CN101900708B - 一种基于振动和声频信号的高速列车轨道伤损探测方法 - Google Patents

Abstract

一种基于振动和声频信号的高速列车轨道伤损探测方法，属于信号检测与处理及安全监测领域，它解决了现有列车轨道探伤存在的探测速度慢、探伤方法单一的问题。所述方法为：一、通过设置在列车轨道测试点上的传感器采集列车轨道的振动信号和声频信号；二、分别提取振动和声频信号所包含的信息特征；三、采用非线性相关分析方法分别获得振动信号非线性相关曲线和声频信号的非线性相关曲线；四、分别分析步骤三获得的两条非相关性曲线信息，分别获得两条非线性相关系数曲线的最小值；五、将两个最小值及其对应的信息进行数据融合，获得损伤系数

，根据该系数查表获得损伤程度。本发明适用于铁路列车轨道伤损探测及列车运行安全监测。

Description

一种基于振动和声频信号的高速列车轨道伤损探测方法

技术领域

本发明涉及列车安全信号检测与处理及安全行驶监测技术，具体涉及一种基于振动和声频信号的列车轨道伤损探测方法。

背景技术

随着高速铁路的快速发展，传统的超声伤损探测技术由于伤损探测速度的限制无法满足高速铁路的探伤要求，需求探索新型高速铁路探伤技术。

钢轨在使用的过程中，会发生折断、裂纹及其它影响和限制钢轨使用性能的伤损形式，即为钢轨伤损。钢轨伤损的种类很多，常见的有磨耗、剥离及轨头核伤、轨腰螺孔裂纹等。钢轨伤损是断轨的主要原因，是影响行车安全的重要隐患，列车出轨事故主要由钢轨断裂产生。列车在加速和制动过程中以及通过钢轨接缝、弯道和道岔时，对钢轨造成强烈的摩擦、挤压、弯曲和冲击作用，它们的长期反复作用，钢轨极易产生疲劳裂纹，裂纹一旦产生就易于快速扩展，从而造成钢轨折断等重大恶性事故。高速列车对钢轨的摩擦、挤压、弯曲和冲击等力作用更加突出，因此高速铁路钢轨更容易产生裂纹，而且从裂纹发展到钢轨断裂的速度更快。为了保证高速铁路的安全运行，必须缩短高速铁路的检测周期，同时由于高速铁路的行车密度大、车速高，传统的探伤速度很难满足高速铁路的需求。

目前基于超声波的钢轨探伤依然是在轨探伤的主要设备，绝大多数研究集中在如何对现有超声探伤仪的检测速度的提高和功能增强上。

国外钢轨探伤主要使用大型探伤车，小型设备一般只用来复查大型探伤车的检测结果。探伤车探伤速度大多在20-50km/h。德国、美国、法国、澳大利亚、俄罗斯等国都可以设计和生产钢轨探伤车，比较典型的如美国Pandrol Jackson公司的SYS1000。Sperry公司研制的钢轨探伤车，具有超声和磁感两个互补的测试系统，既可以连续探伤，也可以停顿探伤，该车的缺陷探测的可靠性大于90%。Harsco公司的新系统10K利用了最新的技术，使探伤更迅速、更灵活，两项新技术分别是：利用阵列技术的自动对中技术和利用侧打换能器来探测轨头垂直劈裂。Dapco公司研制的探伤车将高速计算机和模式识别与分类方面的人工智能技术结合在一起，同时利用全球定位系统使缺陷的定位更准确。俄罗斯近几年研制了“ABNKOH-01”型超声波探伤车，它从发声原理、接收和判伤方法与俄旧式探伤车不同，能较好地检出螺孔裂纹和轨底疲劳裂纹，该型号探伤车将逐步替代俄旧式探伤车。一些针对于高速铁路伤损探测的新技术也已在欧美一些高等学校开始探索性研究工作，如美国宾夕法尼亚州立大学和英国帝国理工学院等开展的低频表面波裂纹伤损检测和激光超声检测技术等。

在我国，铁路是最早开展无损检测工作的部门之一，1950年铁道部引进瑞士生产的共振式超声波探伤仪检查钢轨，是公认的我国超声波探伤的开端。经过50多年的努力，钢轨探伤已取得长足发展，经国内与国外合作，己经能生产大型探伤车，并开发研制了一系列探伤小车，还先后制定了钢轨探伤仪和专用探头的技术条件以及钢轨探伤管理规则等。

