轴表面裂纹进行了研究，并通过实验室实验和概念验证演示证实了该方法检测车轴体缺陷的可能性。传统的库内检测方法耗时较长，且检测车轴需要进行拆卸操作，导致自动化水平低，并可能造成划痕和促进疲劳裂纹的产生。为了克服这一问题，2014年，Mineo等[46]利用FEM研究了热弹性激光源产生的表面波在轴表面传播以及通过轮座和轴承座时的衰减情况，并使用耦合热力学模拟来可视化超声场，从而指导维护人员确定远程检测车轴表面损伤的最佳无损检测设置。2015年，Cavuto等[47]通过开发有限元模型并使用真实车轴进行实验，研究了LU技术在诊断变截面空心车轴方面的有效性。如图11所示，车轴安装在一个可旋转的支架上，以便沿圆周方向扫描车轴表面；探头安装在一个可沿轴向移动的框架上；激光源安装在脉冲激光腔的激光臂上，远离接收探头，以便能够指向车轮配合表面。在实验室中检测到了车轴外表面上的四个凸形缺陷，实验结果表明，该技术能够检测到车轴上人为制造的表面缺陷。2020年，Montinaro等[48]在意大利国家铁路公司提供的一个涂漆车轴上引入了人工缺陷，以模拟其上的疲劳裂纹，并在地板式车轮车床使用LU获取车轴缺陷区域的B扫描图像，通过分析这些图像可以获得裂纹长度的信息。

   

图11 文献[44]中的LU检测系统和LU扫描系统

2.1.4 总结

车间中使用的声学方法主要指超声检测法，具体包括PEU检测法、EMU检测法和LU检测法，这些方法总结于表1中。

表1 各种声学方法的对比

   

综上所述，PEU检测法具有良好的实时性。然而，该方法对表面质量要求较高，且需要耦合介质，这使其在复杂的现场环境中应用难度较大。当使用相控阵检测轮对的全尺寸缺陷时，通常需要特定的检测轨道，成本较高。相比之下，电磁超声检测法虽然检测深度有限，但可用于检测轮辋缺陷和内部缺陷。它对表面状态的敏感性较低，非常适合检测表面粗糙的材料。然而，该方法仍然受到超声波传播距离短和对材料电导率敏感的限制。同样，LU检测法在应用中具有很强的适应性。但是，LU检测法操作更为复杂，设备成本更高，这可能限制其广泛应用。维护部门应综合考虑这三种方法的优缺点，协同使用，以实现轮对缺陷的全面检测。此外，随着AI技术的发展，基于DL的自动故障分类方法已经出现[36]，但这类方法需要大量数据作为支撑。声学法未来的发展方向应侧重于检测技术的智能化和自动化，特别是超声检测与数据驱动的智能算法的深度融合，以提高检测的准确性、效率和实时性。

2.2 光学法

光学法主要基于光学仪器进行缺陷检测，能够直观地显示轮对中缺陷的位置。在车间中，光学方法主要包括（1）激光位移法（Laserdisplacement，LD）、（2）热成像法（Thermalimaging，TI）和（3）基于计算机视觉的方法（Computervision，CV）。本节所综述的与光学法相关的参考文献如图12所示。

   

图12 库内光学法的代表性文献

2.2.1 LD法

LD法主要通过轨旁激光传感器监测轨道的纵向位移，以获取轮对的故障信号。2020年，Gao等[49]开发了一种利用反射式光学位置传感器的轮扁检测系统。为了建立传感器信号与轮扁长度之间的定量关系，利用有限元法和多体动力学仿真（Multi-body dynamics simulations，MBSs）开发了车辆-轨道耦合动力学模型。该检测系统如图13所示，每个轨道上安装有两个传感器。当车轮通过时，轨道发生变形，安装在轨道上的传感器模块会产生垂直位移，同时传感器模块的角度会发生变化，这将导致激光光斑在检测器上的位置发生变化，通过测量准直激光光斑的位移，可以测量整个圆周的轮轨冲击力。该系统可用于车辆段入口处，通过速度高达5km/h。文献[50]中报道了一项类似的研究。2021年，Emoto等[51]提出了一种基于计算机视觉技术的激光传感器车轮踏面轮廓检测方法，但其研究对象仅是1:5比例的车轮模型。为了验证其方法的能力，在2022年的后续研究[52]中，他们开发了一种配备激光传感器和相机的自动化检测系统，并证实了该系统在静态环境下检测真实轮对的可行性。文献[53,54]中提供了类似且更进一步的研究。

   

2.2.2 TI法

TI法基于红外辐射的基本原理，以非接触方式检测轮对发出的红外能量，并将其转换为电信号，在显示器上生成热图像和温度值。当被检测的轮对存在缺陷时，缺陷处与邻近位置之间会产生温差。这些温差的存在使热像仪能够检测到温度变化，进而判断轮对缺陷的具体情况。2008年，Verkhoglyad等[55]提出了一种利用热成像技术检测火车车轮裂纹的方法，通过热像仪区分车轮是否存在故障。2019 年，Kim等[56]利用红外热成像技术对车轴材料进行了拉伸试验。如图14所示，在车轴断裂时，两个拉伸试样的表面温度没有显著差异。然而，在断裂瞬间温度会急剧达到峰值。结果表明，该技术能够分析火车车轴材料的拉伸损伤行为。需要注意的是，通过热成像法获得的热图中的故障信息需要由专业人员进行识别，因此该方法的智能化和自动化程度较低。

   

图14 文献[56]中热像仪获取的图像：（a）断裂前10秒和（b）断裂时刻

2.2.3 基于CV的方法

基于CV的检测方法的原理是利用图像处理技术对缺陷进行自动检测和分类，能够识别多种类型的轮对缺陷，并对其进行精确定位和量化。传统的图像技术首先得到应用，包括滤波、模板匹配、边缘检测等。例如，为了测量缺陷的尺寸，2014年，Zhang等通过电荷耦合器件相机收集了车轮表面缺陷的图像集。基于该数据集，开发了一种图像处理算法，其中，使用中值滤波和对比度增强操作处理包含缺陷的车轮表面图像，以更好地反映缺陷特征，使用Canny边缘检测[58]算法检测处理后图像中缺陷的边缘，生成二值化图像；并使用八邻域边界跟踪法获取缺陷的像素尺寸。文献[59]中报道了一项类似的研究。为了获取缺陷的位置信息，2017年，Lv等[60]设计了一种用于车轮踏面缺陷检测的轨旁系统，该系统包含约八个高速相机和一个照明方案，然后他们在车间中收集了车轮缺陷的图像集，并通过基于图像配准和模板与待检测踏面比较的算法成功检测到了缺陷的位置，但无法识别缺陷的类型。同样，2017年，Guo等[61]设计了一个类似的系统，该系统具有16个高速相机，并采用支持向量机（Support vector machine，SVM）算法诊断不同的踏面缺陷，这在不同轮对故障的分类方面向前迈进了一步。      

传统的图像检测过于依赖其内部参数的设置，检测效果受环境影响较大。近年来，DL技术在轮对故障诊断中的应用逐渐增多，这显著提高了智能化和自动化程度。2022年，Zhang等[62]在中车集团的轮轴车间构建了轮对踏面缺陷数据集，并针对该数据集提出了一种基于YOLO-v4[63]的多尺度特征融合检测方法。该方法可用于检测缺陷的大致形状，但无法用于计算其确切面积。在他们随后的工作[64]中，构建了一个可变形残差注意力网络，如图15所示。2022年，Xing等[65]从车间的60辆地铁车辆上收集了车轮缺陷图像数据集，并利用改进的 YOLOv3模型[66]实现了四种踏面缺陷（轮扁、划痕、小孔和孔洞）的检测和分类。为了提高故障检测系统的效率，2024年，Emoto等[67]提出了一种结合激光测量和机器视觉的方法来检测车轮踏面缺陷。在该方法中，使用改进的 YOLO v5算法在实验室条件下检测热裂纹和剥落。DL算法需要大量数据来提高检测精度，而可收集到的车轮自然缺陷数量有限。为了解决车轮缺陷样本不足的问题，2024年，Liu 等[68]应用生成对抗网络[69]生成语义一致的多样化样本，并使用局部推理约束网络实现踏面缺陷检测。需要注意的是，在高速条件下，振动引起的图像模糊和图像帧不稳定是基于计算机视觉的方法难以解决的问题，因此这类方法更适用于车辆低速行驶或静止时。此外，基于计算机视觉的方法可用作超声和激光方法的后处理技术 [36, 67]。

   

图15 文献[64]中轮对胎面缺陷检测框架

2.2.4 总结

车间中使用的光学法主要包括LD法、TI法和基于CV的方法，这些方法总结于表2中。      

综合来看，LD法和TI法易受外部环境的影响，未来这两种方法都应提高设备的软硬件水平、抗干扰能力和防污染性能。基于CV的方法包括传统图像处理和DL方法，其中传统图像处理方法需要在不同的外部环境下人工校准其内部参数，其自适应能力有待提高。DL方法通常借助复杂环境中的大量数据训练模型，因此对外部环境具有较高的适应能力。未来，基于CV的方法可用于实现多种故障的检测和分类任务，例如同时检测轮扁、车轮多边形化和车轴裂纹。这一技术进步不仅将提高检测效率，还将为智能化、自动化维护提供更可靠的技术支持。

表2各种光学法的对比

   

2.3 电磁法

电磁法基于电磁感应原理检测轮对中的缺陷。车间中使用的电磁检测方法主要包括（1）磁粉（Magnetic particle，MP）检测法、（2）感应电流聚焦电位降（Induced current focused potential drop，ICFPD）法、（3）基于霍尔传感器阵列（Hall sensor array，HSA）的方法和（4）基于涡流传感器（Eddy current sensor，ECS）的方法。关于电磁法的代表性文献如图16所示。

   

图16 库内电磁法的代表性文献

2.3.1 MP检测法

MP检测基于对材料表面施加磁场，并利用缺陷附近漏磁场中的MP积聚效应，使轮对中缺陷的位置和形状可视化。在MP检测机中，将荧光磁悬液均匀地喷洒在轮对上。在紫外光下，悬液发出黄绿色荧光。在有裂纹的位置，MP会聚集并变得更亮。2010 年，Starman等[70]开发了一种基于MP检测技术的车轮缺陷检测系统。在该系统中，将车轮置于磁场中，裂纹会产生杂散磁场。然后通过高速数字相机捕获图像，并使用图像处理方法成功检测到缺陷。如图17所示，该系统每小时可检测约15个车轮，并能识别长度超过1mm、宽度超过0.3mm的缺陷。

   

图17 文献[70]中的MP检测原理

2.3.2 ICFPD法

ICFPD法的原理是控制轮对周围的电磁场分布以测量感应电流，并通过观察电位降来检测轮对的缺陷。2004年，Kwon等[71]将感应电流聚焦电位降法应用于检测压装过程中车轴的裂纹。结果表明，该方法能够检测到距离拾取引脚5mm和10mm处的压装车轴裂纹。基于ICFPD法，2008年，Kwon 等[72]对轮对的表面缺陷和内部缺陷进行了测试，结果表明，该方法能够检测到压装轴上深度为1.5mm的表面裂纹和车轮上的内部裂纹。此外，2011年，Kwon等[73]证明了ICFPD法能够检测到车轮表面和亚表面深度为0.5mm 至2mm的裂纹。2023年，Kwon等[74]通过电磁仿真设计了一种新型的感应电流电位降，基于此开发了一种裂纹检测装置，该装置由拾取探头、夹具和自动化输送装置组成，如图18所示。结果表明，当压装车轴的裂纹深度大于1mm时，该方法能够检测到距离裂纹10mm处的裂纹。

   

图18 使用文献[74]中的电流电位差传感器检测车轴缺陷      

2.3.3 基于HSA的方法

基于HSA的方法的原理是利用霍尔效应感知磁场强度，并将其转换为电信号，通过对电信号的处理来检测轮对的缺陷。2011年，Jun等[75]开发了一种基于HSA和并行信号处理电路的高速列车新型无损检测系统。利用该系统，可以检测列车以33km/h的速度行驶时的人为制造的缺陷和自然发展的缺陷。2008年和2011年，Lee等[76, 77]在韩国高速列车的车轮上人为制造了多个裂纹，该列车由伺服电机驱动，速度为33km/h。通过线性集成HAS检测车轮裂纹，如图19所示。基于该传感器阵列，能够检测到直径超过2mm、深度超过1mm的人为制造的裂纹，宽度为1.87mm、深度为0.5mm、长度为 16.27 mm 的狭缝型人为制造的裂纹，以及3-5mm范围内的自然生长的裂纹，包括剥落、划痕等。2013年，Le等[78]提出了一种使用嵌入轨道中的差分型集成霍尔传感器矩阵的检测方法，利用该方法可以在车辆段高效、高空间分辨率地检测踏面的大面积裂纹，并可以估算裂纹的体积。文献[79]中报道了一项类似的研究。

   

图19 文献[76]中的HSA安装及实验装置

2.3.4 基于ECS的方法

基于ECS的方法[80]的原理是利用金属在变化的磁场中产生的涡流来测量材料表面的缺陷，该方法通常使用传感器阵列来检测车轴缺陷。2016年，Sun 等[81]设计了一种用于空心车轴内表面无损检测的柔性阵列涡流传感器，并通过有限元模型确定了其最佳激励频率，如图20所示。该传感器的主要创新之处在于用于差分配置的新型激励和感应迹线布置。基于仿真结果，开发了一套用于检测车轴缺陷的实验系统，结果表明，该系统能够检测到深度大于0.5mm的纵向和横向缺陷，但对横向缺陷更敏感。2021年，Lanzagorta等[82] 提出了两种基于超声和涡流阵列技术的方法来检测制造阶段车轴中的缺陷。通过CIVA软件开发了一个仿真模型来验证其可靠性，结果证明基于ECS的方法能够检测到最小尺寸为1.6mm的车轴裂纹。      

在车轮缺陷检测方面，Gao等[83]在2019 年设计了一种用于轮扁动态定量检测的平行四边形机构。该机构由测量尺、连杆、弹簧、液压阻尼器、限位块和涡流传感器组成，如图21所示。该测量系统安装在车辆段入口处的轨道旁。当列车通过测量系统时，涡流传感器可以测量测量尺的垂直位移变化，实现轮扁的检测。

   

图20 文献[81]中的柔性阵列ECS及空心车轴表面损伤检测过程

   

库内电磁法主要包括MP检测法、ICFPD法、基于HSA的方法和基于ECS的方法，这些方法总结于表3中。      

综上所述，磁粉检测法适用于小批量检测，成本低。感应电流聚焦电位降法检测效率高，无需拆卸轮对。霍尔传感器阵列法能够准确计算缺陷体积，适用于局部轮对缺陷的检测。涡流传感器检测法在快速检测和高灵敏度方面具有优势。总结这些方法的优缺点，电磁检测方法应着重提高检测精度，提升自动化水平，以及提高对深层和复杂裂纹的检测能力。

表3 各种电磁法的对比