CN111071291A - 列车轮对监测系统及列车轮对监测方法 - Google Patents

列车轮对监测系统及列车轮对监测方法 Download PDF

Info

Publication number
CN111071291A
CN111071291A CN201811223033.7A CN201811223033A CN111071291A CN 111071291 A CN111071291 A CN 111071291A CN 201811223033 A CN201811223033 A CN 201811223033A CN 111071291 A CN111071291 A CN 111071291A
Authority
CN
China
Prior art keywords
fault
train
train wheel
wheel set
vibration data
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.)
Granted
Application number
CN201811223033.7A
Other languages
English (en)
Other versions
CN111071291B (zh
Inventor
陈俊
丁杰
王永胜
彭宣霖
曾亚平
夏亮
李学明
臧晓斌
朱宇龙
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.)
Zhuzhou CRRC Times Electric Co Ltd
Original Assignee
Zhuzhou CRRC Times Electric 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 Zhuzhou CRRC Times Electric Co Ltd filed Critical Zhuzhou CRRC Times Electric Co Ltd
Priority to CN201811223033.7A priority Critical patent/CN111071291B/zh
Publication of CN111071291A publication Critical patent/CN111071291A/zh
Application granted granted Critical
Publication of CN111071291B publication Critical patent/CN111071291B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/042—Backward inferencing
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种列车轮对监测系统及列车轮对监测方法，列车轮对监测系统包括：故障特征模拟模块，其配置为在列车大系统动力学模型中模拟故障对应的振动数据；校核模块，其配置为对故障对应于测量点的振动数据进行校核；故障特征数据库模块，其配置为构建故障特征数据库；故障及振动特征参量映射数据库模块，其配置为对故障特征数据库中的振动数据提取振动特征参量并形成映射数据库；故障逆推模型模块，其配置为对映射数据库建立故障和特征的映射函数模型；监测模块，其配置为根据映射函数模型对故障程度进行监测。本发明实施例的列车轮对监测系统及列车轮对监测方法，可以利用映射函数模型得到故障程度，实时监测故障程度的详细信息。

Description

列车轮对监测系统及列车轮对监测方法
技术领域
本发明属于列车技术领域，特别涉及一种列车轮对监测系统及列车轮对监测方法。
背景技术
轮对为列车走行部的核心部件，同时也是故障最多及维护最为困难的部件，其故障主要包括车轮的踏面剥离和多边形磨损两大类。踏面剥离是指车轮在运行过程中由于制动作用或轮轨滚动接触疲劳作用而在踏面圆周或部分圆周上呈现出的金属掉块剥落损伤和鱼鳞状或龟裂状热裂纹现象。多边形磨损是指在车辆运行过程中车轮踏面圆周方向的波状磨损。两者皆会造成强烈的振动和冲击，诱发强烈的振动噪声，导致轨道、列车走形部等加速疲劳，严重影响列车的乘坐舒适性和行车安全性。
目前对踏面剥落和多边形磨损的检查主要依靠线下检查，工作量巨大，过程繁琐，需要消耗大量的人力物力，且每次检查时间间隔较长，原则上不能保证踏面剥落和多边形磨损情况在安全范围之内，存在事故隐患。对踏面剥落和多边形磨损的状态监测和故障预警，成为困扰各机务段的一大难题。
