CN106323442A - 一种基于分布式光纤振动传感***的铁路健康监测方法 - Google Patents

Abstract

本发明公开了一种基于分布式光纤振动传感***的高速铁路健康监测方法，利用铁路沿线铺设的既有通信光纤进行传感，捕获铁路沿线在列车经过后的振动信息。将数据按时间轴组织为一灰度表示强度的瀑布图，进行小波分解滤波后，采用基于动态规划的边缘提取算法提取出列车行驶产生的轨迹，划分出轨迹前和轨迹后两个区域。分别对轨迹区域和轨迹前后区域进行时频分析，提取出轮轨振动特征频谱和钢轨谐振特征频谱，再经过特征频谱提取算法，得到轮轨振动特征频率和钢轨谐振特征频率。不断的重复此监测过程，得到钢轨振动特性随时间的变化，建立对应的数据库。新采集到的数据与数据库中的数据进行对比并更新数据库，实现对列车和钢轨的实时健康监测。

Description

一种基于分布式光纤振动传感***的铁路健康监测方法

技术领域

本发明涉及光纤传感技术领域，特别是一种基于分布式光纤振动传感***的铁路健康监测方法。

背景技术

铁路运营安全性一直是关系到经济发展和人身安全的重大问题。为了保障铁路运输的安全与畅通，提高运营效率，对铁路健康状况进行实时监测十分必要。然而目前采用的电类传感元件防潮防湿能力和抗电磁干扰能力较差，在恶劣的监测条件下表现不稳定，当长时间用在复杂监测环境下时，容易发生零点漂移等故障，极大的影响了监测结果的可靠性；另一方面，电信号在信道中的传输距离很短，很难组建成大规模的传感网络，难以实现长距离实时在线监测。

分布式光纤振动传感***作为一种新型的安防监测***，不仅具有抗电磁干扰、抗腐蚀、灵敏度高等特点，而且具有隐蔽性好、报警定位精确、数据处理相对简单等优点，适合用于大范围、长距离实时监测。

将相位敏感光时域反射仪(Φ-OTDR)作为光纤振动传感***的一种优选方案，具有响应速度快和能够实现多点监测等明显的优点。相比于布里渊散射光和拉曼散射光测量振动，Φ-OTDR无需多次的累加平均，因而响应速度快；与偏振光时域反射计(POTDR)相比，采用Φ-OTDR在列车后方不会产生强噪声底，可以实现多点实时监测。

从2000年以来在全国铁路干线中，伴随着钢轨的铺设，沿线铺设了大量通信光纤，到今天已经基本形成依靠光纤为传输媒介的通信网络。利用铁路沿线铺设的既有通信光纤，而不依托于专门铺设传感光纤，能够节约大量购置传感光纤的成本，便于施工，可以组建成大规模的传感网络。但信光纤往往防止在与钢轨有一定距离的线缆槽内，并不直接接触钢轨和路基，与钢轨保持一定距离，振动耦合到光纤上的效率较低，这导致对灵敏度的要求更加苛刻。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于分布式光纤振动传感***的铁路健康监测方法，本发明使用分布式光纤振动传感***对铁路沿线铺设的通信光纤进行检测，得到大量的光纤振动曲线数据，对数据进行分析处理建立相应的数据库；把新测量的处理数据与数据库中数据进行对比分析可以实现对铁路健康安全进行实时监测。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于分布式光纤振动传感***的铁路健康监测方法，包括以下步骤：

步骤一、利用铁路沿线铺设的既有通信光纤进行传感，捕获铁路沿线各处在列车经过后的振动信息沿时间和空间的二维分布情况；将所测量得到的光纤振动曲线数据按时间轴组织为一灰度表示强度的瀑布图，该瀑布图的横坐标为光纤长度信息、纵坐标为时间长度信息；

步骤二、对有列车驶过的时间段所对应的瀑布图进行滤波，采用基于动态规划的边缘提取算法提取列车驶过被测钢轨的轨迹图，轨迹图内包含轮轨振动关系数据；在轨迹图中划分出轨迹前后两个范围，这两个范围内包含钢轨振动数据；

步骤三、对轮轨振动关系数据和钢轨振动数据分别进行时频分析处理，提取出轮轨振动特征频谱和钢轨谐振特征频谱，将轮轨振动特征频谱和钢轨谐振特征频谱再分别经过特征频谱提取算法，得到轮轨振动特征频率和钢轨谐振特征频率；

