CN103175897B - 一种基于振动信号端点检测的高速道岔伤损识别方法 - Google Patents

Abstract

一种基于振动信号端点检测的高速道岔伤损识别方法，先对采集到的振动信号进行端点检测得到有效振动信号，再提取道岔振动信号特征、分类识别道岔伤损，其中端点检测方法包括如下步骤：将列车经过高速道岔时采集的道岔振动信号进行分帧处理，并对单帧信号进行快速傅里叶变换得到频域功率谱；将单帧信号的功率谱划分为若干子带，计算各子带功率合值并进行顺序统计滤波；计算滤波后的单帧信号的子带对数功率标准差，并与阈值T比较进行端点判决，提取出轮对过测点时的有效振动信号。本发明方法能有效地提高道岔伤损识别系统的识别率和实时性，在客运专线和高速铁路的道岔故障监测系统中具有广泛的应用前景。

Description

一种基于振动信号端点检测的高速道岔伤损识别方法

技术领域

本发明涉及一种基于振动信号端点检测的高速道岔伤损识别方法。

背景技术

高速道岔较之高速铁路中其他部位的钢轨，由于其为活动部件且为变截面，成为高速铁路线路中的脆弱环节，是影响高速铁路行车安全的关键基础设施。在列车压力及温度载荷的作用下，道岔会不断发生损伤形变及性能劣化，是线路维修中的重点和难点。道岔一旦出现故障将严重影响铁路的运营，甚至发生灾难性的事故，因此实时掌握道岔的伤损状态，是保障道岔设备安全和高速行车的关键。

现有的道岔安全监测系统，如法国SIEMA公司的高速铁路道岔监测装置，德国铁路的Roadmaster2000道岔监测系统，中国铁道科学研究院研发的桥上无缝道岔状态实时监测系统。这些系统监测道岔的尖轨位置、最小轮缘槽、转辙机的电流、拉力、动作杆位移、钢轨温度和桥梁伸缩位移等，为掌握道岔的工作状态提供了较好的监测手段，但这些系统均只能监测出道岔的明显、外在变化。而一旦监测出道岔发生明显、外在变化时，必须立即停止列车运行，进行检修、更换，这将影响铁路运营效率；另一方面道岔发生明显、外在变化到出现故障直至发生灾难性事故的时间通常很短，使得这些系统也不能可靠、及时的预防与控制故障及事故的发生。

公开号为CN102175768A的“一种基于振动信号的高铁钢轨伤损探测方法及装置”专利申请，将振动信号进行经验模态分解得到本征模函数(IMF)分量，以IMF分量作为特征信息进行伤损检测。它能探测出钢轨的内部裂纹等伤损，能更可靠、及时的预防与控制故障及事故的发生；测出伤损到影响列车运行的时间更长，可在列车通过的间隙对钢轨进行检修、更换，对铁路运营效率影响低。但该方法需对采集到的包括轮对没有过测点时的所有振动信号进行处理、识别。其计算量大、实时性差，对硬件的要求高。对固定的钢轨，由于振动信号规律性强、噪声小，信噪比高，该方法尚能实现。但对活动的、且截面变化的、背景干扰噪声更为强大复杂、振动也剧烈得多的高速道岔，则无法使用。

发明内容

本发明的目的在于提供一种基于振动信号端点检测的高速道岔伤损识别方法，利用该方法可有效检测出轮对过测点时有效道岔振动信号的端点和轮对没过测点时虚假振动信号的端点，从而提取有效道岔振动信号并抛弃虚假振动信号，既避免了虚假振动信号对道岔伤损特征的干扰，又显著降低了后续处理的振动信号数据量，对道岔伤损的识别率高、实时性好。

本发明实现其发明目的所采用的技术方案是，一种基于振动信号端点检测的高速道岔伤损识别方法，包括的步骤有，采集道岔振动信号、提取道岔振动信号特征、分类识别道岔伤损，其特征在于：所述的采集道岔振动信号后，先对采集到的振动信号进行端点检测得到有效振动信号，再提取道岔振动信号特征；所述的端点检测的具体做法是：

