CN102353717B - 基于非负张量分解振动特征的钢轨伤损探测装置和方法 - Google Patents

Abstract

基于非负张量分解振动特征的钢轨伤损探测装置和方法，涉及高铁钢轨的伤损探测装置和方法，解决了现有的探伤技术对伤损频率接近的伤损情况只能通过幅值来判断，伤损特征难以区分的问题，基于非负张量分解振动特征的钢轨伤损探测装置，包括振动加速度传感器阵列、信号转换电路、信号特征提取模块、伤损匹配模块和伤损判别模块；基于非负张量分解振动特征的钢轨伤损探测方法，包括：步骤一：采集钢轨的原始振动信号；步骤二：转换原始信号为振动信号；步骤三：将振动信号进行HHT分解；步骤四：利用得到频率幅值之间的幅频信号，建立伤损信号的三维张量；步骤五：利用非负张量分解对构建的三维张量信号分解，提取特征信息；用于高铁钢轨伤损探测。

Description

基于非负张量分解振动特征的钢轨伤损探测装置和方法

技术领域

本发明涉及铁路钢轨伤损的探测装置和方法，尤其是对于高速铁路的钢轨伤损探测。

背景技术

随着我国铁路运输的大力建设，特别是高铁的飞速发展，铁路运输的安全显得越来越重要。由于伤损探测速度的限制，传统的超声伤损探测技术及模式无法满足高速铁路的探伤要求，新型高速铁路探伤技术的研究迫在眉睫。

钢轨在使用的过程中，会发生折断、裂纹及其它伤损形式，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。

但是，由于钢轨的各种伤损形式使其表现出的伤损特征较为复杂。通过研究发现，在基于铁路沿线相应的轨道传感器网络，对钢轨的振动信号进行测量和分析时，一些伤损频率接近的伤损情况，目前只能通过幅值来判断，伤损区分效果不理想。因此，利用希尔伯特-黄变换（HHT）对幅频特性的分析在研究中只能用于伤损信号的初步分析和基本判断。

现有的探伤技术对伤损频率接近的伤损情况只能通过幅值来判断，此种办法判断出的结果存在伤损特征难以区分的问题。

发明内容

本发明的目的是为了解决现有的探伤技术对伤损频率接近的伤损情况只能通过幅值来判断，此种办法判断出的结果存在伤损特征难以区分的问题，提供一种基于非负张量分解振动特征的钢轨伤损探测装置和方法。

基于非负张量分解振动特征的钢轨伤损探测方法，具体步骤如下：

步骤一：振动加速度传感器阵列采集到被测钢轨的原始振动信号S(t)；

步骤二：信号转换电路转换原始振动信号S(t)为振动信号x(t)；

步骤三：将振动信号x(t)进行HHT分解，得到各阶内固模态函数和残差，记为：c₁,c₂,...c_n以及r，然后进行相应的希尔伯特变换，得到频率与幅值之间的幅频信号h(w)；

步骤四：利用HHT分析所得到频率幅值之间的幅频信号h(w)，结合相应的测量点和伤损种类建立伤损信号的三维张量；

步骤五：利用非负张量分解对构建的三维张量信号x^{frequency×point×class}进行分解，提取相应的伤损特征信息，得到每种典型伤损情况相应的特征向量，实测振动信号的特征向量通过与典型伤损情况特征向量的对比，判断出伤损的存在及其位置。

步骤五包括的子步骤如下：

通过步骤四建立的三维张量信号表示为：X^{frequency×point×class}＝G×₁A⁽¹⁾×₂A⁽²⁾×₃A⁽³⁾其中G,A⁽¹⁾,A⁽²⁾,A⁽³⁾≥0，利用NTF对其进行分解；

子步骤1、随机初始化A⁽ⁿ⁾，n=1,2,3；算最小化的最小均方误差C_new=‖X_(n)-A⁽ⁿ⁾Z^(n)T‖²，其中：X_(n)为原始信号， $Z^{\left(n\right)}=A^{\left(N\right)}|\⊗|A^{(N-1)}|\⊗|...|\⊗|A^{(n+1)}|\⊗|A^{(n-1)}|\⊗|...|\⊗|A^{\left(1\right)},n=1,2,3;$

