CN112543725B - 轨道车声学监测***及其使用方法 - Google Patents
轨道车声学监测***及其使用方法 Download PDFInfo
- Publication number
- CN112543725B CN112543725B CN201980052360.7A CN201980052360A CN112543725B CN 112543725 B CN112543725 B CN 112543725B CN 201980052360 A CN201980052360 A CN 201980052360A CN 112543725 B CN112543725 B CN 112543725B
- Authority
- CN
- China
- Prior art keywords
- microphone
- data
- assemblies
- acoustic
- computer
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 115
- 238000012544 monitoring process Methods 0.000 title claims abstract description 81
- 230000000712 assembly Effects 0.000 claims abstract description 137
- 238000000429 assembly Methods 0.000 claims abstract description 137
- 230000007547 defect Effects 0.000 claims abstract description 118
- 238000012545 processing Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 67
- 238000004891 communication Methods 0.000 claims description 35
- 238000013178 mathematical model Methods 0.000 claims description 5
- 230000005236 sound signal Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 10
- 238000013500 data storage Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000035939 shock Effects 0.000 description 10
- RUEIBQJFGMERJD-UHFFFAOYSA-N 1,2,3,4,5-pentachloro-6-(2-chlorophenyl)benzene Chemical compound ClC1=CC=CC=C1C1=C(Cl)C(Cl)=C(Cl)C(Cl)=C1Cl RUEIBQJFGMERJD-UHFFFAOYSA-N 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000003137 locomotive effect Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 239000012528 membrane Substances 0.000 description 5
- 239000006260 foam Substances 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011065 in-situ storage Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000011143 downstream manufacturing Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004901 spalling Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- HGCFMGDVMNCLNU-UHFFFAOYSA-N 3-thiophen-2-ylsulfonylpyrazine-2-carbonitrile Chemical compound N=1C=CN=C(C#N)C=1S(=O)(=O)C1=CC=CS1 HGCFMGDVMNCLNU-UHFFFAOYSA-N 0.000 description 1
- 241001669679 Eleotris Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000283984 Rodentia Species 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004382 potting Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
- B61L27/53—Trackside diagnosis or maintenance, e.g. software upgrades for trackside elements or systems, e.g. trackside supervision of trackside control system conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L1/00—Devices along the route controlled by interaction with the vehicle or train
- B61L1/02—Electric devices associated with track, e.g. rail contacts
- B61L1/06—Electric devices associated with track, e.g. rail contacts actuated by deformation of rail; actuated by vibration in rail
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
- B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
- B61K9/08—Measuring installations for surveying permanent way
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L1/00—Devices along the route controlled by interaction with the vehicle or train
- B61L1/02—Electric devices associated with track, e.g. rail contacts
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
- B61L27/57—Trackside diagnosis or maintenance, e.g. software upgrades for vehicles or trains, e.g. trackside supervision of train conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
- G01B17/04—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations for measuring the deformation in a solid, e.g. by vibrating string
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
- G01H3/10—Amplitude; Power
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R29/00—Monitoring arrangements; Testing arrangements
- H04R29/004—Monitoring arrangements; Testing arrangements for microphones
- H04R29/005—Microphone arrays
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Selective Calling Equipment (AREA)
Abstract
一种用于经由声学监测来识别经过的火车的缺陷的计算机实现的方法。该方法可以包括以下步骤:使用围绕导轨的一部分定位的声学监测***的麦克风组件的阵列接收来自观察区域内的经过的火车的数据。该方法还可以包括处理数据以确定由麦克风组件的阵列中的每一个接收的压力水平。该方法还可以包括针对麦克风组件的阵列的每个麦克风计算三维空间内的多个点的理论压力水平。该方法还可以包括确定三维坐标空间内的表示指示缺陷的噪声源的起源的一个或多个位置。并且该方法还可以包括基于声学特征来确定缺陷的类型。
Description
相关申请的交叉引用
本申请要求2018年8月30日提交的美国临时申请No.62/725,076的权益。该申请通过引用整体并入本申请。
技术领域
本公开的各方面涉及一种声学监测***,并且更特别地,涉及一种用于轨道车和机车的声学监测***。
背景技术
轨道车或机车(统称为“轨道车”)的轮组包括车轮、轮轴和轴承,都承受着极端的载荷,这可能导致疲劳失效、断裂以及其他故障模式。检测轨道车轮组的故障在铁路行业中至关重要,因为轴承卡死或轮轴断裂可能潜在地导致严重的安全问题,例如起火、火车脱轨以及对火车的驾驶员和乘客的相关人身危险。除了安全问题外,服务延迟还会由于延迟的到达时间和维修而给火车运营商带来巨大的成本。停滞的火车显然会影响轨道上其他火车的行进,而这可能无法在停滞的火车周围改变路线。
已经开发了轨道监测***,以在完全故障(例如,轴承卡死、轮轴断裂)之前检测轨道车的轮组的部件的劣化。传统上,这些***庞大、笨重、昂贵并且缺乏能够准确定位和识别劣化和故障点的精度。考虑到这些想法及其他,构想了本文公开的轨道车声学监测***和使用方法的各方面。
发明内容
本公开的方面可以涉及一种用于经由声学监测来识别经过的火车的缺陷的计算机实现的方法。经过的火车可以包括车轮和轴承。火车可以在导轨的第一轨道和第二轨道上行进。该方法可以包括以下步骤:使用围绕所述导轨的一部分定位的声学监测***的多个麦克风组件接收来自观察区域内的经过的火车的数据。所述多个麦克风组件可以与所述声学监测***的至少一个数据采集模块通信。该方法还可以包括处理数据以确定由所述多个麦克风组件中的每一个接收的压力水平。该方法还可以包括:在表示观察区域的至少一部分的三维坐标空间内的多个点处,针对多个麦克风组件中的每一个计算理论压力水平,所述三维坐标空间包括多个麦克风组件中的每一个的坐标位置。该方法还可以包括确定三维坐标空间内的一个或多个位置,在该一个或多个位置处理论压力水平表示实际压力水平。该方法还可以包括在一个或多个位置分离噪声源的声学特征,以及基于该声学特征来确定缺陷的类型。
本公开的方面可以涉及一种用于经由声学监测来识别经过的火车的缺陷的计算机实现的方法。经过的火车可以包括车轮和轴承,并且火车可以在导轨的第一轨道和第二轨道上行进。该方法可以包括以下步骤:使用围绕所述导轨的一部分定位的声学监测***的麦克风组件的阵列接收来自观察区域内的经过的火车的数据。所述麦克风组件的阵列可以与所述声学监测***的至少一个数据采集模块通信。该方法还可以包括处理数据以确定由所述麦克风组件的阵列中的每一个接收的压力水平。该方法还可以包括针对麦克风组件的阵列中的每个麦克风计算三维空间内的多个点的理论压力水平。三维坐标空间可以至少部分地由观察区域限定。麦克风组件的阵列可以在三维坐标空间中限定。针对多个点中的每一个,假设点在三维坐标空间内的位置是由麦克风组件的阵列中的每一个接收的压力水平的原点,可以计算理论压力水平。该方法还可以包括确定三维坐标空间内的表示指示缺陷的噪声源的起源的一个或多个位置。该方法还可以包括在一个或多个位置中分离噪声源的声学特征。并且该方法还可以包括基于声学特征来确定缺陷的类型。
在某些情况下,确定所述三维坐标空间内的表示所述噪声源的起源的一个或多个位置可以包括确定所述三维空间内的所述多个点中的哪一个表现出到麦克风组件的阵列中的每一个的线性距离与由麦克风组件的阵列中的每一个接收的压力水平之间的负相关性。
在某些情况下,在所述一个或多个位置分离所述噪声源的声学特征可以包括提取与所述火车的车轮和轴承的位置相对应的矢量。
在某些情况下,基于所述声学特征来确定缺陷的类型可以包括将所述声学特征与具有已知缺陷的声学特征的数据库进行比较。
在某些情况下,基于所述声学特征来确定缺陷的类型可以包括将故障模式的数学模型拟合到所述声学特征。
在某些情况下,数学模型包括轴承和车轮故障。
在某些情况下,该方法还可以包括移除与指示缺陷的噪声源无关的噪声。
在某些情况下,数据可以包括声波信息。
在某些情况下,麦克风组件的阵列可以包括第一麦克风组件、第二麦克风组件、第三麦克风组件、第四麦克风组件、第五麦克风组件、第六麦克风组件、第七麦克风组件和第八麦克风组件,并且在某些情况下,所述数据可以包括由相应的第一麦克风组件、第二麦克风组件、第三麦克风组件、第四麦克风组件、第五麦克风组件、第六麦克风组件、第七麦克风组件和第八麦克风组件接收的第一数据、第二数据、第三数据、第四数据、第五数据、第六数据、第七数据和第八数据。
在某些情况下,麦克风组件的阵列可以包括位于所述第一轨道和第二轨道之间的第一多个麦克风组件以及位于所述第一轨道和第二轨道之外的第二多个麦克风组件。
在某些情况下,处理数据可以包括包络数据。
本公开的方面可以涉及一种用于经由声学监测来识别经过的火车的缺陷的计算机实现的方法。经过的火车可以包括车轮和轴承。火车可以在导轨的第一轨道和第二轨道上行进。该方法可以包括以下步骤:使用围绕所述导轨的一部分定位的声学监测***的多个麦克风组件接收来自观察区域内的经过的火车的数据。所述多个麦克风组件可以与所述声学监测***的至少一个数据采集模块通信。该方法还可以包括处理数据以确定由所述多个麦克风组件中的每一个接收的压力水平。该方法还可以包括通过在三维坐标空间内的多个点针对多个麦克风组件中的每一个计算理论压力水平来计算四维压力数组。多个麦克风组件可以具有在三维坐标空间内并且相对于多个点定义的位置。该方法还可以包括确定三维坐标空间内的表示指示缺陷的噪声源的起源的一个或多个位置。该方法还可以包括在一个或多个位置分离噪声源的声学特征。并且该方法还可以包括基于声学特征来确定缺陷的类型。
