CN114818782B - 钢轨连续擦伤识别方法及装置 - Google Patents
钢轨连续擦伤识别方法及装置 Download PDFInfo
- Publication number
- CN114818782B CN114818782B CN202210331283.2A CN202210331283A CN114818782B CN 114818782 B CN114818782 B CN 114818782B CN 202210331283 A CN202210331283 A CN 202210331283A CN 114818782 B CN114818782 B CN 114818782B
- Authority
- CN
- China
- Prior art keywords
- mileage
- value
- difference
- signals
- signal
- 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 52
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 60
- 239000010959 steel Substances 0.000 claims abstract description 60
- 230000001133 acceleration Effects 0.000 claims abstract description 43
- 238000005299 abrasion Methods 0.000 claims abstract description 37
- 238000009499 grossing Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 24
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 16
- 230000002159 abnormal effect Effects 0.000 description 9
- 230000007547 defect Effects 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Discrete Mathematics (AREA)
- Algebra (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种钢轨连续擦伤识别方法及装置,涉及铁路工务工程技术领域,其中该方法包括:获取列车在指定里程行驶时的轴箱加速度数据;对轴箱加速度数据进行自适应时频分析,得到振动信号的时频能量谱;利用LP范数准则从时频能量谱中提取时间能量信号;对时间能量信号进行平滑处理,得到平滑信号;利用固定窗口对平滑信号进行截取,得到多个截取信号;确定每个截取信号中的信号最大峰值,以及获取到信号最大峰值的里程值;计算相邻截取信号在信号最大峰值处的里程差,根据里程差对指定里程进行分段,根据每一分段中最大里程与最小里程的差值确定每一分段是否为钢轨连续擦伤区段。本发明可以通过简单高效的方法来识别钢轨连续擦伤。
Description
技术领域
本发明涉及铁路工务工程技术领域,尤其涉及一种钢轨连续擦伤识别方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
铁路作为国民经济大动脉,在交通运输***中占有至关重要的主导位置。高平顺性的轨道状态是高速列车平稳、安全运行的根本保证。然而,随着铁路运营速度不断提高和运量不断增加,钢轨伤损日益增多,特别是由于车轮与钢轨相互作用造成的钢轨擦伤现象愈加突出。参见图1所示,为一高速铁路正线钢轨擦伤情况的示意图。
钢轨擦伤不仅会使轨下基础承受较大的冲击载荷,造成其结构破坏,导致钢轨折断;同时也会将冲击载荷反作用给车辆的各部件,影响车辆部件寿命,严重时甚至导致车辆部件发生疲劳断裂。高速铁路钢轨擦伤严重影响轨道的平顺性,尤其是钢轨的连续擦伤,使轮轨冲击力急剧增大。
为了保证铁路的安全运营,需要对铁路轨道的质量状态进行监测,及时消除存在的安全隐患。传统的钢轨擦伤检测主要依赖于人工巡道检测,但人工检测存在效率低、检测成本高、容易出现漏检等问题。钢轨擦伤未及时打磨,会导致擦伤情况不断劣化,最终将导致钢轨裂纹,造成较大的经济损失并严重影响行车安全。在运营维护中针对钢轨擦伤的预防、及时处理以及钢轨擦伤的自动识别是我国高速铁路维修工作中亟待解决的重要问题。
为了减轻人工检查钢轨擦伤的工作压力,合理安排工务维修计划,可以基于高速综合检测列车上安装的车辆动态响应检测***检测到的轴箱加速度数据进行钢轨波磨识别。钢轨波磨是一种轨道损伤,指钢轨沿纵向表面出现的周期性的类似波浪形状的不平顺现象,具有波长和峰谷两种属性。