(1)对采集到的道岔振动时域信号按帧长K＝2560点，相邻帧重叠1280点进行分帧，若最后一帧不足2560点则抛弃该帧，得到单帧时域信号x_n，n为帧的序号；然后对单帧时域信号x_n进行快速傅里叶变换得到该帧时域信号x_n的功率谱|X_n(k)|²，其中|X_n(k)|为第k个频点的频谱幅度，k＝1，2，...，K/2；

(2)将单帧时域信号x_n的功率谱|X_n(k)|²划为长度为40个频点的等长无重叠的32个频域子带，计算每一频域子带的功率合值其中i为频域子带的序号、i＝1，2，...，32；

(3)对单帧时域信号x_n的频域子带的功率合值P_n(i)进行顺序统计滤波，即：令最前面2帧和最后面2帧的单帧的子带功率合值P_n(i)的滤波值对其余帧，则取其前后各2帧及本帧的第i个子带功率合值P_n-2(i)，P_n-1(i)，P_n(i)，P_n+1(i)，P_n+2(i)，将这5个子带的功率合值中的最大值乘以0.9、次大值乘以0.1后，相加即得该第n帧第i个子带的功率合值P_n(i)的滤波值

(4)计算各单帧时域信号x_n的子带对数功率标准差 ${\stackrel{\‾}{P}}_n=\log \left(\sqrt{\underset{i=1}{\overset{32}{\mathrm{\Σ}}}{({\hat{P}}_n\left(i\right)-E_n)}^2/32}\right),$ 其中 $E_n=\frac{1}{32}\underset{i=1}{\overset{32}{\mathrm{\Σ}}}{\hat{P}}_n\left(i\right);$

(5)将各帧的子带对数功率标准差与判决阈值T比较，若则判定该单帧时域信号x_n属于轮对过测点时的振动信号，否则属于噪声；将属于噪声的单帧时域信号x_n去掉，剩余的所有单帧时域信号x_n构成轮对过测点时的有效道岔振动信号，再进行后续的提取道岔振动信号特征的操作。

与现有技术相比，本发明的有益效果是：

一、本发明通过端点检测，有效排除了轮对间隙间的噪声干扰，而保留了轮对过测点时的有效道岔振动信号；仅从有效道岔振动信号中提取道岔振动信号特征，从而降低了后续提取特征及分类识别道岔伤损的数据量和计算复杂度，提高了整个识别方法的识别速度和识别率。

二、本发明采用子带对数功率标准差作为道岔振动信号端点检测的区分特征，较之短时能量和短时过零率等对噪声敏感的特征，子带对数功率标准差对噪声不敏感，能更有效地检测出信号的端点位置。此外，对高采样率的振动信号，子带对数功率标准差特征比频谱熵特征的计算量小得多，也便于实时处理。

三、本发明对振动信号的子带功率合值进行顺序统计滤波处理，使得不同噪声干扰和列车冲击强度下的道岔振动信号的子带对数功率标准差特征的曲线更平滑，利于判决阈值的设定，使得本发明的端点检测效果和检测鲁棒性更好。

上述步骤(5)中的判决阈值T由下式得出：

T＝T_min+0.38(T_max-T_min)

其中T_max为全部单帧时域信号x_n的子带对数功率标准差的最大值，T_min为全部单帧时域信号x_n的子带对数功率标准差的最小值。

下面结合附图和具体实施方式对本发明作进一步的详细说明。

附图说明

图1a为在道岔曲尖轨尾部采集的振动信号，图1b为用本发明实施例的方法对图1a的信号进行处理得到的相应的子带对数功率标准差特征。

图2a为在道岔曲尖轨中部采集的振动信号，图2b为用本发明实施例的方法对图2a的信号进行处理得到的相应的子带对数功率标准差特征。

图3a为在道岔曲尖轨前端采集的振动信号，图3b为用本发明实施例的方法对图3a的信号进行处理得到的相应的子带对数功率标准差特征。

图4a为在道岔曲尖轨尾部采集的振动信号，图4b为对图4a的信号添加-5dB高斯白噪声后的尾部加噪振动信号，图4c为用本发明实施例的方法对图4b的信号进行处理得到的相应的子带对数功率标准差特征。

