基于交流电磁场的高铁钢轨表面裂纹无损检测研究及展望

A Review of the Characterization of Rolling Contact Fatigue Cracks in Railway Rails Based on Alternating Current Field Measurement

摘要

针对高铁钢轨表面产生滚动接触疲劳（RCF）裂纹导致对钢轨带来危害的问题，本文分析了钢轨表面滚动接触疲劳裂纹的形成机理及扩展规律，系统归纳了高铁裂纹的无损检测与表征方法。聚焦于交流电磁场检测（ACFM）技术，重点研究了ACFM技术发展及研究现状、理论研究成果以及存在的问题，综述了ACFM技术的特点及应用，通过与其他无损检测方法进行分析比较，阐述了ACFM测量法对钢轨表面裂纹的精准量化表征的优势。结果表明：ACFM探针传感器沿45°方向扫描，通过结合ACFM信号补偿量算法可将非均匀裂纹口袋深度误差降到5.5%，垂直深度误差降到7.1%，裂纹簇误差减小到7.1%；经过人工神经网络训练对钢轨RCF裂纹尺寸进行精准表征，最终计算的误差在10%以内。进一步讨论了融合人工智能技术的钢轨表面裂纹无损检测技术的发展趋势，为后续ACFM技术对钢轨表面RCF裂纹的检测和表征研究提出相关建议和展望。

Abstract

Aiming at the problem of rolling contact fatigue (RCF) cracks on the surface of high-speed rails, the formation mechanism and propagation rule of rolling contact fatigue crack on rail surface are analyzed, and the non-destructive testing and characterization methods of high-speed rail crack are systematically summarized. Focusing on the Alternating Current Field Measurement (ACFM) technique, this paper focuses on the development, research status, results from theoretical research and existing problems of ACFM technology, summarizes the characteristics and applications of ACFM technology, and expounds the advantages of ACFM measurement method for the accurate quantitative characterization of rail surface cracks through analyses and comparisons with other non-destructive testing methods. The results show that the pocket depth error of non-uniform crack can be reduced to 5.5%, the vertical depth error 7.1%, and the crack cluster error 7.1% by integrating the ACFM signal compensation algorithm. The crack size of rail RCF is accurately characterized by artificial neural network training, and the error of the final calculation is less than 10%. The development trend of non-destructive detection of rail surface cracks based on artificial intelligence technology is further discussed, and relevant suggestions and prospects are put forward for the subsequent research on the detection and characterization of RCF cracks on rail surface by ACFM technology.

Graphical abstract

铁路运输是现代交通运输的主要方式之一，也是推动国民经济发展的重要载体。高铁经济的快速发展对铁路建设、列车设计、钢轨性能的要求日益严苛。钢轨工作环境恶劣，易受复杂自然因素影响，同时由于列车载重及车速的不断提升，高铁钢轨在使用过程中不可避免地受到负荷和磨损，导致钢轨表面产生滚动接触疲劳（Rolling contact fatigue，RCF）裂纹。RCF裂纹的存在不仅会降低钢轨使用寿命，严重时导致钢轨断裂，危害列车运行安全。为了防止事故的发生，对铁路钢轨的缺陷进行无损检测，并实时监测其服役状况，定期养护，消除钢轨缺陷以保障列车行驶安全显得尤为重要^［1］。

现有的对钢轨RCF裂纹检测的各类无损检测技术包括视觉检测、超声检测、射线检测和电磁检测等。视觉检测是最直接和常规的方法，通过人工或自动化的图像识别系统对钢轨表面的缺陷进行识别。随着高清摄像技术和图像处理技术的发展，这种方法的有效性有所提高，但对于细小裂纹的检测能力仍然有限。射线检测是通过X射线或伽马射线穿透钢轨，检查其内部结构的完整性。这种方法可以检测到较深层的缺陷，但因为射线具有一定的危险性，通常需要在特定的条件下进行，因此操作起来较为复杂并且成本也较高。超声检测是使用最广泛的钢轨无损检测技术，超声波技术的分辨率取决于检测中使用的频率，它可以对毫米级到厘米级的缺陷敏感。然而，垂直角度较大的表面断裂裂纹的超声信号会被垂直角度较浅的小表面裂纹覆盖，称为阴影效应^［2］。钢轨材料的微观结构对超声信号识别和分析也有一定的影响，对准确的裂纹定量提出了挑战。交流电磁场检测（Alternating current field measurement，ACFM）技术是一种基于交流电趋肤效应的电磁无损检测方法，能有效识别和表征表面和浅表面裂纹，利用ACFM技术对RCF裂纹进行尺寸表征是目前研究的重点^［3］。

本文首先分析了钢轨表面滚动接触疲劳裂纹的形成机理及扩展规律，总结归纳了钢轨RCF裂纹的无损检测技术研究方法，聚焦于ACFM技术，综述裂纹检测与表征方法。通过阐述ACFM技术发展及研究现状、理论研究成果以及存在的问题，综述了ACFM技术的特点及应用，通过与其他无损检测方法进行优缺点分析比较，分析了ACFM技术对钢轨表面裂纹的精准量化表征的优势。为后续ACFM技术对钢轨表面RCF裂纹的检测和表征研究提出相关建议和展望，并进一步讨论了融合人工智能技术的钢轨表面裂纹无损检测技术的发展。

1 RCF裂纹的形成机理及扩展规律

RCF裂纹是列车轮轨之间典型的表面缺陷之一，由钢轨与车轮之间周期性的横向与纵向牵引力造成。RCF裂纹扩展示意图与扩展过程图片^［4］分别如图1和图2所示。

RCF裂纹通常在钢轨表面以单条或裂纹簇的形式存在，一般与列车行驶方向呈30°~75°的水平角度，并与水平方向呈现10°~30°的垂直角度向钢轨内部扩展，裂纹间距为0.8~20 mm^［5-8］（图2（a）和（b））。当裂纹向钢轨内部扩展达到疲劳极限时（垂直深度约5 mm），裂纹会以较大的垂直角度向钢轨内部急速扩展，造成钢轨断裂（图2（c））；或者向钢轨表面扩展，造成钢轨表面剥离掉块（图2（d）），影响列车行驶速度及安全^［5，9］。

图3为轮轨RCF裂纹的萌生及扩展示意图^［10-11］。由于列车的加速和制动是依靠车轮与钢轨之间（点接触）的牵引力和制动力实现，在滚动接触过程中，轮轨接触面上产生接触应力、弯曲应力和切应力等复杂的多轴交变应力，材料表面产生塑性变形，即棘轮效应。当变形累积超过材料韧性极限，钢轨表面产生微裂纹，微裂纹以小于10°的角度进入材料后向内部扩展，形成剥离、掉块、断裂等伤损形式，如图3（b）所示^［12］。

