CN115112763A - 一种基于das的高铁声屏障健康状况实时监测方法 - Google Patents
一种基于das的高铁声屏障健康状况实时监测方法 Download PDFInfo
- Publication number
- CN115112763A CN115112763A CN202210903257.2A CN202210903257A CN115112763A CN 115112763 A CN115112763 A CN 115112763A CN 202210903257 A CN202210903257 A CN 202210903257A CN 115112763 A CN115112763 A CN 115112763A
- Authority
- CN
- China
- Prior art keywords
- sound barrier
- signals
- vibration
- group data
- vibration 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.)
- Pending
Links
- 230000004888 barrier function Effects 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000036541 health Effects 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 230000003287 optical effect Effects 0.000 claims abstract description 76
- 230000005284 excitation Effects 0.000 claims abstract description 10
- 238000007635 classification algorithm Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 239000013307 optical fiber Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000035559 beat frequency Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 239000000835 fiber Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/22—Details, e.g. general constructional or apparatus details
- G01N29/24—Probes
- G01N29/2418—Probes using optoacoustic interaction with the material, e.g. laser radiation, photoacoustics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/36—Detecting the response signal, e.g. electronic circuits specially adapted therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4472—Mathematical theories or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0234—Metals, e.g. steel
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0235—Plastics; polymers; soft materials, e.g. rubber
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Engineering & Computer Science (AREA)
- Optics & Photonics (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于DAS的高铁声屏障健康状况实时监测方法,包括:将传感光缆敷设在高铁声屏障上;采用连接在传感光缆上的DAS***,对高铁经过引起的多组声屏障板振动信号进行感知,将感知到的多组声屏障板振动信号划分成正常组数据和故障组数据;对正常组数据和故障组数据进行预处理;从正常组数据和故障组数据提取相应的基于统计特性的多域特征;实时采集声屏障板振动信号,提取得到其对应的多域特征;采用基于马氏距离的K近邻分类算法,对提取到的实时振动信号的多域特征进行识别分类。本发明能够有效利用DAS技术来对高铁声屏障在列车风压激励下的振动进行监测,并判断声屏障的健康状况。
Description
技术领域
本发明属于分布式光纤传感技术领域,尤其涉及一种基于DAS的高铁声屏障健康状况实时监测方法,用于利用DAS技术来对高铁声屏障在列车风压激励下的振动进行监测,并判断声屏障的健康状况。
背景技术
高速铁路的快速发展,也带来了铁路沿线的噪声问题,对沿线居民的生活影响巨大。目前,在高铁两侧修建声屏障,是解决噪声问题的主要措施。金属插板式声屏障是目前常用的声屏障之一。但是,列车高速行驶时产生的脉动力会造成吸声插板的松动,对高铁的正常运行和旅客的生命安全造成威胁。声屏障每个吸声插板之间相连接的橡胶件,可以吸收该脉动力,从而延长声屏障的使用寿命。但当橡胶件老化或受损时,在高速列车行驶产生的脉动力反复激励下,吸声板可能会发生脱落,存在较大的安全隐患。因此,在线路开通运营后,应该至少每月不定期对声屏障钢构件进行全面排查。
目前声屏障健康检测基本采用人工检测。人工检测的方式需要利用千斤顶将声屏障顶起,检测人员钻出去采用肉眼目视的方式进行检测。这样的检测方式不仅效率较低,检测的不准确定性和人工成本相对较高,同时大部分高铁线路位于桥梁之上,对声屏障安检人员的生命安全也造成了一定的风险。相比之下,视频监测方法使用视觉采集模块,对列车沿线声屏障定期巡检,可以减少人工成本和安检人员的风险。但该方法易受到雨、雾等恶劣天气的影响,识别准确率不高。
相比于视频采集方法,分布式光纤应变检测方法具有实时性、不受天气环境限制的优点,通过检测布里渊频移可以实现应变参数在空间上的连续测量,从而依据应变的大小确定声屏障的状态。但该方法对光纤的布设方式有严格的要求,需要对光纤进行预拉伸以确定应变系数。该方法同时对应变和温度变化敏感,因此环境温度在空间上的差异可能造成应变测量误差,进而使识别准确率下降。
公开号为CN113866684A的专利公开了一种基于混合采样和代价敏感的配电变压器故障诊断方法,包括:采集变压器不同状态下的振动数据,并进行特征提取,构成新的样本集;对新的样本集进行混合采样,采用Tomek Links对过采样后产生的新样本集进行数据清洗,将其分成训练集和测试集;引入代价因子,构造代价敏感的多分类SVM,利用训练集训练多分类SVM;利用测试集验证训练过的代价敏感多分类SVM分类器的分类效果,将验证过的分类器应用于配电变压器的故障诊断。该发明能够可靠地完成变压器状态检测,克服了不平衡数据集对分类器产生的不良影响,提高了正、异常样本的可分离性,有效解决了类别之间数据重叠的问题,还提高了分类器对变压器故障样本的识别能力以及分类准确度。公开号为 CN112084885A的专利公开了一种基于多域特征提取和相关补偿距离的滚动轴承性能评估方法,对采集到的振动信号数据进行时域、频域及时频域特征提取并形成多域特征矩阵;将提取到的特征矩阵进行拉普拉斯分值算法数据降维,筛选出含有故障信息最多的特征;再计算故障信号与正常信号之间的相关距离,同时计算故障信号之间的补偿距离,相关距离与补偿距离之和为相关补偿距离;由相关补偿距离大小即可判断到滚动轴承的性能退化情况。该发明提出的性能退化评估方法得到的评估指标能实时监测滚动轴承的性能退化趋势,并且可以及时发现早期故障。
然而这些传统特征提取方法,只对时域和频域特征进行提取,无法反映出振动信号在频域能量分布的复杂程度和时间序列的复杂状态;传统方法中的欧氏距离计算方法无法避免不同特征量纲和不同特征之间相关性的干扰,因此,传统的多域特征提取和分类方法的结合方式,并不能直接应用于高铁声屏障板的健康状况测量。
发明内容
解决的技术问题:本发明提出了一种基于DAS的高铁声屏障健康状况实时监测方法,能够解决高铁声屏障板的健康状况实时测量问题。
技术方案:
一种基于DAS的高铁声屏障健康状况实时监测方法,所述实时监测方法包括以下步骤:
S1,将传感光缆敷设在高铁声屏障上,使传感光缆在每一跨声屏障内不同高度的声屏障板上均有布设,并且传感光缆紧密固定在每一个声屏障板的中部;
S2,采用连接在传感光缆上的DAS***,对高铁经过引起的多组声屏障板振动信号进行感知,将感知到的多组声屏障板振动信号划分成正常组数据和故障组数据;
S3,对正常组数据和故障组数据进行预处理;从正常组数据和故障组数据提取相应的基于统计特性的多域特征;
S4,实时采集声屏障板振动信号,提取得到其对应的多域特征;采用基于马氏距离的K 近邻分类算法,对提取到的实时振动信号的多域特征进行识别分类:计算得到实时感知到的声屏障板振动信号的多域特征分别与已知的正常组数据和故障组数据的多域特征的马氏距离,将马氏距离最小的声屏障板样本类别作为实时声屏障板振动信号的健康状况类别。
进一步地,步骤S1中,将传感光缆以倒V字型方式敷设在高铁声屏障板上。
进一步地,采用光缆固定夹将传感光缆固定在每个声屏障板的中部。
进一步地,步骤S2中,所述DAS***放置在站台上,通过光开关连接至不同线路声屏障板上的传感光缆,光开关的输入端与DAS***连接,光开关的N个输出端与N条线路声屏障板的传感光纤一一对应连接,通过调整光开光的线路选通状态以控制DAS***对不同线路的声屏障板上的振动信号进行单独采集。
进一步地,步骤S2中,对高铁经过引起的多组声屏障板振动信号进行感知的过程包括以下步骤:
S21,DAS***的光源模块发出直流光,该直流光经过声光调制器脉冲调制、恒功率掺铒光纤放大器脉冲放大、滤波后产生窄线宽激光脉冲信号,该窄线宽激光脉冲信号注入敷设在有列车即将经过的线路的声屏障板上的传感光缆,在传感光缆中产生瑞利后向散射光信号,当列车经过时,该瑞利后向散射光信号包含了在风压激励下声屏障的振动信息;
S22,将瑞利后向散射光信号与本振光信号进行拍频,经光电转换输出电信号,将该电信号转化为数字信号,对其进行正交相位解调,获得高铁声屏障上沿传感光缆分布的每一位置对应的瑞利后向散射光信号的幅度和相位,具体如下:
S23,将所得数字信号经处理分成两路数字信号,这两路数字信号分别乘以正弦信号 sinΔωt、余弦信号cosΔωt后得到同相信号I和正交信号Q,根据 L=c×t/2,获得高铁声屏障上沿传感光缆分布的每一位置对应的瑞利后向散射光信号的幅度E(t)和相位其中,Δω为直流光经过光脉冲调制模块引入的频移量,t为时间变量,k为常数,L为传感光缆分布位置,c为光速;
S24,以固定长度窗口划分振动信号,对每段振动信号进行频谱分析,计算其功率谱密度,对比不同窗口内的功率谱密度,区分宽谱冲激部分与自由谐振部分的信号,规避列车激励使声屏障板产生的宽谱冲激所覆盖的时间段,只提取自由谐振部分的信号进行分析处理,用于后续的特征识别分类。
进一步地,步骤S3中,对正常组数据和故障组数据进行预处理的过程包括以下步骤:
采用基于切比雪夫I型数字滤波器对正常组数据和故障组数据进行滤波,滤除20Hz以下和45Hz以上的噪声;
使用Z-score方法对滤波后的数据进行归一化处理,将数据集中到平均值为0,并将其缩放到标准偏差为1。
进一步地,步骤S3中,从正常组数据和故障组数据提取相应的基于统计特性的多域特征的过程包括以下步骤:
S31,计算每一组声屏障板对应的标定位置处的各点振动信号的能量值,利用移动平均滤波器对能量值进行平滑处理;
S32,对平滑处理后的能量值进行寻峰操作,找出最大峰值点和峰谷点,找出分别位于最大峰值左右的峰谷值,将左右两处的峰谷设定为该最大峰值对应的分帧区间;
S33,对得到的各个分帧区间提取分别位于时域、频域和信息域的6个特征值;其中,从时域提取最大值、方差、均方根值;从频域提取频率标准差;从信息域提取功率谱熵、奇异谱熵特征。
进一步地,步骤S4中,采用基于马氏距离的K近邻分类算法,对提取到的实时振动信号的多域特征进行识别分类的过程包括以下步骤:
将振动信号样本的6个特征值组成向量X=(x1,x2,x3,x4,x5,x6),其中x1是振动信号样本的最大值,x2是振动信号样本的方差,x3是振动信号样本的均方根值,x4是振动信号样本的频率标准差,x5是振动信号样本的功率谱熵,x6是振动信号样本的奇异谱熵;计算得到已知的正常板振动信号总体的均值向量μn=(μn1,μn2,μn3,μn4,μn5,μn6)和协方差矩阵∑n,其中μn1是正常板振动信号总体的最大值的均值,μn2是正常板振动信号总体的方差的均值,μn3是正常板振动信号总体的均方根值的均值,μn4是正常板振动信号总体的频率标准差的均值,μn5是正常板振动信号总体的功率谱熵的均值,μn6是正常板振动信号总体的奇异谱熵的均值:计算得到已知的故障板振动信号总体的均值向量μf=(μf1,μf2,μf3,μf4,μf5,μf6)和协方差矩阵∑f,其中μf1是故障板振动信号总体的最大值的均值,μf2是故障板振动信号总体的方差的均值,μf3是故障板振动信号总体的均方根值的均值,μf4是故障板振动信号总体的频率标准差的均值,μf5是故障板振动信号总体的功率谱熵的均值,μf6是故障板振动信号总体的奇异谱熵的均值;
将与实时振动信号样本的马氏距离最小的声屏障板样本类别作为振动信号位置对应的声屏障板的类别,如果属于故障板类别,则报警。
有益效果:
本发明利用采集到的振动信号在时域、频域和信息域的特征值,判断声屏障板的特征是否属于故障板类别,从而判断声屏障板是否出现故障,为高铁声屏障提供安全保障,成本低;与光纤应力传感相比,本发明在敷设光缆时无需考虑预应力设置要求,不会因环境温度造成应变测量误差,具有敷设方便,成本低廉的优势。本发明也可以作为声屏障交付时,检测声屏障是否合格的一种方法;以及长期运营时,实时检测声屏障健康状况,以便及时修理,为高铁安全运行提供重要保障。与传统的特征提取方法相比,本发明除时域和频域外,还从信息域提取功率谱熵和奇异谱熵特征,相较于时频域特征,可以反映出振动信号在频域能量分布的复杂程度和时间序列的复杂状态;在K近邻分类中计算马氏距离,相较于传统方法的欧氏距离,可以避免不同特征量纲的影响,并排除特征之间相关性的干扰,使得分类更加符合实际。
附图说明
图1是金属插板式声屏障结构与光缆的倒V字型布设方式示意图。
图2是多条线路监测示意图。
图3是信号处理的流程图。
图4是区分受迫振动与自由谐振的示意图。
具体实施方式
下面的实施例可使本专业技术人员更全面地理解本发明,但不以任何方式限制本发明。
参见图3,本发明提及一种基于DAS的高铁声屏障健康状况实时监测方法,采用传感光缆,以倒V字型方式敷设在高铁声屏障上,将位于总站点的单台DAS设备通过光开关连接到不同线路声屏障上的传感光缆,分时采集传感光缆信号,对采集到的振动信号进行数据预处理,经过在时域、频域和信息域的多域特征提取后,使用基于马氏距离的K近邻分类算法对特征进行分类识别,进而判断特征列所在的声屏障板是否属于故障板类别。
具体地,所述实时监测方法包括以下步骤:
S1,将传感光缆敷设在高铁声屏障上,使传感光缆在每一跨声屏障内不同高度的声屏障板上均有布设,并且传感光缆紧密固定在每一个声屏障板的中部。
如图1所示,将传感光缆以倒V字型方式敷设在高铁声屏障上,确保传感光缆在每一跨声屏障内不同高度的声屏障板上均有布设,为使传感光缆紧贴于声屏障板,使用光缆专用固定夹将传感光缆固定在每一个声屏障板的中部。
S2,采用连接在传感光缆上的DAS***,对高铁经过引起的多组声屏障板振动信号进行感知,将感知到的多组声屏障板振动信号划分成正常组数据和故障组数据。
单台DAS设备可实现对不同线路声屏障健康状况的分时监测。当总站点有多条铁路线时,可将位于总站点的单台DAS设备通过光开关连接到不同线路声屏障上的传感光缆。在有列车即将经过的线路,通过光开关将窄脉冲激光信号注入到该线路的传感光缆中,监测列车激励后声屏障产生的振动信息;该线路的声屏障监测完毕后,DAS设备的光开关再切换到其他线路,实现对所有线路轮询监测的功能。
总站点的DAS***和各线路传感光缆的连接如图2所示,位于总站点的单台DAS设备通过光开关连接到不同线路声屏障上的传感光缆,在有列车即将经过的线路,通过光开关将窄脉冲激光信号注入到该线路的传感光缆中,采集该线路的传感光缆信号,当列车经过时,该信号包含了在风压激励下声屏障的振动信息。
DAS***的光源模块先发出波长为1550nm的直流光,该直流光经过声光调制器脉冲调制、恒功率掺铒光纤放大器脉冲放大、滤波后产生窄线宽激光脉冲信号,该激光脉冲信号注入敷设在有列车即将经过的线路的声屏障上的传感光缆,在传感光缆中产生瑞利后向散射光信号,当列车经过时,该信号包含了在风压激励下声屏障的振动信息。将瑞利后向散射光信号与本振光信号进行拍频,经光电转换输出电信号,将该电信号转化为数字信号,对其进行正交相位解调,获得高铁声屏障上沿传感光缆分布的每一位置对应的瑞利后向散射光信号的幅度和相位,具体如下:
将所得数字信号经处理分成两路数字信号,这两路数字信号分别乘以正弦信号sinΔωt、余弦信号cosΔωt后得到同相信号I和正交信号Q,根据 L=c×t/2,获得高铁声屏障上沿传感光缆分布的每一位置对应的瑞利后向散射光信号的幅度E(t)和相位其中,Δω为直流光经过光脉冲调制模块引入的频移量, t为时间变量,k为常数,L为传感光缆分布位置,c为光速。
本实施例使用DAS***采集声屏障产生的振动信息,规避列车激励使声屏障产生的宽谱冲激所覆盖的时间段,只提取自由谐振部分的信号进行分析处理,用于后续的特征识别分类。提取方法为:以固定长度窗口划分信号,对每段信号进行频谱分析,计算其功率谱密度,对比不同窗口内的功率谱密度,可区分宽谱冲激部分与自由谐振部分的信号,如图4所示,可直接区分受迫振动和自由谐振。作为一种通用策略,可以选取宽谱冲激部分结束后50毫秒开始提取。
S3,对正常组数据和故障组数据进行预处理;从正常组数据和故障组数据提取相应的基于统计特性的多域特征。
对提取的信号进行预处理,具体地,采用基于切比雪夫I型数字滤波器,滤除20Hz以下和45Hz以上的噪声。使用“Z-score”方法对滤波后的数据进行归一化处理,将数据集中到平均值为0,并将其缩放到标准偏差为1。
计算每一组声屏障对应的标定位置处的各点信号能量值,利用移动平均滤波器对能量值进行平滑处理,对能量值进行寻峰操作,找出最大峰值点和峰谷点,最终在最大峰值左右分别有一个峰谷值,将左右峰谷设定为分帧区间。
对得到的各分帧区间提取在时域、频域和信息域的6个特征值,提取的时域特征值为最大值、方差、均方根值,提取的频域特征值为频率标准差;另外,为了克服时频域特征无法反映出振动信号在频域能量分布的复杂程度和时间序列的复杂状态的问题,在信息域提取功率谱熵和奇异谱熵。共提取6个特征值。
S4,实时采集声屏障板振动信号,提取得到其对应的多域特征;采用基于马氏距离的K 近邻分类算法,对提取到的实时振动信号的多域特征进行识别分类:计算得到实时感知到的声屏障板振动信号的多域特征分别与已知的正常组数据和故障组数据的多域特征的马氏距离,将马氏距离最小的声屏障板样本类别作为实时声屏障板振动信号的健康状况类别。
为避免传统分类方法的欧氏距离计算存在的受不同特征量纲影响、特征之间相关性干扰的问题,使用基于马氏距离的K近邻分类算法,对提取到的特征进行识别分类:分别求出振动信号样本与已知的正常板和故障板振动信号总体的马氏距离,与样本的马氏距离最小的声屏障样本类别即振动信号位置对应的声屏障板的类别,如果属于故障板类别,则报警。
具体地,振动信号样本的6个特征值组成向量X=(x1,x2,x3,x4,x5,x6);已知的正常板振动信号总体的均值向量μn=(μn1,μn2,μn3,μn4,μn5,μn6),协方差矩阵为∑n;已知的故障板振动信号总体的均值向量μf=(μf1,μf2,μf3,μf4,μf5,μf6),协方差矩阵为∑f;振动信号样本与已知的正常板振动信号总体的马氏距离振动信号样本与已知的故障板振动信号总体的马氏距离与样本的马氏距离最小的声屏障样本类别即振动信号位置对应的声屏障板的类别,如果属于故障板类别,则报警。
该线路的声屏障监测完毕后,DAS设备的光开关再切换到其他线路,向其他有列车即将经过的线路声屏障上的传感光缆注入窄线宽激光脉冲信号,重复前述步骤,实现对所有线路轮询监测的功能。
Claims (8)
1.一种基于DAS的高铁声屏障健康状况实时监测方法,其特征在于,所述实时监测方法包括以下步骤:
S1,将传感光缆敷设在高铁声屏障上,使传感光缆在每一跨声屏障内不同高度的声屏障板上均有布设,并且传感光缆紧密固定在每一个声屏障板的中部;
S2,采用连接在传感光缆上的DAS***,对高铁经过引起的多组声屏障板振动信号进行感知,将感知到的多组声屏障板振动信号划分成正常组数据和故障组数据;
S3,对正常组数据和故障组数据进行预处理;从正常组数据和故障组数据提取相应的基于统计特性的多域特征;
S4,实时采集声屏障板振动信号,提取得到其对应的多域特征;采用基于马氏距离的K近邻分类算法,对提取到的实时振动信号的多域特征进行识别分类:计算得到实时感知到的声屏障板振动信号的多域特征分别与已知的正常组数据和故障组数据的多域特征的马氏距离,将马氏距离最小的声屏障板样本类别作为实时声屏障板振动信号的健康状况类别。
2.根据权利要求1所述的基于DAS的高铁声屏障健康状况实时监测方法,其特征在于,步骤S1中,将传感光缆以倒V字型方式敷设在高铁声屏障板上。
3.根据权利要求1所述的基于DAS的高铁声屏障健康状况实时监测方法,其特征在于,采用光缆固定夹将传感光缆固定在每个声屏障板的中部。
4.根据权利要求1所述的基于DAS的高铁声屏障健康状况实时监测方法,其特征在于,步骤S2中,所述DAS***放置在站台上,通过光开关连接至不同线路声屏障板上的传感光缆,光开关的输入端与DAS***连接,光开关的N个输出端与N条线路声屏障板的传感光纤一一对应连接,通过调整光开光的线路选通状态以控制DAS***对不同线路的声屏障板上的振动信号进行单独采集。
5.根据权利要求1所述的基于DAS的高铁声屏障健康状况实时监测方法,其特征在于,步骤S2中,对高铁经过引起的多组声屏障板振动信号进行感知的过程包括以下步骤:
S21,DAS***的光源模块发出直流光,该直流光经过声光调制器脉冲调制、恒功率掺铒光纤放大器脉冲放大、滤波后产生窄线宽激光脉冲信号,该窄线宽激光脉冲信号注入敷设在有列车即将经过的线路的声屏障板上的传感光缆,在传感光缆中产生瑞利后向散射光信号,当列车经过时,该瑞利后向散射光信号包含了在风压激励下声屏障的振动信息;
S22,将瑞利后向散射光信号与本振光信号进行拍频,经光电转换输出电信号,将该电信号转化为数字信号,对其进行正交相位解调,获得高铁声屏障上沿传感光缆分布的每一位置对应的瑞利后向散射光信号的幅度和相位,具体如下:
S23,将所得数字信号经处理分成两路数字信号,这两路数字信号分别乘以正弦信号sinΔωt、余弦信号cosΔωt后得到同相信号I和正交信号Q,根据 L=c×t/2,获得高铁声屏障上沿传感光缆分布的每一位置对应的瑞利后向散射光信号的幅度E(t)和相位其中,Δω为直流光经过光脉冲调制模块引入的频移量,t为时间变量,k为常数,L为传感光缆分布位置,c为光速;
S24,以固定长度窗口划分振动信号,对每段振动信号进行频谱分析,计算其功率谱密度,对比不同窗口内的功率谱密度,区分宽谱冲激部分与自由谐振部分的信号,规避列车激励使声屏障板产生的宽谱冲激所覆盖的时间段,只提取自由谐振部分的信号进行分析处理,用于后续的特征识别分类。
6.根据权利要求1所述的基于DAS的高铁声屏障健康状况实时监测方法,其特征在于,步骤S3中,对正常组数据和故障组数据进行预处理的过程包括以下步骤:
采用基于切比雪夫I型数字滤波器对正常组数据和故障组数据进行滤波,滤除20Hz以下和45Hz以上的噪声;
使用Z-score方法对滤波后的数据进行归一化处理,将数据集中到平均值为0,并将其缩放到标准偏差为1。
7.根据权利要求1所述的基于DAS的高铁声屏障健康状况实时监测方法,其特征在于,步骤S3中,从正常组数据和故障组数据提取相应的基于统计特性的多域特征的过程包括以下步骤:
