基于雷达信号时频特征分析的铁轨异常扣件检测方法与流程

本发明涉及铁路检修以及雷达信号处理技术领域，尤其涉及一种基于雷达信号时频特征分析的异常扣件检测方法。

背景技术：

近年来，铁路快速发展，高速列车给人们出行带来更多的方便，提高了人民的出行效率。铁路建设更是在我国经济建设中起着非凡的作用，它拉近了城市与城市之间的距离，解决了运输能力不足的问题，是推动经济持续快速发展的重要动力，因此铁路的发展对国家具有十分重要的战略地位。我们在享受铁路带来的好处的同时，更应该关注铁路运行安全问题。除了列车本身，铁路线路的安全问题也不容忽视。在线路的巡检过程中，铁轨是否完好，线路上是否有异物等都是必要检测项目。其中，扣件是联结铁轨与轨枕的中间零件，作为固定铁轨的关键部件，保证其处于正常状态，在保证线路安全中具有至关重要的意义。目前，我国主要采用的是人工巡检的方式，通过肉眼进行检测，费时费力，漏检率较高。对于异常扣件的自动检测技术有光学图像处理技术，这种技术虽然能够较高效率的进行检测，但是容易受到分辨率、光线和环境因素的影响，因而具有一定的局限性。如何对异常扣件进行高效检测是一个亟待解决的问题。

技术实现要素：

针对现有技术中存在的问题，本发明提供一种基于雷达信号时频特征分析的铁轨异常扣件检测方法，以解决铁轨异常扣件自动检测问题。

本发明提供的基于雷达信号时频特征分析的铁轨异常扣件检测方法，实现的硬件包括无人机和远程计算机；所述的无人机上搭载有24ghz连续波雷达和数据采集模块；所述的无人机沿铁轨巡检，当到达铁轨扣件的上空位置时发射24ghz连续波信号，所述的数据采集模块采集雷达回波数据；所述是计算机上设置有数据库和数据处理模块。本发明的检测方法实现步骤包括如下步骤1～步骤3。

步骤1，建立正常扣件数据库，包括：雷达对准正常扣件发射24ghz连续波信号，采集在火车经过前、经过时以及经过后三种情况下的正常扣件的回波信号。将采集到的正常扣件的回波信号进行短时傅里叶变换，获得信号的二维时频谱图，并将时频谱图存入数据库；数据库按照火车经过前、经过时和经过后三种情况将时频谱图分为三类存储，在每类下还根据信号的频率范围设置子类别，每个子类别代表一个频率范围；本步骤将时频谱图存入对应情况类别下对应频率范围的子类别中。

步骤2，开启检测模式，雷达对扣件发射24ghz连续波信号，将采集的回波信号进行短时傅里叶变换，获得信号的二维时频谱图x，将时频谱图x和对应的采集情况传入数据处理模块；采集情况是指是在火车经过前、经过时还是经过后采集的。

步骤3，异常扣件检测。数据处理模块将传入的时频谱图x与数据库中相应情况类别下的对应频率范围的子类别中的时频谱图逐一进行比较，计算x与相应子类别下的时频谱图的差异系数；当差异系数大于预设阈值时，判定为异常扣件，否则，判定为正常扣件，并将扣件的时频谱图存入数据库的相应类别中。

所述的差异系数定义为：

相对于现有技术，本发明的优点和积极效果在于：(1)本发明根据火车经过前、中和后三种情况，来对正常扣件进行雷达检测，获取对应的时频谱图，三种情况的数据采集使得对扣件的检测更加准确、全面；(2)由于火车的速度不同，回波信号的频率也将不同，因此本发明方法根据弱信号的频率范围来划分子类别，这样建立的数据库，数据获得方式简单，正常数据的获取也比较容易；并且检测的时候，只需要根据待测扣件的弱信号的频率范围，与数据库中相应子类别中的子类别进行比较，使得检测更加迅速、数据计算量少；(3)本发明方法的操作简单，具有全天候、检测效率和准确率高等优点，能够高效准确判断铁轨扣件是否出现异常，比如松动等问题。

附图说明

图1是铁轨正常扣件示意图；

图2是铁轨异常扣件示意图；

图3是本发明提供的铁轨异常扣件检测方法的流程示意图；

图4是火车经过前正常扣件信号时频谱图；

图5是火车经过时正常扣件信号时频谱图；

图6是火车经过后正常扣件信号时频谱图；

图7是人拉动异常扣件时信号时频谱图；

图8是火车经过时异常扣件信号时频谱图。

具体实施方式

为了使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图和实施例对本发明作进一步的详细说明。

铁轨扣件是轨道上用以联结铁轨和轨枕的重要零件，又称中间联结零件。其作用是长期有效地保证铁轨与轨枕之间的可靠连接，阻止铁轨与轨枕之间的纵向移动，确保轨距正常，并在火车的动力作用下充分发挥缓冲减震性能，减缓线路残余变形的积累。铁轨正常扣件如图1所示，铁轨正常扣件在火车经过时会随着铁轨的振动发生微小振动。当铁轨扣件处于异常状态时，比如扣件松动时，如图2所示，在火车经过过程中，除了跟随铁轨发生振动，自身会产生更大幅度的振动，振动会引起相对雷达的径向速度，这就是本发明基于雷达信号检测异常扣件的基础。