在某些情况下,假设点在三维坐标空间内的位置是由麦克风组件的阵列中的每一个接收的压力水平的原点,针对所述多个点中的每一个,计算理论压力水平。
在某些情况下,在所述一个或多个位置分离所述噪声源的声学特征可以包括提取与所述火车的车轮和轴承的位置相对应的矢量。
在某些情况下,基于所述声学特征来确定缺陷的类型可以包括将所述声学特征与具有已知缺陷的声学特征的数据库进行比较。
在某些情况下,确定三维坐标空间内的表示指示缺陷的噪声源的起源的一个或多个位置可以包括以下步骤:针对所述三维坐标空间内的多个点中的每一个,基于多个麦克风组件中的每一个与所述多个点中的每一个之间的距离来定义第一矢量。步骤还可以包括:针对三维坐标空间内的多个点中的每一个,基于针对所述多个麦克风组件中的每一个在所述多个点中的每一个处计算出的理论压力值来定义第二矢量。步骤还可以包括针对多个点中的每个点计算第一矢量和第二矢量之间的相关系数。步骤还可以包括在三维坐标空间内沿轴对相关系数求和。步骤还可以包括识别三维坐标空间内具有最低的相关值的一个或多个位置。
本公开的各方面可以涉及一种麦克风组件,该麦克风组件可以包括外壳体、内壳体、PCB和绳索。外壳体可以包括外表面、与该外表面相对并限定穿过其中的开口的内表面以及从其内表面突出的多个附接结构。内壳体可以包括外表面、开口和从其外表面突出的多个附接结构。印刷电路板(PCB)可以包括至少一个微机电***(MEMS)麦克风,该MEMS麦克风可以包括声学端口,所述PCB耦合至所述内壳体,以使得所述至少一个MEMS麦克风的声学端口位于所述开口内。并且绳索可以将外壳体和内部壳体的附接结构分别互连在一起。
在某些情况下,至少一个MEMS麦克风可以包括第一MEMS麦克风和第二MEMS麦克风。
在某些情况下,麦克风组件还可以包括位于至少一个MEMS麦克风的声学端口上方的防水膜。
在某些情况下,麦克风组件还可以包括位于至少一个MEMS麦克风的声学端口上方的麦克风挡风屏。
在某些情况下,麦克风组件还可以包括位于麦克风挡风屏上方的筛网、以及固定到所述外壳体并且将所述筛网支撑在麦克风挡风屏上方的适当位置的保持环。
在某些情况下,麦克风组件还可以包括附接到保持环的加热环,该加热环被配置成防止在PCB附近冻结。
在某些情况下,所述绳索分别穿过所述内壳体和所述外壳体的附接结构的孔交织。
在某些情况下,绳索是弹性绳索。
在某些情况下,麦克风组件还可以包括扬声器,该扬声器被配置成发射已知波形,以便测试至少一个MEMS麦克风的功能。
本公开的方面可以涉及一种用于确定在铁路导轨的第一轨道和第二轨道上行进的经过的火车的缺陷的轨道车声学监测***。所述第一轨道和第二轨道可以支撑在可以包括第一铁路枕木和第二铁路枕木的多个铁路枕木上。轨道车声学监测***可以包括第一轨道侧框架组件,该第一轨道侧框架组件可以包括第一外部框架组件、第二外部框架组件和第一内部框架组件。所述第一外部框架组件可以包括被配置成经由第一支架组件耦合至所述第一铁路枕木的第一端部的第一框架构件,以及第一麦克风组件,其耦合至所述第一框架构件,以使得所述第一麦克风组件被定位在铁路导轨的第一条轨道的第一外侧上。第一麦克风组件可以被定向成接收与经过的火车相关联的声音信号。所述第二外部框架组件可以包括被配置成经由第二支架组件耦合至第二铁路枕木的第二端部的第二框架构件,以及第二麦克风组件,其耦合至所述第二框架构件,以使得所述第二麦克风组件被定位在铁路导轨的第二轨道的第二外侧上,第二麦克风组件可以被定向成接收与经过的火车相关联的声音信号。所述第一内部框架组件可以被配置成经由第三支架组件耦合至所述铁路导轨的第一轨道和第二轨道之间的所述第一铁路枕木的中间部分,所述第一内部框架组件可以包括第一壳体、被定向成接收发源自第一轨道的声音信号的第三麦克风组件、以及被定向成接收与经过的火车相关联的声音信号的第四麦克风组件。
在某些情况下,轨道车声学监测***还可以包括第二轨道侧框架组件,该第二轨道侧框架组件可以包括第三外部框架组件、第四外部框架组件和第二内部框架组件。第三外部框架组件可以包括被配置成经由第四支架组件耦合至第二铁路枕木的第一端部的第三框架构件,以及第五麦克风组件,其耦合至第三框架构件,以使得第五麦克风组件被定位在铁路导轨的第一轨道的第一外侧上,第五麦克风组件被定向成接收与经过的火车相关联的声音信号。第四外部框架组件可以包括被配置成经由第五支架组件耦合至第二铁路枕木的第二端部的第四框架构件,以及第六麦克风组件,其耦合至第四框架构件,以使得第六麦克风组件被定位在铁路导轨的第二轨道的第二外侧上,第六麦克风组件被定向成接收与经过的火车相关联的声音信号。第二内部框架组件被配置成经由第六支架组件耦合至导轨的第一轨道和第二轨道之间的第二铁路枕木的中间部分,第二内部框架组件可以包括第二壳体、被定向成接收发源自第一轨道的声音信号的第七麦克风组件、以及被定向成接收与经过的火车相关联的声音信号的第八麦克风组件。
本公开的各方面可以涉及一种用于经由声学监测来识别火车的缺陷的计算机实现的方法。该方法可以包括以下步骤:当火车经过多个麦克风时,在现场传感器***的数据采集模块处接收来自多个麦克风组件的多个信号。多个麦克风可以与数据采集模块通信。多个麦克风组件可以被定位成靠近导轨的第一和第二轨道。多个麦克风组件可以包括第一麦克风组件、第二麦克风组件、第三麦克风组件和第四麦克风组件。第一麦克风组件可以位于第一轨道的外部,第二麦克风组件可以位于第二轨道的外部,并且第三麦克风组件和第四麦克风组件可以位于第一轨道和第二轨道的内部。多个信号可以包括由第一麦克风组件接收的第一信号、由第二麦克风组件接收的第二信号、由第三麦克风组件接收的第三信号以及由第四麦克风组件接收的第四信号。第一麦克风组件、第二麦克风组件、第三麦克风组件和第四麦克风组件通常可以位于横向于第一和第二轨道并垂直延伸的第一平面中,当火车经过多个麦克风组件时,多个信号发源于与火车相关联的缺陷的噪声源。该方法还可以包括识别噪声源在第一平面内的位置。该方法还可以包括识别噪声源在第一平面内的位置处的强度。该方法还可以包括基于噪声源的位置和强度来确定缺陷类型。
附图说明
专利申请文件包含至少一个彩色附图。具有彩色附图的本专利或专利申请公开的副本将由专利局根据请求并支付必要的费用来提供。
在附图的参考图中示出了示例性实施例。旨在将本文公开的实施例和附图视为说明性的而非限制性的。
图1是轨道车声学监测***的等距视图。
图2是轨道车声学监测***的俯视图。
图3是轨道车声学监测***的前视图。
图4是外部框架组件的等距视图。
图5是外部框架组件的侧视图。
图6是外部框架组件的前视图。
图7是麦克风组件的等距视图。
图8是麦克风组件的前视图。
图9是麦克风组件的后视图。
图10A是麦克风组件的另一个后视图,其具有包含MEMS麦克风的电路板的详细视图。
图10B是MEMS麦克风的横截面侧视图。
图10C是示例性模拟MEMS麦克风的框图。
图11是内部框架组件的等距视图。
图12是内部框架组件的侧视图。
图13是安装组件的等距视图。
图14是安装组件的等距分解图。
图15是安装组件的前视图。
图16是安装组件的侧视图。
图17是耦合至铁路枕木的端部的安装组件的等距视图。
图18是示出声学监测***的通信部件的布置的框图。
图19是包括四个外部框架组件的两个轨道侧框架组件的等距视图。
图20是两个轨道侧框架组件的等距视图,包括位于具有已标识Y-Z平面的X,Y,Z坐标系中的四个外部框架组件。
图21是两个轨道侧框架组件的等距视图,包括位于具有已标识Y-Z平面的X,Y,Z坐标系中的四个外部框架组件,并具有发源于Y-Z平面上的点的噪声源。
图22是发源于Y-Z平面上的点的原始噪声源的图。
图23是当麦克风M1、M4和M5接收到信号时,发源于Y-Z平面上的点的原始噪声源的图。
图24是Y-Z平面上的标准偏差的曲面图,其中标准偏差的最小值是噪声源的位置。
图25是曲面图标准偏差的平面图,其中最深的蓝色单元指示标准偏差的最小值,以及由此噪声源的位置。
图26是在考虑了时间延迟和强度之后,从麦克风读数计算的信号。
图27是Y-Z平面上的标准偏差的曲面图,其中标准偏差的最小值是噪声源的位置。
图28是曲面图标准偏差的平面图,其中最深的蓝色单元指示标准偏差的最小值,以及由此噪声源的位置。
图29是Y-Z平面上的标准偏差的曲面图,其中标准偏差的最小值是噪声源的位置。
图30是曲面图标准偏差的平面图,其中最深的蓝色单元指示标准偏差的最小值,以及由此噪声源的位置。
图31是在考虑了时间延迟和强度之后,根据麦克风读数计算出的信号。
图32是具有可实现本文所讨论的各种***和方法的一个或多个计算单元的示例性计算***。
图33描绘了利用声学监测***来识别经过的火车的车轮和轴承中的缺陷的方法的示例性步骤的第一流程图。
图34A和34B描绘了利用声学监测***来识别经过的火车的车轮和轴承中的缺陷的方法的示例性步骤的第二流程图。
图35A-35C分别描绘了围绕铁路导轨定位的声学监测***的等距视图、纵向视图和侧视图。
图36描绘了由声学监测***的八个麦克风组件记录的原始或未滤波的声波数据的曲线图。
图37A描绘了包络波数据的示例性曲线图。
图37B描绘了声学监测***的八个麦克风组件的包络波数据的曲线图。
图38A描绘了在经过的火车的观察区域内定义的三维坐标系的Y-Z平面。
图38B描绘了在沿着X轴的点250处以及相对于由麦克风组件M4记录的压力水平的三维坐标系的Y-Z平面。
图38C描绘了压力与在Y-Z平面中的点(6,32)处沿X轴的距离以及相对于麦克风组件M4的曲线图。
图38D描绘了Y-Z平面的三维图,其中压力值以彩色显示并在垂直轴上显示。
图39A描绘了声压的反比例定律的示意图。
图39B描绘了三维坐标空间中的点(275,12,25)的距离矢量的曲线图。
图39C描绘了三维坐标空间中的点(275,12,25)的压力矢量的曲线图。
图40A描绘了相对于三维坐标系的X-Z平面绘制的Y方向上的求和的相关系数的三维图。
图40B描绘了在三维坐标系的X-Z平面上绘制的Y方向上的求和的相关系数的二维图,其中彩色的相关值指示或多或少相关性的位置。
图41A描绘了在移除噪声之后在X-Z平面上绘制的沿Y方向的求和的相关系数的二维图。
图41B描绘了在X-Z平面上绘制的Y方向上的求和的相关系数的二维图,并具有被标识用于提取的车轮和轴承矢量。
图42A描绘了针对特定缺陷的A侧车轮和轴承以及B侧车轮和轴承的声学特征。
图42B描绘了在移除噪声之后在X-Z平面上绘制的Y方向上的求和的相关系数的二维图上叠加的B轴承的波形,波形的峰值指示了噪声源的可能起源。
图43A描绘了大面积剥落缺陷的声学位置矩阵。
图43B描绘了针对大面积剥落缺陷的A侧车轮和轴承以及B侧车轮和轴承的声学特征。
图44A描绘了锥体缺陷的声学位置矩阵。
图44B描绘了针对锥体缺陷的A侧车轮和轴承以及B侧车轮和轴承的声学特征。
图45描绘了覆盖有外圈缺陷的数学杯模型的、来自经过的火车的实际外圈缺陷的声学特征。
具体实施方式
I.声学监测***
本申请通过引用整体并入以下美国专利申请号:62/162,521,题为“AutomatedRail Inspection System”,于2015年5月15日提交;62/162,509,题为“CalibrationMethod for Strain Gage Based Neutral Temperature Measurement Systems”,于2015年5月15日提交;15/156,034,题为“Automated Rail Inspection System”,于2016年5月16日提交;12/716,247,现在专利号为8,155,809,于2010年3月2日提交;12/138,617,现在专利号为7,698,028,于2008年6月13日提交;10/979,870,现在专利号为7,392,117,于2004年11月2日提交。
如图1的等距视图所示,本公开的多个方面涉及一种轨道车声学监测***100。在图2的俯视图中以及图3的前视图(与后视图相同)中,还可以看到轨道车声学监测***100。
如图1-3所示,声学监测***100耦合至铁路导轨104的枕木(也称为轨枕)102。如图1和图2所示,声学监测***100可以包括沿导轨104的轨道纵向间隔开的一对轨道侧框架组件106。尽管附图示出了两个轨道侧框架组件106,但是本公开预期少至一个轨道侧框架组件106、以及多于两个轨道侧框架组件106。在某些情况下,声学监测***100可以包括三个轨道侧框架组件106。在某些情况下,声学监测***100可以包括四个轨道侧框架组件106。在某些情况下,监测***100可以包括五个轨道侧框架组件106。在某些情况下,声学监测***100可以包括六个轨道侧框架组件106。在某些情况下,声学监测***100可以包括多于六个轨道侧框架组件106。
每个轨道侧框架组件106可以包括两个外部框架组件110和一个内部框架组件112。每个外部框架组件110安装到铁路枕木102的一对相邻的端部。该对外部框架组件110可以以相对的方式安装到相同的铁路枕木102。内部框架组件112在与外部框架组件110安装到的同一铁路枕木102上安装在该对外部框架组件110之间。
每个外部框架组件110可以包括麦克风组件114,并且每个内部框架组件112可以包括彼此相对定向的两个麦克风组件114。每个外部框架组件110可以经由一对安装组件116安装到铁路枕木102。每个内部框架组件112可以经由四个安装组件116安装到铁路枕木102。
参考图4-6,其分别描绘了外部框架组件110的等距视图、外部框架组件110的侧视图和外部框架组件110的前视图。如图4和图5所示,外部框架组件110包括在外部框架组件110的内端120处耦合至安装支架118的一对框架构件125。在外部框架组件110的外端122处,与安装支架118相对,该对框架构件125经由板124耦合在一起。在板124下方是在该对框架构件125之间横向延伸的支撑构件126。该对框架构件125可以是管状构件,它们在内端120和外端122之间包括大约九十度的弯曲。
如图4-6所示,麦克风组件114在外部框架组件的外端122处耦合至板124。如随后将描述的,麦克风组件114被定向成接收来自铁路导轨的声波,该声波通常来自外部框架组件110的内端120。麦克风组件114被定位在支架上方约58.5cm,以使得其在轨头上方约38.5cm,以及轨道的轨距面(gage face)侧向约125cm处。
图7-10C描绘了麦克风组件114的各种视图。更特别地,图7描绘了麦克风组件114的等距分解图,图8描绘了麦克风组件114的前视图,图9描绘了麦克风组件114的后视图,图10A描绘了麦克风组件114的另一后视图,图10B描绘了MEMS麦克风164的横截面侧视图,以及图10C描绘了模拟MEMS麦克风164的框图。
