CN108734060A - 一种高速动车组车轮多边形化的识别方法及装置 - Google Patents
一种高速动车组车轮多边形化的识别方法及装置 Download PDFInfo
- Publication number
- CN108734060A CN108734060A CN201710256490.5A CN201710256490A CN108734060A CN 108734060 A CN108734060 A CN 108734060A CN 201710256490 A CN201710256490 A CN 201710256490A CN 108734060 A CN108734060 A CN 108734060A
- Authority
- CN
- China
- Prior art keywords
- wheel
- rail
- response signal
- polygonization
- strain transducer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 241000271559 Dromaiidae Species 0.000 title claims abstract description 38
- 230000004044 response Effects 0.000 claims abstract description 142
- 230000005284 excitation Effects 0.000 claims abstract description 55
- 238000012544 monitoring process Methods 0.000 claims abstract description 54
- 238000010276 construction Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000006698 induction Effects 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 230000008439 repair process Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 25
- 238000012360 testing method Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 13
- 239000000835 fiber Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 230000007935 neutral effect Effects 0.000 description 8
- 241001669679 Eleotris Species 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Machines For Laying And Maintaining Railways (AREA)
Abstract
本发明适用于高速铁路列车车轮磨耗识别的技术领域,提供了一种高速动车组车轮多边形化的识别方法及装置,识别方法包括:采用轨底纵向的应变传感器,通过监测驶经断面的车轮激励对钢轨产生的响应,获取车轮激励下的钢轨响应信号;对车轮激励下的钢轨响应信号进行预处理;在钢轨响应信号预处理的基础上提取信号特征,构造车轮多边形化指标;利用构造的车轮多边形化指标,识别车轮多边形化故障。本发明有益效果在于两方面,一方面,实现高速动车组车轮多边形化状态在线识别,提供车轮故障预警,另一方面,跟踪高速动车组车轮状态演变,指导车轮镟修工作。基于本发明研制的高效识别算法软件,能对存在多边形故障的车轮采取及时有效的检测维修措施。
Description
技术领域
本发明属于高速铁路列车车轮磨耗识别的技术领域,尤其涉及一种高速动车组车轮多边形化的识别方法及装置。
背景技术
车轮多边形化故障是一种典型的车轮非圆化现象。现有的检测方法可以大致分为静态检测和动态检测两大类。
静态检测方法主要基于机械接触式检测技术及图像检测技术,属于无损检测类,要求车辆在静止状态下,通过便携式超声检测设备对车轮踏面圆周进行扫描,可较为快捷地获取车轮踏面径跳在圆周上的变化情况,由于这种技术能够获得较为精准的车轮不圆度检测结果,包括中国高速铁路在内的国内外大多铁路运营部门广泛采用了这一技术,作为车轮状态评价的依据。但是静态检测技术由于其方法上的局限性,难以在短时间内,对整列动车组甚至线路上运营的所有动车组进行检测,也无法实时掌握运营车辆的车轮状态,不利于车轮故障识别。
而动态检测则可克服上述问题,动态检测又分为直接检测和间接检测两大类别,直接检测法包括光电测量法、涡流检测法、车轮腾空法、接触测量法等。直接检测法基本原理是利用检测技术对激光、电流、位移等参数的变化敏感性捕捉车辆在运行过程中,车轮与钢轨的几何位置变化,从而识别车轮擦伤等故障。直接检测方法原理简单,便于推广,但检测精度会受到多种因素的制约,如车重、车速、轮轨刚度等,此外,为了保证检测精度,往往会要求车辆以低速运行(<5km/h),上述弊端制约了直接检测法在高速动车组车轮状态在线监测方面的推广应用。
间接检测法主要包括轮轨噪声检测法、钢轨振动加速度检测法、轮轨冲击荷载检测法、轴箱振动加速度检测法等。间接检测法的原理主要是基于非圆车轮与钢轨相互作用与圆顺车轮的不同特征,评价车轮状态及识别车轮故障。上述方法除轴箱振动加速度检测法(该方法仅针对特定车轮,并不评价所有服役车轮,故其不在本发明讨论范围之内)外,其余的检测法均基于道旁传感技术。
目前利用道旁传感设备针对车轮多边形化故障的许多检测技术尚处于研发阶段,车轮及走形部状态监测技术的发展远落后于市场需求,使得车轮镟修工作缺乏有效的依据。而以车轮多边形化为代表的车轮故障已严重影响了高速铁路在舒适、安全、环保等性能,制约了高速铁路网服务质量的提升,识别车轮多边形化故障的问题已亟待解决。
发明内容
有鉴于此,本发明实施例提供了高速动车组车轮多边形化的识别方法及装置,旨在解决实现高速动车组车轮多边形化状态在线识别,提供车轮故障预警。
本发明实施例的第一方面提供了一种高速动车组车轮多边形化的识别方法,包括:
采用轨底纵向的应变传感器,通过监测驶经断面的车轮激励对钢轨产生的响应,获取车轮激励下的钢轨响应信号;
对车轮激励下的钢轨响应信号进行预处理;
在钢轨响应信号预处理的基础上提取信号特征,构造车轮多边形化指标;
利用构造的车轮多边形化指标,识别车轮多边形化故障。
其中,车轮多边形化指标为预处理后钢轨响应信号在固定阶次对应频带上的有效值与原始信号幅值之比,原始信号为预处理前的钢轨响应信号,固定阶次为固定的多边形阶次。
本发明实施例的第二方面提供了一种高速动车组车轮多边形化的识别装置,包括:
钢轨响应信号获取模块,用于采用轨底纵向的应变传感器,通过监测驶经断面的车轮激励对钢轨产生的响应,获取车轮激励下的钢轨响应信号;
信号预处理模块,用于对车轮激励下的钢轨响应信号进行预处理;