本发明实现的硬件包括无人机和远程计算机。在无人机搭载有24ghz连续波雷达和数据采集模块。在远程计算机上搭建数据库和数据处理模块。本发明提供的铁轨异常扣件检测方法的流程，如图3所示，整体工作模式分为训练模式和检测模式。根据不同的工作模式，将回波信号的二维时频谱图传入不同的模块。当处于训练模式时，二维时频谱图被传入数据库，数据库中只存储正常扣件的时频谱图；当处于检测模式时，将采集到的扣件的时频谱图传入数据处理模块。在训练模式下建立正常扣件数据库，在检测模式下对扣件进行实时检测。

首先，说明本发明的数据采集的实现。无人机跟随火车沿铁轨巡检，当无人机到达铁轨扣件的上空位置时雷达向下方的扣件发射24ghz连续波信号，采集回波信号数据。无人机的位置在扣件的斜上方，在三种情况下采集数据：火车经过前、火车经过时和火车经过后。无人机一般在扣件斜上空停留1～15秒的时间。

其次，本发明雷达检测振动目标的基础是多普勒效应。基于多普勒效应，当物体相对雷达具有径向速度时，反射信号会产生多普勒频移，且频移与速度具有如下关系：

其中，λ是雷达的波长，v是目标的径向速度，f是目标产生的多普勒频移。异常扣件在振动时会产生相对雷达的径向速度，因而通过测量回波信号的多普勒频移，即可实现异常扣件的检测。由于异常扣件会发生无规则振动，因而相对雷达的径向速度是时变的，多普勒频移也是时变的。

为了展示异常扣件的振动状态，本发明对扣件回波信号进行时频分析。常用的时频分析方法包括短时傅里叶变换、wigner-ville分布和小波变换等。短时傅里叶变换具有计算简单，不存在交叉项等优点，因此本发明采用短时傅里叶变换显示雷达回波信号的时频谱特性。短时傅里叶变换的公式可以表示为如下：

其中，s(τ)表示雷达回波信号，w(τ-t)表示窗函数，上标*表示共轭，t表示时间，f表示回波信号的频率，τ表示时间延迟，j为虚数单位。

短时傅里叶变换的分辨力完全取决于窗函数的时窗半径δt和频窗半径δw。但是，窗函数的时窗半径和频窗半径的取值不是相互独立的，根据测不准原理，有以下关系：

可以看出，对于短时傅里叶变换，其时间分辨力和频率分辨力总是相互矛盾的。在信号的时频谱中，不能同时获得高的时间分辨力和频率分辨力，其中一个变窄，另一个就必定变宽。这就意味着只能牺牲时间分辨力以换取更高的频率分辨力，或者反过来用频率分辨力的降低来换取时间分辨力的提高。当窗函数为高斯函数时，等号成立，时间和频率分辨力折中。因此，本发明的窗函数采用高斯窗函数。

下面说明本发明的铁轨异常扣件检测方法的实现步骤，如图3所示，包括如下步骤1至步骤3。

步骤1，在训练模式下，建立正常扣件数据库。

无人机跟随火车沿铁轨巡检，分别在火车经过前、经过时以及经过后三种情况下，雷达对正常扣件进行24ghz连续波信号发射，采集在这三种情况下的正常扣件的回波信号。数据采集模块将采集到的正常扣件的回波信号进行短时傅里叶变换，获得回波信号的二维的时频谱图，并将时频谱图传入数据库存储。在训练阶段，数据采集模块采集的均为正常扣件的回波信号。数据库按照火车经过前、经过时和经过后三种情况将时频谱图分为三类存储。

图4、图5和图6分别是正常扣件在火车经过前、经过时以及经过后的雷达回波信号。本发明中的火车经过前和经过后是指火车即将经过扣件前和火车即将经过扣件后。图4的前半部分是火车经过前，后半部分为火车正在经过；图6的前半部分是火车正在经过，后半部分是火车已经离开，所以在图4的后半部分和图6的前半部分是存在火车车体和两节车厢间隙的反射分量。可以发现，当开火车经过前和火车经过后的一小段时间里，铁轨、石子以及扣件等依然会发生振动。当火车经过时，回波信号的瞬时频率可以分为两部分，一部分是强回波信号，一部分是弱回波信号。强回波信号是由火车主体反射产生的。当火车经过时，会有车体相对雷达的速度分量以及火车行进过程中产生的车体晃动，从而产生多普勒频移。由于两节车厢之间存在空隙，因此火车车体的反射分量呈现周期性规律。弱回波信号是由铁轨、石子、扣件等产生的，这些反射物的振动频率明显大于火车车体产生的振动。但是频率强度小于火车车体反射的信号。此时，扣件被牢固固定在铁轨上，因而和铁轨产生相同的振动。