对于踏面剥离、多边形磨损，其故障信息在相应部件的振动信号中皆有较好的体现。目前基于振动信号的列车走行部故障监测系统已有较为成熟的产品，但是，其产品存在以下几点不足：1、对车轮的故障预警较为初级，基本以频率诊断为主，不能实现对踏面剥离和多边形磨损程度的估计；2、监测系统的布置和改造困难；3、需另外加装预警系统，成本较高。
因此，如何实现对踏面剥离和多边形磨损程度的监测成为了一个亟待解决的技术问题。
发明内容
本发明所要解决的技术问题之一是如何实现对踏面剥离和多边形磨损程度的监测。
为了解决上述技术问题，本申请的实施例首先提供了一种列车轮对监测系统，其包括：
故障特征模拟模块，其配置为建立列车车辆-轮轨-线路耦合大系统动力学模型，并在列车车辆-轮轨-线路耦合大系统动力学模型中模拟列车轮对的故障对应于测量点的振动数据；
校核模块，其配置为根据列车线路运行时实际发生的列车轮对的故障对应于测量点的实际振动数据对列车轮对的故障对应于测量点的振动数据进行校核；
故障特征数据库模块，其配置为根据校核后的列车轮对的故障对应于测量点的振动数据构建列车轮对的故障特征数据库，其中，列车轮对的故障特征数据库中按照拓扑逻辑关系存储了振动数据、故障类别、故障程度和运行里程；
故障及振动特征参量映射数据库模块，其配置为利用特征提取算法对故障特征数据库中的振动数据提取振动特征参量，并将列车轮对的故障特征数据库中的振动数据替换为振动特征参量，以按照所述拓扑逻辑关系存储振动特征参量、故障类别、故障程度和运行里程形成映射数据库；
故障逆推模型模块，其配置为利用深度学习算法对映射数据库进行深度学习以建立故障和特征的映射函数模型；
监测模块，其配置为根据映射函数模型和列车线路运行时测量点的监测振动数据对故障程度进行监测。
优选地，拓扑逻辑关系包括：多边形磨损、多边形磨损的边数、多边形磨损的粗糙度等级、振动数据和运行里程之间的关系；
踏面剥落、踏面剥落的面积、踏面剥落的深度和振动数据之间的关系。
优选地，监测模块配置为利用特征提取算法对列车线路运行时测量点的监测振动数据提取监测振动特征参量，并根据监测振动特征参量和映射函数模型计算故障程度。
优选地，特征提取算法包括小波分析、数据包络分析。
优选地，还包括用于采集振动数据的振动加速度传感器，其设置于测量点处。
优选地，还包括：预警模块，其配置为监测的故障程度超过失效预警阈值时，发出预警指令。
优选地，监测模块配置为根据故障程度计算列车轮对的运行状态参数和剩余寿命。
优选地，还包括列车故障预测与健康管理系统，其配置为从监测模块通过车载网络通讯系统接收故障程度，并根据故障程度发出运维指令。
本发明实施例还公开了一种列车轮对监测方法，其包括：
建立列车车辆-轮轨-线路耦合大系统动力学模型，并在列车车辆-轮轨-线路耦合大系统动力学模型中模拟列车轮对的故障对应于测量点的振动数据；
根据列车线路运行时实际发生的列车轮对的故障对应于测量点的实际振动数据对列车轮对的故障对应于测量点的振动数据进行校核；
根据校核后的列车轮对的故障对应于测量点的振动数据构建列车轮对的故障特征数据库，其中，列车轮对的故障特征数据库中按照拓扑逻辑关系存储了振动数据、故障类别、故障程度和运行里程；
利用特征提取算法对故障特征数据库中的振动数据提取振动特征参量，并将列车轮对的故障特征数据库中的振动数据替换为振动特征参量，以按照所述拓扑逻辑关系存储振动特征参量、故障类别、故障程度和运行里程形成映射数据库；
利用深度学习算法对映射数据库进行深度学习以建立故障和特征的映射函数模型；
根据映射函数模型和列车线路运行时测量点的监测振动数据对故障程度进行监测。
优选地，还包括：
监测的故障程度超过失效预警阈值时，发出预警指令
与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
当采集到列车线路运行时测量点的监测振动数据，例如振动加速度后，可以利用映射函数模型得到故障程度，从而可以实时监测故障程度的详细信息；在列车轮对监测方法中保持现有的车载网络通讯系统和列车故障预测与健康管理系统，可以实现轮对故障的精细化监测、智能诊断和健康评估，并且对现有系统的改造简单，成本低廉。
本发明的其他优点、目标，和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书，权利要求书，以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请的技术方案或现有技术的进一步理解，并且构成说明书的一部分。其中，表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案，但并不构成对本申请技术方案的限制。
图1是根据本发明一实施例的列车轮对监测系统的结构框图；
图2是根据本发明一实施例的列车轮对监测系统的一种振动数据、故障类别、故障程度和运行里程的拓扑逻辑关系图；
图3是根据本发明一实施例的列车轮对监测方法的流程图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本发明的保护范围之内。
列车轮对监测系统，其包括：故障特征模拟模块，其配置为建立列车车辆-轮轨-线路耦合大系统动力学模型，并在列车车辆-轮轨-线路耦合大系统动力学模型中模拟列车轮对的故障对应于测量点的振动数据，利用故障特征模拟模块可以利用列车车辆-轮轨-线路耦合大系统动力学模型进行仿真模拟；校核模块，其配置为根据列车线路运行时实际发生的列车轮对的故障对应于测量点的实际振动数据对列车轮对的故障对应于测量点的振动数据进行校核，利用校核模块可以进一步对列车车辆-轮轨-线路耦合大系统动力学模型进行校核和修正，使校核后的列车车辆-轮轨-线路耦合大系统动力学模型更符合实际情况；故障特征数据库模块，其配置为根据校核后的列车轮对的故障对应于测量点的振动数据构建列车轮对的故障特征数据库，其中，列车轮对的故障特征数据库中按照拓扑逻辑关系存储了振动数据、故障类别、故障程度和运行里程，利用列车车辆-轮轨-线路耦合大系统动力学模型仿真的数据，例如振动数据、故障类别、故障程度和运行里程，根据拓扑逻辑关系进行存储；故障及振动特征参量映射数据库模块，其配置为利用特征提取算法对故障特征数据库中的振动数据提取振动特征参量，并将列车轮对的故障特征数据库中的振动数据替换为振动特征参量，以按照所述拓扑逻辑关系存储振动特征参量、故障类别、故障程度和运行里程形成映射数据库，针对振动特征进行特征特征参量的处理；故障逆推模型模块，其配置为利用深度学习算法对映射数据库进行深度学习以建立故障和特征的映射函数模型，利用映射数据库中存储的数据，例如振动特征参量、故障类别、故障程度和运行里程建立映射函数模型，为监测和预警打下基础；监测模块，其配置为根据映射函数模型和列车线路运行时测量点的监测振动数据对故障程度进行监测，根据测量点的监测振动数据可以对故障程度进行监测，故障程度能够更详细的描述故障。
下面以具体的实施例对本发明作进一步说明。
如图1所示，本发明公开了一种列车轮对监测系统，尤其适用于对牵引列车的轮对进行监测。列车轮对监测系统包括故障特征模拟模块1、校核模块2、故障特征数据库模块3、故障及振动特征参量映射数据库模块4、故障逆推模型模块5和监测模块6。
故障特征模拟模块1，其配置为建立列车车辆-轮轨-线路耦合大系统动力学模型，并在列车车辆-轮轨-线路耦合大系统动力学模型中模拟列车轮对的故障对应于测量点的振动数据；
其中，建立列车车辆-轮轨-线路耦合大系统动力学模型时，轮对和轮轨设置为弹性体。在列车车辆-轮轨-线路耦合大系统动力学模型中引入磨耗模型对多边形磨损进行模拟，具体的，根据列车车辆-轮轨-线路耦合大系统动力学模型获得轮轨接触力和蠕滑力，进而根据轮轨接触力和蠕滑力建立车轮磨耗模型，根据车轮磨耗模型获得车轮的粗糙度，输入到列车车辆-轮轨-线路耦合大系统动力学模型中进行循环；在弹性轮对上认为制作剥落对踏面剥落进行模拟。进行模拟时，是以车辆运行的实际工况为模拟工况，线路可以根据牵引列车的实际线路制定相应的线路模型。通过设置故障特征模拟模块1可以获得多边形磨损的多个阶段的演化趋势和每个阶段对应的测量点的振动数据，以及不同程度踏面剥落对应的测量点的振动数据。其中，振动数据可以是振动加速度。
校核模块2，其配置为根据列车线路运行时实际发生的列车轮对的故障对应于测量点的实际振动数据对列车轮对的故障对应于测量点的振动数据进行校核；
具体的，列车轮对监测系统还包括用于采集振动数据的振动加速度传感器，其设置于测量点处，通过在测量点处设置振动加速度传感器可以获得振动加速度，并用于对故障程度的监测。其中，每个轮对设置3个振动加速度传感器，具体设置在左侧轴箱、右侧轴箱和车轴中部的位置，振动加速度传感器与轴箱和车轴应连接可靠，确保可以长期准确地测量振动数据。相应的，测量点为左侧轴箱、右侧轴箱和车轴中部的位置。振动加速度传感器选用可靠性高、稳定性好的三向加速度传感器，其测量频率范围需覆盖整个故障的振动特征频率。根据振动加速度传感器获得的振动数据还可以经过数据采集与信号预处理单元的预处理，再作为对列车轮对的故障对应于测量点的振动数据进行校核的实际振动数据。其中，数据采集与信号预处理单元对振动加速度进行数据结构整理、制程识别、过滤及数据分割，数据采集与信号预处理单元中的数据采集与预处理程序可根据不同的数据对象进行调整。
其中，列车线路运行时实际发生的列车轮对的故障对应于测量点的实际振动数据是根据车轴和轴箱的测量点的长期跟踪测试(例如，振动线路试验)得来的，另外还可以获得列车线路运行的运行里程；同时，列车线路运行时实际发生的列车轮对的故障可以通过车轮粗糙度等级测试和车轮尺寸测试获得，并以具体的数据来表现，例如轮对的轮径的参数(其包括多边形磨损的边数、踏面剥落的面积和深度)、多边形磨损的粗糙度等级等。列车线路运行时实际发生的列车轮对的故障对应于测量点的实际振动数据包括列车线路运行时实际发生的列车轮对的故障的具体的参数(其可以用来描述故障的程度)和对应的测量点的实际振动数据，从而可以获得列车线路运行时实际发生的列车轮对的多边形磨损的多个阶段的演化趋势和每个阶段对应的测量点的振动数据，以及列车线路运行时实际发生的列车轮对的不同程度踏面剥落对应的测量点的振动数据。根据列车线路运行时实际发生的列车轮对的故障对应于测量点的实际振动数据对列车轮对的故障对应于测量点的振动数据进行校核，可以校核和修正列车车辆-轮轨-线路耦合大系统动力学模型，使仿真模拟的结果与实际情况更加相符。
故障特征数据库模块3，其配置为根据校核后的列车轮对的故障对应于测量点的振动数据构建列车轮对的故障特征数据库，其中，列车轮对的故障特征数据库中按照拓扑逻辑关系存储了振动数据、故障类别、故障程度和运行里程；
故障特征数据库中的数据包括不同列车载重、不同列车速度等级和不同线路状况下的多边形磨损和踏面剥落的数据，其包括振动数据、故障类别、故障程度和运行里程等。利用拓扑逻辑关系可以更好的对振动数据、故障类别、故障程度和运行里程进行对应存储，而且方便后续监测故障程度。
故障及振动特征参量映射数据库模块4，其配置为利用特征提取算法对故障特征数据库中的振动数据提取振动特征参量，并将列车轮对的故障特征数据库中的振动数据替换为振动特征参量，以按照所述拓扑逻辑关系存储振动特征参量、故障类别、故障程度和运行里程形成映射数据库；
其中，特征提取算法包括小波分析、数据包络分析。当然，根据实际情况还可以选用其他适合轮对故障的特征提取算法，选用特征提取算法时可以对故障特征数据库中的振动数据，例如振动加速度，进行试算，选用对振动数据提取振动特征参量的结果比较好的特征提取算法。另外，还可以对振动特征参量进行识别，具体的，可以利用振动的特征谱对频率信息和阶次信息进行识别。对振动特征参量进行识别可以根据振动数据和故障的特性制定相应的策略进行识别。对振动特征参量进行识别后，将列车轮对的故障特征数据库中的振动数据替换为识别后的振动特征参量，以按照所述拓扑逻辑关系存储识别后的振动特征参量、故障类别、故障程度和运行里程形成映射数据库。
故障逆推模型模块5，其配置为利用深度学习算法对映射数据库进行深度学习以建立故障和特征的映射函数模型；
其中，深度学习算法包括卷积神经网络。当然，可以根据实际情况中拓扑逻辑和拓扑逻辑中的数据的属性选择其他种类的深度学习算法。其中，故障包括故障的种类和故障的程度。对于多边形磨损来说，特征包括振动特征参量和运行里程。对于踏面剥落来说，特征包括振动特征参量。
监测模块6，其配置为根据映射函数模型和列车线路运行时测量点的监测振动数据对故障程度进行监测。
具体的，监测模块6配置为利用特征提取算法对列车线路运行时测量点的监测振动数据提取监测振动特征参量，并根据监测振动特征参量和映射函数模型计算故障程度。其中，监测振动数据可以是振动加速度传感器获得的振动数据经过数据采集与信号预处理单元预处理后的振动数据。
当采集到列车线路运行时测量点的监测振动数据，例如振动加速度后，可以利用映射函数模型得到故障程度，从而可以实时监测故障程度的详细信息。
在一个实施例中，拓扑逻辑关系包括：多边形磨损、多边形磨损的边数、多边形磨损的粗糙度等级、振动数据和运行里程之间的关系；
踏面剥落、踏面剥落的面积、踏面剥落的深度和振动数据之间的关系。
其中，拓扑逻辑关系为四个维度的对应关系，具体是振动数据、故障类别、故障程度和运行里程之间的关系。故障类别包括多边形磨损和踏面剥落。对于多边形磨损来说，故障程度包括边数和粗糙度等级。对于踏面剥落来说，故障程度包括面积和深度。图2具体示出了根据本发明一实施例的列车轮对监测系统的一种振动数据、故障类别、故障程度和运行里程的拓扑逻辑关系图。
在一个实施例中，列车轮对监测系统还包括：预警模块，其配置为监测的故障程度超过失效预警阈值时，发出预警指令。
其中，失效预警阈值可以对应于故障的程度，故障的程度不同，相应的失效预警阈值设置为不同的值。失效预警阈值可以根据相关的标准、大量的样本统计及工程的有关规定进行设定。当监测的故障程度超过失效预警阈值时，发出预警指令，从而可以实时实现预警。通过在列车轮对监测系统中增加预警模块，可以实现预警，并且成本低。
在一个实施例中，监测模块6配置为根据故障程度计算列车轮对的运行状态参数和剩余寿命，从而可以实现对类车轮对的智能诊断和健康评估。
在一个实施例中，列车轮对监测系统还包括列车故障预测与健康管理系统，其配置为从监测模块6通过车载网络通讯系统接收故障程度，并根据故障程度发出运维指令。
另外，列车轮对监测系统还可以包括上述的预警模块，列车故障预测与健康管理系统从预警模块通过车载网络通讯系统接收预警指令，并根据预警指令进行处理。
在列车轮对监测系统中增加现有的车载网络通讯系统和列车故障预测与健康管理系统，可以实现轮对故障的精细化监测、智能诊断和健康评估，并且对现有系统的改造简单，成本低廉。
如图3所示，本发明实施例还公开了一种列车轮对监测方法，其包括：
S1，建立列车车辆-轮轨-线路耦合大系统动力学模型，并在列车车辆-轮轨-线路耦合大系统动力学模型中模拟列车轮对的故障对应于测量点的振动数据；
S2，根据列车线路运行时实际发生的列车轮对的故障对应于测量点的实际振动数据对列车轮对的故障对应于测量点的振动数据进行校核；
S3，根据校核后的列车轮对的故障对应于测量点的振动数据构建列车轮对的故障特征数据库，其中，列车轮对的故障特征数据库中按照拓扑逻辑关系存储了振动数据、故障类别、故障程度和运行里程；
S4，利用特征提取算法对故障特征数据库中的振动数据提取振动特征参量，并将列车轮对的故障特征数据库中的振动数据替换为振动特征参量，以按照所述拓扑逻辑关系存储振动特征参量、故障类别、故障程度和运行里程形成映射数据库；
S5，利用深度学习算法对映射数据库进行深度学习以建立故障和特征的映射函数模型；
S6，根据映射函数模型和列车线路运行时测量点的监测振动数据对故障程度进行监测。
在一个实施例中，拓扑逻辑关系包括：多边形磨损、多边形磨损的边数、多边形磨损的粗糙度等级、振动数据和运行里程之间的关系；
踏面剥落、踏面剥落的面积、踏面剥落的深度和振动数据之间的关系。
在一个实施例中，S6，根据映射函数模型和列车线路运行时测量点的监测振动数据对故障程度进行监测，还包括：
利用特征提取算法对列车线路运行时测量点的监测振动数据提取监测振动特征参量，并根据监测振动特征参量和映射函数模型计算故障程度。
在一个实施例中，特征提取算法包括小波分析、数据包络分析。
在一个实施例中，S2，利用设置于测量点处的振动加速度传感器根据列车线路运行时实际发生的列车轮对的故障采集对应的实际振动数据。
在一个实施例中，列车轮对监测方法还包括：
监测的故障程度超过失效预警阈值时，发出预警指令。
在一个实施例中，列车轮对监测方法还包括：
根据故障程度计算列车轮对的运行状态参数和剩余寿命。
在一个实施例中，列车轮对监测方法还包括：
从监测模块6通过车载网络通讯系统接收故障程度，并根据故障程度发出运维指令。
当采集到列车线路运行时测量点的监测振动数据，例如振动加速度后，可以利用映射函数模型得到故障程度，从而可以实时监测故障程度的详细信息。在列车轮对监测方法中保持现有的车载网络通讯系统和列车故障预测与健康管理系统，可以实现轮对故障的精细化监测、智能诊断和健康评估，并且对现有系统的改造简单，成本低廉。
上述方法参考各模块的功能执行，具体可以参见前述实施例，此处不再赘述。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人员在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种列车轮对监测系统，其特征在于，包括：
故障特征模拟模块，其配置为建立列车车辆-轮轨-线路耦合大系统动力学模型，并在列车车辆-轮轨-线路耦合大系统动力学模型中模拟列车轮对的故障对应于测量点的振动数据；
校核模块，其配置为根据列车线路运行时实际发生的列车轮对的故障对应于测量点的实际振动数据对列车轮对的故障对应于测量点的振动数据进行校核；
故障特征数据库模块，其配置为根据校核后的列车轮对的故障对应于测量点的振动数据构建列车轮对的故障特征数据库，其中，列车轮对的故障特征数据库中按照拓扑逻辑关系存储了振动数据、故障类别、故障程度和运行里程；
故障及振动特征参量映射数据库模块，其配置为利用特征提取算法对故障特征数据库中的振动数据提取振动特征参量，并将列车轮对的故障特征数据库中的振动数据替换为振动特征参量，以按照所述拓扑逻辑关系存储振动特征参量、故障类别、故障程度和运行里程形成映射数据库；
故障逆推模型模块，其配置为利用深度学习算法对映射数据库进行深度学习以建立故障和特征的映射函数模型；
监测模块，其配置为根据映射函数模型和列车线路运行时测量点的监测振动数据对故障程度进行监测。
2.根据权利要求1所述的列车轮对监测系统，其特征在于，拓扑逻辑关系包括：多边形磨损、多边形磨损的边数、多边形磨损的粗糙度等级、振动数据和运行里程之间的关系；
踏面剥落、踏面剥落的面积、踏面剥落的深度和振动数据之间的关系。
3.根据权利要求1所述的列车轮对监测系统，其特征在于，监测模块配置为利用特征提取算法对列车线路运行时测量点的监测振动数据提取监测振动特征参量，并根据监测振动特征参量和映射函数模型计算故障程度。
4.根据权利要求1所述的列车轮对监测系统，其特征在于，特征提取算法包括小波分析、数据包络分析。
5.根据权利要求1所述的列车轮对监测系统，其特征在于，还包括用于采集振动数据的振动加速度传感器，其设置于测量点处。
6.根据权利要求1所述的列车轮对监测系统，其特征在于，还包括：预警模块，其配置为监测的故障程度超过失效预警阈值时，发出预警指令。
7.根据权利要求1所述的列车轮对监测系统，其特征在于，监测模块配置为根据故障程度计算列车轮对的运行状态参数和剩余寿命。
8.根据权利要求1所述的列车轮对监测系统，其特征在于，还包括列车故障预测与健康管理系统，其配置为从监测模块通过车载网络通讯系统接收故障程度，并根据故障程度发出运维指令。
9.一种列车轮对监测方法，其特征在于，包括：
建立列车车辆-轮轨-线路耦合大系统动力学模型，并在列车车辆-轮轨-线路耦合大系统动力学模型中模拟列车轮对的故障对应于测量点的振动数据；
根据列车线路运行时实际发生的列车轮对的故障对应于测量点的实际振动数据对列车轮对的故障对应于测量点的振动数据进行校核；
根据校核后的列车轮对的故障对应于测量点的振动数据构建列车轮对的故障特征数据库，其中，列车轮对的故障特征数据库中按照拓扑逻辑关系存储了振动数据、故障类别、故障程度和运行里程；
利用特征提取算法对故障特征数据库中的振动数据提取振动特征参量，并将列车轮对的故障特征数据库中的振动数据替换为振动特征参量，以按照所述拓扑逻辑关系存储振动特征参量、故障类别、故障程度和运行里程形成映射数据库；
利用深度学习算法对映射数据库进行深度学习以建立故障和特征的映射函数模型；
根据映射函数模型和列车线路运行时测量点的监测振动数据对故障程度进行监测。
10.根据权利要求9所述的列车轮对监测方法，其特征在于，还包括：
监测的故障程度超过失效预警阈值时，发出预警指令。
CN201811223033.7A 2018-10-19 2018-10-19 列车轮对监测系统及列车轮对监测方法 Active CN111071291B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811223033.7A CN111071291B (zh) 2018-10-19 2018-10-19 列车轮对监测系统及列车轮对监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811223033.7A CN111071291B (zh) 2018-10-19 2018-10-19 列车轮对监测系统及列车轮对监测方法

Publications (2)

Publication Number Publication Date
CN111071291A true CN111071291A (zh) 2020-04-28
CN111071291B CN111071291B (zh) 2022-03-18

Family

ID=70308466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811223033.7A Active CN111071291B (zh) 2018-10-19 2018-10-19 列车轮对监测系统及列车轮对监测方法

Country Status (1)

Country Link
CN (1) CN111071291B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111623868A (zh) * 2020-05-12 2020-09-04 西南交通大学 用于钢轨波磨识别的卷积神经网络构建方法
CN113109043A (zh) * 2021-04-08 2021-07-13 重庆理工大学 一种主动式汽车传动系统故障模型数据库的建立方法
CN114088434A (zh) * 2021-11-18 2022-02-25 南京铁道职业技术学院 一种基于激光测距的城轨车辆轮轴振动检测系统及方法
CN114735045A (zh) * 2022-06-14 2022-07-12 成都铁安科技有限责任公司 一种轮对检测设备的故障自诊断方法及系统
CN117251440A (zh) * 2023-09-20 2023-12-19 华安钢宝利高新汽车板加工(娄底)有限公司 一种行车电脑开发用数据传输自动纠正系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2543901A1 (fr) * 1983-04-07 1984-10-12 Shinko Electric Ltd Dispositif pour detecter une partie plate d'une surface peripherique de roues de vehicule
WO1986001167A1 (en) * 1984-08-14 1986-02-27 Haollberg Karl Rune Soeren Method and device for detecting wheels with deformed treads in railroad vehicles
DE19943744B4 (de) * 1999-09-02 2006-01-26 Wolfgang Spruch Verfahren und Vorrichtung zur Radsatzprüfung
CN101850772A (zh) * 2010-05-17 2010-10-06 唐德尧 一种钢轨波磨车载监测装置及其监测方法
CN102874278A (zh) * 2012-10-19 2013-01-16 西南交通大学 一种融合车速信息和轴箱垂向加速度信息的车轮扁疤车载检测方法
JP2013205045A (ja) * 2012-03-27 2013-10-07 Toshiba Transport Eng Inc 車輪形状計測装置
CN107364467A (zh) * 2017-07-01 2017-11-21 南京理工大学 一种基于轮对振动信号的故障监测装置及方法
CN107403139A (zh) * 2017-07-01 2017-11-28 南京理工大学 一种城轨列车车轮扁疤故障检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2543901A1 (fr) * 1983-04-07 1984-10-12 Shinko Electric Ltd Dispositif pour detecter une partie plate d'une surface peripherique de roues de vehicule
WO1986001167A1 (en) * 1984-08-14 1986-02-27 Haollberg Karl Rune Soeren Method and device for detecting wheels with deformed treads in railroad vehicles
DE19943744B4 (de) * 1999-09-02 2006-01-26 Wolfgang Spruch Verfahren und Vorrichtung zur Radsatzprüfung
CN101850772A (zh) * 2010-05-17 2010-10-06 唐德尧 一种钢轨波磨车载监测装置及其监测方法
JP2013205045A (ja) * 2012-03-27 2013-10-07 Toshiba Transport Eng Inc 車輪形状計測装置
CN102874278A (zh) * 2012-10-19 2013-01-16 西南交通大学 一种融合车速信息和轴箱垂向加速度信息的车轮扁疤车载检测方法
CN107364467A (zh) * 2017-07-01 2017-11-21 南京理工大学 一种基于轮对振动信号的故障监测装置及方法
CN107403139A (zh) * 2017-07-01 2017-11-28 南京理工大学 一种城轨列车车轮扁疤故障检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘杰宇: "列车轮对踏面故障监控系统研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111623868A (zh) * 2020-05-12 2020-09-04 西南交通大学 用于钢轨波磨识别的卷积神经网络构建方法
CN113109043A (zh) * 2021-04-08 2021-07-13 重庆理工大学 一种主动式汽车传动系统故障模型数据库的建立方法
CN114088434A (zh) * 2021-11-18 2022-02-25 南京铁道职业技术学院 一种基于激光测距的城轨车辆轮轴振动检测系统及方法
CN114735045A (zh) * 2022-06-14 2022-07-12 成都铁安科技有限责任公司 一种轮对检测设备的故障自诊断方法及系统
CN117251440A (zh) * 2023-09-20 2023-12-19 华安钢宝利高新汽车板加工(娄底)有限公司 一种行车电脑开发用数据传输自动纠正系统及方法
CN117251440B (zh) * 2023-09-20 2024-05-07 华安钢宝利高新汽车板加工(娄底)有限公司 一种行车电脑开发用数据传输自动纠正系统及方法

Also Published As

Publication number Publication date
CN111071291B (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
CN111071291B (zh) 列车轮对监测系统及列车轮对监测方法
CN112580153B (zh) 一种车辆走行部监测部件健康状态管理系统及方法
CN110764493B (zh) 一种适用于高速铁路的phm应用系统、方法及存储介质
CN111351664B (zh) 一种基于lstm模型的轴承温度预测和报警诊断方法
CN103852271B (zh) 基于物联网的高速列车走行部故障诊断与远程监测系统
CN110308002B (zh) 一种基于地面检测的城轨列车悬挂系统故障诊断方法
CN102981497B (zh) 高速列车制动系统故障诊断设备及诊断方法
CN112991577B (zh) 一种轨道车辆车轮多边形状态诊断系统
CN105923014B (zh) 一种基于证据推理规则的轨道高低不平顺幅值估计方法
CN112393906B (zh) 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法
CN113569451A (zh) 基于数字孪生的列车轴箱轴承寿命预测及故障维修系统
CN113562562A (zh) 一种电梯安全预警监测系统及其判断方法
CN113465953B (zh) 动车组传动系统故障预测与健康管理装置及其使用方法
CN113177650A (zh) 一种铁路货车车厢的预测性维护方法及装置
CN113776760B (zh) 基于整轴振动分析的列车轮对失圆故障监测方法和系统
CN113988326A (zh) 一种地铁设备维修优化方法及系统
Ma et al. A prediction method based on stepwise regression analysis for train axle temperature
CN107014626A (zh) 基于gprs数据传输的高速列车动应力测试实时数据监控系统
Alfi et al. Condition monitoring of suspension components in railway bogies
CN111444575A (zh) 一种研究列车脱轨行为的仿真方法
CN102798413B (zh) 一种铁道动态检测系统
CN105910824A (zh) 一种基于离线状态振动特征评价转向架滚动轴承可靠性的系统
CN105572493A (zh) 一种车载-地面辅助逆变器远程故障诊断系统
CN109242117A (zh) 一种市域铁路车辆五级检修的分级方法
Kostrzewski Analysis of selected vibroacoustic signals recorded on EMU vehicle running on chosen routes under supervised operating conditions

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
GR01 Patent grant
GR01 Patent grant