S31,计算每一组声屏障板对应的标定位置处的各点振动信号的能量值,利用移动平均滤波器对能量值进行平滑处理;
S32,对平滑处理后的能量值进行寻峰操作,找出最大峰值点和峰谷点,找出分别位于最大峰值左右的峰谷值,将左右两处的峰谷设定为该最大峰值对应的分帧区间;
S33,对得到的各个分帧区间提取分别位于时域、频域和信息域的6个特征值;其中,从时域提取最大值、方差、均方根值;从频域提取频率标准差;从信息域提取功率谱熵、奇异谱熵特征。
8.根据权利要求1所述的基于DAS的高铁声屏障健康状况实时监测方法,其特征在于,步骤S4中,采用基于马氏距离的K近邻分类算法,对提取到的实时振动信号的多域特征进行识别分类的过程包括以下步骤:
将振动信号样本的6个特征值组成向量x=(x1,x2,x3,x4,x5,x6),其中x1是振动信号样本的最大值,x2是振动信号样本的方差,x3是振动信号样本的均方根值,x4是振动信号样本的频率标准差,x5是振动信号样本的功率谱熵,x6是振动信号样本的奇异谱熵;计算得到已知的正常板振动信号总体的均值向量μn=(μn1,μn2,μn3,μn4,μn5,μn6)和协方差矩阵∑n,其中μn1是正常板振动信号总体的最大值的均值,μn2是正常板振动信号总体的方差的均值,μn3是正常板振动信号总体的均方根值的均值,μn4是正常板振动信号总体的频率标准差的均值,μn5是正常板振动信号总体的功率谱熵的均值,μn6是正常板振动信号总体的奇异谱熵的均值;计算得到已知的故障板振动信号总体的均值向量μf=(μf1,μf2,μf3,μf4,μf5,μf6)和协方差矩阵∑f,其中μf1是故障板振动信号总体的最大值的均值,μf2是故障板振动信号总体的方差的均值,μf3是故障板振动信号总体的均方根值的均值,μf4是故障板振动信号总体的频率标准差的均值,μf5是故障板振动信号总体的功率谱熵的均值,μf6是故障板振动信号总体的奇异谱熵的均值;
将与实时振动信号样本的马氏距离最小的声屏障板样本类别作为振动信号位置对应的声屏障板的类别,如果属于故障板类别,则报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210903257.2A CN115112763A (zh) | 2022-07-28 | 2022-07-28 | 一种基于das的高铁声屏障健康状况实时监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210903257.2A CN115112763A (zh) | 2022-07-28 | 2022-07-28 | 一种基于das的高铁声屏障健康状况实时监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115112763A true CN115112763A (zh) | 2022-09-27 |
Family
ID=83334188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210903257.2A Pending CN115112763A (zh) | 2022-07-28 | 2022-07-28 | 一种基于das的高铁声屏障健康状况实时监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115112763A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117031531A (zh) * | 2023-08-04 | 2023-11-10 | 华东交通大学 | 一种声屏障防倒塌监测方法及其监测装置 |
CN117290670A (zh) * | 2023-11-27 | 2023-12-26 | 南京中鑫智电科技有限公司 | 一种基于增强滤波器算法的变压器套管绝缘状态估计方法 |
-
2022