轴箱直接与轮对相连,轨道不平顺产生的振动通过轮对直接传递到轴箱上,从而引起轴箱的垂向和横向振动。如果将轮对近似地看成是刚性结构,则轴箱的振动加速度可直接反映出由轨道短波不平顺所引起的外界激扰对车辆动力学的影响。轴箱加速度是对轨道短波(波磨、表面擦伤、接头、钢轨剥离等)不平顺项目的综合反映。因此,许多学者采用轴箱垂向振动加速度辅助评判轨道短波不平顺对车辆动力学性能的影响。
近年来,随着计算机视觉技术的快速发展,对钢轨擦伤的研究大多集中在计算机视觉领域。国内外已经有大量的科研人员开始研究将计算机视觉技术应用到钢轨擦伤检测中,美国佛罗里达大学使用LED线性光成像原理的高速线阵扫描机,利用支持向量机和均值分割的方法实现波磨的识别与检测,同时使用主成分分析和区域增长来检测钢轨的裂纹。但是没有对钢轨表面的各种擦伤检测算法进行研究。意大利巴里大学的研究人员提出一种基于Gabor滤波后特征选择的钢轨波磨检测的方法。该方法主要对三种纹理特征抽取的滤波方法(Gabor滤波,小波变换,Gabor小波变换)进行对比研究,主要的目标就是要证明使用Gabor滤波作为滤波特征提取器的效果最优。我国研究人员应用图像处理和模式识别技术,分析高速线阵扫描相机采集的钢轨数字图像,提出鲁棒实时的钢轨表面擦伤检测算法。这种算法首先分析采集图像在垂直方向的投影曲线,提取准确钢轨图像;之后,借鉴人类视觉对比度感知机理,将钢轨灰度图转换为灰度对比图,并基于最大熵原理进行二值化处理,分割出可疑擦伤区域;然后根据经验知识判定钢轨表面的可疑擦伤。还有研究人员在原有钢轨表面擦伤动态检测方法的基础上,重点研究了其中的照明光源的反馈与控制技术,设计了新的反馈信号提取方法,优化了光源调节算法,提高了检测***对外界光强变化的适应性。与原有检测***的光源反馈技术相比,增加了光强可调档位数,使LED光源的亮度逐级改变,有效解决了原有***中可调档位数较少的问题,消除了LED光源频闪的现象。另有研究人员基于缺陷图像的稀疏特性,提出了缺陷图像的稀疏表示模型以及缺陷分解算法。在该模型中,缺陷图像为图像背景、缺陷目标和噪声3种成分的叠加,并且图像背景和缺陷目标可以分别由对应的冗余字典稀疏表示;然后借鉴盲源分离原理和块协调松弛方法,实现缺陷目标成分的有效分解;最后,在钢轨表面擦伤检侧应用中验证了该算法的有效性。
综上所述,计算机视觉已经在钢轨擦伤领域得到了广泛的应用,但仍需要更加简单高效的方法来识别钢轨连续擦伤。
发明内容
本发明实施例提供一种钢轨连续擦伤识别方法,用以通过简单高效的方法来识别钢轨连续擦伤,该方法包括:
获取列车在指定里程行驶时的轴箱加速度数据;
对轴箱加速度数据进行自适应时频分析,得到振动信号的时频能量谱;
利用LP范数准则从时频能量谱中提取时间能量信号;
对所述时间能量信号进行平滑处理,得到平滑信号;
利用固定窗口对平滑信号进行截取,得到多个截取信号;
确定每个截取信号中的信号最大峰值,以及获取到信号最大峰值的里程值;
计算相邻截取信号在信号最大峰值处的里程差,根据所述里程差对指定里程进行分段,根据每一分段中最大里程与最小里程的差值确定每一分段是否为钢轨连续擦伤区段。
本发明实施例还提供一种钢轨连续擦伤识别装置,用以通过简单高效的方法来识别钢轨连续擦伤,该装置包括:
获取模块,用于获取列车在指定里程行驶时的轴箱加速度数据;
时频分析模块,用于对轴箱加速度数据进行自适应时频分析,得到振动信号的时频能量谱;
提取模块,用于利用LP范数准则从时频能量谱中提取时间能量信号;
平滑处理模块,用于对所述时间能量信号进行平滑处理,得到平滑信号;
截取模块,用于利用固定窗口对平滑信号进行截取,得到多个截取信号;
确定模块,用于确定每个截取信号中的信号最大峰值,以及获取到信号最大峰值的里程值;
确定模块,还用于计算相邻截取信号在信号最大峰值处的里程差,根据所述里程差对指定里程进行分段,根据每一分段中最大里程与最小里程的差值确定每一分段是否为钢轨连续擦伤区段。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述钢轨连续擦伤识别方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述钢轨连续擦伤识别方法。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述钢轨连续擦伤识别方法。
本发明实施例中,在对大量轴箱加速度检测数据异常情况进行分析的基础上,对钢轨连续擦伤造成的轴箱加速度数据异常模式进行了梳理,确定了其异常的特征规律,并针对这种特征规律构建了算法流程,通过对轴箱加速度数据进行自适应时频分析、提取时间能量信号、平滑处理等处理后,对平滑信号进行信号截取,通过截取信号最大峰值的里程值来计算相邻截取信号在信号最大峰值处的里程差,通过里程差来对指定里程进行分段,进一步判断每一分段中是否存在钢轨连续擦伤。本发明实施例中方法较为简单高效,并且通过实际验证,能够准确的得到钢轨连续擦伤的识别结果,具有良好的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为一高速铁路正线钢轨擦伤情况的示意图;
