CN115526218A - 一种列车轮对踏面形貌在线监测方法及系统 - Google Patents

一种列车轮对踏面形貌在线监测方法及系统 Download PDF

Info

Publication number
CN115526218A
CN115526218A CN202211502765.6A CN202211502765A CN115526218A CN 115526218 A CN115526218 A CN 115526218A CN 202211502765 A CN202211502765 A CN 202211502765A CN 115526218 A CN115526218 A CN 115526218A
Authority
CN
China
Prior art keywords
displacement
signal
vibration acceleration
acceleration signal
wheel set
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
CN202211502765.6A
Other languages
English (en)
Other versions
CN115526218B (zh
Inventor
吴杰
杜凯峰
陆伟
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.)
Controlway Industrial Automation Systems Suzhou Co Ltd
Original Assignee
Controlway Industrial Automation Systems Suzhou 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 Controlway Industrial Automation Systems Suzhou Co Ltd filed Critical Controlway Industrial Automation Systems Suzhou Co Ltd
Priority to CN202211502765.6A priority Critical patent/CN115526218B/zh
Publication of CN115526218A publication Critical patent/CN115526218A/zh
Application granted granted Critical
Publication of CN115526218B publication Critical patent/CN115526218B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种列车轮对踏面形貌在线监测方法及系统，该列车轮对踏面形貌在线监测方法可实时检测车轴偏心位移信号、轴箱振动信号和齿轮箱振动信号，并将振动信号进行数据转换，转换为对应在同一时间轴上的位移信号，最后通过神经网络模型进行深度学习，通过阈值比对识别轮对的形貌缺陷。该列车轮对踏面形貌在线监测方法稳定性高、易操作，实现了列车轮对踏面形貌实时在线采集，能实现信号的高采样率和高同步性，确保采样的准确性和实效性，可持续长距离跟踪轮对踏面形貌的变化，排除潜在故障，为城轨列车安全运行提供保障。

