CN114056381A - 一种铁道车辆车轮扁疤监测方法 - Google Patents
一种铁道车辆车轮扁疤监测方法 Download PDFInfo
- Publication number
- CN114056381A CN114056381A CN202111418663.1A CN202111418663A CN114056381A CN 114056381 A CN114056381 A CN 114056381A CN 202111418663 A CN202111418663 A CN 202111418663A CN 114056381 A CN114056381 A CN 114056381A
- Authority
- CN
- China
- Prior art keywords
- wheel
- frequency
- flat
- flat scar
- scar
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or vehicle train for signalling purposes ; On-board control or communication systems
- B61L15/0081—On-board diagnosis or maintenance
Abstract
本发明公开了一种铁道车辆车轮扁疤监测方法,具体如下:采集轴箱振动加速度信号并做奇异值差分谱降噪,对降噪后的轴箱振动加速度信号包络,提取车轮扁疤故障引起的低频振动信号,对提取的低频振动信号进行快速傅里叶变换,得到幅频图,同时通过列车运行速度,计算得到车轮扁疤特征频率,将幅频图与车轮扁疤特征频率进行对比分析,诊断车轮是否存在扁疤故障;对诊断存在扁疤故障的车轮提取扁疤特征频率1‑4倍频所对应的幅值和对应车速输入到训练后的BP神经网络模型中对车轮扁疤长度进行估算。本发明提出基于奇异值差分谱降噪与BP神经网络相结合的方法,能快速识别车轮扁疤故障,并对扁疤长度进行定量估算,具有良好的实用性。
Description
技术领域
本发明属于轨道车辆车轮检测技术领域,具体涉及一种铁道车辆车轮扁疤监测方法。
背景技术
列车在运行过程中车轮承当着承载、传力、导向等作用。由于紧急制动、车轮空转打滑或者钢轨表面有杂物时,车轮由滚动变为滑动,此时剧烈的摩擦形成的高温导致车轮踏面剥离、裂损、掉块等现象统称为平轮或车轮扁疤。扁疤是一种常见的轨道车辆车轮踏面损伤形态,他会引起轮轨间产生周期性的振动冲击。车轮扁疤不仅会增大列车的振动和噪声使乘坐舒适性下降,而且会加速车辆及轨道零部件的损伤,严重时会引发事故。
现有的车轮扁疤检测方法常有几种,如:噪声检测法、图像检测法、电信号检测法和轨道检测法;这些检测方法都只能定性的对车轮扁疤进行检测,并不能实时定量的监测车轮扁疤长度。
发明内容
本发明所要解决的技术问题便是针对上述现有技术的不足,提供一种铁道车辆车轮扁疤监测方法,它不仅能够对车轮扁疤长度定性检测,还能对车辆扁疤长度进行定量估计。
本发明所采用的技术方案是:一种铁道车辆车轮扁疤监测方法,包括如下步骤:
S1:通过列车运行速度,计算得到车轮扁疤特征频率;
S2:采集轴箱振动加速度信号,并对轴箱振动加速度信号进行降噪;
S3:对降噪后的轴箱振动加速度信号包络,提取车轮扁疤故障引起的低频振动信号;
S4:对提取的低频振动信号进行快速傅里叶变换,得到幅频图;
S5:将S4得到的幅频图与S1得到的车轮扁疤特征频率进行对比分析,诊断车轮是否存在扁疤故障;
S6:利用机器学习,模拟不同车速下不同扁疤长度引起的轴箱振动加速度信号,将不同车速及对应车速下车轮扁疤特征频率1-4倍频对应的幅值作为输入向量,车轮扁疤长度作为输出向量训练BP神经网络模型;
S7:若S5中诊断存在扁疤故障,则选取相应车速及车速下的扁疤特征频率1-4倍频对应的幅值输入S6得到的BP神经网络模型中,即可计算车轮扁疤长度。
作为优选,步骤S1中扁疤故障会引起车轮与轨道之间的周期性冲击振动,此冲击振动频率即为车轮扁疤特征频率,定义车轮扁疤特征频率为CF:
式中:v为列车运行速度,单位km/h;R为车轮半径,单位m。
作为优选,步骤S2中对采集的轴箱振动加速度信号进行奇异值差分谱降噪,得到降噪后的轴箱振动加速度信号。
作为优选,步骤S3中,提取S2中采集的轴箱振动加速度的原始信号的局部极值点,利用三次样条插值法计算得到原始信号极大值、极小值的上下包络线,对S2的降噪信号包络;
作为优选,步骤S5中,若幅频图中有车轮扁疤特征频率及特征频率的倍频,则诊断该车轮存在扁疤故障,若幅频图中无扁疤特征频率及特征频率的倍频,则认为该车轮不存在扁疤故障。
本发明的有益效果在于:
