CN114544206B - 一种轨道交通机车车辆轮对多边形故障检测方法及装置 - Google Patents
一种轨道交通机车车辆轮对多边形故障检测方法及装置 Download PDFInfo
- Publication number
- CN114544206B CN114544206B CN202210068236.3A CN202210068236A CN114544206B CN 114544206 B CN114544206 B CN 114544206B CN 202210068236 A CN202210068236 A CN 202210068236A CN 114544206 B CN114544206 B CN 114544206B
- Authority
- CN
- China
- Prior art keywords
- wheel
- noise
- data
- sound pressure
- pressure level
- 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
Links
Images
Classifications
-
- 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
- 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
- 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
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
Abstract
本发明提出一种轨道交通机车车辆轮对多边形故障检测方法及装置,包括:初始化噪音监测模型的输入变量,输入变量包括轮对的轮径、车辆行驶速度、监测噪音中的一项或者多项,采集噪音数据,并进行预处理,利用短时傅里叶变换提取出预处理后的噪音数据的频谱特征,并对其进行分析,得出不同频率噪音的声压级密度阈值,读取待监测的轮对噪音数据、轮径和车辆行驶速度,根据轮对噪音数据、轮径和车辆行驶速度得到频域数据,根据频域数据和不同频率噪音的声压级密度阈值,计算该频段对应的车轮多边形阶次,根据阶次判断车轮是否异常,根据异常信息生成故障检测结果,并上报故障检测结果。该方法计算复杂度低,运算速度快,而且监测快速有效,准确度高。
Description
技术领域
本发明涉及信号处理领域,尤其涉及一种轨道交通机车车辆轮对多边形故障检测方法及装置。该方法监测模型结构简单,复杂度低,运算速度快,而且监测快速有效,准确度高,具有较好的实用性和优越性。
背景技术
高速列车的运行安全变得越来越重要。目前,对于高速列车安全性能的把控主要是通过定期检修,无法做到实时监测,或者随车监测。现有通过检修发现的问题中,车轮多边形磨损是一种在车轮圆周上产生的周期性磨耗,会对列车安全造成重大隐患,例如,德国IEC铁路也曾因为车轮多边形磨损的问题而导致列车脱轨,所以,通过对车轮多边形磨损的检测能够在其发展的早期检测出问题,从而进行预测性维修,大大提高高速列车在运行中的安全性,避免潜在风险,此外,车轮多边形磨损还会导致列车行驶中产生较大的噪音,影响乘客的乘坐体验。
现有技术中,尚未有方案对车轮多边形磨损进行随车检测,振动传感器暂时无法全面安装在车身,因此,轮对多边形噪音源分析技术可以通过研究车轮多边形磨损情况与噪音之间的关系,建立多边形磨损的评估模型,并通过评估模型监测噪音来实时评估并且预测车轮多边形磨损情况,从而实现视情维修,节约大量维修成本。
噪音检测技术可以应用的安全检测内容和场景为:在轨道交通机车车辆上,通过在车内的墙壁上固定声级计来对车辆噪音进行采集,再利用计算设备对噪音数据进行分析,得到能反映车轮多边形磨损情况的指标,从而判断当前车轮多边形磨损的情况,并给出预警。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种轨道交通机车车辆轮对多边形故障检测方法,以实现评估并且预测车轮多边形磨损情况,从而实现视情维修,节约大量维修成本。
本发明的第二个目的在于提出一种轨道交通机车车辆轮对多边形故障检测装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的,本发明第一方面实施例提出了一种轨道交通机车车辆轮对多边形故障检测方法,包括:
初始化噪音监测模型的输入变量,所述输入变量包括轮对的轮径、车辆行驶速度、监测噪音中的一项或者多项;
采集噪音数据,并对所述噪音数据进行预处理,利用短时傅里叶变换提取出预处理后的噪音数据的频谱特征,对所述频谱特征进行分析,得出不同频率噪音的声压级密度阈值;
读取待监测的轮对噪音数据、轮径和车辆行驶速度,根据所述待监测的轮对噪音数据、轮径和车辆行驶速度得到车辆稳定运行状态下的频域数据;
根据所述频域数据和所述不同频率噪音的声压级密度阈值,计算该频段对应的车轮多边形阶次,根据所述车轮多边形阶次判断车轮是否异常;
在判断车轮异常时,根据车轮的异常信息生成故障检测结果,并上报所述故障检测结果。