车轮多边形化指标构造模块,用于在钢轨响应信号预处理的基础上提取信号特征,构造车轮多边形化指标;
故障识别模块,用于利用构造的车轮多边形化指标,识别车轮多边形化故障。
其中,车轮多边形化指标为预处理后钢轨响应信号在固定阶次对应频带上的有效值与原始信号幅值之比,原始信号为预处理前的钢轨响应信号,固定阶次为固定的多边形阶次。
本发明实施例与现有技术相比存在的有益效果是:
能够快整地识别存在多边形故障的动车组车轮,从而使得动车组运营维修工作效率得到大幅提高。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的高速动车组车轮多边形化的识别方法的实现流程图;
图2为本发明实施例提供的应变传感器阵列较佳的布置图;
图3是一列动车组经过监测断面时单个应变传感器的响应时程曲线的样例图;
图4是本实明实施例提供的测试传感器较佳的布置图;
图5(a)、(b)分别为轨腰上应变传感器得到的原始钢轨响应信号、预处理后钢轨响应信号较佳的样例图;
图6(a)、(b)分别为轨腰上应变传感器得到的原始钢轨响应信号、预处理后钢轨响应信号较佳的样例图;
图7(a)、(b)、(c)分别为9#、10#、12#车轮踏面静态测试结果的样例图;
图8是本发明实施例四提供的高速动车组车轮多边形化的识别装置的结构框图;
图9是本发明实施例五提供的终端的示意框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
具体实现中,本发明实施例中描述的终端包括但不限于诸如具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是,在某些实施例中,所述设备并非便携式通信设备,而是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中,描述了包括显示器和触摸敏感表面的终端。然而,应当理解的是,终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
终端支持各种应用程序,例如以下中的一个或多个:绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样,终端的公共物理架构(例如,触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一
参考图1,图1是本发明实施例提供的高速动车组车轮多边形化的识别方法的实现流程图,该方法应用于终端,如图1所示,该高速动车组车轮多边形化的识别方法可以包括以下步骤:
S101,采用轨底纵向的应变传感器,通过监测驶经断面的车轮激励对钢轨产生的响应,获取车轮激励下的钢轨响应信号;
当车轮经过轨底时,执行S101。
可选地,在S101之前,所述识别方法包括:
在左轨或右轨的钢轨上,沿纵向布设应变传感器,形成应变传感器阵列,以实现覆盖整个车轮踏面圆周的多边形化故障检测。
其中,按等间距的方式,沿纵向布设应变传感器。
为便于说明,覆盖车轮踏面圆周各个位置的多边形化评价,描述如下:
高速动车组车轮踏面圆周长度为2.9m左右,钢轨上固定测点仅能覆盖车轮踏面在轮轨接触点附近一定距离(0.5m~1m)的状态的监测。
为了覆盖车轮踏面圆周各个位置的车轮状态监测,需要在钢轨上等间距布设传感器,形成应变传感器阵列,应变传感器的间距取决于单个应变传感器能够有效覆盖的车轮踏面检测的距离。对于应变传感器而言,通常该间距不大于0.5m。
参考图2,图2为本发明实施例提供的应变传感器阵列较佳的布置图。
由于需要覆盖车轮周长范围的踏面检测,故阵列长度应不小于车轮踏面周长。根据上述需求,为实现覆盖整个车轮踏面圆周的多边形化故障检测,在传感器布置方面,采用轨底的应变传感器阵列,在左右两轨一侧(内侧或外侧)的轨底沿纵向布置。应变传感器阵列简称“阵列”,阵列长度为3m,可按具体需求加长,阵列内传感器间距为0.3m,可设置半个轨枕间距,也可按具体需求加长。
其中,采用应变传感器,钢轨各点处的响应差异性可以得到充分体现,这使得相邻车轮的激励可以得到有效区分。
而现有的基于应变传感器采集数据的车轮故障识别算法逻辑大多为“以点测线(圆周)”,即其对应的传感器仅在钢轨纵向方向上选取一个断面进行布设并采集数据,以该监测点采集到的数据来反映整个车轮踏面的状况。但实际上,单个监测断面测得的钢轨响应仅能覆盖车轮踏面一定长度的圆弧范围(<1m)的状态监测,且车轮踏面圆周长度范围内的径跳水平常常出现不一致的情况,故而使用传统的基于单断面监测数据的车轮故障识别方法不能满足实际需求。与现有技术相比,本发明的算法逻辑为“以线测线(圆周)”,采用传感器阵列监测数据进行车轮多边形故障识别,可实现对驶经监测断面的高速动车组轮对进行车轮踏面全圆周状态监测,使得车轮多边形化识别不存在死角,同时可识别出车轮踏面上局部擦伤、扁疤等故障。
S102,对车轮激励下的钢轨响应信号进行预处理;
S103,在钢轨响应信号预处理的基础上提取信号特征,构造车轮多边形化指标;
将预处理后的钢轨响应信号按照不同频带分解,识别多边形的固定阶次;
获取固定阶次对应频带上的有效值,根据有效值与原始信号幅值之比,构造车轮多边形化指标。
S104,利用构造的车轮多边形化指标,识别车轮多边形化故障。
其中,车轮多边形化指标为预处理后钢轨响应信号在固定阶次对应频带上的有效值与原始信号幅值之比,原始信号为预处理前的钢轨响应信号,固定阶次为固定的多边形阶次。
本发明实施例的有益效果在于以下几个方面,详述如下:
第一方面,实现了高速动车组车轮多边形化状态的在线识别,提供了车轮故障预警;
第二方面,跟踪高速动车组车轮状态演变,指导车轮镟修工作。
第三方面,高速动车组车轮多边形化的识别方法,是基于高速动车组经过监测断面时,应变传感器阵列所监测得到的钢轨响应信号而开发的,可用于编制基于实时监测数据的车轮多边形化识别软件***;
第四方面,车轮多边形化识别软件***可被安装于各高速铁路线路正线上,监测每日数百对通过该线路的高速动车组车轮状态,监测数据可实时传输到车辆运营管理部门的监控***,供其随时掌握车辆服役状态。
第五方面,通过基于本发明实施例研制的高效的识别算法软件,对存在多边形故障的车轮采取及时有效的检测维修措施。
第六方面,高速动车组车轮多边形化的识别方法对配套硬件***的要求较低,可兼容多种低成本的传感器及数据采集硬件***,如基于电阻应变片的监测***、基于光纤光栅传感技术的监测***等,使得硬件开发得以依据现场监测条件灵活调整
实施例二
本发明实施例描述了各车轮激励下钢轨响应信号提取及车速计算的实施过程,详述如下:
识别单个应变传感器采集信号的峰值Ps及峰值所对应的时刻Pt,在各峰值左右侧取点数(N-1)/2与峰值共同形成一个N×1的序列si,j,该序列为第i个应变传感器采集到的第j个车轮激励下的轨底应变响应信号;
其中,i∈(1,M),M为单侧轨底应变传感器阵列中应变传感器数目,j∈(1,L),Ps及Pt均为1×L向量,L为整列动车组的轮对数,序列长度N为可调参数。序列长度N可依据采样频率进行调整并建立其与车速之间的关系,可考虑取值为同一转向架两个车轮激励下响应信号两个峰值之间的信号点数。
