CN101701845B - 一种机车车轮运行状态的识别方法 - Google Patents

Abstract

本发明公开的一种机车车轮运行状态的识别方法，把激光器固定在轨道侧面，正对激光器在轨道同侧放置等高的光电探测器，使激光器和光电探测器精确对准，激光光斑在光电探测器上合理成像；启动激光器和光电探测器，光电探测器输出激光光斑的图像信号；信号处理和数据采集电路对图像信号进行处理和采集得到相对振动的位置信号，并将位置信号上传给PC机；使用已有样本数据对神经网络进行训练，得到期望的诊断网络；PC机对位置信号处理后得到神经网络的输入信号，神经网络诊断后输出相对应的诊断结果，根据神经网络的输出信号与机车车轮运行状态之间的对应关系，得到机车车轮的运行状态。本发明识别方法，实现了对轨道振动的高精度非接触式测量。

Description

一种机车车轮运行状态的识别方法

技术领域

本发明属于系统检测技术领域，具体涉及一种机车车轮运行状态的识别方法。

背景技术

随着有轨机车向高速化和重载化方向的发展，致使机车运行时轮轨之间的作用力加强，机车和轮轨之间的振动加剧，最终导致车轮和轨道出现损坏性故障，影响机车的安全运行。因此对机车车轮可能出现的常见故障进行在线识别和诊断，在减小机车车轮损伤、减少机车出轨等方面具有重大的意义。对车轮故障的检测，可以通过对机车运行时轮轨之间由于相互作用而产生的相对振动情况进行相应的分析和判断。

目前对机车的故障检测主要集中在机车运行过程中不断检测机车的运行状态及机车车辆、电器和机械方面的故障，如我国的红外线轴温监控系统。除此之外，还有很多用于机车安全监测诊断的设备正在试用之中。如：车载的机车车辆轴温报警器、机车电器电路检测与故障诊断装置、电气化铁路接触网检测诊断、钢轨探伤、落石自动报警等。

此外有过采用电阻应变片对轨道振动测量进行接触式测量的方法，但由于存在接触力，使得这种测量方法精度不高、误差大，且测试手段繁琐。近年来随着光电探测技术的发展，非接触测量开始应用于铁轨振动测量中。

发明内容

本发明的目的是提供一种机车车轮的运行状态识别方法，解决了现有检测方法精度不高，现有测量仪器结构复杂的问题。

本发明所采用的技术方案是，一种机车车轮运行状态的识别方法，具体按照以下步骤实施：

步骤1：把激光器固定在轨道侧面，正对激光器在轨道同侧放置光电探测器，使激光器和光电探测器精确对准，并使得激光光斑可以在光电探测器上成像；

步骤2：启动激光器和光电探测器，激光器的出射光照射在光电探测器上得到轨道振动的图像信号，光电探测器输出图像信号给信号处理和数据采集电路；

步骤3：信号处理和数据采集电路对步骤2得到的图像信号进行处理和采集得到相对振动的位置信号，并将位置信号上传给PC机；

步骤4：使用已有样本数据对神经网络进行训练，得到期望的诊断网络，实现故障特征向量与机车车轮运行状态的非线性映射；

步骤5：PC机对步骤3得到的位置信号进行处理得到神经网络的输入信号，由神经网络对输入信号进行诊断，输出相对应的故障特征向量，根据步骤4中故障特征向量与机车车轮运行状态之间的关系，得到机车车轮的运行状态。

本发明的特点还在于，

其中的步骤3中，信号处理和数据采集电路对图像信号进行处理和采集得到位置信号，具体按照以下步骤实施：

a.在驱动脉冲作用下，光电探测器输出U₀信号，信号处理电路将U₀信号经放大、去噪、二值化处理后得到二值化方波脉冲；

b.设二值化方波脉冲的前沿对应于光斑最高点N₁，后沿对应于光斑最低点N₂，光斑的中心值N(t)为：

N(t)＝(N₁+N₂)/2

设轨道在没有受到机车的冲击时的初始位置为N(t)＝N(0)，当光电探测器的积分时间远小于轨道振动周期时，光电探测器不断地输出激光光斑成像在光电探测器像面上得到的不同位置的图像信号U₀，将图像信号U₀经二值化处理得到每个积分时间的二值化方波信号，并经二值化数据采集电路得到该积分时间的轨道位置N(t)值，则激光器和光电探测器之间由于轨道振动而产生的相对位移量S(t)为：