可选地,在本申请的一个实施例中,所述采集噪音数据,包括:
采集车辆在车轮正常状态和异常状态时的噪音数据;
所述对所述噪音数据进行预处理,包括:
利用声压级阈值的方式提取出车辆平稳运行时的噪音数据。
可选地,在本申请的一个实施例中,所述利用短时傅里叶变换提取出预处理后的噪音数据的频谱特征,对所述频谱特征进行分析,得出不同频率噪音的声压级密度阈值,包括:
对所述噪音数据选取矩形窗函数ω(n);
利用选取的所述矩形窗函数ω(n),对噪音信号进行时频分析,其中,短时傅里叶变换的公式为:
其中,x(n)为输入数据,ω(n)为窗函数,X(n,ω)为时间n和频率ω的二维函数;
利用下述公式计算出车轮多边形磨损不同阶次对应的频率:
其中,f是噪音主频,v是车速,norder是车轮多边形磨损阶次,d是车轮轮径;
利用记录的车轮磨耗历史数据,将不同频率的噪音声压级密度与对应的车轮多边形磨损阶次的磨损程度进行比较,得出不同频率噪音的声压级密度阈值。
可选地,在本申请的一个实施例中,所述根据所述频域数据和所述不同频率噪音的声压级密度阈值,计算该频段对应的车轮多边形阶次,包括:
当所述频域数据的一个频段的声压级密度高于所述声压级密度阈值时,计算出该频段对应的车轮多边形阶次。
为达上述目的,本发明第二方面实施例提出了一种轨道交通机车车辆轮对多边形故障检测装置,包括:
初始化模块,用于初始化噪音监测模型的输入变量,所述输入变量包括轮对的轮径、车辆行驶速度、监测噪音中的一项或者多项;
采集模块,用于采集噪音数据,并对所述噪音数据进行预处理,利用短时傅里叶变换提取出预处理后的噪音数据的频谱特征,对所述频谱特征进行分析,得出不同频率噪音的声压级密度阈值;
读取模块,用于读取待监测的轮对噪音数据、轮径和车辆行驶速度,根据所述待监测的轮对噪音数据、轮径和车辆行驶速度得到车辆稳定运行状态下的频域数据;
计算模块,用于根据所述频域数据和所述不同频率噪音的声压级密度阈值,计算该频段对应的车轮多边形阶次,根据所述车轮多边形阶次判断车轮是否异常;
上报模块,在判断车轮异常时,根据车轮的异常信息生成故障检测结果,并上报所述故障检测结果。
可选地,在本申请的一个实施例中,所述采集模块,还用于:
采集车辆在车轮正常状态和异常状态时的噪音数据;
所述对所述噪音数据进行预处理,包括:
利用声压级阈值的方式提取出车辆平稳运行时的噪音数据。
可选地,在本申请的一个实施例中,所述处理模块,还用于:
对所述噪音数据选取矩形窗函数ω(n);
利用选取的所述矩形窗函数ω(n),对噪音信号进行时频分析,其中,短时傅里叶变换的公式为:
其中,x(n)为输入数据,ω(n)为窗函数,X(n,ω)为时间n和频率ω的二维函数;
利用下述公式计算出车轮多边形磨损不同阶次对应的频率:
其中,f是噪音主频,v是车速,norder是车轮多边形磨损阶次,d是车轮轮径;
利用记录的车轮磨耗历史数据,将不同频率的噪音声压级密度与对应的车轮多边形磨损阶次的磨损程度进行比较,得出不同频率噪音的声压级密度阈值。
可选地,在本申请的一个实施例中,所述计算模块,还用于:
当所述频域数据的一个频段的声压级密度高于所述声压级密度阈值时,计算出该频段对应的车轮多边形阶次。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
为达上述目的,本申请第三方面实施例提出了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被处理器执行时实现本申请第一方面实施例所述的轨道交通机车车辆轮对多边形故障检测方法。
为达上述目的,本申请第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请第一方面实施例所述的轨道交通机车车辆轮对多边形故障检测方法。
综上所述,通过研究车轮多边形磨损情况与噪音之间的关系,建立多边形磨损的评估模型,通过监测噪音来实时评估并且预测车轮多边形磨损情况,从而实现视情维修,节约大量维修成本。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例所提供的一种轨道交通机车车辆轮对多边形故障检测方法的流程示意图;
图2为本发明实施例所提供的一种噪音信号短时傅里叶变换结果示意图;
图3为本发明实施例所提供的一种车轮多边形磨损示意图;
图4为本发明实施例所提供的一种噪音信号峰值示意图;
图5为本发明实施例所提供的一种计算出该频段对应的车轮多边形阶次的程度示意图;
图6为本发明实施例所提供的一种发明方法的流程示意图;
图7为本发明实施例所提供的一种轨道交通机车车辆轮对多边形故障检测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的轨道交通机车车辆轮对多边形噪音诊断方法和装置。
图1为本发明实施例所提供的一种轨道交通机车车辆轮对多边形故障检测方法的流程示意图。
如图1所示,该轨道交通机车车辆轮对多边形故障检测方法包括以下步骤:
