CN113486874A - 一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法 - Google Patents

一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法 Download PDF

Info

Publication number
CN113486874A
CN113486874A CN202111046914.8A CN202111046914A CN113486874A CN 113486874 A CN113486874 A CN 113486874A CN 202111046914 A CN202111046914 A CN 202111046914A CN 113486874 A CN113486874 A CN 113486874A
Authority
CN
China
Prior art keywords
rail
wheel
noise
corrugation
domain information
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
CN202111046914.8A
Other languages
English (en)
Other versions
CN113486874B (zh
Inventor
肖新标
刘晓龙
温泽峰
梁树林
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202111046914.8A priority Critical patent/CN113486874B/zh
Publication of CN113486874A publication Critical patent/CN113486874A/zh
Application granted granted Critical
Publication of CN113486874B publication Critical patent/CN113486874B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及城市轨道交通钢轨波磨的特征识别技术领域，公开了一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法，包括对城市轨道交通车辆的特定轮轨噪声信号进行采集和处理的方法，根据轮轨噪声特点以及最小化代价函数的最优小波基选择及最优分解层数，将轮轨噪声分解到时间‑频率域，结合列车运行速度以及典型城市轨道交通轮轨噪声预测模型，实现对钢轨波磨波长、位置以及幅值特征的识别。相比于传统的钢轨波磨测试方法，采用本方法，可以实现钢轨波磨的实时在线检测，具有高效、快速、节省大量运维成本等优点。

