CN103226132B - 高铁钢轨伤损检测实验平台及检测方法 - Google Patents

Abstract

高铁钢轨伤损检测实验平台及检测方法，属于铁路安全监测与防护技术领域，本发明为解决手推式探伤仪的检测结果易受环境和个人因素影响的问题。本发明包括加压装置、丝杆、模拟车轮、模拟高铁钢轨、传送带、主动轮、电机、振动加速度传感器、wifi无线发射模块、wifi无线接收模块和上位机，检测方法包括以下步骤：一、模拟不同车重、不同车速，制造不同的表面伤损，提取振动加速度传感器采集信号的时域特征参数和时频域特征参数，通过支持向量机来建立伤损识别库；二、在模拟高铁钢轨上沿圆周方向设置多个振动加速度传感器，提取每个传感器采集信号的参数；三、对照伤损识别库，判断二获取的每个振动加速度传感器所在位置是否存在表面伤损。

Description

高铁钢轨伤损检测实验平台及检测方法

技术领域

本发明涉及高铁钢轨伤损检测实验平台及检测方法，属于铁路安全监测与防护技术领域。

背景技术

由于列车和钢轨的长期相互作用，自然环境和钢轨本身质量原因都会造成钢轨的伤损。我国根据钢轨的伤损种类，伤损位置及伤损原因进行分类，共分为9类32种伤损。目前轨道伤损检测的主要有两种：手推式探伤仪和大型轨道检测车，前者是目前国内轨道检测的主要手段，这种方式的主要问题是效率低下，一台这样的探伤设备至少需要4人，检测的速度仅有2-3km/h。其次，在探伤检测中，检测的结果很容易受环境和个人主观因素的影响，很容易造成错判和漏判现象。大型轨道检测车是目前最先进的轨道检测方式，相对人工检测方式，检测速度和可靠性有很大的提高。它的检测速度一般能够达到40Km/h，最高甚至可以达到80Km/h。随着技术发展，国外已经有了一些高速的检测设备，如法国的MGV检测列车能够以300Km/h的速度对轨道进行检测，其次还有日本的East-i和德国的OMWE等。尽管这些高速轨检车提高了轨道检测的效率，但是这些车一般是每隔几个月才对线路检测一次，不能对轨道进行实时的监控，如何提高高速铁路钢轨伤损检测效率成了一个亟待解决的问题。

发明内容

本发明目的是为了解决手推式探伤仪的检测结果很容易受环境和个人主观因素的影响，很容易造成错判和漏判，而高速轨检车不能对轨道实时监控的问题，提供了一种高铁钢轨伤损检测实验平台及检测方法。

本发明所述高铁钢轨伤损检测实验平台，它包括加压装置、丝杆、模拟车轮、模拟高铁钢轨、传送带、主动轮、电机、振动加速度传感器、wifi无线发射模块、wifi无线接收模块和上位机，

模拟高铁钢轨为圆盘状的轮子结构，模拟高铁钢轨与主动轮之间通过传送带实现传动连接，主动轮由电机带动旋转，模拟车轮和模拟高铁钢轨之间滚动接触，

加压装置通过丝杆给模拟车轮加压；

模拟高铁钢轨的盘面上设置有振动加速度传感器，振动加速度传感器用于检测模拟高铁钢轨的表面伤损信号，所述表面伤损信号和裂纹伤损信号通过wifi无线发射模块发送出去；由wifi无线接收模块接收后输出给上位机。

上述方案还可以进一步包括变频器，变频器的转速控制信号输出端与电机的转速控制信号输入端相连。

上述方案还可以进一步包括压力传感器，压力传感器用于检测加压装置施加给模拟车轮的压力信号，压力传感器的压力信号输出端与wifi无线发射模块的压力信号输入端相连。

上述方案还可以进一步包括编码器测速模块，编码器测速模块用于测量电机的转速，编码器测速模块的电机转速信号输出端与wifi无线发射模块的电机转速信号输入端相连。

基于所述高铁钢轨伤损检测实验平台的检测方法包括以下步骤：

步骤一、利用加压装置加压来模拟不同车重，通过调整电机的转速来模拟不同车速，在模拟高铁钢轨上不同位置制造表面伤损，通过振动加速度传感器采集模拟高铁钢轨的表面伤损信号，并提取其时域特征参数和时频域特征参数，通过支持向量机来建立伤损识别库；