(1)对采集的轴箱振动加速度信号进行降噪,并对降噪信号包络后进行快速傅里叶变换,使由扁疤引起的轴箱振动频率更加明显,便于快速准确地对扁疤故障定性识别;
(2)通过机器学历建立BP神经网络模型,可实现对车轮扁疤长度的定量估算,且估算准确度高;
(3)采用奇异值差分谱降噪,可去除信号中的噪声信号,提高信噪比,有效提高了后续的监测精度。
本发明提出基于奇异值差分谱降噪与BP神经网络相结合的方法,能快速识别车轮扁疤故障,并对扁疤长度进行定量估算,监测、估算结果精确,误差小,具有良好的实用性。
附图说明
图1为本发明的监测流程框图;
图2为本发明实施例1中采集的轴箱振动加速度信号的部分截图;
图3为本发明实施例1中奇异值差分谱降噪后的时域图;
图4为本发明实施例1中求包络后的时域图;
图5为本发明实施例1中快速傅里叶变换后的幅频图;
图6为本发明实施例1中随机选取10种工况的估算扁疤长度与实际扁疤长度的对比图;
图7为本发明对比实施例1中未对轴箱振动加速度信号处理的快速傅里叶变换频谱图。
具体实施方式
下面将结合附图及具体实施例对本发明作进一步详细说明。
实施例1
如图1所示,本实施例提供的铁道车辆车轮扁疤监测方法,包括如下步骤:
S1:由于扁疤故障会引起车轮与轨道之间的周期性冲击振动,即此冲击振动频率即为车轮扁疤特征频率,定义车轮扁疤特征频率为CF,车轮扁疤特征频率与车轮转动一周的转动频率相关,因此通过列车运行速度和车轮半径计算车轮扁疤特征频率CF:
式中:v为列车运行速度,单位km/h;R为车轮半径,单位m;
S2:采集轴箱振动加速度信号,并对轴箱振动加速度信号采用奇异值差分谱降噪方法进行降噪,具体如下:对含有噪声的离散信号X(N)={x1,x1,…,xN},通过相空间重新构造m×n阶的Hankel矩阵H:
式中:N=m+n-1;Dm×n为无噪声干扰的信号子空间;Wm×n为噪声信号子空间;对Hm×n进行奇异值分解可得到
式中:U、V均为正交矩阵;M为非负对角阵,即:
式中:r为矩阵H的秩;σi为矩阵H的奇异值;上述均为常规现有的奇异值差分谱降噪方法;
在矩阵H中从第二行起每一行数据比前一行数据滞后一个点,如果信号中包含有噪声,那么相邻的两行数据之间就没有关联性,对H矩阵进行奇异值分解得到的奇异值就不会有比较明显的突变。如果信号中不包含噪声,那么相邻两行之间的关联性比较强,此时H矩阵进行奇异值分解得到的奇异值就会有比较明显的突变;
由于信号的奇异值明显大于噪声的奇异值,因此利用奇异值差分谱中最大值的对应点k可以确定信号与噪声奇异值相分离的点;保留前k个有效奇异值而其他奇异值置零,再利用奇异值分解的逆过程得到重构矩阵XS,将XS依据相空间重构的方法进行逆变换,最终得到降噪后的轴箱振动加速度信号;上述利用奇异值分解的逆过程得到重构矩阵XS和将XS依据相空间重构的方法进行逆变换,均是现有的奇异值差分谱降噪方法中的常规重构方法和逆变换方法;
S3:提取S2中采集的轴箱振动加速度的原始信号的局部极值点,利用三次样条插值法计算得到原始信号极大值、极小值的上下包络线,对S2的降噪后的轴箱振动加速度信号包络,提取车轮扁疤故障引起的低频振动信号;
S4:对提取的低频振动信号进行快速傅里叶变换,得到幅频图;
S5:将S4得到的幅频图与S1得到的车轮扁疤特征频率进行对比分析,步骤S5中,若幅频图中有车轮扁疤特征频率及特征频率的倍频,则诊断该车轮存在扁疤故障,若幅频图中无扁疤特征频率及特征频率的倍频,则认为该车轮不存在扁疤故障;
S6:利用机器学习,模拟不同车速下不同扁疤长度引起的轴箱振动加速度信号,根据不同的轴箱振动加速度信号处理后得到相应的车轮扁疤特征频率,提取车轮扁疤特征频率的1倍频、2倍频、3倍频、4倍频相对应幅值,将提取的幅值与对应的车速作为输入向量,车轮扁疤长度作为输出向量训练BP神经网络模型;
为了加快BP神经网络的收敛速度,对训练集进行归一化处理,将归一化后的训练集数据导入BP神经网络模型进行训练,经过不断地优化权值直到输出向量在目标误差之内,BP神经网络模型训练结束,得到BP神经网络模型;
S7:若S5中诊断存在扁疤故障,则选取相应车速及车速下的扁疤特征频率1-4倍频对应的幅值输入S6得到的BP神经网络模型中,即可计算车轮扁疤长度。
本实施例中,结合ANSYS在SIMPACK软件中建立某动车组刚柔耦合模型,并在线路条件中施加武广90轨道谱激扰的直线线路。动力学模型中车轮半径R=0.46m、采样频率为10000HZ、采样时间120s。仿真仿真车速50km/h-400km/h的15个速度等级,扁疤长度20mm-90mm的8种长度等级组合的120种工况,采集各工况下的轴箱振动加速度信号,并对将采集到的加速度信号进行奇异值差分谱降噪处理,然后对降噪后的信号包络,包络后进行快速傅里叶变换,得到每种工况对应的幅频图。
下述以车速125km/h、扁疤长度30mm为例采集轴箱振动加速度信号,截取部分信号如图2所示,对采集的轴箱振动加速度信号依次进行奇异值差分谱降噪、包络和快速傅里叶变换处理,得到对应的幅频图;进行奇异值差分谱降噪处理后的信号如图3所示,对降噪后的信号包络处理后的信号如图4所示,对求包络后的信号进行快速傅里叶变换得到的幅频图如图5所示;在车速V=125km/h,车轮半径R=0.46m的车况下,车轮的扁疤特征频率CF=12.014HZ,在得到的幅频图图5中可清洗直观的找到12.01HZ、24.02HZ、36.04HZ、48.05HZ等频率,分别与车轮扁疤特征频率的1倍频、2倍频、3倍频、4倍频相对应,可诊断出车轮存在扁疤故障。由此可见,采用本发明所述方法能快速对车轮扁疤故障进行定性,判断扁疤故障是否存在;
同时,利用上述120种工况采集的轴箱振动加速度信号得到的相应的幅频图,提取车轮扁疤特征频率的1倍频、2倍频、3倍频、4倍频相对应幅值,将提取出的4个特征频率的幅值以及对应的车速作为输入向量,扁疤长度作为输出向量对BP神经网络模型进行训练,经过不断地优化权值直到输出向量在目标误差之内模型训练结束;随机选取10种工况,将每种工况车轮扁疤特征频率的1倍频、2倍频、3倍频、4倍频相对应幅值和该种车况的车速作为输入向量带入得到的BP神经网络模型中,得到相应的扁疤长度估算值,如图6所示。图6中将选取工况的实际扁疤长度与得到相应的扁疤长度估算值进行对比,估算扁疤长度误差在3.5mm内,可见利用本发明的监测方法,能快速对扁疤故障进行定性,并且能较准确的估算出车轮扁疤长度,有利于推动对车辆状态的实时监测的发展。
对比实施例1
本实施例与实施例1完全相同,仅是未对轴箱振动加速度信号进行奇异值差分谱降噪和求包络处理。
如图7所示,对比实施例1中的轴箱振动加速度信号未进行奇异值差分谱降噪和求包络处理,直接进行的快速傅里叶变换,图7中高频振动淹没了车轮扁疤故障引起的低频部分,无法直观的判断扁疤故障的存在。
以上所述仅是本发明优选的实施方式,但本发明的保护范围并不局限于此,任何基于本发明所提供的技术方案和发明构思进行的改造和替换都应涵盖在本发明的保护范围内。
Claims (5)
1.一种铁道车辆车轮扁疤监测方法,其特征在于:包括如下步骤:
S1:通过列车运行速度,计算得到车轮扁疤特征频率;
S2:采集轴箱振动加速度信号,并对轴箱振动加速度信号进行降噪;
S3:对降噪后的轴箱振动加速度信号包络,提取车轮扁疤故障引起的低频振动信号;
S4:对提取的低频振动信号进行快速傅里叶变换,得到幅频图;
S5:将S4得到的幅频图与S1得到的车轮扁疤特征频率进行对比分析,诊断车轮是否存在扁疤故障;
S6:利用机器学习,模拟不同车速下不同扁疤长度引起的轴箱振动加速度信号,将不同车速及对应车速下车轮扁疤特征频率1-4倍频对应的幅值作为输入向量,车轮扁疤长度作为输出向量训练BP神经网络模型;
S7:若S5中诊断存在扁疤故障,则选取相应车速及车速下的扁疤特征频率1-4倍频对应的幅值输入S6得到的BP神经网络模型中,即可计算车轮扁疤长度。
3.根据权利要求1或2所述的一种铁道车辆车轮扁疤监测方法,其特征在于:步骤S2中对采集的轴箱振动加速度信号进行奇异值差分谱降噪,得到降噪后的轴箱振动加速度信号。
4.根据权利要求3所述的一种铁道车辆车轮扁疤监测方法,其特征在于:步骤S3中,提取S2中采集的轴箱振动加速度的原始信号的局部极值点,利用三次样条插值法计算得到原始信号极大值、极小值的上下包络线,对S2的降噪信号包络。
5.根据权利要求1、2或4所述的一种铁道车辆车轮扁疤监测方法,其特征在于:步骤S5中,若幅频图中有车轮扁疤特征频率及特征频率的倍频,则诊断该车轮存在扁疤故障,若幅频图中无扁疤特征频率及特征频率的倍频,则认为该车轮不存在扁疤故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111418663.1A CN114056381A (zh) | 2021-11-24 | 2021-11-24 | 一种铁道车辆车轮扁疤监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111418663.1A CN114056381A (zh) | 2021-11-24 | 2021-11-24 | 一种铁道车辆车轮扁疤监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114056381A true CN114056381A (zh) | 2022-02-18 |
Family