图5a为在道岔曲尖轨中部采集的振动信号，图5b为对图5a的信号添加-5dB高斯白噪声后的中部加噪振动信号，图5c为用本发明实施例的方法对图5b的信号进行处理得到的相应的子带对数功率标准差特征。

图6a为在道岔曲尖轨前端采集的振动信号，图6b为对图6a的信号添加-5dB高斯白噪声后的前端加噪振动信号，图6c为用本发明实施例的方法对图6b的信号进行处理得到的相应的子带对数功率标准差特征。

图7为无损工况下基于实际道岔振动信号的进行伤损识别得到的平均马氏距离曲线。图中虚线为不经端点检测的对照方法得到的平均马氏距离，实线为本发明方法得到的平均马氏距离。

图8为无损工况和有损工况下基于模拟道岔振动信号的进行伤损识别的平均马氏距离曲线。图中虚线为不经端点检测的对照方法得到的平均马氏距离，实线为本发明方法得到的平均马氏距离。

具体实施方式

实施例

本发明的一种具体实施方式是，一种基于振动信号端点检测的高速道岔伤损识别方法，包括的步骤有，采集道岔振动信号、提取道岔振动信号特征、分类识别道岔伤损，其特征在于：所述的采集道岔振动信号后，先对采集到的振动信号进行端点检测得到有效振动信号，再提取道岔振动信号特征；所述的端点检测的具体做法是：

(1)对采集到的道岔振动时域信号按帧长K＝2560点，相邻帧重叠1280点进行分帧，若最后一帧不足2560点则抛弃该帧，得到单帧时域信号x_n，n为帧的序号；然后对单帧时域信号x_n进行快速傅里叶变换得到该帧时域信号x_n的功率谱|X_n(k)|²，其中|X_n(k)|为第k个频点的频谱幅度，k＝1，2，...，K/2；

(2)将单帧时域信号x_n的功率谱|X_n(k)|²划为长度为40个频点的等长无重叠的32个频域子带，计算每一频域子带的功率合值其中i为频域子带的序号、i＝1，2，...，32；

(3)对单帧时域信号x_n的频域子带的功率合值P_n(i)进行顺序统计滤波，即：令最前面2帧和最后面2帧的单帧的子带功率合值P_n(i)的滤波值对其余帧，则取其前后各2帧及本帧的第i个子带功率合值P_n-2(i)，P_n-1(i)，P_n(i)，P_n+1(i)，P_n+2(i)，将这5个子带的功率合值中的最大值乘以0.9、次大值乘以0.1后，相加即得该第n帧第i个子带的功率合值P_n(i)的滤波值

(4)计算各单帧时域信号x_n的子带对数功率标准差 ${\stackrel{\‾}{P}}_n=\log \left(\sqrt{\underset{i=1}{\overset{32}{\mathrm{\Σ}}}{({\hat{P}}_n\left(i\right)-E_n)}^2/32}\right),$ 其中 $E_n=\frac{1}{32}\underset{i=1}{\overset{32}{\mathrm{\Σ}}}{\hat{P}}_n\left(i\right);$

(5)将各帧的子带对数功率标准差与判决阈值T比较，若则判定该单帧时域信号x_n属于轮对过测点时的振动信号，否则属于噪声；将属于噪声的单帧时域信号x_n去掉，剩余的所有单帧时域信号x_n构成轮对过测点时的有效道岔振动信号，再进行后续的提取道岔振动信号特征的操作。

上述的判决阈值T由下式得出：

T＝T_min+0.38(T_max-T_min)

其中T_max为全部单帧时域信号x_n的子带对数功率标准差的最大值，T_min为全部单帧时域信号x_n的子带对数功率标准差的最小值。

实施时，采集道岔振动信号，由事先安装在道岔相关位置处的加速度传感器检测出振动信号并由数据采集卡进行采集。为了不丢失道岔伤损信息，要求振动信号的采样频率在25.6kHz～51.2kHz之间。

