一种基于振动和声频复合信号的高速铁路钢轨伤损实时检测方法
【专利摘要】本发明公开了一种基于振动和声频复合信号的高速铁路钢轨伤损实时检测方法，其步骤为：一、高速铁路钢轨上安装振动和声学传感器，结合无线节点处理器构成一个无线传感器网络，实时测量钢轨振动信号和声频信号；二、根据轨道实际结构，采用有限元方法构建轨道振动模型和声学模型，得到典型钢轨伤损的振动和声频信号；三、利用希尔伯特-黄变换对信号进行预处理；四、融合振动和声学信号建立振动、声频和伤损种类三维张量；五、利用非负张量分解提取伤损种类特征系数；六、利用相关向量机建立伤损识别规则并对实时测量信号进行分类，确定伤损类型。本发明实现了高速铁路钢轨伤损实时检测，保障高速铁路安全运行。
【专利说明】一种基于振动和声频复合信号的高速铁路钢轨伤损实时检测方法
【技术领域】
[0001]本发明涉及一种高速铁路钢轨伤损的检测方法，尤其是一种基于振动和声频复合信号的高速铁路钢轨伤损实时检测方法。
【背景技术】
[0002]随着我国铁路运输的大力建设，特别是高速铁路的飞速发展，铁路运输的安全显得越来越重要。由于伤损检测速度的限制，传统的超声伤损探测技术及模式无法满足高速铁路的探伤要求，新型高速铁路探伤技术的研究迫在眉睫。
[0003]钢轨在使用的过程中，会发生折断、裂纹及其它伤损形式，即为钢轨伤损。钢轨伤损是断轨的主要原因，是影响行车安全的重要隐患，列车出轨事故主要由钢轨断裂产生。列车在加速和制动过程中以及通过钢轨接缝、弯道和道岔时，长期产生对钢轨的强烈摩擦、挤压、弯曲和冲击，钢轨极易产生疲劳裂纹，裂纹一旦产生就易于快速扩展，从而造成钢轨折断等重大恶性事故。高速列车对钢轨的摩擦、挤压、弯曲和冲击等作用更加突出，使其产生裂纹的概率大大增加，而且从裂纹发展到钢轨断裂的速度更快。为了保证高速铁路的安全运行，必须缩短高速铁路的检测周期。另外高速铁路的行车密度大、车速高，现有的以大型探伤车为主、小型探伤仪为辅的铁路钢轨探伤模式对钢轨进行检测时将占用高铁线路，严重的影响了列车运行的效率。同时，小型钢轨探伤仪也只能进行局部范围内有限的检测。传统的探伤方式很难满足高速铁路的需求，为此必须尽快开发快速、准确、实时的高速铁路探伤技术。
【发明内容】
[0004]本发明的目的在于提供一种基于振动和声频复合信号的高速铁路钢轨伤损实时检测方法，实时、准确的获取钢轨伤损信息。
[0005]本发明的目的是通过以下技术方案实现的:
[0006]步骤一:在高速铁路轨道钢轨上安装振动传感器和声学传感器，结合无线网络节点处理器相连构成一个高速铁路沿线的分布式无线传感器网络，对钢轨振动信号和声频信号进行实时采集；
[0007]步骤二:根据轨道实际结构，采用有限元方法构建轨道振动模型和声学模型，得到典型钢轨伤损的振动和声频信号；
[0008]步骤三:利用希尔伯特-黄变换对采集到的信号进行预处理，获得信号的希尔伯特边际谱；
[0009]步骤四:融合振动和声学信号建立振动、声频和伤损种类三维张量；
[0010]步骤五:利用非负张量分解方法对三维张量进行分解，提取典型钢轨伤损的伤损种类特征系数；
[0011]步骤六:使用步骤五提取的伤损特征系数对相关向量机进行训练，建立伤损识别规则并对实时测量到的振动和声频信号进行分类，确定伤损类型。
[0012]由于钢轨伤损会带来振动信号和声频信号的变化，这些信号中包含着伤损的信息，本发明通过无线传感器网络实时检测轨道钢轨伤损的振动和声频信号，利用希尔伯特-黄变换(Hi Ibert一Huang Transform, HHT)进行信号预处理、非负张量分解(Non—negativeTensor FactoriZation,NTF)进行多维数据的特征提取和相关向量机(RelevanceVector Machine, RVM)对伤损进行识别分类，快速、准确获取钢轨伤损实时信息，从而保障高速铁路的安全运行。本发明与现有技术相比，具有如下优点:
[0013](I)针对目前钢轨的探伤方式多为探伤车和探伤仪，本发明通过建立轨道沿线探伤无线传感器网络，实现对高速铁路钢轨伤损状况的实时监测；
[0014](2)通过建立钢轨有限元模型以获得各种典型伤损情况下的特征信号，用于建立相应的钢轨伤损分类器，为实测信号的伤损分类提供伤损判断准则；
[0015](3)充分发挥HHT分析非线性、非平稳信号的高效性，对信号进行预处理，以减少传输数据量，提高节点工作效率；
[0016](4)结合振动和声频信号构造多维信号张量进行伤损特征系数提取，相对于单一使用一种类型的信号能更有效的提取隐含在数据中具有识别能力的特征，提高识别的准确性。
【专利附图】
【附图说明】
[0017]图1为本发明的流程图；
[0018]图2为系统结构示意图；
[0019]图3为希尔伯特-黄变换(HHT)流程图；
[0020]图4为振动和声频信号构建二维信号不意图；
[0021]图5为振动信号、声频信号和伤损种类三维张量构建示意图；
[0022]图6为非负张量分解流程图；
[0023]图7为建立的轨道钢轨有限元模型；
[0024]图8为HHT分解后的各阶MF和残差。
【具体实施方式】
[0025]下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
[0026]【具体实施方式】一:本实施方式提供了一种基于振动和声频复合信号的高速铁路钢轨伤损实时检测方法，如图1所示，共分为六个步骤，具体步骤如下:
[0027]步骤一:在高速铁路轨道钢轨上安装振动传感器和声学传感器，结合无线网络节点处理器构成高速铁路沿线的分布式无线传感器网络，对钢轨振动信号和声频信号进行实时米集。
[0028]用于高速铁路探伤的分布式无线传感器网络包含两类传感器:振动传感器和声学传感器。振动传感器主要用于轨道垂直振动信号的采集，以获取有无列车经过时轨道自身以及列车经过时轮轨相互作用所产生的各种振动信号，同时也包含钢轨伤损所引起的振动特性变化；声学传感器主要用于轨道列车经过时的声频的信号采集，它既包含各种振动所引起的噪声信号，也包含列车经过时轮轨之间的钢轨伤损信息。
[0029]若干个振动传感器和声学传感器安装在钢轨侧部，将两种传感器连接到无线节点处理器，在列车经过时，振动传感器对列车激励产生的垂向轨道振动信号进行采集，声学传感器采集包含轮轨声频特征的信息，无线网络节点处理器对采集到的振动信号和声频信号进行预处理，并通过无线传感器网络发送到信息处理中心或巡检探伤车，无线网络节点处理器同时还将负责有无列车时节点的工作状态控制，以便节省能源、延长节点的使用寿命。信息处理中心或巡检探伤车将接收到的信号通过伤损识别规则方法进行分类，判断伤损的种类。其整个系统结构如图2所示。
[0030]步骤二:根据轨道实际结构，采用有限元方法构建轨道振动模型和声学模型，得到典型钢轨伤损的振动和声频信号。
[0031]采用有限元建模方法建立钢轨三维有限元模型(图7)，得到典型伤损的振动和声频信号，为钢轨伤损识别分类器的建立提供了样本数据，为实测信号的伤损分类提供伤损判断准则。有限元模型需要选择合适的时间分辨率和空间分辨率，其时间间隔和单元长度公式如下:
【权利要求】
1.一种基于振动和声频复合信号的高速铁路钢轨伤损实时检测方法，其特征在于所述方法步骤如下: 步骤一:在高速铁路轨道钢轨上安装振动传感器和声学传感器，结合无线网络节点处理器相连构成一个高速铁路沿线的分布式无线传感器网络，对钢轨振动信号和声频信号进行实时采集； 步骤二:根据轨道实际结构，采用有限元方法构建轨道振动模型和声学模型，得到典型钢轨伤损的振动和声频信号； 步骤三:利用希尔伯特-黄变换对采集到的信号进行预处理，获得信号的希尔伯特边际谱； 步骤四:融合振动和声学信号建立振动、声频和伤损种类三维张量； 步骤五:利用非负张量分解方法对三维张量进行分解，提取典型钢轨伤损的伤损种类特征系数； 步骤六:使用步骤五提取的伤损特征系数对相关向量机进行训练，建立伤损识别规则并对实时测量到的振动和声频信号进行分类，确定伤损类型。
2.根据权利要求1所述的一种基于振动和声频复合信号的高速铁路钢轨伤损实时检测方法，其特征在于所述步骤一的具体步骤如下: 若干个振动传感器和声学传感器安装在高速铁路轨道钢轨侧部，并将两种传感器连接到无线节点处理器构成一个高速铁路沿线的分布式无线传感器网络，在列车经过时，振动传感器对列车激励产生的垂向轨道振动信号进行采集，声学传感器采集轮轨声频特征的信息，并将采集到信号进行预处理后通过无线传感器网络发送到信息处理中心或巡检探伤车。
