CN117109953B - 一种列车的声振协同诊断方法、系统、装置及介质 - Google Patents

一种列车的声振协同诊断方法、系统、装置及介质 Download PDF

Info

Publication number
CN117109953B
CN117109953B CN202311330499.8A CN202311330499A CN117109953B CN 117109953 B CN117109953 B CN 117109953B CN 202311330499 A CN202311330499 A CN 202311330499A CN 117109953 B CN117109953 B CN 117109953B
Authority
CN
China
Prior art keywords
wheel
noise
vibration
data
characteristic quantity
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
Application number
CN202311330499.8A
Other languages
English (en)
Other versions
CN117109953A (zh
Inventor
黄贵发
李修文
廖云
李�诚
张志亮
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.)
Beijing Tangzhi Science & Technology Development Co ltd
Tangzhi Science & Technology Hunan Development Co ltd
Original Assignee
Beijing Tangzhi Science & Technology Development Co ltd
Tangzhi Science & Technology Hunan Development 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 Beijing Tangzhi Science & Technology Development Co ltd, Tangzhi Science & Technology Hunan Development Co ltd filed Critical Beijing Tangzhi Science & Technology Development Co ltd
Priority to CN202311330499.8A priority Critical patent/CN117109953B/zh
Publication of CN117109953A publication Critical patent/CN117109953A/zh
Application granted granted Critical
Publication of CN117109953B publication Critical patent/CN117109953B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Discrete Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种列车的声振协同诊断方法、系统、装置及介质，适用于轨道交通车辆技术领域。通过采集客室声音数据评估车内总噪声级，用来评价对乘客乘坐体验的影响。通过客室噪声与轮轨振动噪声的关联，计算轮轨振动噪声对车内噪声的贡献，确认引起车内噪声偏大的原因，为列车维护、运营管理提供有效数据支撑。结合样本公里标数据，调用声振协同诊断模型，确定客室噪声偏大的具体线路位置、引起客室噪声偏大的因素及其贡献率；由于因变量和自变量的关联分析，将倍频程特征量根据倍频程处理进行的分频，进一步还能确认引起客室噪声偏大的轮轨噪声频段、轮轨振动频段及其贡献率，通过声振协同诊断，可以实现复现乘客在车厢中的真实噪声体现。