现场实验结果：

现场实验的测试地为成灌线犀浦东站18号高速道岔，列车经过道岔时采集道岔振动信号，采样频率为25.6kHz。

实验一、道岔不同测点处(道岔曲尖轨尾部、中部、前端)的道岔振动信号的端点检测。

图1a为在道岔曲尖轨尾部采集的振动信号，图1b为用本发明实施例的方法对图1a的信号进行处理得到的相应的子带对数功率标准差特征。

图2a为在道岔曲尖轨中部采集的振动信号，图2b为用本发明实施例的方法对图2a的信号进行处理得到的相应的子带对数功率标准差特征。

图3a为在道岔曲尖轨前端采集的振动信号，图3b为用本发明实施例的方法对图3a的信号进行处理得到的相应的子带对数功率标准差特征。

图1a、图2a、图3a的横坐标为采样点，纵坐标为振动信号幅度；图1b、图2b、图3b的横坐标为帧数，纵坐标为经端点检测后得到的子带对数功率标准差

图1b表明，用本例方法提取出的子带对数功率标准差特征及其阈值T可以很好地自动区分出有效振动信号的端点(边界)：图1b中的曲线的最大值T_max＝7.5292，最小值T_min＝5.558，其判决阈值为T＝T_min+0.38(T_max-T_min)＝6.30，即图1b中的水平线。根据该阈值T可选出轮对过测点时的有效道岔振动信号，即图1a中矩形标注框内的振动信号。目测也能看出，图1a中矩形标注出的道岔曲尖轨尾部的有效振动信号(轮对过测点时的信号)与噪声信号(轮对没过测点时的信号)的幅度区分明显，其时域边界清晰。

图2a表明，道岔曲尖轨中部的振动幅度变化不明显，有效信号与噪声边界比较模糊；用本例方法得到的图2b的子带对数功率标准差曲线光滑，波峰边沿陡峭，可以很好地自动区分出有效振动信号的端点(边界)。图2b中的特征的最大值T_max＝7.0765，最小值T_min＝5.9407，其判决阈值T＝T_min+0.38(T_max-T_min)＝6.3723，即图2b中的水平线，根据该阈值T可选出轮对过测点时的有效道岔振动信号，即图2a中矩形标注框内的振动信号。

图3a的道岔曲尖轨前端的振动信号时域波形比中部和尾部的更杂乱、模糊，从时域上难以人工区分端点信息。但用本例方法得到的图3b的特征曲线仍然较平滑，与图1b和图2b的特征曲线相比差别不大，可以很好地自动区分出有效振动信号的端点(边界)。图3b中的特征曲线中的最大值T_max＝6.3757，最小值T_min＝5.4409，其判决阈值T＝T_min+0.38(T_max-T_min)＝5.7961，即图3b中的水平线，根据该阈值选出轮对过测点时的有效道岔振动信号，即图3a中矩形标注框内的振动信号。

对于图3a的端点检测的正确性可以按照以下先验知识进行判断：由于图1a、图2a和图3a是同时采集的同一列车经过道岔各测点时的振动信号，且可认为列车是近似匀速经过道岔各测点的，因此各测点处振动信号的端点宽度和出现的位置应近似一致。而对图3a检测出的振动信号的端点宽度和出现位置与图1a的基本一致，因此本发明对图3a振动信号的端点检测是正确的。从图1a至图3b可看出，对于不同测点位置处的振动信号，即使是人工难以正确标定端点的振动信号，本发明仍能自动的正确检测出有效振动信号的端点位置，具有较好的检测鲁棒性和稳定性。

