CN114802343B - 一种钢轨伤损监测方法及系统 - Google Patents
一种钢轨伤损监测方法及系统 Download PDFInfo
- Publication number
- CN114802343B CN114802343B CN202210283856.9A CN202210283856A CN114802343B CN 114802343 B CN114802343 B CN 114802343B CN 202210283856 A CN202210283856 A CN 202210283856A CN 114802343 B CN114802343 B CN 114802343B
- Authority
- CN
- China
- Prior art keywords
- signal
- rail
- inherent
- component
- signals
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000006378 damage Effects 0.000 title claims abstract description 60
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 34
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 29
- 239000010959 steel Substances 0.000 claims abstract description 29
- 230000005484 gravity Effects 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 description 14
- 238000001514 detection method Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- ULFUJLFTRWWLPO-UHFFFAOYSA-N ethyl 2,7,7-trimethyl-5-oxo-4-(4-phenylphenyl)-1,4,6,8-tetrahydroquinoline-3-carboxylate Chemical compound CCOC(=O)C1=C(C)NC(CC(C)(C)CC2=O)=C2C1C(C=C1)=CC=C1C1=CC=CC=C1 ULFUJLFTRWWLPO-UHFFFAOYSA-N 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- B61K9/08—Measuring installations for surveying permanent way
- B61K9/10—Measuring installations for surveying permanent way for detecting cracks in rails or welds thereof
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0234—Metals, e.g. steel
Landscapes
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Mechanical Engineering (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种钢轨伤损监测方法及系统,所述方法包括监听钢轨信号并存储信号数据;利用固有时间尺度分解对信号数据进行分解,信号被分解为不同阶数的固有旋转分量和一个单调的趋势分量;使用前几阶频带能量比达到80%以上的固有旋转分量进行信号的重构,以消除钢轨上的干扰噪声;对重构后的信号进行特征的提取,根据提取到的特征数据进行钢轨伤损的判断。本发明提出的方法及系统可实时监测列车过车,并检测实际过车中产生的裂纹扩展信号,首次将固有时间尺度分解方法用于铁路噪声环境中,对钢轨伤损进行监测。
Description
技术领域
本发明属于钢轨伤损监测技术领域,尤其涉及一种道岔钢轨伤损监测方法及系统。
背景技术