图2为本发明实施例中一种钢轨连续擦伤识别方法的流程图;
图3为本发明实施例中一种轴箱加速度数据随里程的变化情况的示意图;
图4为本发明实施例中一种轴箱加速度数据的时频谱的示意图;
图5为本发明实施例中一种轴箱加速度数据的时间-能量信号的示意图;
图6为本发明实施例中步骤204具体执行方法的流程图;
图7为本发明实施例中一种对时间-能量信号进行滤波的示意图;
图8为本发明实施例中一种对滤波后的时间能量信号进行去除趋势项处理后,得到的平滑信号的示意图;
图9为本发明实施例中一种从滤波后的时间能量信号中提取的趋势项的示意图;
图10为本发明实施例中一种窗口截取里程数据的示意图;
图11为本发明实施例中一种对钢轨连续擦伤片段的识别结果的示意图;
图12为本发明实施例中一种钢轨连续擦伤识别装置的结构示意图;
图13为本发明实施例中一种计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
本发明实施例提供了一种钢轨连续擦伤识别方法,如图2所示,该方法包括步骤201至步骤207:
步骤201、获取列车在指定里程行驶时的轴箱加速度数据。
列车经过钢轨的连续擦伤区段时,会产生周期性冲击振动。根据统计理论和长期的经验累积可知,这种擦伤所造成冲击的周期与轮对失圆所造成的冲击周期相近,大概为2.8米。车轮经过钢轨的擦伤缺陷处将会产生冲击,当轮子按照固定的频率旋转,擦伤将会以固定的频率出现。
轴箱加速度是对轨道短波不平顺的综合反映,在钢轨出现连续性擦伤时,该区段的轴箱加速度检测数据,会呈现周期性数据波动,因此本发明实施例中利用算法去识别连续性擦伤区段的数据规律。
指定里程为待进行钢轨连续擦伤识别的一段里程,比如,该指定里程可以为从A地至B地之间的一段70米的里程。
步骤202、对轴箱加速度数据进行自适应时频分析,得到振动信号的时频能量谱。
本发明实施例中,利用轴箱加速度数据对短波不平顺分析的优势,采用自适应时频分析的方法对轴箱加速度数据进行分析,来显示信号的时间和频率特性。本发明实施例中,利用短时傅里叶变换来对轴箱加速度数据进行自适应时频分析。
短时傅里叶变换(short-time Fourier transform,STFT)是一个用于信号处理的通用工具,它定义了时间和频率分布类,其指定了任意信号随时间和频率变换的复数幅度。实际上,计算短时傅里叶变换是把一个较长的时间信号分成相等长度的更短信号的过程,在这个更短的信号上计算傅里叶变换,即傅里叶频谱。
傅里叶变换公式为:
其中,ω代表频率,t代表时间,e-iωt代表复变函数。
傅里叶变换认为一个周期函数(信号)包含多个频率分量,任意信号可以通过多个基函数相加而合成。
对于离散时间信号x(k),其STFT定义为:
其中,l表示窗长度;Z表示整数集;h(l)表示离散窗函数;k表示时间点;ωj表示第j个信号采样点的频率,ωj=2Πj/N,j=0,1,…,N-1,N表示信号采样点数。
上述方程的卷积形式可以表示为:
选择最佳的窗函数参数,比如窗的长度等,对信号成分在时频域上的最大化集中性表现是至关重要的,因为信号的集中性直接影响了与其他成分的交迭程度。自适应时频分析的方法就是在窗函数确定的基础上,根据频率特征优化窗长度。
具体的实施方法为:对于每一个频带ωj,选择合适的窗长度,使得在ωj所在的频带范围内的窄频段信号的集中性达到最大,进而时频域内不同信号之间的交迭程度达到了最小。
卷积形式也可以表示:
上式中的是一个局部调制函数,不考虑相位因子对STFT(k,ωj)没有影响。自适应时频分析的方法类似于“自适应连续小波变换(Continuous WaveletTransform,CWT)”的自适应表示,随着“小波”带宽自适应的变化,小波调制频率也相应地沿着频率轴线性变化。相对于有恒定核函数的CWT,在自适应方面,它可以更好地表示不同频段的不同成分。
为了评估局部集中性,窗长度为l的窗函数做STFT得到结果为STFTl(k,ωj),局部集中性表示为:
其中,v(ωi-ωj)表示以ωj为中心的局部化权函数。
定义在频带ωj的最佳窗长l*为:
l*=arg maxlC(ωj,l)
在本发明的研究过程中,用70米长度的轴箱加速度数据进行试验,轴箱加速度随里程变化的时间如图3所示,对轴箱加速度数据进行自适应傅里叶变换试验,得到其时频图如下图4所示,从图4中可以看到能同时清楚显示低频稳态成分和瞬态冲击成分的时频能量谱。
步骤203、利用LP范数准则从时频能量谱中提取时间能量信号。