需要说明的是,在本发明的一个实施例之中,在进行步骤S1之前,会在车辆转向架处设置噪声传感器,该噪声传感器的采样频率大于预设阈值,以及根据采样定理以及轮对多边形磨损机理和振动频率分析,噪音传感器必须保证采样频率大于2000Hz,且安装位置应靠近车辆转向架处。如放置在车厢内,需要与车体固定,并且安装在距车厢底部不超过50cm处。
步骤S1,初始化噪音监测模型的输入变量,输入变量包括轮对的轮径、车辆行驶速度、监测噪音中的一项或者多项。
需要说明的是,在本发明的一个实施例之中,对轮对多边形磨损故障诊断的具体描述,请参考后续的步骤S2-步骤S4。
步骤S2,采集噪音数据,并对噪音数据进行预处理,利用短时傅里叶变换提取出预处理后的噪音数据的频谱特征,对频谱特征进行分析,得出不同频率噪音的声压级密度阈值。
其中,在本发明的一个实施例之中,采集噪音数据还包括:
采集车辆在车轮正常状态和异常状态时的噪音数据;
对噪音数据进行预处理,包括:
利用声压级阈值的方式提取出车辆平稳运行时的噪音数据。
以及,在本发明的一个实施例之中,利用短时傅里叶变换提取出预处理后的噪音数据的频谱特征,对频谱特征进行分析,得出不同频率噪音的声压级密度阈值,包括:
对噪音数据选取矩形窗函数ω(n);
利用选取的所述矩形窗函数ω(n),对噪音信号进行时频分析,其中,短时傅里叶变换的公式为:
其中,x(n)为输入数据,ω(n)为窗函数,X(n,ω)为时间n和频率ω的二维函数;
利用下述公式计算出车轮多边形磨损不同阶次对应的频率:
其中,f是噪音主频,v是车速,norder是车轮多边形磨损阶次,d是车轮轮径;
利用记录的车轮磨耗历史数据,将不同频率的噪音声压级密度与对应的车轮多边形磨损阶次的磨损程度进行比较,得出不同频率噪音的声压级密度阈值。
基于上述内容,图2为本发明所提供的一种噪音信号短时傅里叶变换结果的示意图,通过短时傅里叶变换操作,将噪音信号由时域值转换为频域值,从而提取出与车轮多边形故障相关频段的信号,进行故障诊断。以及图3为本发明所提供的一种车轮多边形磨损的示意图,利用轮廓检测装置收集到的轮廓数据,从中可以获得车轮多边形磨损的程度,与噪音诊断的结果进行对比。
步骤S3,读取待监测的轮对噪音数据、轮径和车辆行驶速度,根据待监测的轮对噪音数据、轮径和车辆行驶速度得到车辆稳定运行状态下的频域数据。
步骤S4,根据频域数据和不同频率噪音的声压级密度阈值,计算该频段对应的车轮多边形阶次,根据车轮多边形阶次判断车轮是否异常。
在本发明的一个实施例之中,根据频域数据和不同频率噪音的声压级密度阈值,计算该频段对应的车轮多边形阶次,包括:
当频域数据的一个频段的声压级密度高于声压级密度阈值时,计算出该频段对应的车轮多边形阶次。
基于上述内容,图4为本发明所提供的一种噪音信号峰值示意图,是通过短时傅里叶变换操作,将噪音信号由时域值转换为频域值,从而提取出的与车轮多边形故障相关频段的信号幅值,以及,图5为本发明所提供的一种计算出该频段对应的车轮多边形阶次的程度示意图,是利用图3中的收集的车轮轮廓数据,通过希尔伯特-黄变换获得的车轮多边形磨损分布情况,可以与噪音信号幅值进行对比分析。
步骤S5,在判断车轮异常时,根据车轮的异常信息生成故障检测结果,并上报故障检测结果。
在本发明的一个实施例之中,在计算出该频段对应的车轮多边形阶次之后,当判定车轮异常时,则进行信息上报。
基于上述描述,图6为本发明所提供的一种发明方法的流程图。
本申请的技术效果:开发了多边形噪音源分析技术,通过研究车轮多边形磨损情况与噪音之间的关系,建立多边形磨损的评估模型,通过监测噪音来实时评估并且预测车轮多边形磨损情况,从而实现视情维修,节约大量维修成本。
图7为本发明实施例所提供的一种轨道交通机车车辆轮对多边形故障检测装置的结构示意图。
如图7所示,该轨道交通机车车辆轮对多边形故障检测装置包括以下模块:
初始化模块,用于初始化噪音监测模型的输入变量,所述输入变量包括轮对的轮径、车辆行驶速度、监测噪音中的一项或者多项;
采集模块,用于采集噪音数据,并对所述噪音数据进行预处理,利用短时傅里叶变换提取出预处理后的噪音数据的频谱特征,对所述频谱特征进行分析,得出不同频率噪音的声压级密度阈值;
读取模块,用于读取待监测的轮对噪音数据、轮径和车辆行驶速度,根据所述待监测的轮对噪音数据、轮径和车辆行驶速度得到车辆稳定运行状态下的频域数据;
计算模块,用于根据所述频域数据和所述不同频率噪音的声压级密度阈值,计算该频段对应的车轮多边形阶次,根据所述车轮多边形阶次判断车轮是否异常;
上报模块,在判断车轮异常时,根据车轮的异常信息生成故障检测结果,并上报所述故障检测结果。
本发明的优点:开发了多边形噪音源分析技术,通过研究车轮多边形磨损情况与噪音之间的关系,建立多边形磨损的评估模型,通过监测噪音来实时评估并且预测车轮多边形磨损情况,从而实现视情维修,节约大量维修成本。
为达上述目的,本申请第三方面实施例提出了一种计算机设备,其上存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被处理器执行时实现本申请第一方面实施例所述的一种轨道交通机车车辆轮对多边形故障检测方法。
为达上述目的,本申请第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请第一方面实施例所述的一种轨道交通机车车辆轮对多边形故障检测方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (4)