S(t)＝l[N(t)-N(0)]

式中：l：为光电探测器两相邻像元的中心距。

其中的步骤4中，对神经网络进行训练得到期望的诊断网络，实现故障特征向量与机车车轮运行状态的非线性映射，具体按照以下步骤实施：

基于一定数量的训练样本集对神经网络进行学习训练，得到期望的诊断网络，根据样本信号的小波包分解层次确定神经网络的输入层节点个数，对样本信号进行N层小波包分解，则神经网络的输入层节点个数为2^N，根据机车车轮故障类型个数m确定神经网络的输出层节点个数，设机车车轮的运行状态有正常、擦伤、失圆、偏心四种，则神经网络的输出层节点个数为4，其中神经网络输出信号与机车车轮的运行状态的期望对应关系为：

神经网络的输出信号为{1，0，0，0}，则机车车轮的运行状态为正常；

神经网络的输出信号为{0，1，0，0}，则机车车轮的运行状态为擦伤；

神经网络的输出信号为{0，0，1，0}，则机车车轮的运行状态为失圆；

神经网络的输出信号为{0，0，0，1}，则机车车轮的运行状态为偏心。

其中的步骤5中，PC机对得到的位置信号进行处理得到神经网络的输入信号，具体按照以下步骤实施：

a.小波包分解，首先将采样信号进行N层小波包分解，分别提取最后一层从低频到高频2^N个成分的信号特征，设S代表原始信号，用(N，i)表示小波包分解树中最后一层的第i个节点，其中i＝0，1，…2^N-1，设该节点的小波包分解系数为X_N，i；

b.小波包分解系数重构，提取各频率范围的信号，以S_N，i表示X_N，i的重构信号，则总信号S可以表示为：

$S=S_{N,0}+S_{N,1}+...+S_{N,2^N-1}$

c.提取各频段信号的能量，设S_N，i对应的能量为E_N，i，则：

$E_{N,i}=\∫{\left|S_{N,i}\right|}^2\mathrm{dt}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left|x_{i,k}\right|}^2$

式中x_i，k为重构信号S_N，i的离散点幅值；

d.特征向量的构成，以各频带的能量为元素，构造特征向量

$E^{\′}=[E_{N,0},E_{N,1},...E_{N,2^N-1}]$

e.将特征向量输入训练好的神经网络，由神经网络对输入信号进行诊断，输出相对应的诊断结果，根据步骤4中神经网络的输出信号与机车车轮的运行状态之间的对应关系，得到机车车轮的运行状态。

本发明机车车轮运行状态的识别方法的有益效果是，将光电探测器所测得的振动信号经处理后采集到计算机中，首先利用小波变换提取信号的能量特征向量，并将该向量作为神经网络的输入向量，经训练好的神经网络处理后，输出机车车轮的各种状态或故障。

附图说明

图1为本发明机车车轮运行状态的识别方法中振动测量波形图；

图2为本发明机车车轮运行状态的识别方法的流程图。

具体实施方式

下面结合具体实施方式对本发明进行详细说明。

当机车的车轮出现故障时，光电探测器所测的振动信号的能量空间分布，与正常状态下所测的振动信号的能量空间分布相比会发生相应的变化。利用小波变换在多层分解后的不同频带内分析振动信号，某种或某几种频率成分的改变即代表了某种故障。但是小波分解中提取的信号能量特征向量和故障之间的对应关系是一种复杂的非线性映射，用常规方法不易实现，这就需采用神经网络技术来完成。使用此方法对测量装置中光电探测器的输出信号进行分析处理后与相应的机车车轮状态或故障对应起来。

