1.1　超声检测数据指标

超声检测数据由钢轨探伤车超声检测系统产生，探轮内放置有超声发射接收压电晶片，探轮内晶片设置分别为检测轨头伤损的直70°晶片和偏斜70°晶片、检测轨腰伤损的45°晶片、检测水平裂纹的0°晶片。

钢轨浅表层伤损会造成超声检测过程中超声探头耦合不良，当探伤车经过钢轨浅表层伤损区域时会出现连续轨底失波现象，如图1所示。因此，采用“超声数据B显数据底波消失的长度”指标表征钢轨浅表层伤损的长度信息。

图1全屏查看

超声检测原理及疑似伤损出波图

因为超声探头在钢轨表面会形成表面波，且同时伴生有轨面下超声波，在遇到钢轨浅表层伤损时均会超声回波信号^[11]，如图1所示。因此，采用“超声数据B显数据轨头出波通道数”指标表征钢轨浅表层伤损的宽度信息。

由于检测钢轨浅表层伤损存在盲区，造成钢轨表面以下有一定发展的浅表层伤损更容易产生70°晶片回波信号^[12]，所以对于较浅的钢轨浅表层伤损70°晶片回波信号较少或者没有回波信号，说明超声检测虽然不能完全反映钢轨浅表层伤损的严重程度，但其B显数据的出波特征可以反映出钢轨浅表层伤损的严重程度。基于此特点，采用“超声波缺陷信号轨头出波特征”指标表征钢轨浅表层伤损的严重程度，并根据超声检测B显数据的出波特征对钢轨浅表层伤损的严重程度进行分级，如表1所示。

1.2　漏磁检测数据指标

漏磁检测数据由钢轨探伤车漏磁检测系统产生，漏磁检测系统控制车载漏磁滑靴式探头采集钢轨漏磁数据。采集漏磁信号的霍尔传感器布置于滑靴式漏磁探头内，分别采集轨距角和钢轨踏面的磁化场变化信号，其中轨距角有x和z方向各6路传感器，钢轨踏面有x、y、z方向各12路传感器。

钢轨浅表层伤损使得磁化后钢轨产生强漏磁信号，缺陷信号峰谷值间距可作为浅表层伤损信号的长度特征值^[13-15]，如图2所示。因此，采用“电磁数据缺陷信号峰谷值间距”指标表征钢轨浅表层伤损的长度信息。

图2全屏查看

漏磁检测原理及疑似伤损信号图

漏磁传感器覆盖了钢轨踏面的横向所有区域，钢轨浅表层伤损将引起漏磁传感器多通道波形发生变化^[16-17]。如图2所示，钢轨表面的擦伤与硌伤均造成多通道漏磁信号发生变化。因此，可将缺陷信号通道数作为浅表层伤损信号的宽度特征值，采用“电磁数据对应信号通道数”指标表征钢轨浅表层伤损的宽度信息。

不同深度的钢轨浅表层伤损对应的漏磁信号的峰峰值存在差异，较深的钢轨浅表层伤损对应的漏磁信号的峰峰值较大，可将缺陷信号峰峰值作为浅表层伤损信号的损伤程度特征值，即采用“电磁缺陷信号峰峰值”指标表征钢轨浅表层伤损的严重程度。

1.3　图像检测数据指标

图像检测数据由轨面高清检测系统产生，轨面高清检测系统可以完成钢轨表面的高清成像，分析识别后可以找到钢轨浅表层伤损位置，测量后可以得到钢轨浅表层伤损的尺寸，如图3所示。因此，通过“轨面高清数据缺陷图像长度”和“轨面高清数据缺陷图像宽度”2个指标表征钢轨浅表层伤损的长度和宽度。

图3全屏查看

图像系统采集钢轨浅表层伤损示意图

由超声、漏磁、图像检测数据确定的钢轨浅表层伤损评价指标如表2所示，为有效描述钢轨浅表层伤损评价指标，分别对各指标附代表符号。

2.1　熵权法训练流程

1) 数据预处理

在数据训练前需进行数据预处理，评价模型需要同时输入超声、漏磁、图像3种类型的检测数据，某一区段的钢轨浅表层伤损的检测数据可能存在数据缺失、数据异常大值、无效杂波信号等异常数据。因此，通过数据预处理将含有异常检测数据的训练样本剔除，预处理后进行归一化处理。