对于离散时间信号x(k1),k1=0,1,…,2N,对它进行自适应傅里叶变换,记得到的时频能量谱为j1=0,2,…,N。
用LP范数准则定义新的时频能量谱如下:
k2=0,1,…,N,j2=0,2,…,N/4
利用LP范数准则对上述方程所定义的时频能量谱进行变换,可以得到离散时间信号x(k2)的时间能量信号:
k2=0,1,…,N
上式中P∈[1,∞),当P=∞时,上述方程可以表示为:
k2=0,1,…,N,j2=0,2,…,N/4
显然E(k2)在上述公式中所定义的时间能量信号的量纲一致,现有文献中将最大包络的定义为方程E(k2)=maxjEP(k2,ωj),即它是方程:P=∞的特例;若不考虑带数项1/(N/4+1),时频分析文献中定义的时间边缘是方程(P=1时)所定义的时间能量信号的特例。增加常数项可以避免时间能量信号进行频谱分析的结果因采样点数的改变而改变。
本发明实施例中,用LP范数准则在自适应傅里叶变换得到的时频能量谱中提取时间能量信号,如图5所示。从图5中可以看出,在钢轨的擦伤区段,用固定窗口去截取时间能量信号,在截取后的等长时间能量信号片段内分别寻找最大峰值所对应的里程,并计算其相邻片段的里程差,接近固定值2.8米。这是因为擦伤以固定的频率出现,因此时间能量信号的波峰值的周期性也很强。
步骤204、对时间能量信号进行平滑处理,得到平滑信号。
影响轴箱加速度信号的因素复杂,为了提取影响擦伤的有用信息,准确识别目标,保证方法的准确性,本发明实施例中线对时间能量信号进行了平滑处理。具体的,参见图6所示,步骤204具体可以执行为如下步骤2041至步骤2043:
步骤2041、利用移动高斯加权平均滤波器对时间能量信号进行滤波。
步骤2042、利用最小二乘平滑滤波器提取滤波后的时间能量信号的趋势项。
步骤2043、根据提取的趋势项对滤波后的时间能量信号进行去趋势项处理,得到平滑信号。
采用移动高斯加权平均滤波器对时间能量信号x=[x1,x2,…xN]进行平滑处理,处理后的时间能量信号用G来表示,算法原理如下:
G=smoothdata(x,g(x),5)
G(1)=g(x1)
G(2)=(g(x1)+g(x2)+g(x3))/3
G(3)=(g(x1)+g(x2)+g(x3)+g(x4)+g(x5))/5
G(4)=(g(x2)+g(x3)+g(x4)+g(x5)+g(x6))/5
G(4)=(g(x3)+g(x4)+g(x5)+g(x6)+g(x7))/5
…
其中,g(x)表示高斯函数,σ表示方差。
滤波后的时间能量信号如图7所示。
由于检测***的客观因素,会引起长时间累积的***误差,从而造成信号的趋势项,为了消除滤波后的时间-能量信号的趋势项,本发明实施例中使用最小二乘平滑滤波器对滤波后的时间能量信号G进行趋势项提取,得到平滑信号P=[P1,P2,…PN],得到的平滑信号如图8所示,提取的趋势项如图9所示。
步骤205、利用固定窗口对平滑信号进行截取,得到多个截取信号。
该固定窗口的长度可以由用户设置,例如,可以设置为3米或4米等。
用等长的固定窗口去截取平滑信号P,如利用3米的固定窗口W去截取平滑信号,得到Q个长度均为3米的窗函数W1,W2,…WQ,如图10所示。
步骤206、确定每个截取信号中的信号最大峰值,以及获取到信号最大峰值的里程值。
步骤207、计算相邻截取信号在信号最大峰值处的里程差,根据里程差对指定里程进行分段,根据每一分段中最大里程与最小里程的差值确定每一分段是否为钢轨连续擦伤区段。
具体的,按照采集截取信号的里程值由小到大的顺序进行排序,依次计算排序中相邻两个里程值的里程差,里程差为较大里程值与较小里程值的差值。从所有里程差中筛选在第一阈值范围内的里程差,作为目标里程差;确定计算得到目标里程差的目标里程值,将在里程值排序中连续的多个目标里程值作为一个分段,其中,每一分段中相邻目标里程值的差值均在第一阈值范围内;分别计算每一分段中最大里程值和最小里程值的差值;根据最大里程值与最小里程值的差值确定当前分段是否为钢轨连续擦伤区段。
下面将结合具体的示例来说明步骤207的具体流程。
如图10所示,将平滑信号截取为了从W1,W2,…WQ,获取到信号最大峰值的里程值按照由小到大的顺序排序为L1,L2,…LQ。定义里程差为dq(q=1、2、...、Q-1):
dq=Lq+1-Lq
最后一个里程值不进行里程差的计算,则利用里程值L1,L2,…LQ计算得到Q-1个里程差,分别为d1、d2、...、dQ-1。