其中,采用应变传感器,钢轨各点处的响应差异性可以得到充分体现,这使得相邻车轮的激励可以得到有效区分。本算法依据单一测点响应的时域特征,对各车轮激励所产生的响应信号进行提取,进而大大方便了车轮状态监测及多边形故障的识别。
此外,由于多边形阶次与通过监测断面的车速直接相关,关系式如式(1)所示:
式中,v为车速,h为多边形阶次,D为车轮直径。由此可见,故车速的监测至关重要。本算法基于应变传感器监测数据的时域特征,根据动车组轴距或传感器间距可计算出每个轮对通过监测断面时的速度。
参考图3,图3是一列动车组经过监测断面时单个应变传感器的响应时程曲线的样例图,详述如下:
如图3所示,对于单个应变传感器监测数据而言,当一列动车组经过该传感器时,每个车轮激励下在响应信号时程曲线上出现峰值,该峰值与车轮经过在时程上一一对应。因此,依据轴距(来源:车辆设计参数)与时程曲线上的峰值间距(来源:传感器采集信号),可以推算出车辆在特定车轮经过测点时刻的速度。
本发明实施例在实施例一的基础上增加了“识别单个应变传感器采集信号的峰值Ps及峰值所对应的时刻Pt,在各峰值左右侧取点数(N-1)/2与峰值共同形成一个N×1的序列si,j”,能够有效区分各个车轮,提取出在单一车轮作用下钢轨的响应信号,使之在评价车轮状态时滤除临近车轮的干扰,提高单一车轮的多边形化识别精度。
而现有的部分车轮故障识别算法是基于钢轨振动加速度或轮轨辐射噪声的数据提出,但振动加速度及噪声信号往往是由多个车轮(通常为同一转向架的四个车轮)与钢轨相互作用所产生的响应相混叠而形成的信号。在处理这些混合响应信号时,需要分离出各个车轮激励下的钢轨响应,由于信号分离的精度会受到信号处理技术的限制,这将使得后续的车轮故障识别无法准确定位到存在故障的车轮。与现有技术相比,本发明由于在采集源数据上已能实现不同车轮激励对应响应的分离,故可有效克服这一问题。
实施例二
本发明实施例描述了钢轨响应信号预处理的实施过程,详述如下:
对各应变传感器采集到的车轮激励下的钢轨响应信号,进行消除趋势顶的预处理。
根据式(1),车轮多边形阶次与钢轨响应信号频率存在一一对应的关系,故为了识别车轮多边形化故障,需要对车轮激励下钢轨的响应信号进行频域分析。若车轮踏面足够圆顺,则在该车轮(假定为第j个车轮)激励下,轨底传感器阵列中任意一个(假设为第i个)应变传感器采集到的钢轨响应信号si,j应为一光滑曲线;若车轮踏面具有固定阶次的多边形化故障,这种谐波型不圆顺将会在响应信号原始的光滑曲线上,叠加上一个具有固定频率的扰动信号,且该频率f与多边形阶次h之间的关系满足式(1)。
本发明实施例采用S-G滤波器对各传感器采集到的各车轮激励下的响应信号进行消趋预处理。
对于一组原始响应信号S(0)(S(0)=(s(0),1,s(0),2,...,s(0),N)为经提取后的原始响应信号,即一个特定的N×1的序列si,j),可采用S-G滤波器对其进行m次平滑,得到一条较为光滑的响应曲线S(m),并认为该曲线为理想的圆顺车轮经过传感器监测断面时的响应。根据S-G滤波器原理,有
S(m)=AS(m-1)=AmS(0) (2)
其中,A为五点三次多项式平滑系数矩阵。
基于此,经消趋预处理后的响应信号S’,有
S'=S(0)-S(m) (3)
关于数据消趋预处理算法实例可见于本表(I)(m)项内容。注:数据平滑次数m为算法中可调参数,可依据曲线平滑程度或最终的多边形故障识别精度调整,根据实际经验,m的建议取值为500~1000。
本发明实施例在实施例二的基础上增加了“对各应变传感器采集到的车轮激励下的钢轨响应信号,进行消除趋势顶的预处理”,由于车轮激励下轨底响应信号含有趋势项(即上述“光滑曲线”),且该趋势项曲线需要在多边形化故障识别中滤除,因此在故障特征提取前,应对传感器信号采用消除趋势项的预处理。
实施例三
本发明实施例描述了车轮多边形化故障特征提取的实施过程,详述如下:
车轮多边形化故障特征提取是在钢轨响应信号预处理的基础上,对消趋后的钢轨响应信号S’进行信号特征提取。
首先将式(1)改写为响应信号频率为多边形阶次的函数:
前已述及,特定阶次的多边形化车轮将会激发固定频率的钢轨响应,而该响应能量将集中于一窄带频率范围内。为了识别多边形的阶次,可将钢轨应变响应信号按照不同频带分解。各频带中心频率为f(h),由某个特定的阶次h决定,上下限频率fl(h)及fu(h)可定义为:
其中,v为车速,h为固定的多边形阶次,D为车轮直径,为了获得频带(fl,fu)内的钢轨响应信号,能够将预处理后钢轨响应信号进行带通滤波:
Y(k,fl,fu)=HkSk (6)
式中Sk为st(t=0,1,…,n-1)的离散傅里叶变换谱,st为经预处理后钢轨响应信号,即为S’,Y(k,fl,fu)为带通滤波后的DFT谱,Hk为滤波函数,Hk具体为:
通过傅里叶逆变换,频带(fl,fu)内的窄带钢轨响应信号能够由下式得到:
基于式(8)所得的窄带响应信号,可定义一个基于信号特征的车轮多边形化指标PI,如下式:
从式(9)可以看出,车轮多边形化指标PI为预处理后钢轨响应信号在固定阶次h对应频带上的有效值与预处理前钢轨响应信号幅值之比。通过PI值得计算,可以从采集信号中提取出多边形阶次及多边形化故障程度的信息,达到多边形化故障识别的目的。
本发明实施例在实施例一、二的基础上,增加了在钢轨响应信号预处理的基础上,对消趋后的钢轨响应信号S’进行信号特征提取,构成车轮多边形化指标PI,可以从采集信号中提取出多边形阶次及多边形化故障程度的信息,达到多边形化故障识别的目的,具备以下优势:车轮多边形化识别算法基于采集数据的特征提取,能够在较低的车速(<20km/h)条件下保证车轮多边形化故障的识别精度。
此外,现有的基于道旁传感的车轮故障识别方法大多基于时域或频域分析,能够在较高的车速条件下识别较大径跳的车轮多边形故障。但对于高速动车组而言,通常较小的径跳值(<0.025mm,粗糙度20dB以下)就会引发车辆运行中的异常振动现象,需要在监测时加以预警,而较小程度的多边形化故障难以通过通用的信号分析手段识别出来。另一方面,为了使多边形化车轮激励足够大从而易于识别,现有的车轮多边形故障识别算法通常要求车辆须以高速运行通过监测断面(>80km/h),所以在监测断面选择时存在局限性。与现有技术相比,本发明通过对采集数据的预处理及特征提取技术,可有效克服上述两项难题,在较低车速条件下实现微小多边形故障的识别。
应理解,上述实施例一、二、三中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
实施例四
本发明实施例描述了识别方法较佳实施过程,详述如下:
根据传感器布置方案及多边形化识别算法,开发了一套车轮多边形化故障识别***,将其安装于一条试验线上,并使用一列安装有存在多边形故障轮对的高速动车组,展开多边形化识别试验,试验情况阐述如下:
试验概况
根据本发明指定的车轮多边形化监测方法,利用光纤光栅传感监测技术在一段有高速动车组经过的试验线上完成了监测设备的安装、多边形化车轮激励下钢轨响应信号的采集,并利用本发明中的算法对车轮多边形故障进行识别。应变传感器即应变式传感器,包括但不限于光纤光栅应变计、光纤光栅应变花。
此外,为了比较不同传感器布置方案的优劣性,除轨底光纤光栅阵列之外,我们还使用另外两种可选的应变传感器布置方案:
