CN111693304B - 车辆故障检测方法、装置、计算机设备和可读存储介质 - Google Patents

车辆故障检测方法、装置、计算机设备和可读存储介质 Download PDF

Info

Publication number
CN111693304B
CN111693304B CN202010568735.XA CN202010568735A CN111693304B CN 111693304 B CN111693304 B CN 111693304B CN 202010568735 A CN202010568735 A CN 202010568735A CN 111693304 B CN111693304 B CN 111693304B
Authority
CN
China
Prior art keywords
target
filtering
scale
filtering result
fault
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.)
Active
Application number
CN202010568735.XA
Other languages
English (en)
Other versions
CN111693304A (zh
Inventor
李奕璠
张超宙
杨耀程
刘建新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202010568735.XA priority Critical patent/CN111693304B/zh
Publication of CN111693304A publication Critical patent/CN111693304A/zh
Application granted granted Critical
Publication of CN111693304B publication Critical patent/CN111693304B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G01M17/013—Wheels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/30—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring angles or tapers; for testing the alignment of axes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请实施例提供了一种车辆故障检测方法、装置、计算机设备和可读存储介质，涉及车辆安全检测技术领域，车辆故障检测方法包括：利用旋转加速度传感器采集的车轮振动加速度信号，以及磁环编码器采集的脉冲信号，计算得到目标车轮的垂直振动加速度；根据基于闭开梯度和闭开开闭梯度相关运算构建的多尺度滤波器对垂直振动加速度进行滤波，得到目标车轮的多个尺度的滤波结果；从多个尺度的滤波结果中获取目标滤波结果；对目标滤波结果进行包络谱分析，得到目标滤波结果对应的特征频率位置的幅值；当特征频率位置的幅值大于预设幅值阈值时，判定目标车轮出现故障，能够可靠地实现车辆故障的检测。

Description

车辆故障检测方法、装置、计算机设备和可读存储介质
技术领域
本申请涉及车辆安全检测领域，具体而言，涉及一种车辆故障检测方法、装置、计算机设备和可读存储介质。
背景技术
随着轨道交通的技术的发展，轨道车的速度越来越快，随着产生的安全问题也越来越被关注。轨道车的车轮作为轨道车的重要部件，对其进行的故障检测方案十分的重要。在现有技术中，存在轮轨噪声检测、图像处理、超声波探伤、测力检测、位移检测等车轮故障检测方法，然而上述方法均是将测试***安装在轨道旁，无法实现车轮状态的运行全过程实时检测。而现有技术中的振动检测虽然实现了行车全过程的状态检测，但这种间接检测方法受到列车其他部件的干扰较大、检测的准确率有限。基于此，现有技术中的车辆故障检测方案并不可靠。
有鉴于此，如何提供一种可靠的车辆故障检测方案，是本领域技术人员需要解决的问题。
发明内容
本申请提供了一种车辆故障检测方法、装置、计算机设备和可读存储介质。
本申请的实施例可以这样实现：
第一方面，本申请实施例提供一种车辆故障检测方法，应用于计算机设备，所述计算机设备与旋转加速度传感器和磁环编码器均通信连接，所述旋转加速度传感器设置在待测车辆的目标车轮上，所述磁环编码器设置在所述待测车辆的目标车轴上，所述目标车轮与所述目标车轴连接；
所述方法包括：
利用所述旋转加速度传感器采集的车轮振动加速度信号，以及所述磁环编码器采集的脉冲信号，计算得到所述目标车轮的垂直振动加速度；
根据基于闭开梯度和闭开开闭梯度相关运算构建的多尺度滤波器对所述垂直振动加速度进行滤波，得到所述目标车轮的多个尺度的滤波结果；
从所述多个尺度的滤波结果中获取目标滤波结果，所述目标滤波结果为所述多个尺度的滤波结果中故障敏感度最高的滤波结果；
对所述目标滤波结果进行包络谱分析，得到所述目标滤波结果对应的特征频率位置的幅值；
当所述特征频率位置的幅值大于预设幅值阈值时，判定所述目标车轮出现故障。
在可选的实施方式中，所述利用所述旋转加速度传感器采集的车轮振动加速度信号、以及所述磁环编码器采集的脉冲信号，计算得到所述目标车轮的垂直振动加速度的步骤，包括：
根据预设脉冲信号数量和所述磁环编码器采集的脉冲信号的数量，计算得到所述目标车轮的转动角度；
根据所述转动角度和所述车轮振动加速度信号对应的车轮振动加速度，计算得到所述垂直振动加速度。
在可选的实施方式中，所述根据预设脉冲信号数量和所述磁环编码器采集的脉冲信号的数量，计算得到所述目标车轮的转动角度的步骤，包括：
