CN103197001A - 一种基于振动信号小波阈值降噪的高速道岔伤损识别方法 - Google Patents

Abstract

本发明公开了一种基于振动信号小波阈值降噪的高速道岔伤损识别方法，用于高速道岔伤损监测系统中对道岔断裂、裂纹、核伤等工况进行识别。该方法包括如下步骤：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。在提取道岔振动信号特征之前，对道岔振动信号进行基于短时能量的自动端点检测，根据检测端点提取有效振动信号；对提取的有效振动信号采用小波阈值降噪得到伤损识别所需的有效数据。本发明方法对抑制噪声干扰有明显的效果，能有效地提高基于振动信号的道岔伤损识别的识别率和实时性，在高速铁路道岔伤损监测中具有广泛的应用前景。

Description

一种基于振动信号小波阈值降噪的高速道岔伤损识别方法

技术领域

本发明涉及高速铁路道岔安全监测与防护技术方法，尤其涉及一种用于高速道岔伤损的识别方法。

背景技术

高速道岔是高速铁路所必备的基础设备，属于铁路线路中的活动部件和脆弱环节，具有数量多、寿命短、结构复杂、安全性低等特点，不仅养护维修工作量大，也是维修、监测的重点和难点。由于车辆与轨道相互作用，道岔受外部载荷、环境、灾害等因素的作用，在长期使用过程中不可避免地会受到不同程度的伤损，结构性能下降，影响道岔的使用安全，因此对高速道岔伤损状态的实时监测已成为当今亟待解决的一个课题。

现有的道岔安全监测系统，如俄罗斯的无接触道岔自动控制器ABKC用于检测尖轨密贴，德国的Roadmaster2000道岔监测系统，法国的Track andTurnout monitoring System，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。这些监测系统主要监测道岔尖轨位置、转辙机电流、电压、拉力、转换时间、最小轮缘槽、钢轨径向力、钢轨温度等，为掌握道岔的工作状态提供了较好的监测手段，但上述系统均只能监测道岔的明显故障及外在变化，而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，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，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。该方法监测的对象为固定的钢轨，由于固定钢轨振动信号规律性强、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。此外，该方法采用经验模态分解存在模态干扰和计算复杂性大等问题，也不适合用于高速道岔伤损的实时监测系统。

发明内容：

本发明的目的是提供一种用于高速道岔监测系统的道岔伤损识别方法，该方法可有效抑制环境噪声和车轮未经过测点时的虚假振动信号对有用信号的干扰，对伤损识别的实时性好和准确率高。

本发明实现其发明目的所采用的技术方案是，一种基于振动信号小波阈值降噪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：在所述的提取道岔振动信号特征之前，先从采集的道岔振动信号中提取有效道岔振动信号，并对有效道岔振动信号采用小波阈值方法降噪；所述的提取有效道岔振动信号和采用小波阈值方法降噪的具体做法如下：

(1)提取有效道岔振动信号：对采集到的道岔振动信号进行自动端点检测，确定出车轮经过测点时对应振动信号的起始点和终止点；选出任一对起始点和终止点之间的道岔振动信号，作为有效道岔振动信号x(k)，其中k＝1，2，…，N，N为该对起始点和终止点之间的道岔振动信号包含数据的总个数；

(2)采用小波阈值方法降噪：

(2a)信号的小波分解：采用阶数为14的Daubechies小波对有效道岔振动信号x(k)进行J层小波分解，得到J个细节系数向量d₁，d₂，…，d_J和一个近似系数向量c_J，其中小波分解层数J由自相关系数峰态特征自适应确定；

(2b)对分解的细节系数进行量化：首先对有效道岔振动信号x(k)采用启发式阈值估计准则计算量化阈值λ，然后根据阈值λ对步骤(2a)得到的J个细节系数向量d₁，d₂，…，d_J进行量化得到量化后的细节系数向量对近似系数向量c_J不做处理；