Description

一种列车轮对踏面形貌在线监测方法及系统
技术领域
本发明涉及列车安全监测技术领域，特别涉及一种用于列车轮对踏面形貌进行在线检测方法及系统。
背景技术
轮对踏面是指列车车轮与钢轨顶面的接触部分，轮对踏面的形貌（也就是轨道车辆轮对踏面轮廓的几何廓形）是影响轨道车辆高速运行的重要因素。轨道车辆轮对踏面在长期运行的情况下，由于长时间磨损会导致车轮轮廓形变，有可能会影响车辆的安全稳定运行。因此轮对踏面的形貌会对行车稳定性、安全性以及车辆轨道系统各个部件的使用寿命产生严重影响，而高速列车对运行的平稳性和安全性有更高的要求，如果轮对踏面形貌缺陷不能及时发现，将会继续发展成为行车安全的极大隐患，因此，对轮对踏面形貌的监测势在必行。
轮对踏面的监测方法主要分为静态监测和动态监测。静态监测需要在列车停止或车轮拆卸的情况下进行，不仅占用列车的周转时间，且速度慢，不准确，检修人员劳动强度大。现有动态监测主要是在车辆段入口处布置高清相机通过图像测量技术来实现对轮对进行检测，如中国发明专利（专利号：CN200910157964.6）公开了一种铁路车轮踏面擦伤图像动态探测装置，包括设置复数个内置摄像机的擦伤探测摄像机箱，利用车轮定位系统，图像采集系统，控制电路，通过工控机对固定设置的摄像机拍摄的轮对图像对轮对安全状态进行探测，该装置可用于铁路同行车辆的轮对检测、动车组入库时的轮对检测和机车入库时的轮对检测，能够动态测量正常运行列车轮对踏面的故障状态，包括擦伤、剥离、碾堆等车轮故障。
但这种动态监测多为慢速通过式轮对检测，而且需要在检测地点设置专用的图像采集系统，对监测时的环境光学也有较高的要求，无法对城轨列车轮对踏面形貌进行实时在线监测，特别是高速行驶的列车，而很多轮对踏面形貌出现异常往往是在高速行驶的状况下出现的，现有的轮对踏面形貌的监测方法均不能及时发现并反馈轮对踏面形貌信息。
发明内容
为克服上述现有技术中的不足，本发明的目的在于开发一种能够实时对轮对踏面进行监测的方法。
一种列车轮对踏面形貌在线监测方法，其包括如下步骤：
步骤1：在列车车轮的车轴上设置两个位移传感器，两个位移传感器呈90°间隔设置在所述车轴外周面上，所述位移传感器用于检测车轴偏心位移信号s；
步骤2：在列车的轴箱、齿轮箱上设置振动检测传感器，检测轴箱振动加速度信号y(t)和齿轮箱振动加速度信号z(t)；
步骤3：对轴箱振动加速度信号y(t)和齿轮箱振动加速度信号z(t)进行数据变换，将轴箱振动加速度信号y(t)转换为位移信号y，将齿轮箱振动加速度信号z(t)转换为位移信号z，并将位移信号s、y、z对应到同一时间轴上；
步骤4：建立神经网络模型，先通过准备好的训练样本对神经网络模型进行训练，再通过测试样本对神经网络模型进行测试；
步骤5：将位移信号s、y、z输入到训练好的神经网络模型中进行深度学习，通过神经网络模型分析位移信号s、y、z的时频特性和计算特征值；
步骤6：根据神经网络模型输出时频特性分析和特征值计算结果进行阈值判断，识别列车轮对踏面形貌缺陷。
优选的，在步骤3中对轴箱振动加速度信号y(t)、齿轮箱振动加速度信号z(t)进行数据变化具体算法为：
用x(t)代表y(t)、z(t)其中的一组信号，每组信号转换方式为：在时间T内采集N个时域信号x(t)，形成离散数据x(n)，将 x(n)经离散傅里叶变换后得到加速度信号频域信号X(k)，对加速度信号频域X(k)进行二次积分获得位移频域信号，二次积分计算公式为
Figure 317043DEST_PATH_IMAGE002
其中
Figure 234184DEST_PATH_IMAGE004
式中：fd和fu分别为下限截止频率和上限截止频率；X(k)为x(n)的傅里叶变换；△f为频率分辨率；H(k)为带通滤波器的频率响应函数；
最后将获得的频域信号y(r)通过傅里叶逆变换转换回到时域获得位移的时域信号。
优选的，在步骤3中进行数据变化之前先对采集到的对轴箱振动加速度信号y(t)、齿轮箱振动加速度信号z(t)进行滤波、调制解调。
本专利还公开一种能够实现上述列车轮对踏面形貌在线监测方法的检测系统，其包括：两个位移传感器，两个位移传感器沿车轴外周面呈90°间隔分布，所述位移传感器用于检测所述车轴偏心位移信号s；
轴箱振动检测传感器，所述轴箱振动检测传感器设置在列车的轴箱上，所述轴箱振动检测传感器用于检测所述轴箱的轴箱振动加速度信号y(t)；
齿轮箱振动检测传感器，所述齿轮箱振动检测传感器设置在列车的齿轮箱上，所述齿轮箱振动检测传感器用于检测所述齿轮箱的齿轮箱振动加速度信号z(t)；
数据转换模块，所述数据转换模块用于对轴箱振动加速度信号y(t)和齿轮箱振动加速度信号z(t)进行数据变换，将轴箱振动加速度信号y(t)转换为位移信号y、齿轮箱振动加速度信号z(t)转换为位移信号z，并将位移信号s、y、z对应到同一时间轴上；
神经网络模块，所述神经网络模块用于对位移信号s、y、z进行深度学习，通过神经网络模型分析位移信号s、y、z的时频特性和计算特征值；
阈值判断模块，所述阈值判断模块用于将神经网络模型输出时频特性分析和特征值计算结果进行阈值判断，并识别列车轮对踏面形貌缺陷。
上述技术方案具有如下有益效果：该列车轮对踏面形貌在线监测方法及系统在列车轮对的车轴上直接设置位移传感器，通过位移传感器在线检测轮对车轴的运动轨迹，同时在列车的轴箱及齿轮箱上设置振动检测传感器，通过振动检测传感器检测轴箱及齿轮箱的振动加速度，并通过数据变换的方式将振动加速度转换为位移量并与轮对的运动轨迹对应在同一时间轴上，并通过神经网络模型分析车轴、轴箱及齿轮箱位移的时频特性和计算特征值，并通过阈值判断识别列车轮对踏面形貌缺陷。该列车轮对踏面形貌在线监测方法稳定性高、易操作，实现了列车轮对踏面形貌实时在线采集，能实现信号的高采样率和高同步性，确保采样的准确性和实效性，可持续长距离跟踪轮对踏面形貌的变化，排除潜在故障，为城轨列车安全运行提供保障。
附图说明
图1为本发明实施例的系统结构框图。
图2为本发明实施例的流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。
如图1所示， 本专利公开了一种列车轮对踏面形貌在线监测系统，其主要包括两个位移传感器11、轴箱振动检测传感器12、齿轮箱振动检测传感器13、数据转换模块2、神经网络模块及阈值判断模块4。
两个位移传感器11沿90°间隔设置在车轴的外周面上，两个位移传感器用于检测车轴偏心位移信号s。两个位移传感器11呈90°分布，这样就通过位移传感器11能在线检测轮对车轴偏心位置在X轴方向与Y轴方向的坐标位置。轴箱振动检测传感器12设置在列车的轴箱上，轴箱振动检测传感器12用于检测所述轴箱的轴箱振动加速度信号y(t)。齿轮箱振动检测传感器13设置在列车的齿轮箱上，齿轮箱振动检测传感器13用于检测所述齿轮箱的齿轮箱振动加速度信号z(t)。
位移传感器11、轴箱振动检测传感器12、齿轮箱振动检测传感器13均与数据转换模块2连接，数据转换模块2用于对轴箱振动加速度信号y(t)和齿轮箱振动加速度信号z(t)进行数据变换，将轴箱振动加速度信号y(t)转换为位移信号y、将齿轮箱振动加速度信号z(t)转换为位移信号z，并将位移信号s、y、z对应到同一时间轴上。由于车轴与轮对为固定连接，因此车轴上的位移信号与轮对上的位移信号是相互对应的，通过采集车轴上的位移信号就可相应的判断出列出轮对的偏心位移。而将轴箱振动加速度信号y(t)和齿轮箱振动加速度信号z(t)转换为位移信号后对应到同一时间轴上，就可通过三组信号的相互对应判断列车轮对形貌缺陷的位置。
神经网络模块3用于将位移信号s、y、z输入到训练好的神经网络模型中进行深度学习，通过神经网络模型分析位移信号s、y、z的时频特性和计算特征值。神经网络模块3先通过已有的训练样本进行训练，并通过测试样本进行测试，对各种轮对形貌缺陷的时频特性和计算特征值的阈值进行计算。神经网络模型3与阈值判断模块4连接，阈值判断模块4用于将神经网络模型3输出时频特性分析和特征值计算结果进行阈值判断，并识别列车轮对踏面形貌缺陷。
如图2所示，上述列车轮对踏面形貌在线监测系统的检测方法具体包括如下步骤：首先通过设置在列车车轮的车轴上位移传感器检测车轴偏心位移信号s；同时通过设置在列车的轴箱、齿轮箱上设置振动检测传感器，检测轴箱振动加速度信号y(t)和齿轮箱振动加速度信号z(t)。然后对轴箱振动加速度信号y(t)和齿轮箱振动加速度信号z(t)进行数据变换，将轴箱振动加速度信号y(t)转换为位移信号y、将齿轮箱振动加速度信号z(t)转换为位移信号z，并将位移信号s、y、z对应到同一时间轴上。
其数据转换的具体算法步骤为：用
Figure DEST_PATH_IMAGE005
)代表y(t)、z(t)其中的一组信号，每组信号转换方式为：在时间T内采集N个时域信号x(t)，形成离散数据x(n)，则x(n)经离散傅里叶变换后得到X(k)，对加速度信号频域X(k)进行二次积分获得位移频域信号，二次积分计算公式为
Figure 818181DEST_PATH_IMAGE002
其中
Figure 213391DEST_PATH_IMAGE004
式中：fd和fu分别为下限截止频率和上限截止频率；X(k)为x(n)的傅里叶变换；△f为频率分辨率；H(k)为带通滤波器的频率响应函数；最后将获得的频域信号y(r)通过傅里叶逆变换转换回到时域获得位移的时域信号。采用这种转换方式能够实现数据的快速转换，运算数据量小，能满足传感器高速采样的需求。
为了能是监测数据更加的精确，作为一种优选实施方式，在进行数据变化之前可对采集的信号y(t)、z(t)分别进行滤波和调制解调。作为一种具体实施方式，可选择载波信号m(t)=cos2πf0t对采集到的样本y(t)、z(t)分别进行调制解调，具体算法为：
Figure DEST_PATH_IMAGE007
Figure DEST_PATH_IMAGE009
采用这种方式可有效提高列车轮形貌的监测精度，提高监测质量。
建立神经网络模型，先通过准备好的训练样本对神经网络模型进行训练，在通过测试样本对神经网络模型进行测试；最后将采集的位移信号s、y、z输入到训练好的神经网络模型中进行深度学习，通过神经网络模型分析位移信号s、y、z的时频特性和计算特征值；再根据神经网络模型输出时频特性分析和特征值计算结果进行阈值判断，识别列车轮对踏面形貌缺陷。
该列车轮对踏面形貌在线监测方法及系统在列车轮对车轴上直接设置位移传感器，通过位移传感器在线检测轮对车轴的运动轨迹，同时在列车的轴箱及齿轮箱上设置振动检测传感器，通过振动检测传感器检测轴箱及齿轮箱的振动加速度，并通过数据变换的方式将振动加速度转换为位移量并与轮对的运动轨迹对应在同一时间轴上，并通过神经网络模型分析车轴、轴箱及齿轮箱位移的时频特性和计算特征值，并通过阈值判断识别列车轮对踏面形貌缺陷。
该列车轮对踏面形貌在线监测方法稳定性高、易操作，实现了列车轮对踏面形貌实时在线采集，能实现信号的高采样率和高同步性，确保采样的准确性和实效性，可持续长距离跟踪轮对踏面形貌的变化，排除潜在故障，为城轨列车安全运行提供保障。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (4)

1.一种列车轮对踏面形貌在线监测方法，其特征在于，其包括如下步骤：
步骤1：在列车车轮的车轴上设置两个位移传感器，两个位移传感器呈90°间隔设置在所述车轴外周面上，所述位移传感器用于检测车轴偏心的位移信号s；
步骤2：在列车的轴箱、齿轮箱上设置振动检测传感器，检测轴箱振动加速度信号y(t)和齿轮箱振动加速度信号z(t)；
步骤3：对轴箱振动加速度信号y(t)和齿轮箱振动加速度信号z(t)进行数据变换，将轴箱振动加速度信号y(t)转换为位移信号y，将齿轮箱振动加速度信号z(t)转换为位移信号z，并将位移信号s、y、z对应到同一时间轴上；
步骤4：建立神经网络模型，先通过准备好的训练样本对神经网络模型进行训练，再通过测试样本对神经网络模型进行测试；
步骤5：将位移信号s、y、z输入到训练好的神经网络模型中进行深度学习，通过神经网络模型分析位移信号s、y、z的时频特性和计算特征值；
步骤6：根据神经网络模型输出时频特性分析和特征值计算结果进行阈值判断，识别列车轮对踏面形貌缺陷。
2.根据权利要求1所述的列车轮对踏面形貌在线监测方法，其特征在于，在步骤3中对轴箱振动加速度信号y(t)、齿轮箱振动加速度信号z(t)进行数据变化具体算法为：
用x(t)代表y(t)、z(t)其中的一组信号，每组信号转换方式为：在时间T内采集N个时域信号x(t)，形成离散数据x(n)，将 x(n)经离散傅里叶变换后得到加速度信号频域信号X(k)，对加速度频域信号X(k)进行二次积分获得位移频域信号，二次积分计算公式为
Figure DEST_PATH_IMAGE002
其中
Figure DEST_PATH_IMAGE004
式中：fd和fu分别为下限截止频率和上限截止频率；X(k)为x(n)的傅里叶变换；△f为频率分辨率；H(k)为带通滤波器的频率响应函数；
最后将获得的频域信号y(r)通过傅里叶逆变换转换回到时域获得位移的时域信号。
3.根据权利要求2所述的列车轮对踏面形貌在线监测方法，其特征在于，在步骤3中进行数据变化之前先对采集到的对轴箱振动加速度信号y(t)、齿轮箱振动加速度信号z(t)进行滤波、调制解调。
4.一种的列车轮对踏面形貌在线监测检测系统，其特征在于，其包括：
两个位移传感器，两个位移传感器沿列车轮对车轴的外周面呈90°间隔分布，所述位移传感器用于检测所述车轴偏心位移信号s；
轴箱振动检测传感器，所述轴箱振动检测传感器设置在列车的轴箱上，所述轴箱振动检测传感器用于检测所述轴箱的轴箱振动加速度信号y(t)；
齿轮箱振动检测传感器，所述齿轮箱振动检测传感器设置在列车的齿轮箱上，所述齿轮箱振动检测传感器用于检测所述齿轮箱的齿轮箱振动加速度信号z(t)；
数据转换模块，所述数据转换模块用于对轴箱振动加速度信号y(t)和齿轮箱振动加速度信号z(t)进行数据变换，将轴箱振动加速度信号y(t)转换为位移信号y、齿轮箱振动加速度信号z(t)转换为位移信号z，并将位移信号s、y、z对应到同一时间轴上；
神经网络模块，所述神经网络模块用于对位移信号s、y、z进行深度学习，通过神经网络模型分析位移信号s、y、z的时频特性和计算特征值；
阈值判断模块，所述阈值判断模块用于将神经网络模型输出时频特性分析和特征值计算结果进行阈值判断，并识别列车轮对踏面形貌缺陷。
CN202211502765.6A 2022-11-29 2022-11-29 一种列车轮对踏面形貌在线监测方法及系统 Active CN115526218B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211502765.6A CN115526218B (zh) 2022-11-29 2022-11-29 一种列车轮对踏面形貌在线监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211502765.6A CN115526218B (zh) 2022-11-29 2022-11-29 一种列车轮对踏面形貌在线监测方法及系统