强回波信号和弱回波信号的频率范围都是随火车的速度而改变的。因此本发明方法在三种情况下，还根据信号的不同频率范围设置多个子类别。每个子类别代表一个频率范围，本发明实施例是根据弱回波信号的频率范围来细分多个子类别。例如，对火车经过后情况下的回波数据，采集的时频图谱中的弱回波信号的频率范围为0-1000hz，则在火车经过后的类别下，将图谱存入0-1000hz的子类别中，如果不存在这样频率范围的子类别，则建立0-1000hz的子类别。如图5中，采集到弱回波信号的频率范围为500-1500hz，则建立500-1500hz的子类别。不同子类别的频率范围是可以部分重叠的。

在实时检测过程中，待测扣件的数据依据弱回波信号的频率范围与数据库中三个大类中的相应子类的数据一一比对，从而进行检测。

步骤2，在检测模式下，无人机跟随火车沿铁轨巡检，当到达扣件上空位置时，雷达对扣件发射24ghz连续波信号，数据采集模块将采集的回波信号进行短时傅里叶变换，获得信号的二维时频谱图，将时频谱图传入数据处理模块。

步骤3，数据处理模块将传入的时频谱图与数据库中对应情况类别下的子类别中的时频谱图逐一进行比对，计算x与对应子类别中的时频谱图的差异系数，当差异系数大于预设阈值时，判定为异常扣件，否则，判定为正常扣件。当是正常扣件时，将扣件的时频谱图存入对应情况的子类别中，更新数据库数据。

当扣件松动时，扣件除了跟随铁轨发生振动，自身会产生更大幅度的振动。图7是人拉动异常扣件的回波信号时频谱图。随着人的拉动，异常扣件会产生无规律的振动，由于人拉动的频率较低，扣件振动的最高频率能达到100hz。当火车压过时，异常扣件的振动频率更高，且扣件产生的频率强度低于火车车体产生的频率强度。

图8是火车经过时异常扣件的时频谱图。出于安全原因，本发明采集的火车经过的扣件均为正常扣件，所以该异常扣件的回波信号为合理的人工合成信号。由于异常扣件的振动是由人拉动产生的，所以扣件振动频率较低，最高频率为100hz，与火车车体频率重合。当火车经过异常扣件时，扣件会持续振动，在两节车厢连接处经过时也会发生振动。因此，对比图5和图8，在两节车厢空隙处，火车产生的频率分量强度较小，而异常扣件产生的频率分量强度较强，因此两张时频谱图存在明显差异，即可判定该扣件为异常扣件。当火车经过异常扣件时，扣件的振动频率更高，所以正常扣件和异常扣件的时频谱图差异更加明显，检测正确率更高。

当处于检测模式时，采集到的扣件回波信号时频谱图被传入数据处理模块。将新采集的信号时频谱图与数据库中相应类别的时频谱图一一比对，计算该时频谱图与数据库中时频谱图的差异系数。差异系数定义为数据库相应类别中与待测扣件时频谱图具有明显差异的时频谱图的数量和数据库中该类别时频谱图总数量的比值，即：

正常扣件的时频谱图与数据库中相应类别时频谱图的差异较小，故差异系数也较小；异常扣件除了跟随铁轨振动外，还会产生更大幅度的振动，因而差异系数较大。若差异系数大于阈值，则判定该扣件为异常扣件；若差异系数小于阈值，则判定该扣件为正常扣件，并将该时频谱图传入数据库，更新数据库数据。阈值可以被设置为0至1中的任意值，本发明实施例中选择阈值为0.5，即当待测扣件的时频谱图与数据库中相应类别时频谱图中的一半以上存在明显差异时，该扣件被判定为异常扣件。阈值设置的越低，检测的灵敏度越高。

在将两个二维时频谱图进行比较时，将待测扣件的二维时频谱图与数据库中的时频谱图的像素值相减，得到二者的差异值，若差异值大于α倍的总像素值，则认为待测扣件的二维时频谱图与数据库相应类别的时频谱图差异明显。其中，α为阈值，取值区间为(0,1)。

显然，所描述的实施例也仅仅是本发明的一部分实施例，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，都属于本发明保护的范围。