从左到右依次判断d1、d2、...、dQ-1是否在第一阈值范围β1内;如果里程差dq在第一阈值范围β1,则将计算得到dq的Lq+1及Lq放入子集{Lq,Lq+1}中。如果里程差dq在第一阈值范围β1,dq+1也在第一阈值范围β1内,则将Lq,Lq+1,Lq+2放在同一子集{Lq,Lq+1,Lq+2}中;如果里程差dq在第一阈值范围β1,dq+1不在第一阈值范围β1内,而dq+2在第一阈值范围β1内,则将子集{Lq,Lq+1}作为一个分段,将Lq+2,Lq+3放入另一个子集中,作为另一个分段。依次类推,从d1到dQ-1均判断完成为止,得到0至多个分段。对于每一个分段,计算其中最大里程值和最小里程值的差值,如果最大里程值和最小里程值的差值大于等于第二阈值且小于2倍第二阈值,则确定当前分段为钢轨擦伤区段;如果最大里程值和最小里程值的差值大于等于2倍第二阈值,则确定当前分段为钢轨连续擦伤区段。
举例说明,如果对平滑信号截取后得到7个截取信号,分别为W1、W2、W3、W4、W5、W6、W7,信号最大峰值分别为P1、P2、P3、P4、P5、P6、P7,分别在里程值L1、L2、L3、L4、L5、L6、L7处获取到上述信号最大峰值,则计算得到的里程差为:d1=L2-L1;d2=L3-L2;d3=L4-L3;d4=L5-L4;d5=L6-L5;d6=L7-L6。
d1至d6中,d1、d2在第一阈值范围内,d3、d4不在第一阈值范围内,d5、d6在第一阈值范围内,则将L1、L2、L3作为一个分段,L5、L6、L7作为一个分段。分别计算L3与L1的差值,以及L7与L5的差值。
以L3与L1的差值为例,如果该差值大于等于第二阈值且小于等于2倍第二阈值,则L1至L3之间的区段为钢轨擦伤区段;如果该差值大于等于2倍第二阈值,则L1至L3之间的区段为钢轨连续擦伤区段。
考虑到轴箱加速度数据难免存在测量误差,可以将第一阈值范围设置为2.7米至2.9米之间,因为连续钢轨擦伤区段会超过两个车轮的周长(大约5.6米),可以将第二阈值设置为2.8米,以每个片段的长度(即最大里程值与最小里程值的差值)是否超过5.6米为依据去判断为最后的钢轨连续擦伤区段。
利用上述判断方法得到的识别效果如图11所示。经过专业检测人员的分析认定图11方框中为钢轨连续擦伤区段,说明本发明实施例中方法对钢轨连续擦伤区段的识别效果准确。
本发明实施例中,在对大量轴箱加速度检测数据异常情况进行分析的基础上,对钢轨连续擦伤造成的轴箱加速度数据异常模式进行了梳理,确定了其异常的特征规律,并针对这种特征规律构建了算法流程,通过对轴箱加速度数据进行自适应时频分析、提取时间能量信号、平滑处理等处理后,对平滑信号进行信号截取,通过截取信号最大峰值的里程值来计算相邻截取信号在信号最大峰值处的里程差,通过里程差来对指定里程进行分段,进一步判断每一分段中是否存在钢轨连续擦伤。本发明实施例中方法较为简单高效,并且通过实际验证,能够准确的得到钢轨连续擦伤的识别结果,具有良好的应用前景。
本发明实施例中还提供了一种钢轨连续擦伤识别装置,如下面的实施例所述。由于该装置解决问题的原理与钢轨连续擦伤识别方法相似,因此该装置的实施可以参见钢轨连续擦伤识别方法的实施,重复之处不再赘述。
如图12所示,该装置1200包括:
获取模块1201,用于获取列车在指定里程行驶时的轴箱加速度数据;
时频分析模块1202,用于对轴箱加速度数据进行自适应时频分析,得到振动信号的时频能量谱;
提取模块1203,用于利用LP范数准则从时频能量谱中提取时间能量信号;
平滑处理模块1204,用于对时间能量信号进行平滑处理,得到平滑信号;
截取模块1205,用于利用固定窗口对平滑信号进行截取,得到多个截取信号;
确定模块1206,用于确定每个截取信号中的信号最大峰值,以及获取到信号最大峰值的里程值;
确定模块1206,还用于计算相邻截取信号在信号最大峰值处的里程差,根据里程差对指定里程进行分段,根据每一分段中最大里程与最小里程的差值确定每一分段是否为钢轨连续擦伤区段。
在本发明实施例的一种实现方式中,确定模块1206,用于:
按照采集截取信号的里程值由小到大的顺序进行排序,依次计算排序中相邻两个里程值的里程差,里程差为较大里程值与较小里程值的差值;
从所有里程差中筛选在第一阈值范围内的里程差,作为目标里程差;
确定计算得到目标里程差的目标里程值,将在里程值排序中连续的多个目标里程值作为一个分段,其中,每一分段中相邻目标里程值的差值均在第一阈值范围内;
分别计算每一分段中最大里程值和最小里程值的差值;
根据最大里程值与最小里程值的差值确定当前分段是否为钢轨连续擦伤区段。
在本发明实施例的一种实现方式中,确定模块1206,用于:
当最大里程值和最小里程值的差值大于等于第二阈值且小于2倍第二阈值时,确定当前分段为钢轨擦伤区段;
当最大里程值和最小里程值的差值大于等于2倍第二阈值时,确定当前分段为钢轨连续擦伤区段。
在本发明实施例的一种实现方式中,平滑处理模块1204,用于:
利用移动高斯加权平均滤波器对时间能量信号进行滤波;
利用最小二乘平滑滤波器提取滤波后的时间能量信号的趋势项;
根据提取的趋势项对滤波后的时间能量信号进行去趋势项处理,得到平滑信号。