Description

一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法
技术领域
本发明涉及城市轨道交通轨道钢轨波磨特征识别技术领域，具体涉及一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法。
背景技术
随着我国城市轨道交通车辆日渐呈现出重载化、高速化以及运行密度的逐渐提高，同时我国城市轨道交通轨道线路条件非常复杂，大量运用了不同形式的减振轨道以及减振扣件，并且小半径曲线众多，因此轮轨之间的相互作用加剧，剧烈的轮轨相互作用，使得钢轨波浪形磨耗（简称钢轨波磨）问题日益严重。
城市轨道交通中严重的钢轨波磨往往会带来一些列的问题。一方面，严重的钢轨波磨使得轮轨相互作用力更加剧烈，从而导致轮轨系统零部件的剧烈振动，轮轨零部件长时间处于剧烈振动情况下，往往产生疲劳破坏，如扣件系统弹条断裂、转向架构架裂纹以及一系钢弹簧断裂等，这些问题的产生会为城市轨道交通列车的运行带来安全隐患。另一方面，剧烈的轮轨相互作用，使得轮轨系统剧烈振动，从而辐射严重的轮轨噪声，轮轨噪声严重影响沿线居民以及乘客的乘坐体验，有研究显示，在钢轨波磨严重的区段，车内瞬时声压甚至超过100 dB(A)，严重超过地铁列车车内噪声限值。为了最大程度的缓解上述问题，对钢轨进行打磨是最为有效的方法，严重时甚至需要更换钢轨。钢轨打磨与钢轨更换计划的制定，需要随时掌握钢轨表面波磨的状态，因此对钢轨波磨进行测试。通过大量的文献调研与现场经验，目前钢轨波磨的测试方法多种多样，如光电法、弦测法、惯性基准法、图像检测法、卡尺法等等，总结起来可分为两大类：直接检测法和间接检测法。直接方法是利用测试仪器直接与钢轨表面接触，测试钢轨波磨特征，如常用的钢轨波磨分析小推车（Corrugation Analysis Trolly，缩写CAT），间接测试方法是指对由钢轨波磨导致的其他变量进行测试，如列车轴箱振动以及轮轨噪声等。
目前地铁公司对于钢铁波磨的测试多是采用直接测试方，该方法最大的优点是测试准确，但是只能在线路停止运营的情况下才能进行，测试效率低下。并且测试的周期比较复杂，如果周期短，则要投入大量人力物力，造成运维成本增加；如果测试周期长，则很容易造成测试不足，导致事故频发。而间接测试方法很大程度上避免了这样的问题，可以随时根据列车的振动或者噪声问题情况对钢轨波磨进行实时的在线检测。间接检测的变量受较多因素的影响，从而导致结果有一定的误差，这也是间接检测方法的缺点所在，但是通过一定的技术手段，能最大程度的使检测结果接近于真是情况，对与钢轨波磨的检测，指导城市轨道交通运维具有重要意义。
国内外研究人员已经开展了大量的研究工作，促使了钢轨波磨检测向便捷化、智能化发展。间接检测方法中，钢轨波磨特征（波长特征、位置特征以及波深特征）提取技术尤为重要。在目前众多的检测方法中，波磨的波长特征以及位置特征均能得到很好的检测结果，但在波磨幅值特征的检测上存在一定的难度，因此，亟需一种能在波磨幅值特征的也能更好检测的一种新的手段和方法。
发明内容
为解决现有技术中存在的问题，本发明提供了一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法，对采集的特定机构运动产生的噪声信号进行多层小波包分解，能具有良好的特征识别性能，解决了上述背景技术中提到的问题。
为实现上述目的，本发明提供如下技术方案：一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法，包括如下步骤：
S1、通过噪声传感器实时采集城市轨道交通车辆沿轨道运动时产生的特定轮轨噪声信号，获得轮轨噪声时域信息；
S2、将轮轨噪声时域信息转换为时-频率域信息，提取各个分解节点系数向量，转换为各个节点所对应频段的能量信息；
S3、识别钢轨波磨波长特征；
S4、识别钢轨波磨位置特征；
S5、建立不同波长的钢轨波磨不同幅值与轮轨噪声特征节点能量之间的非线性映射特征空间；
S6、识别钢轨波磨幅值特征。
优选的，在所述步骤S1获得轮轨噪声时域信息后，将轮轨噪声时域信息截断为与各个不同时间段依次对应的分段噪声时域信息，保证每个分段噪声时域信息所对应的城市轨道交通车辆运动路径一致。
优选的，所述步骤S2中的将轮轨噪声时域信息转换为时-频率域信息，是采用多层小波包分解方法将轮轨噪声时域信息转换为时-频率域信息。
优选的，所述的多层小波包分解方法是根据轮轨噪声时域信息，以最小化代价函数为依据，确定最优小波基函数以及最优分解层数；具体是：