道岔在铁路系统中具有举足轻重的地位,是列车进行变轨时的重要依托,使列车从一条线路变换至另一条线路。道岔中的尖轨属于可动部件和异形结构,由于缺少扣件按压而处于自由状态、并且承受列车强大冲击,极易导致列车发生脱轨事故。为保证列车更加安全的行驶,对尖轨缺陷检测尤为重要。
目前仅靠天窗点时间,工务使用探伤设备对道岔尖心轨进行裂纹、裂缝的检测,随着铁路的大面积铺设以及人员的缩编,对道岔尖心轨健康状态的监测越发迫切,急需一种可靠技术来实现道岔尖轨早期裂纹裂缝检测的技术。基于声学的检测方式可分为超声导波以及声发射技术。超声导波的钢轨缺陷检测方法是在钢轨一端布置换能器,换能器与钢轨耦合产生导波,导波在传播过程中遇到缺陷会发生反射,通过提取反射回波的方式对钢轨进行缺陷检测。该方法在实施过程中的问题包括:换能器需要激励出较少以及对缺陷敏感的模态,才能提取出缺陷信号,而道岔尖轨为异形结构,其截面一直发生变化,相比管道、平板等对称结构来说较为复杂,导致其模态数众多,实际上很难激励出理想的模态;其次特定模态只对特定缺陷敏感,导致钢轨断裂的缺陷可能从轨底、踏面等多处萌生,很难使用同一个激励完成对钢轨多个缺陷的检测;只能判断有截面损失的缺陷,但实际中钢轨断裂前不一定会出现明显的截面损失,因此容易出现漏检与误检等问题。声发射可以捕捉到伤损在过车时受应力而在过车时检测正在发生裂纹扩展的伤损,不同于超声导波,声发射对缺陷产生的位置、尺寸、大小并没有明确的要求,理论上可以检测不同位置、不同形状的缺陷,较为适合钢轨裂纹的早期在线监测。但是声发射很容易受过车的噪声干扰,甚至会被过车噪声完全淹没,导致有效缺陷无法识别,因此对信号进行去噪以及特征提取是主要问题。现有解决办法提出了各种不同形式的信号去噪与特征提取办法,涉及大量矩阵运算,由于声发射信号频率高,需使用较高的采样率,导致设备的运算力增大,耗时长,很难满足实际轨旁应用低功耗的需求;基于小波变换的降噪方法虽然可以在时间和频率两个领域表征信号的局部特征,但选择一个合适的小波基函数是小波分析面临的一个难题,且伤损信号基本都在过车时扩展产生,伴随强干扰后该方法会失效,在实际中无法使用。
发明内容
本发明提出了一种钢轨伤损监测方法及系统,可以实时监测列车过车,首次将固有时间尺度分解方法用于铁路噪声环境中,对钢轨伤损进行监测。
所述一种钢轨伤损监测方法包括:
监听钢轨信号并存储信号数据;
利用固有时间尺度分解对信号数据进行分解,信号被分解为不同阶数的固有旋转分量和一个单调的趋势分量;
使用前几阶频带能量比达到80%以上的固有旋转分量进行信号的重构,以消除钢轨上的干扰噪声;
对重构后的信号进行特征的提取,根据提取到的特征数据进行钢轨伤损的判断。
所述钢轨上的干扰噪声为钢轨上过车时带来的大量低频干扰噪声。
所述监听钢轨信号是指持续监听钢轨上车辆通过时的振动信号;所述振动信号为50kHz以下能量信号。
所述利用固有时间尺度分解对信号数据进行分解,信号被分解为不同阶数的固有旋转分量和一个单调的趋势分量之前还包括:
对信号数据进行100kHz的高通滤波处理。
所述利用固有时间尺度分解对信号数据进行分解,信号被分解为不同阶数的固有旋转分量和一个单调的趋势分量,结果公式为式中,x(t)表示信号数据,ci(t)表式第i个固有旋转分量,r(t)表示单调趋势分量。
所述信号数据进行分解的过程包括:
定义一个基线提取因子L,利用该因子从信号数据x(t)中抽取一个基线分量和一个固有旋转分量;
分离出第一个固有旋转分量后,将基线分量作为新的待分解信号,进行再次分解,直至基线分量成为单调函数。
定义一个基线提取因子L,利用该因子从信号数据x(t)中抽取一个基线分量和一个固有旋转分量,公式为x(t)=Lx(t)+(1-L)x(t)=Lt+Ht;式中,Lt是一次分解得到的基线信号,Ht为固有旋转分量。
找到信号数据x(t)的局部极值点Xk以及极值点所对应的时间tk(k=1,2,…M),其中M为极值总个数;
根据连续两个局部极值点的时间间隔[tk,tk+1]以定义基线信号Lt的公式为所述/>其中Lk为第k个基线控制点,Lk+1为第k+1个基线控制点,α为增益控制参数。
分解结束后,计算前几个固有旋转分量ci(t)的能量占比,选取能量占比大于80%的分量进行信号重构。
对重构后的信号进行特征的提取,根据提取到的特征数据进行钢轨伤损的判断包括:
计算分解重构后的信号的排列熵和信号重心频率特征;
将排列熵特征和重心频率特征与阈值进行比较,当两个特征同时满足阈值条件时,判断钢轨存在伤损。
对重构后的信号进行相空间重构,得到空间重构向量;
对重构向量进行升序排序,计算出相对频率,求得信息熵即排列熵。
所述对重构后的信号进行相空间重构,得到一个空间重构向量包括:
对长度为N的重构信号进行相空间重构,得到空间重构向量其中D为重构矩阵维度,m为嵌入维数,τ为延迟时间,所述D=N-(m-1)τ。
对重构向量T中的所有行向量元素从小到大排列,在重构向量的每一行中得到反映元素值的符号序列。
根据所述元素值符号序列以计算符号序列中元素的概率,根据所述概率值计算出所述排列熵为其中pj为元素的概率值。
所述计算分解重构后的信号重心频率特征包括:
对重构后的信号数据进行加窗处理;
对加窗处理后的重构信号进行离散傅里叶变换;
根据离散傅里叶变换后的数据以计算重构信号的重心频率。
所述加窗处理中选取汉宁窗进行加窗处理;
所述傅里叶变换过程表示为傅里叶变换每点的频率信息表示为/>其中Fs为采样频率,N为序列长度。
所述信号重心频率的计算过程为
本发明还提出了一种钢轨伤损监测系统,所述系统包括:
监听模块,用于监听钢轨振动信号;
存储模块,所述存储模块与监听模块连接,用于存储监听模块传输的信号数据;
信号重构模块,所述信号重构模块利用固有时间尺度分解对存储模块上存储的信号数据进行分解为不同阶数的固有旋转分量和一个单调的趋势分量,使用前几阶频带能量比达到80%以上的固有旋转分量进行信号的重构,以消除钢轨上的干扰噪声;
特征提取模块,所述特征提取模块用于对重构后的信号进行特征的提取;
伤损判断模块,所述伤损判断模块用于根据提取到的特征数据进行钢轨伤损的判断。
所述特征提取模块包括排列熵计算模块和重心频率特征计算模块;
所述排列熵计算模块和重心频率特征计算模块用于根据重构后的信号数据以计算信号的排列熵和信号的重心频率特征。
与现有技术相比,本发明所保护的技术方案具有如下优点:
本发明提出的钢轨伤损监测方法及系统可实时监测列车过车,并检测实际过车中产生的裂纹扩展信号,首次将固有时间尺度分解方法用于铁路噪声环境中,将非平稳、随机的过车噪声以及伤损信号分解为若干稳定信号,从而分离环境噪声与伤损信号,再提取分解后表征伤损信号的特征,与阈值进行对比,对钢轨伤损信息进行监测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的钢轨伤损监测方法的第一个流程图。
图2为本发明实施例的钢轨伤损监测方法的第二个流程图。
图3为本发明实施例的钢轨伤损检测系统连接图。
图4为本发明实施例的钢轨伤损信号与过车噪声的时频图。
图5为本发明实施例的过车噪声与特征值混合比较图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整地说明,显然,所描述的实施例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。
本发明提出了一种钢轨伤损监测方法,如图1所示为本发明的钢轨伤损监测方法的第一个流程图,所述方法包括:监听钢轨信号并存储信号数据;利用固有时间尺度分解对信号数据进行分解,信号被分解为不同阶数的固有旋转分量和一个单调的趋势分量;使用前几阶频带能量比达到80%以上的固有旋转分量进行信号的重构,以消除钢轨上的干扰噪声;对重构后的信号进行特征的提取,根据提取到的特征数据进行钢轨伤损的判断。
所述钢轨上的干扰噪声为钢轨上过车时带来的大量低频干扰噪声。所述监听钢轨信号是指持续监听钢轨上车辆通过时的振动信号;所述振动信号为50kHz以下能量信号。所述利用固有时间尺度分解对信号数据进行分解,信号被分解为不同阶数的固有旋转分量和一个单调的趋势分量之前还包括:对信号数据进行100kHz的高通滤波处理。
对重构后的信号进行特征的提取包括计算分解重构后的信号的排列熵、计算分解重构后的信号重心频率特征。根据提取到的特征数据进行钢轨伤损的判断包括将排列熵和重心频率特征与阈值进行比较,当两个特征同时满足阈值条件时,判断该数据存在伤损信号,重复进行信号的重构、特征的提取和钢轨伤损的判断,以统计钢轨伤损信号个数。
进一步,如图2所示为本发明的钢轨伤损监测方法的第二个流程图,可以看到,钢轨伤损监测方法分为过车判断、信号预处理和伤损判断。
其中过车判断包括监听钢轨振动信号、过车判断和信号存储。在系统上电后,开始初始化,初始为未过车状态,这时不启动数据存储。发射传感器使用夹具固定在钢轨上,持续监听轨上振动信号,每秒取N点进行傅里叶变换,求50kHz以下能量进行过车判断,当50kHz以下能量超过阈值时,判断此时正在过车,此时启动信号存储功能,同将采集的声发射信号传至轨旁设备中进行后续伤损分析;直到过车结束,终止存储信号数据。
所述信号预处理包括高通滤波、固有时间尺度分解(ITD分解)、信号重构、计算信号的排列熵和重心频率特征和阈值判断。
获得存储的信号数据后,将存储的数据按照每8192点分为一帧处理,对一帧数据进行100kHz高通滤波后,使用固有时间尺度分解(ITD分解)进行分解,得到不同阶数的固有旋转分量,使用前几阶频带能量比达到80%以上的固有旋转分量进行重构信号,最大程度排除过车时带来的大量低频干扰噪声;所述利用固有时间尺度分解对信号数据进行分解,信号被分解为不同阶数的固有旋转分量和一个单调的趋势分量,结果公式为式中,x(t)表示信号数据,ci(t)表式第i个固有旋转分量,r(t)表示单调趋势分量。
所述ITD分解和信号重构包括定义一个基线提取因子L,利用该因子从信号数据x(t)中抽取一个基线分量和一个固有旋转分量;分离出第一个固有旋转分量后,将基线分量作为新的待分解信号,进行再次分解,直至基线分量成为单调函数。分解结束后,计算前几个固有旋转分量ci(t)的能量占比,选取能量占比大于80%的分量进行信号重构。具体过程为先定义一个基线提取因子L,利用该因子从信号数据x(t)中抽取一个基线分量和一个固有旋转分量,公式为x(t)=Lx(t)+(1-L)x(t)=Lt+Ht;式中,Lt是一次分解得到的基线信号,Ht为固有旋转分量。其中,找到信号数据x(t)的局部极值点Xk以及极值点所对应的时间tk(k=1,2,…M),所述M为极值总个数;根据连续两个局部极值点的时间间隔[tk,tk+1]以定义基线信号Lt的公式为所述/>所述Lk为第k个基线控制点,Lk+1为第k+1个基线控制点,α为增益控制参数,α一般取值0.5。分离出第一个固有旋转分量后,将基线信号作为新的待分解信号,重复上述步骤,直至基线信号成为单调函数,分解结束。图2中的ITD1、ITD2、ITD3、ITDn分别为经过ITD分解后能量占比大于80%的固有旋转分量。
在信号重构后,分别计算信号排列熵和信号重心频率特征。
所述信号排列熵的计算包括将长度为N点看做一个序列,设置嵌入维数m以及延迟时间τ,得到一个空间重构向量,对重构向量进行升序排序,并对序列中排列情况出现的次数进行统计,计算出相对频率,进而求得信息熵即排列熵。所述N为数据长度。计算排列熵时需要设置两个参数,一个是嵌入维数m,一个是延迟时间τ。通过这两个参数,将一个长度为N点的序列,转换为一个二维矩阵,此矩阵共D行,m列。具体为,对重构后的信号进行相空间重构,得到空间重构向量;对重构向量进行升序排序,计算出相对频率,求得信息熵即排列熵。所述对重构后的信号进行相空间重构,得到一个空间重构向量包括:对长度为N的重构信号进行相空间重构,得到空间重构向量其中D为重构矩阵维度,m为嵌入维数,τ为延迟时间,所述D=N-(m-1)τ。对重构向量T中的所有行向量元素从小到大排列,在重构向量的每一行中得到反映元素值的符号序列;即将矩阵T中所有行向量元素从小到大排列,第i行可表示为/>对重构空间的每一行,可以得到反映其元素值的符号序列S=[j1,j2,...,jm]。根据所述元素值符号序列以计算符号序列中元素的概率,根据所述概率值计算出所述排列熵为/>其中pj为元素的概率值。
下面以一个具体的实例来说明排列熵的计算过程。若取m=4,τ=10,D=8162,此时重构向量T可表示为假设序列X共有21个元素,即N=20,各元素分别为X=[4 1 4 3 6 4 1 7 4 12 32 21 12 11 9 19 2 16 7 20 19];取m=4,τ=5,则D=6,根据上述,重构向量T(D行m列)可表示为/>将X中个元素代入重构向量T中可得/>对T每一行向量元素从小到大排列,例如第一行元素4、4、32、19,每个元素位置为1、2、3、4,重新排列后,元素变为4、4、19、32,第3/4进行了交换,此时元素位置变为[1 2 4 3],对每行都进行重新排列后,每行的位置信息矩阵则为/>重新排列后无需关注信号本身的大小,只需关注位置信息T’,每行共有4个元素,重新排列后的位置信息共有24种(4!,因此一般为计算简单,m取值不超过5,一般取4).统计这6行元素位置信息分别处于24种中的哪一种,并累加,得到结果如下:
位置 | 1234 | 1243 | 1324 | 1342 | 1423 | 1432 | 2…(共6种) | 3…(共6种) | 4…(共6种) |
统计 | 1 | 3 | 1 | 0 | 1 | 0 | 0 | 0 | 0 |
概率 | 1/6 | 3/6 | 1/6 | 0 | 1/6 | 0 | 0 | 0 | 0 |
根据所有的非0概率计算排列熵H=-[1/6*ln(1/6)+3/6*ln(3/6)+1/6*ln(1/6)]=0.9439。
所述信号重心频率特征的计算包括对重构后的信号数据进行加窗处理;对加窗处理后的重构信号进行离散傅里叶变换;根据离散傅里叶变换后的数据以计算重构信号的重心频率。具体为,为了消除信号的频率泄漏,将重构后信号序列进行加窗处理,选取汉宁窗的表达式为 对加窗后的重构信号进行离散傅里叶变换/>傅里叶变换每点的频率信息表示为/>其中Fs为采样频率,N为序列长度。进而计算所述信号重心频率为/>
在计算信号排列熵和信号中心频率特征后,将计算的结果与阈值进行比较,当两个特征同时满足阈值条件时,判断该数据存在伤损信号,这里的阈值以实验室数据为基础确定。重复信号的预处理以统计过车检出的伤损信号个数。
本专利实施例还提出了一种钢轨伤损监测系统,如图3所示,所述系统包括监听模块,用于监听钢轨振动信号;存储模块,所述存储模块与监听模块连接,用于存储监听模块传输的信号数据;信号重构模块,所述信号重构模块利用固有时间尺度分解对存储模块上存储的信号数据进行分解为不同阶数的固有旋转分量和一个单调的趋势分量,使用前几阶频带能量比达到80%以上的固有旋转分量进行信号的重构,以消除钢轨上的干扰噪声;特征提取模块,所述特征提取模块用于对重构后的信号进行特征的提取;伤损判断模块,所述伤损判断模块用于根据提取到的特征数据进行钢轨伤损的判断。
进一步,所述特征提取模块包括排列熵计算模块和重心频率特征计算模块;所述排列熵计算模块和重心频率特征计算模块用于根据重构后的信号数据以计算信号的排列熵和信号的重心频率特征。
其中,所述监听模块包括发射传感器,使用夹具固定在钢轨上,持续监听轨上振动信号;所述存储模块包括钢轨旁的存储设备,以实时存储信号数据。
本发明中首次将固有时间尺度分解用于铁路噪声环境中,可以较好的将伤损信号与过车噪声分开,为后续找伤损特征提供很大便利;使得该套算法可以嵌入轨旁设备中运行,无需消耗过多的硬件资源。本发明中提取伤损信号的特征时,通过比较了多种特征后选择使用了排列熵以及重心频率,这两个可以较好的区分伤损信号以及过车信号。
为验证强噪声干扰下算法的有效性,使用某重载线路实际火车行驶数据作为真实环境噪声,使用与钢轨相同材质的试样进行压力实验来获得实际的伤损信号,模拟伤损与实际的钢轨裂纹具有相似特性,保证了所提监测方法是有效的。伤损信号以及过车噪声时频图如图4所示,较宽幅值的为过车信号,较窄幅值的为实际伤损信号,采样率Fs=1.25MHz。
对上述图4中信号进行分帧处理,每一帧数据N=8192,共有70个样本点,对这70个样本的过车噪声以及混合有伤损信号的过车噪声进行高通滤波,ITD分解后分别计算排列熵以及中心频率特征值,如图5所示。圆形连线样本为纯过车噪声,星形连线样本为混合后过车噪声。可见基于排列熵以及重心频率这两个特征可以将伤损信号从混合信号中区分。
目前基于声发射的钢轨缺陷检测方法是在钢轨所需监测的位置布置传感器,监听钢轨上的振动信号,当判断钢轨过车时分析此时过车信号是否存在钢轨伤损信号。该方法可以检测到很早期的裂纹扩展。但由于伤损信号比较微弱,会被过车背景噪声完全淹没。对信号进行去噪以及如何从较强的过车信号中找到表征声发射信号的特征成为研究重难点。
针对伤损信号容易被污染的问题,现有解决办法提出了各种不同形式的信号去噪与特征提取办法,涉及大量矩阵运算,由于声发射信号频率高,需使用较高的采样率,导致设备的运算力增大,耗时长,很难满足实际轨旁应用低功耗的需求,基于小波变换的降噪方法虽然可以在时间和频率两个领域表征信号的局部特征,但选择一个合适的小波基函数是小波分析面临的一个难题。
从上述说明可以看到,本发明根据现场实际需求,使用固有时间尺度分解的信号处理方法,将接收到的过车信号分解成一组固有旋转分量和一个基线分量,算法本身没有耗时的插值和筛选过程,分解效率高,分解后再使用表征声发射信息的排列熵以及重心频率两个特征对去噪后的信号进行特征提取,得到钢轨是否有伤损的信息。该信号提取算法可以满足轨旁设备对硬件的要求,同时根据采集的数据得到排列熵以及重心频率可将声发射伤损信息从过车信号中分离出来,满足伤损信号监测的要求。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员应该理解,可在不脱离本发明的范围和精神的情况下,对以上实施例所记载的技术方案进行的修改或者对其中部分技术特征进行的等同替换,均在本发明的保护范围内。
Claims (17)
1.一种钢轨伤损监测方法,其特征在于,所述方法包括:
监听钢轨信号并存储信号数据;
利用固有时间尺度分解对信号数据进行分解,信号被分解为不同阶数的固有旋转分量和一个单调的趋势分量;
使用前几阶频带能量比达到80%以上的固有旋转分量进行信号的重构,以消除钢轨上的干扰噪声;
对重构后的信号进行特征的提取,根据提取到的特征数据进行钢轨伤损的判断;
所述对重构后的信号进行特征的提取包括计算分解重构后的信号的排列熵和信号重心频率特征;
根据提取到的特征数据进行钢轨伤损的判断包括将排列熵特征和信号重心频率特征与阈值进行比较,当两个特征同时满足阈值条件时,判断钢轨存在伤损。
2.根据权利要求1所述的方法,其特征在于,所述钢轨上的干扰噪声为钢轨上过车时带来的大量低频干扰噪声。
3.根据权利要求1所述的方法,其特征在于,所述监听钢轨信号是指持续监听钢轨上车辆通过时的振动信号;所述振动信号为50kHz以下能量信号。
4.根据权利要求1所述的方法,其特征在于,所述利用固有时间尺度分解对信号数据进行分解,信号被分解为不同阶数的固有旋转分量和一个单调的趋势分量之前还包括:
对信号数据进行100kHz的高通滤波处理。
5.根据权利要求1所述的方法,其特征在于,所述利用固有时间尺度分解对信号数据进行分解,信号被分解为不同阶数的固有旋转分量和一个单调的趋势分量,结果公式为式中,x(t)表示信号数据,ci(t)表式第i个固有旋转分量,r(t)表示单调趋势分量。
6.根据权利要求5所述的方法,其特征在于,所述信号数据进行分解的过程包括:
定义一个基线提取因子L,利用该因子从信号数据x(t)中抽取一个基线分量和一个固有旋转分量;
分离出第一个固有旋转分量后,将基线分量作为新的待分解信号,进行再次分解,直至基线分量成为单调函数。
7.根据权利要求6所述的方法,其特征在于,定义一个基线提取因子L,利用该因子从信号数据x(t)中抽取一个基线分量和一个固有旋转分量,公式为x(t)=Lx(t)+(1-L)x(t)=Lt+Ht;式中,Lt是一次分解得到的基线信号,Ht为固有旋转分量。
8.根据权利要求7所述的方法,其特征在于:
找到信号数据x(t)的局部极值点Xk以及极值点所对应的时间tk(k=1,2,…M),其中M为极值总个数;
根据连续两个局部极值点的时间间隔[tk,tk+1]以定义基线信号Lt的公式为所述/>其中Lk为第k个基线控制点,Lk+1为第k+1个基线控制点,α为增益控制参数。
9.根据权利要求6所述的方法,其特征在于,分解结束后,计算前几个固有旋转分量ci(t)的能量占比,选取能量占比大于80%的分量进行信号重构。
10.根据权利要求1所述的方法,其特征在于:
对重构后的信号进行相空间重构,得到空间重构向量;
对重构向量进行升序排序,计算出相对频率,求得信息熵即排列熵。
11.根据权利要求10所述的方法,其特征在于,所述对重构后的信号进行相空间重构,得到一个空间重构向量包括:
对长度为N的重构信号进行相空间重构,得到空间重构向量其中D为重构矩阵维度,m为嵌入维数,τ为延迟时间,所述D=N-(m-1)τ。
12.根据权利要求11所述的方法,其特征在于:
对重构向量T中的所有行向量元素从小到大排列,在重构向量的每一行中得到反映元素值的符号序列。
13.根据权利要求12所述的方法,其特征在于,根据所述元素值符号序列以计算符号序列中元素的概率,根据所述概率值计算出所述排列熵为其中pj为元素的概率值,L为元素值符号序列中元素的个数。
14.根据权利要求1所述的方法,其特征在于,所述计算分解重构后的信号重心频率特征包括:
对重构后的信号数据进行加窗处理;
对加窗处理后的重构信号进行离散傅里叶变换;
根据离散傅里叶变换后的数据以计算重构信号的重心频率。
15.根据权利要求14所述的方法,其特征在于:
所述加窗处理中选取汉宁窗进行加窗处理;
所述傅里叶变换过程表示为傅里叶变换每点的频率信息表示为其中Fs为采样频率,N为序列长度,x(n)为加窗处理后的重构信号。
16.根据权利要求15所述的方法,其特征在于,所述信号重心频率的计算过程为其中fi为傅里叶变换每点的频率信息,Yi为对加窗处理后的重构信号进行离散傅里叶变换的结果。
17.一种钢轨伤损监测系统,其特征在于,所述系统包括:
监听模块,用于监听钢轨振动信号;
存储模块,所述存储模块与监听模块连接,用于存储监听模块传输的信号数据;
信号重构模块,所述信号重构模块利用固有时间尺度分解对存储模块上存储的信号数据进行分解为不同阶数的固有旋转分量和一个单调的趋势分量,使用前几阶频带能量比达到80%以上的固有旋转分量进行信号的重构,以消除钢轨上的干扰噪声;
特征提取模块,所述特征提取模块用于对重构后的信号进行特征的提取,包括排列熵计算模块和重心频率特征计算模块;所述排列熵计算模块和重心频率特征计算模块用于根据重构后的信号数据以计算信号的排列熵和信号的重心频率特征;
伤损判断模块,所述伤损判断模块用于根据提取到的特征数据进行钢轨伤损的判断,包括将排列熵特征和信号重心频率特征与阈值进行比较,当两个特征同时满足阈值条件时,判断钢轨存在伤损。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210283856.9A CN114802343B (zh) | 2022-03-21 | 2022-03-21 | 一种钢轨伤损监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210283856.9A CN114802343B (zh) | 2022-03-21 | 2022-03-21 | 一种钢轨伤损监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114802343A CN114802343A (zh) | 2022-07-29 |
CN114802343B true CN114802343B (zh) | 2024-01-19 |
Family
ID=82531189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210283856.9A Active CN114802343B (zh) | 2022-03-21 | 2022-03-21 | 一种钢轨伤损监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114802343B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116039713B (zh) * | 2022-12-30 | 2023-08-01 | 合肥德泰科通测控技术有限公司 | 一种钢轨智能伤损识别管理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106645424A (zh) * | 2016-12-09 | 2017-05-10 | 四川西南交大铁路发展股份有限公司 | 一种钢轨裂纹在线监测噪声滤除和裂纹判定方法及其系统 |
CN107657242A (zh) * | 2017-10-10 | 2018-02-02 | 湖南师范大学 | 一种大地电磁信噪辨识及分离方法 |
CN107894552A (zh) * | 2017-10-31 | 2018-04-10 | 国网湖南省电力公司 | 一种故障行波检测方法 |
CN108509850A (zh) * | 2018-02-24 | 2018-09-07 | 华南理工大学 | 一种基于分布式光纤系统的入侵信号识别算法 |
CN109682600A (zh) * | 2018-09-14 | 2019-04-26 | 温州大学 | 一种用于发动机主轴轴承故障诊断的改进变分模态分解诊断方法 |
-
2022
- 2022-03-21 CN CN202210283856.9A patent/CN114802343B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106645424A (zh) * | 2016-12-09 | 2017-05-10 | 四川西南交大铁路发展股份有限公司 | 一种钢轨裂纹在线监测噪声滤除和裂纹判定方法及其系统 |
CN107657242A (zh) * | 2017-10-10 | 2018-02-02 | 湖南师范大学 | 一种大地电磁信噪辨识及分离方法 |
CN107894552A (zh) * | 2017-10-31 | 2018-04-10 | 国网湖南省电力公司 | 一种故障行波检测方法 |
CN108509850A (zh) * | 2018-02-24 | 2018-09-07 | 华南理工大学 | 一种基于分布式光纤系统的入侵信号识别算法 |
CN109682600A (zh) * | 2018-09-14 | 2019-04-26 | 温州大学 | 一种用于发动机主轴轴承故障诊断的改进变分模态分解诊断方法 |
Non-Patent Citations (2)
Title |
---|
刘超 ; 马振书 ; 孙华刚 ; 刘志川 ; .基于ITD与SSA的传动箱信号降噪及微弱特征提取.装甲兵工程学院学报.2014,(05),第671-676页. * |
基于ITD与SSA的传动箱信号降噪及微弱特征提取;刘超;马振书;孙华刚;刘志川;;装甲兵工程学院学报(05);第671-676页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114802343A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101900708B (zh) | 一种基于振动和声频信号的高速列车轨道伤损探测方法 | |
Bianchi et al. | Wavelet packet transform for detection of single events in acoustic emission signals | |
CN102636577B (zh) | 一种基于小波变换提取轮辋超声波探伤信号的方法 | |
CN106441893B (zh) | 火车滚动轴承故障与杂质振动区分方法 | |
CN110879254B (zh) | 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法 | |
CN110967409A (zh) | 一种基于多通道超声波探伤原始数据特征提取与识别方法 | |
CN105094111B (zh) | 基于联合降噪和经验模态分解的控制系统健康状态分析方法 | |
CN106645424B (zh) | 一种钢轨裂纹在线监测噪声滤除和裂纹判定方法 | |
CN106198062A (zh) | 轨道交通工具故障车载声学检测系统及检测方法 | |
Alsalah et al. | Identification of wave impacts and separation of responses using EMD | |
CN114802343B (zh) | 一种钢轨伤损监测方法及系统 | |
CN115758289B (zh) | 一种基于多任务学习神经网络的钢轨波磨识别方法 | |
Zhou et al. | A new method to classify railway vehicle axle fatigue crack AE signal | |
CN105510438A (zh) | 基于运营车辆的钢轨核伤检测系统及方法 | |
CN106501372A (zh) | 基于小波包分析道岔裂纹的监测定位方法 | |
CN103472141A (zh) | 一种用于识别振动声调制机理的信号解调方法 | |
CN113533510B (zh) | 一种钢轨疲劳微裂纹识别方法及装置 | |
Chen et al. | Fusion Fault Diagnosis Approach to Rolling Bearing with Vibrational and Acoustic Emission Signals. | |
Wang et al. | De-noising of wayside acoustic signal from train bearings based on variable digital filtering | |
CN107782548B (zh) | 一种基于对轨道交通工具零部件检测系统 | |
CN114330096A (zh) | 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法 | |
Yu et al. | Sparse time–frequency representation for the transient signal based on low-rank and sparse decomposition | |
CN108205016A (zh) | 声发射塔吊安全检测的工控机系统 | |
CN112986388B (zh) | 一种基于宽频激励的道岔尖轨缺陷检测方法及系统 | |
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 |