CN113420367B - 一种基于振动与噪声响应的地铁钢轨波磨检测方法与装置 - Google Patents

一种基于振动与噪声响应的地铁钢轨波磨检测方法与装置 Download PDF

Info

Publication number
CN113420367B
CN113420367B CN202110457045.1A CN202110457045A CN113420367B CN 113420367 B CN113420367 B CN 113420367B CN 202110457045 A CN202110457045 A CN 202110457045A CN 113420367 B CN113420367 B CN 113420367B
Authority
CN
China
Prior art keywords
rail
disease
vibration
rail wave
track section
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.)
Active
Application number
CN202110457045.1A
Other languages
English (en)
Other versions
CN113420367A (zh
Inventor
白磊
高培正
袁健
丁明
曹卫东
丁德云
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.)
Beijing Jiuzhou First Rail Environmental Technology Co ltd
Original Assignee
Beijing Jiuzhou First Rail Environmental 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 Beijing Jiuzhou First Rail Environmental Technology Co ltd filed Critical Beijing Jiuzhou First Rail Environmental Technology Co ltd
Priority to CN202110457045.1A priority Critical patent/CN113420367B/zh
Publication of CN113420367A publication Critical patent/CN113420367A/zh
Application granted granted Critical
Publication of CN113420367B publication Critical patent/CN113420367B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • B61K9/08—Measuring installations for surveying permanent way
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Machines For Laying And Maintaining Railways (AREA)

Abstract

本发明提供了一种基于振动与噪声响应的地铁钢轨波磨检测方法，包括：第一步：获取振动响应数据与噪声数据；第二步：确定基本研究对象；第三步：确定与计算特征因子；第四步，基于树扩张型朴素贝叶斯构建钢轨波磨病害识别算法；第五步，生成钢轨波磨病害识别分类器；第六步，基于新检测数据识别钢轨波磨病害。还提供了对应的装置、计算机可读存储介质以及系统。