步骤二、在模拟高铁钢轨上沿圆周方向设置多个振动加速度传感器，对每个振动加速度传感器采集的表面伤损信号进行处理，提取其时域特征参数和时频域特征参数；

步骤三、对照步骤一的伤损识别库，判断步骤二获取的每个振动加速度传感器所在位置是否存在表面伤损。

本发明的优点：

1)在符合赫兹接触定理的情况下模拟了列车车轮和钢轨的接触状态，并且实现了轮轨间200Km/h的线速度，可以得出高速下的钢轨伤损信号，传感器的安装位置、轮轨间施加的压力、轮轨间的线速度都可以调整，可以得到不同模拟车速、车重、不同测量位置处的钢轨伤损信号。

2)在模拟钢轨上可以安装振动加速度传感器对不同的表面伤损进行检测，振动加速度传感器主要用于检测钢轨的表面伤损。

3)实验中的振动数据采用了无线传输，由于数据量较大，采用了高速的基于wifi的传输方案，实验中稳定的传输速度能达到5MB/s，能够满足数据的实时传输需求，在传输实时性要求不高时，选择传输波形数据，传输实时性要求高时，选择传输波形特征参数数据。

4)在电脑上位机软件中集成了振动信号的处理程序、测速调速程序和压力显示程序，集成度的提高，简化了设备的使用，自动化程度也得到提高。

附图说明

图1是本发明所述高铁钢轨伤损检测实验平台的结构示意图；

图2是本发明所述高铁钢轨伤损检测实验平台的电气控制原理图；

图3是钢轨波浪形磨耗的外形示意图；

图4是轨头局部压陷的外形示意图；

图5是钢轨表面剥离的外形示意图；

图6是钢轨马鞍形磨耗的外形示意图；

图7是钢轨高低接头的外形示意图；

图8是实施例中一段振动信号示意图；

图9是滤波前振动信号的频谱图；

图10是滤波后振动信号的频谱图；

图11是信号EMD分解后的前6个IMF分量图；

图12是信号EMD分解后的后4个IMF分量图。

具体实施方式

具体实施方式一：下面结合图1至图7说明本实施方式，本实施方式所述高铁钢轨伤损检测实验平台，包括加压装置1、丝杆2、模拟车轮3、模拟高铁钢轨4、传送带5、主动轮6、电机8、振动加速度传感器9、wifi无线发射模块12、wifi无线接收模块13和上位机14，

模拟高铁钢轨4为圆盘状的轮子结构，模拟高铁钢轨4与主动轮6之间通过传送带5实现传动连接，主动轮6由电机8带动旋转，模拟车轮3和模拟高铁钢轨4之间滚动接触，

加压装置1通过丝杆2给模拟车轮3加压；

模拟高铁钢轨4的盘面上设置有振动加速度传感器9，振动加速度传感器9用于检测模拟高铁钢轨4的表面伤损信号，所述表面伤损信号和裂纹伤损信号通过wifi无线发射模块12发送出去；由wifi无线接收模块13接收后输出给上位机14。

加压装置1通过丝杆2给模拟车轮3加压，进而实现模拟车轮3对模拟高铁钢轨4施加的模拟车重，该压力是可调节的，加压装置1是旋转件，通过旋转加压，再由丝杆传递实现。

获取钢轨伤损振动加速度的第一步是在模拟钢轨4上制造相应的伤损，钢轨伤损种类比较多，常见的有钢轨的波浪形磨耗、轨头局部压陷、轨面剥离、马鞍形磨耗和钢轨高低接头等，图3到图7分别描绘了这些钢轨伤损的外形。可以按照这些伤损的外形在模拟钢轨4上加工出模拟的钢轨伤损。

图1中的模拟钢轨4上分布着大量传感器安装位置，通过调整传感器和伤损之间的位置，可以得到相对伤损不用位置的伤损信号。振动加速度传感器9采用了PCB公司的通用陶瓷加速度传感器。

具体实施方式二：本实施方式对实施方式一作进一步说明，它还包括变频器7，变频器7的转速控制信号输出端与电机8的转速控制信号输入端相连。变频器用于控制电机8的转速的大小。