1.一种轨道交通机车车辆轮对多边形故障检测方法,其特征在于,在车厢内距车厢底部不超过50cm处固定安装噪声传感器,所述噪声传感器的采样频率大于2000Hz,所述轨道交通机车车辆轮对多边形故障检测方法包括以下步骤:
初始化噪音监测模型的输入变量,所述输入变量包括轮对的轮径、车辆行驶速度和监测噪音;
采集噪音数据,包括:采集车辆在车轮正常状态和异常状态时的噪音数据,并对所述噪音数据进行预处理,对所述噪音数据进行预处理,包括:利用声压级阈值的方式提取出车辆平稳运行时的噪音数据;利用短时傅里叶变换提取出预处理后的噪音数据的频谱特征,对所述频谱特征进行分析,得出不同频率噪音的声压级密度阈值;其中,利用短时傅里叶变换提取出预处理后的噪音数据的频谱特征,对所述频谱特征进行分析,得出不同频率噪音的声压级密度阈值,包括:对所述噪音数据选取矩形窗函数ω(n),利用选取的所述矩形窗函数ω(n),对噪音信号进行时频分析,所述短时傅里叶变换的公式为:
其中,x(n)为输入数据,ω(n)为窗函数,X(n,ω)为时间n和频率ω的二维函数,
利用下述公式计算出车轮多边形磨损不同阶次对应的频率:
通过希尔伯特-黄变换获取车轮磨耗历史数据,将不同频率的噪音声压级密度与对应的车轮多边形磨损阶次的磨损程度进行比较,得出不同频率噪音的声压级密度阈值;
读取待监测的轮对噪音数据、轮径和车辆行驶速度,根据所述待监测的轮对噪音数据、轮径和车辆行驶速度得到车辆稳定运行状态下的频域数据;
根据所述频域数据和所述不同频率噪音的声压级密度阈值,计算频段对应的车轮多边形阶次,根据所述车轮多边形阶次判断车轮是否异常,其中,在所述频域数据的一个频段的声压级密度高于所述声压级密度阈值时,计算出所述频段对应的车轮多边形阶次;
在判断车轮异常时,根据车轮的异常信息生成故障检测结果,并上报所述故障检测结果。
2.一种轨道交通机车车辆轮对多边形故障检测装置,其特征在于,在车厢内距车厢底部不超过50cm处固定安装噪声传感器,所述噪声传感器的采样频率大于2000Hz,所述轨道交通机车车辆轮对多边形故障检测装置包括:
初始化模块,用于初始化噪音监测模型的输入变量,所述输入变量包括轮对的轮径、车辆行驶速度和监测噪音;
采集模块,用于采集噪音数据,包括:采集车辆在车轮正常状态和异常状态时的噪音数据,并对所述噪音数据进行预处理,对所述噪音数据进行预处理,包括:利用声压级阈值的方式提取出车辆平稳运行时的噪音数据;利用短时傅里叶变换提取出预处理后的噪音数据的频谱特征,对所述频谱特征进行分析,得出不同频率噪音的声压级密度阈值;其中利用短时傅里叶变换提取出预处理后的噪音数据的频谱特征,对所述频谱特征进行分析,得出不同频率噪音的声压级密度阈值,包括:对所述噪音数据选取矩形窗函数ω(n),利用选取的所述矩形窗函数ω(n),对噪音信号进行时频分析,所述短时傅里叶变换的公式为:
其中,x(n)为输入数据,ω(n)为窗函数,X(n,ω)为时间n和频率ω的二维函数,
利用下述公式计算出车轮多边形磨损不同阶次对应的频率:
通过希尔伯特-黄变换获取车轮磨耗历史数据,将不同频率的噪音声压级密度与对应的车轮多边形磨损阶次的磨损程度进行比较,得出不同频率噪音的声压级密度阈值;
读取模块,用于读取待监测的轮对噪音数据、轮径和车辆行驶速度,根据所述待监测的轮对噪音数据、轮径和车辆行驶速度得到车辆稳定运行状态下的频域数据;
计算模块,用于根据所述频域数据和所述不同频率噪音的声压级密度阈值,计算频段对应的车轮多边形阶次,根据所述车轮多边形阶次判断车轮是否异常,其中,在所述频域数据的一个频段的声压级密度高于所述声压级密度阈值时,计算出所述频段对应的车轮多边形阶次;
上报模块,在判断车轮异常时,根据车轮的异常信息生成故障检测结果,并上报所述故障检测结果。
3.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1所述的方法。
4.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210068236.3A CN114544206B (zh) | 2022-01-20 | 2022-01-20 | 一种轨道交通机车车辆轮对多边形故障检测方法及装置 |
PCT/CN2023/072641 WO2023138581A1 (zh) | 2022-01-20 | 2023-01-17 | 一种轨道交通机车车辆轮对多边形故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210068236.3A CN114544206B (zh) | 2022-01-20 | 2022-01-20 | 一种轨道交通机车车辆轮对多边形故障检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114544206A CN114544206A (zh) | 2022-05-27 |