RCF裂纹的产生主要包括裂纹萌生期与宏观裂纹扩展形成期^［13］。裂纹萌生的直接原因是钢轨所受应力大于材料极限强度^［14］，利用Archard磨耗理论模型能够预测裂纹萌生部位，由于裂纹的萌生与钢轨磨损消耗共存且相互影响，在磨耗理论中考虑能量密度法的规则，则能够预测裂纹扩展路径以及钢轨服役寿命^［15］。利用轮轨滚动磨损试验机开展轮轨材料表面疲劳损伤扩展试验，发现钢轨表面形成疲劳裂纹损伤后沿深度方向以较大角度扩展，在同一轮轨接触区域内产生大量表面裂纹，且与次表面裂纹互相连接贯通^［16］。有限元模拟分析也表明RCF裂纹扩展方向由轮轨接触斑的内缘向外缘移动，当裂纹扩展长度到达0.3~0.5 mm时，裂纹会向钢轨表面扩展，导致表面材料剥离，形成掉块^［17］。

目前对RCF裂纹的萌生和扩展开展了大量研究，但在影响裂纹扩展速率和方向的因素方面还有待发展定量分析。对RCF裂纹萌生时间和部位预测的方法以及扩展路径的研究，有助于及时发现钢轨材料薄弱部位，有针对性地加强监测和维护工作^［18-19］。

2 RCF裂纹的无损检测

对钢轨的缺陷进行无损检测及评估，实时监测其服役健康状况是消除钢轨缺陷以保障列车行驶安全的关键。RCF裂纹的检测和表征是钢轨无损检测的重要内容之一^［3］。RCF裂纹通常需要在其扩展至临界尺寸（垂直深度，如图1所示）之前检测发现，并通过钢轨打磨的方式消除^［10］。

人工巡检是最早运用的无损检测方式，通过磁粉检测或者染料渗透，主观的判断钢轨表面裂纹的位置，但该方法耗时多、效率低、检测精度无法保障。随着数字图像处理技术的发展，人工巡检由自动化的数字图像检测技术代替，在列车行驶时对钢轨表面裂纹、腐蚀以及缺失部件进行检测^［20-21］。

超声检测是使用最广泛的钢轨无损检测技术，传统的超声技术需要多个探头以不同角度对钢轨进行扫描，对表面以及次表面裂纹的检测效率较低^［22］。超声相控阵、激光超声、超声导播、电磁超声等超声技术的发展极大地增加了裂纹检出概率，提高裂纹的表征精度^［23-29］。电磁检测技术中的电涡流以及漏磁检测对表面及次表面裂纹有着良好的检测性能，常与超声技术结合，对钢轨的表面裂纹进行综合的分析及表征^［30-31］。研究^［30］发现漏磁检测易受到列车行驶速度的影响并且当列车速度大于32 km · h^—1时，噪音信号影响漏磁检测对裂纹尺寸的表征；而电涡流信号对探头提离距离的要求较高，需要在检测时尽量安装在靠近钢轨表面的位置，影响了电涡流技术在RCF裂纹尺寸表征中的应用。

常用的钢轨缺陷无损检测技术包括视觉检测^{［22，32］}、超声检测^［33］、声学检测^［34］及电磁检测^［35］等，常用的无损检测方法优缺点总结见表1。电磁结合超声或者热成像的复合无损检测技术^［36-37］能弥补单一检测方法的不足，全面检测轨头表面和内部裂纹，得到较好的裂纹检测和表征结果。

3 ACFM技术

ACFM是一种新型的基于趋肤效应的电磁技术，导电材料表面或浅表面的裂纹会对均匀分布的感应交流电场产生扰动，检测探头通过检测对应磁场信号来预估金属表面裂纹的位置和尺寸。ACFM检测原理最初由伦敦大学学院在1988年提出，主要建立了半椭圆裂纹均匀电场分布模型^［39］，目的是为了替代水下焊接疲劳裂纹检测用的交流电势落差法。

ACFM能够提供从轻度到中度裂纹（表面长度<20 mm）的表面长度、口袋深度垂直角度以及垂直深度等信息^［40-42］。ACFM技术与电涡流检测原理相似，但ACFM检测的是感应磁场信号而电涡流检测电阻抗。ACFM需要在缺陷区域激发均匀电场，其激励线圈需要平行于被检测表面，而传统电涡流检测激励线圈需要激励线圈产生交变磁场，在缺陷区域激发电涡流。ACFM信号对传感器提离距离变化的灵敏度相较电涡流而言较低，其信号能在最大5 mm的提离距离下对裂纹进行识别和表征^［43］。

ACFM信号表征RCF裂纹原理^［44］如图4所示。交流电磁场检测探头通常由平行于被检测表面的激励线圈或者磁轭以及2个正交的感应线圈组成。激励线圈在被检测表面激发均匀电场，裂纹会扰乱均匀电场分布，电流绕着裂纹两端以及裂纹面流动，2个正交的感应线圈从X轴和Z轴方向检测出磁场的扰动，进而得出ACFM检测RCF裂纹常用的Bx和Bz信号。图4中横坐标扫描距离代表检测探头从扫描起点到终点的距离，探头沿扫描恒定角度进行扫描，随着扫描的距离逐渐增大乃至将裂纹部分扫描完成，进而给出Bx和Bz表征信号。在试件表面没有缺陷时，感应交变电流呈现均匀分布，在表面存在缺陷时，一部分电流从裂纹底部绕过，在与裂纹平行的方向上，Bx磁场信号呈现波峰波谷交替现象。同时，电流在裂纹的顶端分别发生顺时针和逆时针的偏转进而形成Bz磁场信号的波峰和波谷。

提取并分析由磁场传感器测量出的畸变磁场的信息，Bx信号由绕着裂纹底部的电流产生，因此可以表征RCF裂纹的口袋深度；Bz信号由标记裂纹2个端点的电流产生，因此其波峰波谷之间的距离可以表征RCF裂纹的表面长度。研究还发现，Bz信号的波峰与波谷的比值与裂纹垂直角度呈对应关系^［42］，可以结合裂纹的口袋深度，计算得到裂纹的垂直深度。在钢轨打磨维护过程中，裂纹的垂直深度直接决定了钢轨打磨深度，准确的裂纹尺寸检测信息为打磨提供数据支撑，指导钢轨维护过程。