将激光器固定在轨道的侧面，正对激光器在轨道的侧面放置光电探测器，使激光器和光电探测器精确对准，并使得激光光斑可以在光电探测器上成像。在激光照射条件下，光电探测器输出一系列与感光信息相关的信号。由于光电探测器不同位置感光强度的不同，致使光电探测器不同位置输出的信号大小也不相同。这样，激光光斑在光电探测器上的成像将随着轨道振动而改变位置。

当轨道受激振动时，激光光斑在光电探测器的像敏单元阵列上也会产生振动。当光电探测器的积分时间远小于轨道振动周期时，光电探测器不断地输出光斑成像在光电探测器像面上不同位置的信号。不同的位置信号和振动零点的差值反映了被测振动的幅度，而其周期的变化则反映了被测振动的频率的变化。因此，激光器和光电探测器关于被测轨道的相对振动曲线包含了机车运行过程中由轮轨的相互作用而产生的振动的信号丰富特征。

当机车车轮出现故障时，振动信号能量的空间分布与正常状态下的振动信号相比会发生相应的变化，即振动信号的能量改变包含着丰富的故障特征信息。因此从能量在各个子空间的分布来提取故障信息特征，即利用小波包变换在多层分解后的不同频带内分析振动信号，可以使得本不明显的信号频率特征以显著的能量变化的形式表现出来。并可以与正常状态下振动信号的能量分布相比较，提取反映系统故障的特征信息。

本发明一种机车车轮运行状态的识别方法，如图2所示，具体按照以下步骤实施：

步骤1：把激光器固定在轨道的侧面，正对激光器几十厘米处在轨道的同侧放置光电探测器，并使激光器和光电探测器精确对准，使得激光光斑可以在光电探测器上合理成像。

步骤2：启动激光器和光电探测器，激光器的出射光照射在光电探测器上得到轨道振动的图像信号，光电探测器输出图像信号给信号处理和数据采集电路。

激光器和光电探测器由于等高度放置，激光器的出射光斑经过衰减后照射在光电探测器光敏像元的范围内，在激光照射条件下，光电探测器输出一系列与感光信息相关的信号。由于光电探测器不同位置感光强度的不同，致使光电探测器不同位置输出的信号大小也不相同，感光强的位置输出信号值较大，而感光弱的位置输出信号则较小。这样，激光光斑在光电探测器上的成像将随着轨道振动而改变位置。将激光光斑的成像的不同位置组合起来，就是激光器和光电探测器关于被测轨道的相对振动曲线。

步骤3：信号处理和数据采集电路对得到的图像信号进行处理得到相对振动的位置信号，将位置信号上传给PC机，处理和采集过程具体按照以下步骤实施：

(1)如图1所示，在驱动脉冲作用下，光电探测器输出图像信号，信号处理电路将图像信号经放大、去噪、二值化等处理后得到二值化方波脉冲；

(2)在二值化方波脉冲中填入控制光电探测器信号输出的高频时钟脉冲，通过对所填充的高频时钟脉冲数进行计数的方法来提取位置信息。由光电探测器行同步脉冲控制计数器计每行的标准脉冲数，如当标准脉冲为光电探测器的像元采样脉冲时，计数器某时刻的计数值为光电探测器在此刻输出像敏单元的位置序号值。将此时刻计数器所存的数值用锁存器锁存，便得到对应时刻的光电探测器特征像元的位置。

设轨道在没有受到机车的冲击时的初始位置为N(t)＝N(0)，当轨道受激振动时，激光光斑在光电探测器的像敏单元阵列上也会产生振动。当光电探测器的积分时间远小于轨道振动周期时，光电探测器不断地输出光斑成像在光电探测器像面上不同位置的图像信号U₀。将图像输出信号U₀经二值化处理电路得到每个积分时间的二值化方波信号，在阈值相同的情况下，二值化方波在不同的振动位置上其宽度是相同的，但在每个信号周期中所处的位置是不同的。其不同的位置和振动零点的差值反映了被测振动的幅度，而其周期的变化则反映了被测振动的频率的变化。因此，被测振动曲线的特征在二值化方波中有着直观的体现。

二值化方波信号经数据采集电路得到该积分时间的轨道位置N(t)值。二值化方波脉冲的前沿对应于光斑最高点N₁，而后沿对应于光斑最低点N₂，光斑的中心值N(t)应为：

N(t)＝(N₁+N₂)/2       (1)

N(t)值与激光器和光电探测器之间由于轨道振动而产生的相对位移量S(t)的关系为：

S(t)＝l[N(t)-N(0)]    (2)

式中：l：为光电探测器两相邻像元的中心距；

连续采集一段时间，得到一系列S(t)值，将这些S(t)值按光电探测器的光积分时间展开，便得到激光器和光电探测器之间的相对振动波形图。

步骤4：使用已有样本数据对神经网络进行训练，得到期望的诊断网络。即神经网络实现故障特征向量与机车车轮运行状态的非线性映射。具体按照以下步骤实施：

基于一定数量的训练样本集对神经网络进行学习训练，得到期望的诊断网络。根据样本信号的小波包分解层次确定神经网络的输入层节点个数，对样本信号进行N层小波包分解，则神经网络的输入层节点个数为2^N，根据机车车轮故障类型个数m确定神经网络的输出层节点个数，设机车车轮的运行状态有正常、擦伤、失圆、偏心四种，则神经网络的输出层节点个数为4，其中神经网络输出信号与机车车轮的运行状态的期望对应关系如表1所示：

表1神经网络的输出信号与机车车轮运行状态的对应关系

步骤5：PC机对位置信号进行处理得到神经网络的输入信号，由神经网络对输入信号进行诊断，输出相对应的诊断结果。根据步骤4中神经网络的输出信号与机车车轮运行状态之间的对应关系，得到机车车轮的运行状态。

具体按照以下步骤实施：

(1)小波包分解。首先将采样信号进行N层小波包分解，分别提取最后一层从低频到高频2^N个成分的信号特征。设S代表原始信号，用(N，i)表示小波包分解树中最后一层的第i个节点，其中i＝0，1，…2^N-1，设该节点的小波包分解系数为X_N，i。

(2)小波包分解系数重构，提取各频率范围的信号。以S_N，i表示X_N，i的重构信号，则总信号S可以表示为：

$S=S_{N,0}+S_{N,1}+...+S_{N,2^N-1}---\left(3\right)$

(3)提取各频段信号的能量。设S_N，i对应的能量为E_N，i，则：

$E_{N,i}=\∫{\left|S_{N,i}\right|}^2\mathrm{dt}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left|x_{i,k}\right|}^2---\left(4\right)$

式中x_i，k为重构信号X_N，i的离散点幅值。

(4)特征向量的构成。以各频带的能量为元素，构造特征向量

$E^{\′}=[E_{N,0},E_{N,1},...E_{N,2^N-1}]---\left(5\right)$

(5)将特征向量输入训练好的神经网络，神经网络对系统进行诊断，输出相对应的诊断结果。根据步骤4中神经网络的输出信号与机车车轮的运行状态之间的关系，得到机车车轮的运行状态。

本发明机车车轮运行状态的识别方法，将光电探测器探测的振动信号经处理后采集到计算机中，首先利用小波变换提取信号的能量特征向量，并将该向量作为训练好的神经网络的输入向量，经神经网络诊断后，输出相对应的诊断结果。根据神经网络的输出信号与机车车轮的运行状态之间的对应关系，得到机车车轮的各种状态或故障。克服了外界振动的干扰(如地基振动、电磁干扰等)，利用激光器和光电探测器之间的相对位移变化来反映轨道的振动状态，实现了对轨道振动的高精度非接触式测量。

Claims (4)

1.一种机车车轮运行状态的识别方法，其特征在于，具体按照以下步骤实施：

步骤1：把激光器固定在轨道侧面，正对激光器在轨道同侧放置光电探测器，使激光器和光电探测器精确对准，并使得激光光斑可以在光电探测器上成像；

步骤2：启动激光器和光电探测器，激光器的出射光照射在光电探测器上得到轨道振动的图像信号，光电探测器输出图像信号给信号处理和数据采集电路；

步骤3：信号处理和数据采集电路对步骤2得到的图像信号进行处理和采集得到相对振动的位置信号，并将位置信号上传给PC机；

步骤4：使用已有样本数据对神经网络进行训练，得到期望的诊断网络，实现故障特征向量与机车车轮运行状态的非线性映射；

步骤5：PC机对步骤3得到的位置信号进行处理得到神经网络的输入信号，由神经网络对输入信号进行诊断，输出相对应的故障特征向量，根据步骤4中故障特征向量与机车车轮运行状态之间的关系，得到机车车轮的运行状态。

2.     根据权利要求1所述的机车车轮运行状态的识别方法，其特征在于，所述步骤3中，信号处理和数据采集电路对图像信号进行处理和采集得到位置信号，具体按照以下步骤实施：

a. 在驱动脉冲作用下，光电探测器输出图像信号                                                

，信号处理电路将图像信号

经放大、去噪、二值化处理后得到二值化方波脉冲；

b. 设二值化方波脉冲的前沿对应于光斑最高点

，后沿对应于光斑最低点

，光斑的中心值

为：

设轨道在没有受到机车的冲击时的初始位置为

，当光电探测器的积分时间远小于轨道振动周期时，光电探测器不断地输出激光光斑成像在光电探测器像面上得到的不同位置的图像信号

，将图像信号经二值化处理得到每个积分时间的二值化方波信号，并经二值化数据采集电路得到该积分时间的轨道位置

值，则激光器和光电探测器之间由于轨道振动而产生的相对位移量

为：

式中：

为光电探测器两相邻像元的中心距。

3.    根据权利要求1所述的机车车轮运行状态的识别方法，其特征在于，所述步骤4中，对神经网络进行训练得到期望的诊断网络，实现故障特征向量与机车车轮运行状态的非线性映射，具体按照以下步骤实施：

基于一定数量的训练样本集对神经网络进行学习训练，得到期望的诊断网络，根据样本信号的小波包分解层次确定神经网络的输入层节点个数，对样本信号进行

层小波包分解，则神经网络的输入层节点个数为

，根据机车车轮故障类型个数m确定神经网络的输出层节点个数，设机车车轮的运行状态有正常、擦伤、失圆、偏心四种，则神经网络的输出层节点个数为4，其中神经网络输出信号与机车车轮的运行状态的期望对应关系为：

神经网络的输出信号为{1,0,0,0}，则机车车轮的运行状态为正常；

神经网络的输出信号为{0,1,0,0}，则机车车轮的运行状态为擦伤；

神经网络的输出信号为{0,0,1,0}，则机车车轮的运行状态为失圆；

神经网络的输出信号为{0,0,0,1}，则机车车轮的运行状态为偏心。

4.     根据权利要求1所述的机车车轮运行状态的识别方法，其特征在于，所述步骤5中，PC机对得到的位置信号进行处理得到神经网络的输入信号，具体按照以下步骤实施：

a. 小波包分解，首先将采样信号进行

层小波包分解，分别提取最后一层从低频到高频

个成分的信号特征，设

代表原始信号，用

表示小波包分解树中最后一层的第

个节点，其中

设该节点的小波包分解系数为

；

b. 小波包分解系数重构，提取各频率范围的信号，以

表示

的重构信号，则总信号

可以表示为：

              

             

c. 提取各频段信号的能量，设对应的能量为

，则：

式中为重构信号

的离散点幅值；

d. 特征向量的构成，以各频带的能量为元素，构造特征向量

         

e. 将特征向量输入训练好的神经网络，由神经网络对输入信号进行诊断，输出相对应的诊断结果，根据步骤4中神经网络的输出信号与机车车轮的运行状态之间的对应关系，得到机车车轮的运行状态。

Images