实验二：低信噪比道岔振动信号的端点检测

铁路现场采集的振动信号难免会受到噪声干扰，为了考察本发明方法的抗噪性能，对实验一中的振动信号添加-5dB的高斯白噪声进行实验：图4a、5a、6a分别为实际采集的曲尖轨尾部、中部和前端的振动信号；图4b、5b、6b分别为对图4a、5a、6a信号添加-5dB高斯白噪声后的加噪振动信号；图4c、5c、6c分别为用本发明方法对图4b、5b、6b信号进行端点检测得到的子带对数功率标准差特征曲线。

从图4b、5b、6b可看出：振动信号受到强噪声污染后，无法直接从时域波形上区分端点信息，但本发明方法提取得到的图4c、5c、6c的特征曲线与实验一未添加噪声时的特征曲线类似，仍然保持平滑和波峰边沿陡峭特点，可以很好地自动区分出有效振动信号的端点(边界)。图4c的特征判决阈值T＝6.7092即图4的c分图中的水平线，根据该阈值T可选出轮对过测点时的有效道岔振动信号，即图4b中矩形标注框内的振动信号；同样，图5c和图6c的判决阈值T分别为6.5995和5.8981(图5c、图6c中的水平线)。

图4a至图6c表明，本发明对于强噪声环境下的振动信号，仍能够正确地检测出端点信息，具有较强的抗噪声性能。

本发明方法的性能分析

一、有效振动信号检测率的测试、分析

定义如下的检测率指标作为有效振动信号检测正确的评价依据，它反映了算法的鲁棒性和稳定性，检测率越高说明算法的端点检测性能越好。

采用本例的方法，对高速道岔不同测点处的道岔振动信号进行端点检测，共采集了100个批次数据，每个批次含有14个测点处的振动信号。测试前对所有振动信号进行人工标定端点，以区分轮对过测点时的道岔振动信号和轮对没过测点时的虚假振动信号(或噪声信号)，并以此人工标定端点来测试本发明方法的有效振动信号检测率。

表1给出了不同信噪比下本发明方法检测率测试结果。表1表明，本发明方法的有效振动信号检测率随加入噪声强度的增大而减小，即随振动信号与加入噪声强度的比值(信噪比，dB)的减小而减小；但在加入噪声强度大于振动信号强度，信噪比＝-5dB的情况下，其有效振动信号检测率在边界最模糊的曲尖轨前端仍能达到69.45％。

表1 本发明方法的道岔有效振动信号检测率比较

二、本发明方法的道岔伤损识别性能

本发明后续的分类识别道岔伤损的操作，通常以道岔伤损前后各测点的振动信号频响函数的平均马氏距离进行伤损判决。因此下面分别以道岔无伤损和有伤损工况下的平均马氏距离来评价本发明方法对改善道岔裂纹伤损识别的有效性。

无伤损工况下端点检测对改善道岔伤损判决的有益效果测试：

先采集18个批次无损伤道岔的振动信号，每批次包含14个测点的振动信号。任选某批次振动信号作为无损伤基准数据，计算其它17个批次数据与无损伤基准数据的频响函数间的平均马氏距离(图7中虚线所示)。然后，利用本发明的方法分别对采集的18个批次无损伤道岔的振动信号提取出有效的振动信号后，再以上面选中的某批次的有效振动信号作为无损伤基准数据，并计算其它17个批次的有效振动数据与无伤损基准数据的频响函数的平均马氏距离(图7中实线所示)。

图7示出，无端点检测时的平均马氏距离(图7中虚线)波动大，其第11批次更是波动剧烈，易造成道岔伤损的误报或漏报；通过本发明端点检测提取的有效振动信号再计算得到的平均马氏距离，消除了虚假振动带来的平均马氏距离的剧烈波动，有利于设置伤损识别的判决阈值，从而提高伤损识别的准确性。

有伤损工况下端点检测对改善道岔伤损判决的有益效果测试：

用振动式离心机对同一道岔进行振动激励，分别采集道岔无伤损工况和有裂纹伤损工况下各14个批次振动数据。再用上段所述的同样方法，分别得到图8中的4条平均马氏距离曲线：有端点检测的无损工况马氏距离曲线、无端点检测的无损工况马氏距离曲线、有端点检测的有损工况马氏距离曲线和无端点检测的有损工况马氏距离曲线。图8示出：无端点检测时，有损和无损两种工况下的平均马氏距离曲线(图8中的两条虚线)间隔偏小，在铁路现场噪声干扰环境下将导致两条曲线交叉现象，从而会引起道岔伤损漏报，严重威胁行车安全。用本发明的方法端点检测、提取出有效的振动信号后得到的有损和无损两种工况下的平均马氏距离曲线(图8中的两条实线)间隔均明显增大，便于识别出伤损，降低噪声环境下伤损的误报和漏报，最终提高伤损识别系统的抗噪性和识别率。

三、识别速度

与未进行端点检测的振动信号比较，利用本发明方法提取出的有效振动信号，能显著降低后续处理的数据量，最终提高道岔伤损识别系统的实时性能。

现场实验结果表明，对含有25600个采样点的道岔振动信号不经端点检测、直接提取道岔振动信号特征、分类识别道岔伤损的对照方法的识别时间为5.26s，而采用本发明方法对含有25600个采样点的道岔振动信号经端点检测、提取出含有12800个采样点的有效振动信号后，再提取道岔振动信号特征、分类识别道岔伤损的识别时间仅为3.55s；识别速度提高了30％左右。

Claims (2)

1.一种基于振动信号端点检测的高速道岔伤损识别方法，包括的步骤有，采集道岔振动信号、提取道岔振动信号特征、分类识别道岔伤损，其特征在于：所述的采集道岔振动信号后，先对采集到的振动信号进行端点检测得到有效振动信号，再提取道岔振动信号特征；所述的端点检测的具体做法是：

(1)对采集到的道岔振动时域信号按帧长K＝2560点，相邻帧重叠1280点进行分帧，若最后一帧不足2560点则抛弃该帧，得到单帧时域信号x_n，n为帧的序号；然后对单帧时域信号x_n进行快速傅里叶变换得到该帧时域信号x_n的功率谱|X_n(k)|²，其中|X_n(k)|为第k个频点的频谱幅度，k＝1，2，...，K/2；

(2)将单帧时域信号x_n的功率谱|X_n(k)|²划为长度为40个频点的等长无重叠的32个频域子带，计算每一频域子带的功率合值其中i为频域子带的序号、i＝1，2，...，32；

(3)对单帧时域信号x_n的频域子带的功率合值P_n(i)进行顺序统计滤波，即：令最前面2帧和最后面2帧的单帧的子带功率合值P_n(i)的滤波值对其余帧，则取其前后各2帧及本帧的第i个子带功率合值P_n-2(i)，P_n-1(i)，P_n(i)，P_n+1(i)，P_n+2(i)，将这5个子带的功率合值中的最大值乘以0.9、次大值乘以0.1后，相加即得该第n帧第i个子带的功率合值P_n(i)的滤波值

(4)计算各单帧时域信号x_n的子带对数功率标准差 ${\stackrel{\‾}{P}}_n=\log \left(\sqrt{\underset{i=1}{\overset{32}{\mathrm{\Σ}}}{({\hat{P}}_n\left(i\right)-E_n)}^2/32}\right),$ 其中 $E_n=\frac{1}{32}\underset{i=1}{\overset{32}{\mathrm{\Σ}}}{\hat{P}}_n\left(i\right);$

(5)将各帧的子带对数功率标准差与判决阈值T比较，若则判定该单帧时域信号x_n属于轮对过测点时的振动信号，否则属于噪声；将属于噪声的单帧时域信号x_n去掉，剩余的所有单帧时域信号x_n构成轮对过测点时的有效道岔振动信号，再进行后续的提取道岔振动信号特征的操作。

2.如权利要求1所述的一种基于振动信号端点检测的高速道岔伤损识别方法，其特征在于，所述步骤(5)中的判决阈值T由下式得出：

T＝T_min+0.38(T_max-T_min)

其中T_max为全部单帧时域信号x_n的子带对数功率标准差的最大值，T_min为全部单帧时域信号x_n的子带对数功率标准差的最小值。