Publications (2)

Publication Number Publication Date
CN115526218A true CN115526218A (zh) 2022-12-27
CN115526218B CN115526218B (zh) 2023-04-07

Family

ID=84704841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211502765.6A Active CN115526218B (zh) 2022-11-29 2022-11-29 一种列车轮对踏面形貌在线监测方法及系统

Country Status (1)

Country Link
CN (1) CN115526218B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140039809A1 (en) * 2012-07-31 2014-02-06 Eurocopter Method of detecting defects of a rolling bearing by vibration analysis
CN113218683A (zh) * 2021-03-16 2021-08-06 华中科技大学 一种基于振动信号的石油井下电动套管切割器故障识别方法
CN113776760A (zh) * 2020-06-09 2021-12-10 成都运达科技股份有限公司 基于整轴振动分析的列车轮对失圆故障监测方法和系统
CN113947130A (zh) * 2021-08-03 2022-01-18 西南交通大学 车轮多边形磨损波形回归预测ai模型训练使用方法及设备
CN114354185A (zh) * 2021-12-29 2022-04-15 重庆邮电大学 一种基于解耦网络的齿轮箱故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140039809A1 (en) * 2012-07-31 2014-02-06 Eurocopter Method of detecting defects of a rolling bearing by vibration analysis
CN113776760A (zh) * 2020-06-09 2021-12-10 成都运达科技股份有限公司 基于整轴振动分析的列车轮对失圆故障监测方法和系统
CN113218683A (zh) * 2021-03-16 2021-08-06 华中科技大学 一种基于振动信号的石油井下电动套管切割器故障识别方法
CN113947130A (zh) * 2021-08-03 2022-01-18 西南交通大学 车轮多边形磨损波形回归预测ai模型训练使用方法及设备
CN114354185A (zh) * 2021-12-29 2022-04-15 重庆邮电大学 一种基于解耦网络的齿轮箱故障诊断方法

Also Published As

Publication number Publication date
CN115526218B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN111623868B (zh) 用于钢轨波磨识别的卷积神经网络构建方法
CN108845028B (zh) 一种高速铁路钢轨波磨动态检测方法和装置
CN108515984B (zh) 一种车轮伤损检测方法及装置
CN110789566B (zh) 基于轴箱加速信号的轨道缺陷监测方法及监测设备
CN105923014B (zh) 一种基于证据推理规则的轨道高低不平顺幅值估计方法
CN105929025B (zh) 一种基于时间与空间连续的车轮踏面与轨道故障检测方法
CN106274977A (zh) 一种触发式采集模式的直流漏磁检测系统及其方法
CN111003018B (zh) 一种高速铁路轨道状况动态检测系统及方法
Yi et al. A promising new tool for fault diagnosis of railway wheelset bearings: SSO-based Kurtogram
CN110631832A (zh) 地铁车辆轴承故障在线检测方法
CN109406147A (zh) 一种变速工况下的列车轴承轨边声学诊断方法
CN109278796A (zh) 一种车载式车轮不圆度检测系统
CN103194942B (zh) 一种轨道振动信号移动检测装置及检测方法
CN116842775A (zh) 一种消除路面粗糙度影响的桥梁模态振型驱车识别方法
CN116698316A (zh) 基于车辆振动信号的桥梁振型识别方法
CN106596103B (zh) 一种在不落轮车床上用于轴承检测的装置及轴承检测方法
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
CN205665006U (zh) 一种轴承跑合异音检测系统
CN115526218B (zh) 一种列车轮对踏面形貌在线监测方法及系统
CN104457644B (zh) 轨道几何检测数据中非脉冲异常数据的检测方法及装置
CN111781001B (zh) 基于车桥耦合的桥梁阻尼比识别方法
CN210591925U (zh) 轴箱振动的轮径差检测系统
CN116644278A (zh) 基于样本筛选和特征提取的双模型轴承异常检测算法
CN2861966Y (zh) 激光惯性基准式快速道路断面测试仪
CN110450817B (zh) 轴箱振动的轮径差检测系统和方法

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