ACFM检测探头一般分为单通道探针传感器和阵列传感器。单通道探针传感器需沿着RCF裂纹表面长度方向扫描，得到口袋深度与表面长度信息，与表面长度呈45°角扫描，得到裂纹垂直角度信息^［42］。研究表明探针传感器可以检测任意取向的表面裂纹，但在检测时传感器扫描方向需与裂纹表面长度方向夹角小于30°，才能准确表征裂纹尺寸。ACFM阵列传感器则可以设置不同取向的激发线圈，覆盖多个角度裂纹，支持定制贴合被检测部件几何尺寸，在减少测量时间的同时增加了裂纹检测概率^［45］。

图5为ACFM探针传感器扫描RCF裂纹方法与路径示意图^{［44，46］}。对于均匀RCF裂纹簇的表征，ACFM探针传感器则平行于裂纹表面长度方向，电流垂直流向裂纹开口，保证信号最大值，传感器沿着与表面长度呈45°方向扫描，如图5（a）所示。利用该扫描方法表征实际钢轨中RCF裂纹簇，结合Bx信号补偿算法，裂纹垂直深度预测误差从21.4%减小到7.1%^［44］。最新研究^［46］表明，利用ACFM探针传感器进行网格化扫描可以表征实际非对称形态裂纹，传感器需沿着裂纹表面长度方向每隔1 mm进行扫描，扫描路径垂直于裂纹表面长度，如图5（b）所示。

4 基于ACFM技术的钢轨RCF裂纹检测与表征

电磁无损检测基于交流电趋肤效应可以对钢轨的表面和近表面裂纹实现准确定位及表征，与传统无损检测技术融合，可以提高对轮轨系统缺陷检测的广度和精确度，弥补单一无损检测技术在钢轨表面缺陷检测和表征方面的不足。用于钢轨检测的电磁无损检测技术主要包括涡流检测^［47］、脉冲涡流检测^［48］、巴克豪森噪音检测^［49-50］、漏磁检测^［51-53］以及电磁层析成像^［54-55］等。各电磁检测技术对轮轨缺陷检测特点及应用情况见表2。ACFM技术因其对表面裂纹有较高的检测和识别能力，且具有非接触检测特点，在钢轨表面缺陷，特别是滚动接触疲劳裂纹检测上得到大力的发展和应用。

4.1　基于ACFM技术的RCF裂纹试验

图6为ACFM检测探头主要构造。一般情况下，将ACFM笔形探头（图6（a））置于单条RCF裂纹上方，沿着裂纹表面长度方向扫描可获得准确的裂纹尺寸信息。在实际检测过程中，ACFM探头的扫描路径及方向不可避免地偏离理想情况，因此ACFM笔形探头扫描角度、提离距离、倾斜角度及相对裂纹起始位置等因素对裂纹尺寸表征的影响需要定量研究^［56］。研究表明，提离距离小于2 mm时，扫描频率为5 kHz的探头对裂纹的灵敏度及可检测性不受到影响；在0 mm的提离距离下，探头起始位置与裂纹相距10 mm时，仍然可以检测到一定尺寸（长40 mm，深4 mm）的裂纹；探头扫描方向与裂纹表面长度方向夹角在20°之内，ACFM的Bx信号不会大幅度降低，表征精度小于1.3%，但是当夹角增加到45°时，误差增加到20%。

ACFM阵列探头是在单个激励和感应线圈的探头结构基础上发展而来，一维的ACFM阵列探头（图6（b））通常用于检测大尺寸（长度方向）金属构件的缺陷，该阵列探头的每个检测单元由线性的感应线圈及正交的激励线圈组成，检测单元由时序开关系统控制，测量长度可达2 m^［57］。二维ACFM阵列探头可根据检测金属构件的几何形状而进行结构优化，提出了双U型磁轭正交结构的探头（图6（c））。相比于普通的矩形激励线圈，该探头增加了信号覆盖范围，增加了垂直于裂纹表面长度的检测方向，减少了激励磁场的信号衰减^［58］。该探头的提离距离为1 mm并且对长为47 mm，深为5 mm的半椭圆形人工裂纹的表征误差为5.5%。为了提高ACFM探头在实时快速裂纹扫描中的检测精度，将涡流检测技术和ACFM融合形成了一种复合检测系统^［59］，由于系统同时呈现电涡流和ACFM检测信号，对信号的翻译工作显得尤为重要，试验结果表明在保证裂纹尺寸（深度大于5 mm）表征精度的前提下，裂纹扫描速度可以提高到40 mm · s^—1。ACFM阵列探头用于裂纹扩展的实时监控研究也取得了一定的进展，该阵列探头由8个感应线圈组成，每个间隔10 mm，在四点弯曲试验条件下监测高强钢焊接部位裂纹的扩展行为，监测频率为2 Hz。结果表明ACFM探头能够监测到裂纹深度扩展至1 mm时的电磁信号，并随着裂纹的扩展，电磁信号实时增加，为ACFM技术实时监控裂纹扩展行为提供了可行基础^［60］。

英国伯明翰大学铁路研究中心开展了一系列基于ACFM技术的钢轨表面裂纹高速检测与识别研究^{［45，61-62］}，如图7所示。ACFM探头安装于旋转钢轨试样上方，对试样表面的人工裂纹进行检测识别，试验结果表明当速度达到121.5 km · s^—1时，ACFM技术可以准确检测到所有人工裂纹，且信号强度没有明显减弱。8条1.4 m长的钢轨试样同时安装在直径为3.6 m的旋转床（最大速度80 km · h^—1）上用于检验ACFM技术在贴近于实际应用情况下对RCF裂纹的检测灵敏度，如图7（a）所示。钢轨试样表面包括了不同尺寸、形状以及角度的垂直凹槽裂纹，倾斜凹槽裂纹簇以及半椭圆形人工裂纹，钢轨试样及裂纹尺寸如图7（b）所示。试验结果表明ACFM信号在小于7 mm的提离距离下不受旋转床转速的影响，当速度达到48 km · h^—1时，可以识别深度大于2 mm的裂纹，但信号无法识别较小间距（小于5 mm）排列的椭圆形裂纹^［45］。

ACFM检测及表征RCF裂纹的自动化系统近年来得到了深入的研究^［63-65］，该系统主要由机械手臂、自动化电车、激光测距传感器以及ACFM检测探头组成，检测系统如图8所示。检测系统速度可达20 km · h^—1，并且可对裂纹位置进行标记，对裂纹实施精细化的尺寸表征扫描（20 mm · s^—1）。系统对裂纹的表征关键在于激光测距传感器对钢轨形貌的扫描以及裂纹位置的标记，因为ACFM探头需要与钢轨轨头表面保持相对稳定的提离距离，并对裂纹进行匀速检测，以期减小裂纹尺寸表征的误差。

