CN110426005A - 基于imf能量比的高速铁路钢轨波磨声学诊断方法 - Google Patents

Abstract

本发明涉及一种基于IMF能量比的高速铁路钢轨波磨声学诊断方法，属于高速铁路振动噪声技术领域，其步骤如下：(1)钢轨粗糙度测试；(2)集合经验模态分解；(3)本征模态函数IMF能量比：根据故障特征频率对应IMF信号的能量比进行钢轨波磨的故障识别，筛选得到钢轨波磨对应的IMF分量，通过HHT变换，得到Hilbert边际谱和瞬时频率。基于IMF能量比的高速铁路钢轨波磨声学诊断方法。本发明在运营线路上采用直接法实测有无波磨区段的钢轨粗糙度特征，对声信号进行EEMD分解后的IMF能量比进行分量筛选，利用IMF能量比畸变特征进行钢轨波磨识别。与直接法实测的钢轨粗糙度对应的理论声学频率进行了对比，提出了有效的高速铁路钢轨波磨的声学诊断策略。

Description

基于IMF能量比的高速铁路钢轨波磨声学诊断方法

技术领域

本发明涉及一种高速铁路钢轨波磨声学诊断方法，特别涉及一种基于IMF能量比的高速铁路钢轨波磨声学诊断方法，属于高速铁路振动噪声技术领域。

背景技术

钢轨波磨是一种出现在钢轨表面的周期性波浪形不平顺曲线，高速铁路钢轨波磨导致车辆-轨道系统的中高频振动响应产生的振动噪声直接影响着乘客的舒适度和铁路沿线居民的生活质量，同时恶化系统各部件运行状态，加剧钢轨表面的进一步损伤。

关于钢轨波磨的检测，以往采用传统波磨尺运用弦测法进行人工抽样测量，检测效率非常低。

近年来，新的检测技术不断被运用，检测精度和效率都得到了提升，如钢轨粗糙度检测手推车、应用振动加速度的惯性基准法和机器视觉法等。对于应用车辆上的振动加速度信号进行波磨诊断，国内外对其故障识别算法逐渐进行了一些研究，Grassie最早提出了应用车辆轴箱加速度信号分析进行轨道的动态监测的构想；Tsunashima等通过车体振动信号的小波包分析进行轨道波磨的识别；曹西宁等通过轴箱加速度信号进行希尔伯特-黄变换对轨道不平顺进行分析和诊断。利用加速度信号等接触式测量方法准备工作相对复杂，且受限于钢轨波磨特征往往与轮轨系统的耦合振动特性相关，易淹没于轮轨动力学系统固有特征内，对信号处理算法也提出了更高的要求。

从声学角度进行钢轨的波磨诊断，是一种非接触式的间接测量方法，其以列车运营状态下轮轨振动所产生的声信号作为反映轨道状态的重要信息来源，根据目标结构的声振发生机理和特征，对轨道波磨状态进行诊断，检测效率高，具有明显的早期预警和快速检测优势。高速铁路钢轨波磨初期往往幅值较小，列车在运行状态下所产生的声信号也不可避免的受到噪声的干扰，反映故障信息的脉冲信号很容易被淹没，同时由于钢轨波磨往往与高速铁路车辆-轨道耦合系统或轮轨系统部件的共振频率相关，故无波磨出现时声信号在波磨的特征频率往往也存在峰值频率，所以，运用常用的针对非稳态信号的时频分析技术，也难以在时频谱特征中准确的识别钢轨波磨特征。

因此，为了解决高速铁路钢轨波磨的快速检测问题，提供一种基于IMF能量比的高速铁路钢轨波磨声学诊断方法，利用动车组在运营时速下安装于转向架上的传声器采集的声信号进行声学诊断，就成为该技术领域急需解决的技术难题。

发明内容

本发明的目的是提供一种基于IMF能量比的高速铁路钢轨波磨声学诊断方法，利用动车组在运营时速下安装于转向架上的传声器采集的声信号进行声学诊断。

本发明的上述目的是通过以下技术方案达到的：

一种基于IMF能量比的高速铁路钢轨波磨声学诊断方法，其步骤如下：

(1)钢轨粗糙度测试

采用小推车直接测量钢轨粗糙度(短波不平顺)，对测试得到的表面不平度进行声学修正；

(2)集合经验模态分解(EEMD)

对于含有严重噪声的原始信号，根据高速铁路钢轨粗糙度特征频率，按照从高频到低频的顺序，通过重采样和滤波，分解为具有不同振动模态的子信号，获得本征模态函数IMF，有效将噪声成分分离；