主动轮6和模拟高铁钢轨4上均设置一个皮带轮，两个皮带轮由传送带5连接，主动轮6由电机8带动旋转，主动轮6通过传送带5带动模拟高铁钢轨4旋转。

通过控制电机8的转速便可得出不同模拟车速下的伤损信号。

模拟车速其推导过程为：

设n₁为电机8的转速，n₂为模拟钢轨4的转速，d₁为主动轮6上的皮带轮直径，d₂为模拟钢轨4上的皮带轮的直径，r₁主动轮6上的皮带轮半径，r₂为模拟钢轨4上的皮带轮的半径，D₂为模拟钢轨4的直径，r₃为模拟钢轨4的半径，由于皮带轮上各点的线速度相等，于是有v₁＝v₂，v₁为主动轮6上的皮带轮的线速度，v₂为模拟钢轨4上的皮带轮的线速度，容易得到 $v_1={\mathrm{\ω}}_1\·r_1=\frac{{2\mathrm{\πn}}_1}{60}{r}_1=\frac{{\mathrm{\πn}}_1{d}_1}{60},$ 同理 $v_2={\mathrm{\ω}}_2\·r_2=\frac{{\mathrm{\πn}}_2{d}_2}{60},$ 所以有 $\frac{{\mathrm{\πn}}_1{d}_1}{60}=\frac{{\mathrm{\πn}}_2{d}_2}{60},$ 也即 $n_2=\frac{n_1{d}_1}{d_2}.$ 模拟车速 $v={\mathrm{\ω}}_2\·r_3=\frac{{\mathrm{\πD}}_2{n}_2}{60},$ 代入前面的n₂公式中，则有：

可知，通过调节电机8的转速来达到调节模拟车速的目的。

具体实施方式三：本实施方式对实施方式一作进一步说明，它还包括压力传感器10，压力传感器10用于检测加压装置1施加给模拟车轮3的压力信号，压力传感器10的压力信号输出端与wifi无线发射模块12的压力信号输入端相连。

模拟车重，即压力值的大小可以通过装置上的压力传感器10测得，压力传感器10采用了山度公司的SH-20K数显压力计，通过施加不同的压力值，可以获得不同模拟车重下的伤损信号。

具体实施方式四：本实施方式对实施方式一作进一步说明，它还包括编码器测速模块11，编码器测速模块11用于测量电机8的转速，编码器测速模块11的电机转速信号输出端与wifi无线发射模块12的电机转速信号输入端相连。

具体实施方式五：本实施方式是基于实施方式四所述高铁钢轨伤损检测实验平台的检测方法，其特征在于，该方法包括以下步骤：

步骤一、利用加压装置1加压来模拟不同车重，通过调整电机8的转速来模拟不同车速，在模拟高铁钢轨4上不同位置制造表面伤损，通过振动加速度传感器9采集模拟高铁钢轨4的表面伤损信号，并提取其时域特征参数和时频域特征参数，通过支持向量机来建立伤损识别库；

步骤二、在模拟高铁钢轨4上沿圆周方向设置多个振动加速度传感器9，对每个振动加速度传感器采集的表面伤损信号进行处理，提取其时域特征参数和时频域特征参数；

步骤三、对照步骤一的伤损识别库，判断步骤二获取的每个振动加速度传感器9所在位置是否存在表面伤损。

具体实施方式六：本实施方式对实施方式一作进一步说明，步骤一中建立伤损识别库的过程为：

步骤一一、模拟高铁钢轨4上某处位置制造出表面伤损，并把振动加速度传感器9设置在该伤损位置附近，加压装置1通过丝杆2给模拟车轮3加压，来实现给模拟高铁钢轨4模拟施加车重，车重数值由压力传感器10读取；启动电机8，通过控制电机8的转速n₁来调整模拟高铁钢轨4达到设定的车速其中：D₂为模拟高铁钢轨4的直径，d₁为主动轮6上的皮带轮直径，d₂为模拟高铁钢轨4上的皮带轮直径；

步骤一二、上位机14对接收的模拟高铁钢轨4的表面伤损信号按数据长度N进行截取，获取m个表面伤损信号x_i(t)，i＝1,2,...,m，

其中：数据长度N由公式确定，

式中：t为模拟高铁钢轨4旋转一周的时间，且n为模拟高铁钢轨4的转速，F_s为振动数据采集的采样速率；

步骤一三、对步骤一二获取的m个表面伤损信号x_i(t)进行低通滤波处理，去除高频噪声后获取m个滤波后表面伤损信号y_i(t)，i＝1,2,...,m；t＝0,1,...,N-1，

信号低通滤波处理，去除高频噪声干扰。考虑到钢轨伤损信号的频率主要集中在2KHz以下的低频成分，对于由环境噪声和传感器特性带来的高频信号部分需要去除，实验中设计的低通滤波器采用的截止频率为5KHz。

步骤一四、按照下面的公式提取步骤一三获取的m个滤波后表面伤损信号y_i(t)的时域特征参数：

均值 $\stackrel{\‾}{y}=\frac{1}{N}\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}\left|y\left(t\right)\right|;$

峰值y_p：y_p＝max(|y(t)|)；

均方根y_rms： $y_{\mathrm{rms}}={\left(\frac{1}{N}\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}{y}^2\left(t\right)\right)}^{1/2};$

方根幅值y_r： $y_r={\left(\frac{1}{N}\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}{\left|y\left(t\right)\right|}^{1/2}\right)}^2;$

标准差y_std： $y_{\mathrm{std}}={\left(\frac{1}{N-1}\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}{(y\left(t\right)-\stackrel{\‾}{y})}^2\right)}^{1/2};$

偏度y_ske： $t_{\mathrm{ske}}=\frac{\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}{(y\left(t\right)-\stackrel{\‾}{y})}^3}{(N-1)y_{\mathrm{std}}^3};$

峭度y_kur： $y_{\mathrm{kur}}=\frac{\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}{(y\left(t\right)-\stackrel{\‾}{y})}^4}{(N-1)y_{\mathrm{std}}^4};$

波形因子y_SF： $y_{\mathrm{SF}}=\frac{y_{\mathrm{rms}}}{\stackrel{\‾}{y}};$

峰值因子y_CF： $y_{\mathrm{CF}}=\frac{y_p}{y_{\mathrm{rms}}};$

脉冲因子y_IF： $y_{\mathrm{IF}}=\frac{y_p}{\stackrel{\‾}{y}};$

裕度因子y_CIF： $y_{\mathrm{CIF}}=\frac{y_p}{y_r};$

时域特征参数包括均值、峰值、均方根、方根幅值、标准差、偏度、峭度、波形因子、峰值因子、脉冲因子和裕度因子。

步骤一五、提取步骤一三获取的m个滤波后表面伤损信号y_i(t)的时频域特征参数：能量熵值、奇异熵值和前5个IMF分量的能量比重，

对滤波后表面伤损信号y_i(t)进行经验模态分解，获取分解后前5个低阶IMF分量i'＝1,2,...,5，t＝0,1,...,N-1，

各阶IMF能量值按公式i＝1,2,…,5获取，

各阶IMF分量的能量比重按公式获取，

能量熵值Hen按公式 $\mathrm{Hen}=-\underset{i^{\′}=1}{\overset{5}{\mathrm{\Σ}}}{p}_{i^{\′}}\log p_{i^{\′}}$ 获取；

奇异熵值Hsv按公式 $\mathrm{Hsv}=-\underset{i^{\′}=1}{\overset{5}{\mathrm{\Σ}}}{S}_{i^{\′}}\log S_{i^{\′}}$ 获取；

其中， 为前5个低阶IMF分量按照 $\left[\begin{array}{c}\mathrm{IMF}1\\ \·\\ \·\\ \·\\ \mathrm{IMF}5\end{array}\right]$ 组成的矩阵的奇异值；

该矩阵写全了可表示为 $C=\left[\begin{array}{cccc}{c}_1\left(0\right)& c_1\left(1\right)& \·\·\·\·\·\·& c_1(N-1)\\ & & \·& \\ & & \·& \\ & & \·& \\ c_5\left(0\right)& c_5\left(1\right)& \·\·\·\·\·\·& c_5(N-1)\end{array}\right],$ 可以通过矩阵变换求得它的共轭转置矩阵C^H，先求C^HC的r个非零特征值λ_j，j＝1,...,r，r为矩阵C的秩，则即为矩阵C的奇异值。

步骤一六、根据步骤一一调整出不同车速、不同车重和不同伤损位置，进而获取大量的步骤一四所述时域特征参数和步骤一五所述时频域特征参数，并采用支持向量机对其进行伤损分类识别，建立伤损识别库。

特征参数的选取极大地影响着伤损识别的准确率，良好的特征参数应该具有四个特征：

区分性。对于不同类别的对象，其特征参数应该有明显的差异。

可靠性。对于同类别的对象，其特征参数应该比较相似。

独立性。各特征参数之间彼此不相关。

数量少。数量多会导致伤损库的增加，并会导致训练的复杂度迅速增长，要达到同样的分类准确率，训练的样本也会成指数增长。

根据这四条原则来选取特征参数，分别在不同车速、不同车重、不同测量位置测出不同伤损的振动加速度信号，在每种情况下分别进行特征参数优化，使得在识别效率满足要求时，特征参数个数最少，最后取这三种情况下特征参数集的并集作为最终的特征参数集，运用支持向量机(SVM)进行伤损分类识别，建立伤损特征库。

由于特性参数维数不是很高，特征参数优化采用了顺序后向选择法(SequentialBackward Selection，SBS)。初始的特征参数集为全体要优化的特征参数，然后每次从这个特征参数集中剔除一个特征，直到剩余的特征参数集满足分类准确率要求时算法结束。

具体实施方式七：下面结合图1至图12给出一个具体实施例。

执行步骤一一、以轨头局部压陷为例，图4为这种钢轨伤损的外形示意图，其中H＝0.5mm，L＝8cm。传感器先安装在伤损的正下方，通过施压装置1施加压力大小为1KN，通过变频器7设定模拟轨转速v为50Km/h。

执行步骤一二、数据采集端的采样速率设定为25.6Ks/s，根据公式可以求出数据的截取长度为4750。图8为截取的一个数据样本。

执行步骤一三、对数据样本进行低通滤波处理，所用的截取频率为5KHz，图9为滤波前的频谱图，图10为滤波后的频谱图。

执行步骤一四、提取滤波后数据样本的时域和时频域特征参数，根据步骤一四中的公式可以求得11个时域特征参数，如下表：

执行步骤一五、最后求时频域特征参数，图11和图12为EMD分解后的IMF，选取前5个IMF，计算它们占的能量比重，并根据步骤一五的公式求出共7个时频域特征参数，如下表：

IMF1	IMF2	IMF3	IMF4	IMF5	Hen	Hsv
							0.65904	0.06836	0.03609	0.14810	0.08841	1.07541	1.46849

重复步骤一一至步骤一五获得30个样本数据的特征参数。

所述30个样本是在不同模拟车重、不同车速和不同测量位置下的不同伤损信号，采用的方法如前，只需调整伤损类型，传感器安装位置，压力大小和转速大小即可。

为了建立伤损识别库，这里选用了轨头局部压陷、轨面剥离、钢轨高低接头和无伤损四种类型，模拟车重1KN，模拟车速30Km/h，50Km/h和80Km/h下进行了测试，每组取30个数据样本，选取20个作为训练样本，10个为测试样本，这样一共240个训练数据样本，120个训练数据样本。并求得其时域和时频域的特征参数，研究在不同车速下的特征参数优化，使得在识别效率满足要求时，特征参数个数最少。

运用SBS方法进行特征参数优化，选取初始特征参数集为11个时域特征参数和7个时频域特征参数，运用支持向量机(SVM)进行分类，此时的分类准确率为93.3％.

通过使用SBS算法对特征参数进行优化，最后剩下的特征参数为第4、6、8、11、12、14列，也即方根幅值x_r、偏度x_ske、波形因子x_SF、裕度因子x_CIF、IMF1和IMF3的能量比值。用这6个特征参数组成的特征参数集，运用SVM得出此时的分类准确率为96.7％。由此可以看出不但特征参数集得到了简化，而且分类准确率还增加了，所以很有必要对特征参数集进行优化。

同样，对于不同的模拟车重1KN、2KN、3KN时对四种伤损进行了测试，直接对初始特征参数集应用SVM进行分类，其准确率为92.5％。运用SBS算法对特征参数进行优化，剩下第8、9、13、14、16列，即波形因子、峰值因子、和IMF2、IMF3、IMF5的能量比值，此时运用SVM进行分类的准确率为94.2％。

对于振动加速度传感器9不同测量位置：位于伤损左侧5cm、正下方、右侧5cm，把获得的初始特征参数集用SVM进行分类的准确率为94％，运用SBS算法优化后剩下第4、10、12、13、14列，即方根幅值、脉冲因子和IMF1、IMF2、IMF3的能量比值，此时运用SVM的分类准确率为96％。

最后取这三种情况下优化后的特征参数并集，得并集为第4、6、8、9、10、11、12、13、14、16列，即方根幅值、偏度、波形因子、峰值因子、脉冲因子、裕度因子和IMF1、IMF2、IMF3、IMF5的能量比值，这些特征参数就作为最后的特征参数集，可以在不同车速、不同车重、不同测量位置处对钢轨伤损进行检测。

为了验证该参数集的有效性，把三种情况下一共240*3＝720个训练数据样本，120*3＝360个训练数据样本，直接用初始的18个特征参数集进行分类，其准确率为93.8％，取优化后的10个特征参数进行分类，其准确率为93.5％，在基本不影响分类准确率的情况下，特征参数减少了8个。

Claims (2)

1.基于高铁钢轨伤损检测实验平台的检测方法，所述高铁钢轨伤损检测实验平台包括加压装置(1)、丝杆(2)、模拟车轮(3)、模拟高铁钢轨(4)、传送带(5)、主动轮(6)、变频器(7)、电机(8)、振动加速度传感器(9)、压力传感器(10)、编码器测速模块(11)、wifi无线发射模块(12)、wifi无线接收模块(13)和上位机(14)，

模拟高铁钢轨(4)为圆盘状的轮子结构，模拟高铁钢轨(4)与主动轮(6)之间通过传送带(5)实现传动连接，主动轮(6)由电机(8)带动旋转，模拟车轮(3)和模拟高铁钢轨(4)之间滚动接触，

加压装置(1)通过丝杆(2)给模拟车轮(3)加压；

模拟高铁钢轨(4)的盘面上设置有振动加速度传感器(9)，振动加速度传感器(9)用于检测模拟高铁钢轨(4)的表面伤损信号，所述表面伤损信号和裂纹伤损信号通过wifi无线发射模块(12)发送出去；由wifi无线接收模块(13)接收后输出给上位机(14)；

变频器(7)的转速控制信号输出端与电机(8)的转速控制信号输入端相连；

压力传感器(10)用于检测加压装置(1)施加给模拟车轮(3)的压力信号，压力传感器(10)的压力信号输出端与wifi无线发射模块(12)的压力信号输入端相连；

编码器测速模块(11)用于测量电机(8)的转速，编码器测速模块(11)的电机转速信号输出端与wifi无线发射模块(12)的电机转速信号输入端相连；

其特征在于，该方法包括以下步骤：

步骤一、利用加压装置(1)加压来模拟不同车重，通过调整电机(8)的转速来模拟不同车速，在模拟高铁钢轨(4)上不同位置制造表面伤损，通过振动加速度传感器(9)采集模拟高铁钢轨(4)的表面伤损信号，并提取其时域特征参数和时频域特征参数，通过支持向量机来建立伤损识别库；

步骤二、在模拟高铁钢轨(4)上沿圆周方向设置多个振动加速度传感器(9)，对每个振动加速度传感器采集的表面伤损信号进行处理，提取其时域特征参数和时频域特征参数；

步骤三、对照步骤一的伤损识别库，判断步骤二获取的每个振动加速度传感器(9)所在位置是否存在表面伤损。

2.如权利要求1所述的检测方法，其特征在于，步骤一中建立伤损识别库的过程为：

步骤一一、模拟高铁钢轨(4)上某处位置制造出表面伤损，并把振动加速度传感器(9)设置在该伤损位置附近，加压装置(1)通过丝杆(2)给模拟车轮(3)加压，来实现给模拟高铁钢轨(4)模拟施加车重，车重数值由压力传感器(10)读取；启动电机(8)，通过控制电机(8)的转速n₁来调整模拟高铁钢轨(4)达到设定的车速其中：D₂为模拟高铁钢轨(4)的直径，d₁为主动轮(6)上的皮带轮直径，d₂为模拟高铁钢轨(4)上的皮带轮直径；

步骤一二、上位机(14)对接收的模拟高铁钢轨(4)的表面伤损信号按数据长度N进行截取，获取m个表面伤损信号x_i(t)，i＝1,2,...,m，

其中：数据长度N由公式确定，

式中：t为模拟高铁钢轨(4)旋转一周的时间，且n为模拟高铁钢轨(4)的转速，F_s为振动数据采集的采样速率；

步骤一三、对步骤一二获取的m个表面伤损信号x_i(t)进行低通滤波处理，去除高频噪声后获取m个滤波后表面伤损信号y_i(t)，i＝1,2,...,m；t＝0,1,...,N-1，

步骤一四、按照下面的公式提取步骤一三获取的m个滤波后表面伤损信号y_i(t)的时域特征参数：

均值 $\stackrel{\‾}{y}=\frac{1}{N}\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}\left|y\left(t\right)\right|;$

峰值y_p：y_p＝max(|y(t)|)；

均方根y_rms： $y_{\mathrm{rms}}={\left(\frac{1}{N}\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}{y}^2\left(t\right)\right)}^{1/2};$

方根幅值y_r： $y_r={\left(\frac{1}{N}\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}\right|{y\left(t\right)|}^{1/2})}^2;$

标准差y_std： $y_{\mathrm{std}}={\left(\frac{1}{N-1}\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}{(y\left(t\right)-\stackrel{\‾}{y})}^2\right)}^{1/2};$

偏度y_ske： $y_{\mathrm{ske}}=\frac{\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}{(y\left(t\right)-\stackrel{\‾}{y})}^3}{(N-1)y_{\mathrm{std}}^3}\text{;}$

峭度y_kur： $y_{\mathrm{kur}}=\frac{\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}{(y\left(t\right)-\stackrel{\‾}{y})}^4}{(N-1)y_{\mathrm{std}}^4}\text{;}$

波形因子y_SF： $y_{\mathrm{SF}}=\frac{y_{\mathrm{rms}}}{\stackrel{\‾}{y}};$

峰值因子y_CF： $y_{\mathrm{CF}}=\frac{y_p}{y_{\mathrm{rms}}};$

脉冲因子y_IF： $y_{\mathrm{IF}}=\frac{y_p}{\stackrel{\‾}{y}};$

裕度因子y_CIF： $y_{\mathrm{CIF}}=\frac{y_p}{y_r};$

步骤一五、提取步骤一三获取的m个滤波后表面伤损信号y_i(t)的时频域特征参数：能量熵值、奇异熵值和前5个IMF分量的能量比重，

对滤波后表面伤损信号y_i(t)进行经验模态分解，获取分解后前5个低阶IMF分量c_i'(t)，i'＝1,2,...,5，t＝0,1,...,N-1，

各阶IMF能量值E_i'按公式i＝1,2,…,5获取，

各阶IMF分量的能量比重p_i'按公式获取，

能量熵值Hen按公式 $\mathrm{Hen}=-\underset{i^{\′}=1}{\overset{5}{\mathrm{\Σ}}}{p}_{i^{\′}}\log p_{i^{\′}}$ 获取；

奇异熵值Hsv按公式 $\mathrm{Hsv}=-\underset{i^{\′}=1}{\overset{5}{\mathrm{\Σ}}}{S}_{i^{\′}}\log S_{i^{\′}}$ 获取；

其中， $S_{i^{\′}}=\frac{I_{i^{\′}}}{\underset{i^{\′}=1}{\overset{5}{\mathrm{\Σ}}}{I}_{i^{\′}}}\text{,}$ I_i'为前5个低阶IMF分量按照 $\left[\begin{array}{c}\mathrm{IMF}1\\ .\\ .\\ .\\ \mathrm{IMF}5\end{array}\right]$ 组成的矩阵的奇异值；

步骤一六、根据步骤一一调整出不同车速、不同车重和不同伤损位置，进而获取大量的步骤一四所述时域特征参数和步骤一五所述时频域特征参数，并采用支持向量机对其进行伤损分类识别，建立伤损识别库。