目前，我国钢轨的探伤主要采用超声波检测方法，设备主要有大型探伤车和小型探伤仪。存在的主要问题有：(1)手推式人工探伤小车探伤作业效率低。其检测速度一般为2~3mk/h，每天的作业量为一个区间(一般为7-10km)。这种手推式探伤小车，探伤速度太低，不能适应高速运营要求；(2)手工钢轨探伤作业方式需要投入大量的人力；(3)与手推式钢轨探伤小车相比，进口大型探伤车检测轨头核伤的灵敏度要低10dB左右，检出率低，误判率高。

而随着列车速度的提高，核伤成为影响运输安全的巨大隐患，对核伤的检出变得更为重要。欧美等国钢轨中的核伤主要是由于白点造成的，核伤主要存在于钢轨轨头中央；而我国钢轨的核伤主要是由于夹杂和表面擦伤等引起的，又多存在于轨头内侧，现有探伤设备很难检测。

傅立叶变换是传统的信号分析方法，是一种全局的变换，所处理的信号需要满足线性、平稳性和Dirichlet等条件。而对于非平稳信号，目前较常用的分析方法有短时傅立叶变换、Wigner-Ville分布、小波分析等，它们都是以傅立叶变换为基础发展起来的，因此同样受到傅立叶变换局限性的影响。短时傅立叶变换算法简单，但依赖于传统的傅立叶谱分析，并且窗函数尺寸固定，所以必须假设待分析数据是分段平稳的，而这种假设一般很难被证明；Wigner-Ville分布克服了短时傅立叶变换的部分缺点，但在分析多分量信号时，存在着严重的干扰项，限制了其使用范围；小波分析实际上是一种可调窗的傅立叶谱分析方法，是目前流行的非平稳随机信号分析方法，但由于小波分析的结果严重的依赖小波基函数的选取，因此不同的信号往往需要采用不同的小波基函数，从而限制其有效地应用。

希尔伯特-黄变换（Hilbert-Huang Transform-HHT）是1998年由在NASA工作的美籍华人科学家Norden E.Huang提出的一种依据数据本身的时间尺度特征来对信号进行分解的方法，与傅立叶及小波等依赖于先验函数基的分解方法相比，有效地克服了傅立叶变换中测不准原理的限制，更适用于处理非线性、非平稳信号，从而可以获得信号任意时刻的频率分布，提供更高的时频域分辨能力。

HHT认为任何信号都是由基本信号——本征模态函数(Intrinsic Mode Function-IMF)相互叠加组成。基于这样的思想，提出信号分析或特征提取可以分成两个步骤，即

经验模态分解(Empirical Mode Decomposition-EMD)：就是把复杂的信号用经验模态分解方法分解成若干个IMF；

希尔伯特谱分析（Hilbert Spectrum Analysis-HSA）：对IMF进行变换，得到每一个随时间变化的瞬时频率和振幅，虽后求得时间-频率-振幅的三维谱分布，称为Hilbert谱。

这一方法已在实际中得到了有效的应用，其信号分解过程由信号本身驱动，具有完全自适应性，并且分解所得的IMF分量信号具有物理可实现性，更符合客观世界的实际情况。

由于HHT面对非线性非平稳信号，因此在分类时需要进行非线性相关分析。相关性分析一直以来是数据分析、故障诊断的常用方法。最常用的是线性相关系数，然而线性相关系数只能精确度量变量之间的线性相关程度，这就意味着即使变量X、Y有着强的非线性相关性（二次关系），度量结果仍存在ρ_XY＝0。因此，人们采用互信息（Mutual Information，MI）来度量变量之间的非线性相关性。互信息是一种广义的相关性度量方法，它可以描述任何的相互关系，既包括线性的，也包括非线性的。但是，从互信息的定义中可以看出，它的值并不是在一个确定的闭区间内，这一点与相关系数表示线性相关性的方式不同，相关系数以闭区间[0，1]中的值来表示两个变量间线性相关的程度，其中0表示最弱的线性相关，1表示最强的。因此，考虑两个离散变量X和Y，变量取值的个数设为N，该值通常由可以获得的数据的量来确定；变量可取的状态数设为b。状态的分布由以下的方式来确定：

1)将变量X和Y的数据分别按大小顺序排列；

2)变量对X和Y分布网格划分为b个N/b个值组成的状态；

3)将变量对X和Y(x₁,y₁)，……，(x_N,y_N)放入b×b的二维状态格中。

经过以上处理之后，对于变量X和Y的任意状态i，其概率为p_i＝N/b/N=b^-1，变量X和Y的联合概率为p_i,j=n_ij/N，其中n_ij是在第ij个二维状态格中变量对的个数。则非线性相关系数定义为：

I^r(X;Y)=H^r(X)+H^r(Y)-H^r(X,Y)    (1)

其中，H^r(X)为变量X改进的信息熵，其定义如下：

$H^r\left(X\right)=-\underset{i=1}{\overset{b}{\mathrm{\Σ}}}{p}_i{\log }_b{p}_i---\left(2\right)$

发明内容

本发明针对于高速列车铁轨损伤的存在性和程度判断困难的问题，通过结合经验模态分解和相关性分析，提出一种自适应的快速诊断方法，即基于振动和声频信号HHT分析和瞬时频率特征提取的高速列车轨道探伤方法。本发明的目的是通过以下具体方法实现的：

步骤一：采集振动传感器和声频传感器采集到的振动信号和声频信号，并分别进行滤波处理，得到反映轨道伤损、轨道固有频率以及与列车运行相关的振动信号和噪声信号；

所述振动传感器和声频传感器安装在待检测的列车轨道段中的测试点位置，所述振动传感器和声频传感器分别用于采集列车轨道的振动信号和声频信号，

步骤二：采用信号分解或频率分析方法，提取振动和声频信号所包含的各种与伤损、振动及噪声相关的信息特征，分别获得振动信号特征信息C_v和声频信号特征信息C_a，进而获得振动信号的IMF矩阵C_vj(t),j=1,…,n₂和声频信号的IMF矩阵C_ai(t),i＝1,…,n₁；IMF即为本征模态函数；

步骤三：采用非线性相关分析方法分别分析步骤二获得的振动信号的IMF矩阵C_vj(t)和监督振动信号的IMF矩阵

声频信号的IMF矩阵C_ai(t)与监督声频信号的IMF矩阵

分别获得振动信号的非线性相关系数曲线

和声频信号的非线性相关系数曲线

所述的监督振动信号的IMF矩阵

是指对列车轨道无伤情况下采集获得的振动信号进行经验模态分解之后获得的IMF矩阵；所述的监督声频信号的IMF矩阵

是指对列车轨道无伤情况下采集获得的声频信号进行经验模态分解之后获得的IMF矩阵；

步骤四、分别分析步骤三获得的两条非线性相关曲线信息，分别获得两条非线性相关系数曲线的最小值，获得振动信号的非线性相关系数最小值

和声频信号的非线性相关系数最小值

步骤五、将获得的振动信号的非线性相关系数最小值所对应的IMF矩阵中的信息、和声频信号的非线性相关系数最小值

所对应的IMF矩阵中的信息进行数据融合，获得损伤系数δ；在经验列车轨道的铁轨伤存在程度表中查询获得与获得的损伤系数δ最接近的数据，最终确定待检测的列车轨道段的损伤程度；

在步骤二中对采用信号的分解方法采用经验模态分解EMD的方法，具体过程为：

将待分解的振动信号或声频信号用x(t)表示，

根据筛选程序获取输入信号x(t)经过第n次经验模态分解的剩余趋势函数中经过第k次筛选后的剩余函数h_nk(t)的过程为：

步骤c1、利用三次样条函数获取输入信号x(t)经过第n次经验模态分解的剩余趋势函数中经过第k-1次筛选后的剩余函数h_n(k-1)(t)的上、下包络；

步骤c2、计算所述剩余函数h_n(k-1)(t)上、下包络曲线在各个t的均值

步骤c3、获取输入信号x(t)经过第n次本征模态函数分解的剩余趋势函数中经过第k次筛选后的剩余函数 $h_{\mathrm{nk}}\left(t\right)=h_{n(k-1)}\left(t\right)-{\stackrel{\‾}{m}}_{n(k-1)}\left(t\right);$

当所述x(t)代表振动信号时，获得的h_nk(t)就是振动信号的IMF矩阵C_vj(t)，j即为分解次数n₂；

当所述x(t)代表声频信号时，获得的h_nk(t)就是声频信号的IMF矩阵C_ai(t)，i即为分解次数n₁。

针对于如何解决高速轮轨列车的伤损探测问题，我们注意到：

列车轮轨和轨道相互作用既有滚动又有摩擦，是一个较为复杂的耦合动力学问题。列车行进时，由于轨道的不平顺、铁轨的接头、经过的桥梁、轮轨及轨道的磨损和伤损都将造成列车及路轨的振动，这种振动直接反映了造成振动成因的特性，同时结构振动与声辐射也有一定的对应关系。理论上，可以通过有限元和边界元方法建立起振动特性以及声辐射特性与造成振动和声辐射的因素之间的力学关系，这种关系往往是分布的、多维的，是非线性、非平稳过程。

在振动和声场研究方面，可以利用ANSYS、SYSNOISE等大型仿真分析软件建立起振动特性、声频特性与造成其原因的各种因素之间的理论关系模型；可以通过布置于轨道是下方的加速度传感器测量轨道垂直振动信号，可以通过布置于轨道附近的声频传感器测量声频信号，这种声频信号反映了轨道的侧向振动、列车的振动等多种因素的综合信息；将振动和声频传感器沿轨道分段设置，并通过无线传感器网络形式连接起来，可以获取沿路多点的信息；HHT作为一种分析非平稳非线性数据的有效方法，可以有效提取信号的固有模态和瞬时频率。

本发明与现有技术相比的主要优点：

1）本发明采用振动和声频传感器获取铁路轨道伤损信息。

2）本发明所提出的分类方法利用经验模态分解分别对声频信号和振动信号进行分解，能得到不同时间尺度下的本征模态函数，即自适应的得到不同时间尺度下的原始信号的各个状态，更能够反映可能存在的损伤信息。

3）本发明所提出的分类方法有利于非线性数据分析，方法速度快，并结合数据融合算法，有利于本发明方法的推广应用。

本发明的方法的思路是检测轨道的振动和声频信号，去除轨道正常振动和噪声信号，提取、分析钢轨伤损特征，并针对振动和声频信号所体现的不同侧面，利用瞬时频率、信息融合及相关信息熵技术，快速、准确获取钢轨伤损信息。

附图说明

图1为本发明的信号处理流程图；

图2为采集获得的声频信号以及该声频信号的滤波结果；

图3为采集获得的振动信号以及该振动信号的滤波结果；

图4为对图2所示滤波后的声频信号进行EMD分解后获得的前四个IMF分量以及分解残留信号的波形示意图；

图5为对图3所示滤波后的振动信号进行EMD分解后获得的前四个IMF分量以及分解残留信号的波形示意图；

图6为振动信号的非线性相关系数曲线

横坐标表示振动信号的IMF分量的个数j，纵坐标表示权重值v；

图7为声频信号的非线性相关系数曲线

横坐标表示振动信号的IMF分量的个数i，纵坐标表示权重值a。

具体实施方式

具体实施方式一：本实施方式所述的一种基于振动和声频信号的列车轨道伤损探测方法，它包括以下步骤：

步骤一：采集振动传感器和声频传感器采集到的振动信号和声频信号，并分别进行滤波处理，得到反映轨道伤损、轨道固有频率以及与列车运行相关的振动信号和噪声信号；

所述振动传感器和声频传感器安装在待检测的列车轨道段中的测试点位置，所述振动传感器和声频传感器分别用于采集列车轨道的振动信号和声频信号，

步骤二：采用信号分解或频率分析方法，提取振动和声频信号所包含的各种与伤损、振动及噪声相关的信息特征，分别获得振动信号特征信息C_v和声频信号特征信息C_a，进而获得振动信号的IMF矩阵C_vj(t),j=1,…,n₂和声频信号的IMF矩阵C_ai(t),i＝1,…,n₁；

步骤三：采用非线性相关分析方法分别分析步骤二获得的振动信号的IMF矩阵C_vj(t)和监督振动信号的IMF矩阵

声频信号的IMF矩阵C_ai(t)与监督声频信号的IMF矩阵

分别获得振动信号的非线性相关系数曲线和声频信号的非线性相关系数曲线

步骤四、分别分析步骤三获得的两条非线性相关曲线信息，分别获得两条非线性相关系数曲线的最小值，获得振动信号的非线性相关系数最小值

和声频信号的非线性相关系数最小值

步骤五、将获得的振动信号的相关系数最小值

所对应的IMF矩阵中的信息、和声频信号的相关系数最小值

所对应的IMF矩阵中的信息进行数据融合，获得损伤系数δ；在经验列车轨道的铁轨伤存在程度表中查询获得与获得的损伤系数δ最接近的数据，最终确定待检测的列车轨道段的损伤程度。

本实施方式中，步骤二所述信号分解方法采用经验模态分解实现，具体过程为：

将采集并经过预处理后的振动信号v(t)和声频信号a(t)分别进行经验模态分解，第一层内固模态函数IMF为采集噪声信号，将振动信号残留C_v作为特征信号重新分解得到振动信号的IMF矩阵C_vj(t),j=1,…,n₂，将声频信号残留C_a作为特征信号重新分解得到声频信号的IMF矩阵C_ai(t),i=1,…,n₁。

本实施方式中，步骤三中所述的监督振动信号的IMF矩阵

是指对列车轨道无伤情况下采集获得的振动信号进行经验模态分解之后获得的IMF矩阵；所述的监督声频信号的IMF矩阵是指对列车轨道无伤情况下采集获得的声频信号进行经验模态分解之后获得的IMF矩阵。

本实施方式中，步骤四中所述的振动信号的非线性相关系数曲线

由多个振动信号的非线性相关系数NCC_vj连接而成，所述NCC_vj表示第j个IMF分量对应的非线性相关系数，该系数对应的融合权重值是v；

所述声频信号的非线性相关系数曲线由多个声频信号的非线性相关系数NCC_ai连接而成，所述NCC_ai表示第i个IMF分量对应的非线性相关系数，该系数对应的融合权重值是a；

本实施方式中，所述振动信号的非线性相关系数最小值

为：

${\mathrm{NCC}}_{{\mathrm{vj}}^{*}}=\underset{j}{\min }\left(\mathrm{NCC}(C_{\mathrm{vj}}\left(t\right),{\stackrel{\‾}{C}}_{\mathrm{vj}}\left(t\right))\right)---\left(3\right)$

所述声频信号的非线性相关系数最小值

为：

${\mathrm{NCC}}_{{\mathrm{ai}}^{*}}=\underset{i}{\min }\left(\mathrm{NCC}(C_{\mathrm{ai}}\left(t\right),{\stackrel{\‾}{C}}_{\mathrm{ai}}\left(t\right))\right)---\left(4\right).$

本实施方式中，步骤五中，将获得的振动信号的非线性相关系数最小值

所对应的IMF矩阵中的信息进行数据融合，获得振动信号的融合权重值为

将获得的声频信号的非线性相关系数最小值

所对应的IMF矩阵中的信息进行数据融合获得声频信号的融合权重值为

所述损伤系数δ通过公式

$\mathrm{\δ}={\mathrm{\ω}}_a(1-{\mathrm{NCC}}_{{\mathrm{ai}}^{*}})+{\mathrm{\ω}}_v(1-{\mathrm{NCC}}_{{\mathrm{vj}}^{*}})---\left(5\right)$

获得，其中 $a=\underset{t}{\max }\left(\right|C_{{\mathrm{ai}}^{*}}\left(t\right)\left|\right),$ $v=\underset{t}{\max }\left(\right|C_{{\mathrm{vj}}^{*}}\left(t\right)\left|\right),$

表示求取离散序列最大值，

表示特定尺度对应的声频信号的IMF矩阵中的数据，

表示特定尺度对应的振动信号的IMF矩阵中的数据。

上述实施方式是对某一段待检测列车轨道段的损伤情况的检测方法。当需要对多段列车轨道段进行损伤情况检测时，只需在多段列车轨道段上分别设置测试点，对于每个测试点均可采用上述检测方法获得检测结果。

在工程实践中，可以针对每一个测试点制作一个现场数据采集和分析的装置，实现现场损伤探测，此时，通过传感器采集到的振动信号和声频信号，可以就地在测量单元进行初步的滤波处理，滤波处理可以采用带通滤波器，经过滤波处理的振动和声频信号，根据测量单元的计算处理能力就地进行分析，进而获得探测结果。还可以将传感器采集到的振动信号和声频信号也可通过有线或无线方式送到信息中心或信号采集车，信号处理在信息中心或者信号采集车上进行，该种情况，所述振动传感器和声频传感器可以采用无线传感器网络技术实现数据的有效传输，并可以实现对列车轨道上多个测试点的数据采集和分析，进而获得多个测试点的损伤情况。

具体实施方式二：本实施方式是对具体实施方式一所述的基于振动和声频信号的列车轨道伤损探测方法的进一步说明，步骤一中所述的振动传感器用于采集列车轨道垂直方向的振动信号；所述声频传感器用于采集列车轨道即列车的横向振动及噪声的合成信号。

本实施方式中的振动传感器安装于轨道下方，可以采用加速度传感器实现。

本实施方式中的声频传感器安装于铁路轨道附件上。

当有列车经过安装有上述传感器的测量点时振动和声频信号的幅度会增大，也更能激发出轨道伤损、轨道与列车振动以及噪声等信号特征。

具体实施方式三：本实施方式是对具体实施方式一或二所述的基于振动和声频信号的列车轨道伤损探测方法的进一步说明，本实施方式中，在步骤二中对采用信号的分解方法采用经验模态分解EMD的方法，本实施方式采用的经验模态分解EMD方法如下：

将待分解的振动信号或声频信号用x(t)表示，

根据筛选程序获取输入信号x(t)经过第n次经验模态分解的剩余趋势函数中经过第k次筛选后的剩余函数h_nk(t)的过程为：

步骤c1、利用三次样条函数获取输入信号x(t)经过第n次经验模态分解的剩余趋势函数中经过第k-1次筛选后的剩余函数h_n(k-1)(t)的上、下包络；

步骤c2、计算所述剩余函数h_n(k-1)(t)上、下包络曲线在各个t的均值

步骤c3、获取输入信号x(t)经过第n次本征模态函数分解的剩余趋势函数中经过第k次筛选后的剩余函数 $h_{\mathrm{nk}}\left(t\right)=h_{n(k-1)}\left(t\right)-{\stackrel{\‾}{m}}_{n(k-1)}\left(t\right);$

当所述x(t)代表振动信号时，获得的h_nk(t)就是振动信号的IMF矩阵C_vj(t)，j即为分解次数n₂；

当所述x(t)代表声频信号时，获得的h_nk(t)就是声频信号的IMF矩阵C_ai(t)，i即为分解次数n₁。

具体实施方式四：下面结合图1-图7以及表1-表3对具体实施方式一所述的技术方案进行进一步说明：

步骤一：利用沿列车轨道安装的振动和声频传感器，采集列车轨道的振动信号和声频信号，采集获得的振动信号的波形参见图2（a）所示，采集获得的声频信号的波形参见图3（b）所示；

并将获得的振动信号和声频信号进行滤波处理，得到反映轨道伤损、轨道固有频率以及与列车运行相关的振动信号和噪声信号；

对振动信号进行滤波处理获得的噪声信号参见图2（c）所示，获得的滤波结果参见图2（c）所示；对声频信号进行滤波处理获得的噪声信号参见图3（b）所示，获得的滤波结果参见图3（c）所示；

图2、图3中，横坐标为时间，单位为秒；纵坐标为信号幅度，单位为经过标准化后的分贝。

步骤二：分别对步骤一获得的振动信号和声频信号进行经验模态分解EMD，获得振动信号的IMF矩阵C_vj(t),j=1,…,n₂和声频信号的IMF矩阵C_ai(t),i=1,…,n₁；

图4（a）为待分解的振动信号，图4（b）、（c）、（d）（f）为所述振动信号进行经验模态分解后获得的前四个IMF分量的波形示意图，图4（e）为EMD分解残留信号；图5（a）为待分解声频信号，图5（b）、（c）、（d）（f）为所述声频信号进行经验模态分解获得的前四个IMF分量的波形示意图，图5（e）为EMD分解残留信号。

步骤三：采用非线性相关分析方法分析步骤二获得的振动信号的IMF矩阵C_vj(t)和监督振动信号的IMF矩阵获得振动信号的非线性相关系数曲线

参见图6所示；该曲线对应的数值参见表1：

表1

振动信号的IMF分量序号j	非线性相关系数NCCvj	权重值v
			1	0.283051598456481	——
2	0.103837070560661	37.9673
			3	0.18473160879269	——

4	0.333244219184692	——
			5	0.34464040007159	——
6	0.311892204123642	——
			7	0.521374799203431	——
8	0.487685017816772	——

采用非线性相关分析方法分析步骤二获得的声频信号的IMF矩阵C_ai(t)与监督声频信号的IMF矩阵

获得声频信号的非线性相关系数曲线

参见图7所示，该曲线对应的数值参见表2所示：

表2

声频信号的IMF分量序号i	非线性相关系数NCCai	权重值a
			1	0.329226994535543	——
2	0.161115873248826	——
			3	0.106984940213054	24.3312
4	0.117166086397832	——
			5	0.148633364502596	——
6	0.346598014593533	——
			7	0.483171637472314	——
8	0.524444531651577	——