根据预设脉冲信号数量和所述磁环编码器采集的脉冲信号，基于公式：
Figure GDA0003063801170000021
计算得到所述转动角度，其中，θt为所述转动角度，Nt为t时刻所述磁环编码器采集的脉冲信号的数量，N为所述预设脉冲信号数量；
所述根据所述目标车轮的转动角度和所述车轮振动加速度信号，计算得到所述目标车轮的垂直振动加速度的步骤，包括：
根据所述转动角度和所述车轮振动加速度信号对应的车轮振动加速度，基于公式：
ay(t)＝a(t)×sinθt
计算得到所述垂直振动加速度，其中，ay(t)为所述垂直振动加速度，a(t)为所述车轮振动加速度。
在可选的实施方式中，所述根据基于闭开梯度和闭开开闭梯度相关运算构建的多尺度滤波器对所述垂直振动加速度进行滤波，得到所述目标车轮的多个尺度的滤波结果的步骤，包括：
根据基于闭开梯度和闭开开闭梯度相关运算构建的多尺度滤波器：
yi(t)＝y1i(t)★y2i(t)对所述垂直振动加速度进行滤波，得到所述多个尺度的滤波结果；
其中，yi(t)为所述目标车轮的i尺度的滤波结果，y1i(t)为所述垂直振动加速度在i尺度经过闭开梯度运算得到的运算结果，y2i(t)为所述垂直振动加速度在i尺度经过闭开开闭梯度运算得到的运算结果，★表示相关运算符号。
在可选的实施方式中，所述计算机设备预先存储有原始故障振动信号和参考健康振动信号；
所述从所述多个尺度的滤波结果中获取目标滤波结果的步骤，包括：
根据第一预设关联度公式计算得到每个尺度的滤波结果与所述原始故障振动信号的第一关联度；
根据第二预设关联度公式计算得到每个尺度的滤波结果与所述参考健康振动信号的第二关联度；
根据所述第一关联度和所述第二关联度的差值，确定所述每个尺度的滤波结果的故障敏感系数；
从所述每个尺度的滤波结果的故障敏感系数中获取目标故障敏感系数，所述目标故障敏感系数为所述每个尺度的滤波结果的故障敏感系数中故障敏感度最高的故障敏感系数；
将所述目标故障敏感系数的滤波结果作为所述目标滤波结果。
在可选的实施方式中，所述根据第一预设关联度公式计算得到每个尺度的滤波结果与所述原始故障振动信号的第一关联度的步骤，包括：
根据所述第一预设关联度公式：
Figure GDA0003063801170000041
计算得到每个尺度的滤波结果与所述原始故障振动信号的第一关联度，其中，ui为i尺度的滤波结果与所述原始故障振动信号的第一关联度，yi(t)为所述i尺度的滤波结果，r(t)为所述原始故障振动信号，t＝1,2,3,…,l，且t为时间参数；
所述根据第二预设关联度公式计算得到每个尺度的滤波结果与所述参考健康振动信号的第二关联度的步骤，包括：
根据所述第二预设关联度公式：
Figure GDA0003063801170000042
计算得到每个尺度的滤波结果与所述参考健康振动信号的第二关联度，其中，vi为i尺度的滤波结果与所述参考健康振动信号的第二关联度，s(t)为所述参考健康振动信号。
在可选的实施方式中，所述从所述每个尺度的滤波结果的故障敏感系数中获取目标故障敏感系数的步骤，包括：
根据所述每个尺度的滤波结果的故障敏感系数，按照预设公式：
Figure GDA0003063801170000043
获取每个尺度的滤波结果的故障敏感因子，其中，βi为i尺度的滤波结果的故障敏感因子，αi为i尺度的滤波结果的故障敏感系数；
确定多个所述故障敏感因子中数值最大的目标故障敏感因子；
将所述目标故障敏感因子的故障敏感系数作为所述目标故障敏感系数。
第二方面，本申请实施例提供一种车辆故障检测装置，应用于计算机设备，所述计算机设备与旋转加速度传感器和磁环编码器均通信连接，所述旋转加速度传感器设置在待测车辆的目标车轮上，所述磁环编码器设置在所述待测车辆的目标车轴上，所述目标车轮与所述目标车轴连接；
所述装置包括：
计算模块，用于利用所述旋转加速度传感器采集的车轮振动加速度信号，以及所述磁环编码器采集的脉冲信号，计算得到所述目标车轮的垂直振动加速度；
滤波模块，用于根据基于闭开梯度和闭开开闭梯度相关运算构建的多尺度滤波器对所述垂直振动加速度进行滤波，得到所述目标车轮的多个尺度的滤波结果；
分析模块，用于从所述多个尺度的滤波结果中获取目标滤波结果，所述目标滤波结果为所述多个尺度的滤波结果中故障敏感度最高的滤波结果；对所述目标滤波结果进行包络谱分析，得到所述目标滤波结果对应的特征频率位置的幅值；
判断模块，用于当所述特征频率位置的幅值大于预设幅值阈值时，判定所述目标车轮出现故障。
第三方面，本申请实施例提供一种计算机设备，所述计算机设备包括处理器及存储有计算机指令的非易失性存储器，所述计算机指令被所述处理器执行时，所述计算机设备执行前述实施方式中任意一项所述的车辆故障检测方法。
第四方面，本申请实施例提供一种可读存储介质，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在计算机设备执行前述实施方式中任意一项所述的车辆故障检测方法。
本申请实施例的有益效果包括，例如：采用本申请实施例提供的一种车辆故障检测方法、装置、计算机设备和可读存储介质，通过利用所述旋转加速度传感器采集的车轮振动加速度信号，以及所述磁环编码器采集的脉冲信号，计算得到所述目标车轮的垂直振动加速度；并根据基于闭开梯度和闭开开闭梯度相关运算构建的多尺度滤波器对所述垂直振动加速度进行滤波，得到所述目标车轮的多个尺度的滤波结果；再从所述多个尺度的滤波结果中获取目标滤波结果，所述目标滤波结果为所述多个尺度的滤波结果中故障敏感度最高的滤波结果；接着对所述目标滤波结果进行包络谱分析，得到所述目标滤波结果对应的特征频率位置的幅值；然后当所述特征频率位置的幅值大于预设幅值阈值时，判定所述目标车轮出现故障，能够可靠地进行车辆故障检测。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种车辆故障检测***的结构示意图；