(2c)信号的小波重构：由量化后的J个细节系数向量

和一个近似系数向量c_J进行小波重构，重构后的信号即为降噪后的有效道岔振动信号

与现有技术相比，本发明有益效果是：

(1)本发明对道岔振动信号进行自动端点检测来提取有效振动信号，使得提取的有效振动信号既包含了道岔振动的特征信息，又排除了轮对未经过测点时的虚假振动对特征信息的干扰，可以有效提高伤损识别的识别率。

(2)针对道岔振动信号的采样率高，数据量大的不利情况，本发明利用道岔振动信号的自动端点检测结果，抛弃轮对间隙间的虚假振动信号，只提取有效的道岔振动信号进行后续处理，这样做显著减少了后续处理的数据处理量，使得伤损识别的识别时间明显减小，实时性好。

(3)本发明采用与道岔振动信号时域特征相似性最高的阶数为14的Daubechies小波作为信号分解的基函数对有效的道岔振动信号进行降噪处理，能使降噪后信号失真小，伤损识别结果更准确、可靠。此外，小波变换的计算速度与快速傅里叶变换速度相当，比经验模态分解系列算法快得多，也有利于提高伤损识别的实时性。

(4)本发明采用基于自相关系数峰态特征方法，能够根据噪声情况自适应地确定小波最佳分解层数，保证在不丢失有用信号的前提下，最大限度的滤除噪声，使得本发明方法对不同道岔振动信号和不同噪声强度均具有较好的降噪鲁棒性。

上述步骤(1)中对采集到的道岔振动信号进行自动端点检测的方法为短时能量自动端点检测方法，采用的帧长L＝0.16F_s，相邻帧重叠长度

其中F_s为采集道岔振动信号的采样频率。

短时能量的计算复杂度低、计算速度快，从而端点检测的速度快；分帧的长度与采样频率成正比，使每帧包含的信息与采样频率自动适配，既能充分利用采样信号反映道岔振动信号能量的变化，又使计算量不致过大，保证识别的实时性。

上述步骤(2a)中的小波分解层数J由自相关系数峰态特征自适应确定的具体步骤如下：

初始化分解层数j＝1；

将x(k)进行j层分解得到j个细节系数向量d₁，d₂，…，d_j和一个近似系数向量c_j；将第j层细节系数向量d_j进行单支小波重构得到第j层重构信号f_j(k)；计算第j层重构信号f_j(k)的自相关系数R(m)， $R\left(m\right)=\frac{\underset{k=1}{\overset{N-m}{\mathrm{\Σ}}}(f_j\left(k\right)-{\stackrel{\‾}{f}}_j)(f_j(k+m)-{\stackrel{\‾}{f}}_j)}{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{(f_j\left(k\right)-{\stackrel{\‾}{f}}_j)}^2},$ 其中，

为f_j(k)的均值，

m＝0，1，2，…，N-1；再计算第j层重构信号f_j(k)的自相关系数R(m)的峰态系数ξ，

其中，μ为R(m)的均值， $\mathrm{\μ}=\frac{1}{N}\underset{m=0}{\overset{N-1}{\mathrm{\Σ}}}R\left(m\right),$ s为R(m)的标准差， $s=\sqrt{\frac{1}{N}\underset{m=0}{\overset{N-1}{\mathrm{\Σ}}}{(R\left(m\right)-\mathrm{\μ})}^2};$

比较峰态系数ξ与设定的经验阈值T＝46.176，若ξ≤T或j＝10，则得到小波分解的最佳层数J，J＝j；否则，令j＝j+1，重新进行上段的操作。

由于分解层数较低时，单支重构小波系数的信号所含噪声越丰富，而噪声的自相关系数主要局限在0的附近，并且噪声越丰富，自相关系数的分布曲线越尖削，则对应的峰态系数就越大。所以通过自相关系数峰态特征可快速、准确的根据噪声情况自适应地确定小波最佳分解层数，保证在不丢失有用信号的前提下，最大限度的滤除噪声。

上述步骤(2b)中，根据阈值λ对步骤(2a)得到的J个细节系数向量d₁，d₂，…，d_J进行量化得到量化后的细节系数向量

的计算公式是：

${\hat{d}}_{j,i}=\left\{\begin{array}{c}\mathrm{sign}\left(d_{j,i}\right)\left(\right|d_{j,i}|-\mathrm{\&lambda;}),\left|d_{j,i}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,\left|d_{j,i}\right|<\mathrm{\&lambda;}\end{array}\right.$

其中，d_j，i为第j层细节系数向量d_J的第i个数据元素，

为量化后的第j层细节系数向量

的第i个数据元素，j＝1，2，…，J，

为第j层细节系数向量数据元素的个数，

表示对向下取整，sign(·)为符号函数。

采用这种软阈值方法得到的量化后的细节系数向量，降噪效果好、且能较好地保留有用信号，有利于提高识别的准确性和可靠性。

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为本发明实施例的方法在道岔曲尖轨前端测点处采集到的道岔振动信号，其中任一虚线框的左端点和右端点即构成一对起始点和终止点；图1b为本发明实施例的方法对图1a的道岔振动信号计算出的短时能量特征，其中的水平虚线为判决阈值G＝0.811×10⁵。

图2a为本发明实施例的方法在道岔曲尖轨中部测点处采集到的道岔振动信号，其中任一虚线框的左端点和右端点即构成一对起始点和终止点；图2b为本发明实施例的方法对图2a的道岔振动信号计算出的短时能量特征，其中的水平虚线为判决阈值G＝0.811×10⁵。

图3a为本发明实施例的方法在道岔曲尖轨尾部测点处采集到的道岔振动信号，其中任一虚线框的左端点和右端点即构成一对起始点和终止点；图3b为本发明实施例的方法对图6a的道岔振动信号计算出的短时能量特征，其中的水平虚线为判决阈值G＝0.811×10⁵。

图1a、图2a和图3a中纵坐标为道岔振动信号的幅值，横坐标为采样点序号；图1b、图2b和图3b中纵坐标为道岔振动信号的短时能量幅值，横坐标为道岔振动信号的分帧序号。

图4a为本发明实施例的方法从图1a中提取出的有效道岔振动信号；图4b为本发明实施例的方法对图4a的有效道岔振动信号采用小波阈值方法降噪后的有效道岔振动信号；图4c为图4a的有效道岔振动信号的频谱；图4d为图4b的降噪后的有效道岔振动信号的频谱。

图5a为本发明实施例的方法从图2a中提取出的有效道岔振动信号；图5b为本发明实施例的方法对图5a的有效道岔振动信号采用小波阈值方法降噪后的有效道岔振动信号；图5c为图5a的有效道岔振动信号的频谱；图5d为图5b的降噪后的有效道岔振动信号的频谱。

图6a为本发明实施例的方法从图3a中提取出的有效道岔振动信号；图6b为本发明实施例的方法对图6a的有效道岔振动信号采用小波阈值方法降噪后的有效道岔振动信号；图6c为图6a的有效道岔振动信号的频谱；图6d为图6b的降噪后的有效道岔振动信号的频谱。

图7为本发明实施例的方法对无伤损和有伤损的两种高速道岔振动信号进行降噪处理后的有效道岔振动信号的频响函数的平均马氏距离及不进行降噪处理而其余操作相同的对照方法得到的有效道岔振动信号的频响函数的平均马氏距离。

图8为对应于图4b、图5b、图6b的干净的道岔振动信号加入不同强度的噪声，再用本发明方法进行降噪处理后的信号的均方根误差曲线。

具体实施方式：

实施例

本发明的一种具体实施方式是，一种基于振动信号小波阈值降噪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。在提取道岔振动信号特征之前，先从采集的道岔振动信号中提取有效道岔振动信号，并对有效道岔振动信号采用小波阈值方法降噪；所述的提取有效道岔振动信号和采用小波阈值方法降噪的具体做法如下：

(1)提取有效道岔振动信号：对采集到的道岔振动信号进行自动端点检测，确定出车轮经过测点时对应振动信号的起始点和终止点；选出任一对起始点和终止点之间的道岔振动信号，作为有效道岔振动信号x(k)，其中k＝1，2，…，N，N为该对起始点和终止点之间的道岔振动信号包含数据的总个数；

对采集到的道岔振动信号进行自动端点检测的方法为短时能量自动端点检测方法，采用的帧长L＝0.16F_s，相邻帧重叠长度

其中F_s为采集道岔振动信号的采样频率。本实施例中采样频率F_s为25.6kHz，帧长L＝0.16F_s＝4096点，相邻帧重叠长度S＝L/2＝2048点，故可将信号分为

帧。

短时能量自动端点检测方法为现有技术，其具体做法是：

利用公式

计算每一帧的短时能量，其中

为第m帧原始振动信号的幅度，m＝1，2，…，M；对E(m)进行三点平滑滤波得滤波后的短时能量将每一帧的短时能量

与判决阈值G比较，若且

时，该m₀帧信号的起点即为有效道岔振动信号的起始点；若

且

时，该帧m₁信号的终点即为有效道岔振动信号的终止点，其中判决阈值

据此判决阈值公式，分别求得图1a、图2a和图3a所示道岔振动信号短时能量的判决阈值G为0.811×10⁵、0.865×10⁵和2.497×10⁵。

图1a为本发明实施例的方法在一实际的道岔曲尖轨前端测点处采集到的道岔振动信号，其中任一虚线框的左端点和右端点即构成一对起始点和终止点；图1b为本发明实施例的方法对图1a的道岔振动信号计算出的短时能量特征，其中的水平虚线为判决阈值G＝0.811×10⁵。

图2a为本发明实施例的方法在道岔曲尖轨中部测点处采集到的道岔振动信号，其中任一虚线框的左端点和右端点即构成一对起始点和终止点；图2b为本发明实施例的方法对图2a的道岔振动信号计算出的短时能量特征，其中的水平虚线为判决阈值G＝0.811×10⁵。

图3a为本发明实施例的方法在道岔曲尖轨尾部测点处采集到的道岔振动信号，其中任一虚线框的左端点和右端点即构成一对起始点和终止点；图3b为本发明实施例的方法对图3a的道岔振动信号计算出的短时能量特征，其中的水平虚线为判决阈值G＝0.811×10⁵。

图1a、图2a和图3a中纵坐标为道岔振动信号的幅值，横坐标为采样点序号；图1b、图2b和图3b中纵坐标为道岔振动信号的短时能量幅值，横坐标为道岔振动信号的分帧序号。

以上6个图表明，本实施例的方法对道岔不同位置采集的振动信号均能很好的提取出有效的道岔振动信号。

(2)采用小波阈值方法降噪：

(2a)信号的小波分解：采用阶数为14的Daubechies小波对有效道岔振动信号x(k)进行J层小波分解，得到J个细节系数向量d₁，d₂，…，d_J和一个近似系数向量c_J；其中小波分解层数J由自相关系数峰态特征自适应确定，其具体步骤如下：