本发明实施例中,在对大量轴箱加速度检测数据异常情况进行分析的基础上,对钢轨连续擦伤造成的轴箱加速度数据异常模式进行了梳理,确定了其异常的特征规律,并针对这种特征规律构建了算法流程,通过对轴箱加速度数据进行自适应时频分析、提取时间能量信号、平滑处理等处理后,对平滑信号进行信号截取,通过截取信号最大峰值的里程值来计算相邻截取信号在信号最大峰值处的里程差,通过里程差来对指定里程进行分段,进一步判断每一分段中是否存在钢轨连续擦伤。本发明实施例中方法较为简单高效,并且通过实际验证,能够准确的得到钢轨连续擦伤的识别结果,具有良好的应用前景。
本发明实施例还提供一种计算机设备,图13为本发明实施例中计算机设备的示意图,该计算机设备能够实现上述实施例中的钢轨连续擦伤识别方法中全部步骤,该计算机设备具体包括如下内容:
处理器(processor)1301、存储器(memory)1302、通信接口(CommunicationsInterface)1303和通信总线1304;
其中,所述处理器1301、存储器1302、通信接口1303通过所述通信总线1304完成相互间的通信;所述通信接口1303用于实现相关设备之间的信息传输;
所述处理器1301用于调用所述存储器1302中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的钢轨连续擦伤识别方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述钢轨连续擦伤识别方法。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述钢轨连续擦伤识别方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种钢轨连续擦伤识别方法,其特征在于,所述方法包括:
获取列车在指定里程行驶时的轴箱加速度数据;
对轴箱加速度数据进行自适应时频分析,得到振动信号的时频能量谱;
利用LP范数准则从时频能量谱中提取时间能量信号;
对所述时间能量信号进行平滑处理,得到平滑信号;
利用固定窗口对平滑信号进行截取,得到多个截取信号;
确定每个截取信号中的信号最大峰值,以及获取到信号最大峰值的里程值;
计算相邻截取信号在信号最大峰值处的里程差,根据所述里程差对指定里程进行分段,根据每一分段中最大里程与最小里程的差值确定每一分段是否为钢轨连续擦伤区段;
计算相邻截取信号在信号最大峰值处的里程差,根据所述里程差对指定里程进行分段,根据每一分段中最大里程与最小里程的差值确定每一分段是否为钢轨连续擦伤区段,包括:
按照采集截取信号的里程值由小到大的顺序进行排序,依次计算排序中相邻两个里程值的里程差,所述里程差为较大里程值与较小里程值的差值;
从所有里程差中筛选在第一阈值范围内的里程差,作为目标里程差;
确定计算得到目标里程差的目标里程值,将在里程值排序中连续的多个目标里程值作为一个分段,其中,每一分段中相邻目标里程值的差值均在第一阈值范围内;
分别计算每一分段中最大里程值和最小里程值的差值;
根据所述最大里程值与最小里程值的差值确定当前分段是否为钢轨连续擦伤区段。
2.根据权利要求1所述的方法,其特征在于,根据所述最大里程值与最小里程值的差值确定当前分段是否为钢轨连续擦伤区段,包括:
如果所述最大里程值和最小里程值的差值大于等于第二阈值且小于2倍第二阈值,则确定当前分段为钢轨擦伤区段;
如果所述最大里程值和最小里程值的差值大于等于2倍第二阈值,则确定当前分段为钢轨连续擦伤区段。
3.根据权利要求1至2任一项所述的方法,其特征在于,对所述时间能量信号进行平滑处理,得到平滑信号,包括:
利用移动高斯加权平均滤波器对时间能量信号进行滤波;
利用最小二乘平滑滤波器提取滤波后的时间能量信号的趋势项;
根据提取的趋势项对滤波后的时间能量信号进行去趋势项处理,得到平滑信号。
4.一种钢轨连续擦伤识别装置,其特征在于,所述装置包括:
获取模块,用于获取列车在指定里程行驶时的轴箱加速度数据;
时频分析模块,用于对轴箱加速度数据进行自适应时频分析,得到振动信号的时频能量谱;
提取模块,用于利用LP范数准则从时频能量谱中提取时间能量信号;
平滑处理模块,用于对所述时间能量信号进行平滑处理,得到平滑信号;
截取模块,用于利用固定窗口对平滑信号进行截取,得到多个截取信号;
确定模块,用于确定每个截取信号中的信号最大峰值,以及获取到信号最大峰值的里程值;
确定模块,还用于计算相邻截取信号在信号最大峰值处的里程差,根据所述里程差对指定里程进行分段,根据每一分段中最大里程与最小里程的差值确定每一分段是否为钢轨连续擦伤区段;
确定模块,用于:
按照采集截取信号的里程值由小到大的顺序进行排序,依次计算排序中相邻两个里程值的里程差,所述里程差为较大里程值与较小里程值的差值;
从所有里程差中筛选在第一阈值范围内的里程差,作为目标里程差;
确定计算得到目标里程差的目标里程值,将在里程值排序中连续的多个目标里程值作为一个分段,其中,每一分段中相邻目标里程值的差值均在第一阈值范围内;
分别计算每一分段中最大里程值和最小里程值的差值;
根据所述最大里程值与最小里程值的差值确定当前分段是否为钢轨连续擦伤区段。
5.根据权利要求4所述的装置,其特征在于,确定模块,用于:
当所述最大里程值和最小里程值的差值大于等于第二阈值且小于2倍第二阈值时,确定当前分段为钢轨擦伤区段;
当所述最大里程值和最小里程值的差值大于等于2倍第二阈值时,确定当前分段为钢轨连续擦伤区段。
6.根据权利要求4至5任一项所述的装置,其特征在于,平滑处理模块,用于:
利用移动高斯加权平均滤波器对时间能量信号进行滤波;
利用最小二乘平滑滤波器提取滤波后的时间能量信号的趋势项;
根据提取的趋势项对滤波后的时间能量信号进行去趋势项处理,得到平滑信号。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至3任一所述方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至3任一所述方法。
9.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现权利要求1至3任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210331283.2A CN114818782B (zh) | 2022-03-31 | 2022-03-31 | 钢轨连续擦伤识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210331283.2A CN114818782B (zh) | 2022-03-31 | 2022-03-31 | 钢轨连续擦伤识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114818782A CN114818782A (zh) | 2022-07-29 |
CN114818782B true CN114818782B (zh) | 2024-07-12 |
Family
ID=82533717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210331283.2A Active CN114818782B (zh) | 2022-03-31 | 2022-03-31 | 钢轨连续擦伤识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818782B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658005A (zh) * | 2019-10-08 | 2020-01-07 | 西南交通大学 | 一种基于车体加速度识别钢轨波磨病害的方法 |
CN113343928A (zh) * | 2021-06-30 | 2021-09-03 | 中国铁道科学研究院集团有限公司 | 变速路段高速铁路钢轨波磨检测方法及装置、计算机设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2543521A (en) * | 2015-10-20 | 2017-04-26 | Skf Ab | Method and data processing device for severity assessment of bearing defects using vibration energy |
JP7177028B2 (ja) * | 2019-11-01 | 2022-11-22 | 公益財団法人鉄道総合技術研究所 | レール波状摩耗の進展検知方法及び進展検知システム |
CN113537015A (zh) * | 2021-07-06 | 2021-10-22 | 中国国家铁路集团有限公司 | 一种钢轨擦伤的识别方法、巡检的方法及相关装置 |
CN114169422A (zh) * | 2021-12-02 | 2022-03-11 | 北京交通大学 | 基于车辆振噪联合测试的地铁钢轨波磨识别方法及*** |
-
2022
- 2022-03-31 CN CN202210331283.2A patent/CN114818782B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658005A (zh) * | 2019-10-08 | 2020-01-07 | 西南交通大学 | 一种基于车体加速度识别钢轨波磨病害的方法 |
CN113343928A (zh) * | 2021-06-30 | 2021-09-03 | 中国铁道科学研究院集团有限公司 | 变速路段高速铁路钢轨波磨检测方法及装置、计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114818782A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Fault diagnosis of rolling bearing based on empirical mode decomposition and improved manhattan distance in symmetrized dot pattern image | |
CN104236911B (zh) | 一种列车转向架轴承服役过程监测与故障诊断***及方法 | |
Tabrizi et al. | Early damage detection of roller bearings using wavelet packet decomposition, ensemble empirical mode decomposition and support vector machine | |
CN104568444B (zh) | 变转速火车滚动轴承故障特征频率提取方法 | |
Li et al. | A weighted multi-scale morphological gradient filter for rolling element bearing fault detection | |
Gao et al. | Non-stationary signal processing for bearing health monitoring | |
Cao et al. | The gearbox wears state monitoring and evaluation based on on-line wear debris features | |
CN110987348B (zh) | 基于弓网动态响应的接触网硬点确定方法及装置 | |
CN106441893B (zh) | 火车滚动轴承故障与杂质振动区分方法 | |
CN103955922B (zh) | 基于Gabor滤波器的印花织物疵点检测方法 | |
CN113343928B (zh) | 变速路段高速铁路钢轨波磨检测方法及装置、计算机设备 | |
CN109785301A (zh) | 一种基于图像处理的钢轨波磨自动识别方法与评估方法 | |
CN112686144B (zh) | 一种基于磨音信号的矿石球磨过程负荷识别方法 | |
CN105258789A (zh) | 一种振动信号特征频率带的提取方法及装置 | |
Zheng et al. | Faults diagnosis of rolling bearings based on shift invariant K-singular value decomposition with sensitive atom nonlocal means enhancement | |
Zhang et al. | An adaptive graph morlet wavelet transform for railway wayside acoustic detection | |
CN117708760B (zh) | 基于多模型融合的开关柜多源局放模式识别方法及*** | |
Fan et al. | A joint wavelet lifting and independent component analysis approach to fault detection of rolling element bearings | |
CN114818782B (zh) | 钢轨连续擦伤识别方法及装置 | |
CN113139430A (zh) | 用于故障检测的声信号分析方法、故障检测的方法、装置 | |
Gong et al. | Fault detection for rolling element bearing based on repeated single-scale morphology and simplified sensitive factor algorithm | |
CN115655719A (zh) | 一种轴承振动信号分阶段降噪方法及轴承故障识别方法 | |
CN114580460A (zh) | 基于形态学滤波和hht变换的铁道车辆轮轨故障诊断方法 | |
CN109591846A (zh) | 一种轮对踏面在线检测方法 | |
CN112419304B (zh) | 一种面向一维数据的多阶段目标检测方法及装置 |
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 |