Description

一种列车的声振协同诊断方法、系统、装置及介质
技术领域
本发明涉及轨道交通车辆技术领域，特别是涉及一种列车的声振协同诊断方法、系统、装置及介质。
背景技术
对于轮轨振动与噪声的监测，急需一种车载式（车载是指安装于运行车辆上可进行实时在线监测的系统）的关联振动与噪声的融合监测系统，更加客观、全面地评估车辆运行状态。对于噪声的监测，一般是在新线路运营前，进行专门的车内噪声测试，评估是否满足相关标准，待正式运行后，一般不再进行车内噪声测试，仅在轨旁设置一些噪声检测点，评估车体外部噪声对环境的影响。目前也没有车载噪声系统监测行车过程中的噪声，也无法真实复现乘客在车厢中的噪声体验。
因此，提出一种声振协同列车诊断方法，在线监测轮轨振动与噪声，如何通过轮轨振动与噪声实现对车内噪声的影响评估是本领域技术人员亟需要解决的问题。
发明内容
本发明的目的是提供一种列车的声振协同诊断方法、系统、装置及介质，以解决现有的列车仅评估车体外部噪声对环境的影响无法真实复现乘客在车厢中的噪声体验的技术问题。
为解决上述技术问题，本发明提供一种列车的声振协同诊断方法，包括：
获取列车车厢客室内的噪声数据、所述列车车厢客室外的轮轨噪声数据和轮轨振动数据，其中，所述列车车厢客室内的噪声数据、所述列车车厢客室外的轮轨噪声数据和所述轮轨振动数据为同频同步采样数据；
对所述列车车厢客室内的噪声数据、所述列车车厢客室外的轮轨噪声数据和所述轮轨振动数据进行预处理，分别得到预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据；
将所述预处理后的噪声样本数据、所述轮轨噪声样本数据和所述轮轨振动样本数据分别进行特征提取得到客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量；
获取样本公里标数据，调用声振协同诊断模型，以输入所述样本公里标数据、所述预处理后的噪声样本数据、所述轮轨噪声样本数据、所述轮轨振动样本数据、所述客室内的噪声特征量、所述客室外的轮轨噪声特征量和所述轮轨振动特征量；以便于所述声振协同诊断模型将所述客室内的噪声特征量作为因变量，将所述客室外的轮轨噪声特征量和所述轮轨振动特征量作为自变量进行关联分析确定所述样本公里标数据对应的列车客室噪声的影响因素及贡献率。
优选地，所述列车车厢客室内的噪声数据、所述列车车厢客室外的轮轨噪声数据和所述轮轨振动数据的获取过程，包括：
在所述列车车厢客室内安装传声器采集所述列车车厢客室内的噪声数据；
在安装有所述传声器的所述列车车厢客室对应的客室外轴箱处安装传声器和振动传感器，分别获取对应轴箱位置的所述列车车厢客室外的轮轨噪声数据和所述轮轨振动数据。
优选地，所述对所述列车车厢客室内的噪声数据、所述列车车厢客室外的轮轨噪声数据和所述轮轨振动数据进行预处理，分别得到预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据，包括：
获取列车的运行数据，其中，所述运行数据至少包括车轮的转速数据、站点信息和公里标信息；
根据所述站点信息和所述公里标信息对所述列车车厢客室内的噪声数据、所述列车车厢客室外的轮轨噪声数据和所述轮轨振动数据进行打标分段处理得到所述预处理后的噪声样本数据、所述轮轨噪声样本数据和所述轮轨振动样本数据。
优选地，所述获取样本公里标数据，包括：
获取列车的运行数据，其中，所述运行数据至少包括车轮的转速数据、所述车轮的轮径、站点信息和公里标信息；
通过所述车轮的转速数据得到所述车轮的转速脉冲周期采样点数；
根据所述转速脉冲周期采样点数、所述公里标信息和所述车轮的轮径确定所述样本公里标数据。
优选地，所述转速脉冲周期采样点数包括转速脉冲整周期采样点数和转速脉冲小数周期采样点数，所述车轮的转速脉冲周期采样点数的确定过程，包括：
根据所述车轮的转速数据确定相邻转速脉冲之间的采样点数；
将各所述采样点数进行累计确定所述转速脉冲整周期采样点数；
根据所述预处理后的噪声样本数据、所述轮轨噪声样本数据和所述轮轨振动样本数据确定样本数据的采样点数；
根据所述样本数据的采样点数与所述转速脉冲整周期采样点数确定所述转速脉冲小数周期采样点数。
优选地，所述根据所述转速脉冲周期采样点数、所述公里标信息和所述车轮的轮径确定所述样本公里标数据，包括：
根据所述车轮的转速数据确定相邻转速脉冲；
将所述相邻转速脉冲进行计数，在计数值等于所述车轮对应的轴箱的转速轮齿数时，计数器加1，确定所述计数器记录的数据为转速脉冲整周期数；
获取所述列车的起始站点公里标数据、所述列车的行驶方向、所述车轮与所述起始站点公里标数据的间距和所述车轮的轮径；
根据所述车轮的轮径与所述转速脉冲整周期数确定轮轨转速距离；
将所述车轮的轮径、所述转速脉冲小数周期采样点数和最后一个转速脉冲整周期采样点数确定轮对周期距离；
将所述列车的起始站点公里标数据、所述列车的行驶方向转换的上下行信息、所述车轮与所述起始站点公里标数据的间距、所述轮轨转速距离和所述轮对周期距离进行加和处理得到所述样本公里标数据。
优选地，所述将所述预处理后的噪声样本数据、所述轮轨噪声样本数据和所述轮轨振动样本数据分别进行特征提取得到客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量，包括：
将所述预处理后的噪声样本数据进行声压级处理得到客室噪声声压级；
将所述轮轨噪声样本数据进行快速傅里叶变换处理得到轮轨噪声频谱特征量，将所述轮轨振动样本数据进行快速傅里叶变换处理得到轮轨振动频谱特征量；将所述轮轨噪声频谱特征量和所述轮轨振动频谱特征量进行倍频程处理得到轮轨噪声倍频程特征量和轮轨振动倍频程特征量；
将所述轮轨噪声倍频程特征量和所述轮轨振动倍频程特征量分别作为所述客室外的轮轨噪声特征量和所述轮轨振动特征量。
优选地，所述声振协同诊断模型将所述客室内的噪声特征量作为因变量，将所述客室外的轮轨噪声特征量和所述轮轨振动特征量作为自变量进行关联分析确定所述样本公里标数据对应的列车客室噪声的影响因素及贡献率，包括：
将所述客室噪声声压级作为因变量；
根据倍频程对所述轮轨噪声倍频程特征量和所述轮轨振动倍频程特征量进行分频得到每倍频轮轨噪声倍频程特征量和每倍频轮轨振动倍频程特征量；
将所述每倍频轮轨噪声倍频程特征量和所述每倍频轮轨振动倍频程特征量作为自变量；
根据所述因变量和所述自变量计算影响列车客室噪声的轮轨噪声频段、轮轨振动频段和所述贡献率。
优选地，所述将所述轮轨噪声样本数据进行快速傅里叶变换处理得到轮轨噪声频谱特征量，将所述轮轨振动样本数据进行快速傅里叶变换处理得到轮轨振动频谱特征量，包括：
将所述轮轨振动样本数据进行横向通道与垂向通道处理得到轮轨横向振动样本数据、轮轨垂向振动样本数据，并对所述轮轨横向振动样本数据、轮轨垂向振动样本数据进行快速傅里叶变换处理得到轮轨横向振动频谱特征量和轮轨垂向振动频谱特征量；将所述轮轨横向振动频谱特征量和轮轨垂向振动频谱特征量进行倍频程处理得到轮轨横向振动倍频程特征量、轮轨垂向振动倍频程特征量；
对应地，根据倍频程对所述轮轨振动倍频程特征量进行分频得到所述每倍频轮轨振动倍频程特征量，包括：
根据倍频程对所述轮轨横向振动倍频程特征量和轮轨垂向振动倍频程特征量进行分频得到每倍频轮轨横向振动倍频程特征量和每倍频轮轨垂向振动倍频程特征量；
对应地，将所述每倍频轮轨振动倍频程特征量作为自变量，包括：
将所述每倍频轮轨横向振动倍频程特征量和每倍频轮轨垂向振动倍频程特征量作为自变量。
优选地，在所述客室内的噪声特征量、所述客室外的轮轨噪声特征量和所述轮轨振动特征量输入至所述声振协同诊断模型之前，还包括：
将所述每倍频轮轨噪声倍频程特征量、所述每倍频轮轨振动倍频程特征量和所述客室噪声声压级进行标准化处理以输入至所述声振协同诊断模型。
优选地，所述声振协同诊断模型的建立过程，包括：
获取当前迭代次数的第一矩阵和第二矩阵，其中，所述第一矩阵和所述第二矩阵在首次迭代次数时对应为标准化处理后的自变量和因变量；
根据所述第一矩阵、所述第一矩阵的转置矩阵、所述第二矩阵和所述第二矩阵的转置矩阵确定对应的第三矩阵；
根据各所述第三矩阵确定最大特征值的特征向量；
根据所述第一矩阵、所述第二矩阵和各所述特征向量确定所述当前迭代次数对应的主成分和回归系数；
根据所述第一矩阵的转置矩阵、所述第二矩阵的转置矩阵分别和所述当前迭代次数对应的主成分确定对应的第一权重系数和第二权重系数；
根据所述第一权重系数、所述第二权重系数分别和所述当前迭代次数的主成分确定对应的第一残差矩阵和第二残差矩阵；
在所述第一残差矩阵大于预设值的情况下，将所述第一残差矩阵、所述第二残差矩阵作为下一个迭代的所述第一矩阵和所述第二矩阵，返回至所述获取当前迭代次数的第一矩阵和第二矩阵的步骤，直至所述第一残差矩阵小于或者等于所述预设值为止；
在所述第一残差矩阵小于或者等于所述预设值的情况下，获取各迭代次数下对应的主成分和所述回归系数；
根据各所述迭代次数下对应的主成分和所述回归系数确定标准化回归方程；
将所述标准化回归方程进行还原得到所述轮轨振动数据和轮轨噪声数据对所述列车车厢客室内的噪声数据的贡献率结果。
为了解决上述技术问题，本发明还提供一种列车的声振协同诊断系统，包括：
第一获取模块，用于获取列车车厢客室内的噪声数据、所述列车车厢客室外的轮轨噪声数据和轮轨振动数据，其中，所述列车车厢客室内的噪声数据、所述列车车厢客室外的轮轨噪声数据和所述轮轨振动数据为同频同步采样数据；