2) 归一化处理

由于各检测数据单位不统一，需归一化，即把疑似伤损区段的特征值绝对值转化为相对值，从而解决各项不同质的指标值的同质化问题^[19-20]。基于伤损特征值的数值越高，反映伤损可信度越强，因此归一化采用正向指标处理方式，为原始数据，为归一化后数据，如式(1)所示：

(1)

式中：，，表示评价指标的第个样本。

3) 计算比重

计算第样本值的第项特征值占所有样本数据中该特征值的比重，如式(2)所示：

(2)

4) 计算信息熵

计算所有项样本的第项特征值的信息熵值，如式(3)所示：

(3)

式中：，，满足。

5) 冗余度

计算第项特征值信息熵值的冗余度，如式(4)所示：

(4)

6) 计算各项指标的权重

计算第项特征值的权重值，如式(5)所示：

(5)

式中：。

7) 计算各样本的综合得分

计算总计个测试样本评价得分，如式(6)所示：

(6)

式中：；；为归一化后的标准数据；为特征值；为测试数据样本数。

通过训练得到含有超声、漏磁、图像检测数据的钢轨浅表层伤损各评价指标的权重，如表3所示。

最终得到钢轨浅表层伤损评价模型如式(7)所示：

(7)

如表3所示，基于熵权法计算结果得到钢轨浅表层伤损的3个单项指标的权重分别是：伤损长度为0.463、伤损宽度为0.328、伤损程度为0.209。对于单项评价权重对评价指标的贡献，伤损长度对钢轨浅表层伤损评价影响最大，与钢轨浅表层伤损在铁路线路上通常以长距离出现的现场检测结果相符合。如我国铁路线路修理规则中规定，轨顶面剥落掉块长度是该类型浅表层伤损轻、重伤判别主要依据。

此外，虽然钢轨浅表层伤损会影响超声检测结果，但如果超声检测数据出现大量轨底信号失波，或者轨头区域出现多通道密集回波信号，说明此时钢轨表面伤损已经向钢轨内部发展，因此超声检测数据的权重值应较高，此分析结果与模型权重系数计算相同，进而说明模型权重设置的合理性。

2.2　熵权法分级评价标准

将训练检测数据代入式(7)评价模型中计算出评价结果，模型计算得到的伤损评价得分为0～100。根据以上判定方法，结合训练样本数据的现场复核结果，通过平滑处理后得到钢轨浅表层伤损评价等级标准，如表4所示，其中评价得分用表示。

3.1　超声、漏磁、图像检测数据验证

“高铁线路A”某段范围内超声、电磁、图像检测数据如表5所示，共计疑似伤损24条。

经归一化处理后的数据消除了原始数据中量纲因素的干扰，将归一化后的数据代入式(7)中，按照表4对数据进行等级评价，其评价得分、伤损等级、现场复核结果对比如表6所示。

由计算结果可以看出，针对超声、电磁、轨面高清检测数据，采样熵权法对钢轨浅表层伤损评价时，24处疑似伤损中有3处判别出现错误，综合评价该组数据的等级判断的复核准确率为87.5%，其中未达判伤标准的复核准确率为94.1%，达到轻伤及以上的复核准确率为85.7%。

3.2　融合分析与单项评判对比

传统针对钢轨浅表层伤损分级评价的方式是依据漏磁检测数据中“电磁缺陷信号峰峰值”作为判断钢轨浅表层伤损的主要指标，同时辅助“电磁缺陷信号峰谷值间距”实现钢轨浅表层伤损分级评价，传统漏磁检测数据评判钢轨浅表层伤损方法如表7所示。

根据传统的评价方式对表5中钢轨浅表层24处疑似伤损进行等级评价，其评价得分、伤损等级、现场复核结果对比如表8所示。

依据传统的漏磁判断方式对钢轨浅表层伤损等级评判，其伤损复核准确率通常为60%左右。以表5中“高铁线路A”中漏磁检测数据为例，24处疑似伤损中有9处判别出现错误，采用传统漏磁检测数据评判的复核准确率为62.5%。采用基于熵权法的评价模型评判钢轨浅表层伤损，因其能更好地剔除人为因素影响，所以具有更高的复核准确率，其复核准确率一般大于80%。以表5中“高铁线路A”检测数据为例，基于熵权法的超声、漏磁、图像检测数据融合分级评判方式的复核准确率为87.5%。