CN110728000A - 一种无砟轨道弹性扣件损伤识别方法 - Google Patents

Abstract

本发明属于无砟轨道检测领域，并具体公开了一种无砟轨道弹性扣件损伤识别方法。该方法具体包括：建立无损有限元模型并优化，确定弹性扣件的无损刚度系数；测得实际激励力数据和实际加速度时程数据；将实际激励力数据代入无损有限元模型中，获得模拟加速度时程数据；根据实际加速度时程数据和模拟加速度时程数据，利用MCMC法计算各个弹性扣件的实际刚度系数；判断实际刚度系数与无损刚度系数的比值是否为1，若是，则该弹性扣件没有损坏，若否，则该弹性扣件发生损坏。本发明在测试时能够消除不确定因素的影响，仅考虑弹性扣件的损伤情况，从而有效提高无砟轨道弹性扣件损伤识别的精确度。

Description

一种无砟轨道弹性扣件损伤识别方法

技术领域

本发明属于无砟轨道检测领域，更具体地，涉及一种无砟轨道弹性扣件损伤识别方法。

背景技术

国内外的高速铁路轨道结构主要采用两种形式：有砟轨道与无砟轨道。其中高速铁路无砟轨道结构，由于其良好的整体性能，营运时极高的平顺性和稳定性，已逐步在高速铁路轨道结构中得到广泛应用。

在高速铁路无砟轨道结构中，弹性扣件连接钢轨和轨道板，起到固定钢轨的作用，是轨道结构中的重要组成部分。随着列车高速重载化的发展趋势，轨道结构的轨下基础将受到很大的冲击和振动，导致弹性扣件产生不同程度的损伤甚至松脱。扣件松脱会加剧车辆和钢轨的振动，改变车辆-轨道耦合***的动力学性能，极大地影响列车运营的舒适性和安全性，特别是列车行驶时速高达300km/h。因此，对扣件损伤进行识别并及时的进行维护显得尤为重要。

目前，在许多城市的铁路实际运营中，铁路结构损坏的检测通常依赖于目视检查。对弹性扣件的检测主要依靠人工沿着线路进行排查，这样传统的人工巡检方法效率较低，并且工作时间受天窗时间的限制，而且现有扣件损伤检测技术存在一定的缺陷，该方法只能检测扣件的外观状态，即是否缺失和断裂，无法同时精确地识别出损伤位置和程度。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种无砟轨道弹性扣件损伤识别方法，其中结合实际激励力数据和无损有限元模型，能够消除不确定因素的影响，准确识别弹性扣件的损伤位置和损伤程度，因而尤其适用于无砟轨道的检测。

为实现上述目的，本发明提出了一种无砟轨道弹性扣件损伤识别方法，该方法包括如下步骤：

S1针对无损状态下的无砟轨道建立无损有限元模型并优化，然后确定弹性扣件的无损刚度系数；

S2对待测无砟轨道施加激励，测得实际激励力数据和各数据采集点的实际加速度时程数据；

S3将所述实际激励力数据代入所述无损有限元模型中，获得模拟加速度时程数据；

S4根据所述步骤S2获得的实际加速度时程数据和所述步骤S3获得的模拟加速度时程数据，利用MCMC方法计算各个所述弹性扣件的实际刚度系数；

S5判断各个所述弹性扣件的实际刚度系数与无损刚度系数的比值是否为1，若是，则该弹性扣件没有损坏，若否，则该弹性扣件发生损坏。

作为进一步优选地，所述步骤S1包括如下子步骤：

S11在无损状态下对无砟轨道施加激励，获得无损激励力数据和各数据采集点的无损加速度时程数据；

S12针对无损状态下的无砟轨道建立无损有限元模型；

S13将所述步骤S11获得的无损激励力数据代入所述无损有限元模型中获得模拟加速度时程数据；

S14将所述模拟加速度时程数据与所述子步骤S11获得的无损加速度时程数据进行比较，判断误差是否在预设范围内，若是，则直接转入所述子步骤S15，若否，则修正所述无损有限元模型，直至所述模拟加速度时程数据与所述无损加速度时程数据的误差在预设范围内，然后转入所述步骤S15；

S15根据所述步骤S11获得的无损加速度时程数据确定所述弹性扣件的无损刚度系数。

作为进一步优选地，所述子步骤S11的具体过程为：在无砟轨道上确定数据采集点的位置，并在相应位置安装传感器，在无损状态下选取任意一个数据采集点施加激励，通过所述传感器获得无损激励力数据和各数据采集点的无损加速度时程数据。

作为进一步优选地，所述子步骤S11中传感器安装在钢轨和轨道板上。

作为进一步优选地，所述子步骤S12中建立无损有限元模型的方法为：针对无损状态下无砟轨道的钢轨、弹性扣件、底座板、水泥沥青砂浆、轨道板以及基础进行仿真模拟，对所述轨道板与水泥沥青砂浆之间以及所述水泥沥青砂浆与轨道板之间的层间关系进行仿真模拟，用弹簧模拟所述弹性扣件，建立所述无损有限元模型。

作为进一步优选地，所述步骤S4包括如下子步骤：

S41利用下式计算第一次取样即g＝1时的核密度函数κ_g：

式中，g为取样次数，N_ss为样本总数，W^(j)为第j个样本的权重，N(θ^j(i),σ^(j))为高斯函数；

S42根据下式对核密度函数κ_g进行更新，获得g＝g_r时的核密度函数κ_gr：

A为计算核密度函数时的系数，g_r为迭代次数；

S43利用下式计算目标拟合函数J(θ)：

式中，J(θ)为目标拟合函数，N₀为总的数据点，k为数据采集点的编号，N_d为数据采集点的总数，j为数据中的序列号，N_S为序列号的最大值，n为敲击的编号，N_f为敲击的总次数，

为第k个数据采集点的第j时间步长的实际加速度时程数据，

为第k个数据采集点的第j时间步长的模拟加速度时程数据，θ为弹性扣件的刚度系数，|| ||表示范数；

S44根据所述步骤S42获得的κ_gr和所述步骤S43获得的J(θ)，利用下式计算g＝g_r时的边缘概率密度p(θ|D)：

式中，θ为各弹性扣件的刚度系数，D为实际加速度时程数据，c为归一化常数；

S45根据所述步骤S44获得的p(θ|D)反算所述弹性扣件的实际刚度系数。

作为进一步优选地，所述迭代次数g_r的取值优选为10次～20次。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：

1.本发明通过建立无损有限元模型，能够综合考虑无砟轨道的各种不确定因素，使得在对待测无砟轨道进行测试时能够消除不确定因素的影响，仅考虑弹性扣件的损伤情况，从而有效提高无砟轨道弹性扣件损伤识别的精确度，通过MCMC法确定弹性扣件的损伤位置和损伤程度，对于无砟轨道后期的运营以及弹性扣件损伤识别与维护加固等工作具有前瞻性作用；

2.同时，本发明在构建无损有限元模型时，将模拟加速度时程数据与无损加速度时程数据进行比较，保证误差在预设范围内，能够有效提高无损有限元模型的准确性；

3.尤其是，本发明采用基于蒙特卡洛的贝叶斯修正方法对弹性扣件的实际损伤刚度系数进行优化，通过对核密度函数进行迭代优化，能够获得较为准确的联合概率密度，从而保证损伤识别的准确性，同时不需要进行前期的模型类选择，便可有效快速地进行检测。

附图说明

图1是本发明提供的无砟轨道弹性扣件损伤识别方法的流程图；

图2是本发明步骤S4的流程图；

图3是本发明优选实施例中基于时程加速度数据的模型验证示意图；

图4是本发明优选实施例中MCMC方法计算的实际刚度系数的分布示意图，其中(a)为弹性扣件1，(b)为弹性扣件2，(c)为弹性扣件3，(d)为弹性扣件4；

图5是本发明优选实施中实际激励力数据与模型输入力的对比示意图；

图6是本发明优选实施例中弹性扣件的边缘概率密度分布图，其中(a)为弹性扣件1，(b)为弹性扣件2，(c)为弹性扣件3，(d)为弹性扣件4；

图7是本发明优选实施例中弹性扣件及轨道板的平面安装示意图；

图8是本发明优选实施例中弹性扣件及轨道板的轴视图；

图9是本发明优选实施例中识别结果示意图；

图10是本发明优选实施例中MATLAB、Python语言以及ABAQUS交互式使用的代码流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，本发明提出了一种无砟轨道弹性扣件损伤识别方法，该方法包括如下步骤：

S1针对无损状态下的无砟轨道建立无损有限元模型并优化，然后确定弹性扣件的无损刚度系数；

S2对待测无砟轨道施加激励，测得实际激励力数据和各数据采集点的实际加速度时程数据；

S3将实际激励力数据代入无损有限元模型中，获得模拟加速度时程数据；

S4根据步骤S2获得的实际加速度时程数据和步骤S3获得的模拟加速度时程数据，利用MCMC(蒙特卡洛)方法计算各个所述弹性扣件的实际刚度系数；

S5判断各个弹性扣件的实际刚度系数与无损刚度系数的比值是否为1，若是，则该弹性扣件没有损坏，若否，则该弹性扣件发生损坏。

进一步，步骤S1包括如下子步骤：

S11综合考虑无砟轨道结构的尺寸、识别精确度以及经济因素，确定钢轨上安装传感器的位置和个数，为保证结果的准确性，可将传感器安装在钢轨和轨道板上，然后在无损状态下选取钢轨上某数据采集点A进行动力特性测试，对其进行激励，通过设置的传感器获得无损激励力数据和各数据采集点的无损加速度时程数据；

S12针对无损状态下无砟轨道的钢轨、弹性扣件、底座板、水泥沥青砂浆、轨道板以及基础进行仿真模拟，对轨道板与水泥沥青砂浆之间以及水泥沥青砂浆与轨道板之间的层间关系进行仿真模拟，用弹簧模拟弹性扣件，建立无损有限元模型；

S13将所述步骤S11获得的无损激励力数据代入所述无损有限元模型中获得模拟加速度时程数据；

S14将所述模拟加速度时程数据与所述子步骤S11获得的无损加速度时程数据进行比较，判断误差是否在预设范围内，若是，则直接转入所述子步骤S15，若否，则修正所述无损有限元模型，直至所述模拟加速度时程数据与所述无损加速度时程数据的误差在预设范围内，然后转入所述步骤S15；

S15根据所述步骤S11获得的无损加速度时程数据确定所述弹性扣件的无损刚度系数。

进一步，如图2所示，步骤S4包括如下子步骤：

S41利用式(1)计算第一次取样即g＝1时的核密度函数κ_g：

式中，g为取样次数，N_ss为样本总数，W^(j)为第j个样本的权重，N(θ^j(i),σ^(j))为高斯函数，θ^j(i)为第j个样本，σ^(j)为第j个样本高斯函数的方差；

S42根据式(2)对核密度函数κ_g进行更新，获得g＝g_r时的核密度函数κ_gr：

g_r为迭代次数，根据试验经验确定g_r优选为10次～20次；

S43利用式(3)计算目标拟合函数J(θ)：

式中，J(θ)为目标拟合函数，N₀为总的数据点，k为数据采集点的编号，N_d为数据采集点的总数，j为数据中的序列号，N_S为序列号的最大值，n为敲击的编号，N_f为敲击的总次数，为第k个数据采集点的第j时间步长的实际加速度时程数据，

为第k个数据采集点的第j时间步长的模拟加速度时程数据，θ为弹性扣件的刚度系数，|| ||表示范数；

S44根据步骤S42获得的κ_gr和步骤S43获得的J(θ)，利用式(4)计算g＝g_r时的边缘概率密度p(θ|D)：

式中，p(θ|D)为在现场测量响应数据D的情况下刚度系数为θ的概率。θ为各弹性扣件的刚度系数，D为实际加速度时程数据，c为归一化常数，使得概率密度在参数空间上的积分等于1；

S45根据步骤S44获得的p(θ|D)反算弹性扣件的实际刚度系数。

下面针对具体实施例对本发明作进一步说明。

S1在无砟轨道的钢轨和铁道板上安装传感器，如图7、8所示，在无损状态下对无砟轨道施加激励，获得无损激励力数据和各数据采集点的无损加速度时程数据，针对无损状态下的无砟轨道建立无损有限元模型，图3是无损有限元模型中模拟加速度时程数据与无损加速度时程数据的对比，误差在预设范围内，说明该模型具有较高的精确度，然后根据无损加速度时程数据确定弹性扣件的无损刚度系数；

S2对待测无砟轨道施加激励，测得实际激励力数据和各数据采集点的实际加速度时程数据；

S3将实际加速度时程数据作为目标数据导入数学商用软件MATLAB中，将实际激励力数据代入无损有限元模型中，获得模拟加速度时程数据；

S4根据所述步骤S2获得的实际加速度时程数据和所述步骤S3获得的模拟加速度时程数据，利用MCMC方法计算各个所述弹性扣件的实际刚度系数；

更具体地，

误差满足均值为0，方差为κ_g的高斯分布，图10是MATLAB、Python语言以及ABAQUS交互式使用的代码流程图，详述如下：

在已有的无砟轨道模型上，构建含弹性扣件损伤的CRTS板式无砟轨道的模型，并生成建模数据库INP文件，在INP文件中寻找所述损伤弹性扣件刚度系数的行数；

针对弹性扣件弹性模量范围，设置一定数量初始值，根据迭代初始值，修改INP文件中已寻找到的对应模拟弹性扣件的弹簧的参数，并生成新的INP文件；

针对新生成的INP文件，提交ABAQUS计算，生成结果数据库ODB文件；

编写Python语言，提取结果数据库ODB文件中预先设置的数据采集点的加速度时程数据，并存入TXT文件中；

将数据采集点的加速度数据与预先设置的目标数据进行如式(3)计算，J(θ)为目标拟合函数，再根据MCMC贝叶斯概率理论方法，可求得弹性扣件识别结果的概率密度分布概率；

图4是MCMC方法计算的实际刚度系数的分布示意图，基于上述MCMC贝叶斯模型修正方法所识别出来的无砟轨道弹性扣件损伤位置和程度，使用有限元软件ABAQUS构建具有对应损伤情况的有限元模型，施加对应现场的激励力，如图5现场试验力与模型输入力对比，并利用Python语言提取对应数据采集点的加速度时程；

S5判断各个弹性扣件的实际刚度系数与无损刚度系数的比值是否为1，若是，则该弹性扣件没有损坏，若否，则该弹性扣件发生损坏，结果如图6、9所示，弹性扣件4的比值为0.65，其损伤程度为35％。

本发明中，将基于MCMC的贝叶斯概率理论方法与工程进行深度结合，并采用商业数学软件MATLAB与Python语言以及通用有限元软件ABAQUS的交互式使用，可以有效快速地测出无砟轨道结构弹性扣件的损伤位置和程度，并求出对应的概率分布，对于轨道结构后期的运营以及无砟轨道结构损伤维护加固，具有前瞻性作用，具有较强的工程应用价值。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种无砟轨道弹性扣件损伤识别方法，其特征在于，该方法包括如下步骤：

S1 针对无损状态下的无砟轨道建立无损有限元模型并优化，然后确定弹性扣件的无损刚度系数；

S2 对待测无砟轨道施加激励，测得实际激励力数据和各数据采集点的实际加速度时程数据；

S3 将所述实际激励力数据代入所述无损有限元模型中，获得模拟加速度时程数据；

S4 根据所述步骤S2获得的实际加速度时程数据和所述步骤S3获得的模拟加速度时程数据，利用MCMC方法计算各个所述弹性扣件的实际刚度系数；

S5 判断各个所述弹性扣件的实际刚度系数与无损刚度系数的比值是否为1，若是，则该弹性扣件没有损坏，若否，则该弹性扣件发生损坏。

2.如权利要求1所述的无砟轨道弹性扣件损伤识别方法，其特征在于，所述步骤S1包括如下子步骤：

S11 在无损状态下对无砟轨道施加激励，获得无损激励力数据和各数据采集点的无损加速度时程数据；

S12 针对无损状态下的无砟轨道建立无损有限元模型；

S13 将所述步骤S11获得的无损激励力数据代入所述无损有限元模型中获得模拟加速度时程数据；

S14 将所述模拟加速度时程数据与所述子步骤S11获得的无损加速度时程数据进行比较，判断误差是否在预设范围内，若是，则直接转入所述子步骤S15，若否，则修正所述无损有限元模型，直至所述模拟加速度时程数据与所述无损加速度时程数据的误差在预设范围内，然后转入所述步骤S15；

S15 根据所述步骤S11获得的无损加速度时程数据确定所述弹性扣件的无损刚度系数。

3.如权利要求2所述的无砟轨道弹性扣件损伤识别方法，其特征在于，所述子步骤S11的具体过程为：在无砟轨道上确定数据采集点的位置，并在相应位置安装传感器，在无损状态下选取任意一个数据采集点施加激励，通过所述传感器获得无损激励力数据和各数据采集点的无损加速度时程数据。

4.如权利要求3所述的无砟轨道弹性扣件损伤识别方法，其特征在于，所述子步骤S11中传感器安装在钢轨和轨道板上。

5.如权利要求2～4任一项所述的无砟轨道弹性扣件损伤识别方法，其特征在于，所述子步骤S12中建立无损有限元模型的方法为：针对无损状态下无砟轨道的钢轨、弹性扣件、底座板、水泥沥青砂浆、轨道板以及基础进行仿真模拟，对所述轨道板与水泥沥青砂浆之间以及所述水泥沥青砂浆与轨道板之间的层间关系进行仿真模拟，用弹簧模拟所述弹性扣件，建立所述无损有限元模型。

6.如权利要求1所述的无砟轨道弹性扣件损伤识别方法，其特征在于，所述步骤S4包括如下子步骤：

S41 利用下式计算第一次取样即g＝1时的核密度函数κ_g：

式中，g为取样次数，N_ss为样本总数，W^(j)为第j个样本的权重，N(θ^j(i),σ^(j))为高斯函数，θ^j(i)为第j个样本，σ^(j)为第j个样本高斯函数的方差；

S42根据下式对核密度函数κ_g进行更新，获得g＝g_r时的核密度函数κ_gr：

A为计算核密度函数时的系数，g_r为迭代次数；

S43利用下式计算目标拟合函数J(θ)：

式中，J(θ)为目标拟合函数，N₀为总的数据点，k为数据采集点的编号，N_d为数据采集点的总数，j为数据中的序列号，N_S为序列号的最大值，n为敲击的编号，N_f为敲击的总次数，

为第k个数据采集点的第j时间步长的实际加速度时程数据，为第k个数据采集点的第j时间步长的模拟加速度时程数据，θ为弹性扣件的刚度系数，|| ||表示范数；

S44根据所述步骤S42获得的κ_gr和所述步骤S43获得的J(θ)，利用下式计算g＝g_r时的边缘概率密度p(θ|D)：

式中，θ为各弹性扣件的刚度系数，D为实际加速度时程数据，c为归一化常数；

S45根据所述步骤S44获得的p(θ|D)反算所述弹性扣件的实际刚度系数。

7.如权利要求6所述的无砟轨道弹性扣件损伤识别方法，其特征在于，所述迭代次数g_r的取值优选为10次～20次。

Images