图2为本申请实施例提供的一种车辆故障检测方法的步骤流程示意图；
图3为本申请实施例提供的一种车辆故障检测装置的结构示意框图；
图4为本申请实施例提供的一种计算机设备的结构示意框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。
目前，现有的轨道车辆车轮故障检测方法包括轮轨噪声检测、图像处理、超声波探伤、测力检测、位移检测、振动检测等多种方式。轮轨噪声检测是对列车运行时车轮与轨道间相互作用产生的声信号进行分析，判断车轮是否发生故障，但传动***噪声和气动噪声等会干扰轮轨噪声的测试，降低检测精度。图像处理和超声波探伤分别利用在轨道旁安装的摄像头阵列和超声波探头阵列进行测试，但检测***与算法均较为复杂，且只能在列车低速运行时使用，否则误差较大。测力检测是在钢轨上安装多个应变片组成测量电桥，测得钢轨所受轮轨垂向力，并根据轮轨垂向力的大小判断车轮状态，测试前需要对线路结构进行改造，工作量较大、工艺较为繁琐。位移检测是在车辆经过特别设计的平行四边形检测机构时，机构的上平板被轮缘顶部碾压，使平板产生平动，此时位移传感器将平板相对钢轨的垂直位移测量出来，通过数据处理估算车轮故障程度，该方法缺点是车轮会不断冲击测量机构，影响机械结构的精度，同时该方法也仅适用于低速场景。振动检测是在列车轴箱上安装旋转加速度传感器，通过测量轴箱的冲击振动来间接估算车轮是否出现故障，然而，轴箱测试信号中包含诸多干扰，如轴箱轴承振动、齿轮箱振动等成分，测试信号组成复杂、非平稳，同时反映车轮振动的信息信噪比低，车轮故障检测的准确性和可靠性很难保证。为了解决上述问题，请参考图1，图1为本申请实施例提供的车辆故障检测***10的结构示意图，其中，计算机设备100与旋转加速度传感器200和磁环编码器300均通信连接，旋转加速度传感器200设置在待测车辆的目标车轮上，磁环编码器300设置在待测车辆的目标车轴上，目标车轮与目标车轴连接。
请结合参照图2，为了解决前述提出的技术问题，本申请实施例提供以下车辆故障检测方法，该车辆故障检测方法由图1中的计算机设备100作为执行主体，下面对该步骤进行详细论述。
步骤201，利用旋转加速度传感器200采集的车轮振动加速度信号，以及磁环编码器300采集的脉冲信号，计算得到目标车轮的垂直振动加速度。
步骤202，根据基于闭开梯度和闭开开闭梯度相关运算构建的多尺度滤波器对垂直振动加速度进行滤波，得到目标车轮的多个尺度的滤波结果。
步骤203，从多个尺度的滤波结果中获取目标滤波结果。
其中，目标滤波结果为多个尺度的滤波结果中故障敏感度最高的滤波结果。
步骤204，对目标滤波结果进行包络谱分析，得到目标滤波结果对应的特征频率位置的幅值。
步骤205，当特征频率位置的幅值大于预设幅值阈值时，判定目标车轮出现故障。
通过上述步骤，能够基于闭开梯度和闭开开闭梯度相关运算来对测试数据进行筛选。相较于传统的梯度运算，闭开梯度和闭开开闭梯度相关运算能更为有效的提取车轮故障引起的冲击特征，因为提出的运算不仅保留了传统梯度运算提取冲击的能力，还具有平滑、低通、放大相同频率成分等特性，可以有效抑制噪声干扰。由于形态多尺度滤波器的精度与所采用的运算密切相关，本申请从本质上对形态多尺度滤波器的分析性能进行提升。
在前述基础上，作为一种可替换的实施方式，前述步骤201可以通过以下具体的实施方式实现。
子步骤201-1，根据预设脉冲信号数量和磁环编码器300采集的脉冲信号的数量，计算得到目标车轮的转动角度。
子步骤201-2，根据转动角度和车轮振动加速度信号对应的车轮振动加速度，计算得到垂直振动加速度。
通过上述步骤，通过上述步骤，能够通过直接在车轮上安装无线旋转加速度传感器200，在车轴上安装磁环编码器300得到车轮转动角度，并利用车轴转动的角度与车轮转动的角度完全相等的事实，采用传感器数据解算算法获得车轮实时垂直振动加速度信号，从而为实现车轮故障的直接检测奠定基础。相对于传统的基于轴箱振动信号的间接检测方法，本申请有效降低了测试信号中轴箱轴承、齿轮箱等部件的干扰信息，测试信号中轮轨间的冲击振动占有统治性地位，而轮轨间冲击振动的剧烈程度可以有效反映车轮状态。该车辆故障检测方法提高了测试信号的信噪比，更有利于实现车轮故障的检测。同时，算法不受车速的限制，在恒定转速和时变转速运行的条件下、在低速和高速的条件下均适用。
接下来详细介绍前述用于计算得到垂直振动加速度的相关公式。
在前述基础上，子步骤201-1具体可以由以下实施例具体实现。
(1)根据预设脉冲信号数量和磁环编码器300采集的脉冲信号，基于公式：
Figure GDA0003063801170000101
计算得到转动角度，其中，θt为转动角度，Nt为t时刻磁环编码器300采集的脉冲信号的数量，N为预设脉冲信号数量。
应当理解的是，磁环编码器300旋转一周采集的脉冲信号的数量为定值N，对应的t时刻磁环编码器300采集的脉冲信号的数量为Nt。
相应的，子步骤201-2可以通过以下实施方式实现。
(1)根据转动角度和车轮振动加速度信号对应的车轮振动加速度，基于公式：
Figure GDA0003063801170000111
计算得到垂直振动加速度，其中，ay(t)为垂直振动加速度，a(t)为车轮振动加速度。
在前述基础上，步骤202可以由以下的步骤具体实现。
子步骤202-1，根据基于闭开梯度和闭开开闭梯度相关运算构建的多尺度滤波器：
yi(t)＝y1i(t)★y2i(t)
对垂直振动加速度进行滤波，得到多个尺度的滤波结果。
其中，yi(t)为目标车轮的i尺度的滤波结果，y1i(t)为垂直振动加速度在i尺度经过闭开梯度运算得到的运算结果，y2i(t)为垂直振动加速度在i尺度经过闭开开闭梯度运算得到的运算结果，★表示相关运算符号。
值得说明的是，y1(t)是由振动加速度垂直分量ay(t)经闭开梯度运算得到，y2(t)是由振动加速度垂直分量ay(t)经闭开开闭梯度运算得到:
Figure GDA0003063801170000112
Figure GDA0003063801170000113
其中，·代表闭运算，
Figure GDA0003063801170000114
代表开运算，g为结构元。
构建上述新的形态学运算的原因在于：由于梯度运算具有较强的冲击提取能力，闭开梯度y1(t)和闭开开闭梯度y2(t)均能有效地从车轮垂向振动信号中提取出由车轮故障引起的周期性振动。然而，提取的冲击并非越多越好，因为部分冲击并非由车轮故障振动产生，梯度运算后的信号y1(t)和y2(t)包含了大量噪声。而相关的数学本质为滑动平均，具有较强的平滑、去噪和低通滤波能力，能够有效抑制由梯度运算产生的噪声。同时，由相关的定义与数学原理可知，如果闭开梯度得到的信号y1(t)和闭开开闭梯度得到的信号y2(t)包含相同的频率成分f，相关后该频率成分的幅值会得到进一步增强，否则，该成分f会被抑制。由此可见，通过相关运算，故障特征成分被增强，而同一频率的随机噪声同时存在于y1(t)和y2(t)的概率极小，再加上噪声的幅值本来就相对较低，所以相关后噪声成分会被有效抑制，以使车轮故障振动特征变得更明显。基于此，单一尺度下的计算公式：y(t)＝y1(t)★y2(t)，相应的，构建的前述多尺度滤波器为：yi(t)＝y1i(t)★y2i(t)。
在上述基础上，计算机设备100预先存储有原始故障振动信号和参考健康振动信号；
为了能够能加清楚的描述前述步骤203，本申请实施例提供以下具体的实施方式来实现步骤203。
子步骤203-1，根据第一预设关联度公式计算得到每个尺度的滤波结果与原始故障振动信号的第一关联度。
子步骤203-2，根据第二预设关联度公式计算得到每个尺度的滤波结果与参考健康振动信号的第二关联度。
子步骤203-3，根据第一关联度和第二关联度的差值，确定每个尺度的滤波结果的故障敏感系数。
子步骤203-4，从每个尺度的滤波结果的故障敏感系数中获取目标故障敏感系数。
其中，目标故障敏感系数为每个尺度的滤波结果的故障敏感系数中故障敏感度最高的故障敏感系数；
子步骤203-5，将目标故障敏感系数的滤波结果作为目标滤波结果。
通过上述步骤，能够从前述多个测试参数中选取最能够代表目标车轮状态的目标滤波结果。
具体的，子步骤203-1可以通过以下步骤实现。
(1)根据第一预设关联度公式：
Figure GDA0003063801170000131
计算得到每个尺度的滤波结果与原始故障振动信号的第一关联度。
其中，ui为i尺度的滤波结果与原始故障振动信号的第一关联度，yi(t)为i尺度的滤波结果，r(t)为原始故障振动信号，t＝1,2,3,…,l，且t为时间参数。
相应的，子步骤203-2可以通过以下步骤实现。
(1)根据第二预设关联度公式：
Figure GDA0003063801170000132
计算得到每个尺度的滤波结果与参考健康振动信号的第二关联度。
其中，vi为i尺度的滤波结果与参考健康振动信号的第二关联度，s(t)为参考健康振动信号。
基于此，从子步骤203-3可以得知，故障敏感系数可以由以下方式得到：αi＝ui-vi。其中，αi为i尺度的滤波结果的故障敏感系数。
在获取了故障敏感系数后，前述子步骤203-4可以通过以下具体的时候方式实现。
(1)根据每个尺度的滤波结果的故障敏感系数，按照预设公式：
Figure GDA0003063801170000141
获取每个尺度的滤波结果的故障敏感因子。
其中，βi为i尺度的滤波结果的故障敏感因子，αi为i尺度的滤波结果的故障敏感系数；
(2)确定多个故障敏感因子中数值最大的目标故障敏感因子。
(3)将目标故障敏感因子的故障敏感系数作为目标故障敏感系数。
应当理解的是，通过对i尺度的故障敏感因子βi的分析，找出与故障信号关联度较大的滤波尺度分量(即目标滤波结果)，并结合不同尺度刻画的频率范围及尺度间的相关性，辨识对车轮故障最为敏感的尺度分量。应当理解的是，采用上述步骤，提出形态多尺度滤波器的敏感尺度选取原则，从多个滤波结果中，辨识出最能反映表征车轮状态的尺度分量(即目标滤波结果)，避免传统多尺度滤波器中将所有滤波结果进行算术平均后(∑iyi(t)/i)作为最后的输出结果。能够解决现有技术中避免由于i取值一般较大，平均做法会严重弱化故障特征的问题。
如前所述，可以对目标滤波结果进行包络谱分析，得到目标滤波结果对应的特征频率位置的幅值，在本申请实施例中，当特征频率位置的幅值大于预设幅值阈值(基于健康状况良好的车轮确定)时，判定目标车轮出现故障。
本申请实施例提供一种车辆故障检测装置110，应用于计算机设备100，计算机设备100与旋转加速度传感器200和磁环编码器300均通信连接，旋转加速度传感器200设置在待测车辆的目标车轮上，磁环编码器300设置在待测车辆的目标车轴上，目标车轮与目标车轴连接。如图3所示，装置包括：
计算模块1101，用于利用旋转加速度传感器200采集的车轮振动加速度信号，以及磁环编码器300采集的脉冲信号，计算得到目标车轮的垂直振动加速度。
滤波模块1102，用于根据基于闭开梯度和闭开开闭梯度相关运算构建的多尺度滤波器对垂直振动加速度进行滤波，得到目标车轮的多个尺度的滤波结果。
分析模块1103，用于从多个尺度的滤波结果中获取目标滤波结果，目标滤波结果为多个尺度的滤波结果中故障敏感度最高的滤波结果；对目标滤波结果进行包络谱分析，得到目标滤波结果对应的特征频率位置的幅值。
判断模块1104，用于当特征频率位置的幅值大于预设幅值阈值时，判定目标车轮出现故障。
进一步地，计算模块1101具体用于：
根据预设脉冲信号数量和磁环编码器300采集的脉冲信号的数量，计算得到目标车轮的转动角度；根据转动角度和车轮振动加速度信号对应的车轮振动加速度，计算得到垂直振动加速度。
计算模块1101进一步具体用于：
根据预设脉冲信号数量和磁环编码器300采集的脉冲信号，基于公式：
Figure GDA0003063801170000151
计算得到转动角度，其中，θt为转动角度，Nt为t时刻磁环编码器300采集的脉冲信号的数量，N为预设脉冲信号数量；根据目标车轮的转动角度和车轮振动加速度信号，计算得到目标车轮的垂直振动加速度的步骤，包括：根据转动角度和车轮振动加速度信号对应的车轮振动加速度，基于公式：ay(t)＝a(t)×sinθt计算得到垂直振动加速度，其中，ay(t)为垂直振动加速度，a(t)为车轮振动加速度。
进一步地，滤波模块1102具体用于：
根据基于闭开梯度和闭开开闭梯度相关运算构建的多尺度滤波器：yi(t)＝y1i(t)★y2i(t)对垂直振动加速度进行滤波，得到多个尺度的滤波结果；其中，yi(t)为目标车轮的i尺度的滤波结果，y1i(t)为垂直振动加速度在i尺度经过闭开梯度运算得到的运算结果，y2i(t)为垂直振动加速度在i尺度经过闭开开闭梯度运算得到的运算结果，★表示相关运算符号。
进一步地，计算机设备100预先存储有原始故障振动信号和参考健康振动信号。分析模块1103具体用于：
根据第一预设关联度公式计算得到每个尺度的滤波结果与原始故障振动信号的第一关联度；根据第二预设关联度公式计算得到每个尺度的滤波结果与参考健康振动信号的第二关联度；根据第一关联度和第二关联度的差值，确定每个尺度的滤波结果的故障敏感系数；从每个尺度的滤波结果的故障敏感系数中获取目标故障敏感系数，目标故障敏感系数为每个尺度的滤波结果的故障敏感系数中故障敏感度最高的故障敏感系数；将目标故障敏感系数的滤波结果作为目标滤波结果。
进一步地，分析模块1103进一步具体用于：
根据第一预设关联度公式：
Figure GDA0003063801170000171
计算得到每个尺度的滤波结果与原始故障振动信号的第一关联度，其中，ui为i尺度的滤波结果与原始故障振动信号的第一关联度，yi(t)为i尺度的滤波结果，r(t)为原始故障振动信号，t＝1,2,3,…,l，且t为时间参数。
分析模块1103进一步具体用于：根据第二预设关联度公式：
Figure GDA0003063801170000172
计算得到每个尺度的滤波结果与参考健康振动信号的第二关联度，其中，vi为i尺度的滤波结果与参考健康振动信号的第二关联度，s(t)为参考健康振动信号。
进一步地，分析模块1103进一步具体用于：
根据每个尺度的滤波结果的故障敏感系数，按照预设公式：
Figure GDA0003063801170000173
获取每个尺度的滤波结果的故障敏感因子，其中，βi为i尺度的滤波结果的故障敏感因子，αi为i尺度的滤波结果的故障敏感系数；确定多个故障敏感因子中数值最大的目标故障敏感因子；将目标故障敏感因子的故障敏感系数作为目标故障敏感系数。
本申请实施例体提供一种计算机设备100，计算机设备100包括处理器及存储有计算机指令的非易失性存储器，计算机指令被处理器执行时，计算机设备100执行前述的车辆故障检测方法。如图4所示，图4为本申请实施例提供的计算机设备100的结构框图。计算机设备100包括车辆故障检测装置110、存储器111、处理器112及通信单元113。
为实现数据的传输或交互，存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接。例如，可通过一条或多条通讯总线或信号线实现这些元件相互之间电性连接。车辆故障检测装置110包括至少一个可以软件或固件(firmware)的形式存储于存储器111中或固化在计算机设备100的操作***(operating system，OS)中的软件功能模块。处理器112用于执行存储器111中存储的可执行模块，例如车辆故障检测装置110所包括的软件功能模块及计算机程序等。
本申请实施例提供一种可读存储介质，可读存储介质包括计算机程序，计算机程序运行时控制可读存储介质所在计算机设备执行前述的车辆故障检测方法。
综上所述，本申请实施例提供了一种车辆故障检测方法、装置、计算机设备和可读存储介质，通过利用所述旋转加速度传感器采集的车轮振动加速度信号，以及所述磁环编码器采集的脉冲信号，计算得到所述目标车轮的垂直振动加速度；并根据基于闭开梯度和闭开开闭梯度相关运算构建的多尺度滤波器对所述垂直振动加速度进行滤波，得到所述目标车轮的多个尺度的滤波结果；再从所述多个尺度的滤波结果中获取目标滤波结果，所述目标滤波结果为所述多个尺度的滤波结果中故障敏感度最高的滤波结果；接着对所述目标滤波结果进行包络谱分析，得到所述目标滤波结果对应的特征频率位置的幅值；然后当所述特征频率位置的幅值大于预设幅值阈值时，判定所述目标车轮出现故障，能够可靠地进行车辆故障检测。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种车辆故障检测方法，其特征在于，应用于计算机设备，所述计算机设备与旋转加速度传感器和磁环编码器均通信连接，所述旋转加速度传感器设置在待测车辆的目标车轮上，所述磁环编码器设置在所述待测车辆的目标车轴上，所述目标车轮与所述目标车轴连接；
所述方法包括：
利用所述旋转加速度传感器采集的车轮振动加速度信号，以及所述磁环编码器采集的脉冲信号，计算得到所述目标车轮的垂直振动加速度；
根据基于闭开梯度和闭开开闭梯度相关运算构建的多尺度滤波器对所述垂直振动加速度进行滤波，得到所述目标车轮的多个尺度的滤波结果；
从所述多个尺度的滤波结果中获取目标滤波结果，所述目标滤波结果为所述多个尺度的滤波结果中故障敏感度最高的滤波结果；
对所述目标滤波结果进行包络谱分析，得到所述目标滤波结果对应的特征频率位置的幅值；
当所述特征频率位置的幅值大于预设幅值阈值时，判定所述目标车轮出现故障。
2.根据权利要求1所述的方法，其特征在于，所述利用所述旋转加速度传感器采集的车轮振动加速度信号、以及所述磁环编码器采集的脉冲信号，计算得到所述目标车轮的垂直振动加速度的步骤，包括：
根据预设脉冲信号数量和所述磁环编码器采集的脉冲信号的数量，计算得到所述目标车轮的转动角度；
根据所述转动角度和所述车轮振动加速度信号对应的车轮振动加速度，计算得到所述垂直振动加速度。
3.根据权利要求2所述的方法，其特征在于，所述根据预设脉冲信号数量和所述磁环编码器采集的脉冲信号的数量，计算得到所述目标车轮的转动角度的步骤，包括：
根据预设脉冲信号数量和所述磁环编码器采集的脉冲信号，基于公式：
Figure FDA0003063801160000021
计算得到所述转动角度，其中，θt为所述转动角度，Nt为t时刻所述磁环编码器采集的脉冲信号的数量，N为所述预设脉冲信号数量；
所述根据所述目标车轮的转动角度和所述车轮振动加速度信号，计算得到所述目标车轮的垂直振动加速度的步骤，包括：
根据所述转动角度和所述车轮振动加速度信号对应的车轮振动加速度，基于公式：
ay(t)＝a(t)×sinθt
计算得到所述垂直振动加速度，其中，ay(t)为所述垂直振动加速度，a(t)为所述车轮振动加速度。
4.根据权利要求1所述的方法，其特征在于，所述根据基于闭开梯度和闭开开闭梯度相关运算构建的多尺度滤波器对所述垂直振动加速度进行滤波，得到所述目标车轮的多个尺度的滤波结果的步骤，包括：
根据基于闭开梯度和闭开开闭梯度相关运算构建的多尺度滤波器：
yi(t)＝y1i(t)★y2i(t)
对所述垂直振动加速度进行滤波，得到所述多个尺度的滤波结果；
其中，yi(t)为所述目标车轮的i尺度的滤波结果，y1i(t)为所述垂直振动加速度在i尺度经过闭开梯度运算得到的运算结果，y2i(t)为所述垂直振动加速度在i尺度经过闭开开闭梯度运算得到的运算结果，★表示相关运算符号。
5.根据权利要求1所述的方法，其特征在于，所述计算机设备预先存储有原始故障振动信号和参考健康振动信号；
所述从所述多个尺度的滤波结果中获取目标滤波结果的步骤，包括：
根据第一预设关联度公式计算得到每个尺度的滤波结果与所述原始故障振动信号的第一关联度；
根据第二预设关联度公式计算得到每个尺度的滤波结果与所述参考健康振动信号的第二关联度；
根据所述第一关联度和所述第二关联度的差值，确定所述每个尺度的滤波结果的故障敏感系数；
从所述每个尺度的滤波结果的故障敏感系数中获取目标故障敏感系数，所述目标故障敏感系数为所述每个尺度的滤波结果的故障敏感系数中故障敏感度最高的故障敏感系数；
将所述目标故障敏感系数的滤波结果作为所述目标滤波结果。
6.根据权利要求5所述的方法，其特征在于，所述根据第一预设关联度公式计算得到每个尺度的滤波结果与所述原始故障振动信号的第一关联度的步骤，包括：
根据所述第一预设关联度公式：
Figure FDA0003063801160000041
计算得到每个尺度的滤波结果与所述原始故障振动信号的第一关联度，其中，ui为i尺度的滤波结果与所述原始故障振动信号的第一关联度，yi(t)为所述i尺度的滤波结果，r(t)为所述原始故障振动信号，t＝1，2，3，...，l，且t为时间参数；
所述根据第二预设关联度公式计算得到每个尺度的滤波结果与所述参考健康振动信号的第二关联度的步骤，包括：
根据所述第二预设关联度公式：
Figure FDA0003063801160000042
计算得到每个尺度的滤波结果与所述参考健康振动信号的第二关联度，其中，vi为i尺度的滤波结果与所述参考健康振动信号的第二关联度，s(t)为所述参考健康振动信号。
7.根据权利要求6所述的方法，其特征在于，所述从所述每个尺度的滤波结果的故障敏感系数中获取目标故障敏感系数的步骤，包括：
根据所述每个尺度的滤波结果的故障敏感系数，按照预设公式：
Figure FDA0003063801160000051
获取每个尺度的滤波结果的故障敏感因子，其中，βi为i尺度的滤波结果的故障敏感因子，αi为i尺度的滤波结果的故障敏感系数；
确定多个所述故障敏感因子中数值最大的目标故障敏感因子；
将所述目标故障敏感因子的故障敏感系数作为所述目标故障敏感系数。
8.一种车辆故障检测装置，其特征在于，应用于计算机设备，所述计算机设备与旋转加速度传感器和磁环编码器均通信连接，所述旋转加速度传感器设置在待测车辆的目标车轮上，所述磁环编码器设置在所述待测车辆的目标车轴上，所述目标车轮与所述目标车轴连接；
所述装置包括：
计算模块，用于利用所述旋转加速度传感器采集的车轮振动加速度信号，以及所述磁环编码器采集的脉冲信号，计算得到所述目标车轮的垂直振动加速度；
滤波模块，用于根据基于闭开梯度和闭开开闭梯度相关运算构建的多尺度滤波器对所述垂直振动加速度进行滤波，得到所述目标车轮的多个尺度的滤波结果；
分析模块，用于从所述多个尺度的滤波结果中获取目标滤波结果，所述目标滤波结果为所述多个尺度的滤波结果中故障敏感度最高的滤波结果；对所述目标滤波结果进行包络谱分析，得到所述目标滤波结果对应的特征频率位置的幅值；
判断模块，用于当所述特征频率位置的幅值大于预设幅值阈值时，判定所述目标车轮出现故障。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器及存储有计算机指令的非易失性存储器，所述计算机指令被所述处理器执行时，所述计算机设备执行权利要求1-7中任意一项所述的车辆故障检测方法。
10.一种可读存储介质，其特征在于，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在计算机设备执行权利要求1-7中任意一项所述的车辆故障检测方法。