如图7所示,麦克风组件114可以包括外壳体138、内壳体140、印刷电路板(“PCB”)142、减震绳144、泡沫盘146、前保持环148、筛网172、后保持环150和后外壳盖152。外壳体138是圆柱形管,其具有从其外表面156延伸的四侧凸缘154。凸缘154可以包括用于将麦克风组件114耦合至轨道侧框架组件106的部件的通孔。外壳体138还可以包括从其内表面160向内延伸的突片158。突片158可包括一对通孔162,用于从中接收减震绳144。
内壳体140可以是圆柱形管,并且可以包括从其外表面166延伸的突片164。突片164可包括穿过其中的一对通孔168,用于从中接收减震绳144。以这种方式,内壳体140可以经由减震绳144柔性地耦合在外壳体138内。当例如火车通过轨道侧框架组件106并使外壳体138振动时,减震绳144可以用作内壳体140的减震器(振动和冲击分离)。由于外壳体138经由凸缘154固定到轨道侧框架组件106,所以当轨道侧框架组件106振动时,外壳体138可以振动。因此,内壳体140经由减震绳144与外壳体140的直接振动分离。在某种意义上,内壳体140与外壳体138处于浮动关系。减震绳144可以是能够在拉伸后恢复长度和形状的弹性绳。
如图8所示,内壳体140可包括六个突片164,并且外壳体138可包括六个突片158。并且减震绳144可编织在内壳体140的突片164和外壳体138的突片158之间。在不脱离本公开的教导的情况下,内壳体140和外壳体138可以包括可替代数量的突片164、158。
内壳体140可以包括中央开口170,其中PCB 142经由紧固件(例如,螺钉)附接到中央开口170。泡沫盘146可以定位在中央开口170内,并且在PCB 142的信号接收侧的前面。泡沫盘146充当用于在PCB 142中嵌入的麦克风的挡风屏或挡风罩。如图7和11-12所示,具有圆形周长的筛网172可以装配在中央开口170和泡沫盘146上,并由前保持环148保持在适当位置。即,前保持环148可以(例如,经由螺钉)固定到外壳体138的前侧,以将筛网172支撑在适当位置,以作为防止碎屑进入麦克风组件114的范围的屏障。筛网172可以帮助防止昆虫和啮齿动物进入组件114。后外壳盖152可以经由紧固件(例如,螺钉)定位在外壳体138的后侧和后保持环150之间。后外壳盖152可以是实心的,或者在某些情况下可以是筛网。如图9所示,它是麦克风组件114的后视图,后外壳盖152是实心的,并由后保持环150固定在适当的位置。加热环(未示出)可以附接到前保持环148。可以将少量电流施加至加热环,以防止雪和冰在麦克风的前部积聚。
如图7所示,麦克风组件114的外壳体138可以包括开口174,用于容纳连接器176,该连接器176包括电组件以将PCB 142与AMS现场节点可通信地耦合,如随后将描述的。在某些情况下,外壳体138、内壳体140、前保持环148、后保持环150和后外壳盖152可以被增材制造(例如,3D打印)。
参考图10A-10C,PCB 142可以包括微机电***(“MEMS”)麦克风164和扬声器166,以及其他板部件。PCB 142可以被紧固到内壳体140的后表面,使得板部件连接器面向组件的后部,并且MEMS麦克风164的信号接收侧面向内壳体140的前部。如图10A所示,PCB 142包括用于第二MEMS麦克风164的连接。因此,在某些情况下,麦克风组件114可以包括两个MEMS麦克风164,以确保防止其中一个MEMS麦克风因为其他原因而发生故障。在某些情况下,两个麦克风164都可以被连线以接收声音信号。在某些情况下,仅一个麦克风164可以被连线以接收声音信号,而在第一麦克风164发生故障的情况下,另一个麦克风仍留在板上。在某些情况下,维修人员可以简单地拆卸麦克风组件114,断开发生故障的第一麦克风164,并且电连接第二麦克风164。可替代地,在某些情况下,如果MEMS麦克风164之一发生故障,则位于AMS数据采集模块(如图18所示)上的机械闭锁继电器可以用于切换到第二MEMS麦克风164。
考虑到MEMS麦克风164的相对较小的尺寸和较低的成本,可以在PCB 142上包括多个MEMS麦克风164。并且由于每个麦克风164可以连接到PCB 142并远程打开,因此多个MEMS麦克风164可以在PCB 142上,作为防止单个MEMS麦克风164发生故障的预防措施。在某些情况下,PCB 142上可以有一个MEMS麦克风164。在某些情况下,PCB 142上可以有两个MEMS麦克风164。在某些情况下,PCB 142上可以有三个MEMS麦克风164。在某些情况下,PCB 142上可以有四个MEMS麦克风164。PCB142可以附接到内壳体140并用标准的电子灌封材料“灌封”以使PCB 142n的部件防水。
扬声器166可以被配置成用于MEMS麦克风164的测试器。由于可以从扬声器166输出已知信号或波形(例如蜂鸣声、啁啾声),并且由MEMS麦克风164接收到该信号可以被分析以确保麦克风164正常工作。附加地或可替代地,来自扬声器166的信号可以被内部框架组件112和外部框架组件110的任何数量的MEMS麦克风164或全部八个MEMS麦克风164接收,以便测试和/或校准***100的部件。由于***100知道与所有麦克风的距离,则每次从麦克风164播放波形时,来自已知波形的声学特征应该是恒定的。这可以被认为是基线。如果在任何后续测试中从任何一个麦克风164捕获的信号均不同于基线,则***100可以识别出特定的麦克风164发生故障。发生故障时,***100可能会自动排除它或切换到PCB 142上的不同麦克风164。
传统的MEMS麦克风164可以包括结合在一起并安装在层压板上并封装在外壳中的换能器元件和专用集成电路(“ASIC”)。图10B描绘了模拟MEMS麦克风164的示例性换能器元件194的截面侧视图。麦克风164的换能器元件194可包括晶片180中的声学端口或开口178,用于从例如经过的火车接收声音信号。与开口178相对的是隔膜182,其经由背板186的支撑柱184固定(例如,结合)到晶片180。背板186可以包括穿孔部分,以允许空气在隔膜的背面和背板186之间移动。可以将阻挡湿气但允许声波通过的声学膜188放置在声学端口178上。示例性声学膜是Acoustic Vent GAW334。这种膜可以在水下处理长达两米的深度达一小时。膜的***损耗在1000Hz时小于2分贝,排气孔内径尺寸为1.6mm。
如图10C所示,其是示例性模拟MEMS麦克风164的框图,电路190包括具有特定输出阻抗的放大器192。当检测到声音时,换能器的信号被发送到前置放大器192,前置放大器192用作阻抗转换器,以在麦克风连接到音频信号通信线路时将输出阻抗降低到可用水平。虽然本文描述了模拟MEMS麦克风164,但MEMS麦克风164可以是数字MEMS麦克风。在这种情况下,由于数字MEMS麦克风传输来自麦克风组件114的数字信号,因此不需要模数转换器。
图11和图12分别描绘了内部框架组件112的等距视图和内部框架组件112的侧视图,而内部框架组件的相反侧视图可以相同或基本相同。如图中所示,内部框架组件112可以包括基板128,该基板128通过在基板128的各个角处的四个安装组件116耦合至相邻的枕木102。内部框架组件112的前表面130相对于基板128成角度。前表面130耦合至顶表面132,顶表面132可从前表面130移除。与前表面130相对的后表面134也相对于基板128成角度。如图12所示,通常垂直于基板128的侧表面136可以包括用于麦克风组件114的开口。另一侧表面136可以在内部框架组件112的相对侧上。这样,在每个内部框架组件112中有两个麦克风组件114。顶表面132可以是可移除的板,以便进入内部框架组件112的内部隔室,例如,组装、维护和/或维修麦克风组件114。
图13-17描绘了安装组件或支架组件116的各种视图。更特别地,图13描绘了安装组件116的等距视图,图14描绘了安装组件116的等距分解图,图15描绘了安装组件116的前视图,图16描绘了安装组件116的侧视图,以及图17描绘了安装到相邻的铁路枕木102的四个安装组件116。如图所示,每个安装组件116可以包括U形螺栓200,该U形螺栓200比铁路枕木102的宽度稍宽(特别是在图17中看到的)。U形螺栓200可以包括一对螺纹端部202。安装组件116还可以包括安装支架204,该安装支架204具有升高的中央部分206、钻孔的端部208和细长的狭槽210。安装支架204可以经由与螺纹端部202接合的紧固件被紧固至U形螺栓200(其间具有铁路枕木102),该螺纹端部202延伸穿过安装支架204的钻孔的端部208。
螺栓212可以定位成使得其螺纹端部向上延伸穿过狭槽210。螺栓212可以沿着狭槽210滑动到适当的位置,以紧固到外部框架组件110和内部框架组件112。螺栓212可以经由紧固件214(例如,螺母)紧固到外部框架组件110和内部框架组件112。一对板216位于安装支架204的底部和铁路枕木102之间,因此允许螺栓212的头部沿槽210滑动。板216通过紧固到板218(在安装支架204的顶侧上)而保持在适当位置,板218具有细长的狭槽220,该狭槽通常与安装支架204的狭槽210的尺寸匹配。
如图17所示,两个安装组件116可以定位在每个铁路枕木102的端部。即,耦合至枕木102的端部的两个安装组件116可以耦合至单个外部框架组件110。如图11-12所示,内部框架组件112利用四个安装组件116。因此,声学监测***100总共可以利用在四个铁路枕木102中的每一个上的六个安装组件116,总共二十四个安装组件116。
内部框架组件112和外部框架组件110可从安装组件116移除,而安装组件116仍附接到铁路枕木102。以这种方式,可移除内部框架组件112和外部框架组件110以进行导轨维护,例如,夯实。在执行导轨维护之后,内部框架组件112和外部框架组件110可以在与它们先前被安装的位置和方向相同的位置和方向上被重新附接到安装组件116。
图18描绘了示出声学监测***100的通信部件的布置的框图。该通信部件可以被称为现场传感器***的数据采集模块,并且可以在轨道侧部件和机柜部件之间分割(其中,在图18中的点划线示出了分割)。与声学监测***100相关联的通信部件的一部分可以在图18中由虚线示出。
轨道侧部件可以与铁路导轨和轨道侧框架组件106相邻。轨道侧部件可以包括声学监测***节点1和声学监测***节点2,它们可以单独或一起容纳在轨道侧箱中。声学监测***节点1、2中的每一个可以包括音频模数转换器(“音频ADC”)、现场可编程门阵列(“FPGA”)和ARM中央处理单元(“ARM CPU”)。音频ADC可以经由模拟信号从每个轨道侧框架组件106的四个MEMS麦克风接收信号。音频ADC可以将模拟信号转换为数字信号。FPGA可以用于从ADC接收数据,并将数据以ARM CPU可读格式传输到ARM CPU。ARM CPU将从FPGA读取数据并将其打包为适合通过以太网传输的数据包。收集在轨道侧部件处处理的数据并将其转换为TCP/IP数据包,然后将其发送到具有PC扩展功能的网络现场节点。
机柜部件可以与轨道侧框架组件106间隔开,并且可以容纳在MDS机柜中。机柜部件可以与轨道侧部件进行通信(例如,以太网、光纤通信),并且可以包括声学监测***100的AMS现场节点。AMS现场节点可以是对从AMS数据采集模块接收的数据执行数字信号处理算法的地方。在某些情况下,AMS数据采集模块1、2可能位于靠近铁路导轨的位置,用于经由音频ADC将模拟信号转换为数字信号。当信号必须从麦克风传播几米时,噪声会增加,而这样做可以减少与该信号相关联的噪声。
MDS机柜还可以包括用于其他监测单元的各种其他机柜部件,例如“热箱”装置(例如,热轴承装置(“HBD”)、热轮装置(“HWD”)),其测量经过的火车的车轮和轴承的温度。车轮冲击载荷检测器(“WILD”)的通信部件和自动设备识别***、以及其他***也可以容纳在MDS机柜中。MDS机柜可以居中地位于各种监测单元之间,以提供中央集线器来用于各种监测单元与无线网络(例如互联网)之间的通信。在MDS机柜内并且可通信地耦合至各种监测单元的可以是以太网交换机和轨道侧个人计算机(“TSPC”)。
II.确定声源的位置-第一实例
以下描述和附图是对使用声学监测***100在轨道侧铁路环境中定位噪声源的说明。并且,特别地,使用八麦克风阵列在轨道侧铁路环境中定位噪声源。
采用以下方法:
1.定义当前的麦克风配置。
2.在麦克风阵列上分配参考坐标系,该参考坐标系还可用于参考噪声源位置。
3.在matlab中开发模型以模拟来自指定噪声源的麦克风读数。
A.创建位于坐标域内的模拟噪声源。
B.对麦克风阵列配置建模。
C.对于从针对阵列中每个麦克风的模拟噪声源记录的输出进行建模。
4.基于来自阵列中的麦克风的作为输入的读数,开发算法以确定噪声源的原始位置和原始信号强度。
5.测试各种麦克风配置、火车速度和噪声源场景。
6.创建报告。
麦克风组件114的配置可以在图19中看到,其描绘了四个轨道侧框架组件300,其中,每个轨道侧框架组件300包括内部或轨距侧麦克风组件114i,外部或现场侧麦克风组件114o以及耦合至内部麦克风组件114i和外部麦克风组件114o的框架构件302。在这种情况下,框架构件302被耦合至轨道的基座;然而,该讨论适用于先前描述的内部框架组件112和外部框架组件110。图19中所示的四个轨道侧框架组件300仅是使用八阵列麦克风设置来定位声音的示例。
图20描绘了关于图19中的声学监测***100定义的参考坐标系。如图所示,内部麦克风组件114i被标记为M2、M3、M6和M7。外部麦克风组件114o被标记为M1、M4、M5和M8。麦克风组件M1-M8的位置是在坐标系中的已知位置。x轴被定义为与轨道平行的轴,z轴被定义为垂直于轨道(横向于轨道延伸),以及y轴被定义为垂直轴。坐标系中的每个增量对应于1毫米(“mm”)。观察区域(“ZOO”)被定义为沿x轴在第一麦克风M1-M4之前的1米(“m”),以及在剩下的麦克风M5-M8之后的1m。ZOO代表总共约四米。因此,声学监测***100可以包括位于距轨道侧框架组件300的轨道上下大约1米处的传感器,并且该传感器排队等候并关闭麦克风,以开始和停止收集与火车相关联的声音信号。
下一步骤是在预定位置模拟噪声源,并模拟来自麦克风M1-M8的相应读数。Matlab用于模拟噪声源和麦克风读数。数学模型可以考虑时间延迟以及噪声源位置与每个麦克风(Mic)之间的强度降低。时间延迟被计算如下:
其中,N表示从1到8的麦克风编号。在20℃的空气中的声速被定义为343m/s。
在每个麦克风M1-M8处经历的声音强度由反距离方程定义:
其中,N表示从1到8的麦克风编号。
为了产生行进通过麦克风的噪声源行进通过阵列的模拟读数,遵循以下程序:
1)创建模拟的“噪声源”。
2)当噪声源以预定义速度行进通过阵列时,计算噪声源与每个麦克风之间的距离。
3)针对沿行进方向(x轴)的每个样本位置计算噪声源与每个麦克风之间的时间延迟。
4)针对沿行进方向(x轴)的每个样本位置计算每个麦克风处的噪声强度。
5)使用以上计算,计算每个麦克风的模拟读数。
