一种基于振动信号融合的高速道岔裂纹伤损智能检测方法
【技术领域】
[0001] 本发明涉及一种基于振动信号的高速道岔裂纹伤损智能检测方法，属于铁路道岔 检测与维护技术领域。
【背景技术】
[0002] 道岔作为铁路轨道的重要组成部分，是高速铁路不可或缺的线路设备，同时也是 线路上的薄弱环节，与列车运行速度和安全性能密切相关。在列车经过道岔转换线路时，由 于车轮对轨道的强大冲击力作用，可能导致道岔出现接触疲劳、磨损、裂纹甚至轨道变形等 伤损类型。如果未及时对道岔伤损进行检测、处理，随着时间的推移，道岔伤损进一步恶化， 可能会引发列车脱轨等重大事故，这对列车的安全运行构成了严重威胁。因此，研究道岔伤 损识别，实时获取道岔工作状态信息，对保障列车高效、安全运行具有重要意义。
[0003] 针对道岔伤损监测问题，各国都进行了深入的研究并研发出相应的道岔监测 系统，如法国道岔采用的Track and Turnout monitoring监测系统，德国道岔采用的 RoadmasterfOOO监测系统等，以上系统能够实现对道岔通讯设备、电流、电压、轨道电路及 转辙机状态、各牵引点的转换力等的监控，为道岔工作状态信息的实时监测提供了强有力 的手段。但这些系统也存在不足之处，比如缺少对道岔磨耗、裂纹、接触疲劳等伤损的检 测。目前，我国的道岔伤损检测主要以传统的大型探伤车和小型探伤仪相结合的探伤机制 为主，这种探伤方法虽然一定程度上可以检测出道岔伤损，但存在检测效率低、检测范围有 限、占道检查影响列车运行效率等问题，难以满足我国高速铁路快速发展的需求。
[0004]
【发明内容】
[0005] 本发明的目的是针对现有检测技术的不足，提供一种基于振动信号的高速道岔裂 纹伤损智能检测方法。
[0006] 本发明所采用的技术方案具体实施步骤如下：
[0007] (1)根据道岔的单跨简支梁模态振型的变化规律，在高速道岔的岔尖、岔中和岔尾 三个测点处安装振动加速度传感器；
[0008] (2)列车经过道岔时，分别采集三个测点处的道岔振动信号。不失一般性，记岔尖 测点处的振动信号为x(i)，i = 1，…，N，N为采样点数。
[0009] (3)采用CEEMD对x(i)进行自适应分解，得到包含道岔伤损信息的M个本征模态 分量（IMF),记为c j⑴，j = 1，2,…，M。
[0010] ⑷计算MF分量cJi)与原振动信号x(i)的相关系数
[0011]
[0012] 其中，#和丨弓分别表示X(i)和C]⑴的平均值。
[0013](5)选取n_j大于阈值T的m个IMF分量作为该测点振动信号的主IMF分量，记为 ci(0，.k= 1，2,…，m〇
[0014] (6)计算主頂F分量<(/)的奇异熵Ek并将这m个奇异熵E k (k = 1，2,…，m)作为 岔尖测点的道岔伤损特征值，记为氏={E u E2，…EJ。
[0015] (7)类似地，对岔中、岔尾测点采集的振动信号分别执行步骤⑶一步骤（6)，得到 岔中和岔尾测点处的道岔伤损特征值H 2、H3。然后对氏、H2、H3进行扩维特征融合，形成3m 维的道岔伤损特征向量H = {氏、H2、H3}。
[0016] (8)将伤损特征向量H输入最小二乘支持矢量机（LSSVM)模型，选取径向基函数作 为核函数，利用网格搜索和交叉验证对LSSVM惩罚因子和径向基函数参数进行寻优，进而 实现道岔工作状态和伤损类型的判断。
[0017] 在上述的一种基于振动信号的高速道岔裂纹伤损智能检测方法，其特征在于，所 述步骤（5)中的阈值T = 0? 1。
[0018] 在实际实施中，所述步骤（6)的主頂F分量<(/)的奇异熵E k计算步骤如下：
[0019] (6. 1)对<(〇进行相空间重构。将q(/)嵌入到（N-n+1) Xn维相空间内，得到重构 吸引子轨道矩阵X
[0020]
[0021] 其中n为嵌入维数，N为信号采样点数。
[0022] 对X进行奇异值分解，即
[0023] X = U A VT (3)
[0024] 其中，r￡贺(#，+丨_-《.+.1.):和厂^识劃为正交矩阵，.Ag.diag(A t，％，…為 为对角矩阵，且q满足q = min (N-n+1，n)。入j (j = 1，2,…，q)称为矩阵X的奇异值。
[0025] (6. 2)计算c((/)的奇异熵Ek。从入」(j = 1，2,…，q)中选取前v个最大奇异值， 且V满足X AZX > 85%，.贝崎异熵EkS j=i j-i
[0026] (4)
[0027] 其中
I第j个奇异值在整个奇异值中的权重。