(3)本征模态函数IMF能量比

根据故障特征频率对应IMF信号的能量比进行钢轨波磨的故障识别，筛选得到钢轨波磨对应的IMF分量，通过HHT变换，得到Hilbert边际谱和瞬时频率。

优选地，所述步骤(1)中所述声学修正如下：

钢轨粗糙度数据处理过程中要进行尖峰去除和曲率修正，其中曲率修正对粗糙度的微观几何特征进行声学角度的处理，以还原钢轨粗糙度对轮轨相互作用的影响；对于每一个粗糙度测试得到的点坐标所构成的实际钢轨粗糙度表面r(x)，接触点位于中心的x₀处，相对于理想车轮表面，结合测试得到的车轮半径，通过曲率修正将声学粗糙度修正为r’(x_i)-r(x_i)。

优选地，所述钢轨粗糙度数据表示成圆周长度的函数，其物理含义是不同位置处钢轨表面相对于平均表面的变化值，通常被称为钢轨不平顺幅值，理论研究中常用对数形式的钢轨不平顺等级表示，定义如式1所示(式(1)中的r_ref指是参考值，k指的是第k个值)，单位为dB；

式(1)中，是钢轨粗糙度的均方值在1/3倍频程中进行量化，参考值取1μm，在每个1/3倍频程中将所得的窄带频谱幅值的平方再求和，并除以计算点数即可获得，在声学粗糙度的定义中，10μm粗糙度的有效幅值(均方根值)对应20dB的粗糙度等级，而1μm的粗糙度幅值则对应0dB粗糙度等级。

优选地，所述步骤(2)的具体步骤如下：

步骤1)：找出信号x(t)(见下式(2))的极大值点和极小值点，用样条插值函数拟合形成上包络线和下包络线，计算上下包络线的均值m₁(t)，将原数据序列x(t)减去平均包络m₁(t)，得到新的数据序列h₁(t)，若h₁(t)不满足IMF的条件，则将h₁(t)作为原信号重复上面的步骤k次，使得平均包络线趋于零，得到的h_1k(t)就是第一个IMF；

步骤2)：从原信号减去c₁(t)，得到一个新的数据序列，然后重复步骤1)，得到一系列的c_n(t)和一个不可再分解的余项序列r_n(t)，其中r_n(t)表示信号的平均趋势；原信号则可以表示为IMF分量和一个残余项之和。

优选地，所述步骤(3)的具体步骤如下：

利用车下声信号进行EEMD后，提取的IMF能量比畸变特征进行波磨特征识别，IMF是EEMD方法分解后得到的本征模态分量，反映信号从低频到高频的不同振动模态，IMF的能量熵公式为：

其中：

p_i＝E_i/E (4)

p_i为第i个IMF能量占总能量的比值，能量的公式为：

IMF需要满足条件有两点：一是序列中，极值点数与过0点数必须相等或者最多相差一个；二是在任意时间点上，由信号局部极大值确定的上包络线和由局部极小值确定的下包络线的均值为0。

有益效果：

本发明的基于IMF能量比的高速铁路钢轨波磨声学诊断方法，在运营线路上采用直接法实测了有无波磨区段的钢轨粗糙度(短波不平顺)特征，同时采集了运营动车组通过有无波磨区段的车下声信号，针对车下声信号的特点，对声信号进行EEMD分解后的IMF能量比进行分量筛选，利用IMF能量比畸变特征进行钢轨波磨识别，与直接法实测的钢轨粗糙度对应的理论声学频率进行了对比，提出了有效的高速铁路钢轨波磨的声学诊断策略。

本发明的基于IMF能量比的高速铁路钢轨波磨声学诊断方法，通过白噪声缓和异常事件的局部干扰，从而有效解决模态混叠问题，有效避免噪声干扰；并且在时频谱特征中准确的识别钢轨波磨特征，特征频率识别较为准确。

下面通过附图和具体实施方式对本发明做进一步说明，但并不意味着对本发明保护范围的限制。

附图说明

图1为本发明基于IMF能量比的高速铁路钢轨波磨声学诊断方法中钢轨粗糙度测试示意图。

图2为本发明基于IMF能量比的高速铁路钢轨波磨声学诊断方法中钢轨粗糙度声学修正的示意图。

图3为本发明基于IMF能量比的高速铁路钢轨波磨声学诊断方法中钢轨波磨诊断流程示意图。

图4为本发明基于IMF能量比的高速铁路钢轨波磨声学诊断方法中高速铁路某区段钢轨波磨测试结果。

图5-1为安装于运营车辆车下的传声器监测的声信号进行滤波后得到的时域图(有磨)。

图5-2为安装于运营车辆车下的传声器监测的声信号进行滤波后得到的时域图(无磨)。

图6-1为声信号通过EEMD分解后钢轨有波磨状态的前4阶本征模态信号(IMF1)。

图6-2为声信号通过EEMD分解后钢轨有波磨状态的前4阶本征模态信号(IMF2)。

图6-3为声信号通过EEMD分解后钢轨有波磨状态的前4阶本征模态信号(IMF3)。

图6-4为声信号通过EEMD分解后钢轨有波磨状态的前4阶本征模态信号(IMF4)。

图6-5为声信号通过EEMD分解后钢轨无波磨状态的前4阶本征模态信号(IMF1)。

图6-6为声信号通过EEMD分解后钢轨无波磨状态的前4阶本征模态信号(IMF2)。

图6-7为声信号通过EEMD分解后钢轨无波磨状态的前4阶本征模态信号(IMF3)。

图6-8为声信号通过EEMD分解后钢轨无波磨状态的前4阶本征模态信号(IMF4)。

图7为钢轨有波磨状态下和无波磨状态下IMF分量能量比。

图8为有波磨状态下的IMF2的Hilbert谱图。

图9为有波磨状态下的IMF2的Hilbert边际谱图。

具体实施方式

实施例1

一种基于IMF能量比的高速铁路钢轨波磨声学诊断方法，其步骤如下：

(1)现场测试

采用直接法对某高速铁路典型路基区段的钢轨粗糙度情况进行现场测量，其步骤如下：

目前，钢轨粗糙度(短波不平顺)的直接测量一般采用小推车，检测精度高，但效率较低，如图1所示，为本发明基于IMF(本征模态函数(Intrinsic Mode Function，简称IMF))能量比的高速铁路钢轨波磨声学诊断方法中钢轨粗糙度测试示意图；对于一般意义的钢轨表面粗糙度的定义，是指加工表面具有的较小间距和微小峰谷的不平度，但从声学角度来讲，钢轨的声学粗糙度主要从轮轨理想表面接触滚动角度进行考虑，不考虑接触滤波的影响，对测试得到的表面不平度进行声学修正；钢轨粗糙度数据处理过程中要进行尖峰去除和曲率修正，其中曲率修正对粗糙度的微观几何特征进行了声学角度的处理，以还原钢轨粗糙度对轮轨相互作用的影响，但与接触滤波的作用仍有不同，其机理如图2所示，为本发明基于IMF能量比的高速铁路钢轨波磨声学诊断方法中钢轨粗糙度声学修正的示意图，其中，①为理想车轮表面；②为实际钢轨粗糙度r(x)；③为接触中心点x₀；④为声学粗糙度r’(x_i)-r(x_i)；⑤为采样点x_i；对于每一个粗糙度测试得到的点坐标所构成的实际钢轨粗糙度表面r(x)，接触点位于中心的x₀处，相对于理想车轮表面，结合测试得到的车轮半径，通过曲率修正将声学粗糙度修正为r’(x_i)-r(x_i)；

所测钢轨粗糙度数据可以表示成圆周长度的函数，其物理含义是不同位置处钢轨表面相对于平均表面的变化值，通常被称为钢轨不平顺幅值，理论研究中常用对数形式的钢轨不平顺等级表示，定义如式1所示，单位为dB；

式(1)中，是钢轨粗糙度的均方值在1/3倍频程中进行量化，参考值取1μm，在每个1/3倍频程中，将所得的窄带频谱幅值的平方再求和，并除以计算点数即可获得，在声学粗糙度的定义中，10μm粗糙度的有效幅值(均方根值)对应20dB的粗糙度等级，而1μm的粗糙度幅值则对应0dB粗糙度等级；

如图4所示，为本发明基于IMF能量比的高速铁路钢轨波磨声学诊断方法中高速铁路某区段钢轨波磨测试结果；可见，区段二左轨在19.531cm的波长下，幅值为22.8dB，出现了明显峰值，通过现场确认，区段二左轨为波磨区段，而区段一无波磨现象，将区段一和区段二作为有无波磨的对比区段，测试车辆通过两区段时的声信号，进行钢轨波磨诊断的试验研究，车辆下部转向架区域传声器布置于轴箱部位；

根据直接测量法测试得到的高速铁路某波磨区段参数的窄带谱分析结果，钢轨粗糙度峰值波长为19.531时，在列车通过此区段时的运营时速300km/h下，对应于理论的声学特征频率为426.7Hz，参数如表1所示。

表1高速铁路某波磨区段参数

(2)集合经验模态分解(钢轨波磨诊断)

如图3所示，为本发明基于IMF能量比的高速铁路钢轨波磨声学诊断方法中钢轨波磨诊断流程示意图；对于含有严重噪声的原始信号，EEMD根据高速铁路钢轨粗糙度特征频率，按照从高频到低频的顺序，通过重采样和滤波，分解为具有不同振动模态的子信号，获得本征模态函数IMF，有效将噪声成分分离；IMF信号在故障频率的本征模态频率下的能量会有明显升高，根据故障特征频率对应IMF信号的能量比进行钢轨波磨的故障识别，筛选得到钢轨波磨对应的IMF分量，通过HHT变换，得到Hilbert边际谱和瞬时频率；

由于列车在高速运行时背景噪声较大，尤其是低频风噪声级较高，并根据统计的钢轨声学粗糙度特征以及波磨频率特征，采用带通滤波器进行100Hz-2500Hz的滤波处理，去除低频下的风噪干扰和与钢轨波磨特征频率无关的高频信号，由安装于运营车辆车下的传声器监测的声信号进行滤波后，得到时域图，如图5-1所示，为安装于运营车辆车下的传声器监测的声信号进行滤波后得到的时域图(有磨)，如图5-2所示，为安装于运营车辆车下的传声器监测的声信号进行滤波后得到的时域图(无磨)；从图5-1和图5-2中可以看出，由于信号中混入了严重的噪声，很难从时域图中识别高速铁路波磨相关的脉冲成分；

利用本发明提出的高速铁路波磨声学诊断流程对运营车辆检测到的有、无波磨的两典型区段声信号进行处理，如图6-1所示，为声信号通过EEMD分解后钢轨有波磨状态的前4阶本征模态信号(IMF1)，如图6-2所示，为声信号通过EEMD分解后钢轨有波磨状态的前4阶本征模态信号(IMF2)，如图6-3所示，为声信号通过EEMD分解后钢轨有波磨状态的前4阶本征模态信号(IMF3)，如图6-4所示，为声信号通过EEMD分解后钢轨有波磨状态的前4阶本征模态信号(IMF4)，如图6-5所示，为声信号通过EEMD分解后钢轨无波磨状态的前4阶本征模态信号(IMF1)，如图6-6所示，为声信号通过EEMD分解后钢轨无波磨状态的前4阶本征模态信号(IMF2)，如图6-7所示，为声信号通过EEMD分解后钢轨无波磨状态的前4阶本征模态信号(IMF3)，如图6-8所示，为声信号通过EEMD分解后钢轨无波磨状态的前4阶本征模态信号(IMF4)；经过EEMD分解后的本征模态信号按由高频到低频的准则排列。

通过对原始信号进行11层的EEMD分解和对IMF分量进行计算，表2为IMF分量的前6阶能量比特征，有波磨状态下和无波磨状态下的IMF分量，主要能量频段集中在前4阶，两者均值频率最大差别为8.6％，较为接近，说明高速铁路车辆-轨道耦合系统在声信号中反映的主要频段较为固定；有波磨状态下和无波磨状态下在IMF2能量比上出现明显差别，如图7所示，为钢轨有波磨状态下和无波磨状态下IMF分量能量比；且有波磨状态下明显高于无波磨状态下的信号，有波磨状态下为43.8％，无波磨状态下为23.5％，差别达到46.3％，说明在IMF2分量上出现了明显的能量畸变升高，符合钢轨波磨所产生的声学特征，故采用IMF2分量作为钢轨波磨信号的本征信号，并进行后续处理；

表2 IMF分量的能量比特征

对EEMD分解得到的基本分量IMF2进行Hilbert变换，对信号进行解调，得到信号的瞬时幅值和瞬时频率，如图8所示，为有波磨状态下的IMF2的Hilbert谱图；如图9所示，为有波磨状态下的IMF2的Hilbert边际谱图；可见，IMF2的瞬时峰值频率为441.2Hz，与前面直接测量得到的钢轨波长19.531cm下对应的运营时速声学特征频率426.7Hz相差3.3％，特征频率识别较为准确，实践证明本发明的基于IMF能量比方法进行高速铁路钢轨波磨的诊断应用的可行性和准确度。

传统的EMD方法将非线性非平稳的信号，根据数据自身的时间尺度特征，进行信号分解，分解为有限个IMF，是一种自适应的时频局部化分析方法；本发明的基于IMF能量比的高速铁路钢轨波磨声学诊断方法中所用的EEMD是从EMD的基础上发展起来的，由于EMD对于存在异常事件(如脉冲干扰等)的信号会存在物理过程的重叠，即产生本征模态函数的模态混叠问题，EEMD方法可以通过引入白噪声进行多次分解求平均，通过白噪声缓和异常事件的局部干扰，从而有效解决模态混叠问题。

本发明在运营线路上采用直接法实测了有无波磨区段的钢轨粗糙度(短波不平顺)特征，同时采集了运营动车组通过有无波磨区段的车下声信号，针对车下声信号的特点，对声信号进行EEMD分解后的IMF能量比进行分量筛选，利用IMF能量比畸变特征进行钢轨波磨识别，与直接法实测的钢轨粗糙度对应的理论声学频率进行了对比，提出了有效的高速铁路钢轨波磨的声学诊断策略。

Claims (5)

1.一种基于IMF能量比的高速铁路钢轨波磨声学诊断方法，其步骤如下：

(1)钢轨粗糙度测试

采用小推车直接测量钢轨粗糙度，对测试得到的表面不平度进行声学修正；

(2)集合经验模态分解

对于含有严重噪声的原始信号，根据高速铁路钢轨粗糙度特征频率，按照从高频到低频的顺序，通过重采样和滤波，分解为具有不同振动模态的子信号，获得本征模态函数IMF，有效将噪声成分分离；

(3)本征模态函数IMF能量比

根据故障特征频率对应IMF信号的能量比进行钢轨波磨的故障识别，筛选得到钢轨波磨对应的IMF分量，通过HHT变换，得到Hilbert边际谱和瞬时频率。

2.根据权利要求1所述的基于IMF能量比的高速铁路钢轨波磨声学诊断方法，其特征在于：所述步骤(1)中所述声学修正如下：

钢轨粗糙度数据处理过程中要进行尖峰去除和曲率修正，其中，曲率修正对粗糙度的微观几何特征进行声学角度的处理，以还原钢轨粗糙度对轮轨相互作用的影响；对于每一个粗糙度测试得到的点坐标所构成的实际钢轨粗糙度表面r(x)，接触点位于中心的x₀处，相对于理想车轮表面，结合测试得到的车轮半径，通过曲率修正将声学粗糙度修正为r’(x_i)-r(x_i)。

3.根据权利要求2所述的基于IMF能量比的高速铁路钢轨波磨声学诊断方法，其特征在于：所述钢轨粗糙度数据表示成圆周长度的函数，其物理含义是不同位置处钢轨表面相对于平均表面的变化值，被称为钢轨不平顺幅值，用对数形式的钢轨不平顺等级表示，定义如式1所示，单位为dB；

式(1)中，是钢轨粗糙度的均方值在1/3倍频程中进行量化，参考值取1μm，在每个1/3倍频程中将所得的窄带频谱幅值的平方再求和，并除以计算点数即可获得，在声学粗糙度的定义中，10μm粗糙度的有效幅值对应20dB的粗糙度等级，而1μm的粗糙度幅值则对应0dB粗糙度等级。

4.根据权利要求3所述的基于IMF能量比的高速铁路钢轨波磨声学诊断方法，其特征在于：所述步骤(2)的具体步骤如下：

步骤1)：找出信号x(t)的极大值点和极小值点，用样条插值函数拟合形成上包络线和下包络线，计算上下包络线的均值m₁(t)，将原数据序列x(t)减去平均包络m₁(t)，得到新的数据序列h₁(t)，若h₁(t)不满足IMF的条件，则将h₁(t)作为原信号重复上面的步骤k次，使得平均包络线趋于零，得到的h_1k(t)就是第一个IMF；

步骤2)：从原信号减去c₁(t)，得到一个新的数据序列，然后在重复步骤1，得到一系列的c_n(t)和一个不可再分解的余项序列r_n(t)，其中r_n(t)表示信号的平均趋势；原信号则可以表示为IMF分量和一个残余项之和。

5.根据权利要求4所述的基于IMF能量比的高速铁路钢轨波磨声学诊断方法，其特征在于：所述步骤(3)的具体步骤如下：

利用车下声信号进行EEMD后，提取的IMF能量比畸变特征进行波磨特征识别，IMF是EEMD方法分解后得到的本征模态分量，反映信号从低频到高频的不同振动模态，IMF的能量熵公式为：

其中：

p_i＝E_i/E (4)

p_i为第i个IMF能量占总能量的比值，能量的公式为：

IMF需要满足条件有两点：一是序列中，极值点数与过0点数必须相等或者最多相差一个；二是在任意时间点上，由信号局部极大值确定的上包络线和由局部极小值确定的下包络线的均值为0。