初始化分解层数j＝1；

将x(k)进行j层分解得到j个细节系数向量d₁，d₂，…，d_j和一个近似系数向量c_j；将第j层细节系数向量d_j进行单支小波重构得到第j层重构信号f_j(k)；计算第j层重构信号f_j(k)的自相关系数R(m)， $R\left(m\right)=\frac{\underset{k=1}{\overset{N-m}{\mathrm{\&Sigma;}}}(f_j\left(k\right)-{\stackrel{\&OverBar;}{f}}_j)(f_j(k+m)-{\stackrel{\&OverBar;}{f}}_j)}{\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{(f_j\left(k\right)-{\stackrel{\&OverBar;}{f}}_j)}^2},$ 其中，为f_j(k)的均值，

m＝0，1，2，…，N-1；再计算第j层重构信号f_j(k)的自相关系数R(m)的峰态系数ξ，其中，μ为R(m)的均值， $\mathrm{\&mu;}=\frac{1}{N}\underset{m=0}{\overset{N-1}{\mathrm{\&Sigma;}}}R\left(m\right),$ s为R(m)的标准差， $s=\sqrt{\frac{1}{N}\underset{m=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{(R\left(m\right)-\mathrm{\&mu;})}^2};$

比较峰态系数ξ与设定的经验阈值T＝46.176，若ξ≤T或j＝10，则得到小波分解的最佳层数J，J＝j；否则，令j＝j+1，重新进行上段的操作。

采用以上方法确定出图1a、图2a和图3a对应的道岔振动信号的分解层数分别为7、7和6。这是因为图3a的道岔振动信号信噪比相对较高，故其小波分解层数要少于另外两个测点的分解层数。

(2b)对分解的细节系数进行量化：首先对有效道岔振动信号x(k)采用启发式阈值估计准则计算量化阈值λ，然后根据阈值λ对步骤(2a)得到的J个细节系数向量d₁，d₂，…，d_J进行量化得到量化后的细节系数向量

对近似系数向量c_J不做处理；

其中，根据阈值λ对步骤(2a)得到的J个细节系数向量d₁，d₂，…，d_J进行量化得到量化后的细节系数向量

的计算公式是：

${\hat{d}}_{j,i}=\left\{\begin{array}{c}\mathrm{sign}\left(d_{j,i}\right)\left(\right|d_{j,i}|-\mathrm{\&lambda;}),\left|d_{j,i}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,\left|d_{j,i}\right|<\mathrm{\&lambda;}\end{array}\right.$

其中，d_j，i为第j层细节系数向量d_J的第i个数据元素，

为量化后的第j层细节系数向量

的第i个数据元素，j＝1，2，…，J，

为第j层细节系数向量数据元素的个数，

表示对

向下取整，sign(·)为符号函数。

(2c)信号的小波重构：由量化后的J个细节系数向量和一个近似系数向量c_J进行小波重构，重构后的信号即为降噪后的有效道岔振动信号

图4a为本发明实施例的方法从图1a中提取出的有效道岔振动信号；图4b为本发明实施例的方法对图4a的有效道岔振动信号采用小波阈值方法降噪后的有效道岔振动信号；图4c为图4a的有效道岔振动信号的频谱；图4d为图4b的降噪后的有效道岔振动信号的频谱。

图5a为本发明实施例的方法从图2a中提取出的有效道岔振动信号；图5b为本发明实施例的方法对图5a的有效道岔振动信号采用小波阈值方法降噪后的有效道岔振动信号；图5c为图5a的有效道岔振动信号的频谱；图5d为图5b的降噪后的有效道岔振动信号的频谱。

图6a为本发明实施例的方法从图3a中提取出的有效道岔振动信号；图6b为本发明实施例的方法对图6a的有效道岔振动信号采用小波阈值方法降噪后的有效道岔振动信号；图6c为图6a的有效道岔振动信号的频谱；图6d为图6b的降噪后的有效道岔振动信号的频谱。

图4c、图5c和图6c示出，道岔振动信号主要集中在3kHz以内，而高于3kHz的频率成分主要以噪声为主；可见，降噪之前的三个测点的道岔振动信号都不同程度的受到噪声的干扰。图4b、图5b和图6b并对比图4a、图5a和图6a，可知经本发明方法降噪之后的振动信号，消除了大部分的随机噪声，信号时域波形变得较为光滑；图4d、图5d和图6d并对比图4c、图5c和图6c可以看出，三个测点的道岔振动信号高频部分的噪声均得到了有效抑制。同时，这些图也表明，通过降噪并未对有用信号的能量造成削弱，有用信号得到了较好的保留。