3.根据权利要求1所述的一种基于振动和声频复合信号的高速铁路钢轨伤损实时检测方法，其特征在于所述步骤二中，采用有限元建模方法建立钢轨三维有限元模型，得到典型伤损的振动和声频信号。
4.根据权利要求1所述的一种基于振动和声频复合信号的高速铁路钢轨伤损实时检测方法，其特征在于所述步骤三的具体步骤如下: 步骤I)、找出振动或者声频信号x(t)的极大值和极小值； 步骤2)、通过三次样条插值方法分别生成信号的局部极大值和局部极小值包络； 步骤3)、将信号的局部极大值包络和局部极小值包络相加求平均，得到局部包络均值m(t)； 步骤4)、从信号中减去局部包络均值:h (t) =x (t) -m (t)； 步骤5)、判断h(t)是否满足IMF的条件:条件一、在整个函数中，极值点的数目与穿越零点的数目相等，或者只相差I ;条件二、在任意时刻，由极值包络线所定义的包络均值为零；如果满足，得到第一个MF C1 (t)，同时定义残差项(t) =x (t) -C1 (t)，执行步骤6)，如果不满足，将信号h(t)执行步骤I)到步骤4)； 步骤6)、将残差作为待分解的信号继续应用上述筛选过程分解出各个頂Fci (t)，i=l,…，n，分解至r为常函数、单调函数或只具有一个极值点的函数时，分解结束，得到x(t)如下形式的分解JW = ZL1 c.(0 +「，其中，残差项r代表了信号x(t)的基本趋势； 步骡7)、对上述得到的x(t)分解形式进行希尔伯特变换，构造解析信号，表示为极坐标形式，并取实部，得希尔伯特谱H(W，t):
5.根据权利要求1所述的一种基于振动和声频复合信号的高速铁路钢轨伤损实时检测方法，其特征在于所述步骤四的具体步骤如下: 步骤I)、振动传感器对钢轨上伤损振动信号进行测量，记为:Xl，并对其进行HHT变换得到希尔伯特边际谱，记为:f\ ;声学传感器对钢轨上伤损声频信号进行测量，记为:x2，并对其进行HHT变换得到希尔伯特边际谱，记为:f2 ； 步骤2)、每个fi; (i=l，2)都是一维的信号，利用振动和声频的这2个一维信号构建出一个二维信号记为:Xviteti°nX_stie，其中vibration代表振动信号值、acoustic代表声频信号值； 步骤3)、根据不同的伤损情况，即伤损种类构建信号的第三维，记为:xVib—ustieXelass，其中Vibration代表振动信号值、acoustic代表声频信号值、class代表伤损种类。
6.根据权利要求1所述的一种基于振动和声频复合信号的高速铁路钢轨伤损实时检测方法，其特征在于所述步骤五的具体步骤如下: 三维张量信号表示为:xvib?ti?Xa_stieXelass=GxiA(1)X2A(2)X3A(3)，其中 G，A(1), A(2)，A(3) > 0，进行非负张量分解，其步骤如下: 步骤I)、随机初始化Αω(η=1，2，3)，计算最小化的最小均方误差 Cnew=I |Χω-ΑωΖωτ| I2，其中:为原始信号…Xcl.、
7.根据权利要求1、4、5或6所述的一种基于振动和声频复合信号的高速铁路钢轨伤损实时检测方法，其特征在于所述步骤六的具体步骤如下: 步骤I)、利用步骤二得到的典型伤损的振动和声频信号，并结合步骤三、步骤四和步骤五的信号处理方法得到特征向量系数；步骤2)、利用步骤I)的特征向量系数进行相关向量机训练，得到具有伤损识别分类的相关向量机，建立伤损识别规则； 步骤3)、通过轨道的分布式无线传感器网络，测量列车激励下的钢轨振动信号和声频信号，并对这些信号利用步骤三、步骤四和步骤五计算信号特征系数； 步骤4)、利用步骤2)中得到相关向量机对步骤3)中得到的信号特征系数进行分类，识别该实时测量信号的 伤损类型。
【文档编号】G01N29/04GK103808801SQ201410093836
【公开日】2014年5月21日 申请日期:2014年3月14日 优先权日:2014年3月14日
【发明者】沈毅, 章欣, 王艳, 冯乃章, 孙明健 申请人:哈尔滨工业大学