1)轨腰垂向光纤光栅应变计安装于轨枕正上方轨腰中性轴位置;
2)利用剪力法测轮轨动态作用力原理,在中性轴位置两侧轨腰布置光纤光栅应变花。
结果显示,本发明能够准确地实现具有多边形化故障的车轮定位以及多边形阶次、粗糙度的识别;相比于另外两种传感器布置方案,本发明建议的轨底应变传感器阵列布置方案能在传感器用量较少的情况下满足车轮多边形化故障的识别需要。
试验***安装
本次试验采用光纤光栅传感监测***作为试验***,采集钢轨应变响应信号。该***由安装于试验线钢轨上的光纤光栅应变计、用于信号传输的通讯级铠装光缆、用于信号分析及存储的光纤解调仪及对采集数据进行。
应当指出,基于本发明的在线车轮多边形化故障识别软件未被用于本次试验中,本次试验主要目的是验证本发明算法的适用性,并不涉及具体实现形式的验证,如软件开发。
在传感器布置方面,为了对比不同传感器布置方案的优劣性,本次试验采用三种传感器布置方案:
1)轨腰垂向光纤光栅应变计安装于轨枕正上方轨腰中性轴位置
本次测试中,在左右两轨两个轨枕正上方布置光栅,共计8个光栅。输出的应变值应为同一钢轨两侧光栅输出信号的和,其正比于轮轨相互作用力,即有:
在(10)式中,上式中PN1,PN2,PS1,PS2为左右轨轨枕正上方轮轨力,ΔλNWO1~ΔλNWO8及ΔλSWO1~ΔλSWO8为光栅受车轮激励影响下反射波长的变化量,K为光纤光栅应变计灵敏度,单位是pm/με。
2)利用剪力法测轮轨动态作用力原理,在中性轴位置两侧轨腰布置光纤光栅应变花
本次测试中,依据剪力法测轮轨力的原理,在左右两轨两侧轨腰中性轴位置布置光栅应变花,共计16个光栅。输出的应变值γN,γS与光栅测得的波长变化量ΔλNWO1~ΔλNWO8及ΔλSWO1~ΔλSWO8满足以下关系:
同时γN,γS与轮轨力PN,PS的关系满足:
在(12)式中,J为钢轨截面惯性矩,b为中性轴处轨腰厚度,S中性轴上方或下方截面面积矩,G为钢轨剪切刚度。
3)采用本发明指定的传感器布置方案,在轨底沿纵向布置光纤光栅应变计。
本次测试中在左右两轨外侧布置间距为0.15m的光纤光栅应变计,共计2条阵列,10个光栅。输出的应变值εNBLi,εSBLi与光栅测得的波长变化量ΔλNBLi及ΔλSBLi(由于本次试验在左右两轨轨底分别安装了5个光纤光栅应变计i=1,2,3,4,5)、钢轨轨底弯矩MNi,MSi满足以下关系:
在(13)式中,E为钢轨弹性模量,y为轨底传感器与中性轴的垂向距离。
参考图4,图4是本实明实施例提供的测试传感器较佳的布置图。
FBG visble side为可见部分,FBG hidden side为不可见部分,SBL1-4、SWV1-4、SWO1-8、NWO1-8、NWV1-4、NBL1-5均指应变传感器的编号。
应当指出,在具体应用中,轨底应变传感器阵列的长度应不小于车轮周长,从而实现覆盖车轮踏面全圆周的多边形化故障检测。但在本次测试中,由于已知故障车轮的踏面存在覆盖全圆周的单一波长谐波型不圆顺,故监测车轮任一圆弧段激励下钢轨的响应均可反映车轮多边形化故障。因此,本次测试在传感器布置方面,仅选用一个轨枕间距的轨道段进行上述三种布置方案的传感器安装。
试验过程及数据采集
本次测试采用一列8节编组的高速动车组作为试验车辆,并将其中部分轮对替换为具有多边形化故障的轮对。令该动车组驶过安装有传感器的轨道段,并触发监测***的数据采集存储功能,记录全列经过引起的各测点位置的钢轨应变响应。
数据预处理
图5(a)、(b)分别为轨腰上应变传感器得到的原始钢轨响应信号、预处理后钢轨响应信号较佳的样例图;
图6(a)、(b)分别为轨腰上应变传感器得到的原始钢轨响应信号、预处理后钢轨响应信号较佳的样例图。
图5(a)所示为传感器布置方案1)及2)所对应的输出数据的时程曲线(左侧钢轨上的传感器在单个转向架经过时的波形,下同),图6(a)所示为传感器布置方案3)中左侧5个光栅所对应的输出数据的时程曲线。如图5(b)及6(b)所示,对这些监测数据进行预处理,可以得到消趋后的钢轨响应信号。
多边形化指标(PI)计算
依据式(5)~(9)给出的PI值计算方法,对消趋后的信号进行PI值计算,根据计算结果,10#车轮被认为存在多边形化故障,而从基于方案3)(本发明指定的传感器布置方案)的车轮多边形化识别结果,还可以发现9#及12#车轮存在疑似多边形化故障。
参考图7,图7(a)、(b)、(c)分别为9#、10#、12#车轮踏面静态测试结果的样例图。为了评价并比较三种方案条件下车轮多边形化故障的识别效果,将9#、10#、12#车轮踏面静态测试结果及其在三种传感器布置方案条件下被检出的情况列于表1中。
从表1的分析结果来看:
1)10#车轮存在20阶多边形,在该阶次上粗糙度达26dB,该多边形化车轮能够被全部三种测点布置方案检出;而同样存在20阶多边形的9#及12#车轮由于其粗糙度水平较低(<20dB),仅能被本发明指定的轨底传感器阵列中的部分应变计识别出,而另外两种作为对比的传感器布置方案则不能识别出这两个存在轻微多边形化故障的车轮。
2)对比三种测点布置方案的识别效果,本发明实施例所指定的方案除能够识别出微小多边形故障之外,相比方案1)其第I类错误(错报)率较低;相比方案1)及方案2),输出信号量与传感器用量之比较高,为1:1(方案1)为1:2,方案2)为1:8,即需要分别使用2及8个应变计才能够输出1组信号)。
3)对于本发明所指定的传感器布置方案而言,测点与轨枕的位置关系对多边形化识别精度存在一定的影响,分析结果显示,使用位于轨枕正上方的轨底应变计输出信号相比于其他位置的测点,在进行多边形化阶次识别方面,具有更好的精度。
表1车轮多边形化识别结果对比
试验结论
综上所述,本发明的多边形化识别算法能够在车辆低速运行(20km/h)通过监测断面时准确识别较微小的车轮多边形化故障(26dB及以下);采用本发明指定的传感器布置方案能够在传感器使用量小的情况下(输出信号仅来源于单个应变计)保证足够的多边形化故障识别精度。本次测试有效验证了本发明所能解决的问题及其较现有科技有何优胜之处。
实施例五
对应于上文实施例一、二、三、四所述的高速动车组车轮多边形化的识别方法,参考图8,图8是本发明实施例四提供的高速动车组车轮多边形化的识别装置的结构框图,应用于终端,终端包括但不限于摄像机、移动电话、口袋计算机(Pocket Personal Computer,PPC)、掌上电脑、计算机、笔记本电脑、个人数字助理(Personal Digital Assistant,PDA)、MP4、MP3。为便于说明,仅示出了与本实施例相关的部分。为了便于说明,仅示出了与本实施例相关的部分。
参照图8,该高速动车组车轮多边形化的识别装置包括:
钢轨响应信号获取模块81,用于采用轨底纵向的应变传感器,通过监测驶经断面的车轮激励对钢轨产生的响应,获取车轮激励下的钢轨响应信号;
信号预处理模块82,用于对车轮激励下的钢轨响应信号进行预处理;
车轮多边形化指标构造模块83,用于在钢轨响应信号预处理的基础上提取信号特征,构造车轮多边形化指标;
故障识别模块84,用于利用构造的车轮多边形化指标,识别车轮多边形化故障。