原始噪声源是在轴承以约每小时64km的速度行进时轴承外圈杯(outer racecup)缺陷之后进行建模的,并以每秒192k个样本的速度进行采样。原始噪声源位置位于Y=600mm和Z=2800mm处,如图21中的绿色所示。图22描绘了原始噪声源的图。图22中所示的影响是滚轴越过外圈剥落部的结果。
在使用图22的原始噪声源运行麦克风模型后,当模拟噪声源行进通过八麦克风阵列时,确定表示从每个麦克风M1-M8收集的读数的八个矢量。图23描绘了相互重叠描绘的三个麦克风信号:M1为蓝色;M4为绿色;以及M5为红色。M1、M4和M5的使用是出于说明目的。也可以计算并显示麦克风M2、M3、M6、M7和M8的麦克风信号图。各种麦克风的幅度和时间延迟的变化很明显,这取决于它们在阵列中的位置。
在给定信号图情况下确定噪声源的位置和原始强度是基于时间延迟和强度方程:TD=D/c&R=I/D。其中TD是时间延迟,D是至麦克风的距离,c是声速,R是麦克风处的强度,以及I是原始强度。
一毫米的分辨率是可能的,但是在Y和Z轴上可能不需要这种精度。为了最小化必要的计算量,可以将Y和Z轴上的分辨率降低到100mm块。以更高的精度定位噪声源可能没有价值。可以沿X轴使用1mm的精度,以便捕获源自轴和轴承以及其他部件的所有声音信号。
由于噪声源的位置(x,y,z)是未知的(例如,当火车在轴承缺陷或扁平车轮的情况下经过时),因此对于每毫米的轴行程,针对在Y轴和Z轴上的所有100mm块(即,所计算的块的数量为12×30等于总共360个块)计算时间延迟。针对每个块,使用数据的一部分。使用勾股定理,可以计算从轴当前位置到每个麦克风的距离如下:
其中,X、Y和Z是坐标平面上的当前位置,以及MnX、MnY、MnZ是每个麦克风的坐标(n=麦克风编号1-8)。
因此,使用来自4个麦克风的读数,并使用强度方程R=I/D,针对四个麦克风,可以使用D*R=I来计算以下四个方程:
其中X、Y和Z是原始噪声源的坐标,以及I是强度。MnX、MnY和MnZ是麦克风的所有已知坐标位置,以及RM1、RM2、RM3和RM4是由麦克风M1、M2、M3和M4拾取的所有已知强度值。现在可以看到有四个方程和四个未知数,并且可以计算解。
代替以可变形式求解,该解可以被数值计算。对于轴的每个位置(沿X轴),可以针对Y-Z网格中的每个块计算上述方程(使用所有八个麦克风而不是四个)。因此,在该计算中,X、Y和Z的坐标以及八个麦克风处的强度都是已知的;原始强度是未知的。针对Y-Z网格中的每个块运行计算,其中X的值(已知)针对在Y-Z平面中的所有值都相同。计算结果提供了Y-Z平面的每个块处的强度值。由于所有麦克风都在测量相同的噪声源,因此原始强度的值相同(在所有八个方程中)的坐标位置(X,Y和Z)就是噪声源的原始位置。
为了确定正确的坐标集,使用了八个计算的强度(针对Y-Z网格中的每个点(12x30=360个点),每个麦克风一个强度),并计算了八个解的标准偏差。标准偏差最小的坐标集(Y-Z)是解。
为了在视觉上表示解,参考图24-25,其中图24是在曲面图上绘制的标准偏差。回到位于Y=600mm和Z=2800mm的模拟外圈缺陷的前面的示例,麦克风输出通过上面(使用Matlab)定义的新算法运行。图24-25是标准偏差的图,注意最小值是可能的解。如图所示,最小值出现在Y=6,Z=28处,其中每个坐标表示与原始位置相对应的100mm。
可以绘制考虑到原始信号的时间延迟和强度的所测量的外圈缺陷信号,如图26所示。来自原始信号的影响是明确的,并且可以通过模式识别算法进行识别。
注意,精确指出噪声源的位置的算法可以将视场划分成大约10cm×10cm的部分。这可以显著减少必要的计算量,并且仍然提供有价值的声音位置信息。换句话说,可能没有必要将噪声源精确定位到一毫米以用于诊断缺陷。10cm×10cm的区域在定位缺陷的来源时可能有用,同时将进行计算所需的硬件(CPU)的数量保持在最低。
在另一个示例中,噪声源在Y=200,Z=1000处以模拟扁平车轮。图26-27表示沿Y-Z轴的标准偏差的图,注意最小值是可能的解。注意,表示原始噪声源的位置的最小值现在在Y=2,Z=10,对应于Y=200,Z=1000(其是原始输入的位置)。
先前的示例计算是利用假设速度为每小时64km的模型开发的,但是可以将模型更新为假设速度为每小时321km。沿Y-Z轴的标准偏差的示例图可以在图29和30中看到。
确定位置噪声是最小值发生的地方,其处于Y=6,Z=27,非常接近Y=600,Z=2800mm的原始输入。该速度下的缺陷的声级在图31中示出。如图所示,尽管速度很高,但信号仍然清晰。因此,可以基于模式识别算法来识别和确定信号,以识别该信号存在的缺陷类型,并将其与其他信号区分开。
噪声位置和缺陷类型可以在AMS现场节点计算机中计算。
在图33中示出了使用声学监测***100的方法1000的示例性步骤。在某些情况下,方法1000可以是计算机实现的方法。在某些实例中,方法1000可以被提供为计算机程序产品、软件或计算机化的方法,其可以包括其上存储有指令的非暂时性机器可读介质,其可以用于对计算机***(或其他电子装置)进行编程以执行根据本公开的过程。如图33所示,方法100的步骤1002可以包括将一对轨道侧框架组件106安装到铁路导轨104的铁路枕木102上,如图1所示。该步骤1002可以包括将八个麦克风组件114连接到位于轨道侧的现场节点1、2,以及将现场节点1、2连接到MDS机柜内的网络现场节点,如图18所示。该步骤1002可以包括将八个麦克风组件114在各自四个麦克风组件114的两个平面中对准。这些平面可以横向延伸穿过铁路导轨104并且垂直延伸。通过使麦克风组件114布置在各种高度以限定平面,可以在平面内识别与火车的缺陷相关联的噪声源的位置和强度。
步骤1004可以包括AMS数据采集模块,该AMS数据采集模块可以在火车经过时从八个麦克风组件中的每一个接收信号。该信号可以是具有与声音强度有关的振幅的波形形式的模拟信号。然而,信号可以采用其他形式,例如数字信号流。该信号可以包括火车的缺陷的噪声源(例如,滚轴或外圈的缺陷、轴承杯、扁平车轮、轮轴缺陷)、以及与经过的火车相关联的其他噪声。
步骤1006可以包括对信号进行滤波,以将与缺陷相关联的噪声源与与经过的火车相关联的一般噪声分离。
步骤1008可以包括识别噪声源在由第一至第四麦克风组件的位置限定的第一平面内的位置。步骤1008还可包括识别噪声源在由第五至第八麦克风组件的位置限定的第二平面内的位置。步骤1010可以包括识别噪声源在第一平面和第二平面内的位置处的强度。这些步骤1008和1010还可以包括在第一平面和第二平面之间的多个平面处识别噪声源的位置及其强度,以便限定噪声源的波形。以这种方式,可以确定波形的一般性质(例如,周期性脉冲、单脉冲、合成脉冲)及其振幅、波长。
步骤1012可以包括基于噪声源的位置和强度来确定缺陷类型。该步骤可以包括将波形与具有已知缺陷的波形数据库进行比较。另外地或可替代地,该步骤可以包括使用模式识别算法来基于波形的振幅、波长和强度以及其他因素来识别缺陷类型。
可以通过网络将缺陷类型传送给火车驾驶员或工程师,以进行可能的即时维护或其他方式。这种类型的缺陷识别可以与其他监测***结合,如图18所示。例如,本文所述的声学监测***100可以与测量经过的火车的车轮和轴承的温度的“热盒”装置(例如,热轴承装置(“HBD”)、热轮装置(“HWD”))、车轮冲击载荷检测器(“WILD”)和/或自动设备识别***以及其他***组合。以这种方式,声学监测***100可以与热盒装置组合,例如,以在潜在缺陷的位置被HBD或HWD触发之前识别出潜在缺陷的位置。在某些情况下,可以将由声学监测***100识别的与潜在缺陷有关的信息发送到HBD和/或HWD***,以便可以更仔细地检查潜在缺陷的区域。来自声学监测***100和HBD和/或HWD和/或WILD的信息(即,检测扁平车轮和车轮轮廓测量值)可以被组合以提供对特定轴承、轮轴或车轮的“健康”的全面检查。
作为示例,如果特定***检测到扁平车轮,则声学监测***100可以忽略该特定扁平车轮,以便不会错误地检测到缺陷,并且***100可以增加算法的灵敏度以检测其他潜在的缺陷。作为另一示例,如果***100检测到缺陷,并且具有热传感器的不同***检测到轴承具有比正常温度更高的温度,则***100可以提高缺陷拾取的严重性和置信度。
注意,***100能够检测来自机车中心的缺陷(并且将缺陷与轴承和车轮的缺陷区分开)。机车传动***和引擎是机车的具有潜在缺陷的两个领域。可以开发与机车引擎和传动***的缺陷相关联的噪声模式,并且可以使用类似于检测轴承和车轮缺陷的方式来使用算法来检测缺陷。
本文描述的***100能够进行实时数据处理。***100可包括位于轨道侧框架组件的任一端(在观察区域的端部)的车轮传感器。在某些情况下,车轮传感器可以位于距轨道侧框架组件约一米的位置。当火车的车轮经过车轮传感器时,接收到信号,并且***100可以开始捕获该特定轮轴的声学数据。***100可以继续观察并记录信号,直到相同的车轮在***100的端部处接触另一个车轮传感器为止。然后可以处理数据并且可以存储结果。当火车移动经过麦克风组件114时,这可能会连续发生,直到所有轮轴都已被处理。
当车轮越过车轮传感器时,***100可以利用精确时间协议(PTP)来给车轮加时间戳。时间戳可以用于将车轮事件与从麦克风收集的数据同步。时间戳可以用于确定火车的轮轴相对于麦克风的位置,从而使麦克风和轮轴之间的距离已知。为了确定每个轮轴相对于麦克风的位置,***100从麦克风获取信号测量值并实时地对其进行加“时间戳”。另外,通过位置测量***(例如,车轮传感器)测量轮轴经过车轮传感器的时间被实时地加“时间戳”。车轮传感器相对于麦克风的位置是已知的并且是固定的。
使用两个车轮传感器,可以确定每个经过的轮轴的速度和位置。两个***(车轮传感器和声学监测***100)均与基于PTP的以太网(IEEE 1588精确时间协议)实时精确地同步(即小于10微秒的抖动)。在轮轴经过最后一个车轮传感器之后,计算噪声源位置的PC能够通过将信息与相同的时间戳或时间戳的已定义距离对准来将噪声分配给火车的特定位置。
III.确定声源的位置-第二实例
以下描述和附图说明了使用声学监测***100在轨道侧铁路环境中定位噪声源并识别与车轮、轴承或轮轴以及火车轮组的其他部件相关联的故障模式或潜在故障模式。并且,特别地,以下描述了使用八麦克风阵列在轨道侧铁路环境中定位噪声源。
图34A-34B描绘了使用本文所述的声学监测***100基于来自经过的火车的声源来定位声源并诊断缺陷的方法3400。方法3400可以包括先前描述的步骤,但不限于此;并且先前的方法可以包括本节中讨论的步骤。图34A-34B中所描述的方法3400利用沿铁路的导轨使用的声学监测***100来执行,如图35A-35C所示。图35A-35C分别是耦合至铁路导轨104的枕木102并被用来声学地监测经过的火车的车轮500、轮轴502和/或轴承504的缺陷的声学监测***100的等距视图、侧视图和纵向视图。在图中示出了相对于铁路导轨104以及经过的车轮500、轮轴502和轴承504的坐标系或空间(x,y,z)。麦克风组件114(也称为麦克风)标记为M1、M2、M3、M4、M5、M6、M7和M8,并且将在本文中这样引用。
首先,图34A的方法3400可包括在步骤3402处当火车经过时从八个麦克风收集原始数据。原始数据或信号可以是具有振幅和强度的声波的形式。在原始数据中的是与火车中的缺陷相关联的噪声源,以及可能会使确定噪声源中的缺陷复杂化的其他噪声。在步骤3402处收集原始数据可包括将原始数据存储在现场传感器***的数据采集模块处或***内或***外的另一位置(例如,远程服务器)处。麦克风组件M1、M2、M3、M4、M5、M6、M7和M8的原始数据的曲线图如图36所示。每个曲线图在垂直轴上包括振幅,并且在水平轴上包括时间。图36中的特定曲线图示出了通过具有24位AD卡的模数(“AD”)转换器路由的原始电压数据的结果。纵轴上的计数代表电压信号。来自麦克风M4和M8的原始数据的曲线图描绘了将在后面讨论的缺陷。
图36中的曲线图示出了当火车在观察区域内经过时的原始数据信号,该观测区域在图35中示出为大约四米长,并涵盖了所有麦克风组件。声学监测***100可以在观察区域的终端处包括传感器(轨道接触件或车轮传感器),其用信号通知移动到观察区域中的轮组的开始和结束。观察区域可以随后用于定义三维坐标系,因为从经过的火车接收的声波数据出现在观察区域内。并且每个麦克风组件M1-M8在观察区域内具有已知位置。
返回参考图34A,在步骤3404,可以处理原始数据以便于使用。处理原始数据可以包括包络(envelope)数据。图37A示出了上面覆盖有上包络UE的采样波形SW。图37B示出了每个麦克风组件M1-M8的包络数据。这可以与图36所示的每个麦克风组件的原始数据形成对比。步骤3404可以包括将“计数”转换为压力或应力的单位(例如,帕斯卡)。该步骤可以包括将原始数据路由通过带通滤波器(BPF)以分离特定频率范围,同时衰减该分离的范围之外的频率。该步骤可以包括将绝对值划分成块。该步骤还可以包括将原始数据路由通过低通滤波器(LPF),该低通滤波器使具有低于截止频率的频率的信号通过并且使具有高于截止频率的频率的信号衰减。
图34A的方法3400接下来可以包括在步骤3406处针对代表来自经过的火车的噪声源的潜在原点的三维空间内的所有点计算理论假设压力水平(也称为理论压力水平)。针对每个麦克风组件M1-M8,对于三维空间内的所有点计算理论压力水平,使得计算压力水平或值的四维(“4D”)数组:PL(x,y,z,M)。在4D数组中,PL是压力水平,x,y,z是三维空间内的坐标位置,以及M表示麦克风组件。因此,该4D数组提供在x,y,z坐标位置中的每一个处关于每个麦克风组件M1-M8的压力水平。
在给定每个麦克风组件所收集的信号或压力水平以及每个麦克风组件的已知位置的情况下,可以在三维空间内确定理论压力值,假设(出于计算目的,因为噪声源的真实位置尚未确定)三维空间内的每个点都是在相应麦克风组件M1-M8处测得的声压的原点。在图34A的方法3400的步骤3408处,将在后面描述,***100将部分基于理论压力水平来确定声源/噪声源的实际位置。在该方法的这一点上,三维空间内的每个点都被假设为噪声源的起源。
在确定理论压力水平时可以使用以下方程式。
在以上方程式中,D是从特定麦克风Mn到三维(“3D”)坐标系内假设的声源位置的点的线性距离。X、Y和Z是假设声源位置的坐标点。I是声音的原始强度。MnX、MnY和MnZ是3D坐标系中麦克风的所有已知坐标位置,以及RM1至RM8是由麦克风M1至M8拾取的所有已知压力值。压力值可以在每个麦克风的包络数据中找到,如图37B所示。