Description

一种基于振动与噪声响应的地铁钢轨波磨检测方法与装置
技术领域
本发明涉及钢轨检测技术领域，特别是一种基于振动与噪声响应的地铁钢轨波磨检测方法与装置。
背景技术
钢轨波浪形磨耗(简称，钢轨波磨)是指在轮轨滚动接触表面出现的类似波浪的规律性不均匀磨耗现象，是一种由于走行车辆和轨道结构异常振动引起的钢轨伤损病害。目前，我国地铁行业对钢轨波磨病害评判的依据是《普速铁路线路修理规则》(TG/GW102-2019)。钢轨伤损病害等级按照严重程度，可划分为轻伤、轻伤发展、重伤和折断。若线路允许速度小于等于120km/h，波磨谷深超过0.5mm时，钢轨波磨的病害等级则为轻伤，应及时安排修理性钢轨打磨。
地铁轨道型式多变，线路条件复杂，曲线相对较多，车辆频繁加速、减速，地铁钢轨波磨病害以短波波磨为主，发生范围广、发展迅速。波磨病害会加剧行车振动和噪声，缩短车辆和轨道设备寿命，严重影响地铁行车安全与运营服务质量，已成为我国地铁行业亟需解决的重大难题。
钢轨波磨是加剧接触振动的主要原因之一。钢轨波磨会导致车辆过大的冲击加速度，加剧车辆轮轨动力相互作用，使车辆异常振动，可能引起轨道弹条折断、扣件脱落，对车辆底部机械、电气等关键零部件造成冲击伤害，影响行车安全，降低车辆和钢轨服役性能，缩短使用寿命。同时，车辆的异常振动，会造成乘客站立不稳、易感到疲倦不堪等。
钢轨波磨也是造成车厢内噪声的主要原因之一。车厢内噪声与钢轨波磨存在正相关性，严重的钢轨波磨会显著增大车厢内噪声。车厢内恶劣的声学环境，会严重影响司机、乘客的身心健康，尤其是对司机影响更为严重。此外，波磨引起的振动和噪声通过岩土传到至线路附近建筑，会严重影响楼内居民的生活，这是多年来各地地铁遭投诉的重要原因。
解决波磨检测问题是治理波磨病害的首要条件。目前，地铁现场钢轨波磨检查以手工检查为主，检查人员采用平尺等，肉眼观察判断。市场上较先进的钢轨波磨检查工具是钢轨波磨检查仪，需要人工推行，采用高精度激光传感器等，放置在钢轨表面，可直接测量出钢轨波磨的几何特征参数，包括钢轨表面不平顺粗糙度级、移动波深幅值峰-峰平均值、移动波深幅值有效值的平均值等。检测结果直观、精度较高。但以钢轨波磨检查仪进行波磨检测还存在很多局限性：(1) 采用高精度的传感器，需占用天窗时间，人工推行测量速度较慢，耗时耗力，检测成本较高；(2)周期性检测无法实现对钢轨状态的实时监测。若将高精度激光传感器等安装到客车上，检测精度易受客车运行速度、地下隧道周边环境影响。
因此急需开发一种新的检索方法和对应的装置，以高效且高精度的检测地铁钢轨波磨。
发明内容
本发明针对现有技术的缺陷，本发明利用轮轨接触作用下的车辆响应指标，提出一套新的基于振动与噪声响应的地铁钢轨波磨检测方法与装置，用于快速检测地铁钢轨波磨病害，确定钢轨波磨病害的里程位置及其严重程度，实现钢轨波磨病害的快速检测，检测精度不受地下隧道周边环境影响。检测装置通过安装在客车上，可实现地铁钢轨状态实时监测，有助于管理者掌握钢轨波磨病害的劣化过程。
本发明的目的及解决其技术问题是采用以下技术方案来实现的。
根据本发明一方面，提供了一种基于振动与噪声响应的地铁钢轨波磨检测方法，包括：
第一步：获取振动响应数据与噪声数据；
第二步：确定基本研究对象；
第三步：确定与计算特征因子；
第四步，基于树扩张型朴素贝叶斯构建钢轨波磨病害识别算法；
第五步，生成钢轨波磨病害识别分类器；
第六步，基于新检测数据识别钢轨波磨病害。
根据本发明的又一方面，所述第一步包括：在线路质量检查仪内设置噪声测量模块，以获取在途列车的车体振动水平加速度数据、垂直加速度数据、车厢内噪声数据，所述线路质量检查仪置于电客车车厢内。
根据本发明的又一方面，所述第二步包括：采用30m的轨道区段长度，作为识别钢轨波磨病害等级的基本研究对象，采用滑动计算，滑动步长选择10m，每移动10m，重新确定新的轨道区段St，以获得更密集准确的计算结果。
根据本发明的又一方面，所述第三步包括：选取轨道区段特征因子，识别该轨道区段的钢轨波磨的病害等级，其中所述轨道区段特征因在包括：
(1)振动加速度有效值E，以衡量车体的振动响应，所述振动加速度有效值E的计算公式如下：
其中，y为加速度信号值；x为信号采样间距，0.25m；L为分析窗口长度，30m；EV表示垂直加速度有效值；EH表示水平加速度有效值；
(2)声压级Lp，以描述车厢内噪声的强弱，其单位是dB，所述声压级Lp计算公式如下：
式中，声压p表示有声音经过时和无声音时的大气压强差值；p0为基准声压，取值为2×10-5Pa；
不同于加速度有效值的定义公式，采用声压级的均值EP，描述车厢在经过长度为L轨道区段时的整体噪声情况，计算方式如下：
(3)轨道区段的异质性因素，以识别轨道区段钢轨波磨病害等级的特征因子，包括：
B1表示轨道区段是否处于半径小于400m的曲线地段，1表示处于小半径曲线地段，0表示不处于小半径地段；
B2表示轨道区段是否处于减振地段，1表示处于减振地段，0表示不处于减振地段；
B3表示轨道区段的道床类型，2表示减振型道床，1表示整体道床，0表示碎石道床；
B4表示电客车在该轨道区段的平均运行速度。
根据本发明的又一方面，所述第四步包括：将钢轨波磨的病害等级细分为l级。C表示轨道区段钢轨波磨的病害等级。I表示钢轨波磨的病害等级集合，I＝[0,1,2,...,l]，其中，0表示钢轨状态良好，无钢轨波磨病害，l表示钢轨波磨最高的病害等级，病害等级的数值越大，说明钢轨波磨病害越严重。ci表示某一特定轨道区段钢轨波磨的病害等级，ci∈I；
若已知某一特定轨道区段的特征因子取值为a＝(a1,a2,...,an)，根据贝叶斯定理，该轨道区段钢轨波磨病害等级为ci(ci∈I)的概率为：
其中，P(ci)表示轨道区段钢轨波磨病害等级为ci的先验概率； P(ci|a)表示后验概率，反映了轨道区段n个特征因子对钢轨波磨病害等级为ci概率的影响；
根据贝叶斯最大后验准则，贝叶斯分类学习模型选择使后验概率P(ci|a)最大的c△作为评估的钢轨波磨病害等级，即：
先验概率P(ci)可用轨道区段钢轨波磨病害状态等级ci在历史病害数据中的概率分布近似代替，采用扩展朴素贝叶斯分类学习模型，求解采用SuperParent算法，构建树扩张型朴素贝叶斯分类学习模型，假设SP(Ai)表示属性Ai的父节点集合，公式(5)可进一步表示为：
其中，Values(g)表示变量(g)所有可能值的集合，Val(SP(Aj))表示变量SP(Aj)所有可能值的集合；
若Aj为孤儿节点，SP(Aj)＝{C}，则：
P(aj|Val(SP(Aj)))＝P(aj|Val(C))＝P(aj|ci) (15)
若Aj的超父节点为Ak(Ak∈{A1,A2,...,Aj-1})，SP(Aj)＝{Ak,C}，则：
P(aj|Val(SP(Aj)))＝P(aj|Val(Ak,C))＝P(aj|ak,ci) (16)。
根据本发明的又一方面，所述第五步包括：依据轨道区段的历史特征因子数据、相应的钢轨波磨病害等级数据，构建轨道区段钢轨波磨病害训练样本集合D，将样本集合D输入到第三步构建的钢轨波磨病害识别分类学习模型f，生成钢轨波磨病害识别分类器。
根据本发明的又一方面，所述第六步包括：对于一个待识别的轨道区段，将其特征因子数据a＝(a1,a2,...,an)输入到第四步得到的钢轨波磨病害识别分类器，得到该轨道区段的钢轨波磨病害等级。
根据本发明另一方面，提供了一种基于振动与噪声响应的地铁钢轨波磨检测装置，包括：
数据获取模块，用于获取振动响应数据与噪声数据；
基本研究对象确定模块，用于确定基本研究对象；
特征因子确定与计算模块，用于确定与计算特征因子；
识别算法建立模块，用于基于树扩张型朴素贝叶斯构建钢轨波磨病害识别算法；
病害识别分类器生成模块，用于生成钢轨波磨病害识别分类器；
钢轨波磨病害识别模块，用于基于新检测数据识别钢轨波磨病害。
根据本发明的又一方面，本发明还包括一种计算机可读存储介质，该存储介质存储可执行指令，可执行指令在被处理器执行时，导致前述基于振动与噪声响应的地铁钢轨波磨检测方法的执行。可读存储介质可以为非易失性存储器，比如硬盘或磁盘等，并可被应用在各种终端上，可以是计算机、服务器等。
根据本发明的再一方面，本发明还包括一种基于振动与噪声响应的地铁钢轨波磨检测系统，该系统包括处理器以及存储装置，所述存储装置用于存储可执行指令，当可执行指令被处理器执行时，可实现前述基于振动与噪声响应的地铁钢轨波磨检测方法。
本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本发明提供的方法和装置可取得显著的技术进步性及实用性，并具有产业上的广泛利用价值，其至少具有下列优点：
1、本发明是利用车体振动加速度、车厢内噪声等特征因子数据，确定钢轨波磨病害的里程位置及相应病害等级，是一种快速检测地铁钢轨波磨病害的方法与装置。
2、本发明通过将改进的线路质量检查仪(添装噪声测量单元)，放置在运营客车车厢中，不占用天窗时间，检测成本较低，可实现对钢轨状态的动态实时监测，能够方便快捷地确定钢轨波磨出现的地段及其严重程度，为钢轨打磨计划合理编制提供依据。
3、本发明不是通过放置传感器在钢轨表面，直接测量钢轨波磨的几何特征参数，因此检测精度受地下隧道检测环境影响较小，如隧道内的灰尘是否过多等。
4、本发明提出的基于振动与噪声响应的地铁钢轨波磨检测方法与装置，通过车体振动、车厢内噪声等特征因子数据，可快速发现钢轨波磨病害的里程位置及其严重程度。
5、本发明通过在线路质量检测仪添装噪声测量单元，丰富了线路质量检查仪的应用场景，从线路不平顺状态检测，扩展到钢轨波磨病害检测。
6、本发明提出的基于振动与噪声响应的地铁钢轨波磨检测方法与装置，对普速铁路、高速铁路同样具有广泛的适用性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图,详细说明如下。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。本发明的目标及特征考虑到如下结合附图的描述将更加明显，附图中：
附图1为根据本发明实施例的基于振动与噪声响应的地铁钢轨波磨检测方法流程图。
附图2为根据本发明实施例的改进的线路质量检查仪硬件结构示意图。
附图3为根据本发明实施例的基本研究对象确定方法流程图。
附图4为根据本发明实施例的由处理器201和存储器202构成的基于振动与噪声响应的地铁钢轨波磨检测系统结构图。
具体实施方式
通过具体实施方式的说明,当可对本发明为达成预定目的所采取的技术手段及功效得一更加深入且具体的了解，然而所附图式仅是提供参考与说明之用，并非用来对本发明加以限制。
参见图1，本实施例的基于振动与噪声响应的地铁钢轨波磨检测方法，包括：
第一步：获取振动响应数据与噪声数据：
为获取在途列车的车体振动水平加速度数据、垂直加速度数据、车厢内噪声数据，本实施例对线路质量检查仪的硬件结构进行了扩展，增添了噪声测量模块，相应的硬件构造如图2所示。改进的线路质量检查仪放在电客车车厢内。
第二步：确定基本研究对象：
本实施例采用30m的轨道区段长度，作为识别钢轨波磨病害等级的基本研究对象，其依据如下：
(1)与《高速铁路钢轨打磨管理办法》(铁总运[2014]357号) 规定的钢轨波磨手工检测长度保持一致；
(2)现场发现的钢轨连续波磨病害长度一般超过30m；
(3)可基本消除焊缝等孤立病害点的干扰。
采用滑动计算，滑动步长选择10m，每移动10m，重新确定新的轨道区段St，以获得更密集准确的计算结果，如图3所示。
第三步：确定与计算特征因子：
本实施例选取如下轨道区段特征因子，识别该轨道区段的钢轨波磨的病害等级。
(1)振动加速度有效值
本实施例采用振动加速度有效值E，衡量车体的振动响应，其计算公式如下。
其中，y为加速度信号值；x为信号采样间距，0.25m；L为分析窗口长度，30m；EV表示垂直加速度有效值；EH表示水平加速度有效值。
(2)声压级Lp
车厢内噪声与钢轨波磨存在正相关性，严重的钢轨波磨会显著增大车厢内噪声。本实施例采用声压级Lp指标，描述车厢内噪声的强弱，其单位是dB(分贝)，Lp计算公式如下。
式中，声压p表示有声音经过时和无声音时的大气压强差值。p0为基准声压，取值为2×10-5Pa。
不同于加速度有效值的定义公式，采用声压级的均值EP，描述车厢在经过轨道区段(长度为L)时的整体噪声情况，参见公式(3)。
(3)轨道区段的异质性因素
本实施例选择如下异质性因素，作为识别轨道区段钢轨波磨病害等级的特征因子：
B1表示轨道区段是否处于小半径曲线地段(r≤400m)，1表示处于小半径曲线地段，0表示不处于小半径地段；
B2表示轨道区段是否处于减振地段，1表示处于减振地段，0表示不处于减振地段；
B3表示轨道区段的道床类型，2表示减振型道床，1表示整体道床，0表示碎石道床；
B4表示电客车在该轨道区段的平均运行速度。
为便于论述方便，轨道区段的这些特征因子用统一用Ai表示，如表1轨道区段特征因子的选取所示。
表1
序号 特征因子 特征因子统一表示
1 EV A1
2 EH A2
3 Ep A3
4 B1 A4
5 B2 A5
6 B3 A6
7 B4 A7
第四步，基于树扩张型朴素贝叶斯构建钢轨波磨病害识别算法：
本实施例将钢轨波磨的病害等级细分为l级。C表示轨道区段钢轨波磨的病害等级。I表示钢轨波磨的病害等级集合，I＝[0,1,2,...,l]，其中，0表示钢轨状态良好，无钢轨波磨病害，l表示钢轨波磨最高的病害等级，病害等级的数值越大，说明钢轨波磨病害越严重。ci表示某一特定轨道区段钢轨波磨的病害等级，ci∈I。
若已知某一特定轨道区段的特征因子取值为a＝(a1,a2,...,an)，根据贝叶斯定理，该轨道区段钢轨波磨病害等级为ci(ci∈I)的概率为：
其中，P(ci)表示轨道区段钢轨波磨病害等级为ci的先验概率； P(ci|a)表示后验概率，反映了轨道区段n个特征因子对钢轨波磨病害等级为ci概率的影响。
根据贝叶斯最大后验准则，贝叶斯分类学习模型选择使后验概率 P(ci|a)最大的c△作为评估的钢轨波磨病害等级，即：
先验概率P(ci)可用轨道区段钢轨波磨病害状态等级ci在历史病害数据中的概率分布近似代替。本实施例采用扩展朴素贝叶斯分类学习模型，求解
扩展朴素贝叶斯分类学习模型，是在朴素贝叶斯分类学习模型的基础上添加属性变量间的依赖关系，从而提高分类的正确率。本实施例采用SuperParent算法，构建树扩张型朴素贝叶斯分类学习模型。假设SP(Ai)表示属性Ai的父节点集合，公式(5)可进一步表示为：
其中，Values(g)表示变量(g)所有可能值的集合。Val(SP(Aj))表示变量SP(Aj)所有可能值的集合。
若Aj为孤儿节点，SP(Aj)＝{C}，则：
P(aj|Val(SP(Aj)))＝P(aj|Val(C))＝P(aj|ci) (23)
若Aj的超父节点为Ak(Ak∈{A1,A2,...,Aj-1})，SP(Aj)＝{Ak,C}，则：
P(aj|Val(SP(Aj)))＝P(aj|Val(Ak,C))＝P(aj|ak,ci) (24)
第五步，生成钢轨波磨病害识别分类器：
依据轨道区段的历史特征因子数据、相应的钢轨波磨病害等级数据，构建轨道区段钢轨波磨病害训练样本集合D，将样本集合D输入到第三步构建的钢轨波磨病害识别分类学习模型f，生成钢轨波磨病害识别分类器。
第六步，基于新检测数据识别钢轨波磨病害：
对于一个待识别的轨道区段，将其特征因子数据a＝(a1,a2,...,an)输入到第四步得到的钢轨波磨病害识别分类器，得到该轨道区段的钢轨波磨病害等级。
本实施例还提供了一种基于振动与噪声响应的地铁钢轨波磨检测装置，包括：
数据获取模块，用于获取振动响应数据与噪声数据；
基本研究对象确定模块，用于确定基本研究对象；
特征因子确定与计算模块，用于确定与计算特征因子；
识别算法建立模块，用于基于树扩张型朴素贝叶斯构建钢轨波磨病害识别算法；
病害识别分类器生成模块，用于生成钢轨波磨病害识别分类器；
钢轨波磨病害识别模块，用于基于新检测数据识别钢轨波磨病害。
根据本发明的又一方面，本发明还包括一种计算机可读存储介质，该存储介质存储可执行指令，可执行指令在被处理器执行时，导致前述基于振动与噪声响应的地铁钢轨波磨检测方法的执行。可读存储介质可以为非易失性存储器，比如硬盘或磁盘等，并可被应用在各种终端上，可以是计算机、服务器等。可读存储介质可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件或其他非易失性固态存储器件等，并可被应用在各种终端上，可以是计算机、服务器等。
存储介质还包括但不限于任何类型的盘(包括软盘、硬盘、光盘、 CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM (Random AcceSS Memory，随即存储器)、EPROM(EraSa ble Programmable Read-Only Memory，可擦写可编程只读存储器)、 EEPROM(Electrically EraSable Programmable Read-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，存储介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。存储介质也可以是只读存储器，磁盘或光盘等。
本发明的实施例还提供一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述相关步骤，以实现上述实施例中的方法。
其中，本发明提供的装置、计算机存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果，此处不再赘述。
另外，如图4所示，还包括一种基于振动与噪声响应的地铁钢轨波磨检测系统，该系统包括处理器201以及存储装置202，其中，存储器202用于存储计算机执行指令，当装置运行时，处理器201可执行存储器202存储的计算机执行指令，以使芯片执行上述基于振动与噪声响应的地铁钢轨波磨检测方法。
本实施例的实施至少具有下列优点：
1、本实施例是利用车体振动加速度、车厢内噪声等特征因子数据，确定钢轨波磨病害的里程位置及相应病害等级，是一种快速检测地铁钢轨波磨病害的方法与装置。
2、本实施例通过将改进的线路质量检查仪(添装噪声测量单元)，放置在运营客车车厢中，不占用天窗时间，检测成本较低，可实现对钢轨状态的动态实时监测，能够方便快捷地确定钢轨波磨出现的地段及其严重程度，为钢轨打磨计划合理编制提供依据。
3、本实施例不是通过放置传感器在钢轨表面，直接测量钢轨波磨的几何特征参数，因此检测精度受地下隧道检测环境影响较小，如隧道内的灰尘是否过多等。
4、本实施例提出的基于振动与噪声响应的地铁钢轨波磨检测方法与装置，通过车体振动、车厢内噪声等特征因子数据，可快速发现钢轨波磨病害的里程位置及其严重程度。
5、本实施例通过在线路质量检测仪添装噪声测量单元，丰富了线路质量检查仪的应用场景，从线路不平顺状态检测，扩展到钢轨波磨病害检测。
6、本实施例提出的基于振动与噪声响应的地铁钢轨波磨检测方法与装置，对普速铁路、高速铁路同样具有广泛的适用性。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (7)

1.一种基于振动与噪声响应的地铁钢轨波磨检测方法，其特征在于包括：
第一步：获取振动响应数据与噪声数据；
第二步：确定基本研究对象；
第三步：确定并计算特征因子；
第四步，基于树扩张型朴素贝叶斯构建钢轨波磨病害识别算法；
第五步，生成钢轨波磨病害识别分类器，包括：依据轨道区段的历史特征因子数据、相应的钢轨波磨病害等级数据，构建轨道区段钢轨波磨病害训练样本集合D，将样本集合D输入到第四步构建的钢轨波磨病害识别算法，生成所述钢轨波磨病害识别分类器；
第六步，基于新检测数据识别钢轨波磨病害；
其中，所述第二步包括：采用30m的轨道区段长度，作为识别钢轨波磨病害等级的基本研究对象，采用滑动计算，滑动步长选择10m，每移动10m，重新确定新的轨道区段St，以获得更密集准确的计算结果；
其中，所述第三步包括：选取轨道区段特征因子，识别该轨道区段的钢轨波磨的病害等级，其中所述轨道区段特征因子包括：
(1)振动加速度有效值E，以衡量车体的振动响应，所述振动加速度有效值E的计算公式如下：
其中，y为加速度信号值；x为信号采样间距，0.25m；L为分析窗口长度，30m；
(2)声压级Lp，以描述车厢内噪声的强弱，其单位是dB，所述声压级Lp计算公式如下：
式中，声压p表示有声音经过时和无声音时的大气压强差值；p0为基准声压，取值为2×10-5Pa；
不同于加速度有效值的定义公式，采用声压级的均值EP，描述车厢在经过长度为L轨道区段时的整体噪声情况，计算方式如下：
(3)轨道区段的异质性因素，以识别轨道区段钢轨波磨病害等级的特征因子，包括：
B1表示轨道区段是否处于半径小于400m的曲线地段，1表示处于小半径曲线地段，0表示不处于小半径地段；
B2表示轨道区段是否处于减振地段，1表示处于减振地段，0表示不处于减振地段；
B3表示轨道区段的道床类型，2表示减振型道床，1表示整体道床，0表示碎石道床；
B4表示电客车在该轨道区段的平均运行速度。
2.根据权利要求1所述的一种基于振动与噪声响应的地铁钢轨波磨检测方法，其特征在于所述第一步包括：在线路质量检查仪内新设置噪声测量模块，以获取在途列车的车体振动水平加速度数据、垂直加速度数据、车厢内噪声数据，所述线路质量检查仪置于电客车车厢内。
3.根据权利要求1所述的一种基于振动与噪声响应的地铁钢轨波磨检测方法，其特征在于所述第四步包括：将钢轨波磨的病害等级细分为l级，C表示轨道区段钢轨波磨的病害等级，I表示钢轨波磨的病害等级集合，I＝[0,1,2,K,l]，其中，0表示钢轨状态良好，无钢轨波磨病害，l表示钢轨波磨最高的病害等级，病害等级的数值越大，说明钢轨波磨病害越严重；ci表示某一特定轨道区段钢轨波磨的病害等级，ci∈I；
若已知某一特定轨道区段的特征因子取值为a＝(a1,a2,...,an)，根据贝叶斯定理，该轨道区段钢轨波磨病害等级为ci(ci∈I)的概率为：
其中，P(ci)表示轨道区段钢轨波磨病害等级为ci的先验概率；P(ci|a)表示后验概率，反映了轨道区段n个特征因子对钢轨波磨病害等级为ci概率的影响；
根据贝叶斯最大后验准则，贝叶斯分类学习模型选择使后验概率P(ci|a)最大的cΔ作为评估的钢轨波磨病害等级，即：
先验概率P(ci)可用轨道区段钢轨波磨病害状态等级ci在历史病害数据中的概率分布近似代替，采用扩展朴素贝叶斯分类学习模型，求解采用SuperParent算法，构建树扩张型朴素贝叶斯分类学习模型，假设SP(Ai)表示属性Ai的父节点集合，公式(5)可进一步表示为：
其中，Values(g)表示变量(g)所有可能值的集合，Val(SP(Aj))表示变量SP(Aj)所有可能值的集合；
若Aj为孤儿节点，SP(Aj)＝{C}，则：
P(aj|Val(SP(Aj)))＝P(aj|Val(C))＝P(aj|ci) (7)
若Aj的超父节点为Ak(Ak∈{A1,A2,...,Aj-1})，SP(Aj)＝{Ak,C}，则：
P(aj|Val(SP(Aj)))＝P(aj|Val(Ak,C))＝P(aj|ak，ci) (8)。
4.根据权利要求3所述的一种基于振动与噪声响应的地铁钢轨波磨检测方法，其特征在于第六步包括：对于一个待识别的轨道区段，将其特征因子数据a＝(a1,a2,...,an)输入到第五步得到的钢轨波磨病害识别分类器，得到该轨道区段的钢轨波磨病害等级。
5.一种实施如权利要求1-4任一所述方法的基于振动与噪声响应的地铁钢轨波磨检测装置，包括：
数据获取模块，用于获取振动响应数据与噪声数据；
基本研究对象确定模块，用于确定基本研究对象；
特征因子确定与计算模块，用于确定并计算特征因子；
识别算法建立模块，用于基于树扩张型朴素贝叶斯构建钢轨波磨病害识别算法；
病害识别分类器生成模块，用于生成钢轨波磨病害识别分类器；
钢轨波磨病害识别模块，用于基于新检测数据识别钢轨波磨病害。
6.一种计算机可读存储介质，该存储介质存储可执行指令，可执行指令在被处理器执行时，导致前述权利要求1-4任一所述基于振动与噪声响应的地铁钢轨波磨检测方法的执行。
7.一种基于振动与噪声响应的地铁钢轨波磨检测系统，该系统包括处理器以及存储装置，所述存储装置用于存储可执行指令，当可执行指令被处理器执行时，可实现前述权利要求1-4任一所述基于振动与噪声响应的地铁钢轨波磨检测方法的执行。
CN202110457045.1A 2021-04-27 2021-04-27 一种基于振动与噪声响应的地铁钢轨波磨检测方法与装置 Active CN113420367B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110457045.1A CN113420367B (zh) 2021-04-27 2021-04-27 一种基于振动与噪声响应的地铁钢轨波磨检测方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110457045.1A CN113420367B (zh) 2021-04-27 2021-04-27 一种基于振动与噪声响应的地铁钢轨波磨检测方法与装置

Publications (2)

Publication Number Publication Date
CN113420367A CN113420367A (zh) 2021-09-21
CN113420367B true CN113420367B (zh) 2024-01-19

Family

ID=77711978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110457045.1A Active CN113420367B (zh) 2021-04-27 2021-04-27 一种基于振动与噪声响应的地铁钢轨波磨检测方法与装置

Country Status (1)

Country Link
CN (1) CN113420367B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114169422A (zh) * 2021-12-02 2022-03-11 北京交通大学 基于车辆振噪联合测试的地铁钢轨波磨识别方法及系统
CN114771605B (zh) * 2022-03-25 2023-08-29 中国铁道科学研究院集团有限公司节能环保劳卫研究所 基于声学监测的高速铁路列车-轨道-环境一体化监测方法
CN115140115B (zh) * 2022-07-18 2023-10-17 中国铁道科学研究院集团有限公司 声振结合的高速铁路钢轨波磨识别方法和装置
CN117194847B (zh) * 2023-11-06 2024-02-09 国合通用(青岛)测试评价有限公司 一种减振钢轨的减振效果评估系统及方法
CN117842152A (zh) * 2024-01-03 2024-04-09 北京九州一轨环境科技股份有限公司 一种基于在线监测数据的地铁车辆状态实时评估方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008081102A (ja) * 2006-08-31 2008-04-10 Hokkaido Railway Co 車両走行動揺／騒音解析システム、車両走行動揺／騒音解析方法、車両走行騒音解析システムおよび車両走行騒音解析方法
EP2284576A1 (de) * 2009-07-31 2011-02-16 Deutsche Telekom AG Verfahren und System zur Vorhersage von Ereignissen
JP2012021790A (ja) * 2010-07-12 2012-02-02 Railway Technical Research Institute レール波状摩耗検出方法、および、レール波状摩耗検出システム
WO2013050244A1 (de) * 2011-10-07 2013-04-11 Siemens Aktiengesellschaft Verfahren und vorrichtung zur schienenbrucherkennung
CN105346561A (zh) * 2015-12-02 2016-02-24 北京交通大学 基于运营车辆的轨道道岔病害检测系统及方法
WO2019185873A1 (en) * 2018-03-29 2019-10-03 Konux Gmbh System and method for detecting and associating railway related data
CN110658005A (zh) * 2019-10-08 2020-01-07 西南交通大学 一种基于车体加速度识别钢轨波磨病害的方法
CN111428406A (zh) * 2020-03-23 2020-07-17 北京交通大学 钢轨小半径曲线内轨的波磨波长和波深的估算方法
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008081102A (ja) * 2006-08-31 2008-04-10 Hokkaido Railway Co 車両走行動揺／騒音解析システム、車両走行動揺／騒音解析方法、車両走行騒音解析システムおよび車両走行騒音解析方法
EP2284576A1 (de) * 2009-07-31 2011-02-16 Deutsche Telekom AG Verfahren und System zur Vorhersage von Ereignissen
JP2012021790A (ja) * 2010-07-12 2012-02-02 Railway Technical Research Institute レール波状摩耗検出方法、および、レール波状摩耗検出システム
WO2013050244A1 (de) * 2011-10-07 2013-04-11 Siemens Aktiengesellschaft Verfahren und vorrichtung zur schienenbrucherkennung
CN105346561A (zh) * 2015-12-02 2016-02-24 北京交通大学 基于运营车辆的轨道道岔病害检测系统及方法
WO2019185873A1 (en) * 2018-03-29 2019-10-03 Konux Gmbh System and method for detecting and associating railway related data
CN110658005A (zh) * 2019-10-08 2020-01-07 西南交通大学 一种基于车体加速度识别钢轨波磨病害的方法
CN111428406A (zh) * 2020-03-23 2020-07-17 北京交通大学 钢轨小半径曲线内轨的波磨波长和波深的估算方法
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘仍奎.铁路轨道维修网格化管理理论与实现技术.北京：中国铁道出版社,2018,189-195. *
许玉德.城市轨道交通轨道结构检测与修理.同济大学出版社,2018,222. *
钢轨波纹磨耗研究综述;ＯＯＳＴＥＲＭＥＩＪＥＲ Ｋ Ｈ;钢轨波纹磨耗研究综述;第23卷(第2期);6-13 *

Also Published As

Publication number Publication date
CN113420367A (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
CN113420367B (zh) 一种基于振动与噪声响应的地铁钢轨波磨检测方法与装置
WO2020244288A1 (zh) 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置
Cantero et al. Railway infrastructure damage detection using wavelet transformed acceleration response of traversing vehicle
CN106960285B (zh) 一种地铁列车运行服务质量检测装置及方法
CN108698622A (zh) 轨道状态评价方法、装置以及程序
CN108515984B (zh) 一种车轮伤损检测方法及装置
US20220355839A1 (en) Monitoring, predicting and maintaining the condition of railroad elements with digital twins
CN108845028A (zh) 一种高速铁路钢轨波磨动态检测方法和装置
JP2017187418A (ja) 磨耗検査装置及び磨耗検査方法
CN106638190A (zh) 铁路线路质量监控方法以及系统
CN104833535A (zh) 一种铁道车辆车轮踏面擦伤的检测方法
CN106218668B (zh) 车轮不圆度检测方法及装置
Braga et al. Multivariate statistical aggregation and dimensionality reduction techniques to improve monitoring and maintenance in railways: The wheelset component
CN111749092A (zh) 基于噪声信号识别的多孔沥青路面飞散病害检测方法
Flintsch et al. Probe vehicles used to measure road ride quality: Pilot demonstration
Men et al. Health assessment of high-speed train wheels based on group-profile data
CN113062182B (zh) 一种基于多传感器融合的精细路面平顺性检测系统及方法
CN109029541B (zh) 轨道波磨检测方法
Jorge et al. Early identification of out-of-roundness damage wheels in railway freight vehicles using a wayside system and a stacked sparse autoencoder
CN110143217B (zh) 轨道状态测量方法、系统及装置
Jauregui-Correa et al. Method for predicting dynamic loads for a health monitoring system for subway tracks
CN115689315A (zh) 一种基于车体振动与噪声响应的曲线健康评定方法
CN115062697B (zh) 轨道不平顺识别方法、系统、计算机设备及可读存储介质
Maglio Influence of railway wheel tread damage and track properties on wheelset durability–Field tests and numerical simulations
Asplund et al. Assessment of the data quality of wayside wheel profile measurements.

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