CN114544206B true CN114544206B (zh) | 2023-07-07 |
Family
ID=81671610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210068236.3A Active CN114544206B (zh) | 2022-01-20 | 2022-01-20 | 一种轨道交通机车车辆轮对多边形故障检测方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114544206B (zh) |
WO (1) | WO2023138581A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114544206B (zh) * | 2022-01-20 | 2023-07-07 | 清华大学 | 一种轨道交通机车车辆轮对多边形故障检测方法及装置 |
CN116252820B (zh) * | 2023-05-12 | 2023-09-05 | 西南交通大学 | 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 |
CN116985865B (zh) * | 2023-09-25 | 2023-11-28 | 成都运达科技股份有限公司 | 一种轨道交通车轮多边形故障诊断检测方法、装置及系统 |
CN116996217B (zh) * | 2023-09-26 | 2023-12-22 | 深圳科盾量子信息科技有限公司 | 一种应用于量子密钥分发系统的同步方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107167233A (zh) * | 2017-05-26 | 2017-09-15 | 中车长春轨道客车股份有限公司 | 一种轨道交通车辆轮对镟修的评定方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734060A (zh) * | 2017-04-18 | 2018-11-02 | 香港理工大学深圳研究院 | 一种高速动车组车轮多边形化的识别方法及装置 |
CN108731953B (zh) * | 2018-03-27 | 2020-03-17 | 常州路航轨道交通科技有限公司 | 一种列车轮对的多边形故障在线检测方法 |
JP7049198B2 (ja) * | 2018-07-05 | 2022-04-06 | 東日本旅客鉄道株式会社 | 車輪偏摩耗判定方法および判定プログラム |
CN109278796B (zh) * | 2018-11-16 | 2021-01-26 | 北京主导时代科技有限公司 | 一种车载式车轮不圆度检测系统 |
CN109974848A (zh) * | 2019-03-28 | 2019-07-05 | 中车青岛四方机车车辆股份有限公司 | 列车振动模拟检测方法 |
CN110816588B (zh) * | 2019-12-04 | 2021-02-05 | 中车株洲电力机车有限公司 | 一种机车车轮失圆检测方法、装置、设备及系统 |
CN111071300B (zh) * | 2020-02-12 | 2021-12-14 | 太原理工大学 | 高速列车轨道交通故障安全监测预警系统和信号处理方法 |
US11842580B2 (en) * | 2020-04-23 | 2023-12-12 | Zoox, Inc. | Predicting vehicle health |
CN112572527B (zh) * | 2020-12-30 | 2022-08-19 | 同济大学 | 一种轨道交通轮轨短波不平顺检测方法、装置与系统 |
CN113942461A (zh) * | 2021-10-22 | 2022-01-18 | 广州小鹏汽车科技有限公司 | 故障检测方法、装置和可读存储介质 |
CN114544206B (zh) * | 2022-01-20 | 2023-07-07 | 清华大学 | 一种轨道交通机车车辆轮对多边形故障检测方法及装置 |
-
2022
- 2022-01-20 CN CN202210068236.3A patent/CN114544206B/zh active Active
-
2023
- 2023-01-17 WO PCT/CN2023/072641 patent/WO2023138581A1/zh unknown
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107167233A (zh) * | 2017-05-26 | 2017-09-15 | 中车长春轨道客车股份有限公司 | 一种轨道交通车辆轮对镟修的评定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114544206A (zh) | 2022-05-27 |