系统中的联合阈值及信号匹配功能可以优化ACFM信号处理，增加高速情况下对裂纹的检测概率，排除信号噪音以及探头提离距离变化带来的影响。利用机械手臂控制ACFM探头的优势在于系统能够测量并计算裂纹水平角度，自动保持探头平行于裂纹表面长度方向，保证信号最大值（电场方向垂直于裂纹表面长度方向）。静态测试（裂纹位置已知）和动态测量（裂纹位置未知）表明该系统的裂纹检测率超过90%，尺寸表征误差在20%之内^［66］。目前，系统精细化检测（探头对裂纹尺寸表征的扫描）时间需进一步加快，数据分析程序需要进一步优化，以达到实时在线列车钢轨检测要求。

4.2　ACFM表征RCF裂纹的有限元模拟

利用有限元模拟研究裂纹对ACFM信号的响应特征，能够为表征信号分析提供算法，是利用ACFM技术对钢轨RCF裂纹三维尺寸的精细表征的关键^{［40-41，67］}。三维有限元模型最初模拟了ACFM笔形探针对表面裂纹的检测和表征，模型设置均匀的输入电场模拟钢轨表面由探头激励线圈激发的电场；同时利用数据提取线模拟实际ACFM探头的感应线圈，提取ACFM的Bx和Bz信号，模型几何形状及有限元网格划分如图9所示^［42］。

对大量断裂铁轨中RCF裂纹的形状和尺寸进行调查^［5］，发现模型中采用平面半椭圆形（长短半轴比值为1.00~1.75）模拟RCF裂纹最为合理。模拟结果表明，ACFM信号能够区分单条“轻度”到“中度”范围（依据英国铁路局对RCF裂纹严重程度划分标准^［68］）的RCF裂纹，并且表征裂纹的表面长度及口袋深度，如图10所示^［40］。对于钢轨打磨维护工作来说，需要在裂纹扩展至“中度”范围之前将其打磨消掉，因此ACFM技术对铁路维护工作具有极大的指导性作用。

在检测单条裂纹的基础上，模型开展了针对多条均匀尺寸RCF裂纹簇的表征工作^［41］。图11为裂纹表面长度10 mm，口袋深度4 mm，垂直角度25°时的均匀尺寸裂纹簇的标准化Bx信号，图中距离表示检测探头从检测起点到检测完成裂纹信号终点的距离，标准化Bx信号代表将初步获取的Bx信号进行归一化处理成以百分比形式的Bx数据。由图11可知：ACFM的Bx信号随着裂纹条数（裂纹间距1 mm）的增多变深、变宽，但是当裂纹条数增加至14—16时，信号不再明显变化；从Bx信号的形态上无法区分紧密排列均匀尺寸裂纹（裂纹间距小于5 mm）的条数，展现出单一的波谷信号形态，比同等尺寸的单条裂纹波谷信号更深。

如果采用单条裂纹的表征算法且在裂纹簇裂纹条数未知的情况下，会导致裂纹表征大于实际尺寸深度。因此，对尺寸均匀裂纹簇的裂纹条数、裂纹间距以及裂纹长度进行表征，建立信号-裂纹尺寸信息库显得尤为重要。实际RCF裂纹簇一般由非均匀尺寸裂纹构成，且裂纹排列（裂纹间距、裂纹水平角度等）不完全一致，因此利用该有限元模型开展了非均匀裂纹簇的ACFM信号研究^［44］，提出了Bx信号补偿量算法并考虑了裂纹垂直角度对信号的影响，对实际钢轨RCF裂纹簇的深度进行预测，结果表明裂纹口袋深度误差由37.0%降到5.5%，垂直深度误差由21.4%降到7.1%。

图12为带有RCF裂纹簇的钢轨示意图。较为严重的RCF裂纹可发展至非对称形态（非椭圆形），例如裂纹向钢轨内部扩展部分超出裂纹表面长度范围，如图12中裂纹6和7所示^［46］。如果采用ACFM探头沿着裂纹表面长度进行检测，则不能检测到非对称裂纹口袋深度最大值（口袋深度最大值不在对应的裂纹表面长度下）。因此需要研究ACFM信号对复杂形态RCF裂纹的电磁响应机理，进一步加强对复杂形态裂纹的表征算法。最新研究表明^［46］，利用ACFM笔形探头在0 mm的提离距离下对复杂形态裂纹进行网格化扫描（图5（b）），能够重建裂纹的非对称形态，如图13所示。

5 电磁无损检测结合神经网络的应用

目前，对RCF裂纹尺寸精确化表征^［69-70］以及检测信号的快速译释^［71］成为研究重点，将人工智能技术引入电磁无损检测，极大增强了钢轨缺陷的定位、识别以及尺寸表征效率，为进一步实现钢轨缺陷的实时在线高速检测提供了强有力的保障。电磁无损检测人工智能及自动化技术的结合成为研究新领域^［72］，为裂纹快速精确表征提供有力保障。

裂纹尺寸的快速精细化表征是电磁无损检测技术对高速铁路钢轨缺陷进行实时在线监测的关键，其结果直接影响钢轨使用寿命及列车安全运行。由于RCF裂纹通常呈现尺寸和排列非均匀特征，人工的信号识别及尺寸表征方法无法满足检测速度和精度上的要求，能够智能快速批量处理电磁检测信号，准确表征RCF裂纹三维尺寸成为了研究热点。人工神经网络是一种利用网络的拓扑结构和权值分布或者权重大小来实现非线性信息的存储与处理的方法体系，具有高度并行性与非线性映射能力、良好的容错性、强度的自学习及自适应能力等。

Rowshandel等^［72］利用ACFM数值模拟结果建立ACFM信号与裂纹尺寸的相互关系，搭建人工神经网络框架，如图14（a）所示，图中数字代表每层使用的神经元个数，w和b分别代表每层权重及偏差；经过网络训练对钢轨RCF裂纹尺寸进行精准表征，结果表示改变裂纹的类型和裂纹数量两方面的参数，最终计算的误差在10%以内，如图14（b）所示。

传统神经网络学习效率低、收敛速度慢，为了提高其训练的精度，将遗传算法加入神经网络中，建立基于GA-BP神经网络的ACFM实时高精度裂纹反演算法，实现裂纹长度和深度的高精度反演^［73］。Ge等^［74］利用广义回归神经网络结合近似分解法对裂纹簇ACFM信号进行拆分、分析和训练，极大降低了裂纹簇深度预测的误差。除了利用神经网络，任尚坤等^［69］以数据建模和数值拟合为基础，提出了一种高效的反演算法实现了对表面裂纹长度和深度的精确量化，反演精确度分别达到90%及85%以上。表面裂纹缺陷识别及尺寸反演算法流程如图15所示。李伟等^［75］基于ACFM三维仿真模型提出利用两步插值算法及分割插值裂纹剖面重构算法，对水下管线裂纹尺寸进行评估，长度最大误差为3.0%，深度最大误差为7.5%；实现裂纹剖面的高精度重构，重构最大误差为5.7%。

目前钢轨RCF裂纹ACFM信号表征结合人工智能算法的主要研究方向为：①钢轨表面RCF裂纹的形状、尺寸、排列具有多样性，人工智能算法需要针对非对称形状裂纹、非均匀尺寸及排列的裂纹簇进一步优化，减少算法训练及预测成本，提高模型算法效率和鲁棒性；②人工智能算法通常需要大量裂纹试样检测信号进行训练和验证，电磁信号容易受到检测探头、检测方式以及检测环境等因素影响，裂纹的电磁信号特征之间也存在相互影响作用，算法模型可以考虑影响ACFM信号的各个因素及相互影响关系，提高对RCF裂纹的表征精度；③人工智能算法的相互融合，例如神经网络与模糊算法、专家系统等人工智能算法结合，提高ACFM信号对钢轨缺陷检测的广度及深度，增强解决复杂缺陷共生共存检测及表征的能力。

6 讨论及展望

目前，交流电磁场检测技术对钢轨表面RCF裂纹的检测和表征仍存在一些挑战。

（1）钢轨表面RCF裂纹三维形态复杂，部分尺寸较小裂纹的三维形态可近似于半椭圆形，可利用三维模型进行模拟研究；但大部分裂纹萌生部位及扩展方向受到轮轨接触应力、钢轨材料性质、钢轨服役时间以及周围环境等因素的影响，形成位置无法做到准确预测，扩展方式、角度及长度多样，形成非对称、非平面、交叉或分叉的裂纹形态，对检测探头的扫描方法与电磁信号的识别、分析提出了极大的挑战。

（2）目前，ACFM检测探头无法有效覆盖钢轨轨头表面，无法进行全覆盖检测。即使阵列探头能做到轨头表面全覆盖，由于RCF裂纹通常产生并扩展于轨距角部位，弧形曲面对电磁信号的识别和裂纹尺寸的表征存在一定影响；另外，轨头轮廓由于轮轨磨损及打磨维护呈非均匀、非对称特性，导致ACFM探头与钢轨表面提离距离变化，对ACFM技术实现钢轨高速测量造成一定困难。

（3）列车运行速度影响ACFM检测探头磁场的激励和信号接收，检测信号强度减小，不利于缺陷的识别和表征；另外，检测信号数据处理及裂纹表征速度需要与列车速度匹配，兼顾检测效率和检测精度。

（4）ACFM电磁信号对裂纹簇的表征精确度不高，容易与单条裂纹或者交叉、分叉裂纹信号混淆；由于趋肤效应，电涡流穿透深度有限，无法有效表征深层次缺陷。

针对上述问题，提出以下几点展望和建议。

（1）钢轨RCF裂纹是车轮对钢轨的交变应力作用下的高周疲劳损伤，车轨之间压应力的临界值是表面裂纹萌生的关键因素，列车运行时钢轨多轴交变应力作用是裂纹扩展的动力。因此，对钢轨应力的实时监测能够有效地识别钢轨薄弱部位，预测裂纹产生部位以及扩展方向，有效阻止裂纹引发安全事故。对裂纹尺寸的ACFM检测研究中应考虑实际的复杂应力因素，建立力学与电磁学耦合模型研究复杂应力应变条件下裂纹ACFM信号的影响。

（2）对钢轨RCF裂纹三维形态特征研究，收集钢轨服役期产生的RCF裂纹试样，利用有损检测表征方法，结合CT扫描分析钢轨中RCF裂纹三维形态，建立裂纹三维形态数据库，制定规则/非规则裂纹以及裂纹严重程度的评判准则。清楚RCF裂纹的三维形态，分析电磁响应原理，提高对复杂裂纹形态及非均匀排列裂纹簇的表征。

（3）提高电磁检测的范围和灵敏度，对电磁传感器探头及测量参数进行设计与优化，增大与钢轨表面的接触面积，提高贴合度，保证检测提离距离。另外，开展ACFM技术与光、电、声学等多种物理场耦合技术的研究，建立多物理场耦合传感器，对钢轨的健康状态进行有效的监测。

参考文献

[1] LI Q Y， ZHONG Z D， LIANG Z P， et al. Rail Inspection Meets Big Data： Methods and Trends ［C］// 18th International Conference on Network-Based Information Systems. Taipei， China. New York： IEEE Press， 2015： 302-308.

[2] 周小林，向延念，陈秀方.U71Mn 50 kg · m^-1普通碳素钢钢轨疲劳裂纹扩展速率试验研究［J］.中国铁道科学，2004，25（3）：86-90.

[3] ZHOU Xiaolin， XIANG Yannian， CHEN Xiufang. Test and Study of Fatigue Fracture Propagation of U71Mn 50 kg · m^-1 Ordinary Carbon Steel Rail ［J］. China Railway Science， 2004， 25 （3）： 86-90. in Chinese

[4] PAPAELIAS M P， ROBERTS C， DAVIS C L. A Review on Non-Destructive Evaluation of Rails： State-of-the-Art and Future Development ［J］. Proceedings of the Institution of Mechanical Engineers Part F： Journal of Rail and Rapid Transit， 2008， 222 （4）： 367-384.

[5] 李英奇，张银花，刘佳朋，等.重载铁路钢轨磨损与损伤行为试验研究［J］.中国铁道科学，2022，43（6）：152-160.

[6] LI Yingqi， ZHANG Yinhua， LIU Jiapeng， et al. Experimental Study on Wear and Damage Behavior of Rail for Heavy Haul Railway ［J］. China Railway Science， 2022， 43 （6）： 152-160. in Chinese

[7] GARNHAM J E， FLETCHER D I， DAVIS C L， et al. Visualization and Modelling to Understand Rail Rolling Contact Fatigue Cracks in Three Dimensions ［J］. Proceedings of the Institution of Mechanical Engineers， Part F： Journal of Rail and Rapid Transit， 2011， 225 （2）： 165-178.

[8] NICHOLSON L， DAVIS C L. Modelling of the Response of an ACFM Sensor to Rail and Rail Wheel RCF Cracks ［J］. NDT & E International： Independent Nondestructive Testing and Evaluation， 2012， 46： 107-114.

[9] POHL R， ERHARD A， MONTAG H J， et al. NDT Techniques for Railroad Wheel and Gauge Corner Inspection ［J］. NDT E International： Independent Nondestructive Testing and Evaluation， 2004， 37 （2）： 89-94.

[10] RINGSBERG J W， BERGKVIST A. On Propagation of Short Rolling Contact Fatigue Cracks ［J］. Fatigue & Fracture of Engineering Materials & Structures， 2003， 26 （10）： 969-983.

[11] GRASSIE S L. Rolling Contact Fatigue on the British Railway System： Treatment ［J］. Wear， 2005， 258 （7/8）： 1310-1318.

[12] SHEN J L. Responses of Alternating Current Field Measurement （ACFM） to Rolling Contact Fatigue （RCF） Cracks in Railway Rails ［D］. Coventry： University of Warwick， 2017.

[13] 何成刚.车轮材料摩擦疲劳损伤机理及微观组织演变行为研究.成都：西南交通大学，2018.

[14] HE Chenggang. Research on Friction Fatigue Damage Mechanism and Microstructure Evolution Behavior of Wheel Materials ［D］. Chengdu： Southwest Jiaotong University， 2018. in Chinese

[15] MCDOWELL D L. Stress State Dependence of Cyclic Ratchetting Behavior of Two Rail Steels ［J］. International Journal of Plasticity， 1995， 11 （4）： 397-421.

[16] 田贵云，高斌，高运来，等.铁路钢轨缺陷伤损巡检与监测技术综述［J］.仪器仪表学报，2016，37（8）：1763-1780.

[17] TIAN Guiyun， GAO Bin， GAO Yunlai， et al. Review of Railway Rail Defect Non-Destructive Testing and Monitoring ［J］. Chinese Journal of Scientific Instrument， 2016， 37 （8）： 1763-1780. in Chinese

[18] ZHOU Y， WANG S F， WANG T Y， et al. Field and Laboratory Investigation of the Relationship between Rail Head Check and Wear in a Heavy-Haul Railway ［J］. Wear， 2014， 315 （1/2）： 68-77.

[19] 吴强.城市轨道交通钢轨滚动接触疲劳裂纹萌生预测［J］.上海工程技术大学学报，2017，31（4）：295-301.

[20] WU Qiang. Prediction on Rolling Contact Fatigue Crack Initiation of Rails in Urban Rail Transit ［J］. Journal of Shanghai University of Engineering Science， 2017， 31 （4）： 295-301. in Chinese

[21] 黄育斌，何成刚，马蕾，等.干态下车轮材料表面疲劳裂纹萌生试验研究［J］.摩擦学学报，2016，36（2）：194-200.

[22] HUANG Yubin， HE Chenggang， MA Lei， et al. Experimental Study on Initiation of Surface Fatigue Crack of Wheel Material under Dry Condition ［J］. Tribology， 2016， 36 （2）： 194-200. in Chinese

[23] 王冰.高速钢轨踏面疲劳裂纹的扩展特性研究［D］.西安：西安理工大学，2019.

[24] WANG Bing. Research on Fatigue Crack Propagation Characteristics of High-Speed Rail Tread ［D］. Xi'an： Xi'an University of Technology， 2019. in Chinese

[25] 高运来.多物理电磁及热成像钢轨裂纹无损检测技术研究［D］.南京：南京航空航天大学，2018.

[26] GAO Yunlai. Research on Non-Destructive Detection Technology of Rail Crack with Multi-Physical Electromagnetic and Thermal Imaging ［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2018. in Chinese

[27] 李方.地铁钢轨疲劳裂纹扩展特性研究［D］.西安：西安科技大学，2018.

[28] LI Fang. Research on Fatigue Crack Propagation Characteristics of Subway Rail ［D］. Xi'an： Xi'an University of Science and Technology， 2018. in Chinese

[29] MANDRIOTA C， NITTI M， ANCONA N， et al. Filter-Based Feature Selection for Rail Defect Detection ［J］. Machine Vision and Applications， 2004， 15 （4）： 179-185.

[30] LI Q Y， REN S W. A Real-Time Visual Inspection System for Discrete Surface Defects of Rail Heads ［J］. IEEE Transactions on Instrumentation and Measurement， 2012， 61 （8）： 2189-2199.

[31] LITTNER L， PROTZ R， KUNZE E， et al. Flow Front Monitoring in High-Pressure Resin Transfer Molding Using Phased Array Ultrasonic Testing to Optimize Mold Filling Simulations ［J］. Materials， 2023， 17 （1）： 207.

[32] LAO J J， LU C. Application of Portable Ultrasonic Phased Array Instrument for Rail Welds Ultrasonic Inspection ［J］. Advanced Materials Research， 2013， 2455 （717）： 384-389.

[33] KENDERIAN S， DJORDJEVIC B B， GREEN R E， et al. Laser Based and Air Coupled Ultrasound as Noncontact and Remote Techniques for Testing of Railroad Tracks ［J］. Materials Evaluation， 2002， 60 （1）： 65-70.

[34] ROSE J L， AVIOLI M J， MUDGE P， et al. Guided Wave Inspection Potential of Defects in Rail ［J］. NDT & E International， 2004， 37 （2）： 153-161.

[35] EDWARDS R S， HOLMES C， FAN Y， et al. Ultrasonic Detection of Surface-Breaking Railhead Defects ［J］. Insight - Non-Destructive Testing and Condition Monitoring， 2008， 50 （7）： 369-373.

[36] FAN Y， DIXON S， EDWARDS R S， et al. Ultrasonic Surface Wave Propagation and Interaction with Surface Defects on Rail Track Head ［J］. NDT & E International， 2007， 40 （6）： 471-477.

[37] EDWARDS R S， DIXON S， JIAN X. Characterisation of Defects in the Railhead Using Ultrasonic Surface Waves ［J］. NDT & E International， 2006， 39 （6）： 468-475.

[38] ROSLI M H， EDWARDS R S， FAN Y. In-Plane and Out-of-Plane Measurements of Rayleigh Waves Using EMATs for Characterising Surface Cracks ［J］. NDT & E International， 2012， 49： 1-9.

[39] CLARK R. Rail Flaw Detection： Overview and Needs for Future Developments ［J］. NDT & E International， 2004， 37 （2）： 111-118.

[40] THOMAS H M， HECKEL T， HANSPACH G. Advantage of a Combined Ultrasonic and Eddy Current Examination for Railway Inspection Trains ［J］. Insight - Non-Destructive Testing and Condition Monitoring， 2007， 49 （6）： 341-344.

[41] CANNON D F， EDEL K O， GRASSIE S L， et al. Rail Defects： an Overview ［J］. Fatigue & Fracture of Engineering Materials & Structures， 2003， 26 （10）： 865-886.

[42] 万楚豪，刚铁，刘斌，等.高速铁路钢轨疲劳过程的超声非线性系数表征［J］.中国铁道科学，2015，36（5）：75-79.

[43] WAN Chuhao， GANG Tie， LIU Bin， et al. Characterization of Nonlinear Ultrasonic Coefficient during Rail Fatigue Process of High-Speed Railway ［J］. China Railway Science， 2015， 36 （5）： 75-79. in Chinese

[44] AGGELIS D G， KORDATOS E Z， MATIKAS T E. Acoustic Emission for Fatigue Damage Characterization in Metal Plates ［J］. Mechanics Research Communications， 2011， 38 （2）： 106-110.

[45] 柳杰.钢轨高速电磁巡检下的涡流效应及补偿研究［D］.南京：南京航空航天大学，2012.

[46] LIU Jie. Research on Eddy Current Effect and Compensation of Rail under High-Speed Electromagnetic Inspection ［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2012. in Chinese

[47] LI Y， LIU Z， MIAO Y， et al. Study of a Spiral-Coil EMAT for Rail Subsurface Inspection ［J］. Ultrasonics， 2020， 108： 106169.

[48] HE M， ZHENG W， LI W， et al. Research on Temperature Distribution Law around Crack Using the Moving Mode of Eddy Current Thermography ［J］. Infrared Physics & Technology， 2019， 102： 102993.

[49] 章欣，王艳，胡恒山，等.声发射技术在铁路系统检测中的研究和应用［J］.应用声学，2017，36（3）：189-199.

[50] ZHANG Xin， WANG Yan， HU Hengshan， et al. Research and Application of Acoustic Emission Technique in Railway System Inspection ［J］. Journal of Applied Acoustics， 2017， 36 （3）： 189-199. in Chinese

[51] LEWIS A M， MICHAEL D H， LUGG M C， et al. Thin-Skin Electromagnetic Fields around Surface-Breaking Cracks in Metals ［J］. Journal of Applied Physics， 1988， 64 （8）： 3777-3784.

[52] NICHOLSON G L， DAVIS C L. Modelling of the Response of an ACFM Sensor to Rail and Rail Wheel RCF Cracks ［J］. NDT & E International， 2012， 46： 107-114.

[53] NICHOLSON G L， ROWSHANDEL H， HAO X J， et al. Measurement and Modelling of ACFM Response to Multiple RCF Cracks in Rail and Wheels ［J］. Ironmaking & Steelmaking， 2013， 40 （2）： 87-91.

[54] SHEN J L， ZHOU L， ROWSHANDEL H， et al. Determining the Propagation Angle for Non-Vertical Surface-Breaking Cracks and Its Effect on Crack Sizing Using an ACFM Sensor ［J］. Measurement Science and Technology， 2015， 26 （11）： 115604.

[55] HOWITT M. Bombardier Brings ACFM into the Rail Industry ［J］. Insight， 2002， 44 （6）： 379-382.

[56] SHEN J L， ZHOU L， ROWSHANDEL H， et al. Prediction of RCF Clustered Cracks Dimensions Using an ACFM Sensor and Influence of Crack Length and Vertical Angle ［J］. Nondestructive Testing and Evaluation， 2020， 35 （1）： 1-18.

[57] HOU Y P， SHEN J L， FANG J， et al. Characterization of Intersecting and Bifurcating Rolling Contact Fatigue （RCF） Cracks in Railway Rails Using ACFM Sensor ［J］. Measurement， 2023， 217： 113075.

[58] SHEN J L， LIU M， DONG C X， et al. Analysis on Asymmetrical RCF Cracks Characterisation Using an ACFM Sensor and the Influence of the Rail Head Profile ［J］. Measurement， 2022， 194： 111008.

[59] PARK J W， LEE T G， BACK I C， et al. Rail Surface Defect Detection and Analysis Using Multi-Channel Eddy Current Method Based Algorithm for Defect Evaluation ［J］. Journal of Nondestructive Evaluation， 2021， 40 （3）： 83.

[60] LIU B L， HU H L， PENG J， et al. Rail Defect Identification Method Based on Pulsed Eddy Current Detection and Small-DCNN ［C］// IEEE Far East NDT New Technology & Application Forum （FENDT）. Kunming， China. New York： IEEE Press， 2021： 242-249.

[61] LIU C Y， WU J B， DING S， et al. Magnetic Barkhausen Noise Testing for Subsurface Discontinuities under DC Magnetization ［J］. Materials Evaluation， 2020， 78 （12）： 1310-1318.

[62] DONZELLA G， SOLAZZI L， PETROGALLI C. Experimental Investigation on the Crack Closure Phenomenon Using Barkhausen Noise Method ［J］. Experimental Techniques， 2017， 41 （6）： 605-613.

[63] ANTIPOV A G， MARKOV A A. 3D Simulation and Experiment on High Speed Rail MFL Inspection ［J］. NDT & E International， 2018， 98： 177-185.

[64] 唐莺，罗飞路，潘孟春，等.脉冲漏磁检测的三维场特征分析及缺陷分类识别［J］.仪器仪表学报，2009，30（12）：2506-2510.

[65] TANG Ying， LUO Feilu， PAN Mengchun， et al. 3D Magnetic Field Analysis and Defect Characterization of Pulsed Magnetic Flux Leakage Field Testing ［J］. Chinese Journal of Scientific Instrument， 2009， 30 （12）： 2506-2510. in Chinese

[66] 高翔，胡俊伟，胡才望.阵列漏磁检测技术在钢管探伤中的应用［J］.钢管，2021，50（1）：75-77.

[67] GAO Xiang， HU Junwei， HU Caiwang. Application of Array Magnetic Flux Leakage Inspection Technique to Steel Tube Flaw Detection ［J］. Steel Pipe， 2021， 50 （1）： 75-77. in Chinese

[68] 霍继伟.高速电磁层析成像关键技术研究及应用［D］.北京：北京交通大学，2021.