其中,车轮多边形化指标为预处理后钢轨响应信号在固定阶次对应频带上的有效值与原始信号幅值之比,原始信号为预处理前的钢轨响应信号,固定阶次为固定的多边形阶次。
作为本实施例的一种实现方式,在该高速动车组车轮多边形化的识别装置中,所述钢轨响应信号获取模块具体用于识别单个应变传感器采集信号的峰值Ps及峰值所对应的时刻Pt,在各峰值左右侧取点数(N-1)/2与峰值共同形成一个N×1的序列si,j,该序列为第i个应变传感器采集到的第j个车轮激励下的轨底应变响应信号;
其中,i∈(1,M),M为单侧轨底应变传感器阵列中应变传感器数目,j∈(1,L),Ps及Pt均为1×L向量,L为整列动车组的轮对数,序列长度N为可调参数;
所述信号预处理模块具体用于对各应变传感器采集到的车轮激励下的钢轨响应信号,进行消除趋势顶的预处理。
作为本实施例的一种实现方式,在该高速动车组车轮多边形化的识别装置中,所述识别装置,还包括:
速度计算模块,用于基于应变传感器监测数据的时域特征,根据动车组轴距或传感器间距,计算每个车轮通过监测断面时的速度。
作为本实施例的一种实现方式,在该高速动车组车轮多边形化的识别装置中,所述车轮多边形化指标构造模块具体用于:
将钢轨响应信号按照不同频带分解,各频带中心频率为f(h),上下限频率fl(h)及fu(h)具体为:
fl(h)=(h-0.5)v/πD
fu(h)=(h+0.5)v/πD
其中,v为车速,h为固定的多边形阶次,D为车轮直径,为了获得频带(fl,fu)内的钢轨响应信号,能够将预处理后钢轨响应信号进行带通滤波:
Y(k,fl,fu)=HkSk
式中Sk为st(t=0,1,…,n-1)的离散傅里叶变换谱,st为经预处理后钢轨响应信号,即为S’,Y(k,fl,fu)为带通滤波后的DFT谱,Hk为滤波函数,Hk具体为:
通过傅里叶逆变换,频带(fl,fu)内的窄带钢轨响应信号能够由下式得到:
基于所得的窄带钢轨响应信号,一个基于钢轨响应信号特征的车轮多边形化指标PI,如下式:
其中,车轮多边形化指标PI为预处理后钢轨响应信号在固定阶次h对应频带上的有效值与预处理前钢轨响应信号幅值之比。
实施例五
一种终端,所述终端包括:处理器以及应变传感器,所述处理器,用于通过所述应变传感器获取车轮激励下的钢轨响应信号;
所述处理器,还用于在钢轨响应信号预处理的基础上提取信号特征,构造车轮多边形化指标,利用构造的车轮多边形化指标,识别车轮多边形化故障。
参考图9,图9是本发明实施例五提供的终端的示意框图。如图所示的该终端可以包括:一个或多个处理器901(图中仅示出一个);一个或多个输入设备902(图中仅示出一个),一个或多个输出设备903(图中仅示出一个)、存储器904和显示器905。上述处理器901、输入设备902、输出设备903、存储器904和显示器905通过总线906连接。存储器902用于存储指令,处理器901用于执行存储器902存储的指令。
其中:输入设备902用于监测驶经断面的车轮激励对钢轨产生的响应,获取车轮激励下的钢轨响应信号;
所述处理器901用于对车轮激励下的钢轨响应信号进行预处理;
在钢轨响应信号预处理的基础上提取信号特征,构造车轮多边形化指标;
利用构造的车轮多边形化指标,识别车轮多边形化故障。
可选的,所述处理器901还用于识别单个应变传感器采集信号的峰值Ps及峰值所对应的时刻Pt,在各峰值左右侧取点数(N-1)/2与峰值共同形成一个N×1的序列si,j,该序列为第i个应变传感器采集到的第j个车轮激励下的轨底应变响应信号;
其中,i∈(1,M),M为单侧轨底应变传感器阵列中应变传感器数目,j∈(1,L),Ps及Pt均为1×L向量,L为整列动车组的轮对数,序列长度N为可调参数。
可选的,在对车轮激励下的钢轨响应信号进行预处理之前,所述处理器901基于应变传感器监测数据的时域特征,根据动车组轴距或传感器间距,计算每个车轮通过监测断面时的速度。
可选的,所述处理器901,用于对各应变传感器采集到的车轮激励下的钢轨响应信号,进行消除趋势顶的预处理。
可选的,所述处理器901,用于将钢轨响应信号按照不同频带分解,各频带中心频率为f(h),
上下限频率fl(h)及fu(h)具体为:
fl(h)=(h-0.5)v/πD
fu(h)=(h+0.5)v/πD
其中,v为车速,h为固定的多边形阶次,D为车轮直径,为了获得频带(fl,fu)内的钢轨响应信号,能够将预处理后钢轨响应信号进行带通滤波:
Y(k,fl,fu)=HkSk
式中Sk为st(t=0,1,…,n-1)的离散傅里叶变换谱,st为经预处理后钢轨响应信号,即为S’,Y(k,fl,fu)为带通滤波后的DFT谱,Hk为滤波函数,Hk具体为:
通过傅里叶逆变换,频带(fl,fu)内的窄带钢轨响应信号能够由下式得到:
基于所得的窄带钢轨响应信号,一个基于钢轨响应信号特征的车轮多边形化指标PI,如下式:
其中,车轮多边形化指标PI为预处理后钢轨响应信号在固定阶次h对应频带上的有效值与预处理前钢轨响应信号幅值之比。
应当理解,在本发明实施例中,所述处理器901可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备902可以包括应变传感器、数据接收接口等。输出设备903可以包括显示器(LCD等)、扬声器、数据发送接口等。
该存储器904可以包括只读存储器和随机存取存储器,并向处理器901提供指令和数据。存储器904的一部分还可以包括非易失性随机存取存储器。例如,存储器904还可以存储设备类型的信息。
显示器905可用于显示由用户输入的信息或提供给用户的信息等。显示器905可包括显示面板,可选的,可以采用液晶显示器(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板。进一步的,所述显示器905还可包括触控面板,所述触控面板可覆盖显示面板,当触控面板检测到在其上或附近的触摸操作后,传送给处理器901以确定触摸事件的类型,随后处理器901根据触摸事件的类型在显示面板上提供相应的视觉输出。
具体实现中,本发明实施例中所描述的处理器901、输入设备902、输出设备903、存储器904和显示器905可执行本发明实施例提供的信息处理的方法的实施例中所描述的实现方式,也可执行实施例四所述终端中所描述的实现方式,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参考其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的***实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明实施例各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种高速动车组车轮多边形化的识别方法,其特征在于,包括:
采用轨底纵向的应变传感器,通过监测驶经断面的车轮激励对钢轨产生的响应,获取车轮激励下的钢轨响应信号;
对车轮激励下的钢轨响应信号进行预处理;
在钢轨响应信号预处理的基础上提取信号特征,构造车轮多边形化指标;
利用构造的车轮多边形化指标,识别车轮多边形化故障;
其中,车轮多边形化指标为预处理后钢轨响应信号在固定阶次对应频带上的有效值与原始信号幅值之比,原始信号为预处理前的钢轨响应信号,固定阶次为固定的多边形阶次。