步骤四、对无列车驶过的时间段所对应的瀑布图进行时域分析处理，提取背景噪声的特征频谱，将背景噪声的特征频谱再经过特征频谱提取算法，得到背景噪声的特征频率；

步骤五、在铁轨和车轮的表面均无损伤的情况下，重复步骤一至步骤四，建立轮轨关系数据库和背景噪声数据库；将轮轨振动特征频率和钢轨谐振特征频率与对应的列车型号和钢轨路段信息存储在轮轨关系数据库中；将背景噪声的特征频率与钢轨路段信息存储在背景噪声数据库；

步骤六、将步骤三中得到的轮轨振动特征频率和钢轨谐振特征频率与步骤五建立的轮轨关系数据库进行比较；具体如下：

601、当轮轨振动特征频率与轮轨关系数据库中的轮轨振动特征频率的差异在预设允许范围内，且钢轨谐振特征频率与轮轨关系数据库中的钢轨谐振特征频率的差距也在预设允许范围内；则将该组数据标记为观察状态存入轮轨关系数据库；

602、当轮轨振动特征频率与轮轨关系数据库中的轮轨振动特征频率的差异不在预设允许范围内，或者钢轨谐振特征频率与轮轨关系数据库中的钢轨谐振特征频率的差距不在预设允许范围内时，若整条铁路的轮轨振动特征频率均变化，则是列车轮子出现问题，否则，则是钢轨出现问题，将该组数据标记为报警状态存入轮轨关系数据库，并将列车轮子出现问题的信息、钢轨出现问题的信息传输给监测人员；

步骤七、将步骤四中得到的背景噪声的特征频率与背景噪声数据库中数据进行对比分析，对背景噪声数据进行大数据分析，分析钢轨随外部环境的变化情况，从而得到其老化规律和预测寿命信息。

作为本发明所述一种基于分布式光纤振动传感***的铁路健康监测方法进一步优化方案，所述步骤二中的滤波方法为小波分解去噪。

作为本发明所述一种基于分布式光纤振动传感***的铁路健康监测方法进一步优化方案，时频分析处理的方法为短时傅里叶变换或小波分析。

作为本发明所述一种基于分布式光纤振动传感***的铁路健康监测方法进一步优化方案，特征频谱提取算法为基于最小二乘法的多项式拟合方法。

作为本发明所述一种基于分布式光纤振动传感***的铁路健康监测方法进一步优化方案，采用分布式光纤振动传感***对铁路沿线铺设的既有通信光纤进行传感。

作为本发明所述一种基于分布式光纤振动传感***的铁路健康监测方法进一步优化方案，分布式光纤振动传感***是Φ-OTDR***。

作为本发明所述一种基于分布式光纤振动传感***的铁路健康监测方法进一步优化方案，分析步骤二中得到的轨迹在空间轴和时间轴的位置，实现对列车的定位，测量出速度和加速度。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

(1)采用分布式光纤传感***来测量周围的振动，能够实现长距离、高密度、快速响应的实时健康监测，同时传感器无需与钢轨直接接触，具备很好的防潮防湿能力和抗电磁干扰能力，在长期稳定性能在恶劣的监测条件下均表现优良；本发明使用铁路中现有的通信光纤，组建成大规模的抗干扰强的光纤传感网络省，去布置新的光纤网络的成本；

(3)采用分布式光纤传感***，实现对列车进行定位，对速度和加速度进行测量；能够对列车和钢轨进行实时监测，出现问题及时发现，并报警给列车调度员，在事故发生之前及时检修排除安全隐患，保证铁路健康检测。

附图说明

图1是本发明的流程图。

图2是本发明光纤与钢轨的空间关系图。

图3是Φ-OTDR测到原始信号图。

图4是处理后列车轨迹及前后区域图。

图5a是轮轨频率关系图。

图5b是钢轨特征频率图。

图6是钢轨特征频率沿着钢轨分布图。

图7是特征频率变化频率图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

图1是本发明的流程图，一种基于分布式光纤振动传感***的铁路健康监测方法，包括以下步骤：

步骤一、利用铁路沿线铺设的既有通信光纤进行传感，捕获铁路沿线各处在列车经过后的振动信息沿时间和空间的二维分布情况。将所测量得到的光纤振动曲线数据按时间轴组织为一灰度表示强度的瀑布图，该瀑布图的横坐标为光纤长度信息、纵坐标为时间长度信息。