可以定义3D坐标系,如图38A所示。图38A示出了Y-Z平面或网格,其在垂直Y轴上的值为12厘米(“cm”),在水平Z轴上的值为40cm。如图所示,麦克风组件位于3D坐标系内。针对每个麦克风组件M1-M8的每个采样压力水平,根据关于D的方程式计算到3D坐标系内每个块的线性距离。可以基于关于时间延迟MicN的方程式及时调整所收集的信号。针对在X方向上的每厘米的行进,可以将样本相加。这样做有很多原因。首先,它提供了一致的矢量长度(例如,在这种情况下约为450厘米),这使得下游处理更加容易。其次,它使数据速度独立,这也使下游处理更加容易。可以针对多普勒效应调整结果。这可以通过标准多普勒方程来完成,该方程为4D数组中计算出的每个信号调整飞行时间计算。朝着特定点(例如麦克风)行进的噪声源会及时压缩,远离某个点行进的噪声源会扩展;因此,使用多普勒方程。可以根据上述关于压力MicN的方程式针对距离的变化来调整压力大小(帕斯卡)。并且可以针对X方向上的每厘米行进再次运行计算。这将提供遍及X轴上的所有点的Y-Z平面内噪声源的压力水平的动态视图。
图38B示出与图38A相同的Y-Z网格,除了将Y-Z网格沿X轴定位在距原点250cm,并且图38B的Y-Z网格包括示出了在最暗的红色点处的最大压力550的彩色图。注意,X轴沿着轨道的纵轴,或者在经过的火车的行进方向上。图标签指示它在坐标(250,:,:,4)处测量压力PL;这意味着沿X轴250cm,Y和Z在网格上提供的范围内,并且彩色编码的压力水平如麦克风M4记录的那样显示。图上最暗的红点550对应于最高压力的位置。
图38D示出了与图38B中所示的相同的数据,除了在三维图中示出了麦克风M4的压力值(帕斯卡)之外。在图中可以看出,最高压力550的值是最暗的红色。该最高压力点550在图38C中在沿X轴的250cm处的压力位置图上也被引用。从图标签可以看出,压力位置PL包括X轴上的所有点、Y轴上的点6、Z轴上的点32以及从麦克风M4获取的数据。如图38C所示,压力数据相对于X轴上的位置可用于查找高压力的区域,例如沿X轴250cm处。
可以理解的是,图38C的曲线图可以针对Y-Z平面内的单个点,点(6,32),以及单个麦克风组件M4。针对八个麦克风组件M1-M8以及3D坐标系(400,12,40)的4D数组的整个数据集代表超过150万个数据点。也就是说,表示为(400,12,40,8)的4D压力数组表示超过150万个压力值。可以在不背离本文所述主题的原理的情况下改变数组的特定参数。例如,数组可以划分为更少的部分,这可以大大减少计算的数量;但也会减少结果的粒度。
一旦确定了三维空间中每个坐标点的理论压力值(假设每个坐标点都是声源的原点),则该方法的下一步骤包括确定声源实际起源的位置。压力值被认为是理论上的原因是,如果声源实际上起源于特定的坐标值,则压力值将仅处于计算的水平。理论压力值仅等于声源实际位置处的实际压力值。为此,参考图34B和方法3400的步骤3408,其包括计算三维空间内的实际声源的位置。定位声源可以参考图39A-41B来描述。
图39A示出了声源S,其产生在与S的距离d1处的压力p1、以及与S的距离d2处的压力p2。变量之间的关系由反比例定律给出,该定律表明如果在距声源S的距离d1处测量了声压p1,可以将另一位置d3处的声压p2计算为p2=d1*p1/d2。换句话说,p2*d2=p1*d1。使用反比例定律,针对在网格内的给定块或位置处发生的噪声,每个麦克风所测得的压力必须与从每个麦克风到网格内的相同块或位置的距离成反比。
逆测量相关理论可以用来确定声源在3D坐标空间(x,y,z)内的实际位置。为此,可以针对3D坐标空间中的每个点计算两个矢量(距离矢量和压力矢量)。然后可以在两个矢量之间计算相关系数。由于压力和距离相对于声源彼此成反比,因此声源的实际或真实位置可以由3D坐标空间内两个矢量彼此成反比的位置来确定。可以利用相关系数来确定两个矢量之间的相关程度;或者相反地,两个矢量之间不相关的程度(即成反比)。由于距离和压力彼此成反比,因此3D坐标空间中矢量显示最负相关性的位置指示声源的真实或实际起源。
如所述,可以针对3D坐标空间(400,12,40)内的每个坐标位置计算两个矢量(距离矢量和压力矢量)。距离矢量可以被定义或表示为相对于麦克风组件M1-M8的距离。即,测量从每个麦克风组件M1-M8到坐标系内的特定点的距离。结果可以在数组中以数学方式表示或以曲线图表示,如图39B所示。图39B以曲线图示出了相对于距离的麦克风M1-M8的距离矢量。对于图39B,麦克风组件M1-M8在水平轴上列出,并且以厘米为单位的距离在垂直轴上列出。作为该图的示例,麦克风组件M1在由(400,12,40)定义的3D坐标空间内距点(275,12,25)3000cm。
图39C以曲线图示出了相对于每个麦克风处的压力水平(帕斯卡)的麦克风M1-M8的压力矢量。如图所示,在水平轴上列出了麦克风组件M1-M8,在垂直轴上列出了每个麦克风组件处的压力水平。作为一个示例,麦克风组件M1的压力值为25帕斯卡。麦克风组件M2-M8在坐标位置(275,12,25)处的距离和压力的完整值可以在图39B-39C的曲线图中看到。
针对在(275,12,25)处的距离和压力矢量,如图39B-39C所示,可以计算相关系数以确定矢量彼此之间的比例。图39B和39C中的矢量的相关系数是-0.6809。由于相关系数被表示为-1和+1之间的数字,并且表示两个矢量的线性相关性,因此可以看出,图39B和39C中的矢量呈现负相关性,该负相关性稍微接近最小相关值-1,并且因此彼此成反比。
针对3D坐标空间(400,12,40)中的每个坐标位置,计算距离和压力矢量以及相关系数。该计算为每个坐标位置生成一个值。此时,将相关系数沿Y维度求和。求和的相关性X和Z的三维图在图40A中示出。如图所示,相关轴从-10到15列出,求和的相关性的测量值介于约-2到约15之间。图中相关性最低的区域(例如,浅绿色、蓝色)表示X-Z平面中噪声源的潜在区域。由于负的各个相关系数更成反比,因此X-Z平面上相关性最小(最负)的区域表示压力和距离矢量最成反比的区域。换句话说,X-Z平面上具有最低相关值的区域更可能是声源的真实位置或实际位置,因为这些区域呈现了在距离和压力之间的反比例关系。
图40B示出与图40A相同的信息,除了图40B是示出了以彩色叠加的相关性的二维X-Z图。图40B还示出了包括车轮500、轮轴502和轴承504的轮组。应注意,在Y维上对相关系数求和,因为如果可以确定在X-Z平面上是声源的真实起源,则其与确定与轮组相关联的缺陷可能更相关。强负值(以蓝色显示)表示声音信号起源的区域。如图40B所示,如果可以确定沿Z轴的特定位置为噪声的起源,则其可以缩小由缺陷影响的部分。例如,沿着Z轴在30cm和35cm之间起源的噪声源可能会影响B侧车轮500b和/或轴承504b,而不是A侧车轮500a和轴承504a。在该特定情况下,在大约x=240处的大的蓝色部分表示从轨道车的中间发出的很大的悬挂噪音。
根据图40A和40B中的图,具有最小相关值的X-Z平面的区域指示实际或真实噪声源的位置。该方法的下一步骤包括对数据进行滤波/处理,并确定在实际或真实噪声源的位置处的噪声源的声学特征。然后该方法可以包括基于声学特征来确定缺陷类型。
返回参考图34B,方法3400的下一步骤3410可以包括从数据中移除不想要的噪声。为了移除不想要的噪声,可以识别不想要的信号的位置并且可以计算大小。可以计算每个麦克风处的噪声的大小并将其从信号中移除。然后,可以重新计算理论压力水平和相关矩阵。图41A示出了图41B的X-Z图,除了图41A示出了在移除或“清除”噪声并重新计算理论压力水平和相关矩阵之后的数据。注意,在图40B的X轴上,在250cm和300cm之间的蓝色和浅绿色的宽的垂直带已经通过图41A所示的清除工艺移除。该数据对应于沉降的铁路枕木或轨枕,并不涉及源自火车轮组的噪声源。可以确定在行进穿过观察区域的许多或所有轮组中保持不变的这种类型的数据对于观察区域是唯一的,例如轨道和枕木。因此,这种类型的数据可以从数据集中移除,因为它不是对轮组唯一的。
返回参考图34B,方法3400的步骤3412可以包括从车轮和轴承中提取部件声学特征。使用图41A的“清除后的”数据,可以从轴承和车轮位置提取矢量,因为从车轮和轴承以外的位置发出的噪声可能不用于确定车轮和轴承处的缺陷。图41B示出与图41A相同的X-Z图,除了车轮矢量510和轴承矢量512被标识。可以从数据中提取车轮矢量510和轴承矢量512内拟合的数据。作为示例,对于A侧轴承,可以利用麦克风组件M1和M5,并且对于B侧轴承,可以利用麦克风组件M4和M8。对于A侧车轮缺陷,可以利用麦克风组件M2和M6,并且对于B侧车轮缺陷,可以利用麦克风组件M3和M7。可以对麦克风信号求和,并且可以对每个感兴趣的矢量应用高通滤波器。
参考图41B,可以如下提取车轮矢量510和轴承矢量512。车轮500a、500b和轴承504a、504b沿Z轴的位置是已知的,因为它们相对于轨道处于固定位置。因此,可以将车轮500a、500b和轴承504a、504b的位置的坐标位置识别为沿Z轴和沿X轴的全部长度处于不连续的位置。因此,可以移除车轮矢量510和轴承矢量512之外的所有相关系数和所有理论压力水平,因为仅关注矢量510、512内的数据。
在处理之后,可以在图42A中看到A和B车轮的车轮矢量510和轴承矢量512的声学特征。这些曲线图在垂直轴上描绘了信号大小,在水平轴上描绘了3D坐标空间内的厘米距离(对应于观察区域内的距离)。返回到图34B,方法3400的步骤3414可包括基于部件声学特征来确定缺陷类型。根据图42A的数据,可以精确地确定车轮和/或轴承的缺陷。如图42A所示,与轴承矢量512相关联的“B”轴承504b示出了在250cm标记附近的升高的振幅,指示可能的轴承缺陷。返回到图41B,在X轴上的250cm标记处,并且在B侧的轴承矢量512内,存在示出低相关水平(即,高反比例关系)的位置,其指示噪声源的原点。图42B描绘了叠加在图41A所示的相关数据的X-Z图的清除后的数据上的关于B侧的轴承矢量或波形512。如图所示,波形512中的峰值对应于以深蓝色示出的负相关值,其给出了信号起源的指示。
后续的图描绘了不同的缺陷模式及其相关联的位置信息矩阵以及分离的声学模式。图43A描绘了用于大面积剥落缺陷(即,车轮剥落缺陷)的声学位置矩阵,其相关性以彩色绘制在X-Z平面上。从图中可以看出,蓝色和浅绿色指示高负相关性,其指示缺陷的可能位置。然后可以将车轮矢量510和轴承矢量512应用于数据,并且可以确定车轮矢量510和轴承矢量512的相应的分离的声学模式。车轮矢量510和轴承矢量512的分离的声学模式指示大面积剥落缺陷,可以在图43B中看到。
图44A描绘了锥体缺陷(即一种轴承缺陷)的声学位置矩阵,其相关性在X-Z平面上以彩色绘制。从图中可以看出,蓝色和浅绿色指示高负相关性,其指示缺陷的可能位置。然后可以将车轮矢量510和轴承矢量512应用于数据,并且可以确定车轮矢量510和轴承矢量512的相应的分离的声学模式。车轮矢量510和轴承矢量512的分离的声学模式指示锥体处的轴承缺陷,这可以在图43B中看到。
作为示例,基于声学特征来确定缺陷类型可以通过模式识别软件手动地或自动地完成。在图42A、43B和44B中看到的声学特征可以是它们各自缺陷的典型代表。即,分别具有轴承、大面积剥落和锥体缺陷的其他火车轮组可以表现出相似的声学特征。因此,可以识别声学特征的特性并将其与示例性车轮和轴承(以及其他零件)缺陷的数据库进行比较。该***可以使用模式识别软件来将声学特征与数据库内的已知缺陷进行比较,并确定缺陷类型。作为一个示例,参考图45,其在图中描绘了外圈缺陷的声学特征,在垂直轴上具有信号大小,以及在水平轴上具有沿着观察区域的X轴的距离。缺陷的声学特征AS以蓝色显示,以及具有外圈缺陷的数学杯模型MCM(mathematical cup model)用红色显示。该杯模型可以通过以下方程定义:以及 杯模型(红色)与数据(蓝色)之间的相关性约为0.6。如图所示,杯模型的波长和振幅也反映了指示相关性的实际数据。在该示例中,***可以将一种或多种算法应用于声学特征并确定它们之间的相关性。例如,与各种类型的轴承、车轮和轮轴缺陷相关联的算法可以在数学上应用于声学特征,并且可以为每个特征确定相关系数。高于特定阈值(例如,0.5)的相关系数可以指示可能的缺陷。这可以由有经验的用户来验证,该用户可以监听或以其他方式观察声学特征,并验证由***确定的缺陷。
IV.声学监测***的示例性计算***
能够执行本文描述的方法步骤和计算的声学监测***100的示例性计算***在图32中被看到。参考图32,提供了具有可以实现本文所讨论的各种***和方法的一个或多个计算单元的示例性计算***2000的详细描述。计算***2000可以适用于在现场节点***中在轨道侧或在MDS机柜中使用的任何计算机、CPU或***,以及其他计算或网络装置。应当理解,这些装置的具体实施方式可以具有不同的可能的具体计算架构,在本文中没有具体讨论所有可能的具体计算架构,但是本领域普通技术人员将理解这些架构。
计算机***2000可以是能够执行计算机程序产品以执行计算机过程的计算***。数据和程序文件可以输入到计算机***2000,计算机***2000读取文件并执行其中的程序。在图32中示出了计算机***2000的一些元件,包括一个或多个硬件处理器2002、一个或多个数据存储装置2004、一个或多个存储器装置2008和/或一个或多个端口2008-2010。另外,本领域技术人员将认识到的其他元件可以包括在计算***2000中,但是在图32中未明确描绘或在本文进一步讨论。计算机***2000的各个元件可以通过一个或多个通信总线、点对点通信路径或在图32中未明确描绘的其他通信方式彼此通信。
处理器2002可以包括例如中央处理单元(CPU)、微处理器、微控制器、数字信号处理器(DSP)和/或一个或多个内部级别的高速缓存。可以存在一个或多个处理器2002,使得处理器2002包括单个中央处理单元,或包括能够执行指令并彼此并行执行操作的多个处理单元,通常称为并行处理环境。
计算机***2000可以是常规计算机、分布式计算机或任何其他类型的计算机,诸如经由云计算架构可用的一个或多个外部计算机。当前描述的技术可选地以存储在数据存储装置2004上、存储在存储器装置2006上和/或经由一个或多个端口2008-2010进行通信的软件来实现,从而将图32中的计算机***2000转换成用于实现本文描述的操作的专用机器。计算机***2000的示例包括个人计算机、终端、工作站、移动电话、平板电脑、膝上型计算机、个人计算机、多媒体控制台、游戏控制台、机顶盒等。
一个或多个数据存储装置2004可以包括能够存储在计算***2000内生成或采用的数据的任何非易失性数据存储装置,所述数据例如用于执行计算机过程的计算机可执行指令,其可以包括应用程序的指令和管理计算***2000的各个部件的操作***(OS)的指令。数据存储装置2004可以包括但不限于磁盘驱动器、光盘驱动器、固态驱动器(SSD)、闪存驱动器等。数据存储装置2004可包括可移除的数据存储介质、不可移除的数据存储介质和/或可经由有线或无线网络架构与这种计算机程序产品(包括一个或多个数据库管理产品、Web服务器产品、应用服务器产品和/或其他附加软件部件)一起使用的外部存储装置。可移除的数据存储介质的示例包括光盘只读存储器(CD-ROM)、数字多功能光盘只读存储器(DVD-ROM)、磁光盘、闪存驱动器等。不可移除的数据存储介质的示例包括内部磁性硬盘、SSD等。一个或多个存储器装置2006可以包括易失性存储器(例如,动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)等)和/或非易失性存储器(例如,只读存储器(ROM)、闪存等)。
