CN109614674A - 一种高速铁路无砟轨道层间离缝脱空动态检测方法 - Google Patents

Abstract

本发明公开了一种高速铁路无砟轨道层间离缝脱空动态检测方法，根据欧拉‑伯努利梁理论和Winkler地基模型，建立动载荷条件下的轨道沉降变形曲线的微分方程；设置激光陀螺仪、激光测速传感器和多个激光多普勒测振仪，利用刚体运动学定律，建立轨道板表面沉降速度计算方程；求解轨道板沉降位移曲线(挠曲线)方程，将“力‑位移”静态观测演变成“速度‑位移”动态检测，并结合轨道板表面沉降速度计算方程求解轨道沉降变形曲线方程系数；将轨道板的脱空率进行分类，建立以轨道板多点沉降斜率为输入，轨道板脱空率为输出的深度学习网络，用于检测轨道板的脱空率。该方法解决在动载荷条件下，无砟轨道脱空离缝病害的高效快速检测问题。

Description

一种高速铁路无砟轨道层间离缝脱空动态检测方法

技术领域

本发明涉及高速铁路无砟轨道检测领域，更具体涉及一种高速铁路无砟轨道层间离缝脱空动态检测方法。

技术背景

轨道板沉降动态测量目前没有相关公开的技术资料。与之相关的主要有公路路基路面沉降(弯沉)测量技术。目前国内外关于公路路基路面沉降测量技术研究主要集中在以下方面：

1)基于贝克曼梁或落锤式检测(Falling Weight Deflectometer,FWD)的静态测量方法。其中贝克曼梁方法只能测量单点静态最大弯沉，已经逐步被FWD方法所取代。FWD方法一般由7-10个测量传感器组成测量单元，每次测量都进行多次采样后计算各点弯沉。这类传统测量设备只能测量离散点，测量速度很慢，为了保证测量安全，需要对测量车道进行交通管制。而且静态采样的测量方式无法模拟移动载荷产生的路面弯沉，测量结果无法反映实际行车动力特征，有限离散点的弯沉也不能真实代表整条道路的弯沉情况。

2)基于激光多普勒技术的高速弯沉测量方法(Traffic Speed Deflectometer，TSD)。该方法通过测量路面变形速度反算弯沉量代替传统的直接测量变形位移方法。采用动态角度计算的方法获取路面变形速度，结合欧拉-伯努利梁(Euler-Bernoulli Beam)理论和弹性地基模型，推导弯沉盆曲线的两参数解，并采用牛顿迭代法利用路面变形速度反演路面弯沉，从而实现在正常交通速度(20-90km/h)下的连续弯沉测量，满足路网级弯沉测量的需要。

这些检测手段已经广泛应用于不同场景下的混凝土结构脱空离缝检测中，但大多数研究都缺乏系统化的理论依据，离缝的发生位置、损伤程度、演化规律以及对车体的冲击都缺乏科学的理论和数据支撑，仍然以主观性的评价为主。其次，传统的方法大多不能满足高速动态测量的要求，需要提出一种高速运动条件下轨道板离缝的精密测量方法。

发明内容

本发明的目的就是要克服上述缺陷，提供一种用于解决在动载荷条件下，无砟轨道脱空离缝病害的高效快速检测问题的高速铁路无砟轨道层间离缝脱空动态检测方法。

为了实现上述目的，本发明所设计的高速铁路无砟轨道层间离缝脱空动态检测方法，其特殊之处在于，包括以下步骤：

S1根据欧拉-伯努利梁理论和Winkler地基模型，建立动载荷条件下的轨道沉降变形曲线的微分方程；

S2设置激光陀螺仪、激光测速传感器和多个激光多普勒测振仪，利用刚体运动学定律，建立轨道板表面沉降速度计算方程；

S3求解轨道板沉降位移曲线(挠曲线)方程，将“力-位移”静态观测演变成“速度-位移”动态检测，并结合轨道板表面沉降速度计算方程求解轨道沉降变形曲线方程系数；

S4将轨道板的脱空率进行分类，建立以轨道板多点沉降斜率为输入，轨道板脱空率为输出的深度学习网络，用于检测轨道板的脱空率。

进一步地，所述激光多普勒测振仪，其中一个设置在载荷中心位置较远处，认为该处轨道板不受载荷作用，用于补偿和改正横梁的转动带来的测量误差；其余设置在载荷附近。用于测量列车轮对载荷下的轨道板表面相对于横梁的速度。