步骤二、对有列车驶过的时间段所对应的瀑布图进行滤波，采用基于动态规划的边缘提取算法提取列车驶过被测钢轨的轨迹图，轨迹图内包含轮轨振动关系数据；在轨迹图中划分出轨迹前后两个范围，这两个范围内包含钢轨振动数据；

步骤三、对轮轨振动关系数据和钢轨振动数据分别进行时频分析处理，提取出轮轨振动特征频谱和钢轨谐振特征频谱，将轮轨振动特征频谱和钢轨谐振特征频谱再分别经过特征频谱提取算法，得到轮轨振动特征频率和钢轨谐振特征频率；

步骤四、对无列车驶过的时间段所对应的瀑布图进行时域分析处理，提取背景噪声的特征频谱，将背景噪声的特征频谱再经过特征频谱提取算法，得到背景噪声的特征频率；

步骤五、在铁轨和车轮的表面均无损伤的情况下，重复步骤一至步骤四，建立轮轨关系数据库和背景噪声数据库；将轮轨振动特征频率和钢轨谐振特征频率与对应的列车型号和钢轨路段信息存储在轮轨关系数据库中；将背景噪声的特征频率与钢轨路段信息存储在背景噪声数据库；

步骤六、将步骤三中得到的轮轨振动特征频率和钢轨谐振特征频率与步骤五建立的轮轨关系数据库进行比较；具体如下：

601、当轮轨振动特征频率与轮轨关系数据库中的轮轨振动特征频率的差异在预设允许范围内，且钢轨谐振特征频率与轮轨关系数据库中的钢轨谐振特征频率的差距也在预设允许范围内；则将该组数据标记为观察状态存入轮轨关系数据库；

602、当轮轨振动特征频率与轮轨关系数据库中的轮轨振动特征频率的差异不在预设允许范围内，或者钢轨谐振特征频率与轮轨关系数据库中的钢轨谐振特征频率的差距不在预设允许范围内时，若整条铁路的轮轨振动特征频率均变化，则是列车轮子出现问题，否则，则是钢轨出现问题，将该组数据标记为报警状态存入数据库，并将列车轮子出现问题的信息、钢轨出现问题的信息传输给监测人员；

步骤七、将步骤四背景噪声的特征频率与背景噪声数据库中数据进行对比分析，对背景噪声数据进行大数据分析，分析钢轨随外部环境的变化情况，从而得到其老化规律和预测寿命信息。

图2是本发明光纤与钢轨的空间关系图，图2中使用分布式光纤振动传感***对中国高速铁路沿线铺设的通信光纤进行检测，得到大量的光纤振动曲线数据，把数据显示为灰度表示强度的瀑布图，横坐标为光纤长度信息和纵坐标为曲线之间的时间长度信息。提取其中由列车行驶产生的轨迹，并按照轨迹前、轨迹中和轨迹后划分感兴趣区域。图3是Φ-OTDR测到原始信号图，如图3中的所示是两辆列车行驶的轨迹图，其中，横坐标是距离，纵坐标是时间，在图中可以隐约看到一条列车行驶过的轨迹，其中上下两个区域中包含钢轨的振动信息。把图3中列车行驶的轨迹中按照每组车轮之间的距离划分区域，可以得到如图4的示意图，图4是处理后列车轨迹及前后区域图，每个区域中包含相应车厢的车轮的健康信息。

提取列车行驶轨迹，采用的是基于动态规划的边缘提取算法。与基于二阶过零点的边缘检测，和基于搜索的边缘提取方法相比，具有对图像中噪声不敏感的特点，即在进行边缘提取时，一般都需要预先对原图进行降噪滤波以减少在边缘提取时的误判。

动态规划(Dynamic Programming-DP)是图论中的一种有效的求解最短路的方法，该方法是由美国人R.E.Bellman在20世纪50年代初首次提出，其核心观点是可以把多阶段决策过程转化为多个单阶段问题后进行逐个求解，利用这个方法是可以获得多阶段决策过程的最优解的。DP算法也可以被运用到图像处理中的边缘提取问题中，其关键是要把该问题转化成一个最短路问题，然后运用DP算法来通过回溯法求解。使用DP算法定位边缘位置的方法可以分为两步：建立图及求解最短路径：

1)建立图：以图像I上的每个像素作为节点，以列为层，以每个像素与下一层中与其临近最近的三个像素(图像上下边界为两个)之间的连线为边。为每个边分配一个权值，分别为：

cost₁(i,j)＝λ·w(I(i-1,j+1),I(i,j))+Cost(i-1,j+1),

cost₂(i,j)＝w(I(i-1,j),I(i,j))+Cost(i-1,j),

cost₃(i,j)＝λ·w(I(i-1,j-1),I(i,j))+Cost(i-1,j-1),

其中λ是尺度因子，i，j分别代表图像的x方向和y方向，且

w(a,b)＝2×max(I)-a-b

比较这三个权值后，将最小的权值赋予当前节点，使得当前节点具有一个最小权值：

$Cost(i,j)\min \left[\begin{array}{c}cos{t}_1(i,j),\\ cos{t}_2(i,j),\\ cos{t}_3(i,j)\end{array}\right]$

该权值代表的是由前面各层传递到该节点的最小权值(最短距离)。在计算这个最小权值的同时，还需要为每个节点记录另外一个参数：

$Path(i,j)=\left\{\begin{array}{cc}j+1,& ifCost={\mathrm{cost}}_1;\\ j,& ifCost={\mathrm{cost}}_2;\\ j-1,& ifCost={\mathrm{cost}}_3.\end{array}\right.$

该参数记录了取得最短路的所有可能的路径。因此，最终获得的图中，节点处具有两个参数，权值Cost及路径Path。

2)求解最短路：由建图的过程可知，图中最后一列记录了这个图的左侧到右侧的所有可能的最短路的长度，因此求解唯一的最短路需首先在最后一列中定位最小的总权值Cost，然后再从后到前地逐个回溯相邻节点。回溯过程由上面记录的参数Path来决定，即当前节点的Path记录的是上一层应该回溯的节点坐标。由于求解过程是逐层回溯式的，因此保证了边缘的连续性，可以有效地排除噪声对线条的干扰。

图5a是轮轨频率关系图，图5b是钢轨特征频率图。选取某位置的数据如图5a，进行数据预处理，如短时傅里叶变换的方式，针对钢轨独立谐振轮轨接触振动两种不同的振动进行处理。

短时傅里叶变换是研究非平稳信号一种十分有效的方法，它建立在传统傅里叶变换的基础上，其基本思想是引入一个具有时频局域性的窗函数γ(t)，让它沿信号滑动，对每一段被窗口截取的信号实行傅里叶变换，由于滑动窗函数的位置引入了时间的信息，可以得到一个时变的频率分析结果，这样信号s(t)的短时傅里叶变换定义为

$STFT(t,\mathrm{\ω})=\underset{-\mathrm{\∞}}{\overset{+\mathrm{\∞}}{\∫}}s\left(\mathrm{\τ}\right){\mathrm{\γ}}^{*}(\mathrm{\τ}-t)\exp (-j\mathrm{\ω}\mathrm{\τ})d\mathrm{\τ}$

式中*代表复数的共轭，ω为脉冲角频率，短时窗γ^*(τ-t)有效地把信号限制在分析时间τ＝t附近输出。短时傅里叶变换是信号s(t)在时间t附近的一个局部的频谱。对于两种特殊情况，当窗函数选择狄拉克函数：

$\mathrm{\γ}\left(t\right)=\mathrm{\δ}\left(t\right)\⇒STFT(t,\mathrm{\ω})=s\left(t\right)\exp (-j\mathrm{\ω}t)$

此时短时傅里叶变换具有非常好的时间分辨率，但是很难提供较好的频率分辨率，当窗函数选择常函数的时候，此时短时傅里叶变换变成了信号的傅里叶变换，它具有很好的频率分辨率，但是它不提供任何时间分辨率:

$\mathrm{\γ}\left(t\right)=1\⇒STFT(t,\mathrm{\ω})=s\left(\mathrm{\ω}\right)$

短时傅里叶变换有很多优良性质，它具有线性时移不变性、频移不变性、带通性、低通性、计算量小、其值取的模的平方代表了信号在时频面上的能量的分布情况，这些性质为研究光脉冲信号传输提供了理论依据。

通过短时傅里叶变换可以得到图5b，图中横坐标为时间，纵坐标为频率。除了可以清晰看到两条列车的轨迹外，还可以看到一些明显的钢轨谐振频率点。

为了得到相对准确的谐振频率，采用基于最小二乘法(LM算法)的多项式拟合。LM算法是一种求解非线性实数多元函数局部最小值的迭代算法，可以看作是最速下降法和高斯—牛顿法的结合，既有高斯—牛顿法的局部收敛性，又有最速下降法的全局特性。LM算法要求给定待拟合曲线系数a₁，a₂，a₃的初始猜想值，在最大迭代次数不变的情况下，初始猜想值应尽量接近最佳拟合参数所需要的初始值。