包含用于实现根据当前描述的技术的***和方法的机制的计算机程序产品可以驻留在数据存储装置2004和/或存储器装置2006中,其可以被称为机器可读介质。将理解的是,机器可读介质可以包括任何有形的非暂时性介质,其能够存储或编码指令以执行用于由机器执行的本公开的任何一个或多个操作,或者能够存储或编码由这种指令使用或与之相关联的数据结构和/或模块。机器可读介质可以包括存储一个或多个可执行指令或数据结构的单个介质或多个介质(例如,集中式或分布式数据库和/或相关联的高速缓存和服务器)。
在一些实施方式中,计算机***2000包括一个或多个端口,例如输入/输出(I/O)端口2008和通信端口2010,用于与其他计算、网络、导航或机器人装置进行通信。可以理解,端口2008-2010可以被组合或分离,并且计算机***2000中可以包括更多或更少的端口。
I/O端口2008可以连接到I/O装置或其他装置,通过该装置将信息输入到计算***2000或从计算***2000输出信息。这样的I/O装置可以包括但不限于一个或多个输入装置或输出装置,例如本文所述的麦克风组件。
在一个实施方式中,输入装置将机器生成的信号(例如,火车在轨道上方行进)、人类生成的信号(例如人类的声音、身体运动、身体触摸或压力等)转换为电信号作为经由I/O端口2008输入到计算***2000中的输入数据。类似地,输出装置可以将经由I/O端口2008从计算***2000接收到的电信号转换成可以被人类感知为输出的信号,例如声音、光和/或触摸。输入装置可以是字母数字输入装置,包括字母数字和其他键,用于经由I/O端口2008将信息和/或命令选择传送给处理器2002。输入装置可以是另一种类型的用户输入装置,包括但不限于:方向和选择控制装置,例如鼠标、轨迹球、光标方向键、操纵杆和/或滚轮;一个或多个传感器,例如照相机、麦克风、位置传感器、方位传感器、重力传感器、惯性传感器和/或加速度计;和/或触摸感应式显示屏(“触摸屏”)和/或热盒感测单元、车轮冲击载荷检测器和自动设备识别***。输出装置可以包括但不限于显示器、触摸屏、扬声器、触觉和/或触感输出装置等。在一些实施方式中,例如在触摸屏的情况下,输入装置和输出装置可以是同一装置。
在一个实施方式中,通信端口2010连接到网络,计算机***2000可以通过该网络接收网络数据,该网络数据可用于执行本文所述的方法和***以及传输由此确定的信息和网络配置变化。换句话说,通信端口2010将计算机***2000连接到一个或多个通信接口装置,该通信接口装置被配置成通过一个或多个有线或无线通信网络或连接在计算***2000与其他装置之间发送和/或接收信息。这种网络或连接的示例包括但不限于通用串行总线(USB)、以太网、Wi-Fi、近场通信(NFC)、长期演进(LTE)等。可以经由通信端口2010利用一个或多个这样的通信接口装置来直接通过点对点通信路径、通过广域网(WAN)(例如,互联网)、通过局域网(LAN)、通过蜂窝(例如,第三代(3G)或***(4G))网络、或通过另一通信装置来与一个或多个其他机器通信。此外,通信端口2010可以与天线或其他链路通信以用于电磁信号的发送和/或接收。这样,与车轮和轴承缺陷等有关的通信可以通过各种通信装置传输给火车驾驶员或工程师。
在示例性实施方式中,与由每个麦克风组件接收的缺陷的噪声源相对应的信号数据、用于确定噪声源的位置和强度的计算算法、和用于确定与噪声源相关联的缺陷类型的比较算法,以及其他软件和其他模块和服务可以通过存储在数据存储装置2004和/或存储器装置2006上并由处理器2002执行的指令来体现。计算机***2000可以与声学监测***100的一部分集成或以其他方式形成其一部分。声学监测***可以包括用于识别火车缺陷的计算机实现的方法,其中火车在导轨的第一和第二轨道上行进。在某些情况下,该方法可以包括以下步骤:当火车经过多个麦克风时,在现场传感器***的数据采集模块处接收来自多个麦克风组件的多个信号。多个麦克风可以与数据采集模块通信。多个麦克风组件可以被定位成靠近导轨的第一和第二轨道。多个麦克风组件可以包括第一、第二、第三和第四麦克风组件。第一麦克风组件可以位于第一轨道的外侧,第二麦克风组件可以位于第二轨道的外侧,并且第三和第四麦克风组件可以位于第一和第二轨道的内侧。多个信号可以包括由第一麦克风组件接收的第一信号、由第二麦克风组件接收的第二信号、由第三麦克风组件接收的第三信号以及由第四麦克风组件接收的第四信号。第一、第二、第三和第四麦克风组件通常可以位于横向于第一和第二轨道并垂直延伸的第一平面中。当火车经过多个麦克风组件时,多个信号可以从与火车相关联的缺陷的噪声源发出。方法步骤还可以包括:识别噪声源在第一平面内的位置;识别噪声源在第一平面内的位置处的强度;以及基于噪声源的位置和强度来确定缺陷类型。
计算机实现的方法的前述步骤也可以是计算***上的计算机处理的步骤。例如,存储用于在计算***上执行计算机处理的计算机可执行指令的一种或多种有形计算机可读存储介质可以包括用于识别和定位经过的火车中的缺陷的上述步骤。
作为另一个示例,由本文所述的计算机处理器执行的计算机实现的方法可以包括以下步骤:使用围绕导轨的一部分定位的声学监测***的麦克风组件的阵列接收来自观察区域内的经过的火车的数据。麦克风组件的阵列可以与声学监测***的至少一个数据采集模块通信。该方法还可以包括处理数据以确定由麦克风组件的阵列中的每一个接收的压力水平。该方法还可以包括针对麦克风组件的阵列的每个麦克风计算三维空间内多个点的理论压力水平。三维坐标空间可以至少部分地由观察区域限定。麦克风组件的阵列可以在三维坐标空间中限定。针对多个点中的每一个,假设其在三维坐标空间内的位置是麦克风组件的阵列中的每一个所接收的压力水平的原点,可以计算理论压力水平。该方法还可以包括确定三维坐标空间内的一个或多个位置,该一个或多个位置表示指示缺陷的噪声源的起源。该方法还可以包括在一个或多个位置分离噪声源的声学特征。并且该方法还可以包括基于声学特征来确定缺陷的类型。
作为又一个示例,由本文描述的计算机处理器执行的计算机实现的方法可以包括以下步骤:使用围绕导轨的一部分定位的声学监测***的多个麦克风组件接收来自观察区域内的经过的火车的数据。多个麦克风组件可以与声学监测***的至少一个数据采集模块通信。该方法还可以包括处理数据以确定由多个麦克风组件中的每个麦克风组件接收的压力水平。该方法还可以包括通过在三维坐标空间内的多个点处针对多个麦克风组件中的每一个计算理论压力水平来计算四维压力数组。多个麦克风组件可以具有在三维坐标空间内并且相对于多个点定义的位置。该方法还可以包括确定三维坐标空间内的表示指示缺陷的噪声源的起源的一个或多个位置。该方法还可以包括在一个或多个位置中分离噪声源的声学特征。并且该方法还可以包括基于声学特征来确定缺陷的类型。
在图32中阐述的***只是可以根据本公开的方面采用或配置的计算机***的一个可能示例。应当理解,可以利用存储用于在计算***上实现本公开技术的计算机可执行指令的其他非暂时性有形计算机可读存储介质。
在本公开中,本文公开的方法尤其可以被实现为装置可读的指令或软件的集合。此外,应理解,所公开的方法中步骤的特定顺序或层次是示例性方法的实例。应该理解的是,基于设计偏好,可以重新排列该方法中步骤的特定顺序或层次而同时将其保持在所公开的主题之内。随附的方法权利要求以示例顺序呈现了各个步骤的要素,并且不一定意味着限于所呈现的特定顺序或层次。
包括本文描述的任何方法的所描述的公开可以提供为计算机程序产品、软件或计算机化的方法,其可以包括其上存储有指令的非暂时性机器可读介质,其可以用于对计算机***(或其他电子装置)进行编程以执行根据本公开的过程。机器可读介质包括用于以机器(例如,计算机)可读的形式(例如,软件、处理应用)存储信息的任何机制。机器可读介质可以包括但不限于磁存储介质、光存储介质;磁光存储介质、只读存储器(ROM);随机存取存储器(RAM);可擦可编程存储器(例如EPROM和EEPROM);闪存;或适合存储电子指令的其他类型的介质。
尽管以上已经以一定程度的特殊性描述了各种代表性实施例,但是本领域技术人员可以在不脱离说明书中阐述的发明主题的精神或范围的情况下对所公开的实施例进行多种改变。所有方向参考(例如,顶部、底部、前部、后部)仅用于标识目的,以帮助读者理解本公开的实施例,并且不产生限制,特别是对于实施例的位置、方向或用途,除非在权利要求书中具体阐述。结合参考(例如,附接、耦合、连接等)应被广义地解释,并且可以包括在元件的连接之间的中间构件和元件之间的相对运动。这样,结合参考不必推断两个元件直接连接且彼此之间处于固定关系。
在本文直接或间接阐述的方法中,以一种可能的操作顺序描述了各种步骤和操作,但是本领域技术人员将认识到,可以在不必脱离其精神和范围的情况下重新排列、替换或消除步骤和操作。旨在将以上描述中包含的或附图中示出的所有内容解释为仅是示例性的,而不是限制性的。可以在不脱离如所附权利要求书中所限定的本公开的精神的情况下进行细节或结构上的改变。
Claims (17)
1.一种用于经由声学监测来识别经过的火车的缺陷的计算机实现的方法,所述经过的火车包括车轮和轴承,所述火车在导轨的第一轨道和第二轨道上行进,所述方法包括以下步骤:
使用围绕所述导轨的一部分定位的声学监测***的多个麦克风组件接收来自观察区域内的经过的火车的数据,所述多个麦克风组件与所述声学监测***的至少一个数据采集模块通信;
处理所述数据以确定由所述多个麦克风组件中的每一个接收的压力水平;
使用由所述多个麦克风组件中的每一个接收的压力水平,在表示所述观察区域的至少一部分的三维坐标空间内的多个点处,针对所述多个麦克风组件中的每一个计算理论压力水平,所述三维坐标空间包括所述多个麦克风组件中的每一个的坐标位置,其中针对所述多个点中的每一个,假设点在所述三维坐标空间内的位置是由所述多个麦克风组件中的每一个接收的压力水平的原点,计算所述理论压力水平;
确定所述三维坐标空间内的一个或多个位置,在所述一个或多个位置处,理论压力水平实际表示由所述多个麦克风组件中的每一个接收的压力水平的原点;
在所述一个或多个位置分离噪声源的声学特征;以及
基于所述声学特征来确定缺陷的类型。
2.根据权利要求1所述的计算机实现的方法,其中,所述一个或多个位置是指示所述缺陷的所述噪声源的起源。
3.根据权利要求1所述的计算机实现的方法,其中,所述多个麦克风组件包括位于所述第一轨道和所述第二轨道之间的第一多个麦克风组件、以及位于所述第一轨道和所述第二轨道之外的第二多个麦克风组件。
4.根据权利要求1所述的计算机实现的方法,其中,在所述一个或多个位置分离所述噪声源的声学特征包括提取与所述火车的车轮和轴承的位置相对应的矢量。
5.根据权利要求1所述的计算机实现的方法,其中,确定所述三维坐标空间内理论压力水平实际表示由所述多个麦克风组件中的每一个接收的压力水平的原点的一个或多个位置包括确定所述三维坐标空间内的所述多个点中的哪一个表现出到所述多个麦克风组件中的每一个的线性距离与由所述多个麦克风组件中的每一个接收的压力水平之间的负相关性。
6.根据权利要求1所述的计算机实现的方法,其中,基于所述声学特征来确定缺陷的类型包括将所述声学特征与具有已知缺陷的声学特征的数据库进行比较。
7.根据权利要求1所述的计算机实现的方法,其中,基于所述声学特征来确定缺陷的类型包括将故障模式的数学模型拟合到所述声学特征。
8.根据权利要求1所述的计算机实现的方法,其中,所述数据包括声波信息。
9.根据权利要求1所述的计算机实现的方法,其中,所述多个麦克风组件包括第一麦克风组件、第二麦克风组件、第三麦克风组件、第四麦克风组件、第五麦克风组件、第六麦克风组件、第七麦克风组件和第八麦克风组件,并且其中,所述数据包括由相应的第一麦克风组件、第二麦克风组件、第三麦克风组件、第四麦克风组件、第五麦克风组件、第六麦克风组件、第七麦克风组件和第八麦克风组件接收的第一数据、第二数据、第三数据、第四数据、第五数据、第六数据、第七数据和第八数据。
10.一种用于经由声学监测来识别经过的火车的缺陷的计算机实现的方法,所述经过的火车包括车轮和轴承,所述火车在导轨的第一轨道和第二轨道上行进,所述方法包括以下步骤:
使用围绕所述导轨的一部分定位的声学监测***的多个麦克风组件接收来自观察区域内的经过的火车的数据,所述多个麦克风组件与所述声学监测***的至少一个数据采集模块通信;
处理所述数据以确定由所述多个麦克风组件中的每一个接收的压力水平;
通过在三维坐标空间内的多个点针对所述多个麦克风组件中的每一个计算理论压力水平来计算四维压力数组,所述多个麦克风组件具有在所述三维坐标空间内并且相对于所述多个点定义的位置;
确定所述三维坐标空间内的表示指示所述缺陷的噪声源的起源的一个或多个位置;
在所述一个或多个位置分离所述噪声源的声学特征;以及
基于所述声学特征来确定缺陷的类型。
11.根据权利要求10所述的计算机实现的方法,其中,在所述一个或多个位置分离所述噪声源的声学特征包括提取与所述火车的车轮和轴承的位置相对应的矢量。
12.根据权利要求10所述的计算机实现的方法,其中,确定所述三维坐标空间内的表示指示所述缺陷的噪声源的起源的一个或多个位置包括以下步骤:
针对所述三维坐标空间内的多个点中的每一个,基于所述多个麦克风组件中的每一个与所述多个点中的每一个之间的距离来定义第一矢量;
针对所述三维坐标空间内的多个点中的每一个,基于针对所述多个麦克风组件中的每一个在所述多个点中的每一个处计算出的理论压力水平来定义第二矢量;
针对所述多个点中的每一个计算所述第一矢量与所述第二矢量之间的相关系数;
对在所述三维坐标空间内沿轴的相关系数求和;以及
识别所述三维坐标空间内具有最低的相关值的一个或多个位置。
13.根据权利要求10所述的计算机实现的方法,其中,确定所述三维坐标空间内理论压力水平实际表示由所述多个麦克风组件中的每一个接收的压力水平的原点的一个或多个位置包括确定所述三维坐标空间内的所述多个点中的哪一个表现出到所述多个麦克风组件中的每一个的线性距离与由所述多个麦克风组件中的每一个接收的压力水平之间的负相关性。
14.根据权利要求10所述的计算机实现的方法,其中,基于所述声学特征来确定缺陷的类型包括将所述声学特征与具有已知缺陷的声学特征的数据库进行比较。
15.根据权利要求10所述的计算机实现的方法,其中,基于所述声学特征来确定缺陷的类型包括将故障模式的数学模型拟合到所述声学特征。
16.根据权利要求10所述的计算机实现的方法,其中,所述数据包括声波信息。
17.根据权利要求10所述的计算机实现的方法,其中,所述多个麦克风组件包括位于所述第一轨道和所述第二轨道之间的第一多个麦克风组件以及位于所述第一轨道和所述第二轨道之外的第二多个麦克风组件。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862725076P | 2018-08-30 | 2018-08-30 | |
US62/725076 | 2018-08-30 | ||