进一步地，所述轨道板同侧设置4个激光多普勒测振仪。一个设置在载荷中心位置较远处，认为该处轨道板不受载荷作用，用于补偿和改正横梁的转动带来的测量误差；另外三个参与解算轨道沉降变形曲线方程系数，最优化求解，提高精度。

更进一步地，所述s1中建立的轨道沉降变形曲线的微分方程具体如下：

式中，F是受力点的正压力，E是轨道刚性模量，I是轨道转动惯量，k是轨道弹性系数，x为距离载荷中心的距离，w为轨道的挠度。

再进一步地，所述步骤s2中轨道板表面沉降速度计算方程具体如下：

式中，VD₁、VD₂、VD₃和VD₄为四个激光多普勒测振仪输出的瞬时速度，VR为激光测速仪输出刚性横梁的瞬时运行速度，VW₁、VW₂、VW₃和VW₄为轨道板在测量点的沉降速度，其中VW₄由于距离载荷较远而可认定沉降速度为0，G为激光陀螺仪输出的瞬时角速度值；a₁、a₂、a₃和a₄为激光多普勒测振仪的光轴与横梁的夹角；l₁、l₂、l₃和l₄分别为四个激光多普勒测振仪的光轴中心与载荷中心的距离。

再进一步地，步骤s3的具体过程如下：

动载荷条件下的轨道板沉降变形的微分方程(1)式的解可以描述成为一个关于A和B的参数模型，轨道板沉降位移曲线(挠曲线)方程w(x)表达式如式(3)所示，其中A＞0，B＞0，x≥0；

挠曲线方程w(x)对水平方向的位置的微分表达式w′(x)如式(4)所示，将w′(x)命名为沉降斜率，其单位量纲为mm/m；

当x为0时，沉降量达到最大值该值即为轨道板沉降位移(离缝幅值)；同时，在激光多普勒测振仪测量点x＝x_i时，有式(5)成立，其中VR为横梁(动检列车)运行速度，VW_i为该点轨道板沉降速度；

将3台激光多普勒传感器的安装位置数据以及其测量得到轨道板沉降速度数据带入4和5式，得到方程组6式；

通过对方程组6求解可以获得A和B的最优解，但是式(6)是一个超定非线性方程组，可以采用牛顿法及其变形、割线法、布朗方法、拟牛顿法、最优化法等方法进行求解。

进一步地，轨道脱空率分为六类，分别为0、20％、40％、60％、80％、100％脱空。

进一步地，所述深度学习网络以轨道板弯沉率变化曲线的图像为输入，通过卷积神经网络处理和多传感器池化处理后，得出轨道板脱空率。

进一步地，所述深度学习网络模型的训练样本由人工对现场轨道板脱空比例调查获取，根据轨道板两侧离缝的长度，进行人工判读。

进一步地，所述轨道检测车行车方向两侧均设置有横梁，所述横梁通过空气弹簧固定在检测车大梁上，所述激光陀螺仪、激光测速传感器和多个激光多普勒测振仪均安装在横梁上。

本发明的优点在于：

1)提出一种基于“速度-位移”理论的轨道离缝快速检测方法

高速铁路无砟轨道的离缝检测采用人工目视或者基于“力-位移”的静态检测方法，速度慢、效率低、劳动强度大，不能满足高速铁路工务运维的需要。提出基于“速度-位移”理论的轨道离缝检测方法，通过集成激光多普勒测振仪、激光陀螺及激光测速仪等传感器，精确测量轨道板的沉降速度，利用欧拉-伯努利弹性地基梁方程反演推算离缝状态，可以满足90公里/小时条件下的离缝检测，大大提高离缝检测的效率。

2)提出一种基于深度学习的轨道板脱空率检测方法

轨道板脱空率的检测是工务检查人员日常重要的工作，目前只能根据轨道板两侧离缝的长度，采用人工估计的方法来判定，主观影响大，精度低。轨道板沉降速度与脱空率也存在一定联系，但难从理论及实践上建立严格的数学模型。提出基于大数据分析的深度学习方法，通过建立输入数据，即同一块轨道板上多个沉降速度曲线与输出结果，即轨道板脱空率间的深层次的卷积神经网络模型，直接以数据驱动得到最优的检测结果，避免建立复杂的数学模型。

本方法采用测量轨道板在列车车轮滚动作用力下的沉降速度间接反演计算离缝大小的方法，该方法在检测列车快速行进过程中实现轨道板层间离缝的检测，大大提高了测量的精度。提出的轨道结构动力学模型，考虑了结构系统本身固有的一些特有属性对离缝发生的敏感性，能从根本上反映轨道板结构的脱空离缝状态。

附图说明

图1为本发明的总体流程图。

图2为本发明的无砟轨道地基梁模型。

图3为本发明的弹性地基梁简化模型。

图4为本发明的横梁安装结构示意图。

图5为本发明的激光多普勒测振仪的布置结构示意图。

图6为本发明的深度学习网络模型图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细描述：

本发明提出一种结合无砟轨道结构动力学模型及轨道板沉降速度的离缝状态反演方法，用于解决在动载荷条件下，无砟轨道脱空离缝病害的高效快速检测问题。随着时间的推移，脱壳离缝从小范围的局部损伤逐渐向大范围扩展，严重威胁高速列车的运行安全。因此，如何快速高效的完成脱空离缝检测是无砟轨道维护中亟需解决的问题。

使用无砟轨道动力学模型和轨道板沉降速度反演轨道板脱空离缝状态的方法总体处理流程如图1所示。详细包括以下步骤：

S1、根据欧拉-伯努利梁理论和Winkler地基模型，建立弹性地基量模型来描述离缝条件下的轨道动力学模型，弹性地基梁模型示意图(图2)。假设F是受力点的正压力，E是轨道刚性模量，I是轨道转动惯量，k是轨道弹性系数，x为距离载荷中心的距离，w为轨道的挠度，则动载荷条件下的轨道沉降变形曲线的微分方程：

S2、以大型巡检列车为平台，在列车的行车方向两侧各布置一长度为6000毫米的高刚性横梁，采用空气弹簧固定在列车大梁上，检测横梁安装示意图如图4所示。横梁用于固定多普勒测振仪、激光陀螺和激光测速仪，确保各个传感器的位置和姿态在测量过程中保持相对的稳定，传感器安装如图5所示。其中1-3号激光多普勒测振仪用于测量列车轮对载荷下的轨道板表面相对于横梁的速度；4号激光多普勒测振仪安装在离载荷中心位置较远处，认为该处轨道板不受载荷作用，用于补偿和改正横梁的转动带来的测量误差；激光陀螺用于测量横梁的俯仰运动角速度；激光测速传感器用于测量横梁相对于轨道板表面的水平速度。

S3、依据动载荷条件下轨道板弹性变形信息，结合测量横梁对轨道板相对姿态与变形信息，推导任意时刻轨道板表面变形速度计算公式，实现复杂信号中微弱变形量的提取。

轨道板沉降速度信号相对于激光多普勒测振仪输出的信号是非常微弱的。高速动检列车运行时，有：轨道板沉降速度＝激光多普勒测振仪测量数值-车速影响-颠簸影响-横梁俯仰。根据动载荷作用下轨道板弹性变形具有波动传导特性，结合测量横梁对轨道板相对姿态与变形信息，推导任意时刻轨道板表面变形速度计算公式(2)，实现复杂信号中微弱变形量的提取。

在巡检列车运行时，假设激光测速仪输出刚性横梁的瞬时运行速度为VR；四个激光多普勒测振仪输出的瞬时速度为VD₁、VD₂、VD₃和VD₄；设轨道板在测量点的沉降速度为VW₁、VW₂、VW₃和VW₄，其中VW₄由于距离载荷较远而可认定沉降速度为0；激光陀螺仪输出的瞬时角速度值(横梁俯仰运动)为G；激光多普勒测振仪的光轴与横梁的夹角为a₁、a₂、a₃和a₄；激光多普勒测振仪的光轴中心与载荷中心的距离分别为l₁、l₂、l₃和l₄。根据刚体运动学定律，则有轨道板表面沉降速度计算方程(2)：

其中，VD_i-VRsin(a_i)为为第i个激光多普勒测振仪输出值经横梁水平运动速度的补偿结果；(VD_i-VRsin(a_i))-(VD₄-VRsin(a₄))为由参考激光多普勒测振仪4补偿刚性横梁的上下平移运动的结果；为补偿刚性横梁俯仰运动的速度补偿值。

其中，参数l₁、l₂、l₃和l₄由实验标定而得，激光多普勒测振仪的光轴与横梁的夹角为a₁、a₂、a₃和a₄由测速仪角度差实验标定所得。

S4、根据S3中所得到的轨道板沉降变形速度，建立轨道板挠曲线方程组，计算得到轨道板沉降位移。动载荷条件下的轨道板沉降变形的微分方程(1)式的解可以描述成为一个关于A和B的参数模型，轨道板沉降位移曲线(挠曲线)方程w(x)表达式如式(3)所示，其中A＞0，B＞0，x≥0。

挠曲线方程w(x)对水平方向的位置的微分表达式w′(x)如式(4)所示，将w′(x)命名为沉降斜率，其单位量纲为mm/m。

当x为0时，沉降量达到最大值该值即为轨道板沉降位移，即离缝幅值。同时，在激光多普勒测振仪测量点x＝x_i时，有式(5)成立，其中VR为横梁(动检列车)运行速度，VW_i为该点轨道板沉降速度，将“力-位移”静态观测演变成“速度-位移”动态检测，具体如下：

将3台激光多普勒传感器的安装位置数据以及其测量得到轨道板沉降速度数据带入4和5式，得到方程组6式。

通过对方程组6求解可以获得A和B的最优解，但是(6)是一个超定非线性方程组，可以采用牛顿法及其变形、割线法、布朗方法、拟牛顿法、最优化法等方法进行求解。

S5、离缝区域占轨道板的比例，即轨道板脱空率，是后期工务管理人员进行轨道板维护的重要依据。在轨道巡检列车运行过程中获取的轨道板沉降速度与脱空率存在一定联系，然而二者之间关系十分复杂，很难从理论及实践上建立严格的数学模型。近些年发展起来的基于大数据分析的深度学习方法，通过建立输入数据与输出结果间的深层次的卷积神经网络模型，直接以数据驱动得到最优的结果，避免建立复杂的数学模型。设置输入数据为轨道板多点沉降斜率，即沉降速度与动检列车速度的比值，设置网络输出为轨道板脱空率。轨道板多点沉降斜率获取流程为：

依据S3，根据轨道板多点沉降速度、轨检列车行进速度和信号采集时间戳，获取轨道板弯沉斜率与轨检列车水平位移的相关曲线。该曲线的轨迹只与轨道板脱空比例有关，与轨检列车的行驶速度无关，消除了轨检列车速度变化对轨道板沉降速度的影响。根据轨道板类型，按照轨道板序号或者固定长度将曲线划分为相同距离的分段图像。

S6、依据S5，以轨道板多点沉降斜率曲线图像为输入，以轨道板脱空率为输出建立轨道板脱空比例识别深度学习网络，网络框架如图6所示。以轨道板测量装置的左右横梁上6个激光多普勒测振仪测得的轨道板弯沉率变化曲线的图像为输入，通过卷积神经网络处理和多传感器池化处理后，将该段轨道板分为六类，分别为0、20％、40％、60％、80％、100％脱空。该模型的训练样本由人工对现场轨道板脱空比例调查获取，根据轨道板两侧离缝的长度，进行人工判读。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (10)

1.一种高速铁路无砟轨道层间离缝脱空动态检测方法，其特征在于，包括以下步骤：

S1根据欧拉-伯努利梁理论和Winkler地基模型，建立动载荷条件下的轨道沉降变形曲线的微分方程；

S2设置激光陀螺仪、激光测速传感器和多个激光多普勒测振仪，利用刚体运动学定律，建立轨道板表面沉降速度计算方程；

S3求解轨道板沉降位移曲线(挠曲线)方程，将“力-位移”静态观测演变成“速度-位移”动态检测，并结合轨道板表面沉降速度计算方程求解轨道沉降变形曲线方程系数；

S4将轨道板的脱空率进行分类，建立以轨道板多点沉降斜率为输入，轨道板脱空率为输出的深度学习网络，用于检测轨道板的脱空率。

2.根据权利要求1所述的高速铁路无砟轨道层间离缝脱空动态检测方法，其特征在于：所述激光多普勒测振仪，其中一个设置在载荷中心位置较远处，其余设置在载荷附近，用于测量列车轮对载荷下的轨道板表面相对于横梁的速度。

3.根据权利要求2所述的高速铁路无砟轨道层间离缝脱空动态检测方法，其特征在于：所述轨道板同侧设置4个激光多普勒测振仪。

4.根据权利要求3所述的高速铁路无砟轨道层间离缝脱空动态检测方法，其特征在于：所述s1中建立的轨道沉降变形曲线的微分方程具体如下：

式中，F是受力点的正压力，E是轨道刚性模量，I是轨道转动惯量，k是轨道弹性系数，x为距离载荷中心的距离，w为轨道的挠度。

5.根据权利要求4所述的高速铁路无砟轨道层间离缝脱空动态检测方法，其特征在于：所述步骤s2中轨道板表面沉降速度计算方程具体如下：

式中，VD₁、VD₂、VD₃和VD₄为四个激光多普勒测振仪输出的瞬时速度，VR为激光测速仪输出刚性横梁的瞬时运行速度，VW₁、VW₂、VW₃和VW₄为轨道板在测量点的沉降速度，其中VW₄由于距离载荷较远而可认定沉降速度为0，G为激光陀螺仪输出的瞬时角速度值；a₁、a₂、a₃和a₄为激光多普勒测振仪的光轴与横梁的夹角；l₁、l₂、l₃和l₄分别为四个激光多普勒测振仪的光轴中心与载荷中心的距离。

6.根据权利要求5所述的高速铁路无砟轨道层间离缝脱空动态检测方法，其特征在于：步骤s3的具体过程如下：

动载荷条件下的轨道板沉降变形的微分方程(1)式的解可以描述成为一个关于A和B的参数模型，轨道板沉降位移曲线(挠曲线)方程w(x)表达式如式(3)所示，其中A＞0，B＞0，x≥0；

挠曲线方程w(x)对水平方向的位置的微分表达式w′(x)如式(4)所示，将w′(x)命名为沉降斜率，其单位量纲为mm/m；

当x为0时，沉降量达到最大值该值即为轨道板沉降位移(离缝幅值)；同时，在激光多普勒测振仪测量点x＝x_i时，有式(5)成立，其中VR为横梁(动检列车)运行速度，VW_i为该点轨道板沉降速度；

将3台激光多普勒传感器的安装位置数据以及其测量得到轨道板沉降速度数据带入4和5式，得到方程组6式；

通过对方程组6求解可以获得A和B的最优解，式(6)是一个超定非线性方程组，其求解方法包括牛顿法及其变形、割线法、布朗方法、拟牛顿法、最优化法。

7.根据权利要求1所述的高速铁路无砟轨道层间离缝脱空动态检测方法，其特征在于：轨道脱空率分为六类，分别为0、20％、40％、60％、80％、100％脱空。

8.根据权利要求1所述的高速铁路无砟轨道层间离缝脱空动态检测方法，其特征在于：所述深度学习网络以轨道板弯沉率变化曲线的图像为输入，通过卷积神经网络处理和多传感器池化处理后，得出轨道板脱空率。

9.根据权利要求1所述的高速铁路无砟轨道层间离缝脱空动态检测方法，其特征在于：所述深度学习网络模型的训练样本由人工对现场轨道板脱空比例调查获取，根据轨道板两侧离缝的长度，进行人工判读。

10.根据权利要求1所述的高速铁路无砟轨道层间离缝脱空动态检测方法，其特征在于：所述轨道检测车行车方向两侧均设置有横梁，所述横梁通过空气弹簧固定在检测车大梁上，所述激光陀螺仪、激光测速传感器和多个激光多普勒测振仪均安装在横梁上。