因此，本方法所确定的小波基函数、分解层数、阈值是合理的，既达到有效抑制噪声的效果也使得重构信号的失真度小，为伤损识别创造了良好的条件。

本发明实施时，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。如振动信号的采样频率F_s为25.6kHz，每个测点所采数据长度P＝204800个点即可。

伤损识别实验结果：

降噪后的有效道岔振动信号再通过提取道岔振动信号特征即可得到相应的频响函数、通过频响函数与参考信号频响函数的马氏距离，即可进行分类识别道岔伤损。

以下是采用本例方法对实际的道岔进行伤损识别的结果：

采集道岔无伤损工况下的29个批次的道岔振动信号和在伤损工况下的28个批次的道岔振动信号。经端点检测和降噪处理后，分别以各批次道岔尾部的一个测点数据为虚拟激励构造频响函数，并从道岔无伤损工况的29个批次中确定任一批次的频响函数为参考频响函数，最后计算参考数据频响函数与其他各批次数据的频响函数的平均马氏距离。

图7为以上方法对无伤损工况和伤损两种工况的平均马氏距离图及对信号不进行降噪处理而其余操相同的对照方法得到的频响函数平均马氏距离图。

从图7可以看出，对照方法得到的有伤损和无伤损两种工况的平均马氏距离差值小，判决门限的设置困难，容易造成误判和漏判；而个别马氏距离相互交错，则此时必定造成误判或漏判。用本发明方法得到的两种工况的平均马氏没有交错情况，二者的距离差值很大，有利于伤损判决门限的设置，不易误判和漏判。因此，通过本发明方法的降噪处理可有效减小伤损误判的概率，提高伤损识别准确率。

抗噪声性能仿真实验

本发明中基于小波阈值的高速道岔振动信号降噪，在道岔不同测点和不同噪声强度下，能有效降低噪声对振动信号的干扰，说明本方法的稳定性强、鲁棒性好。为验证本发明方法的稳定性和鲁棒性，进行以下的仿真实验：

将图1a、图2a、图3a的道岔振动信号经降噪后的信号作为干净的道岔振动信号，然后加以高斯白噪声，干净的道岔振动信号与加入的高斯白噪声的信噪比为-20dB～50dB。再对加噪后的振动信号进行降噪，并用如下定义的均方根误差作为算法降噪性能的评价依据：

$\mathrm{RMSE}=\sqrt{\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}|\hat{y}\left(k\right)-y\left(k\right){|}^2}$

其中，y(k)为干净道岔振动信号，

为降噪后的道岔振动信号，k＝1，2，…，N，N为信号的长度。

图8为对应于图4b、图5b、图6b干净的道岔振动信号加入不同强度的噪声后，再进行本发明的降噪处理后的均方根误差曲线。由图8可知，加入的噪声强度越高(信噪比越低)，均方根误差越大。但在信噪比低至-10dB时，都低于图4a、图5a、图6a的道岔振动信号的均方根误差。然而在实际情况中，所测道岔振动信号的信噪比通常要高于-10dB；因此，本发明方法对道岔不同测点振动信号的降噪具有较好稳定性，对不同强度的噪声具有较好的鲁棒性。

Claims (4)

1.一种基于振动信号小波阈值降噪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：在提取道岔振动信号特征之前，先从采集的道岔振动信号中提取有效道岔振动信号，并对有效道岔振动信号采用小波阈值方法降噪；所述的提取有效道岔振动信号和采用小波阈值方法降噪的具体做法如下：

(1)提取有效道岔振动信号：对采集到的道岔振动信号进行自动端点检测，确定出车轮经过测点时对应振动信号的起始点和终止点；选出任一对起始点和终止点之间的道岔振动信号，作为有效道岔振动信号x(k)，其中k＝1，2，…，N，N为该对起始点和终止点之间的道岔振动信号包含数据的总个数；