预处理模块，用于对所述列车车厢客室内的噪声数据、所述列车车厢客室外的轮轨噪声数据和所述轮轨振动数据进行预处理，分别得到预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据；
特征提取模块，用于将所述预处理后的噪声样本数据、所述轮轨噪声样本数据和所述轮轨振动样本数据分别进行特征提取得到客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量；
确定模块，用于获取样本公里标数据，调用声振协同诊断模型，以输入所述样本公里标数据、所述预处理后的噪声样本数据、所述轮轨噪声样本数据、所述轮轨振动样本数据、所述客室内的噪声特征量、所述客室外的轮轨噪声特征量和所述轮轨振动特征量；以便于所述声振协同诊断模型将所述客室内的噪声特征量作为因变量，将所述客室外的轮轨噪声特征量和所述轮轨振动特征量作为自变量进行关联分析确定列车客室噪声的影响因素及贡献率。
为了解决上述技术问题，本发明还提供一种列车的声振协同诊断装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述所述的列车的声振协同诊断方法的步骤。
为了解决上述技术问题，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质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如上述所述的列车的声振协同诊断方法的步骤。
本发明提供的一种列车的声振协同诊断方法，获取列车车厢客室内的噪声数据、列车车厢客室外的轮轨噪声数据和轮轨振动数据，其中，列车车厢客室内的噪声数据、列车车厢客室外的轮轨噪声数据和轮轨振动数据为同频同步采样数据；对列车车厢客室内的噪声数据、列车车厢客室外的轮轨噪声数据和轮轨振动数据进行预处理，分别得到预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据；将预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据分别进行特征提取得到客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量；获取样本公里标数据，调用声振协同诊断模型，以输入样本公里标数据、预处理后的噪声样本数据、轮轨噪声样本数据、轮轨振动样本数据、客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量；以便于声振协同诊断模型将客室内的噪声特征量作为因变量，将客室外的轮轨噪声特征量和轮轨振动特征量作为自变量进行关联分析确定样本公里标数据对应的列车客室噪声的影响因素及贡献率。通过采集客室声音数据评估车内总噪声级，用来评价对乘客乘坐体验的影响。通过客室噪声与轮轨振动噪声的关联，计算轮轨振动噪声对车内噪声的贡献，确认引起车内噪声偏大的原因，为列车维护、运营管理提供有效数据支撑。可以通过该方法结合样本公里标数据，调用声振协同诊断模型，确定客室噪声偏大的具体线路位置、引起客室噪声偏大的因素（是轮轨振动还是轮轨噪声）及其贡献率；由于特征提取后的客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量进行因变量和自变量的关联分析，将倍频程特征量根据倍频程处理进行的分频，进一步还能确认引起客室噪声偏大的轮轨噪声频段、轮轨振动频段及其贡献率，通过声振协同诊断，可以实现复现乘客在车厢中的真实噪声体现。
另外，本发明还提供了一种列车的声振协同诊断系统、装置及介质，具有如上述列车的声振协同诊断方法相同的有益效果。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例提供的一种列车的声振协同诊断方法的流程图；
图2为本发明实施例提供的一种声振协同诊断系统的示意图；
图3为本发明实施例提供的一种列车的声振协同诊断系统的结构图；
图4为本发明实施例提供的一种列车的声振协同诊断装置的结构图。
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，都属于本发明保护范围。
本发明的核心是提供一种列车的声振协同诊断方法、系统、装置及介质，以解决现有的列车仅评估车体外部噪声对环境的影响无法真实复现乘客在车厢中的噪声体验的技术问题。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
伴随着地铁客流量、运营线路、列车调度频次的增加，车辆与轨道性能逐渐退化，轮轨磨耗加剧，轮轨关系恶化，不仅使得运行振动增大，轮轨噪声因随之增大。除此之外，轮轨低频振动影响构架、车体稳定性，高频振动引发扣减弹条断裂。
对于轮轨振动与噪声的监测，急需一种车载式（车载是指安装于运行车辆上可进行实时在线监测的系统）的关联振动与噪声的融合监测系统，更加客观、全面地评估车辆运行状态。对于噪声的监测，一般是在新线路运营前，进行专门的车内噪声测试，评估是否满足相关标准，待正式运行后，一般不再进行车内噪声测试，仅在轨旁设置一些噪声检测点，评估车体外部噪声对环境的影响。目前没有车载噪声系统监测行车过程中的噪声，无法真实复现乘客在车厢中的噪声体验。本发明提供的列车的噪声诊断方法，可以解决上述技术问题。
图1为本发明实施例提供的一种列车的声振协同诊断方法的流程图，如图1所示，该方法包括：
S11：获取列车车厢客室内的噪声数据、列车车厢客室外的轮轨噪声数据和轮轨振动数据；
其中，列车车厢客室内的噪声数据、列车车厢客室外的轮轨噪声数据和轮轨振动数据为同频同步采样数据；
S12：对列车车厢客室内的噪声数据、列车车厢客室外的轮轨噪声数据和轮轨振动数据进行预处理，分别得到预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据；
S13：将预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据分别进行特征提取得到客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量；
S14：获取样本公里标数据，调用声振协同诊断模型，以输入样本公里标数据、预处理后的噪声样本数据、轮轨噪声样本数据、轮轨振动样本数据、客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量；以便于声振协同诊断模型将客室内的噪声特征量作为因变量，将客室外的轮轨噪声特征量和轮轨振动特征量作为自变量进行关联分析确定样本公里标数据对应的列车客室噪声的影响因素及贡献率。
需要说明的是，本实施例中的列车车厢客室内的噪声数据、列车车厢客室外的轮轨噪声数据和轮轨振动数据均是由不同的传感器获取得到，并且，同频同步采集的为列车车厢客室内的噪声数据、列车车厢客室外的轮轨噪声数据和轮轨振动数据，同步定时采样方式可以采用硬件同步采样或者软件同步采样，在此不做限定。硬件同步由硬件同步电路向CPU提中断实现同步。硬件同步电路有多种形式，常见的如锁相环同步电路等。本实施例中进行同步定时采样方式的目的是保持不同传感器采集的不同噪声信息对应的频率相同，以及不能出现不同路段之间的噪声信息的延时，精确到具体的路段位置，以减少后续的校正处理。
对于同步采样的频响范围和采样频率不做限定，可以根据实际情况设定即可，优选实施例的根据可听声音频响范围20Hz~20kHz，采样频率Fs不低于50kHz的标准进行采集。同步定时采样方式采集噪声数据，以便于提高数据的准确性，实现频率同步，避免延时。
作为一种实施例，列车车厢客室内的噪声数据、列车车厢客室外的轮轨噪声数据和轮轨振动数据的获取过程，包括：
在列车车厢客室内安装传声器采集列车车厢客室内的噪声数据；
在安装有传声器的列车车厢客室对应的客室外轴箱处安装传声器和振动传感器，分别获取对应轴箱位置的列车车厢客室外的轮轨噪声数据和轮轨振动数据。
图2为本发明实施例提供的一种声振协同诊断系统的示意图，如图2所示，声振协同诊断系统由综合诊断仪、双坐标振动传感器、传声器、连接线等组成。
对于振动传感器的放置位置，可以设置于轮对的两端轴箱位置，实现轮轨横向振动、轮轨垂向振动检测，处理和传输。传声器包括客室外轴箱处的传声器和列车车厢客室内的传声器，客室外轴箱处的传声器设置于轴箱处，列车车厢客室内的传声器设置于列车车厢客室内，以实现采集轮轨噪声和车体内部噪声的检测、处理和传输。
客室外轴箱处的传声器安装于一条轮轨轴两端轴箱、与振动传感器接近的位置，客室外轴箱处的传声器的测量方向指向车轮与轨道接触的方向，实现轮轨噪声数据的采集检测；列车车厢客室内的传声器安装于列车客室内的车厢中部，对于具体的高度不做限定，一种优选实施例是中部0.8m至1.8m高度的位置。
双坐标振动传感器，可以同时监测两个方向（横向和垂向）的振动传感器，一般为复合传感器。从信号频段的角度考虑，由于不同的故障、不同的频段在测试方向上的敏感程度不同，在旋转机械振动信息的采集上，对于低频信号来说，分为垂直、水平和轴向3个方向，对于高频信号来说，由于对方向性不太敏感，故只对垂直或者水平方向即可。对于本实施例中，考虑到低频和高频信号，选用双坐标振动传感器。
双坐标振动传感器采集轮轨振动数据，以采集不同频段信号，丰富采集数据的多样性。
获取由振动传感器和传声器采集的噪声数据，需要说明的是，本实施例中的噪声数据包括多种类型，至少包括轮轨振动数据、轮轨噪声数据和客室噪声数据的等多种。振动传感器可以为双坐标振动传感器，采集轮轨横向、垂向的振动数据。也可以采用多个振动传感器进行采集横向和垂向的振动数据。
对列车车厢客室内的噪声数据、列车车厢客室外的轮轨噪声数据和轮轨振动数据进行预处理，分别得到预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据，预处理过程可以和现有的数据预处理方式相同，也可以不同，在本申请中，预处理是将其三种数据标签化以便于后续进行特征提取，也可以结合去噪处理方式等，在此不做限定。
将预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据分别进行特征提取得到客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量。特征提取方法可以基于现有的噪声处理的特征提取，也可以是根据本实施例中的不同噪声数据分别进行针对性特征提取，在此不做限定。
调用声振协同诊断模型，以样本公里标数据、预处理后的客室内噪声样本数据、轮轨噪声样本数据、轮轨振动样本数据、客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量作为输入参数，获取输出参数作为样本公里标数据对应的噪声诊断结果。对于样本公里标数据，本实施例是基于不同区段间的噪声诊断结果，以样本公里标数据作为参考不同区段间的依据。
公里标是铁路线路上，表明计算里程整公里的标记。公里标的作用主要是确切地指明线路的位置，例如巡道工在线路上巡行检查时，如果发现问题，在记录和报告中就能根据公里标、半公里标，指出问题的准确位置，以利于维修和抢修单位及时处理。本实施例中的样本公里标数据是基于公里标的标记分段处理得到样本数据，使得噪声数据实现数据整理。
对于声振协同诊断模型，可以是通过深度学习、机器学习等设计的一种诊断模型，或者人工智能设计的模型，还可以根据主成分分析处理等具体数据处理方法等设计的模型，在此不做限定，可以根据实际情况设定即可。
该声振协同诊断模型输出的参数基于输入参数的种类以及特征量信息确定的噪声诊断结果，对于噪声诊断结果的具体是分析列车具体位置下的不同噪声贡献值，若哪个位置下的噪声贡献值较大，则说明其该位置下的噪声是主要因素之一，以便于后续设置对应的有针对性的防噪声策略。
本发明实施例提供的一种列车的声振协同诊断方法，获取列车车厢客室内的噪声数据、列车车厢客室外的轮轨噪声数据和轮轨振动数据，其中，列车车厢客室内的噪声数据、列车车厢客室外的轮轨噪声数据和轮轨振动数据为同频同步采样数据；对列车车厢客室内的噪声数据、列车车厢客室外的轮轨噪声数据和轮轨振动数据进行预处理，分别得到预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据；将预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据分别进行特征提取得到客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量；获取样本公里标数据，调用声振协同诊断模型，以输入样本公里标数据、预处理后的噪声样本数据、轮轨噪声样本数据、轮轨振动样本数据、客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量；以便于声振协同诊断模型将客室内的噪声特征量作为因变量，将客室外的轮轨噪声特征量和轮轨振动特征量作为自变量进行关联分析确定样本公里标数据对应的列车客室噪声的影响因素及贡献率。通过采集客室声音数据评估车内总噪声级，用来评价对乘客乘坐体验的影响。通过客室噪声与轮轨振动噪声的关联，计算轮轨振动噪声对车内噪声的贡献，确认引起车内噪声偏大的原因，为列车维护、运营管理提供有效数据支撑。可以通过该方法结合样本公里标数据，调用声振协同诊断模型，确定客室噪声偏大的具体线路位置、引起客室噪声偏大的因素（是轮轨振动还是轮轨噪声）及其贡献率；由于特征提取后的客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量进行因变量和自变量的关联分析，将倍频程特征量根据倍频程处理进行的分频，进一步还能确认引起客室噪声偏大的轮轨噪声频段、轮轨振动频段及其贡献率，通过声振协同诊断，可以实现复现乘客在车厢中的真实噪声体现。
在上述实施例的基础上，作为一种实施例，对列车车厢客室内的噪声数据、列车车厢客室外的轮轨噪声数据和轮轨振动数据进行预处理，分别得到预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据，包括：
获取列车的运行数据，其中，运行数据至少包括车轮的转速数据、站点信息和公里标信息；
根据站点信息和公里标信息对列车车厢客室内的噪声数据、列车车厢客室外的轮轨噪声数据和轮轨振动数据进行打标分段处理得到预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据。
列车的运行数据是对应于列车行车时的状态信号，具体的运行数据至少包括轮轨的转速数据、站点信息和公里标信息。根据站点信息和公里标信息对噪声数据进行打标分段处理以得到样本数据，作为预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据。例如：依据站点及公里标信息对轮轨横向振动数据（Vib_h）、轮轨纵向振动数据（Vib_c）、轮轨噪声数据（Sound_k）、客室噪声数据（Sound_l）数据进行分段，得到按站点区间之间以站点信息（Nm）一个单元的分段数据（Nm对应30m~50m），即样本噪声数据，包括：轮轨横向振动样本数据（Vib_h_n）、纵向振动样本数据（Vib_c_n），噪声样本数据（Sound_k_n）、轮轨噪声样本数据（Sound_l_n）。
本实施例提供的预处理的具体方式打标分段，以便于后续进行特征提取。
在上述实施例的基础上，获取样本公里标数据，包括：
获取列车的运行数据，其中，运行数据至少包括车轮的转速数据、车轮的轮径、站点信息和公里标信息；
通过车轮的转速数据得到车轮的转速脉冲周期采样点数；
根据转速脉冲周期采样点数、公里标信息和车轮的轮径确定样本公里标数据。
具体地，基于车轮的转速数据得到车轮的转速脉冲周期采样点数，其包括转速脉冲整周期采样点数TM和转速脉冲小数周期采样点数Tm，基于转速脉冲周期采样点数、公里标信息和车轮的轮径确定样本公里标数据。
获取列车的轮轨的转速脉冲周期采样点数，转速数据是一组方波信号，其对应的一个转速脉冲周期采样点数是一个轮齿到下一个轮齿所经历的采样点数。由于在轮轨转动过程中，轮轨转动1圈、2圈、……n圈对应转速脉冲周期采样点数称为转速脉冲整周期采样点数，轮轨转动不到1圈对应转速脉冲周期采样点数称为转速脉冲小数周期采样点数。
作为一种实施例，转速脉冲周期采样点数包括转速脉冲整周期采样点数和转速脉冲小数周期采样点数，车轮的转速脉冲周期采样点数的确定过程，包括：
根据车轮的转速数据确定相邻转速脉冲之间的采样点数；
将各采样点数进行累计确定转速脉冲整周期采样点数；
根据预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据确定样本数据的采样点数；
根据样本数据的采样点数与转速脉冲整周期采样点数确定转速脉冲小数周期采样点数。
具体地，转速脉冲非零值对应齿轮轮齿部分，零值对应齿轮齿槽部分，即转速脉冲相邻且非零时的两个脉冲之间的采样点数就是齿轮过一个齿的数据点数，用T（T1-Tn）表示，由于转速在变化，其当前轮齿到下一个轮齿之间所经历的采样点数也不同。
将各采样点数进行累计确定转速脉冲整周期采样点数，假设一个齿轮有6个齿，其就是齿轮转1圈，车轮转P圈所对应的采集点数，即各采集点数进行累计以确定转速脉冲整周期采样点数。
根据预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据确定样本数据的采样点数。根据样本数据的采样点数与转速脉冲整周期采样点数确定转速脉冲小数周期采样点数。
其具体公式如下：
；
其中，为转速脉冲小数周期采样点数，为样本数据的采样点数，为转速脉冲整周期采样点数。
本实施例提供的轮轨的转速脉冲周期包括转速脉冲整周期和转速脉冲小数周期，使得后续计算的样本公里标数据较为准确。
作为一种实施例，根据转速脉冲周期采样点数、公里标信息和车轮的轮径确定样本公里标数据，包括：
根据车轮的转速数据确定相邻转速脉冲；
将相邻转速脉冲进行计数，在计数值等于车轮对应的轴箱的转速轮齿数时，计数器加1，确定计数器记录的数据为转速脉冲整周期数；
获取列车的起始站点公里标数据、列车的行驶方向、车轮与起始站点公里标数据的间距和车轮的轮径；
根据车轮的轮径与转速脉冲整周期数确定轮轨转速距离；
将车轮的轮径、转速脉冲小数周期采样点数和最后一个转速脉冲整周期采样点数确定轮对周期距离；
将列车的起始站点公里标数据、列车的行驶方向转换的上下行信息、车轮与起始站点公里标数据的间距、轮轨转速距离和轮对周期距离进行加和处理得到样本公里标数据。
具体地，将相邻转速脉冲进行计数，在计数值等于车轮对应的轴箱的转速轮齿数时，计数器加1，确定计数器记录的数据。例如，转速脉冲计数L等于转速齿数C时，M（转速脉冲整周期数）加1，记录样本经历的转速齿轮旋转圈数。