WO2023138581A1 (zh) | 2023-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114544206B (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 | |
US10377397B2 (en) | Detection of anomalies in rail wheelsets | |
CN110987348B (zh) | 基于弓网动态响应的接触网硬点确定方法及装置 | |
US20040261533A1 (en) | Rail and train monitoring system and method | |
CN105806604A (zh) | 一种机车车辆走行部轴承保持架故障预报警方法 | |
JP2007256153A (ja) | 鉄道車両台車異常検知システム | |
Ye et al. | Shock detection of rotating machinery based on activated time-domain images and deep learning: An application to railway wheel flat detection | |
CN109059839B (zh) | 一种车轮踏面失圆故障的诊断方法、装置及系统 | |
Balouchi et al. | Development of railway track condition monitoring from multi-train in-service vehicles | |
Liu et al. | An indirect method for rail corrugation measurement based on numerical models and wavelet packet decomposition | |
Liu et al. | Ensemble EMD-based automatic extraction of the catenary structure wavelength from the pantograph–catenary contact force | |
Mo et al. | Conditional empirical wavelet transform with modified ratio of cyclic content for bearing fault diagnosis | |
CN111055881A (zh) | 一种基于噪声信号的轮轨界面损伤演变监测方法 | |
Wei et al. | Carriage interior noise-based inspection for rail corrugation on high-speed railway track | |
Liu et al. | A rolling bearing fault diagnosis-optimized scale-space representation for the empirical wavelet transform | |
Komorski et al. | Advanced acoustic signal analysis used for wheel-flat detection | |
CN107782548B (zh) | 一种基于对轨道交通工具零部件检测系统 | |
GB2383635A (en) | Chromatic analysis of measured acoustic signals from a system | |
Men et al. | Health assessment of high-speed train wheels based on group-profile data | |
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 | |
JP2020008364A (ja) | 車輪偏摩耗判定方法および判定プログラム | |
Kojima et al. | Fault detection of railway track by multi-resolution analysis | |
CN110740920B (zh) | 脱轨预兆检测系统、控制装置、脱轨预兆检测方法以及存储脱轨预兆检测程序的计算机能读取的介质 | |
Joshuva et al. | A machine learning approach for vibration signal based fault classification on hydraulic braking system through c4. 5 decision tree classifier and logistic model tree classifier | |
CN114580460A (zh) | 基于形态学滤波和hht变换的铁道车辆轮轨故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |