(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111124782.6 (22)申请日 2021.09.25 (71)申请人 钢铁研究总院 地址 100089 北京市海淀区学院南路76号 申请人 钢研纳克检测技 术股份有限公司 (72)发明人 夏鹏　张建卫　范弘　朱国庆　 刘涛　刘光磊　沈海红　王永锋　 童凯　王宏亮　王晓文　齐英豪　 魏志辉　王宏良　 (74)专利代理 机构 北京维正专利代理有限公司 11508 代理人 张岭　张鸿基 (51)Int.Cl. G01N 27/72(2006.01) G01R 33/02(2006.01)G01R 33/12(2006.01) G06F 30/27(2020.01) (54)发明名称 基于多电磁参量融合的火车车轮残余应力 检测方法 (57)摘要 本申请公开了一种基于多电磁参量融合的 火车车轮残余应力检测方法， 包括以下过程： 制 作标定试样的车轮； 测量被测试样的电磁信号， 利用电磁检测传感器同步获取被测试样的切向 磁场强度、 巴克豪森噪声信号和增量磁导率信 号； 提取被测试样的电磁参量特征值； 采用常规 残余应力方法测量标定试样， 利用人工BP神经网 络方法， 针对残余应力获得预测模型； 将被测试 样的电磁参量特征值代入到预测模 型中， 检验残 余应力的预测精度。 本申请的火车车轮残余应力 检测方法对标定试样进行电磁参量特征值测量 和常规残余应力测量， 采用人工BP神经网络方 法， 针对残余应力获得预测模型， 将验证试样的 三种电磁参量特征值代入到预测模 型中， 来提高 检验残余应力的预测精度。 权利要求书2页 说明书4页 附图1页 CN 113916973 A 2022.01.11 CN 113916973 A 1.一种基于多电磁参量融合的火车车轮残余应力检测方法， 其特征在于： 包括以下过 程： 制作标定试样的车轮； 测量被测试样的 电磁信号， 利用电磁检测传感器同步获取被测试样的切向磁场强度、 巴克豪森噪声信号和 增量磁导 率信号； 提取被测试样的电磁参 量特征值； 采用常规残余应力方法测量标定试样， 利用人工BP神经网络方法， 针对残余应力获得 预测模型； 将被测试样的电磁参 量特征值代入到预测模型中， 检验残余应力的预测精度。 2.根据权利要求1所述的基于多电磁参量融合的火车车轮残余应力检测方法， 其特征 在于： 测量被测试样电磁信号的电磁检测传感器， 主要由U 型电磁铁磁芯、 低频励磁线圈、 高 频激励线圈、 感应接收线圈和霍尔元件组成； 低频激磁线圈采用Φ1.5mm漆包线绕制， 高频 激励线圈利用Φ0.7m m漆包线绕制。 3.根据权利要求2所述的基于多电磁参量融合的火车车轮残余应力检测方法， 其特征 在于： 电磁 检测传感器测量测试样电磁信号的过程 为： 低频激磁线圈通入低频交流的励磁信号， 线圈的内部产生交变的磁场， 产生的磁场沿U 型电磁铁传递与被测试样间形成交变的磁回路， 从而引起被测试样内部磁畴翻转、 移动， 诱 发磁畴壁 位错产生磁巴克 豪森噪声信号； 高频激励线 圈通入高频激励信号， 低频激磁线 圈中继续通入低频激励信号对被测试样 表面进行混频磁化时， 可以使铁磁金属材料中出现局部磁滞回线现象， 为测 量增量磁导率 的变化创造条件； 感应接收线 圈用于接收巴克豪森噪声信号和增量磁导率变化信号， 霍尔元件用于测量 材料表面低频切向磁场强度信号变化。 4.根据权利要求2所述的基于多电磁参量融合的火车车轮残余应力检测方法， 其特征 在于： U型电磁铁磁芯采用矽钢片制作， U型电磁铁磁的磁极末端加工成锥形。 5.根据权利要求1所述的基于多电磁参量融合的火车车轮残余应力检测方法， 其特征 在于： 利用电磁检测仪器处理得到被测试样切向磁场 强度、 巴克豪森噪声信号和增 量磁导 率信号的特 征值； 电磁检测仪器由嵌入式系统和上位计算机组成， 嵌入式系统用于产生低频正弦交流电 和高频正弦交流电供给电磁检测传感器， 将电磁检测传感器获得 的测量信号进行放大、 滤 波等处理后进行A/D转换， 再利用嵌入式软件进行电磁参量特征值提取并输入给上位计算 机； 上位机用于将嵌入式系统处理得到的电磁参量特征值， 通过预测模型计算给出被测试 样的力学参 量值。 6.根据权利要求1所述的基于多电磁参量融合的火车车轮残余应力检测方法， 其特征 在于： 采用BP神经网络建立标定试样残余应力的预测模型， 建立预测模型包括以下 过程： 创建BP神经网络： 确定神经网络的输入层节点数m， 隐含层节点数n， 输出层节点数l； 其 中电磁特 征值为输入层节点， 输出层为残余应力； 初始化BP神经网络： 将层与层之间连接的神经 元权值和阈值进行初始化；权　利　要　求　书 1/2 页 2 CN 113916973 A 2设置训练BP神经网络参数； 训练BP神经网络， 进行网络学习。 7.神经网络的学习过程， 其实就是输入层和隐含层之间的权值矩阵以及隐含层和输出 层之间的阈值矩阵的设定和误差修 正过程； 将训练好的神经网络进行仿真， 并保存已经训练好的神经 元传递函数， 权值和阈值。权　利　要　求　书 2/2 页 3 CN 113916973 A 3