[0028] 在实际实施中，所述步骤（8)的参数寻优步骤如下：
[0029] (8. 1)初始化惩罚因子Y e [e5,e5]，核函数参数〇 e [e5,e5]，网格大小取 10X10,共得到100组参数对。
[0030] (8. 2)将训练样本数据均分为10组，对网格中每一组参数对（Y，0 )执行以下操 作：
[0031] (8. 3)选择其中一组样本数据作为测试集，其余9组作为训练集，得到LSSVM的预 测误差S。
[0032] (8. 4)重复步骤（8. 3)执行10次，每次均选择不同子集作为训练集，并将10次实 验得到的预测误差求平均值，得到该组（Y，〇)的预测误差冢。
[0033] (8. 5)改变参数集合（Y，〇 2)，重复执行步骤（8. 3)和（8. 4)，依次得到不同组合 参数下LSSVM的预测误差#.，将预测误差均值最小的一组参数作为网格内的最优模型参数 组合。
[0034] 与现有技术相比，本发明的有益效果是：
[0035] 1)本发明基于振动信号对道岔进行伤损检测，该方法的信号采集简单，且信号蕴 含了丰富的道岔状态信息，能够实现道岔工况的实时检测而无须大量占用轨道设备。
[0036] 2) CEEMD方法有效抑制了 EMD存在的模态混叠问题及EEMD的噪声残余问题，适合 于处理非线性、非平稳的道岔振动信号，而奇异熵具有奇异值分解挖掘矩阵模态特征的功 能及信息熵描述信号序列复杂性的特点，提取出的IMF奇异熵能够较好反映道岔的伤损特 征。
[0037] 3)本发明采用LSSVM作为分类器，无须人为设定判决阈值，可实现道岔伤损类型 自动判别。同时，采用网格搜索和交叉验证对LSSVM参数进行寻优，减小了参数选择的盲目 性，提高了伤损检测的准确率。
【附图说明】
[0038] 图1为本发明流程图；
[0039] 图2为道岔振动传感器安装示意图；
[0040]图3为道岔尖端不同工况的时域波形，其中：(a)正常道岔，（b)裂纹0. 5cm，（c)裂 纹 L 5cm;
[0041] 图4为正常道岔振动信号CEEMD分解结果；
[0042] 图5为不同工况道岔振动信号各頂F与原信号的相关系数，其中：(a)道岔尖端， (b)道岔中部，（c)道岔尾端；
[0043] 图6A为道岔尖端不同工况的奇异熵分布图；
[0044] 图6B为裂纹1. 5cm不同位置的奇异熵分布图；
[0045] 图7为网格搜索和交叉验证参数寻优结果；
[0046] 图8为道岔尖端不同工况下第一阶頂F的功率谱密度，其中：（a)正常道岔，（b) 裂纹 0? 5cm, (c)裂纹 1. 5cm ;
[0047] 图9为不同噪声对伤损识别结果的影响。
【具体实施方式】
[0048] 下面结合附图和实施例对本发明进行详细说明。
[0049] 如图1所示，本发明的【具体实施方式】是，一种基于振动信号的高速道岔裂纹伤损 智能检测方法，其步骤是：
[0050] (1)根据道岔的单跨简支梁模态振型的变化规律，在高速道岔的岔尖、岔中和岔尾 三个测点处安装振动加速度传感器；
[0051] (2)列车经过道岔时，分别采集三个测点处的道岔振动信号。不失一般性，记岔尖 测点处的振动信号为x(i), i = 1，…，N，N为采样点数。
[0052] (3)采用完备集合经验模态分解（CEEMD)对x(i)进行自适应分解，得到包含道岔 伤损信息的M个本征模态分量（頂巧，记为 Cj (i)，j = 1，2,…，M。
[0053] (4)计算頂F分量C]⑴与原振动信号的相关系数
[0054]
[0055] 其中无和巧分别表示x⑴和cj⑴的平均值。选取n」大于阈值T = 0? 1的頂F 分量作为主頂F。
[0056] (5)计算主頂F分量的奇异熵Ek，并将这m个奇异熵Ek (k = 1，2,…，m)作为岔尖 测点采集的道岔伤损特征值，记为H1= {Ei，E2，…EJ。奇异熵具体计算步骤如下：
[0057] (5. 1)对<(/)进行相空间重构。将<(/)嵌入到（N-n+1) Xn维相空间内，得到重构 吸引子轨道矩阵X
[0058]
[0059] 其中n为嵌入维数，N为信号采样点数。
[0060] (5. 2)对X进行奇异值分解，即
[0061] X = U A VT (7)
[0062] 其中，矿參她托本-《+i).和e 为正父矩阵，入.￡.di:ag(為，:為广-) 为对角矩阵，且q满足q = min (N-n+1，n)。入j (j = 1，2,…，q)称为矩阵X的奇异值。
[0063](5. 3)计算的奇异熵Ek。从入」(j = 1，2,…，q)中选取前v个