CN202010568735.XA 2020-06-19 2020-06-19 车辆故障检测方法、装置、计算机设备和可读存储介质 Active CN111693304B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010568735.XA CN111693304B (zh) 2020-06-19 2020-06-19 车辆故障检测方法、装置、计算机设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010568735.XA CN111693304B (zh) 2020-06-19 2020-06-19 车辆故障检测方法、装置、计算机设备和可读存储介质

Publications (2)

Publication Number Publication Date
CN111693304A CN111693304A (zh) 2020-09-22
CN111693304B true CN111693304B (zh) 2021-06-25

Family

ID=72482356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010568735.XA Active CN111693304B (zh) 2020-06-19 2020-06-19 车辆故障检测方法、装置、计算机设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN111693304B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916363A (zh) * 2021-10-08 2022-01-11 深圳沈鼓测控技术有限公司 一种大型旋转设备轴振传感器故障检测方法和***
CN114894299B (zh) * 2022-06-24 2023-04-18 珠海格力电器股份有限公司 基于编码器的振动监测***及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS59187241A (ja) * 1983-04-07 1984-10-24 Shinko Electric Co Ltd 車輪フラツトの検出装置
US5579013A (en) * 1994-05-05 1996-11-26 General Electric Company Mobile tracking unit capable of detecting defective conditions in railway vehicle wheels and railtracks
CN1446160A (zh) * 2000-06-06 2003-10-01 Skf工业股份公司 检测轨行车车轮中的圆度缺陷的方法和装置
EP1197417B1 (de) * 2000-10-12 2005-12-21 Siemens SGP Verkehrstechnik GmbH Verfahren und Vorrichtung zur Schadenserkennung an Rädern eines Schienenfahrzeuges
CN101678850A (zh) * 2007-05-22 2010-03-24 克诺尔-布里姆斯轨道车辆***有限公司 用于轨道车辆的底盘部件的故障监控的装置和方法
CN102333687A (zh) * 2008-11-19 2012-01-25 尤里卡导航解决方案公司 用于轨道车辆的装置和方法
CN102874278A (zh) * 2012-10-19 2013-01-16 西南交通大学 一种融合车速信息和轴箱垂向加速度信息的车轮扁疤车载检测方法
CN105092467A (zh) * 2015-09-09 2015-11-25 南车工业研究院有限公司 一种高速铁路车轮踏面擦伤快速监测装置及方法
CN109278796A (zh) * 2018-11-16 2019-01-29 北京主导时代科技有限公司 一种车载式车轮不圆度检测***
CN110015319A (zh) * 2019-03-13 2019-07-16 北京锦鸿希电信息技术股份有限公司 轨道波磨识别方法、装置、设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS59187241A (ja) * 1983-04-07 1984-10-24 Shinko Electric Co Ltd 車輪フラツトの検出装置
US5579013A (en) * 1994-05-05 1996-11-26 General Electric Company Mobile tracking unit capable of detecting defective conditions in railway vehicle wheels and railtracks
CN1446160A (zh) * 2000-06-06 2003-10-01 Skf工业股份公司 检测轨行车车轮中的圆度缺陷的方法和装置
EP1197417B1 (de) * 2000-10-12 2005-12-21 Siemens SGP Verkehrstechnik GmbH Verfahren und Vorrichtung zur Schadenserkennung an Rädern eines Schienenfahrzeuges
CN101678850A (zh) * 2007-05-22 2010-03-24 克诺尔-布里姆斯轨道车辆***有限公司 用于轨道车辆的底盘部件的故障监控的装置和方法
CN102333687A (zh) * 2008-11-19 2012-01-25 尤里卡导航解决方案公司 用于轨道车辆的装置和方法
CN102874278A (zh) * 2012-10-19 2013-01-16 西南交通大学 一种融合车速信息和轴箱垂向加速度信息的车轮扁疤车载检测方法
CN105092467A (zh) * 2015-09-09 2015-11-25 南车工业研究院有限公司 一种高速铁路车轮踏面擦伤快速监测装置及方法
CN109278796A (zh) * 2018-11-16 2019-01-29 北京主导时代科技有限公司 一种车载式车轮不圆度检测***
CN110015319A (zh) * 2019-03-13 2019-07-16 北京锦鸿希电信息技术股份有限公司 轨道波磨识别方法、装置、设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Railway bearing and cardan shaft fault diagnosis via an improved morphological filter;Yifan Li 等;《STRUCTURAL HEALTH MONITORING-AN INTERNATIONAL JOURNAL》;20191231;第19卷(第5期);全文 *
Railway Wheel Flat Detection Based on Improved Empirical Mode Decomposition;Yifan Li 等;《SHOCK AND VIBRATION》;20161231;全文 *
基于Hilbert-Huang变换的列车车轮失圆故障诊断;李奕璠 等;《振动、测试与诊断》;20160831;第36卷(第4期);全文 *
基于灰色关联度的形态滤波及滚动轴承故障诊断中应用;文成 等;《振动与冲击》;20150731;第34卷(第14期);全文 *

Also Published As

Publication number Publication date
CN111693304A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
US9989439B2 (en) Method and data processing device for severity assessment of bearing defects using vibration energy
CN111693304B (zh) 车辆故障检测方法、装置、计算机设备和可读存储介质
He et al. Optimized minimum generalized Lp/Lq deconvolution for recovering repetitive impacts from a vibration mixture
CN104819766B (zh) 基于谐噪比的包络解调频带确定方法
CN105092467B (zh) 一种高速铁路车轮踏面擦伤快速监测装置及方法
CN108515984B (zh) 一种车轮伤损检测方法及装置
CN108573224B (zh) 一种利用单传感器信息的移动重构主成分的桥梁结构损伤定位方法
CN109278796A (zh) 一种车载式车轮不圆度检测***
CN102155988A (zh) 设备监诊方法
CN111964909A (zh) 滚动轴承运行状态检测方法、故障诊断方法及***
CN109059839B (zh) 一种车轮踏面失圆故障的诊断方法、装置及***
Sun et al. Damage detection based on structural responses induced by traffic load: Methodology and application
KR20110131411A (ko) 허브 베어링 검사 방법
CN114544206A (zh) 一种轨道交通机车车辆轮对多边形故障检测方法及装置
CN114705432B (zh) 防爆电机轴承健康状态评估方法及***
Li et al. Indirect damage detection for bridges using sensing and temporarily parked vehicles
US20060150737A1 (en) Method for detecting structure-borne noise events in a roller bearing
CN116698316A (zh) 基于车辆振动信号的桥梁振型识别方法
CN113776760A (zh) 基于整轴振动分析的列车轮对失圆故障监测方法和***
RU2766480C2 (ru) Система и способ определения угловой скорости оси железнодорожного транспортного средства
CN113386822B (zh) 一种车轮多边失圆综合诊断方法、装置及设备
US6199019B1 (en) Unsteady signal analyzer and medium for recording unsteady signal analyzer program
CN114689298A (zh) 采煤机行走部的故障检测方法及装置
CN114739671A (zh) 一种基于改进广义s变换的轴承故障诊断方法
Lan et al. Physics-guided diagnosis framework for bridge health monitoring using raw vehicle accelerations

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
GR01 Patent grant
GR01 Patent grant