PCT/US2019/048849 WO2020047280A2 (en) | 2018-08-30 | 2019-08-29 | Railcar acoustic monitoring system and method of use |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112543725A CN112543725A (zh) | 2021-03-23 |
CN112543725B true CN112543725B (zh) | 2021-09-21 |
Family
ID=67953866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980052360.7A Active CN112543725B (zh) | 2018-08-30 | 2019-08-29 | 轨道车声学监测***及其使用方法 |
Country Status (6)
Country | Link |
---|---|
US (3) | US10864930B2 (zh) |
EP (1) | EP3844044B1 (zh) |
CN (1) | CN112543725B (zh) |
AU (3) | AU2019333159B2 (zh) |
CA (1) | CA3110960A1 (zh) |
WO (1) | WO2020047280A2 (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11530606B2 (en) | 2016-04-07 | 2022-12-20 | Bp Exploration Operating Company Limited | Detecting downhole sand ingress locations |
WO2017174750A2 (en) | 2016-04-07 | 2017-10-12 | Bp Exploration Operating Company Limited | Detecting downhole sand ingress locations |
EP3608503B1 (en) | 2017-03-31 | 2022-05-04 | BP Exploration Operating Company Limited | Well and overburden monitoring using distributed acoustic sensors |
CA3073623A1 (en) | 2017-08-23 | 2019-02-28 | Bp Exploration Operating Company Limited | Detecting downhole sand ingress locations |
AU2018350092A1 (en) | 2017-10-11 | 2020-05-14 | Bp Exploration Operating Company Limited | Detecting events using acoustic frequency domain features |
CN112543725B (zh) * | 2018-08-30 | 2021-09-21 | 奥钢联信号美国有限公司 | 轨道车声学监测***及其使用方法 |
WO2020109426A2 (en) | 2018-11-29 | 2020-06-04 | Bp Exploration Operating Company Limited | Das data processing to identify fluid inflow locations and fluid type |
GB201820331D0 (en) | 2018-12-13 | 2019-01-30 | Bp Exploration Operating Co Ltd | Distributed acoustic sensing autocalibration |
WO2021073741A1 (en) | 2019-10-17 | 2021-04-22 | Lytt Limited | Fluid inflow characterization using hybrid das/dts measurements |
WO2021073740A1 (en) | 2019-10-17 | 2021-04-22 | Lytt Limited | Inflow detection using dts features |
WO2021093974A1 (en) | 2019-11-15 | 2021-05-20 | Lytt Limited | Systems and methods for draw down improvements across wellbores |
WO2021249643A1 (en) | 2020-06-11 | 2021-12-16 | Lytt Limited | Systems and methods for subterranean fluid flow characterization |
EP4168647A1 (en) | 2020-06-18 | 2023-04-26 | Lytt Limited | Event model training using in situ data |
US11893727B2 (en) * | 2020-10-23 | 2024-02-06 | Harsco Technologies LLC | Rail feature identification system |
CN114261424B (zh) * | 2021-12-04 | 2023-04-07 | 国能朔黄铁路发展有限责任公司 | 列车接近及钢轨异常缺陷预警***及方法 |
US20230236156A1 (en) * | 2022-01-25 | 2023-07-27 | Herzog Services, Inc. | Roller search unit having integrated digital circuitry for detecting rail defects |
US20240062774A1 (en) * | 2022-08-17 | 2024-02-22 | Caterpillar Inc. | Detection of audio communication signals present in a high noise environment |
Family Cites Families (56)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0282615A1 (de) * | 1987-03-17 | 1988-09-21 | SIGNALTECHNIK GmbH | Anordnung zum Detektieren von Radschäden |
US4843885A (en) * | 1987-10-02 | 1989-07-04 | Servo Corporation Of America | Acoustic detection of bearing defects |
CH679847A5 (zh) * | 1990-01-12 | 1992-04-30 | Bruno Mueller | |
US5822450A (en) * | 1994-08-31 | 1998-10-13 | Kabushiki Kaisha Toshiba | Method for monitoring equipment state by distribution measurement data, and equipment monitoring apparatus |
JPH08334560A (ja) * | 1995-06-07 | 1996-12-17 | Japan Radio Co Ltd | 検知装置 |
US5713540A (en) * | 1996-06-26 | 1998-02-03 | At&T Corp. | Method and apparatus for detecting railway activity |
CH690851A5 (fr) * | 1996-11-25 | 2001-02-15 | Speno Internat S A | Dispositif de mesure des défauts internes d'un rail par ultrasons. |
CA2212063A1 (en) * | 1997-08-29 | 1999-02-28 | Robert Douglas Stephens | Railway hazard vibration sensing, locating and alarm system |
US6715354B2 (en) * | 1998-02-24 | 2004-04-06 | Massachusetts Institute Of Technology | Flaw detection system using acoustic doppler effect |
US20040105608A1 (en) * | 2001-01-30 | 2004-06-03 | Sloman Roger Mark | Detecting damage in rails |
US6945114B2 (en) * | 2002-11-25 | 2005-09-20 | The Johns Hopkins University | Laser-air, hybrid, ultrasonic testing of railroad tracks |
US7213789B1 (en) * | 2003-04-29 | 2007-05-08 | Eugene Matzan | System for detection of defects in railroad car wheels |
US7392117B1 (en) | 2003-11-03 | 2008-06-24 | Bilodeau James R | Data logging, collection, and analysis techniques |
EP1716034A1 (en) * | 2004-01-26 | 2006-11-02 | Force Technology | Detecting rail defects |
US20060201253A1 (en) * | 2005-03-14 | 2006-09-14 | Transportation Technology Center, Inc. | System for non-contact interrogation of railroad axles using laser-based ultrasonic inspection |
US20090001226A1 (en) * | 2007-06-27 | 2009-01-01 | Rftrax, Inc. | Acoustic monitoring of railcar running gear and railcars |
US8326582B2 (en) * | 2008-12-18 | 2012-12-04 | International Electronic Machines Corporation | Acoustic-based rotating component analysis |
NL2003351C2 (en) * | 2009-08-13 | 2011-02-15 | Univ Delft Tech | Method and instumentation for detection of rail top defects. |
GB0915322D0 (en) * | 2009-09-03 | 2009-10-07 | Westinghouse Brake & Signal | Railway systems using fibre optic hydrophony systems |
DE102009041823A1 (de) * | 2009-09-18 | 2011-03-24 | Knorr-Bremse Systeme für Schienenfahrzeuge GmbH | Verfahren und Vorrichtung zur Überwachung des Fahrverhaltens eines Schienenfahrzeugs |
GB201013704D0 (en) * | 2010-08-16 | 2010-09-29 | Qinetiq Ltd | Border monitoring |
NO331979B1 (no) * | 2010-09-17 | 2012-05-14 | Stiftelsen Norsar | System og metode for tidlig deteksjon av tog |
US9232302B2 (en) * | 2011-05-31 | 2016-01-05 | Apple Inc. | Microphone assemblies with through-silicon vias |
KR101213540B1 (ko) * | 2011-08-18 | 2012-12-18 | (주)에스엠인스트루먼트 | 멤스 마이크로폰 어레이를 이용한 음향감지 장치 및 음향카메라 |
US8418563B2 (en) * | 2011-08-22 | 2013-04-16 | Herzog Services, Inc. | Apparatus for detecting defects |
US9389205B2 (en) * | 2012-05-23 | 2016-07-12 | International Electronic Machines Corp. | Resonant signal analysis-based inspection of rail components |
US9310340B2 (en) * | 2012-05-23 | 2016-04-12 | International Electronic Machines Corp. | Resonant signal analysis-based inspection of rail components |
US9651649B1 (en) * | 2013-03-14 | 2017-05-16 | The Trustees Of The Stevens Institute Of Technology | Passive acoustic detection, tracking and classification system and method |