ID=80276462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111418663.1A Pending CN114056381A (zh) | 2021-11-24 | 2021-11-24 | 一种铁道车辆车轮扁疤监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114056381A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115257857A (zh) * | 2022-09-28 | 2022-11-01 | 西南交通大学 | 一种基于惯性原理的轨面三角坑识别方法 |
CN116297883A (zh) * | 2023-05-11 | 2023-06-23 | 广州市市政工程试验检测有限公司 | 一种基于敲击声的结构识别方法、装置、系统及终端设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1559625A1 (en) * | 2004-02-02 | 2005-08-03 | C-Sigma s.r.l. | Apparatus and method for detecting wheel-flats, axle bearings eccentricity and rail-track defects in a railway system |
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 |
CN106650071A (zh) * | 2016-12-12 | 2017-05-10 | 中国航空工业集团公司上海航空测控技术研究所 | 用于滚动轴承智能故障诊断的方法 |
CN109774740A (zh) * | 2019-02-03 | 2019-05-21 | 湖南工业大学 | 一种基于深度学习的轮对踏面损伤故障诊断方法 |
CN110222856A (zh) * | 2019-06-12 | 2019-09-10 | 中国神华能源股份有限公司 | 列车车轮踏面损伤的处理方法、装置及存储介质 |
US20210253149A1 (en) * | 2020-02-14 | 2021-08-19 | International Electronic Machines Corporation | Methods and systems for monitoring a transportation path with acoustic or vibration sensing |
-
2021
- 2021-11-24 CN CN202111418663.1A patent/CN114056381A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1559625A1 (en) * | 2004-02-02 | 2005-08-03 | C-Sigma s.r.l. | Apparatus and method for detecting wheel-flats, axle bearings eccentricity and rail-track defects in a railway system |
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 |
CN106650071A (zh) * | 2016-12-12 | 2017-05-10 | 中国航空工业集团公司上海航空测控技术研究所 | 用于滚动轴承智能故障诊断的方法 |
CN109774740A (zh) * | 2019-02-03 | 2019-05-21 | 湖南工业大学 | 一种基于深度学习的轮对踏面损伤故障诊断方法 |
CN110222856A (zh) * | 2019-06-12 | 2019-09-10 | 中国神华能源股份有限公司 | 列车车轮踏面损伤的处理方法、装置及存储介质 |
US20210253149A1 (en) * | 2020-02-14 | 2021-08-19 | International Electronic Machines Corporation | Methods and systems for monitoring a transportation path with acoustic or vibration sensing |
Non-Patent Citations (3)
Title |
---|
SHIQIAN CHEN ET AL.: ""A two-level adaptive chirp mode decomposition method for the railway wheel flat detection under variable-speed conditions"", 《JOURNAL OF SOUND AND VIBRATION》 * |
刘佳音等: "基于Hankel矩阵与奇异值分解降噪方法的齿轮故障诊断研究", 《机床与液压》 * |
许文天: ""铁道车辆车轮扁疤在线实时定量监测方法研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115257857A (zh) * | 2022-09-28 | 2022-11-01 | 西南交通大学 | 一种基于惯性原理的轨面三角坑识别方法 |
CN116297883A (zh) * | 2023-05-11 | 2023-06-23 | 广州市市政工程试验检测有限公司 | 一种基于敲击声的结构识别方法、装置、系统及终端设备 |
CN116297883B (zh) * | 2023-05-11 | 2023-08-25 | 广州市市政工程试验检测有限公司 | 一种基于敲击声的结构识别方法、装置、系统及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104568444B (zh) | 变转速火车滚动轴承故障特征频率提取方法 | |
CN114056381A (zh) | 一种铁道车辆车轮扁疤监测方法 | |
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 | |
CN111751117A (zh) | 一种特种车辆健康状态评估方法及装置 | |
CN108801630B (zh) | 单通道盲源分离的齿轮故障诊断方法 | |
Li et al. | Railway wheel flat detection based on improved empirical mode decomposition | |
CN107121285B (zh) | 一种滚动轴承振动信号故障特征提取方法 | |
CN111521406B (zh) | 一种乘用车道路测试高速风噪分离方法 | |
CN106596149A (zh) | 基于vmd的轨道车辆平轮状态的监测与诊断方法 | |
Barbieri et al. | Analysis of automotive gearbox faults using vibration signal | |
CN114997252B (zh) | 一种基于惯性原理的车轮多边形车载检测方法 | |
Huang et al. | Fault diagnosis on railway vehicle bearing based on fast extended singular value decomposition packet | |
CN114997218A (zh) | 一种针对轨道车辆车轮多边形磨耗的识别检测方法 | |
CN113776760A (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 | |
CN113281414B (zh) | 钢轨短波病害类型的识别方法及装置、以及电子设备 | |
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 | |
JP3885297B2 (ja) | 異音判定装置及び異音判定方法 | |
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 | |
CN110143217B (zh) | 轨道状态测量方法、系统及装置 | |
CN111666892A (zh) | 一种基于经验小波希尔伯特变换的电力机车空转识别方法 | |
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 | |
CN115830368A (zh) | 一种车辆减震器缺陷诊断方法、系统、设备及介质 | |
CN117109953B (zh) | 一种列车的声振协同诊断方法、系统、装置及介质 | |
CN115758289B (zh) | 一种基于多任务学习神经网络的钢轨波磨识别方法 | |
Bendjama | Feature extraction based on vibration signal decomposition for fault diagnosis of rolling bearings |
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: 20220218 |