在被估模型中，如被估参数与函数是非线性的关系时，就会转变成一个非线性的最小二乘法问题。针对非线性已知关系式的参数估计问题，目前一般采用两种方法，一个是高斯牛顿法，还有一个就是LM算法。使用高斯牛顿法来确定非线性的待估模型中的参数，不仅可以实现参数的优化和避免反复调整参数值，而且得到的参数的拟合精度也较高。不过高斯牛顿法存在缺点，就是给定的参数的初始值如果不适当，经迭代函数作用后产生不收敛特性，就会出现发散的情况。而LM算法是最速下降法和高斯牛顿法相结合的产物，是在高斯牛顿法的基础上引入阻尼因子演变得到的算法，因此它既有局部收敛特性，还具有全局特性。它的主要思想是求解非线性实数多元函数的局部最小值。利用LM算法来求解参数值时，要求给模型中的参数先设定一个初始值，在最大迭代次数不改变的条件下，要求初始值应该尽可能的接近参数的最佳值。

非线性关系式一般的表现形式为：

y＝f(x₁,x₂...x_i；a₁,a₂...a_i)+ε

式中，f是已知的非线性函数，x₁,x₂…x_i表示有i个自变量，a₁,a₂…a_i表示函数中有n个待估的未知参数，ε表示随机误差项。LM算法的主要思想是在得出某点附近的线性化迭代公式，从而进行一系列的迭代运算，逐步求得最优解。作LM算法具体实现步骤如下：

a.假定，a_k的初始值为观测值的初始逼近误差Q₀为：

$Q_0(a_1,a_2,a_3)=\underset{i=1}{\overset{M}{\Σ}}{\[f(x_i,a_1,a_2,a_3)-y_i\]}^2$

b.根据：

$b_{ij}=\underset{T=1}{\overset{M}{\Σ}}\frac{\∂f(x_T,a)}{\∂a_i}\frac{\∂f(x_T,a)}{\∂a_j}=b_{ji},(i,j=1,2...n)$

$b_{iy}=\underset{T=1}{\overset{M}{\Σ}}\frac{\∂f(x_T,a)}{\∂a_i}(y_T-f(x_T,a\left)\right)$

计算b_ij,b_iy同时给定d的初始值。

c.求解方程组

$\left\{\begin{array}{c}(b_{11}+d){\mathrm{\Δ}}_1+b_{12}{\mathrm{\Δ}}_2+...b_{1n}{\mathrm{\Δ}}_n=b_{1y}\\ b_{21}{\mathrm{\Δ}}_1+(b_{22}+d){\mathrm{\Δ}}_2+...b_{2n}{\mathrm{\Δ}}_n=b_{2y}\\ ......\\ b_{n1}{\mathrm{\Δ}}_1+b_{n2}{\mathrm{\Δ}}_2+...(b_{nn}+d){\mathrm{\Δ}}_n=b_{ny}\end{array}\right.$

并将a_k修改为：

d.再次计算f和y之间的逼近误差Q_i：

$Q_i=\underset{i=1}{\overset{n}{\Σ}}\[f(x_i,a_1^{\mathrm{\Λ}},a_2^{\mathrm{\Λ}},a_3^{\mathrm{\Λ}})-y_i{\]}^2$

e.将修改a_k前后的误差Q_i-1和误差Q_i进行大小比较，若Q_i-1＜Q_i得出若Q_i-1＞Q_i得出需要提高d值大小，重复步骤c、步骤d和步骤e。

f.一直不断的重复步骤b、步骤c、步骤d和步骤e，|Δ_k|直到值小于指定的允许误差才完成了LM算法。

从LM算法的实现步骤中可以看出，LM算法不仅避免了反复调整参数的值等一系列繁琐工作，且因为阻尼因子d的引入放宽了对初始值的限制，得到的数值是最佳拟合参数，使拟合精度提高不少。

把拟合得到的谐振点频率按照针对钢轨独立谐振和轮轨接触振动两种振动模式以及无车的时候背景噪声分类保存，分类进行数据建库，作为健康对比的原始资料，典型的如图6所示为钢轨谐振特征频率沿着钢轨分布图。

在监测过程中，对瑞利瑞利背向散射光信号采用以上短时傅里叶变换的方式进行分析，得到频率图，对有用信号进行分析和提取，提取出钢轨独立谐振和车轮与钢轨接触的两种振动频率，与数据库中健康数据对比分析，分别对以上两种振动进行判断分析，找到与数据库中有不一致振动频率的位置，从而实现对钢轨、路基和车轮实时的健康监测，如图7所示，相同位置发生钢轨特征频率微弱改变，主频率不变，但次频率变弱，说明钢轨出现小问题，经铁路部门排查为温度变化导致应变改变，对钢轨没有太大影响。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替代，都应当视为属于本发明的保护范围。

Claims (7)

1.一种基于分布式光纤振动传感***的铁路健康监测方法，其特征在于，包括以下步骤：

步骤一、利用铁路沿线铺设的既有通信光纤进行传感，捕获铁路沿线各处在列车经过后的振动信息沿时间和空间的二维分布情况；将所测量得到的光纤振动曲线数据按时间轴组织为一灰度表示强度的瀑布图，该瀑布图的横坐标为光纤长度信息、纵坐标为时间长度信息；

步骤二、对有列车驶过的时间段所对应的瀑布图进行滤波，采用基于动态规划的边缘提取算法提取列车驶过被测钢轨的轨迹图，轨迹图内包含轮轨振动关系数据；在轨迹图中划分出轨迹前后两个范围，这两个范围内包含钢轨振动数据；

步骤三、对轮轨振动关系数据和钢轨振动数据分别进行时频分析处理，提取出轮轨振动特征频谱和钢轨谐振特征频谱，将轮轨振动特征频谱和钢轨谐振特征频谱再分别经过特征频谱提取算法，得到轮轨振动特征频率和钢轨谐振特征频率；

步骤四、对无列车驶过的时间段所对应的瀑布图进行时域分析处理，提取背景噪声的特征频谱，将背景噪声的特征频谱再经过特征频谱提取算法，得到背景噪声的特征频率；

步骤五、在铁轨和车轮的表面均无损伤的情况下，重复步骤一至步骤四，建立轮轨关系数据库和背景噪声数据库；将轮轨振动特征频率和钢轨谐振特征频率与对应的列车型号和钢轨路段信息存储在轮轨关系数据库中；将背景噪声的特征频率与钢轨路段信息存储在背景噪声数据库；

步骤六、将步骤三中得到的轮轨振动特征频率和钢轨谐振特征频率与步骤五建立的轮轨关系数据库进行比较；具体如下：

601、当轮轨振动特征频率与轮轨关系数据库中的轮轨振动特征频率的差异在预设允许范围内，且钢轨谐振特征频率与轮轨关系数据库中的钢轨谐振特征频率的差距也在预设允许范围内；则将该组数据标记为观察状态存入轮轨关系数据库；

602、当轮轨振动特征频率与轮轨关系数据库中的轮轨振动特征频率的差异不在预设允许范围内，或者钢轨谐振特征频率与轮轨关系数据库中的钢轨谐振特征频率的差距不在预设允许范围内时，若整条铁路的轮轨振动特征频率均变化，则是列车轮子出现问题，否则，则是钢轨出现问题，将该组数据标记为报警状态存入轮轨关系数据库，并将列车轮子出现问题的信息、钢轨出现问题的信息传输给监测人员；

步骤七、将步骤四中得到的背景噪声的特征频率与背景噪声数据库中数据进行对比分析，对背景噪声数据进行大数据分析，分析钢轨随外部环境的变化情况，从而得到其老化规律和预测寿命信息。

2.根据权利要求1所述一种基于分布式光纤振动传感***的铁路健康监测方法，其特征在于，所述步骤二中的滤波方法为小波分解去噪。

3.根据权利要求1所述一种基于分布式光纤振动传感***的铁路健康监测方法，其特征在于，时频分析处理的方法为短时傅里叶变换或小波分析。

4.根据权利要求1所述一种基于分布式光纤振动传感***的铁路健康监测方法，其特征在于，特征频谱提取算法为基于最小二乘法的多项式拟合方法。

5.根据权利要求1所述一种基于分布式光纤振动传感***的铁路健康监测方法，其特征在于，采用分布式光纤振动传感***对铁路沿线铺设的既有通信光纤进行传感。

6.根据权利要求1所述一种基于分布式光纤振动传感***的铁路健康监测方法，其特征在于，分布式光纤振动传感***是Φ-OTDR***。

7.根据权利要求1所述一种基于分布式光纤振动传感***的铁路健康监测方法，其特征在于，分析步骤二中得到的轨迹在空间轴和时间轴的位置，实现对列车的定位，测量出速度和加速度。