- 2022-07-28 CN CN202210903257.2A patent/CN115112763A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117031531A (zh) * | 2023-08-04 | 2023-11-10 | 华东交通大学 | 一种声屏障防倒塌监测方法及其监测装置 |
CN117031531B (zh) * | 2023-08-04 | 2024-04-26 | 华东交通大学 | 一种声屏障防倒塌监测方法及其监测装置 |
CN117290670A (zh) * | 2023-11-27 | 2023-12-26 | 南京中鑫智电科技有限公司 | 一种基于增强滤波器算法的变压器套管绝缘状态估计方法 |
CN117290670B (zh) * | 2023-11-27 | 2024-01-26 | 南京中鑫智电科技有限公司 | 一种基于增强滤波器算法的变压器套管绝缘状态估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115112763A (zh) | 一种基于das的高铁声屏障健康状况实时监测方法 | |
CN105241660B (zh) | 基于健康监测数据的高铁大型桥梁性能测试方法 | |
CN106006344B (zh) | 扶梯故障在线预警***及故障诊断方法 | |
CN107256635B (zh) | 一种智能交通中基于分布式光纤传感的车辆识别方法 | |
CN103335617B (zh) | 一种基于振动信号的铁路钢轨几何形变检测方法 | |
CN113077005B (zh) | 一种基于lstm自编码器和正常信号数据的异常检测***及方法 | |
CN112660745B (zh) | 托辊故障智能诊断方法、***及可读存储介质 | |
CN104665849A (zh) | 一种基于多生理信号多模型交互的高铁调度员应激检测方法 | |
CN105489019B (zh) | 一种基于双音频信号采集的分车型的交通流量监测*** | |
CN102778358A (zh) | 故障预测模型建立方法及***、风机监测预警***及方法 | |
CN105203645A (zh) | 一种基于振动信号融合的高速道岔裂纹伤损智能检测方法 | |
CN112504673A (zh) | 基于机器学习的托辊故障诊断方法、***及存储介质 | |
CN114613116B (zh) | 防外破预警方法、装置、设备及存储介质 | |
CN112985574B (zh) | 基于模型融合的光纤分布式声波传感信号高精度分类识别方法 | |
CN113298134A (zh) | 一种基于bpnn的风机叶片远程非接触健康监测***和方法 | |
CN105806637A (zh) | 一种轨道车辆通用的测试*** | |
CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测***及方法 | |
CN104442840A (zh) | 一种弓网燃弧发生时牵引电流扰动量的获取方法及燃弧检测装置 | |
CN115758289A (zh) | 一种基于多任务学习神经网络的钢轨波磨识别方法 | |
CN112362214A (zh) | 一种皮带张力在线识别的方法和*** | |
CN116910879A (zh) | 一种随机车载作用下桥梁斜拉索的索力异常诊断方法及装置 | |
US20230024104A1 (en) | Identification of false transformer humming using machine learning | |
CN112660746B (zh) | 基于大数据技术的托辊故障诊断方法、***及存储介质 | |
CN106338664B (zh) | 一种列车变流器故障诊断方法和装置 | |
CN101626270A (zh) | 光电复合缆外部安全预警定位***进行事件预警与分类的方法 |
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 |