根据车轮的轮径与转速脉冲整周期数确定轮轨转速距离，公式如下：；
其中，为车轮的轮径，为转速脉冲整周期数。
将车轮的轮径、转速脉冲小数周期采样点数和最后一个转速脉冲整周期采样点数确定轮对周期距离，其公式如下：
；
其中，为车轮的轮径，为转速脉冲小数周期采样点数，为最后一个转速脉冲整周期采样点数。
列车的行驶方向转换的上下行信息，根据不同的转速脉冲周期、公里标信息以及轮轴的直径（轮径）确定样本公里标数据，具体的确定关系考虑列车行驶方向的上行和下行。
将列车的起始站点公里标数据、列车的行驶方向转换的上下行信息、车轮与起始站点公里标数据的间距、轮轨转速距离和轮对周期距离进行加和处理得到样本公里标数据。公式如下：
；
其中，为列车的起始站点公里标数据，Ln为车轮与起始站点公里标数据的间距，表示列车的行驶方向转换的上下行信息。
本发明实施例提供的样本公里标数据的确定过程，基于转速脉冲整周期和转速脉冲小数周期的结合确定，使得后续的区间站点对应的数据较为准确，以便于确定的诊断结果精准。
在上述实施例的基础上，将预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据分别进行特征提取得到客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量，包括：
将预处理后的噪声样本数据进行声压级处理得到客室噪声声压级；
将轮轨噪声样本数据进行快速傅里叶变换处理得到轮轨噪声频谱特征量；将轮轨振动样本数据进行快速傅里叶变换处理得到轮轨振动频谱特征量；将轮轨噪声频谱特征量和轮轨振动频谱特征量进行倍频程处理得到轮轨噪声倍频程特征量和轮轨振动倍频程特征量；
将轮轨噪声倍频程特征量和轮轨振动倍频程特征量分别作为客室外的轮轨噪声特征量和轮轨振动特征量。
需要说明的是，本实施例中的特征量信息包括两个，一个客室噪声声压级，一个是倍频程特征量信息。对于倍频程特征量信息又分为两种，轮轨噪声倍频程特征量和轮轨振动倍频程特征量。将预处理后的噪声样本数据进行声压级处理得到客室噪声声压级。公式具体为：
；
其中，为样本个数，为具体的噪声样本数据，需要计算每个客室噪声样本的声压级。
将轮轨振动样本数据、轮轨噪声样本数据分别进行快速傅里叶变换处理得到频谱特征量信息，具体的快速傅里叶变换和现有的相同，在此不做具体说明，将轮轨振动样本数据的横向振动数据和纵向振动数据以及轮轨噪声数据分别进行FFT计算以确定分别对应的频谱特征量信息。
将频谱特征量信息进行倍频程处理以确定倍频程特征量信息。
作为一种实施例，将轮轨噪声样本数据进行快速傅里叶变换处理得到轮轨噪声频谱特征量，将轮轨振动样本数据进行快速傅里叶变换处理得到轮轨振动频谱特征量，包括：
将轮轨振动样本数据进行横向通道与垂向通道处理得到轮轨横向振动样本数据、轮轨垂向振动样本数据，并对轮轨横向振动样本数据、轮轨垂向振动样本数据进行快速傅里叶变换处理得到轮轨横向振动频谱特征量和轮轨垂向振动频谱特征量；将轮轨横向振动频谱特征量和轮轨垂向振动频谱特征量进行倍频程处理得到轮轨横向振动倍频程特征量、轮轨垂向振动倍频程特征量；
对应地，根据倍频程对轮轨振动倍频程特征量进行分频得到每倍频轮轨振动倍频程特征量，包括：
根据倍频程对轮轨横向振动倍频程特征量和轮轨垂向振动倍频程特征量进行分频得到每倍频轮轨横向振动倍频程特征量和每倍频轮轨垂向振动倍频程特征量；
对应地，将每倍频轮轨振动倍频程特征量作为自变量，包括：
将每倍频轮轨横向振动倍频程特征量和每倍频轮轨垂向振动倍频程特征量作为自变量。
需要说明的是，轮轨横向振动样本数据为轮轨横向振动样本Vib_h_n，轮轨垂向振动样本数据为垂向振动样本Vib_c_n。
具体为：轮轨振动三分之一倍频程计算。将FFT计算得到轮轨横向振动样本Vib_h_n、垂向振动样本Vib_c_n的FFT频谱，从20Hz~8000Hz按照分为27个频段。对于第i个频段，根据该频段截止频率、及采样频率计算其在频率坐标轴上对应的点数对应公式具体如下：
；
；
其中，为样本数据的采样点数，为采样频率，、为频段截止频率。
由此从FFT中截取出区间内的频谱数据（其他区间幅值均置为0）并还原为双边谱；然后进行IFFT变换，得到该频段对应的时域信号，计算该时域信号的有效值vc(i)，vc(i)即为第i频段的振动有效值，公式如下：
；
其中，vc(i)即为第i频段内的声压有效值vc(i)，T为频段个数，e为具体的振动样本数据。
当所有频段内的振动有效值都依次计算完成后，即得到振动三分之一倍频程谱图，需要说明的是，本实施例中的振动三分之一倍频程谱图具体展示方式通过数据处理软件展示，如MATLAB软件等。
将FFT计算得到轮轨噪声样本数据Sound_l_n的FFT频谱，从20Hz~8000Hz按照A计权划分为27个频段。对于第i个频段，根据该频段截止频率、及采样频率计算其在频率坐标轴上对应的点数具体如下：
；
其中，为样本数据的采样点数，为采样频率，、为频段截止频率，
由此从FFT中截取出[,]区间内的频谱数据（其他区间幅值均置为0）并还原为双边谱；然后进行IFFT变换，得到该频段对应的时域信号；最后，计算该时域信号的声压有效值yc(i)，公式如下：
；
其中，yc(i)即为第i频段内的声压有效值yc(i)，T为频段个数，x为具体的噪声样本数据。
计算第i个频段的未计权声压级LPl(i)，公式如下：
；
根据A计权修正值cf(i)，即第i频段A计权声压级修正系数，计算第i个频段的A计权声压级Lap(i)，公式如下：
；
当所有频段内的声压级都依次计算完成后，即得到A计算三分之一倍频程谱图，需要说明的是，本实施例中的A计算三分之一倍频程谱图具体展示方式通过数据处理软件展示，如MATLAB软件等。
上述的轮轨噪声频谱特征量和轮轨振动频谱特征量进行倍频程处理得到轮轨噪声倍频程特征量和轮轨振动倍频程特征量；将轮轨噪声倍频程特征量和轮轨振动倍频程特征量分别作为客室外的轮轨噪声特征量和轮轨振动特征量。
本发明实施例提供的特征量信息的确定过程，以便于后续作为输入参数输入至声振协同诊断模型，实现识别影响车内噪声偏大的主要生源。
在上述实施例的基础上，作为一种实施例，声振协同诊断模型将客室内的噪声特征量作为因变量，将客室外的轮轨噪声特征量和轮轨振动特征量作为自变量进行关联分析确定样本公里标数据对应的列车客室噪声的影响因素及贡献率，包括：
将客室噪声声压级作为因变量；
根据倍频程对轮轨噪声倍频程特征量和轮轨振动倍频程特征量进行分频得到每倍频轮轨噪声倍频程特征量和每倍频轮轨振动倍频程特征量；
将每倍频轮轨噪声倍频程特征量和每倍频轮轨振动倍频程特征量作为自变量；
根据因变量和自变量计算影响列车客室噪声的轮轨噪声频段、轮轨振动频段和贡献率。
具体地，根据倍频程处理对上述的轮轨噪声倍频程特征量和轮轨振动倍频程特征量进行分频得到每倍频轮轨噪声倍频程特征量和每倍频轮轨振动倍频程特征量以确定自变量，将客室噪声声压级作为因变量，基于因变量和自变量计算出最终的诊断结果，即影响列车客室噪声的轮轨噪声频段、轮轨振动频段和贡献率。需要说明的是，这里的计算可以根据具体设计的算法进行计算或者权重参数的计算，或者人工智能算法计算，在此不做限定，可以根据实际情况设定即可。
作为一种实施例，声振协同诊断模型的建立过程，包括：
获取当前迭代次数的第一矩阵和第二矩阵，其中，第一矩阵和第二矩阵在首次迭代次数时对应为标准化处理后的自变量和因变量；
根据第一矩阵、第一矩阵的转置矩阵、第二矩阵和第二矩阵的转置矩阵确定对应的第三矩阵；
根据各第三矩阵确定最大特征值的特征向量；
根据第一矩阵、第二矩阵和各特征向量确定当前迭代次数对应的主成分和回归系数；
根据第一矩阵的转置矩阵、第二矩阵的转置矩阵分别和当前迭代次数对应的主成分确定对应的第一权重系数和第二权重系数；
根据第一权重系数、第二权重系数分别和当前迭代次数的主成分确定对应的第一残差矩阵和第二残差矩阵；
在第一残差矩阵大于预设值的情况下，将第一残差矩阵、第二残差矩阵作为下一个迭代的第一矩阵和第二矩阵，返回至获取当前迭代次数的第一矩阵和第二矩阵的步骤，直至第一残差矩阵小于或者等于预设值为止；
在第一残差矩阵小于或者等于预设值的情况下，获取各迭代次数下对应的主成分和回归系数；
根据各迭代次数下对应的主成分和回归系数确定标准化回归方程；
将标准化回归方程进行还原得到轮轨振动数据和轮轨噪声数据对列车车厢客室内的噪声数据的贡献率结果。
对应本实施例中的声振协同诊断，主要以主成分分析进行处理，现有的主成分分析是将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析，在很多情形下，变量之间具有一定的相关关系，当两个变量之间存在相关关系后，其反应具体信息存在一定的重叠。本实施例将三种数据（客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量）结合因变量和自变量的关系整合为回归方程。
对于提取多少主成分，结合迭代次数，一次迭代次数可以提取一个主成分，将各主成分提取之后建立回归方程。
在首次迭代时，令标准化处理后的自变量和因变量作为第一矩阵和第二矩阵，公式如下：
；
其中，为标准化处理后的自变量，为标准化处理后的因变量。
需要说明的是，由于为两个变量，一个是因变量，一个是自变量，其对应的第三矩阵分别对应因变量和自变量的第三矩阵，
对于自变量的第三矩阵的确定公式如下：
；
其中，为自变量的第三矩阵，为第一矩阵的转置矩阵，为第二矩阵的转置矩阵。
对应因变量的第三矩阵的确定公式如下：
；
其中，为因变量的第三矩阵。
分别求取第三矩阵对应的最大特征值的特征向量与回归系数，其当前迭代次数下的自变量对应的主成分公式如下：
；
其中，为当前迭代次数下的自变量对应的主成分，为特征向量，且为的主方向向量。
当前迭代次数下的自变量的回归系数的确定公式如下：
；
当前迭代次数下的因变量对应的主成分公式如下：
；
其中，为当前迭代次数下的因变量对应的主成分，为特征向量，且为的主方向向量。
根据各主成分确定对应的第一权重系数和第二权重系数，其公式如下：
；
其中，为第一权重系数，为第二权重系数。
对应地，第一残差矩阵和第二残差矩阵的确定公式如下：
；
其中，为第一残差矩阵，为第二残差矩阵。
判断第一残差矩阵是否大于预设值，如果大于，则返回获取当前迭代次数的第一矩阵和第二矩阵的步骤，此时将第一残差矩阵、第二残差矩阵作为下一个迭代的第一矩阵和第二矩阵，继续进行迭代。
如果小于或者等于，则获取各迭代次数下对应的主成分和回归系数。
需要说明的是，本实施例中的预设值，可以是设置迭代次数的限定次数，也可以是具体的一种阈值，在此不做限定，可以根据实际情况设定即可。
进行多次迭代后，方程满足精度要求，根据各主成分和回归系数确定标准化回归方程，具体公式如下：
设迭代次数为，得到个因变量矩阵对自变量主成分的回归系数为：，个自变量的主方向向量为，每一个主成分为，对应的回归系数为；实施标准化因变量在的回归方程为：
；
其中，；为单位矩阵，，为变化后的回归系数，为的第个分量。
将标准化回归方程进行逆处理，还原为列车车厢客室内的噪声数据、列车车厢客室外的轮轨噪声数据和轮轨振动数据的回归方程，具体公式为：
；
其中，变化后的回归系数为自变量对因变量的贡献率，如：80Hz轮轨振动、630Hz振动、400H轮轨噪声、630Hz轮轨噪声分别对客室总声压的贡献率。
作为一种实施例，在客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量输入至声振协同诊断模型之前，还包括：
将每倍频轮轨噪声倍频程特征量、每倍频轮轨振动倍频程特征量和客室噪声声压级进行标准化处理以输入至声振协同诊断模型。
在上述实施例中，对应的标准化处理过程，具体包括：
选取轮轨振动噪声数据和轮轨噪声数据作为自变量X，客室噪声数据作为因变量Y，进行标准化处理后得到标准化因变量和标准化自变量，具体公式如下：
；
其中，为自变量X的第个样本的第个特征量，为因变量Y的第个样本的第个特征量，是的均值，为轮轨振动噪声数据和轮轨噪声数据的所有样本的第个特征值构成的特征向量，是的标准差，为客室噪声数据的所有样本的第个特征值构成的特征向量；是的均值，是的标准差，z为轮轨振动噪声数据、轮轨噪声数据的样本数据的个数，为轮轨振动数据、轮轨噪声数据对应的倍频程特征量信息的个数，如：选择轮轨振动三分之一倍频程中心频率80Hz、630Hz振动有效值vc_1、vc_2，轮轨噪声A计权三分之一倍频程中心频率400Hz、630Hz声压级LPl_1、LPl_2，即=4，为客室噪声数据对应的特征值，即客室噪声声压级一个特征量，=1。
根据上述公式中得到的每倍频轮轨噪声倍频程特征量、每倍频轮轨振动倍频程特征量和客室噪声声压级进行标准化处理以输入至声振协同诊断模型。
本实施例中的标准化处理过程，以此减少运算误差。
本实施例提供的声振协同诊断模型，使得诊断结果较为具体针对性，将客室噪声、车体噪声、轮轨噪声、轮轨振动进行关联采集，同步分析，可以更加客观、准确地评价列车振动及噪声状态。
作为一种实施例，在得到噪声诊断结果之后，还包括：
根据噪声诊断结果确定客室的样本公里标数据下的最大公里标数据对应的贡献率以传输至地面中心存储。
具体地，结合上述实施例来看，根据噪声诊断结果可以看出客室样本公里标数据下的各贡献率，从中选取最大公里标数据对应的贡献率，以此可以确定后续的有针对性的防噪策略。
本实施例中的诊断系统基于声振协同列车诊断系统，可以将诊断结果通过无线网络传输至地面中心，进行存储与显示。另外，还可以通过硬线连接关系进行传输，在此不做限定，只要能传输至地面中心即可。上述详细描述了列车的声振协同诊断方法对应的各个实施例，在此基础上，本发明还公开与上述方法对应的列车的声振协同诊断系统，图3为本发明实施例提供的一种列车的声振协同诊断系统的结构图。如图3所示，包括：
第一获取模块11，用于获取列车车厢客室内的噪声数据、列车车厢客室外的轮轨噪声数据和轮轨振动数据，其中，列车车厢客室内的噪声数据、列车车厢客室外的轮轨噪声数据和轮轨振动数据为同频同步采样数据；
预处理模块12，用于对列车车厢客室内的噪声数据、列车车厢客室外的轮轨噪声数据和轮轨振动数据进行预处理，分别得到预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据；
特征提取模块13，用于将预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据分别进行特征提取得到客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量；
确定模块14，用于获取样本公里标数据，调用声振协同诊断模型，以输入样本公里标数据、预处理后的噪声样本数据、轮轨噪声样本数据、轮轨振动样本数据、客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量；以便于声振协同诊断模型将客室内的噪声特征量作为因变量，将客室外的轮轨噪声特征量和轮轨振动特征量作为自变量进行关联分析确定样本公里标数据对应的列车客室噪声的影响因素及贡献率。
由于系统部分的实施例与上述的实施例相互对应，因此装置部分的实施例请参照上述方法部分的实施例描述，在此不再赘述。
对于本发明提供的一种列车的声振协同诊断系统的介绍请参照上述方法实施例，本发明在此不再赘述，其具有上述列车的声振协同诊断方法相同的有益效果。
图4为本发明实施例提供的一种列车的声振协同诊断装置的结构图，如图4所示，该装置包括：
存储器21，用于存储计算机程序；
处理器22，用于执行计算机程序时实现列车的声振协同诊断方法的步骤。
其中，处理器22可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器22可以采用数字信号处理器（Digital Signal Processor，DSP）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable LogicArray，PLA）中的至少一种硬件形式来实现。处理器22也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器（CentralProcessing Unit，CPU）；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器22可以集成有图像处理器（Graphics Processing Unit，GPU），GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器22还可以包括人工智能（Artificial Intelligence，AI）处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器21可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器21还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器21至少用于存储以下计算机程序211，其中，该计算机程序被处理器22加载并执行之后，能够实现前述任一实施例公开的列车的声振协同诊断方法的相关步骤。另外，存储器21所存储的资源还可以包括操作系统212和数据213等，存储方式可以是短暂存储或者永久存储。其中，操作系统212可以包括Windows、Unix、Linux等。数据213可以包括但不限于列车的声振协同诊断方法所涉及到的数据等等。
在一些实施例中，列车的声振协同诊断装置还可包括有显示屏23、输入输出接口24、通信接口25、电源26以及通信总线27。
领域技术人员可以理解，图4中示出的结构并不构成对列车的声振协同诊断装置的限定，可以包括比图示更多或更少的组件。
处理器22通过调用存储于存储器21中的指令以实现上述任一实施例所提供的列车的声振协同诊断方法。
对于本发明提供的一种列车的声振协同诊断装置的介绍请参照上述方法实施例，本发明在此不再赘述，其具有上述列车的声振协同诊断方法相同的有益效果。
进一步的，本发明还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器22执行时实现如上述列车的声振协同诊断方法的步骤。
可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
对于本发明提供的一种计算机可读存储介质的介绍请参照上述方法实施例，本发明在此不再赘述，其具有上述列车的声振协同诊断方法相同的有益效果。
以上对本发明所提供的一种列车的声振协同诊断方法、系统、装置及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (13)

1.一种列车的声振协同诊断方法，其特征在于，包括：
获取列车车厢客室内的噪声数据、所述列车车厢客室外的轮轨噪声数据和轮轨振动数据，其中，所述列车车厢客室内的噪声数据、所述列车车厢客室外的轮轨噪声数据和所述轮轨振动数据为同频同步采样数据；
对所述列车车厢客室内的噪声数据、所述列车车厢客室外的轮轨噪声数据和所述轮轨振动数据进行预处理，分别得到预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据；
将所述预处理后的噪声样本数据、所述轮轨噪声样本数据和所述轮轨振动样本数据分别进行特征提取得到客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量；
获取样本公里标数据，调用声振协同诊断模型，以输入所述样本公里标数据、所述预处理后的噪声样本数据、所述轮轨噪声样本数据、所述轮轨振动样本数据、所述客室内的噪声特征量、所述客室外的轮轨噪声特征量和所述轮轨振动特征量；以便于所述声振协同诊断模型将所述客室内的噪声特征量作为因变量，将所述客室外的轮轨噪声特征量和所述轮轨振动特征量作为自变量进行关联分析确定所述样本公里标数据对应的列车客室噪声的影响因素及贡献率；
其中，所述获取样本公里标数据，包括：
获取列车的运行数据，其中，所述运行数据至少包括车轮的转速数据、所述车轮的轮径、站点信息和公里标信息；
通过所述车轮的转速数据得到所述车轮的转速脉冲周期采样点数；
根据所述转速脉冲周期采样点数、所述公里标信息和所述车轮的轮径确定所述样本公里标数据；
对应地，所述样本公里标数据的获取公式如下：
；
其中，为列车的起始站点公里标数据，Ln为车轮与所述起始站点公里标数据的间距，表示列车的行驶方向转换的上下行信息，为所述车轮的轮径，为转速脉冲整周期数，为转速脉冲小数周期采样点数，为最后一个转速脉冲整周期采样点数。
2.根据权利要求1所述的列车的声振协同诊断方法，其特征在于，所述列车车厢客室内的噪声数据、所述列车车厢客室外的轮轨噪声数据和所述轮轨振动数据的获取过程，包括：
在所述列车车厢客室内安装传声器采集所述列车车厢客室内的噪声数据；
在安装有所述传声器的所述列车车厢客室对应的客室外轴箱处安装传声器和振动传感器，分别获取对应轴箱位置的所述列车车厢客室外的轮轨噪声数据和所述轮轨振动数据。
3.根据权利要求1所述的列车的声振协同诊断方法，其特征在于，所述对所述列车车厢客室内的噪声数据、所述列车车厢客室外的轮轨噪声数据和所述轮轨振动数据进行预处理，分别得到预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据，包括：
获取列车的运行数据，其中，所述运行数据至少包括车轮的转速数据、站点信息和公里标信息；
根据所述站点信息和所述公里标信息对所述列车车厢客室内的噪声数据、所述列车车厢客室外的轮轨噪声数据和所述轮轨振动数据进行打标分段处理得到所述预处理后的噪声样本数据、所述轮轨噪声样本数据和所述轮轨振动样本数据。
4.根据权利要求1所述的列车的声振协同诊断方法，其特征在于，所述转速脉冲周期采样点数包括转速脉冲整周期采样点数和转速脉冲小数周期采样点数，所述车轮的转速脉冲周期采样点数的确定过程，包括：
根据所述车轮的转速数据确定相邻转速脉冲之间的采样点数；
将各所述采样点数进行累计确定所述转速脉冲整周期采样点数；
根据所述预处理后的噪声样本数据、所述轮轨噪声样本数据和所述轮轨振动样本数据确定样本数据的采样点数；
根据所述样本数据的采样点数与所述转速脉冲整周期采样点数确定所述转速脉冲小数周期采样点数。
5.根据权利要求1所述的列车的声振协同诊断方法，其特征在于，所述根据所述转速脉冲周期采样点数、所述公里标信息和所述车轮的轮径确定所述样本公里标数据，包括：
根据所述车轮的转速数据确定相邻转速脉冲；
将所述相邻转速脉冲进行计数，在计数值等于所述车轮对应的轴箱的转速轮齿数时，计数器加1，确定所述计数器记录的数据为转速脉冲整周期数；
获取所述列车的起始站点公里标数据、所述列车的行驶方向、所述车轮与所述起始站点公里标数据的间距和所述车轮的轮径；
根据所述车轮的轮径与所述转速脉冲整周期数确定轮轨转速距离；
将所述车轮的轮径、所述转速脉冲小数周期采样点数和最后一个转速脉冲整周期采样点数确定轮对周期距离；
将所述列车的起始站点公里标数据、所述列车的行驶方向转换的上下行信息、所述车轮与所述起始站点公里标数据的间距、所述轮轨转速距离和所述轮对周期距离进行加和处理得到所述样本公里标数据。
6.根据权利要求1所述的列车的声振协同诊断方法，其特征在于，所述将所述预处理后的噪声样本数据、所述轮轨噪声样本数据和所述轮轨振动样本数据分别进行特征提取得到客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量，包括：
将所述预处理后的噪声样本数据进行声压级处理得到客室噪声声压级；
将所述轮轨噪声样本数据进行快速傅里叶变换处理得到轮轨噪声频谱特征量，将所述轮轨振动样本数据进行快速傅里叶变换处理得到轮轨振动频谱特征量；将所述轮轨噪声频谱特征量和所述轮轨振动频谱特征量进行倍频程处理得到轮轨噪声倍频程特征量和轮轨振动倍频程特征量；
将所述轮轨噪声倍频程特征量和所述轮轨振动倍频程特征量分别作为所述客室外的轮轨噪声特征量和所述轮轨振动特征量。
7.根据权利要求6所述的列车的声振协同诊断方法，其特征在于，所述声振协同诊断模型将所述客室内的噪声特征量作为因变量，将所述客室外的轮轨噪声特征量和所述轮轨振动特征量作为自变量进行关联分析确定所述样本公里标数据对应的列车客室噪声的影响因素及贡献率，包括：
将所述客室噪声声压级作为因变量；
根据倍频程对所述轮轨噪声倍频程特征量和所述轮轨振动倍频程特征量进行分频得到每倍频轮轨噪声倍频程特征量和每倍频轮轨振动倍频程特征量；
将所述每倍频轮轨噪声倍频程特征量和所述每倍频轮轨振动倍频程特征量作为自变量；
根据所述因变量和所述自变量计算影响列车客室噪声的轮轨噪声频段、轮轨振动频段和所述贡献率。
8.根据权利要求7所述的列车的声振协同诊断方法，其特征在于，所述将所述轮轨噪声样本数据进行快速傅里叶变换处理得到轮轨噪声频谱特征量，将所述轮轨振动样本数据进行快速傅里叶变换处理得到轮轨振动频谱特征量，包括：
将所述轮轨振动样本数据进行横向通道与垂向通道处理得到轮轨横向振动样本数据、轮轨垂向振动样本数据，并对所述轮轨横向振动样本数据、轮轨垂向振动样本数据进行快速傅里叶变换处理得到轮轨横向振动频谱特征量和轮轨垂向振动频谱特征量；将所述轮轨横向振动频谱特征量和轮轨垂向振动频谱特征量进行倍频程处理得到轮轨横向振动倍频程特征量、轮轨垂向振动倍频程特征量；
对应地，根据倍频程对所述轮轨振动倍频程特征量进行分频得到所述每倍频轮轨振动倍频程特征量，包括：
根据倍频程对所述轮轨横向振动倍频程特征量和轮轨垂向振动倍频程特征量进行分频得到每倍频轮轨横向振动倍频程特征量和每倍频轮轨垂向振动倍频程特征量；
对应地，将所述每倍频轮轨振动倍频程特征量作为自变量，包括：
将所述每倍频轮轨横向振动倍频程特征量和每倍频轮轨垂向振动倍频程特征量作为自变量。
9.根据权利要求7所述的列车的声振协同诊断方法，其特征在于，在所述客室内的噪声特征量、所述客室外的轮轨噪声特征量和所述轮轨振动特征量输入至所述声振协同诊断模型之前，还包括：
将所述每倍频轮轨噪声倍频程特征量、所述每倍频轮轨振动倍频程特征量和所述客室噪声声压级进行标准化处理以输入至所述声振协同诊断模型。
10.根据权利要求9所述的列车的声振协同诊断方法，其特征在于，所述声振协同诊断模型的建立过程，包括：
获取当前迭代次数的第一矩阵和第二矩阵，其中，所述第一矩阵和所述第二矩阵在首次迭代次数时对应为标准化处理后的自变量和因变量；
根据所述第一矩阵、所述第一矩阵的转置矩阵、所述第二矩阵和所述第二矩阵的转置矩阵确定对应的第三矩阵；
根据各所述第三矩阵确定最大特征值的特征向量；
根据所述第一矩阵、所述第二矩阵和各所述特征向量确定所述当前迭代次数对应的主成分和回归系数；
根据所述第一矩阵的转置矩阵、所述第二矩阵的转置矩阵分别和所述当前迭代次数对应的主成分确定对应的第一权重系数和第二权重系数；
根据所述第一权重系数、所述第二权重系数分别和所述当前迭代次数的主成分确定对应的第一残差矩阵和第二残差矩阵；
在所述第一残差矩阵大于预设值的情况下，将所述第一残差矩阵、所述第二残差矩阵作为下一个迭代的所述第一矩阵和所述第二矩阵，返回至所述获取当前迭代次数的第一矩阵和第二矩阵的步骤，直至所述第一残差矩阵小于或者等于所述预设值为止；
在所述第一残差矩阵小于或者等于所述预设值的情况下，获取各迭代次数下对应的主成分和所述回归系数；
根据各所述迭代次数下对应的主成分和所述回归系数确定标准化回归方程；
将所述标准化回归方程进行还原得到所述轮轨振动数据和轮轨噪声数据对所述列车车厢客室内的噪声数据的贡献率结果。
11.一种列车的声振协同诊断系统，其特征在于，包括：
第一获取模块，用于获取列车车厢客室内的噪声数据、所述列车车厢客室外的轮轨噪声数据和轮轨振动数据，其中，所述列车车厢客室内的噪声数据、所述列车车厢客室外的轮轨噪声数据和所述轮轨振动数据为同频同步采样数据；
预处理模块，用于对所述列车车厢客室内的噪声数据、所述列车车厢客室外的轮轨噪声数据和所述轮轨振动数据进行预处理，分别得到预处理后的噪声样本数据、轮轨噪声样本数据和轮轨振动样本数据；
特征提取模块，用于将所述预处理后的噪声样本数据、所述轮轨噪声样本数据和所述轮轨振动样本数据分别进行特征提取得到客室内的噪声特征量、客室外的轮轨噪声特征量和轮轨振动特征量；
确定模块，用于获取样本公里标数据，调用声振协同诊断模型，以输入所述样本公里标数据、所述预处理后的噪声样本数据、所述轮轨噪声样本数据、所述轮轨振动样本数据、所述客室内的噪声特征量、所述客室外的轮轨噪声特征量和所述轮轨振动特征量；以便于所述声振协同诊断模型将所述客室内的噪声特征量作为因变量，将所述客室外的轮轨噪声特征量和所述轮轨振动特征量作为自变量进行关联分析确定所述样本公里标数据对应的列车客室噪声的影响因素及贡献率；
其中，所述获取样本公里标数据，包括：
获取列车的运行数据，其中，所述运行数据至少包括车轮的转速数据、所述车轮的轮径、站点信息和公里标信息；
通过所述车轮的转速数据得到所述车轮的转速脉冲周期采样点数；
根据所述转速脉冲周期采样点数、所述公里标信息和所述车轮的轮径确定所述样本公里标数据；
对应地，所述样本公里标数据的获取公式如下：
；
其中，为列车的起始站点公里标数据，Ln为车轮与所述起始站点公里标数据的间距，表示列车的行驶方向转换的上下行信息，为所述车轮的轮径，为转速脉冲整周期数，为转速脉冲小数周期采样点数，为最后一个转速脉冲整周期采样点数。
12.一种列车的声振协同诊断装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至10任一项所述的列车的声振协同诊断方法的步骤。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1至10任一项所述的列车的声振协同诊断方法的步骤。
CN202311330499.8A 2023-10-16 2023-10-16 一种列车的声振协同诊断方法、系统、装置及介质 Active CN117109953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311330499.8A CN117109953B (zh) 2023-10-16 2023-10-16 一种列车的声振协同诊断方法、系统、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311330499.8A CN117109953B (zh) 2023-10-16 2023-10-16 一种列车的声振协同诊断方法、系统、装置及介质