(2)采用小波阈值方法降噪：

(2a)信号的小波分解：采用阶数为14的Daubechies小波对有效道岔振动信号x(k)进行J层小波分解，得到J个细节系数向量d₁，d₂，…，d_J和一个近似系数向量c_J，其中小波分解层数J由自相关系数峰态特征自适应确定；

(2b)对分解的细节系数进行量化：首先对有效道岔振动信号x(k)采用启发式阈值估计准则计算量化阈值λ，然后根据阈值λ对步骤(2a)得到的J个细节系数向量d₁，d₂，…，d_J进行量化得到量化后的细节系数向量

对近似系数向量c_J不做处理；

(2c)信号的小波重构：由量化后的J个细节系数向量

和一个近似系数向量c_J进行小波重构，重构后的信号即为降噪后的有效道岔振动信号

2.根据权利要求1所述的一种基于振动信号小波阈值降噪的高速道岔伤损识别方法，其特征在于：所述步骤(1)中对采集到的道岔振动信号进行自动端点检测的方法为短时能量自动端点检测方法，采用的帧长L＝0.16F_s，相邻帧重叠长度

其中F_s为采集道岔振动信号的采样频率。

3.根据权利要求1所述的一种基于振动信号小波阈值降噪的高速道岔伤损识别方法，其特征在于：所述步骤(2a)中的小波分解层数J由自相关系数峰态特征自适应确定的具体步骤如下：

初始化分解层数j＝1；

将x(k)进行j层分解得到j个细节系数向量d₁，d₂，…，d_j和一个近似系数向量c_j；将第j层细节系数向量d_j进行单支小波重构得到第j层重构信号f_j(k)；计算第j层重构信号f_j(k)的自相关系数R(m)， $R\left(m\right)=\frac{\underset{k=1}{\overset{N-m}{\mathrm{\&Sigma;}}}(f_j\left(k\right)-{\stackrel{\&OverBar;}{f}}_j)(f_j(k+m)-{\stackrel{\&OverBar;}{f}}_j)}{\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{(f_j\left(k\right)-{\stackrel{\&OverBar;}{f}}_j)}^2},$ 其中，

为f_j(k)的均值，

m＝0，1，2，…，N-1；再计算第j层重构信号f_j(k)的自相关系数R(m)的峰态系数ξ，

其中，μ为R(m)的均值， $\mathrm{\&mu;}=\frac{1}{N}\underset{m=0}{\overset{N-1}{\mathrm{\&Sigma;}}}R\left(m\right),$ s为R(m)的标准差， $s=\sqrt{\frac{1}{N}\underset{m=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{(R\left(m\right)-\mathrm{\&mu;})}^2};$

比较峰态系数ξ与设定的经验阈值T＝46.176，若ξ≤T或j＝10，则得到小波分解的最佳层数J，J＝j；否则，令j＝j+1，重新进行上段的操作。

4.根据权利要求1所述的一种基于振动信号小波阈值降噪的高速道岔伤损识别方法，其特征在于：所述步骤(2b)中，根据阈值λ对步骤(2a)得到的J个细节系数向量d₁，d₂，…，d_J进行量化得到量化后的细节系数向量

的计算公式是：

${\hat{d}}_{j,i}=\left\{\begin{array}{c}\mathrm{sign}\left(d_{j,i}\right)\left(\right|d_{j,i}|-\mathrm{\&lambda;}),\left|d_{j,i}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,\left|d_{j,i}\right|<\mathrm{\&lambda;}\end{array}\right.$

其中，d_j，i为第j层细节系数向量d_J的第i个数据元素，为量化后的第j层细节系数向量

的第i个数据元素，j＝1，2，…，J，

为第j层细节系数向量数据元素的个数，表示对

向下取整，sign(·)为符号函数。

Images