子步骤2、迭代求解

并计算C_new=‖X_(n)-A⁽ⁿ⁾Z^(n)T‖²，n=1,2,3；

子步骤3、判断

δ为误差精度要求，成立则C_old=C_new，继续执行子步骤2；不成立则执行子步骤4；

子步骤4、得到满足要求的A⁽¹⁾,A⁽²⁾,A⁽³⁾矩阵；其中：A⁽¹⁾,A⁽²⁾为新的基底，其物理意义分别代表频率和测量点；A⁽³⁾为伤损类别的特征系数矩阵，其中每一行是一个特征向量，对应一种伤损情况。

通过与典型伤损情况特征向量的对比，判断出伤损的存在及其位置。

本发明与现有技术相比具有如下优点：针对现有的探伤技术对伤损频率接近的伤损情况只能通过幅值来判断，伤损特征难以区分的问题，结合HHT和非负张量分解（NTF）各自的优点对振动伤损信号的伤损特征进行了充分的提取；利用HHT对信号时间尺度的自适应能力，较好地处理了非平稳、非线性的钢轨振动信号；并结合NTF进行隐含在振动信号中的具有被识别能力的特征信息二次提取，确定伤损的存在及其位置，保障高铁列车安全高效的运行。

附图说明

图1为本发明检测装置的结构示意图，图2为本发明的流程图，图3为希尔伯特-黄变换流程图，图4为均匀分布的九个测量点的示意图，图5为幅频信号构建二维信号示意图：其中行代表五个测量点，列分别代表各频率点，图6为利用伤损类别构建三维信号示意图，图7为非负张量分解流程图，图8为钢轨振动传感器测点布置示意图，图9为三种不同的伤损在钢轨上的位置，6为轨头、7为轨腰、8为轨底；图10为无损钢轨振动信号的各阶IMF和残差，图11为无损钢轨振动信号的幅频信号h(w)，图12为实际伤损类别和伤损识别分类图，实心圆点为对伤损判别的类别，空心圆为实际伤损的类别。

具体实施方式

具体实施方式一：结合图1说明本实施方式，基于非负张量分解振动特征的钢轨伤损探测装置，它包括振动加速度传感器阵列1、信号转换电路2、信号特征提取模块3、伤损匹配模块4和伤损判别模块5，布置在被测钢轨上的振动加速度传感器阵列1的采集信号输出端连接在信号转换电路2的信号输入端，信号转换电路2的信号输出端连接在信号特征提取模块3的信号输入端，信号特征提取模块3的信号输出端连接在伤损匹配模块4的信号输入端，伤损匹配模块4的信号输出端连接在伤损判别模块5的信号输入端。

具体实施方式二：结合图2说明本实施方式，本实施方式的具体步骤如下：

步骤一：振动加速度传感器阵列1采集到被测钢轨的原始振动信号S(t)；

步骤二：信号转换电路2转换原始振动信号S(t)为振动信号x(t)；

步骤三：将振动信号x(t)进行HHT分解，得到各阶内固模态函数（IMF）和残差，记为：c₁,c₂,...c_n以及r，n为自然数，然后进行相应的希尔伯特变换，得到频率与幅值之间的幅频信号h(w)；

步骤四：利用HHT分析所得到频率幅值之间的幅频信号h(w)，结合相应的测量点和伤损种类建立伤损信号的三维张量；

步骤五：利用非负张量分解对构建的三维张量信号x^{frequency×point×class}进行分解，提取相应的伤损特征信息，得到每种典型伤损情况相应的特征向量，实测钢轨振动信号的特征向量通过与典型伤损情况特征向量的对比，判断出伤损的存在及其位置。