Publications (2)

Publication Number Publication Date
CN117109953A CN117109953A (zh) 2023-11-24
CN117109953B true CN117109953B (zh) 2024-01-02

Family

ID=88813020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311330499.8A Active CN117109953B (zh) 2023-10-16 2023-10-16 一种列车的声振协同诊断方法、系统、装置及介质

Country Status (1)

Country Link
CN (1) CN117109953B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1996035981A1 (de) * 1995-05-10 1996-11-14 Institut Für Sicherheitstechnologie (Istec) Gmbh Verfahren zur zustandsüberwachung dynamischer rauschprozesse
WO2006021050A1 (en) * 2004-08-26 2006-03-02 Queensland Rail Analysis of wheel-rail noise
JP2008081102A (ja) * 2006-08-31 2008-04-10 Hokkaido Railway Co 車両走行動揺／騒音解析システム、車両走行動揺／騒音解析方法、車両走行騒音解析システムおよび車両走行騒音解析方法
JP2012126158A (ja) * 2010-12-13 2012-07-05 Central Japan Railway Co 線路測定データ分析システム
CN109187059A (zh) * 2018-11-28 2019-01-11 中车长春轨道客车股份有限公司 整车半消声室环境下轨道车辆结构传声路径试验测试方法
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
CN115140132A (zh) * 2022-07-26 2022-10-04 北京唐智科技发展有限公司 一种轨道状态监测方法、系统、设备及介质
KR20220150516A (ko) * 2021-05-04 2022-11-11 케이티엠엔지니어링(주) 철도 차량용 감속기 작동 상태 진단 시스템
CN116080692A (zh) * 2023-02-16 2023-05-09 中铁四院集团南宁勘察设计院有限公司 一种车载式振噪结合病害监测系统及其使用方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7640139B2 (en) * 2004-10-18 2009-12-29 Nsk Ltd. Abnormality diagnosing system for mechanical equipment
DE102005012702B3 (de) * 2005-03-11 2006-09-14 Forschungsinstitut für Kraftfahrwesen und Fahrzeugmotoren Stuttgart (FKFS) Verfahren und System zum Bestimmen des Reifen-Fahrbahngeräusch-Anteils am Gesamtgeräusch in einem Fahrzeuginnenraum

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1996035981A1 (de) * 1995-05-10 1996-11-14 Institut Für Sicherheitstechnologie (Istec) Gmbh Verfahren zur zustandsüberwachung dynamischer rauschprozesse
WO2006021050A1 (en) * 2004-08-26 2006-03-02 Queensland Rail Analysis of wheel-rail noise
JP2008081102A (ja) * 2006-08-31 2008-04-10 Hokkaido Railway Co 車両走行動揺／騒音解析システム、車両走行動揺／騒音解析方法、車両走行騒音解析システムおよび車両走行騒音解析方法
JP2012126158A (ja) * 2010-12-13 2012-07-05 Central Japan Railway Co 線路測定データ分析システム
CN109187059A (zh) * 2018-11-28 2019-01-11 中车长春轨道客车股份有限公司 整车半消声室环境下轨道车辆结构传声路径试验测试方法
KR20220150516A (ko) * 2021-05-04 2022-11-11 케이티엠엔지니어링(주) 철도 차량용 감속기 작동 상태 진단 시스템
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
CN115140132A (zh) * 2022-07-26 2022-10-04 北京唐智科技发展有限公司 一种轨道状态监测方法、系统、设备及介质
CN116080692A (zh) * 2023-02-16 2023-05-09 中铁四院集团南宁勘察设计院有限公司 一种车载式振噪结合病害监测系统及其使用方法

Also Published As

Publication number Publication date
CN117109953A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
Chen et al. A two-level adaptive chirp mode decomposition method for the railway wheel flat detection under variable-speed conditions
Bechhoefer et al. Processing for improved spectral analysis
CN107664579A (zh) 变速器齿轮啸叫啮合阶次提取及判定方法
CN113343928B (zh) 变速路段高速铁路钢轨波磨检测方法及装置、计算机设备
CN111751117A (zh) 一种特种车辆健康状态评估方法及装置
CN105928702A (zh) 基于形态分量分析的变工况齿轮箱轴承故障诊断方法
CN107063339B (zh) 铁道沿线落石与行车信号分类分级判断识别方法
CN107121285A (zh) 一种滚动轴承振动信号故障特征提取方法
CN110530509B (zh) 基于最大熵谱分析的高速动车组轴箱振动主频预测方法
CN113281414B (zh) 钢轨短波病害类型的识别方法及装置、以及电子设备
JPH10258974A (ja) 非定常信号解析装置及び非定常信号解析プログラムを記録した媒体
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
CN115758289B (zh) 一种基于多任务学习神经网络的钢轨波磨识别方法
CN111487318B (zh) 一种时变结构瞬时频率提取方法
US6199019B1 (en) Unsteady signal analyzer and medium for recording unsteady signal analyzer program
CN110398343A (zh) 利用主动型振动控制技术的模型船舶阻力测量系统
Tutmez et al. Quantifying uncertainty in railway noise measurement
CN107883996A (zh) 一种数据采集与信号处理方法及数据采集器
CN117109953B (zh) 一种列车的声振协同诊断方法、系统、装置及介质
CN114056381A (zh) 一种铁道车辆车轮扁疤监测方法
Singh et al. Contact point response-based indirect bridge health monitoring using roboust empirical mode decomposition
CN113820006A (zh) 一种弱信噪比单频正弦信号的参数估计方法及装置
JP3885297B2 (ja) 異音判定装置及び異音判定方法
Nacib et al. A comparative study of various methods of gear faults diagnosis
CN112033709B (zh) 一种基于动力学监测的城轨车辆服役能力评估方法

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