步骤四、分别分析步骤三获得的两条非线性相关系数曲线信息，分别获得两条非线性相关系数曲线的最小值，获得振动信号的非线性相关系数最小值

和声频信号的非线性相关系数最小值

从图6和表1所示可知，振动信号的非线性相关系数曲线的拐点位于j^*=2处，此处对应的振动信号的非线性相关系数的最小值

权重值v=37.9673；声频信号的非线性相关系数最小值

从图7和表2可知，声频信号的非线性相关系数曲线的最小值位于i^*=3处，此处对应的声频信号的非线性相关系数的最小值

权重值a=24.3312。

将获得的振动信号的相关系数最小值

所对应的IMF矩阵中的信息和声频信号的最小非相关系数

所对应的IMF矩阵中的信息进行数据融合，根据

计算获得ω_a=0.3906，根据

获得ω_v=0.6094，则根据 $\mathrm{\δ}={\mathrm{\ω}}_a(1-{\mathrm{NCC}}_{{\mathrm{ai}}^{*}})+{\mathrm{\ω}}_v(1-{\mathrm{NCC}}_{{\mathrm{vj}}^{*}})$ 获得获得损伤系数δ=0.8456。

在经验列车轨道的铁轨伤存在程度表中查询获得与获得的损伤系数δ最接近的数据，最终确定列车轨道的损伤存在性和程度。

表3为列车轨道的铁轨伤存在程度表，

表3

损伤探测融合系数	损伤程度	铁轨实际可能情况
			0.00-0.15	无伤	——
0.15-0.45	微小损伤	微小裂纹
			0.45-0.80	轻度损伤	铁轨内部有裂纹
0.80-1.10	一般损伤	铁轨表面划伤
			1.10-1.45	严重损伤	铁轨出现缺口
1.45-2.00	特别严重损伤	铁轨断裂

根据计算得到的δ值，查表3可知损伤存在且为一般程损伤，对应实际损伤为铁轨表面划伤。

Claims (7)

1.一种基于振动和声频信号的高速列车轨道伤损探测方法，其特征在于，该探测方法包括以下步骤：

步骤一：采集振动传感器和声频传感器采集到的振动信号和声频信号，并分别进行滤波处理，得到反映轨道伤损、轨道固有频率以及与列车运行相关的振动信号和噪声信号；

所述振动传感器和声频传感器安装在待检测的列车轨道段中的测试点位置，所述振动传感器和声频传感器分别用于采集列车轨道的振动信号和声频信号，

步骤二：采用信号分解或频率分析方法，提取振动和声频信号所包含的各种与伤损、振动及噪声相关的信息特征，分别获得振动信号特征信息C_v和声频信号特征信息C_a，进而获得振动信号的IMF矩阵C_vj(t),j=1,…,n₂和声频信号的IMF矩阵C_ai(t),i=1,…,n₁；IMF即为本征模态函数；

步骤三：采用非线性相关分析方法分别分析步骤二获得的振动信号的IMF矩阵C_vj(t)和监督振动信号的IMF矩阵

声频信号的IMF矩阵C_ai(t)与监督声频信号的IMF矩阵

分别获得振动信号的非线性相关系数曲线

和声频信号的非线性相关系数曲线

所述的监督振动信号的IMF矩阵

是指对列车轨道无伤情况下采集获得的振动信号进行经验模态分解之后获得的IMF矩阵；所述的监督声频信号的IMF矩阵

是指对列车轨道无伤情况下采集获得的声频信号进行经验模态分解之后获得的IMF矩阵；

步骤四、分别分析步骤三获得的两条非线性相关系数曲线信息，分别获得两条非线性相关系数曲线的最小值，获得振动信号的非线性相关系数最小值

和声频信号的非线性相关系数最小值

步骤五、将获得的振动信号的非线性相关系数最小值

所对应的IMF矩阵中的信息、和声频信号的非线性相关系数最小值

所对应的IMF矩阵中的信息进行数据融合，获得损伤系数δ；在经验列车轨道的铁轨伤存在程度表中查询获得与获得的损伤系数δ最接近的数据，最终确定待检测的列车轨道段的损伤程度；

在步骤二中对采用信号的分解方法采用经验模态分解EMD的方法，具体过程为：

将待分解的振动信号或声频信号用x(t)表示，

根据筛选程序获取输入信号x(t)经过第n次经验模态分解的剩余趋势函数中经过第k次筛选后的剩余函数h_nk(t)的过程为：

步骤c1、利用三次样条函数获取输入信号x(t)经过第n次经验模态分解的剩余趋势函数中经过第k-1次筛选后的剩余函数h_n(k-1)(t)的上、下包络；

步骤c2、计算所述剩余函数h_n(k-1)(t)上、下包络曲线在各个t的均值

步骤c3、获取输入信号x(t)经过第n次本征模态函数分解的剩余趋势函数中经过第k次筛选后的剩余函数 $h_{\mathrm{nk}}\left(t\right)=h_{n(k-1)}\left(t\right)-{\stackrel{\‾}{m}}_{n(k-1)}\left(t\right);$

当所述x(t)代表振动信号时，获得的h_nk(t)就是振动信号的IMF矩阵C_vj(t)，j即为分解次数n₂；

当所述x(t)代表声频信号时，获得的h_nk(t)就是声频信号的IMF矩阵C_ai(t)，i即为分解次数n₁。

2.根据权利要求1所述的基于振动和声频信号的高速列车轨道伤损探测方法，其特征在于，步骤四中所述的振动信号的非线性相关系数曲线

由多个振动信号的非线性相关系数NCC_vj连接而成，所述NCC_vj表示第j个IMF分量对应的非线性相关系数，该系数对应的权重值是v；

所述声频信号的非线性相关系数曲线

由多个声频信号的非线性相关系数NCC_ai连接而成，所述NCC_ai表示第i个IMF分量对应的非线性相关系数，该系数对应的权重值是a。

3.根据权利要求1所述的基于振动和声频信号的高速列车轨道伤损探测方法，其特征在于，步骤四中所述的振动信号的非线性相关系数最小值为：

${\mathrm{NCC}}_{{\mathrm{vj}}^{*}}=\underset{j}{\min }\left(\mathrm{NCC}(C_{\mathrm{vj}}\left(t\right),{\stackrel{\‾}{C}}_{\mathrm{vj}}\left(t\right))\right),$

所述声频信号的非线性相关系数最小值

为：

${\mathrm{NCC}}_{{\mathrm{ai}}^{*}}=\underset{i}{\min }\left(\mathrm{NCC}(C_{\mathrm{ai}}\left(t\right),{\stackrel{\‾}{C}}_{\mathrm{ai}}\left(t\right))\right).$

4.根据权利要求1所述的基于振动和声频信号的高速列车轨道伤损探测方法，其特征在于，步骤五中，将获得的振动信号的非线性相关系数最小值

所对应的IMF矩阵中的信息进行数据融合，获得振动信号的融合权重值为

将获得的声频信号的非线性相关系数最小值

所对应的IMF矩阵中的信息进行数据融合获得声频信号的融合权重值为

所述损伤系数δ通过公式

$\mathrm{\δ}={\mathrm{\ω}}_a(1-{\mathrm{NCC}}_{{\mathrm{ai}}^{*}})+{\mathrm{\ω}}_v(1-{\mathrm{NCC}}_{{\mathrm{vj}}^{*}})$

获得，其中 $a=\underset{t}{\max }\left(\right|C_{{\mathrm{ai}}^{*}}\left(t\right)\left|\right),$ $v=\underset{t}{\max }\left(\right|C_{{\mathrm{vj}}^{*}}\left(t\right)\left|\right),$

表示求取离散序列最大值，

表示声频信号的非线性相关系数最小值对应的声频信号的IMF矩阵中的数据，

表示振动信号的非线性相关系数最小值对应的振动信号的IMF矩阵中的数据。

5.根据权利要求1所述的基于振动和声频信号的高速列车轨道伤损探测方法，其特征在于，步骤一中所述的振动传感器用于采集列车轨道垂直方向的振动信号；所述声频传感器用于采集列车轨道及列车的横向振动及噪声的合成信号。

6.根据权利要求1所述的基于振动和声频信号的高速列车轨道伤损探测方法，其特征在于，所述振动传感器是加速度传感器，所述振动传感器安装于列车轨道下方。

7.根据权利要求1所述的基于振动和声频信号的高速列车轨道伤损探测方法，其特征在于，所述声频传感器安装于列车轨道附件上。

Images