CN103192850A (zh) * | 2013-04-22 | 2013-07-10 | 陈子康 | 运行列车车辆安全综合监测*** |
JP2014215164A (ja) * | 2013-04-25 | 2014-11-17 | Ntn株式会社 | 振動測定ユニットおよびこれを用いた振動測定システム |
US20150198502A1 (en) * | 2014-01-14 | 2015-07-16 | Iowa State University Research Foundation, Inc. | Methods and systems for automated bridge structural health monitoring |
GB201414616D0 (en) * | 2014-08-18 | 2014-10-01 | Optasense Holdings Ltd | Detection of anomalies in rail wheelsets |
US9992593B2 (en) * | 2014-09-09 | 2018-06-05 | Dell Products L.P. | Acoustic characterization based on sensor profiling |
GB2531161A (en) * | 2014-10-06 | 2016-04-13 | Reece Innovation Centre Ltd | An acoustic detection system |
CN106153335A (zh) * | 2015-02-10 | 2016-11-23 | 中国科学院声学研究所 | 一种列车轴承声学在线故障诊断***及方法 |
CA2892885C (en) * | 2015-02-20 | 2020-07-28 | Tetra Tech, Inc. | 3d track assessment system and method |
US10167003B1 (en) * | 2015-05-15 | 2019-01-01 | Voestalpine Signaling Usa Inc. | Automated rail inspection system |
US20160370255A1 (en) * | 2015-06-16 | 2016-12-22 | GM Global Technology Operations LLC | System and method for detecting engine events with an acoustic sensor |
US10513280B2 (en) * | 2015-10-20 | 2019-12-24 | International Electronic Machines Corp. | Operations monitoring for effect mitigation |
CN108603785B (zh) * | 2015-12-01 | 2021-10-22 | 光学感应器公司 | 用于监视铁路网络的分布式光纤感测 |
EP3179440B1 (en) * | 2015-12-10 | 2018-07-11 | Airbus Defence and Space | Modular device for high-speed video vibration analysis |
CN105865788A (zh) * | 2016-04-07 | 2016-08-17 | 成都铁安科技有限责任公司 | 一种用于列车轴承缺陷在线监测的阵列声学检测方法 |
GB201611326D0 (en) * | 2016-06-29 | 2016-08-10 | Optasense Holdings Ltd | Distributed fibre optic sensing for rail monitoring |
CN106226078B (zh) * | 2016-07-01 | 2018-08-21 | 中国科学技术大学 | 一种基于麦克风阵列的多普勒畸变声学信号的校正方法 |
GB2538432B (en) * | 2016-08-05 | 2017-08-30 | Incus Laboratories Ltd | Acoustic coupling arrangements for noise-cancelling headphones and earphones |
NO341972B1 (en) * | 2016-09-07 | 2018-03-05 | Stiftelsen Norsar | A railway track condition monitoring system for detecting a partial or complete disruption of a rail of the railway track |
US10271121B2 (en) * | 2016-09-23 | 2019-04-23 | Apple Inc. | Shock mounted transducer assembly |
US10435052B2 (en) * | 2017-02-22 | 2019-10-08 | Tetra Tech, Inc. | Broken wheel detection system |
US10313798B2 (en) * | 2017-03-21 | 2019-06-04 | Microsoft Technology Licensing, Llc | Electronic device including directional MEMS microphone assembly |
US20190154791A1 (en) * | 2017-11-22 | 2019-05-23 | Kelly Jowett | Three-dimensional acoustic detection and imaging via hexidrant isolation and delay-mixing |
WO2019222106A1 (en) * | 2018-05-18 | 2019-11-21 | Knowles Electronics, Llc | Systems and methods for reducing noise in microphones |
US20190391049A1 (en) * | 2018-06-22 | 2019-12-26 | The Charles Stark Draper Laboratory, Inc. | Smart Rail Wheelset Bearing |
CN112543725B (zh) * | 2018-08-30 | 2021-09-21 | 奥钢联信号美国有限公司 | 轨道车声学监测***及其使用方法 |
US10543861B1 (en) * | 2018-11-15 | 2020-01-28 | Focused Technology Solutions, Inc. | Vertical rail measurement device |
GB201820331D0 (en) * | 2018-12-13 | 2019-01-30 | Bp Exploration Operating Co Ltd | Distributed acoustic sensing autocalibration |
US20220017129A1 (en) * | 2020-07-15 | 2022-01-20 | Zahid F. Mian | Onboard Railway Health Monitoring |
-
2019
- 2019-08-29 CN CN201980052360.7A patent/CN112543725B/zh active Active
- 2019-08-29 US US16/555,650 patent/US10864930B2/en active Active
- 2019-08-29 CA CA3110960A patent/CA3110960A1/en active Pending
- 2019-08-29 AU AU2019333159A patent/AU2019333159B2/en active Active
- 2019-08-29 EP EP19768953.2A patent/EP3844044B1/en active Active
- 2019-08-29 WO PCT/US2019/048849 patent/WO2020047280A2/en unknown
-
2020
- 2020-10-14 US US17/069,999 patent/US11787454B2/en active Active
-
2022
- 2022-10-20 AU AU2022256187A patent/AU2022256187B2/en active Active
-
2023
- 2023-10-16 US US18/380,367 patent/US20240109571A1/en active Pending
-
2024
- 2024-07-31 AU AU2024205277A patent/AU2024205277A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US11787454B2 (en) | 2023-10-17 |
AU2024205277A1 (en) | 2024-08-22 |
WO2020047280A2 (en) | 2020-03-05 |
US10864930B2 (en) | 2020-12-15 |
US20210041232A1 (en) | 2021-02-11 |
AU2019333159B2 (en) | 2022-07-28 |
CA3110960A1 (en) | 2020-03-05 |
EP3844044A2 (en) | 2021-07-07 |
AU2022256187B2 (en) | 2024-05-02 |
US20200070862A1 (en) | 2020-03-05 |
EP3844044B1 (en) | 2024-04-03 |
US20240109571A1 (en) | 2024-04-04 |
EP3844044C0 (en) | 2024-04-03 |
AU2022256187A1 (en) | 2022-11-24 |
CN112543725A (zh) | 2021-03-23 |
AU2019333159A1 (en) | 2021-04-22 |
WO2020047280A3 (en) | 2020-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112543725B (zh) | 轨道车声学监测***及其使用方法 | |
CN106442720B (zh) | 一种声振式轨道桥梁健康监测装置、***及方法 | |
US8326582B2 (en) | Acoustic-based rotating component analysis | |
AU2017325445B2 (en) | A railway track condition monitoring system for detecting a partial or complete disruption of a rail of the railway track | |
CN107200040B (zh) | 用于确定轨道表面的垂直轮廓的方法和*** | |
US10807621B2 (en) | Train pantograph structural health monitoring system | |
WO2008154086A1 (en) | Identification of a defect or operating characteristic | |
KR20090131802A (ko) | 실시간 구조계 동특성 측정장치 및 그 측정방법 | |
JP2008013153A (ja) | 鉄道車両の異常検知装置 | |
CN106379376A (zh) | 基于振动及定位监测的轨道状态在线监测方法 | |
Tsunashima et al. | Condition monitoring of railway tracks using compact size on-board monitoring device | |
KR20180110783A (ko) | 다수 개의 매개변수에 의한 철도 차량의 진단 시스템 및 그에 의한 철도 차량의 안전 진단 방법 | |
CN114239347B (zh) | 一种基于运营列车振动信号实时量测铁路轨道支撑刚度的高效方法 | |
KR20190088933A (ko) | 다수 개의 매개변수에 의한 철도 차량의 진단 시스템 및 그에 의한 철도 차량의 안전 진단 방법 | |
Entezami et al. | Lineside and on-board monitoring techniques for infrastructure and rolling stock on high-speed lines | |
Morais et al. | Continuous monitoring and evaluation of railway tracks: system description and assessment | |
RU2308692C1 (ru) | Способ мониторинга мостового перехода в процессе его эксплуатации и устройство для его реализации | |
KR101423152B1 (ko) | 구조물 진동 위치 추적 방법 및 시스템 | |
KR101990676B1 (ko) | 다수 개의 탐지 모듈에 의한 열차 베어링의 진단 데이터베이스 형성 방법 | |
Bagshawe | Investigating inertial measurements using MEMS devices in trainborne automatic track condition monitoring applications | |
CN112943450A (zh) | 一种发动机监视装置 | |
CN115615724A (zh) | 一种轨道车辆底架设备机械故障监测***及方法 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40039637 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |