CN110501172A - 一种基于轴箱振动的轨道车辆车轮状态识别方法 - Google Patents

一种基于轴箱振动的轨道车辆车轮状态识别方法 Download PDF

Info

Publication number
CN110501172A
CN110501172A CN201910796173.1A CN201910796173A CN110501172A CN 110501172 A CN110501172 A CN 110501172A CN 201910796173 A CN201910796173 A CN 201910796173A CN 110501172 A CN110501172 A CN 110501172A
Authority
CN
China
Prior art keywords
vibration
signal
axle box
wheel
signals
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910796173.1A
Other languages
English (en)
Inventor
陈博
邹梦
卜显利
胡林桥
王志云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Yunda Intelligent Technology Co Ltd
Original Assignee
Guangzhou Yunda Intelligent Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Yunda Intelligent Technology Co Ltd filed Critical Guangzhou Yunda Intelligent Technology Co Ltd
Priority to CN201910796173.1A priority Critical patent/CN110501172A/zh
Publication of CN110501172A publication Critical patent/CN110501172A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
    • B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
    • B61K9/12—Measuring or surveying wheel-rims
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/08—Railway vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/08—Railway vehicles
    • G01M17/10—Suspensions, axles or wheels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Discrete Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)

Abstract

本发明公开了一种基于轴箱振动的轨道车辆车轮状态识别方法，该方法包括：步骤S1，实时采集列车行驶过程中轴箱振动信号；步骤S2，对步骤S1采集的振动信号进行重采样，使得各个速度状态下的振动信号具有一致的频域特征；步骤S3，对步骤S2重采样后得到的振动信号进行降噪处理；步骤S4，提取步骤S3降噪处理后的振动信号的车轮状态特征指标；步骤S5，对步骤S4得到的车轮状态特征指标进行训练和分类，识别出车轮状态。本发明运用在轨道交通领域，具有速度自适应性，能有效消除随机噪声干扰，且对于不同速度的信号，可有效减轻与速度相关的相干噪声对有效信号的影响。

Description

一种基于轴箱振动的轨道车辆车轮状态识别方法
技术领域
本发明涉及车轮检测技术领域，具体涉及一种基于轴箱振动的轨道车辆车轮状态识别方法。
背景技术
车轮作为轨道车辆的关键部件，起到了支撑车体结构和带动车体移动的重要作用，它的健康状态直接影响着行车的安全性和稳定性。由于车轮与轨道的接触是刚性接触，在轮轨长期的相互作用下，车轮容易发生踏面擦伤、剥落、裂纹、多边形化等缺陷，从而造成轮轨振动加剧，列车整体平稳性降低。研究表明，轮轨振动可以有效反映车轮在轨道上的运行状态，但该振动无法直接在振源处获取，轴箱是获取轮轨振动最有效位置。虽然轴箱振动信号大部分来自于轮轨振动，但其中还掺杂着大量的噪声以及其他部件引起的振动。现有的大部分车轮故障识别方法都未考虑降噪问题，少数方法使用了均值降噪和小波降噪，但降噪效果不够理想。此外，在故障特征提取时，无法忽略列车速度对于振动信号频谱特征的影响，目前基于频域特征的故障识别方法都未考虑速度这一重要因素，或者选取匀速条件下的数据进行分析，对不同速度下的数据不具有适应性。而且现有的车轮故障识别方法基本只针对单一的故障类型进行特征识别，没有对车轮的整体健康状态进行评价。
发明内容
为了解决上述现有技术存在的技术问题，本发明提供了一种基于轴箱振动的轨道车辆车轮状态识别方法。本发明以列车轴箱振动加速度信号为数据源，通过对振动信号的分析处理，得出相应指标参数，来识别车轮的健康状态。
本发明通过下述技术方案实现：
一种基于轴箱振动的轨道车辆车轮状态识别方法，该方法包括以下步骤：
步骤S1，实时采集列车行驶过程中轴箱振动信号；
步骤S2，对步骤S1采集的振动信号进行重采样，使得各个速度状态下的振动信号具有一致的频域特征；
步骤S3，对步骤S2重采样后得到的振动信号进行降噪处理；
步骤S4，提取步骤S3降噪处理后的振动信号的车轮状态特征指标；
步骤S5，对步骤S4得到的车轮状态特征指标进行训练和分类，识别出车轮状态。
优选的，所述步骤S2具体包括：
步骤S21，以步骤S1中采样过程中列车最大行驶速度vmax对应的振动信号为基准，对其他速度下的振动信号进行重采样，速度vn对应的振动信号的采样率为：
其中，ft为步骤S1中振动信号的采样频率；
步骤S22，通过步骤S21获得其他速度下重采样后的振动信号，并对重采样后的振动信号按照时间顺序排列，得到新的振动信号y(t)。
优选的，所述步骤S3采用cadzow滤波法对振动信号y(t)进行去噪处理。
优选的，所述步骤S3具体包括：
步骤S31，将振动信号y(t)分为N道，每道的最大采样点数为S，按照空间时间方向构造形成二维的Hankel矩阵：
其中，p＝S/2，q＝N/2；
步骤S32，对矩阵B进行奇异值分解，若有K个倾角独立的平面波，则以K为矩阵B的秩，截取前K个奇异值后，通过降秩重构得到去噪后的振动信号a(t)。
优选的，所述步骤S4具体包括：
步骤S41，对振动信号a(t)进行傅里叶变换，得到频域信号b(i)；
步骤S42，提取车轮转动频率，以转动频率的倍频为中心频率fk，将频域信号b(i)分解成等长的k段信号，每段信号的起止频率分别为f1和f2；
步骤S43，分别求取每段信号的排列熵，将每段信号的排列熵按顺序排列组成一个数组z(k)，作为车轮状态特征指标。
优选的，所述步骤S42采用下式计算得到车轮转动频率fw：
其中，v表示车辆行驶速度，单位km/h；R表示车轮半径，单位m；
每段信号的起止频率分别为：
优选的，所述步骤S43中求取每段信号的排列熵具体为：
将一段信号进行相空间重构，其中任一重构向量中的元素有g种排列方式，其出现的概率为Pl，则该段信号的排列熵Hp为：
其中，m表示嵌入维度。
优选的，所述步骤S5中具体将数组z(k)作为支持向量机的输入，进行训练和分类，识别输出车轮状态。
优选的，所述步骤S1通过在轴箱安装三向振动加速度传感器，来采集列车行驶过程中轴箱振动加速度信号。
本发明具有如下的优点和有益效果：
本发明采用轴箱振动加速度信号作为信号源，通过速度自适应的信号处理方法消除速度对信号频域的影响，同时利用cadzow滤波实现信号降噪，最后提取车轮健康状态指标进行识别。本方法运用在轨道交通领域，具有速度自适应性，能有效消除随机噪声干扰，且对于不同速度的信号，可有效减轻与速度相关的相干噪声对有效信号的影响。将信号的频域特征转化成车轮状态的评价指标，该指标是车轮故障的整体表征，正常车轮和故障车轮的指标值具有较明显区别，识别效果显著。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明的方法流程图。
图2为本发明的振动加速度传感器布置示意图。其中，(a)为侧视图，(b)为俯视图。
图3为本发明采集对应不同行驶速度的原始振动信号。
图4为本发明对原始振动信号重采样之后的振动信号。
图5为原始振动信号的频谱图。
图6为降噪处理之后的振动信号的频谱图。
具体实施方式
在下文中，可在本发明的各种实施例中使用的术语“包括”或“可包括”指示所发明的功能、操作或元件的存在，并且不限制一个或更多个功能、操作或元件的增加。此外，如在本发明的各种实施例中所使用，术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
在本发明的各种实施例中，表述“或”或“A或/和B中的至少一个”包括同时列出的文字的任何组合或所有组合。例如，表述“A或B”或“A或/和B中的至少一个”可包括A、可包括B或可包括A和B二者。
在本发明的各种实施例中使用的表述(诸如“第一”、“第二”等)可修饰在各种实施例中的各种组成元件，不过可不限制相应组成元件。例如，以上表述并不限制所述元件的顺序和/或重要性。以上表述仅用于将一个元件与其它元件区别开的目的。例如，第一用户装置和第二用户装置指示不同用户装置，尽管二者都是用户装置。例如，在不脱离本发明的各种实施例的范围的情况下，第一元件可被称为第二元件，同样地，第二元件也可被称为第一元件。
应注意到：如果描述将一个组成元件“连接”到另一组成元件，则可将第一组成元件直接连接到第二组成元件，并且可在第一组成元件和第二组成元件之间“连接”第三组成元件。相反地，当将一个组成元件“直接连接”到另一组成元件时，可理解为在第一组成元件和第二组成元件之间不存在第三组成元件。
在本发明的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本发明的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
本实施例提出了一种基于轴箱振动的轨道车辆车轮状态识别方法，如图1所示，该方法包括以下步骤：
步骤S1，实时采集列车行驶过程中轴箱振动信号。
本实施例中，通过在轴箱安装三向振动加速度传感器，来采集列车行驶过程(不同的行驶速度)中轴箱振动加速度信号。
步骤S2，对步骤S1采集的振动信号进行重采样，使得各个速度状态下的振动信号具有一致的频域特征。
本实施例中，采用速度自适应的信号处理方式来满足各个速度状态下的数据都具有一致的频域特征，即在选定的一端速度不等的信号中，以速度最高的信号为基准，对其余各个不同速度的信号进行重采样，并按照速度比进行压缩，使得所得的新信号的频域表现与速度最高的信号达到相同的效果。所述步骤S2具体过程如下：
步骤S21，以步骤S1中采样过程中列车最大行驶速度vmax对应的振动信号为基准，对其他速度下的振动信号进行重采样，速度vn(除了最大行驶速度vmax以外的其他速度)对应的振动信号的采样率为：
其中，ft为步骤S1中振动信号的采样频率；
步骤S22，通过步骤S21获得其他速度下重采样后的振动信号，并对重采样后的振动信号按照时间顺序排列，得到新的振动信号y(t)。
步骤S3，对步骤S2重采样后得到的振动信号进行降噪处理。
本实施例中，为了消除振动加速度信号中随机噪声的影响，利用cadzow滤波的方法进行降噪处理，将振动信号组成的一维矩阵依据cadzow法进行高阶组合，然后对其进行奇异值分解(SVD)，再通过减秩的方法来压制噪声信号，重构获得降噪后的信号。具体过程如下：
步骤S31，将振动信号y(t)分为N道，每道的最大采样点数为S，按照空间时间方向构造形成二维的Hankel矩阵：
其中，p＝S/2，q＝N/2；
步骤S32，对矩阵B进行奇异值分解，若有K个倾角独立的平面波，则以K为矩阵B的秩，截取前K个奇异值后，通过降秩重构得到去噪后的振动信号a(t)。
步骤S4，提取步骤S3降噪处理后的振动信号的车轮状态特征指标。
本实施例中，提取经过重采样压缩和去噪后的轴箱振动加速度信号的车轮健康状态特征指标，具体过程如下：
步骤S41，对振动信号a(t)进行傅里叶变换，得到频域信号b(i)；
步骤S42，由于车轮故障产生的信号在频域上基本都会与车轮转频或其倍频产生联系，因此通过提取转频及其倍频的特征可以反映车轮的健康状况。以车轮的转频及其倍频为中心，将频域信号分解成若干段等长的信号。即计算车轮转动频率fw：
其中，v表示车辆行驶速度(单位km/h)；R表示车轮半径(单位m)；
以转动频率的倍频为中心频率fk，将频域信号b(i)分解成等长的k段信号，每段信号的起止频率分别为f1和f2：
步骤S43，分别求取每段信号的排列熵，将信号进行相空间重构，其中任一重构向量中的元素有g种排列方式，其出现的概率为Pl，则该段信号的排列熵Hp为：
其中，m表示嵌入维度。
将每段信号的排列熵按顺序排列组成一个数组z(k)，作为车轮状态特征指标。
步骤S5，对步骤S4得到的车轮状态特征指标进行训练和分类，识别出车轮状态。
本实施例中，使用支持向量机的方法对数据进行训练和识别，区分出健康车轮和故障车轮，即将数组z(k)作为支持向量机的输入，进行训练和分类，识别输出车轮状态。
实施例2
本实施例2将上述实施例1提出的方法应用在轨道交通列车车轮状态识别的具体过程如下：
1、本发明通过在转向架轴箱上安装三向振动加速度传感器来采集对应位置的车轮振动信号，具体的传感器布置位置如图2所示，ZZC01～ZZC04分别表示转向架对应的四个轴箱上的传感器。通过该方式，在列车运行时进行现场测试，采集振动信号x(t)，如图3所示。
2、振动信号的采样频率设为ft(本例为4kHz)，列车速度值的采样率为1Hz，即每一个速度值对应着4k个振动加速度值。当速度的变化范围在20km/h～70km/h之间时，以νmax(70km/h)对应的振动值为基准，对其他速度下的振动信号进行重采样，每个速度对应的振动信号的采样率为
再对重采样之后的振动值按照时间顺序排列，得到新的振动信号y(t)。其本质是车轮每旋转一周，采集相同点数的加速度值。图4展示了重采样后时序排列的振动信号。
3、采用cadzow滤波法对振动信号y(t)进行去噪处理，依据该方法，将振动数据分成N(取50)道，每道的最大采样点数为S(取8k)，按照空间时间方向构造形成二维的Hankel矩阵
其中
本实施例中取p＝S/2，q＝N/2。
对矩阵B进行奇异值分解(SVD)，若有K个倾角独立的平面波，则以K为矩阵B的秩，截取前K(取5)个奇异值后，通过降秩重构得到去噪后的振动信号a(t)。对振动信号a(t)进行傅里叶变换，得到频域信号b(i)。图5和图6分别展示了原始信号的频谱和去噪信号的频谱。
4、计算车轮转动频率fw
以转动频率的倍频为中心频率fk，将频域信号b(i)分解成等长的k段信号，每段信号的起止频率分别为f1和f2：
再求取每段信号的排列熵值Hp，具体方法为：将信号进行相空间重构，对其中的任一重构向量中的元素可以有g种排列方式，其出现概率为Pl。按照信息熵的形式，信号的排列熵可以表示为
每段频域的排列熵按顺序排列可以组成一个数组z(k)。
以数组z(k)作为支持向量机(SVM)的输入，进行训练和分类识别，可评价车轮健康状态的好坏。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于轴箱振动的轨道车辆车轮状态识别方法，其特征在于，该方法包括以下步骤：
步骤S1，实时采集列车行驶过程中轴箱振动信号；
步骤S2，对步骤S1采集的振动信号进行重采样，使得各个速度状态下的振动信号具有一致的频域特征；
步骤S3，对步骤S2重采样后得到的振动信号进行降噪处理；
步骤S4，提取步骤S3降噪处理后的振动信号的车轮状态特征指标；
步骤S5，对步骤S4得到的车轮状态特征指标进行训练和分类，识别出车轮状态。
2.根据权利要求1所述的一种基于轴箱振动的轨道车辆车轮状态识别方法，其特征在于，所述步骤S2具体包括：
步骤S21，以步骤S1中采样过程中列车最大行驶速度vmax对应的振动信号为基准，对其他速度下的振动信号进行重采样，速度vn对应的振动信号的采样率为：
其中，ft为步骤S1中振动信号的采样频率；
步骤S22，通过步骤S21获得其他速度下重采样后的振动信号，并对重采样后的振动信号按照时间顺序排列，得到新的振动信号y(t)。
3.根据权利要求2所述的一种基于轴箱振动的轨道车辆车轮状态识别方法，其特征在于，所述步骤S3采用cadzow滤波法对振动信号y(t)进行去噪处理。
4.根据权利要求3所述的一种基于轴箱振动的轨道车辆车轮状态识别方法，其特征在于，所述步骤S3具体包括：
步骤S31，将振动信号y(t)分为N道，每道的最大采样点数为S，按照空间时间方向构造形成二维的Hankel矩阵：
其中，p＝S/2，q＝N/2；
步骤S32，对矩阵B进行奇异值分解，若有K个倾角独立的平面波，则以K为矩阵B的秩，截取前K个奇异值后，通过降秩重构得到去噪后的振动信号a(t)。
5.根据权利要求4所述的一种基于轴箱振动的轨道车辆车轮状态识别方法，其特征在于，所述步骤S4具体包括：
步骤S41，对振动信号a(t)进行傅里叶变换，得到频域信号b(i)；
步骤S42，提取车轮转动频率，以转动频率的倍频为中心频率fk，将频域信号b(i)分解成等长的k段信号，每段信号的起止频率分别为f1和f2；
步骤S43，分别求取每段信号的排列熵，将每段信号的排列熵按顺序排列组成一个数组z(k)，作为车轮状态特征指标。
6.根据权利要求5所述的一种基于轴箱振动的轨道车辆车轮状态识别方法，其特征在于，所述步骤S42采用下式计算得到车轮转动频率fw：
其中，v表示车辆行驶速度，单位km/h；R表示车轮半径，单位m；
每段信号的起止频率分别为：
7.根据权利要求5所述的一种基于轴箱振动的轨道车辆车轮状态识别方法，其特征在于，所述步骤S43中求取每段信号的排列熵具体为：
将一段信号进行相空间重构，其中任一重构向量中的元素有g种排列方式，其出现的概率为Pl，则该段信号的排列熵Hp为：
其中，m表示嵌入维度。
8.根据权利要求8所述的一种基于轴箱振动的轨道车辆车轮状态识别方法，其特征在于，所述步骤S5中具体将数组z(k)作为支持向量机的输入，进行训练和分类，识别输出车轮状态。
9.根据权利要求1-8任一项所述的一种基于轴箱振动的轨道车辆车轮状态识别方法，其特征在于，所述步骤S1通过在轴箱安装三向振动加速度传感器，来采集列车行驶过程中轴箱振动加速度信号。
CN201910796173.1A 2019-08-27 2019-08-27 一种基于轴箱振动的轨道车辆车轮状态识别方法 Pending CN110501172A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910796173.1A CN110501172A (zh) 2019-08-27 2019-08-27 一种基于轴箱振动的轨道车辆车轮状态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910796173.1A CN110501172A (zh) 2019-08-27 2019-08-27 一种基于轴箱振动的轨道车辆车轮状态识别方法

Publications (1)

Publication Number Publication Date
CN110501172A true CN110501172A (zh) 2019-11-26

Family

ID=68588416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910796173.1A Pending CN110501172A (zh) 2019-08-27 2019-08-27 一种基于轴箱振动的轨道车辆车轮状态识别方法

Country Status (1)

Country Link
CN (1) CN110501172A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111024219A (zh) * 2019-12-31 2020-04-17 神州高铁技术股份有限公司 信号的获取方法、系统及存储介质、诊断方法、检测系统
CN111044140A (zh) * 2019-12-31 2020-04-21 神州高铁技术股份有限公司 信号的获取方法、系统及存储介质、诊断方法、检测系统
CN113776760A (zh) * 2020-06-09 2021-12-10 成都运达科技股份有限公司 基于整轴振动分析的列车轮对失圆故障监测方法和系统
CN114235446A (zh) * 2021-11-18 2022-03-25 浙江众合科技股份有限公司 一种应用于列车转向架的在线智能诊断系统
CN114239347A (zh) * 2021-11-30 2022-03-25 重庆大学 一种基于运营列车振动信号实时量测铁路轨道支撑刚度的高效方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012058107A (ja) * 2010-09-09 2012-03-22 Nittetsu Elex Co Ltd 回転機械の異常診断方法
CN104992063A (zh) * 2015-07-06 2015-10-21 北京信息科技大学 一种机械设备振动信号的降噪方法
CN105758644A (zh) * 2016-05-16 2016-07-13 上海电力学院 基于变分模态分解和排列熵的滚动轴承故障诊断方法
KR101829134B1 (ko) * 2016-08-05 2018-03-29 한국항공대학교산학협력단 진동을 이용한 회전체 고장 예측 시스템 및 방법
CN107941513A (zh) * 2017-12-25 2018-04-20 北京建筑大学 一种列车走行部轴承非平稳运维的时频阶比跟踪方法
CN109186964A (zh) * 2018-07-28 2019-01-11 华中科技大学 基于角度重采样与roc-svm的旋转机械故障诊断方法
CN109253872A (zh) * 2018-09-17 2019-01-22 华西能源工程有限公司 一种基于ceemdan的转子运行状态监测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012058107A (ja) * 2010-09-09 2012-03-22 Nittetsu Elex Co Ltd 回転機械の異常診断方法
CN104992063A (zh) * 2015-07-06 2015-10-21 北京信息科技大学 一种机械设备振动信号的降噪方法
CN105758644A (zh) * 2016-05-16 2016-07-13 上海电力学院 基于变分模态分解和排列熵的滚动轴承故障诊断方法
KR101829134B1 (ko) * 2016-08-05 2018-03-29 한국항공대학교산학협력단 진동을 이용한 회전체 고장 예측 시스템 및 방법
CN107941513A (zh) * 2017-12-25 2018-04-20 北京建筑大学 一种列车走行部轴承非平稳运维的时频阶比跟踪方法
CN109186964A (zh) * 2018-07-28 2019-01-11 华中科技大学 基于角度重采样与roc-svm的旋转机械故障诊断方法
CN109253872A (zh) * 2018-09-17 2019-01-22 华西能源工程有限公司 一种基于ceemdan的转子运行状态监测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HAO PAN: "A fault diagnosis approach for rolling bearing basedon Fourier transform multi-filter decomposition andsymbolic dynamic entropy", 《2019 INTERNATIOAL CONFERENCE ON SENSING，DIAGNOSTICS ，PROGNOSTICS AND CONTROL（SDPC）》 *
杨宇: "《机械故障诊断的变量预测模式识别方法》", 31 August 2017, 湖南大学出版社 *
梁硕博: "基于Hankel矩阵的去噪方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111024219A (zh) * 2019-12-31 2020-04-17 神州高铁技术股份有限公司 信号的获取方法、系统及存储介质、诊断方法、检测系统
CN111044140A (zh) * 2019-12-31 2020-04-21 神州高铁技术股份有限公司 信号的获取方法、系统及存储介质、诊断方法、检测系统
CN111044140B (zh) * 2019-12-31 2021-05-25 神州高铁技术股份有限公司 信号的获取方法、系统及存储介质、诊断方法、检测系统
CN113776760A (zh) * 2020-06-09 2021-12-10 成都运达科技股份有限公司 基于整轴振动分析的列车轮对失圆故障监测方法和系统
CN113776760B (zh) * 2020-06-09 2023-06-27 成都运达科技股份有限公司 基于整轴振动分析的列车轮对失圆故障监测方法和系统
CN114235446A (zh) * 2021-11-18 2022-03-25 浙江众合科技股份有限公司 一种应用于列车转向架的在线智能诊断系统
CN114239347A (zh) * 2021-11-30 2022-03-25 重庆大学 一种基于运营列车振动信号实时量测铁路轨道支撑刚度的高效方法
CN114239347B (zh) * 2021-11-30 2024-06-11 重庆大学 一种基于运营列车振动信号实时量测铁路轨道支撑刚度的高效方法

Similar Documents

Publication Publication Date Title
CN110501172A (zh) 一种基于轴箱振动的轨道车辆车轮状态识别方法
Zhang et al. Adaptive fault feature extraction from wayside acoustic signals from train bearings
Chen et al. A two-level adaptive chirp mode decomposition method for the railway wheel flat detection under variable-speed conditions
CN108694371B (zh) 使用磁力计和加速度计来检测机械设备
He et al. Wayside acoustic diagnosis of defective train bearings based on signal resampling and information enhancement
Guo et al. Envelope extraction based dimension reduction for independent component analysis in fault diagnosis of rolling element bearing
Wang et al. Blind source extraction of acoustic emission signals for rail cracks based on ensemble empirical mode decomposition and constrained independent component analysis
CN110161343B (zh) 一种智能列车外部受电装置的非侵入式实时动态监测方法
CN113281414B (zh) 钢轨短波病害类型的识别方法及装置、以及电子设备
CN105022912B (zh) 基于小波主成分分析的滚动轴承故障预测方法
CN105637331B (zh) 异常检测装置、异常检测方法
CN108836322B (zh) 一种裸眼3d显示视觉诱导晕动症检测方法
CN114997252B (zh) 一种基于惯性原理的车轮多边形车载检测方法
CN112529177A (zh) 一种车辆碰撞检测方法及装置
Zhang et al. An adaptive graph morlet wavelet transform for railway wayside acoustic detection
Li et al. Transient feature self-enhancement via shift-invariant manifold sparse learning for rolling bearing health diagnosis
Dai et al. Acceleration-guided acoustic signal denoising framework based on learnable wavelet transform applied to slab track condition monitoring
CN116297841A (zh) 一种基于光纤分布式振动检测的铁路轨道病害识别方法
Lee et al. Analysis of attention deficit hyperactivity disorder in EEG using wavelet transform and self organizing maps
CN117349640A (zh) 一种车载振动加速度数据分析方法及系统
CN116353660B (zh) 一种基于bwo-vmd的高速铁路车轮多边形故障检测方法及系统
CN117312850A (zh) 基于半监督生成对抗模型的列车车轮健康检测方法及系统
CN115655719A (zh) 一种轴承振动信号分阶段降噪方法及轴承故障识别方法
Parineh et al. Detecting emergency vehicles With 1D-CNN using fourier processed audio signals
CN106291680A (zh) 一种数据低频延拓方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191126