2.如权利要求1所述的高速动车组车轮多边形化的识别方法,其特征在于,在所述采用轨底纵向的应变传感器,通过监测驶经断面的车轮激励对钢轨产生的响应,获取车轮激励下的钢轨响应信号之前,所述识别方法包括:
在左轨或右轨的钢轨上,沿纵向布设应变传感器,形成应变传感器阵列,以实现覆盖整个车轮踏面圆周的多边形化故障检测。
3.如权利要求1所述的高速动车组车轮多边形化的识别方法,其特征在于,所述获取车轮激励下的钢轨响应信号,具体为:
识别单个应变传感器采集信号的峰值Ps及峰值所对应的时刻Pt,在各峰值左右侧取点数(N-1)/2与峰值共同形成一个N×1的序列si,j,该序列为第i个应变传感器采集到的第j个车轮激励下的轨底应变响应信号;
其中,i∈(1,M),M为单侧轨底应变传感器阵列中应变传感器数目,j∈(1,L),Ps及Pt均为1×L向量,L为整列动车组的轮对数,序列长度N为可调参数。
4.如权利要求1所述的高速动车组车轮多边形化的识别方法,其特征在于,在对车轮激励下的钢轨响应信号进行预处理之前,所述识别方法还包括:
基于应变传感器监测数据的时域特征,根据动车组轴距或传感器间距,计算每个车轮通过监测断面时的速度。
5.如权利要求1所述的高速动车组车轮多边形化的识别方法,其特征在于,所述对车轮激励下的钢轨响应信号进行预处理,具体为:
对各应变传感器采集到的车轮激励下的钢轨响应信号,进行消除趋势顶的预处理。
6.如权利要求1至5任一所述的高速动车组车轮多边形化的识别方法,其特征在于,所述在钢轨响应信号预处理的基础上提取信号特征,构造车轮多边形化指标,具体为:
将钢轨响应信号按照不同频带分解,各频带中心频率为f(h),
上下限频率fl(h)及fu(h)具体为:
fl(h)=(h-0.5)v/πD
fu(h)=(h+0.5)v/πD
其中,v为车速,h为固定的多边形阶次,D为车轮直径,为了获得频带(fl,fu)内的钢轨响应信号,能够将预处理后钢轨响应信号进行带通滤波:
Y(k,fl,fu)=HkSk
式中Sk为st(t=0,1,…,n-1)的离散傅里叶变换谱,st为经预处理后钢轨响应信号,即为S’,Y(k,fl,fu)为带通滤波后的DFT谱,Hk为滤波函数,Hk具体为:
通过傅里叶逆变换,频带(fl,fu)内的窄带钢轨响应信号能够由下式得到:
基于所得的窄带钢轨响应信号,一个基于钢轨响应信号特征的车轮多边形化指标PI,如下式:
其中,车轮多边形化指标PI为预处理后钢轨响应信号在固定阶次h对应频带上的有效值与预处理前钢轨响应信号幅值之比。
7.一种高速动车组车轮多边形化的识别装置,其特征在于,包括:
钢轨响应信号获取模块,用于采用轨底纵向的应变传感器,通过监测驶经断面的车轮激励对钢轨产生的响应,获取车轮激励下的钢轨响应信号;
信号预处理模块,用于对车轮激励下的钢轨响应信号进行预处理;
车轮多边形化指标构造模块,用于在钢轨响应信号预处理的基础上提取信号特征,构造车轮多边形化指标;
故障识别模块,用于利用构造的车轮多边形化指标,识别车轮多边形化故障;
其中,车轮多边形化指标为预处理后钢轨响应信号在固定阶次对应频带上的有效值与原始信号幅值之比,原始信号为预处理前的钢轨响应信号,固定阶次为固定的多边形阶次。
8.如权利要求7所述的高速动车组车轮多边形化的识别装置,其特征在于,
所述钢轨响应信号获取模块具体用于识别单个应变传感器采集信号的峰值Ps及峰值所对应的时刻Pt,在各峰值左右侧取点数(N-1)/2与峰值共同形成一个N×1的序列si,j,该序列为第i个应变传感器采集到的第j个车轮激励下的轨底应变响应信号;
其中,i∈(1,M),M为单侧轨底应变传感器阵列中应变传感器数目,j∈(1,L),Ps及Pt均为1×L向量,L为整列动车组的轮对数,序列长度N为可调参数;
所述信号预处理模块具体用于对各应变传感器采集到的车轮激励下的钢轨响应信号,进行消除趋势顶的预处理。
9.如权利要求7所述的高速动车组车轮多边形化的识别装置,其特征在于,所述识别装置,还包括:
速度计算模块,用于基于应变传感器监测数据的时域特征,根据动车组轴距或传感器间距,计算每个车轮通过监测断面时的速度。
10.如权利要求7至9任一所述的高速动车组车轮多边形化的识别装置,其特征在于,所述车轮多边形化指标构造模块具体用于:
将钢轨响应信号按照不同频带分解,各频带中心频率为f(h),上下限频率fl(h)及fu(h)具体为:
fl(h)=(h-0.5)v/πD
fu(h)=(h+0.5)v/πD
其中,v为车速,h为固定的多边形阶次,D为车轮直径,为了获得频带(fl,fu)内的钢轨响应信号,能够将预处理后钢轨响应信号进行带通滤波:
Y(k,fl,fu)=HkSk
式中Sk为st(t=0,1,…,n-1)的离散傅里叶变换谱,st为经预处理后钢轨响应信号,即为S’,Y(k,fl,fu)为带通滤波后的DFT谱,Hk为滤波函数,Hk具体为:
通过傅里叶逆变换,频带(fl,fu)内的窄带钢轨响应信号能够由下式得到:
基于所得的窄带钢轨响应信号,一个基于钢轨响应信号特征的车轮多边形化指标PI,如下式:
其中,车轮多边形化指标PI为预处理后钢轨响应信号在固定阶次h对应频带上的有效值与预处理前钢轨响应信号幅值之比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710256490.5A CN108734060A (zh) | 2017-04-18 | 2017-04-18 | 一种高速动车组车轮多边形化的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710256490.5A CN108734060A (zh) | 2017-04-18 | 2017-04-18 | 一种高速动车组车轮多边形化的识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108734060A true CN108734060A (zh) | 2018-11-02 |
Family
ID=63924334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710256490.5A Pending CN108734060A (zh) | 2017-04-18 | 2017-04-18 | 一种高速动车组车轮多边形化的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734060A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110806324A (zh) * | 2019-11-11 | 2020-02-18 | 成都西交智众科技有限公司 | 基于轨道位移的车轮多边形磨耗检测方法及数据采集设备 |
CN111824207A (zh) * | 2020-06-09 | 2020-10-27 | 华东交通大学 | 一种基于轨底应变识别车轮失圆的方法 |
CN112381027A (zh) * | 2020-11-23 | 2021-02-19 | 西南交通大学 | 基于列车轴箱垂向加速度信号的车轮多边形波深估计方法 |
CN112766043A (zh) * | 2020-12-25 | 2021-05-07 | 北京安铁软件技术有限公司 | 一种列车车轮多边形检测信号处理方法及其*** |
CN112991577A (zh) * | 2021-02-25 | 2021-06-18 | 成都运达科技股份有限公司 | 一种轨道车辆车轮多边形状态诊断*** |
CN113280747A (zh) * | 2021-04-22 | 2021-08-20 | 杭州申昊科技股份有限公司 | 一种基于光纤光栅传感器判断铁轨安全的***及方法 |
CN114088004A (zh) * | 2021-11-12 | 2022-02-25 | 西北铁道电子股份有限公司 | 铁路动态车辆车轮踏面探伤装置及方法 |
CN114954562A (zh) * | 2022-04-25 | 2022-08-30 | 中国国家铁路集团有限公司 | 低阶车轮多边形识别方法及装置 |
WO2023138581A1 (zh) * | 2022-01-20 | 2023-07-27 | 清华大学 | 一种轨道交通机车车辆轮对多边形故障检测方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1198377B1 (en) * | 1999-07-23 | 2003-05-28 | AEA Technology plc | Railway wheel monitoring |
CN1812907A (zh) * | 2003-06-27 | 2006-08-02 | 通用电气公司 | 钢轨和列车监控***和方法 |
CN2921779Y (zh) * | 2006-06-23 | 2007-07-11 | 西南交通大学 | 车轮踏面擦伤及不圆度在线动态检测装置 |
CN101113936A (zh) * | 2007-07-20 | 2008-01-30 | 广州市计量检测技术研究院 | 一种虚拟振动台检测信号处理方法及其设备 |
CN201615872U (zh) * | 2010-02-11 | 2010-10-27 | 广州市地下铁道总公司 | 车轮踏面缺陷检测装置 |
CN102092406A (zh) * | 2011-01-17 | 2011-06-15 | 武汉理工大学 | 光纤光栅传感列车车轮踏面状态在线监测*** |
CN102431576A (zh) * | 2011-10-13 | 2012-05-02 | 成都主导科技有限责任公司 | 一种轮对故障动态检测数据处理方法和*** |
CN102519579A (zh) * | 2011-12-20 | 2012-06-27 | 华北电力大学 | 汽轮机碰磨故障检测方法 |
CN103487250A (zh) * | 2013-10-08 | 2014-01-01 | 中国矿业大学(北京) | 基于二维投射的煤矿设备预知维护方法 |
CN103543026A (zh) * | 2013-10-23 | 2014-01-29 | 青岛理工大学 | 基于振动传递率函数和支持向量机的结构损伤识别方法 |
EP2982566A2 (en) * | 2013-04-01 | 2016-02-10 | Universidad Eafit | System for detecting defects in the roundness of railway vehicle wheels |
CN106053060A (zh) * | 2016-06-29 | 2016-10-26 | 潍坊学院 | 一种基于非线性模式分解滤波的包络分析方法 |
-
2017
- 2017-04-18 CN CN201710256490.5A patent/CN108734060A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1198377B1 (en) * | 1999-07-23 | 2003-05-28 | AEA Technology plc | Railway wheel monitoring |
CN1812907A (zh) * | 2003-06-27 | 2006-08-02 | 通用电气公司 | 钢轨和列车监控***和方法 |
CN2921779Y (zh) * | 2006-06-23 | 2007-07-11 | 西南交通大学 | 车轮踏面擦伤及不圆度在线动态检测装置 |
CN101113936A (zh) * | 2007-07-20 | 2008-01-30 | 广州市计量检测技术研究院 | 一种虚拟振动台检测信号处理方法及其设备 |
CN201615872U (zh) * | 2010-02-11 | 2010-10-27 | 广州市地下铁道总公司 | 车轮踏面缺陷检测装置 |
CN102092406A (zh) * | 2011-01-17 | 2011-06-15 | 武汉理工大学 | 光纤光栅传感列车车轮踏面状态在线监测*** |
CN102431576A (zh) * | 2011-10-13 | 2012-05-02 | 成都主导科技有限责任公司 | 一种轮对故障动态检测数据处理方法和*** |
CN102519579A (zh) * | 2011-12-20 | 2012-06-27 | 华北电力大学 | 汽轮机碰磨故障检测方法 |
EP2982566A2 (en) * | 2013-04-01 | 2016-02-10 | Universidad Eafit | System for detecting defects in the roundness of railway vehicle wheels |
CN103487250A (zh) * | 2013-10-08 | 2014-01-01 | 中国矿业大学(北京) | 基于二维投射的煤矿设备预知维护方法 |
CN103543026A (zh) * | 2013-10-23 | 2014-01-29 | 青岛理工大学 | 基于振动传递率函数和支持向量机的结构损伤识别方法 |
CN106053060A (zh) * | 2016-06-29 | 2016-10-26 | 潍坊学院 | 一种基于非线性模式分解滤波的包络分析方法 |
Non-Patent Citations (4)
Title |
---|
CHULIANG WEI ET AL.: "Real-Time Train Wheel Condition Monitoring by Fiber Bragg Grating Sensors", 《INTERNATIONAL JOURNAL OF DISTRIBUTED SENSOR NETWORKS》 * |
XIAOZHOU LIU ET AL.: "AET-based Pattern Recognition Technique for Rail Defect Detection", 《STRUCTURAL HEALTH MONITORING 2015》 * |
李鹤: "列车超偏载和车轮踏面损伤的光纤光栅监测技术", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
罗仁等: "高速列车车轮不圆顺磨耗仿真及分析", 《铁道学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110806324A (zh) * | 2019-11-11 | 2020-02-18 | 成都西交智众科技有限公司 | 基于轨道位移的车轮多边形磨耗检测方法及数据采集设备 |
CN111824207A (zh) * | 2020-06-09 | 2020-10-27 | 华东交通大学 | 一种基于轨底应变识别车轮失圆的方法 |
CN112381027A (zh) * | 2020-11-23 | 2021-02-19 | 西南交通大学 | 基于列车轴箱垂向加速度信号的车轮多边形波深估计方法 |
CN112766043A (zh) * | 2020-12-25 | 2021-05-07 | 北京安铁软件技术有限公司 | 一种列车车轮多边形检测信号处理方法及其*** |
CN112766043B (zh) * | 2020-12-25 | 2023-10-17 | 北京安铁软件技术有限公司 | 一种列车车轮多边形检测信号处理方法及其*** |
CN112991577A (zh) * | 2021-02-25 | 2021-06-18 | 成都运达科技股份有限公司 | 一种轨道车辆车轮多边形状态诊断*** |
CN112991577B (zh) * | 2021-02-25 | 2022-08-02 | 成都运达科技股份有限公司 | 一种轨道车辆车轮多边形状态诊断*** |
CN113280747A (zh) * | 2021-04-22 | 2021-08-20 | 杭州申昊科技股份有限公司 | 一种基于光纤光栅传感器判断铁轨安全的***及方法 |
CN114088004A (zh) * | 2021-11-12 | 2022-02-25 | 西北铁道电子股份有限公司 | 铁路动态车辆车轮踏面探伤装置及方法 |
WO2023138581A1 (zh) * | 2022-01-20 | 2023-07-27 | 清华大学 | 一种轨道交通机车车辆轮对多边形故障检测方法及装置 |
CN114954562A (zh) * | 2022-04-25 | 2022-08-30 | 中国国家铁路集团有限公司 | 低阶车轮多边形识别方法及装置 |
CN114954562B (zh) * | 2022-04-25 | 2024-07-09 | 中国国家铁路集团有限公司 | 低阶车轮多边形识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734060A (zh) | 一种高速动车组车轮多边形化的识别方法及装置 | |
Zhao et al. | Deep convolutional neural network based planet bearing fault classification | |
Gunnarsdóttir et al. | Review of indicators for sustainable energy development | |
CN104729667B (zh) | 一种分布式光纤振动传感***中的扰动类型识别方法 | |
Peter et al. | Machine fault diagnosis through an effective exact wavelet analysis | |
Janani et al. | Influence of surface distresses on smartphone-based pavement roughness evaluation | |
CN104240455B (zh) | 一种分布式光纤管线安全预警***中的扰动事件识别方法 | |
WO2021119947A1 (zh) | 一种桥梁损伤快速检测方法及相关装置 | |
Chen et al. | Damage detection of highway bridges based on long-gauge strain response under stochastic traffic flow | |
CN109357822A (zh) | 一种基于车桥耦合***时变动力特征改变的桥梁快速测试与评估方法 | |
CN106338705A (zh) | 一种用于三相电能计量装置的校验误差的方法和装置 | |
CN103616187B (zh) | 一种基于多维度信息融合的故障诊断方法 | |
CN102494899A (zh) | 柴油机复合故障诊断方法及诊断*** | |
CN109974782A (zh) | 基于大数据敏感特征优化选取的设备故障预警方法及*** | |
Wei et al. | Strain features and condition assessment of orthotropic steel deck cable-supported bridges subjected to vehicle loads by using dense FBG strain sensors | |
CN109375010A (zh) | 基于振动分布特征模型的电力变压器绕组故障诊断方法 | |
CN102889987A (zh) | 一种齿轮故障诊断平台及齿轮故障诊断方法 | |
CN109165632A (zh) | 一种基于改进d-s证据理论的设备故障诊断方法 | |
CN110398343A (zh) | 利用主动型振动控制技术的模型船舶阻力测量*** | |
Liu et al. | Mathematical insights into the relationship between pavement roughness and vehicle vibration | |
Liu et al. | Rolling bearing fault detection based on the teager energy operator and elman neural network | |
CN103603794A (zh) | 一种储气库注采压缩机组自适应故障诊断方法及设备 | |
CN109120336A (zh) | 基于相位敏感光时域反射传感器的防误警漏警方法 | |
Wang et al. | A new DFT-based dynamic detection framework for polygonal wear state of railway wheel | |
Liu et al. | Research and analysis of the wheeled vehicle load spectrum editing method based on short-time Fourier transform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181102 |