具体实施方式三：结合图3说明本实施方式，具体实施方式二的步骤三包括的子步骤如下：

子步骤1、找出x(t)的极大值和极小值；

子步骤2、通过三次样条插值方法分别生成信号的局部极大值和局部极小值包络；

子步骤3、将信号的局部极大值包络和局部极小值包络相加求平均，得到局部包络均值m(t)；

子步骤4、从信号中减去局部包络均值：h(t)=x(t)-m(t)，继续对h(t)执行几次上述筛选过程，直到满足IMF的两个条件：条件一、在整个函数中，极值点的数目与穿越零点的数目相等，或者只相差1；条件二、在任意时刻，由极值包络线所定义的包络均值为零；

这样得到第一个IMF c₁(t)，同时定义残差项：r₁(t)=x(t)-c₁(t)；

子步骤5、将残差作为待分解的信号继续应用上述筛选过程分解出各个IMF，c_i(t),i＝1,…,n，分解至r为常函数、或单调函数、或只具有一个极值点的函数时，分解结束；得到x(t)如下形式的分解：

其中，残差项r代表了信号x(t)的基本趋势；

子步骤6、对上述得到的x(t)分解形式进行希尔伯特变换，构造解析信号，表示为极坐标形式，并取实部，得希尔伯特谱H(w,t)：

子步骤7、结合 $H(w,t)=\mathrm{Re}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i\left(t\right)e^{j{\∫w}_i\left(t\right)\mathrm{dt}}$ 从0到T（原始信号长度）积分 $h\left(w\right)={\∫}_0^{T}H(w,t)\mathrm{dt},$ 得到的h(w)为希尔伯特边际谱，反映了信号的幅度在整个频率段上随频率的变化情况。其它组成和连接关系与实施方式二相同。

具体实施方式四：结合图4、图5和图6说明本实施方式，具体实施方式二的步骤四包括的子步骤如下：

子步骤1、利用沿高铁钢轨均匀分布的五个测量点对发生在钢轨上伤损信号进行测量，测量点11至15号，得到相应的振动信号，记为：s₁,s₂,s₃,s₄,s₅，并对其进行HHT变换得到相应的幅频信号，记为：f₁,f₂,f₃,f₄,f₅；

子步骤2、每个f_i,(i＝1,2,3,4,5)都是一维的幅频信号，利用这个五个一维信号构建出一个二维信号记为：x^{frequency×point}；

子步骤3、根据不同的伤损情况，即伤损种类构建信号的第三维，记为：x^{frequency×point×class}。其它组成和连接关系与实施方式二相同。

具体实施方式五：结合图7说明本实施方式，具体实施方式二的步骤五包括的子步骤如下：

通过具体实施方式二的步骤四建立的三维张量信号表示为：X^{frequency×point×class}=G×₁A⁽¹⁾×₂A⁽²⁾×₃A⁽³⁾其中G,A⁽¹⁾,A⁽²⁾,A⁽³⁾≥0，利用NTF对其进行分解；

子步骤1、随机初始化A⁽ⁿ⁾(n=1,2,3)，计算最小化的最小均方误差C_new＝‖X_(n)-A⁽ⁿ⁾Z^(n)T‖²，其中：X_(n)为原始信号， $Z^{\left(n\right)}=A^{\left(N\right)}|\⊗|A^{(N-1)}|\⊗|...|\⊗|A^{(n+1)}|\⊗|A^{(n-1)}|\⊗|...|\⊗|A^{\left(1\right)},n=1,2,3;$

子步骤2、迭代求解并计算C_new=‖X_(n)-A⁽ⁿ⁾Z^(n)T‖²，n=1,2,3；

子步骤3、判断δ为误差精度要求，成立则C_old=C_new，继续执行子步骤2；不成立则执行子步骤4；

子步骤4、得到满足要求的A⁽¹⁾,A⁽²⁾,A⁽³⁾矩阵；其中：A⁽¹⁾,A⁽²⁾为新的基底，其物理意义分别代表频率和测量点；A⁽³⁾为伤损类别的特征系数矩阵，其中每一行是一个特征向量，对应一种伤损情况。其它组成和连接关系与实施方式二相同。

通过对无损以及典型伤损情况的振动信号的测量来构建三维张量信号，利用NTF分解来得到每种典型伤损情况相应的特征向量。最后，把要进行识别的伤损振动信号全部投影到基底A⁽¹⁾,A⁽²⁾上，得到对应特征向量。通过与典型伤损情况特征向量的对比，判断出伤损的存在及其位置。

以下通过具体实施例说明本发明：

钢轨结构振动是机车车辆对钢轨动态作用的结果，本发明的伤损探测方法对信号的处理过程为：

步骤一：采用振动加速度传感器对钢轨进行测量，振动加速度传感器的型号为：ULT20系列的ULT2003/v压电加速度传感器；钢轨的型号为：60Kg/m钢轨。

本实施例中振动加速度传感器的布置如图8所示，传感器位于轨底上表面距离轨底边缘20mm处的A点。经过多次的实验，该点能很好的测得不同伤损部位的振动信号（伤损分别位于轨头、轨腰和轨底如图9）并区分出它们之间的伤损特征。在测量时采用五个沿钢轨均匀分布的传感器同时对振动信号进行测量（如图4中的11-15号测量点），下次测量则采用接下来的五个传感器进行测量（如图4中的12-16号测量点），依次进行；图4中标记17、18、19均为测量点；这样不仅能检测出伤损，同时也能通过测量点的分布来判断所测伤损的位置。针对无伤损以及伤损发生在轨头、轨腰和轨底三种不同位置情况下钢轨的振动信号进行了测量，每种伤损情况得到了4组测量数据，一共16组数据用于分析。

步骤二：测量后的振动信号，通过信号转换电路进行采样，转换芯片的型号为：AD9071，是一个10位,100MSPS模数转换芯片。采用100M高速采样，能获得更为详细的信息。

将转换后的信号通过有线或者无线方式发送到微型计算机进行信号特征提取和伤损识别建立伤损判断准则。微型计算机型号为：Thinkpad R400笔记本。

步骤三：将振动信号x(t)进行HHT分解，得到各阶IMF和残差，记为：c₁,c₂，...c_n以及r。然后进行相应的希尔伯特变换，得到频率与幅值之间的关系h(w)。以图4中测量点1位置测得的无伤损钢轨振动信号为例，进行HHT分解后的各阶IMF和残差如图10所示，然后进行希尔伯特变换得到的幅频信号h(w)如图11所示。

步骤四：针对无伤损以及伤损分别发生在轨头、轨腰和轨底的伤损情况，在每种情况下都通过沿钢轨分布的五个传感器对其进行测量（如图4中的测量点11-15号）得到相应的振动信号，并且对于每种伤损情况的五个测量点都进行4次测量。这样就得到了每种伤损情况的4组测量数据，无伤损以及三种典型伤损情况下一共就得到16组测量数据（其中每一组数据都是由11-15号的测量点数据组成），记为：p_is_j（i＝1-16，代表四种情况的16组数据；j＝1-5代表每组数据中11-15号测量点的测量数据）。

对p_is₁,p_is₂,p_is₃,p_is₄,p_is₅（i＝1-16）进行HHT变换得到的幅频信号记为：p_if₁,p_if₂,p_if₃,p_if₄,p_if₅（i＝1-16）；分别利用16组数据中的这五个一维信号构建出16个二维信号记为：p_ix^{frequency×point}（i＝1-16）构建过程如图5，其中行代表五个测量点，列分别代表各频率点；最后，根据不同的伤损种类情况构建信号的第三维，即利用16组数据来构建三维张量信号。其构建过程如图6，记为：x^{frequency×point×class}。

步骤五：利用非负张量分解对构建的三维张量信号x^{frequency×point×class}进行分解（其中选取δ误差精度取0.0007），进行53次迭代求解得到X^{frequency×point×class}＝G×₁A⁽¹⁾×₂A⁽²⁾×₃A⁽³⁾。A⁽¹⁾,A⁽²⁾为新的基底，其物理意义分别代表频率和测量点；A⁽³⁾为伤损类别的特征系数矩阵，其中每一行是一个特征向量，对应一种伤损情况。最后，把要进行识别的伤损振动信号全部投影到基底A⁽¹⁾,A⁽²⁾上，得到对应特征向量。通过与典型伤损情况特征向量（即A⁽³⁾矩阵中的特征向量）的对比，判断出伤损的存在及其位置。

实施例中取每种伤损情况4组数据中的前三组作为伤损特征数据，将第四组数据做为要识别数据，这样对于三种伤损以及无伤损情况就有4组数据要进行伤损识别。其判别效果如图12所示，横坐标的1、2、3、4为要识别数据的编号（分别对应的是从轨头伤、轨腰伤、轨底伤和无伤损的4组数据中提取的一组数据），纵坐标的1、2、3、4分别对应伤损的种类为轨头伤、轨腰伤、轨底伤和无伤损；圆圈为要识别数据已知的伤损种类，红星为识别的伤损种类。从图12中可以看出对于1、2、4的要识别数据能准确的判断其伤损类别，但是编号3的要识别数据则判断为无伤损，即无法对其进行伤损识别，这种情况主要是由于该伤损位于轨底在垂直的振动信号上的伤损特征表现不明显所造成的，而且实际中这种伤损的发生情况很少。在判别了伤损的类别后可以结合测量点所在的位置来估计伤损的位置，来进一步识别伤损位置。

综合实施例的上述分析，对于高铁钢轨的伤损探伤，本发明制定了利用非负张量分解来提取高铁钢轨振动伤损特征的探测装置和方法，能有效地提取隐含在数据中的具有被识别能力的伤损特征信息，确定伤损的存在及其位置，保障高铁列车安全高效的运行。

Claims (1)

1.基于非负张量分解振动特征的钢轨伤损探测方法，其特征是它包括具体步骤如下：

步骤一：振动加速度传感器阵列(1)采集到被测钢轨的原始振动信号S(t)；

步骤二：信号转换电路(2)转换原始振动信号S(t)为振动信号x(t)；

步骤三：将振动信号x(t)进行希尔伯特-黄变换分解，得到各阶内固模态函数和残差，记为：c₁,c₂,...c_n以及r，然后进行相应的希尔伯特变换，得到频率与幅值之间的幅频信号h(w)；

步骤四：利用希尔伯特-黄变换分析所得到频率幅值之间的幅频信号h(w)，结合相应的测量点和伤损种类建立伤损信号的三维张量；

步骤五：利用非负张量分解对构建的三维张量信号x^{frequency×point×class}进行分解，提取相应的伤损特征信息，得到每种典型伤损情况相应的特征向量，实测振动信号的特征向量通过与典型伤损情况特征向量的对比，判断出伤损的存在及其位置；

步骤五包括的子步骤如下：

通过步骤四建立的三维张量信号表示为：X^{frequency×point×class}=G×₁A⁽¹⁾×₂A⁽²⁾×₃A⁽³⁾其中G,A⁽¹⁾,A⁽²⁾,A⁽³⁾≥0，利用非负张量分解对其进行分解；

子步骤1、随机初始化A⁽ⁿ⁾，n=1,2,3；算最小化的最小均方误差C_new=‖X_(n)-A⁽ⁿ⁾Z^(n)T‖²，其中：X_(n)为原始信号， $Z^{\left(n\right)}=A^{\left(N\right)}|\⊗|A^{(N-1)}|\⊗|...|\⊗|A^{(n+1)}|\⊗|A^{(n-1)}|\⊗|...|\⊗|A^{\left(1\right)},n=1,2,3;$

子步骤2、迭代求解

并计算C_new=‖X_(n)-A⁽ⁿ⁾Z^(n)T‖²，n=1,2,3；

子步骤3、判断

δ为误差精度要求，成立则C_old=C_new，继续执行子步骤2；不成立则执行子步骤4；

子步骤4、得到满足要求的A⁽¹⁾,A⁽²⁾,A⁽³⁾矩阵；其中：A⁽¹⁾,A⁽²⁾为新的基底，其物理意义分别代表频率和测量点；A⁽³⁾为伤损类别的特征系数矩阵，其中每一行是一个特征向量，对应一种伤损情况；

通过与典型伤损情况特征向量的对比，判断出伤损的存在及其位置。

Images