[69] HUO Jiwei. Research and Application of Key Technologies of High-Speed Electromagnetic Tomography ［D］. Beijing： Beijing Jiaotong University， 2021. in Chinese

[70] 霍继伟，刘泽，王亚东，等.平面电磁层析成像钢轨探伤［J］.中国电机工程学报，2021，41（15）：5351-5361.

[71] HUO Jiwei， LIU Ze， WANG Yadong， et al. Plane Electromagnetic Tomography Rail Track Inspection ［J］. Proceedings of the CSEE， 2021， 41 （15）： 5351-5361. in Chinese

[72] LOW C K， WONG B S. Defect Evaluation Using the Alternating Current Field Measurement Technique ［J］. Insight - Non-Destructive Testing and Condition Monitoring， 2004， 46 （10）： 598-605.

[73] MIRSHEKAR-SYAHKAL D， MOSTAFAVI R F. 1-D Probe Array for ACFM Inspection of Large Metal Plates ［J］. IEEE Transactions on Instrumentation and Measurement， 2002， 51 （2）： 374-382.

[74] CHEN G M， LI W， WANG Z X. Structural Optimization of 2-D Array Probe for Alternating Current Field Measurement ［J］. NDT & E International， 2007， 40 （6）： 455-461.

[75] SADEGHI S S， MIRSHEKAR-SYAHKAL D. A Combined ACFM-SMFM System for Real-Time Detection and Sizing of Surface Cracks in Metals， Review of Progress in Quantitative Nondestructive Evaluation ［M］. Boston， MA： Springer， 1991.

[76] TANAKA K， MORITA K， AKINIWA Y. Announcement in the International Journal： Fatigue and Fracture of Engineering Materials and Structures ［J］. Fatigue & Fracture of Engineering Materials and Structures， 2009， 32 （9）： 703.

[77] PAPAELIAS M P， LUGG M. Detection and Evaluation of Rail Surface Defects Using Alternating Current Field Measurement Techniques ［J］. Proceedings of the Institution of Mechanical Engineers Part F： Journal of Rail and Rapid Transit， 2012， 226 （5）： 530-541.

[78] PAPAELIAS M P， LUGG M C， ROBERTS C， et al. High-Speed Inspection of Rails Using ACFM Techniques ［J］. NDT & E International， 2009， 42 （4）： 328-335.

[79] ROWSHANDEL H， NICHOLSON G L， DAVIS C L， et al. A Robotic Approach for NDT of RCF Cracks in Rails Using an ACFM Sensor ［J］. Insight - Non-Destructive Testing and Condition Monitoring， 2011， 53 （7）： 368-376.

[80] ROWSHANDEL H， NICHOLSON G L， DAVIS C L， et al. An Integrated Robotic System for Automatic Detection and Characterisation of Rolling Contact Fatigue Cracks in Rails Using an Alternating Current Field Measurement Sensor ［J］. Proceedings of the Institution of Mechanical Engineers， Part F： Journal of Rail and Rapid Transit， 2013， 227 （4）： 310-321.

[81] ROWSHANDEL H， PAPAELIAS M， ROBERTS C， et al. Development of Autonomous ACFM Rail Inspection Techniques ［J］. Insight - Non-Destructive Testing and Condition Monitoring， 2011， 53 （2）： 85-89.

[82] LI W， CHEN G M， ZHANG C R， et al. Simulation Analysis and Experimental Study of Defect Detection Underwater by ACFM Probe ［J］. China Ocean Engineering， 2013， 27 （2）： 277-282.

[83] NICHOLSON G L， KOSTRYZHEV A G， HAO X J， et al. Modelling and Experimental Measurements of Idealised and Light-Moderate RCF Cracks in Rails Using an ACFM Sensor ［J］. NDT & E International， 2011， 44 （5）： 427-437.

[84] 刘萌，申嘉龙，邝惟创，等.高铁钢轨表面RCF裂纹簇的ACFM三维模拟表征分析［J］.国外电子测量技术，2022，41（7）：152-159.

[85] LIU Meng， SHEN Jialong， KUANG Weichuang， et al. 3D Modelling of RCF Crack Clusters of High-Speed Railway Rails Using ACFM Technology ［J］. Foreign Electronic Measurement Technology， 2022， 41 （7）： 152-159. in Chinese

[86] 郑玲慧，任尚坤，王景林.ACFM技术的表面裂纹识别和尺寸反演算法研究［J］.测控技术，2020，39（5）：80-85， 106.

[87] ZHENG Linghui， REN Shangkun， WANG Jinglin. Research on Surface Crack Identification and Size Inversion Algorithm Based on ACFM Technology ［J］. Measurement & Control Technology， 2020， 39 （5）： 80-85， 106. in Chinese

[88] 袁新安，李伟，齐昌超，等.基于交流电磁场的水下结构物裂纹尺寸及剖面高精度评估方法［J］.中国石油大学学报：自然科学版，2020，44（6）：109-115.

[89] YUAN Xin'an， LI Wei， QI Changchao， et al. High-Precision Evaluation Method of Crack Dimension and Profile for Underwater Structures Based on ACFM Technique ［J］. Journal of China University of Petroleum： Edition of Natural Science， 2020， 44 （6）： 109-115. in Chinese

[90] ROWSHANDEL H， NICHOLSON G L， SHEN J L， et al. Characterisation of Clustered Cracks Using an ACFM Sensor and Application of an Artificial Neural Network ［J］. NDT & E International， 2018， 98： 80-88.

[91] ROWSHANDEL H. The Development of an Autonomous Robotic Inspection System to Detect and Characterise Rolling Contact Fatigue Cracks in Railway Track ［D］. Birmingham： University of Birmingham， 2014.

[92] 李伟，袁新安，曲萌，等.基于GA-BP神经网络的ACFM实时高精度裂纹反演算法［J］.中国石油大学学报：自然科学版，2016，40（5）：128-134.

[93] LI Wei， YUAN Xin'an， QU Meng， et al. Real-Time and High-Precision Cracks Inversion Algorithm for ACFM Based on GA-BP Neural Network ［J］. Journal of China University of Petroleum： Edition of Natural Science， 2016， 40 （5）： 128-134. in Chinese

[94] GE J H， HU B W， YANG C K. Investigation of the Approximate Decomposition of Alternating Current Field Measurement Signals from Crack Colonies ［J］. Mechanical Systems and Signal Processing， 2021， 160： 107878.

[95] YUAN X A， LI W， CHEN G M， et al. Two-Step Interpolation Algorithm for Measurement of Longitudinal Cracks on Pipe Strings Using Circumferential Current Field Testing System ［J］. IEEE Transactions on Industrial Informatics， 2018， 14 （2）： 394-402.