先对轮轨噪声时域信息用多种小波基函数进行多层分解，以最小化代价函数为依据，得到最优小波基函数；
再利用得到的最优小波基函数进行多层分解，以最小化代价函数为依据，同时考虑数据采样频率以及分解效率,得到最优分解层数。
优选的，所述步骤S3中的识别钢轨波磨波长特征具体是：根据钢轨波磨激励频率、城市轨道交通车辆运行速度和钢轨波磨波长之间的关系，来识别钢轨波磨波长特征。
优选的，所述钢轨波磨激励频率、城市轨道交通车辆运行速度和钢轨波磨波长之间的关系具体是：钢轨波磨激振频率(f)=城市轨道交通车辆运行速度(v)/钢轨波磨波长(λ)；所述的城市轨道交通车辆运行速度是通过城市轨道交通车辆运行速度与车轮转速脉冲信息和车轮半径的关系来得到的，城市轨道交通车辆运行速度(v)=2×π×车轮半径(r)×单位时间脉冲数量(n)。
优选的，所述步骤S4中的识别钢轨波磨位置特征具体是通过获取城市轨道交通车辆运行速度以及初始里程后，根据时域数值梯形积分方程获取里程信息，将轮轨噪声时域信息转换为轮轨噪声的空间域信息，识别对应波长的钢轨波磨位置特征。
优选的，所述步骤S5中的建立不同波长的钢轨波磨不同幅值与轮轨噪声特征节点能量之间的非线性映射特征空间是通过数值仿真预测的方法来建立的；所述的数值仿真预测的方法具体是：
建立城市轨道交通列车轮轨噪声预测模型，以不同波长的钢轨波磨的不同粗糙度幅值作为输入，然后仿真计算不同波长的钢轨波磨分别在不同波磨幅值情况下的轮轨噪声时域信息，将仿真计算得到的轮轨噪声时域信息进行小波包多层分解，提取特征节点的小波包系数向量，从而计算特征节点能量，再通过克里金差值方法，建立不同波长的钢轨波磨不同幅值与轮轨噪声特征节点能量之间的非线性映射特征空间。
优选的，所述步骤S6中的识别钢轨波磨幅值特征具体是：将实测的城市轨道交通轮轨噪声时域信息，进行小波包多层分解，提取特征节点的小波包系数向量，从而计算特征节点能量，与步骤S5得到的特征空间匹配，从而完成对钢轨波磨幅值特征的识别。
本发明的有益效果是：本发明方法通过多层小波包分解方法将轮轨噪声分解到时间-频率域，结合列车运行速度以及典型城市轨道交通轮轨噪声预测模型，实现对钢轨波磨波长、位置以及幅值特征的识别，相比于传统的钢轨波磨测试方法，采用本方法，可以实现钢轨波磨的实时在线检测，具有高效、快速、节省大量运维成本等优点。
附图说明
图1为本发明方法流程示意图；
图2为本发明实施例中噪声时域信息最佳小波函数示意图；
图3为本发明实施例中噪声时域信息最佳分解层数示意图；
图4为本发明实施例中钢轨波磨波长特征识别示意图；
图5为本发明实施例中钢轨波磨位置特征识别示意图，
图6为本发明实施例中城市轨道交通列车轮轨噪声预测模型示意图；
图7为本发明实施例中钢轨波磨幅值特征识别示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-图7，本发明提供一种技术方案： 一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法，采用了以下设备，包括：
噪声信号采集器，该噪声信号采集装置于车辆上，用于获取车辆轮轨噪声信号；所述噪声信号采集器为噪声传感器，所述噪声传感器设置于列车轮轨区域。列车的左右轮轨区域均设置所述的噪声传感器，这样以将两边的钢轨波磨均检测出来，保障噪声信号更加完善。
速度信号采集器，该速度信号采集装置于车辆上，用于获取车辆运行速度信息；所述速度信号采集器为设置与车辆构架上的光电转速传感器。这里的光电转速传感器为单头反射式光电传感器，所述单头反射式光电传感器的发射端朝向车辆车轮一侧。
数据采集系统，该数据采集系统分别与噪声信号采集器、速度信号采集器连接，用于收集噪声信号采集器采集的车辆轮轨噪声信号和列车速度信号采集器采集的车辆运行速度信息；本数据采集系统为多通道数据采集系统；
数据处理装置，所述数据处理装置与数据采集系统连接，用于对数据采集系统接收数据进行处理，用于将车辆轮轨噪声信号和车辆运行速度信息处理后识别钢轨波磨状态。
对国内某城市地铁某区间线路进行现场试验，利用B&K多通道数据采集系统获取车辆轮轨噪声信号，以及列车运行速度信号。
所述本发明实施方法的步骤如图1所示，具体如下：
步骤一、通过噪声传感器实时采集城市轨道交通车辆沿轨道运动（包括匀速运动和非匀速运动）时产生的特定(在转向架轮轨区域产生的)轮轨噪声信号，获得轮轨噪声时域信息；
通过安装在城市轨道交通车辆轮轨区域的噪声传感器实时采集城市轨道交通车辆沿轨道运动时产生的特定的轮轨噪声信号从而获得轮轨噪声时域信息；将轮轨噪声时域信息截断为与各个不同时间段依次对应的分段噪声时域信息，并保证每个分段噪声时域信息所对应的城市轨道交通车辆运动路径相等。所述轮轨噪声信号用以表征所述城市轨道交通车辆运动时产生的特定轮轨噪声检测特征。
故障状态下机构产生的噪声信号通常是非平稳信号，常规的傅里叶变换对平稳信号有优良的分析能力，对于非平稳信号傅里叶变换只能获得信号总体上频率成分，但是失去了信号的时间信息。因此本发明将机构故障状态下的噪声信号采取小波包多层分解，识别机构故障（城市轨道交通车辆钢轨波磨）的时间特征、频率特征以及严重程度特征。
步骤二、将轮轨噪声时域信息转换为时-频率域信息，提取各个分解节点系数，转换为不同频段的能量信息；
根据城市轨道交通车辆轮轨噪声的实际特点，以最小化代价函数为依据，选取最优的小波函数，得到与所述城市轨道交通车辆轮轨噪声实际特点相符合的最佳小波包分解，各所述最佳小波包分解可表达为相同的分解层数，从而实现对轮轨噪声从时域到时间-频率域的映射和转换，进行小波包分解后，就会得到相应的小波包系数矩阵，提取各个分解节点系数向量（从该矩阵中读取相应节点的系数向量），利用如下公式转换为各个节点所对应频段的能量信息。
Figure 947689DEST_PATH_IMAGE001
式中，Ei为第i个节点对应的能量，xi,j为第i个节点系数向量中第j个节点系数，n为系数向量中系数总个数。
具体为，先对轮轨噪声时域信息用多种（dbN,symN,coifN）小波基函数进行多层分解，以最小化代价函数（香浓熵）为依据，确定最优小波基函数，如图2所示，随着三种小波基函数的阶数的增加，代价函数总体上呈现降低趋势，代价函数越小，分解后信号的局部性特征表现越丰富，图中第10阶db小波基函数对应的代价函数最小，得到最优小波基函数‘db10’；
再利用得到的最优小波基函数‘db10’进行多层分解，以最小化代价函数（香浓熵）为依据，得到最优分解层数，如图3所示，当分解层数达到8层时，代价函数达到较低水平，进一步分解，代价函数降低较少，同时考虑数据采样频率以及分解效率,得到最优分解层数为8。
步骤三、识别钢轨波磨波长特征；
对采集得到的轮轨噪声信号，运用‘db10’小波基函数进行8层分解，绘制时频图，根据列车运行速度，钢轨波磨激励频率、城市轨道交通车辆运行速度和钢轨波磨波长之间的关系，来识别钢轨波磨波长特征，钢轨波磨激振频率(f)=城市轨道交通车辆运行速度(v)/钢轨波磨波长(λ)，如图4所示，从视频图中可以清楚的看到，该区段存在296Hz、362Hz以及458Hz的特征频率，结合该区段列车平均运行速度56km/h，可知该区段主要存在波长为34mm、43mm以及53mm的钢轨波磨；所述的城市轨道交通车辆运行速度是通过城市轨道交通车辆运行速度与车轮转速脉冲信息和车轮半径的关系来得到的，城市轨道交通车辆运行速度(v)=2×π×车轮半径(r) ×单位时间脉冲数量(n)。
步骤四、识别钢轨波磨位置特征；
通过获取城市轨道交通车辆运行速度以及初始里程后，根据时域数值梯形积分方程获取里程信息，将轮轨噪声时域信息转换为轮轨噪声的空间域信息，识别对应波长的钢轨波磨位置特征，如图5所示。
步骤五、通过数值仿真预测的方法建立不同波长的钢轨波磨不同幅值与轮轨噪声特征节点能量之间的非线性映射特征空间；
数值仿真预测的方法具体是：建立城市轨道交通列车轮轨噪声预测模型，如图6所示，并通过现场试验对其进行验证，以不同波长的钢轨波磨的不同粗糙度幅值作为输入，然后仿真计算不同波长的钢轨波磨分别在不同波磨幅值情况下的轮轨噪声时域信息，利用该信号处理方法将仿真计算得到的轮轨噪声时域信息进行小波包多层分解，提取特征节点的小波包系数，从而计算特征节点能量，再通过克里金差值方法，建立不同波长的钢轨波磨不同幅值与轮轨噪声特征节点能量之间的非线性映射特征空间。
步骤六、识别钢轨波磨幅值特征
如图7所示，图中以常见的钢轨波磨波长段31.5-63mm的波磨为例进行展示，将实测的城市轨道交通轮轨噪声时域信息，进行小波包多层分解，提取特征节点的小波包系数，从而计算特征节点能量，与上述步骤得到的特征空间匹配，从而完成对钢轨波磨幅值特征的识别。采用本方法，可以实现钢轨波磨的实时在线检测，具有高效、快速、节省大量运维成本等优点。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法，其特征在于，包括如下步骤：
S1、通过噪声传感器实时采集城市轨道交通车辆沿轨道运动时产生的特定轮轨噪声信号，获得轮轨噪声时域信息；
S2、将轮轨噪声时域信息转换为时-频率域信息，提取各个分解节点系数向量，转换为各个节点所对应频段的能量信息；
S3、识别钢轨波磨波长特征；
S4、识别钢轨波磨位置特征；
S5、建立不同波长的钢轨波磨不同幅值与轮轨噪声特征节点能量之间的非线性映射特征空间；
S6、识别钢轨波磨幅值特征。
2.根据权利要求1所述的基于轮轨噪声小波包分解的钢轨波磨特征识别方法，其特征在于：在所述步骤S1获得轮轨噪声时域信息后，将轮轨噪声时域信息截断为与各个不同时间段依次对应的分段噪声时域信息，保证每个分段噪声时域信息所对应的城市轨道交通车辆运动路径一致。
3.根据权利要求1所述的基于轮轨噪声小波包分解的钢轨波磨特征识别方法，其特征在于：所述步骤S2中的将轮轨噪声时域信息转换为时-频率域信息，是采用多层小波包分解方法将轮轨噪声时域信息转换为时-频率域信息。
4.根据权利要求3所述的基于轮轨噪声小波包分解的钢轨波磨特征识别方法，其特征在于：所述的多层小波包分解方法是根据轮轨噪声时域信息，以最小化代价函数为依据，确定最优小波基函数以及最优分解层数；具体是：
先对轮轨噪声时域信息用多种小波基函数进行多层分解，以最小化代价函数为依据，得到最优小波基函数；
再利用得到的最优小波基函数进行多层分解，以最小化代价函数为依据，同时考虑数据采样频率以及分解效率,得到最优分解层数。
5.根据权利要求1所述的基于轮轨噪声小波包分解的钢轨波磨特征识别方法，其特征在于：所述步骤S3中的识别钢轨波磨波长特征具体是：根据钢轨波磨激励频率、城市轨道交通车辆运行速度和钢轨波磨波长之间的关系，来识别钢轨波磨波长特征。
6.根据权利要求5所述的基于轮轨噪声小波包分解的钢轨波磨特征识别方法，其特征在于：所述钢轨波磨激励频率、城市轨道交通车辆运行速度和钢轨波磨波长之间的关系具体是：钢轨波磨激振频率(f)=城市轨道交通车辆运行速度(v)/钢轨波磨波长(λ)；所述的城市轨道交通车辆运行速度是通过城市轨道交通车辆运行速度与车轮转速脉冲信息和车轮半径的关系来得到的，城市轨道交通车辆运行速度(v)=2×π×车轮半径(r) ×单位时间脉冲数量(n)。
7.根据权利要求1所述的基于轮轨噪声小波包分解的钢轨波磨特征识别方法，其特征在于：所述步骤S4中的识别钢轨波磨位置特征具体是通过获取城市轨道交通车辆运行速度以及初始里程后，根据时域数值梯形积分方程获取里程信息，将轮轨噪声时域信息转换为轮轨噪声的空间域信息，识别对应波长的钢轨波磨位置特征。
8.根据权利要求1所述的基于轮轨噪声小波包分解的钢轨波磨特征识别方法，其特征在于：所述步骤S5中的建立不同波长的钢轨波磨不同幅值与轮轨噪声特征节点能量之间的非线性映射特征空间是通过数值仿真预测的方法来建立的；所述的数值仿真预测的方法具体是：
建立城市轨道交通列车轮轨噪声预测模型，以不同波长的钢轨波磨的不同粗糙度幅值作为输入，然后仿真计算不同波长的钢轨波磨分别在不同波磨幅值情况下的轮轨噪声时域信息，将仿真计算得到的轮轨噪声时域信息进行小波包多层分解，提取特征节点的小波包系数向量，从而计算特征节点能量，再通过克里金差值方法，建立不同波长的钢轨波磨不同幅值与轮轨噪声特征节点能量之间的非线性映射特征空间。
9.根据权利要求1所述的基于轮轨噪声小波包分解的钢轨波磨特征识别方法，其特征在于：所述步骤S6中的识别钢轨波磨幅值特征具体是：将实测的城市轨道交通轮轨噪声时域信息，进行小波包多层分解，提取特征节点的小波包系数向量，从而计算特征节点能量，与步骤S5得到的特征空间匹配，从而完成对钢轨波磨幅值特征的识别。
CN202111046914.8A 2021-09-08 2021-09-08 一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法 Active CN113486874B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111046914.8A CN113486874B (zh) 2021-09-08 2021-09-08 一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111046914.8A CN113486874B (zh) 2021-09-08 2021-09-08 一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法

Publications (2)

Publication Number Publication Date
CN113486874A true CN113486874A (zh) 2021-10-08
CN113486874B CN113486874B (zh) 2021-11-05

Family

ID=77946695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111046914.8A Active CN113486874B (zh) 2021-09-08 2021-09-08 一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法

Country Status (1)

Country Link
CN (1) CN113486874B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114771605A (zh) * 2022-03-25 2022-07-22 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
CN114878691A (zh) * 2022-07-08 2022-08-09 西南交通大学 一种用于钢轨波磨智能检测多分类的数据增强方法
CN114881076A (zh) * 2022-04-29 2022-08-09 西南交通大学 基于支持向量机的钢轨波磨识别方法、装置、设备及介质

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1565738A2 (en) * 2002-11-25 2005-08-24 The Johns Hopkins University Laser-air hybrid ultrasonic technique for non-contact testing of railroad tracks
CN107423692A (zh) * 2017-07-01 2017-12-01 南京理工大学 一种基于小波包能量熵的钢轨波磨故障检测方法
CN107941460A (zh) * 2017-12-15 2018-04-20 大连理工大学 一种高效的实验波浪水槽共振消波装置及方法
CN108828068A (zh) * 2018-01-18 2018-11-16 武汉汉宁轨道交通技术有限公司 轨道表面波浪磨耗及伤损检测装置及方法
CN108845028A (zh) * 2018-03-26 2018-11-20 中国铁路总公司 一种高速铁路钢轨波磨动态检测方法和装置
CN109080661A (zh) * 2018-07-27 2018-12-25 广州地铁集团有限公司 一种基于eemd能量熵和wvd的轨道波磨故障检测方法
CN109116048A (zh) * 2018-08-29 2019-01-01 西安科技大学 一种汽车发动机转速检测及控制方法
US20190196578A1 (en) * 2017-12-22 2019-06-27 Ultrahaptics Limited Tracking in Haptic Systems
CN110426005A (zh) * 2019-07-01 2019-11-08 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imf能量比的高速铁路钢轨波磨声学诊断方法
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
CN111637964A (zh) * 2020-05-12 2020-09-08 西南交通大学 钢轨波磨识别方法
CN112004734A (zh) * 2018-03-29 2020-11-27 科路实有限责任公司 用于提取和处理轨道相关数据的系统和方法
CN112906672A (zh) * 2021-04-08 2021-06-04 上海应用技术大学 钢轨缺陷识别方法及系统
CN112960012A (zh) * 2021-02-03 2021-06-15 中国铁道科学研究院集团有限公司节能环保劳卫研究所 基于阈值归一化短时功率谱密度的高速铁路钢轨波磨声学诊断方法
CN113276905A (zh) * 2021-04-30 2021-08-20 中铁二院工程集团有限责任公司 区分轨道波磨及车轮多边形磨耗的识别方法与测量方法
CN113362285A (zh) * 2021-05-21 2021-09-07 同济大学 一种钢轨表面伤损细粒度图像分类与检测方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1565738A2 (en) * 2002-11-25 2005-08-24 The Johns Hopkins University Laser-air hybrid ultrasonic technique for non-contact testing of railroad tracks
CN107423692A (zh) * 2017-07-01 2017-12-01 南京理工大学 一种基于小波包能量熵的钢轨波磨故障检测方法
CN107941460A (zh) * 2017-12-15 2018-04-20 大连理工大学 一种高效的实验波浪水槽共振消波装置及方法
US20190196578A1 (en) * 2017-12-22 2019-06-27 Ultrahaptics Limited Tracking in Haptic Systems
CN108828068A (zh) * 2018-01-18 2018-11-16 武汉汉宁轨道交通技术有限公司 轨道表面波浪磨耗及伤损检测装置及方法
CN108845028A (zh) * 2018-03-26 2018-11-20 中国铁路总公司 一种高速铁路钢轨波磨动态检测方法和装置
CN112004734A (zh) * 2018-03-29 2020-11-27 科路实有限责任公司 用于提取和处理轨道相关数据的系统和方法
CN109080661A (zh) * 2018-07-27 2018-12-25 广州地铁集团有限公司 一种基于eemd能量熵和wvd的轨道波磨故障检测方法
CN109116048A (zh) * 2018-08-29 2019-01-01 西安科技大学 一种汽车发动机转速检测及控制方法
CN110426005A (zh) * 2019-07-01 2019-11-08 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imf能量比的高速铁路钢轨波磨声学诊断方法
CN111637964A (zh) * 2020-05-12 2020-09-08 西南交通大学 钢轨波磨识别方法
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
CN112960012A (zh) * 2021-02-03 2021-06-15 中国铁道科学研究院集团有限公司节能环保劳卫研究所 基于阈值归一化短时功率谱密度的高速铁路钢轨波磨声学诊断方法
CN112906672A (zh) * 2021-04-08 2021-06-04 上海应用技术大学 钢轨缺陷识别方法及系统
CN113276905A (zh) * 2021-04-30 2021-08-20 中铁二院工程集团有限责任公司 区分轨道波磨及车轮多边形磨耗的识别方法与测量方法
CN113362285A (zh) * 2021-05-21 2021-09-07 同济大学 一种钢轨表面伤损细粒度图像分类与检测方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
ARNALDO GUIMARÃES BATISTA等: "Railscan: A Tool for the Detection and Quantification of Rail Corrugation", 《CONFERENCE PAPER IN IFIP ADVANCES IN INFORMATION AND COMMUNICATION TECHNOLOGY》 *
JIANBO LI 等: "Rail Corrugation Detection of High-Speed Railway Using Wheel Dynamic Responses", 《HTTPS://DOI.ORG/10.1155/2019/2695647》 *
XIAOLONG LIU等: "Rail Roughness Acceptance Criterion Based on Interior Noise", 《DOI:10.21203/RS.3.RS-618128/V1》 *
刘力: "基于车辆轴箱振动加速度的钢轨波磨检测方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)_工程科技Ⅱ辑》 *
吴越等: "钢轨波磨对高速列车车轮多边形磨耗产生与发展的影响", 《机械工程学报》 *
朱崇巧: "钢轨波浪磨耗检测算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)_工程科技Ⅱ辑》 *
谢清林等: "数学形态学滤波在钢轨波磨波长识别中的应用", 《中南大学学报(自然科学版)》 *
贺延芳: "城市轨道交通钢轨病害检测与识别研究", 《中国优秀博硕士学位论文全文数据库(硕士)_工程科技Ⅱ辑》 *
高运来: "多物理电磁及热成像钢轨裂纹无损检测技术研究", 《中国优秀博硕士学位论文全文数据库(博士)_工程科技Ⅱ辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114771605A (zh) * 2022-03-25 2022-07-22 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
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
CN114881076A (zh) * 2022-04-29 2022-08-09 西南交通大学 基于支持向量机的钢轨波磨识别方法、装置、设备及介质
CN114881076B (zh) * 2022-04-29 2023-04-18 西南交通大学 基于支持向量机的钢轨波磨识别方法、装置、设备及介质
CN114878691A (zh) * 2022-07-08 2022-08-09 西南交通大学 一种用于钢轨波磨智能检测多分类的数据增强方法
CN114878691B (zh) * 2022-07-08 2022-10-25 西南交通大学 一种用于钢轨波磨智能检测多分类的数据增强方法

Also Published As

Publication number Publication date
CN113486874B (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN113486874B (zh) 一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法
CN111896625B (zh) 钢轨伤损实时监测方法及其监测系统
CN105092467B (zh) 一种高速铁路车轮踏面擦伤快速监测装置及方法
CN110426005B (zh) 基于imf能量比的高速铁路钢轨波磨声学诊断方法
CN110658005A (zh) 一种基于车体加速度识别钢轨波磨病害的方法
Tanaka et al. Application of axle-box acceleration to track condition monitoring for rail corrugation management
CN106198062A (zh) 轨道交通工具故障车载声学检测系统及检测方法
CN114881076B (zh) 基于支持向量机的钢轨波磨识别方法、装置、设备及介质
WO2023138581A1 (zh) 一种轨道交通机车车辆轮对多边形故障检测方法及装置
CN114169422A (zh) 基于车辆振噪联合测试的地铁钢轨波磨识别方法及系统
CN115758289B (zh) 一种基于多任务学习神经网络的钢轨波磨识别方法
CN113988326A (zh) 一种地铁设备维修优化方法及系统
Liu et al. An indirect method for rail corrugation measurement based on numerical models and wavelet packet decomposition
CN111055881A (zh) 一种基于噪声信号的轮轨界面损伤演变监测方法
CN114997252B (zh) 一种基于惯性原理的车轮多边形车载检测方法
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
Xie et al. A data-driven convolutional regression scheme for on-board and quantitative detection of rail corrugation roughness
CN113281414A (zh) 钢轨短波病害类型的识别方法及装置、以及电子设备
Xu et al. Dynamic diagnosis method and quantitative characterization of rail corrugation
CN116252820B (zh) 改进频域积分法驱动的高速列车车轮多边形定量检测方法
CN107782548A (zh) 一种基于对轨道交通工具零部件检测系统
CN115575508A (zh) 一种基于列车振声复合特征的轨道交通钢轨波磨识别方法
CN115200695A (zh) 基于异常声波特征识别的货车抱闸安全预警方法及系统
CN110956164A (zh) 一种基于噪声信号的列车车轮损伤识别方法
Huang et al. A Fault Diagnosis Method for Out‐of‐Round Faults of Metro Vehicle Wheels with Strong Noise

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