CN107966307A - 一种基于振动加速度的列车运行安全在线监测方法 - Google Patents

Abstract

本发明提供了一种基于振动加速度的列车运行安全在线监测方法，包括以下步骤：获取某一时间段内列车上车轮的振动加速度数据；基于所述时间段内的所述振动加速度数据，获取所述列车的车轮抬升量和车轮横移量；判断所述时间段内的所述振动加速度数据的加速度峰值、加速度绝对值以及所述车轮抬升量和所述车轮横移量是否同时满足各自预设的阈值，获得判断结果；所述判断结果为是时，则进行脱轨趋势判断并报警。该基于振动加速度的列车运行安全在线监测方法的计算量小、计算速度快，适用于在线监测；只需要用到加速度传感器，成本低、安装方便。采用4个脱轨指标对列车脱轨进行判断，综合性强，反映脱轨状态更加全面。

Description

一种基于振动加速度的列车运行安全在线监测方法

技术领域

本发明涉及轨道交通监测技术领域，具体涉及一种基于振动加速度的列车运行安全在线监测方法。

背景技术

随着我国的社会经济不断发展，我国的高铁建设也进入了一个急速发展的时期，我国的高铁时速也从200公里/小时逐步提升到了350公里/小时。在提升时速的同时，预防高铁脱轨也就成为高铁安全运行的重中之重。

目前，各个国家都在积极展开列车脱轨在线监测的研究，但是目前并没有一种十分有效的监测产品和监测方法。

日本洪介仁提出了一种使用MEMS加速度传感器和角加速度传感器监测列车运行的方法，用于车辆脱轨趋势的监测。其方法是将MEMS加速度传感器和角加速度传感器安装转向架及车体内，并建立爬轨脱轨算法。通过传感器采得的数据计算转向架点头角速度的峰值，以及转向架侧滚角速度的时间累计值，利用该值与运行速度设定的临界值进行比较，即可判断出是否脱轨。

日本城取岳夫提出将加速度传感器安装在列车特定部位上，通过比较某一时刻采集到的振动加速度峰值与预先建立的峰值振动加速度的统计平均值和标准偏差值的数据库，以及振动加速度的波形是否为正、负非对称等因素来判断列车是否脱轨。

法国研究人员通过分析欧盟列车脱轨原因，在轨道附近设置超声扫描与电磁扫描系统，监测轮轨力几何特征、偏载特征等并与数据库资料对比分析来监测列车脱轨。

我国也研究出来几种监测列车脱轨的方法和系统，比如：

轨道动力无线监测系统，此系统主要利用钢轨剪力法检测轮轨作用力，通过无线带宽网络系统传输数据，由控制台软件采集数据进行存储，继而分别计算出脱轨系数等指标，从而实现对列车脱轨的连续检测。

根据朔黄铁路的实际情况，提出了一种检测车辆脱轨倾向的脱轨预警系统。该系统利用安装在车轮上的电磁位移式传感器，实时检测车轮与钢轨的横移相对位移，另一位移传感器检测车轮和钢轨的竖向相对位移，加速度传感器实时检测车轮横向加速度，速度传感器实时检测车轮转速。所以传感器实时刻处于检测状态，若检测到车轮与钢轨的相对位置在安全范围内，系统不进行记录工作；若检测到车轮钢轨的横向和竖向相对位移超过安全范围，并仍处于加速状态，则启动报警装置。

北京铁路局设计了一种脱轨检测装置，其主要采用弹簧—质量—震荡原理，对垂直方向的加速度产生反应，当检测到的垂向加速度超过设定的临界值时，即认为列车有脱轨风险，列车在最短时间内停车，防止列车倾覆。

但是，上述的几种监测方法或系统存在如下缺点：

(1)脱轨在线监测装置昂贵；(2)脱轨在线监测装置修理不方面；(3)脱轨在线监测装置精度不够高；(4)脱轨在线监测计算量大，实时性差；(5)使用的传感器较多，系统复杂。

发明内容

针对现有技术存在的不足，本发明提供了一种基于振动加速度的列车运行安全在线监测方法。

为了实现上述目的，本发明采用如下技术方案：

一种基于振动加速度的列车运行安全在线监测方法，包括以下步骤：

步骤(1)：获取某一时间段内列车上车轮的振动加速度数据；

步骤(2)：基于所述时间段内的所述振动加速度数据，获取所述列车的车轮抬升量和车轮横移量；

步骤(3)：判断所述时间段内的所述振动加速度数据的加速度峰值、加速度绝对值以及所述车轮抬升量和所述车轮横移量是否同时满足各自预设的阈值，获得判断结果；

步骤(4)：所述判断结果为是时，则进行脱轨趋势判断并报警。

优选的，步骤(1)中获取所述振动加速度数据的方法为：

在所述列车的左右轴箱上分别设置一个加速度传感器，通过所述加速度传感器获取所述振动加速度数据。

优选的，步骤(2)中获取所述列车的车轮抬升量和车轮横移量的方法为：

采用卡尔曼滤波器对所述时间段内的所述振动加速度数据进行计算以获得位移数据；方法如下：

使用测量加速度估计位移，以离散表示—基于统计随机的时间状态空间模型，如下：

状态方程x(n+1)＝Fx(n)+Gu(n)

空间方程a(n)＝Hx(n)+ω(n)

其中：

x(n)为当前时刻状态；

x(n+1)为下一时刻估计状态；

a(n)为n时刻的加速度测量值；

F为状态传递矩阵；

G为噪声输入矩阵；

H将估计位移映射为加速度的测量矩阵；

α为一个0-1的参数；

ω(n)、u(n)零均值高斯白噪声；

T_S为采样间隔。

优选的，步骤(3)中判断所述时间段内的所述振动加速度数据的加速度峰值是否满足预设的阈值的方法为：

提取所述时间段内大于预设加速度峰值的所述振动加速度数据，获得所述时间段内大于所述预设加速度峰值的所述振动加速度数据的次数，将所述次数与预设的次数阈值进行比较。

优选的，步骤(3)中判断所述时间段内的所述振动加速度数据的加速度绝对值是否满足预设的阈值的方法为：

将所述时间段分为前后两个时长相等的第一时间段和第二时间段；

分别获取所述第一时间段内的第一垂向振动加速度峰值数据、第一横向振动加速度峰值数据和所述第二时间段内的第二垂向振动加速度峰值数据、第二横向振动加速度峰值数据；

分别对所述第一垂向振动加速度峰值数据、所述第一横向振动加速度峰值数据、所述第二垂向振动加速度峰值数据、所述第二横向振动加速度峰值数据进行绝对值化处理；

分别对绝对值化处理后的所述第一垂向振动加速度峰值数据、所述第一横向振动加速度峰值数据、所述第二垂向振动加速度峰值数据、所述第二横向振动加速度峰值数据进行求和，获得第一垂向振动加速度峰值数据总和、第一横向振动加速度峰值数据总和、第二垂向振动加速度峰值数据总和、第二横向振动加速度峰值数据总和；

将所述第一垂向振动加速度峰值数据总和与所述第二垂向振动加速度峰值数据总和进行求差并绝对值化，然后与预设的垂向阈值进行比较；将所述第一横向振动加速度峰值数据总和与所述第二横向振动加速度峰值数据总和进行求差并绝对值化，然后与预设的横向阈值进行比较。

与现有技术相比，本发明提供的一种或多种技术方案具有如下技术效果或优点：

本发明提供的一种基于振动加速度的列车运行安全在线监测方法的计算量小、计算速度快，适用于在线监测；只需要用到加速度传感器，成本低、安装方便。

进一步的，本发明提供的一种基于振动加速度的列车运行安全在线监测方法采用4个脱轨指标对列车脱轨进行判断，综合性强，反映脱轨状态更加全面。

附图说明

图1为本发明实施例提供的一种基于振动加速度的列车运行安全在线监测方法的方法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例进一步描述本发明的技术方案。

如图1所示，本发明实施例提供了一种基于振动加速度的列车运行安全在线监测方法，包括以下步骤：

步骤(1)：获取某一时间段内列车上车轮的振动加速度数据。

在具体的实施过程中，获取振动加速度数据的方法有很多种，常用的方法是安装加速度传感器。作为优选的，本发明实施例中将加速度传感器安装于所述列车的左右轴箱上，然后通过所述加速度传感器获取所述列车上车轮的振动加速度数据。

完成步骤(1)后，执行步骤(2)：基于所述时间段内的所述振动加速度数据，获取所述列车的车轮抬升量和车轮横移量。

在具体的实施过程中，车辆脱轨，可以从轮轨接触几何状态来判断车辆是否脱轨。定义车轮抬升量为车轮踏面名义接触点与钢轨顶而最高点之间的垂向距离，它是车轮爬升量与跳动量(车轮与钢轨分离时)之和。但是，不管何种情形，只要车轮抬升量大于某一阈值，列车随时便有脱轨危险。

在具体的实施过程中，如果直接通过加速度数据双积分成位移，由于数据中的噪声等因素，常常会出现较大的漂移，在进行二次积分时会产生特别大的误差，很难得到理想的位移数据。

因此，作为优选的，本发明实施例采用卡尔曼滤波器来对加速度数据进行计算以获得车轮抬升量。具体方法如下：

使用测量加速度估计位移，以离散表示—基于统计随机的时间状态空间模型，如下：

状态方程x(n+1)＝Fx(n)+Gu(n)

空间方程a(n)＝Hx(n)+ω(n)

其中：

x(n)为当前时刻状态；

x(n+1)为下一时刻估计状态；

a(n)为n时刻的加速度测量值；

F为状态传递矩阵；

G为噪声输入矩阵；

H将估计位移映射为加速度的测量矩阵；

α为一个0-1的参数；

ω(n)、u(n)零均值高斯白噪声；

T_S为采样间隔。

利用卡尔曼滤波进行加速度积分是利用前一状态对后一状态的估计，因此没有传统积分的时间限制，无需考虑积分时间。根据该方法即可通过加速度积分出位移进而得到车轮抬升量。

进一步的，车轮横移量同样是车轮判断列车脱轨趋势的重要指标。若列车行驶时车轮横移量过大，列车与钢轨的横向力便会增大，列车脱轨几率大大增加。若某时刻列车横移量大于某一阈值，则可认为有脱轨风险。本发明实施例中的车轮横移量同样由卡尔曼滤波通过横向加速度数据计算得到。

完成步骤(2)后，执行步骤(3)：判断所述时间段内的所述振动加速度数据的加速度峰值、加速度绝对值以及所述车轮抬升量和所述车轮横移量是否同时满足各自预设的阈值，获得判断结果。

在具体的实施过程中，由于步骤(2)中已经获得了车轮抬升量和车轮横移量，因此，在步骤(3)中则直接将所述车轮抬升量与预设的车轮抬升量阈值进行比较，将所述车轮横移量与预设的车轮横移量阈值进行比较。

在具体的实施过程中，由于列车在脱轨时，列车车轮与钢轨会有剧烈的碰撞，则安装在轴箱上的加速度传感器采到的信号也会呈现剧烈变化，信号的波动大小反映了车轮和钢轨碰撞的程度。因此可以根据轴箱加速度幅值的大小来判断列车是否脱轨，若加速度峰值在某个时间段内连续超过设定的阈值，则可认为已经列车有脱轨风险。鉴于此，本发明实施例中步骤(3)中判断所述时间段内的所述振动加速度数据的加速度峰值是否满足预设的阈值的方法为：

提取所述时间段内大于预设加速度峰值的所述振动加速度数据，获得所述时间段内大于所述预设加速度峰值的所述振动加速度数据的次数，将所述次数与预设的次数阈值进行比较。

在具体的实施过程中，由于受到钢轨异物、钢轨表面质量差等因素的影响，只凭借振动加速峰值有可能会造成误判报警进而影响列车的正常运行。因此，作为优选的，本发明实施例的步骤(3)中判断所述时间段内的所述振动加速度数据的加速度绝对值是否满足预设的阈值的方法为：

将所述时间段分为前后两个时长相等的第一时间段和第二时间段；

分别获取所述第一时间段内的第一垂向振动加速度峰值数据、第一横向振动加速度峰值数据和所述第二时间段内的第二垂向振动加速度峰值数据、第二横向振动加速度峰值数据；

分别对所述第一垂向振动加速度峰值数据、所述第一横向振动加速度峰值数据、所述第二垂向振动加速度峰值数据、所述第二横向振动加速度峰值数据进行绝对值化处理；

分别对绝对值化处理后的所述第一垂向振动加速度峰值数据、所述第一横向振动加速度峰值数据、所述第二垂向振动加速度峰值数据、所述第二横向振动加速度峰值数据进行求和，获得第一垂向振动加速度峰值数据总和、第一横向振动加速度峰值数据总和、第二垂向振动加速度峰值数据总和、第二横向振动加速度峰值数据总和；

将所述第一垂向振动加速度峰值数据总和与所述第二垂向振动加速度峰值数据总和进行求差并绝对值化，然后与预设的垂向阈值进行比较；将所述第一横向振动加速度峰值数据总和与所述第二横向振动加速度峰值数据总和进行求差并绝对值化，然后与预设的横向阈值进行比较。

为了便于理解，本发明实施例通过数学表达式进行解释，具体如下：

首先，假设一时间段内的垂向加速度数据为X_V＝{x₁,x₁,····,x_n}，横向加速度为X_L＝{x₁,x₁,····,x_n}。然后将该时间段分为前后两个相等的第一时间段t₁和第二时间段t₂，第一时间段t₁内的垂向加速度数据为X_V1，第二时间段t₂内的垂向加速度数据为X_V2；则第一时间段t₁中的垂向加速度数据之和可表示为第二时间段t₂中的垂向加速度数据之和可表示为设预设的垂向阈值为D₁；第一时间段t₁内的横向加速度数据为X_L1，第二时间段t₂内的垂向加速度数据为X_L2，则第一时间段t₁中的横向加速度数据之和可表示为第二时间段t₂中的横向加速度数据之和可表示为设预设的横向阈值为D₂。

则将与D₁进行比较；将与D₂进行比较。

完成步骤(3)后，执行步骤(4)：所述判断结果为是时，则进行脱轨趋势判断并报警。

在具体的实施过程中，只有当所述时间段内的所述振动加速度数据的加速度峰值、加速度绝对值以及所述车轮抬升量和所述车轮横移量同时满足各自预设的阈值时，才会进行脱轨趋势判断并报警。采用4个脱轨指标对列车脱轨进行判断，综合性强，反映脱轨状态更加全面。

本领域内的技术人员应明白，以上所述仅为本发明的较佳实施例，并非用来限定本发明实施的范围，凡依本发明权利要求范围所述的形状、构造、特征及精神所为的均等变化与修饰，均应包括于本发明的权利要求范围。

Claims (5)

1.一种基于振动加速度的列车运行安全在线监测方法，特征在于，包括以下步骤：

步骤(1)：获取某一时间段内列车上车轮的振动加速度数据；

步骤(2)：基于所述时间段内的所述振动加速度数据，获取所述列车的车轮抬升量和车轮横移量；

步骤(3)：判断所述时间段内的所述振动加速度数据的加速度峰值、加速度绝对值以及所述车轮抬升量和所述车轮横移量是否同时满足各自预设的阈值，获得判断结果；

步骤(4)：所述判断结果为是时，则进行脱轨趋势判断并报警。

2.根据权利要求1所述的基于振动加速度的列车运行安全在线监测方法，特征在于，步骤(1)中获取所述振动加速度数据的方法为：

在所述列车的左右轴箱上分别设置一个加速度传感器，通过所述加速度传感器获取所述振动加速度数据。

3.根据权利要求2所述的基于振动加速度的列车运行安全在线监测方法，特征在于，步骤(2)中获取所述列车的车轮抬升量和车轮横移量的方法为：

采用卡尔曼滤波器对所述时间段内的所述振动加速度数据进行计算以获得位移数据；方法如下：

使用测量加速度估计位移，以离散表示—基于统计随机的时间状态空间模型，如下：

状态方程x(n+1)＝Fx(n)+Gu(n)

空间方程a(n)＝Hx(n)+ω(n)

<mrow> <mi>F</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mi>&amp;alpha;</mi> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>1</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> </mtable> </mfenced> </mrow>

<mrow> <mi>G</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> </mtr> </mtable> </mfenced> </mrow>

<mrow> <mi>H</mi> <mo>=</mo> <mfrac> <mn>1</mn> <msub> <mi>T</mi> <mi>S</mi> </msub> </mfrac> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mo>-</mo> <mn>2</mn> </mrow> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> </mtable> </mfenced> </mrow>

其中：

x(n)为当前时刻状态；

x(n+1)为下一时刻估计状态；

a(n)为n时刻的加速度测量值；

F为状态传递矩阵；

G为噪声输入矩阵；

H将估计位移映射为加速度的测量矩阵；

α为一个0-1的参数；

ω(n)、u(n)零均值高斯白噪声；

T_S为采样间隔。

4.根据权利要求2所述的基于振动加速度的列车运行安全在线监测方法，特征在于，步骤(3)中判断所述时间段内的所述振动加速度数据的加速度峰值是否满足预设的阈值的方法为：

提取所述时间段内大于预设加速度峰值的所述振动加速度数据，获得所述时间段内大于所述预设加速度峰值的所述振动加速度数据的次数，将所述次数与预设的次数阈值进行比较。

5.根据权利要求2所述的基于振动加速度的列车运行安全在线监测方法，特征在于，步骤(3)中判断所述时间段内的所述振动加速度数据的加速度绝对值是否满足预设的阈值的方法为：

将所述时间段分为前后两个时长相等的第一时间段和第二时间段；

分别获取所述第一时间段内的第一垂向振动加速度峰值数据、第一横向振动加速度峰值数据和所述第二时间段内的第二垂向振动加速度峰值数据、第二横向振动加速度峰值数据；

分别对所述第一垂向振动加速度峰值数据、所述第一横向振动加速度峰值数据、所述第二垂向振动加速度峰值数据、所述第二横向振动加速度峰值数据进行绝对值化处理；

分别对绝对值化处理后的所述第一垂向振动加速度峰值数据、所述第一横向振动加速度峰值数据、所述第二垂向振动加速度峰值数据、所述第二横向振动加速度峰值数据进行求和，获得第一垂向振动加速度峰值数据总和、第一横向振动加速度峰值数据总和、第二垂向振动加速度峰值数据总和以及第二横向振动加速度峰值数据总和；

将所述第一垂向振动加速度峰值数据总和与所述第二垂向振动加速度峰值数据总和进行求差并绝对值化，然后与预设的垂向阈值进行比较；将所述第一横向振动加速度峰值数据总和与所述第二横向振动加速度峰值数据总和进行求差并绝对值化，然后与预设的横向阈值进行比较。