一种车轮扁疤故障检测方法与流程

本发明属于车轮检测技术领域，特别是一种车轮扁疤故障检测方法。

背景技术：

列车轮对是车辆运行部件中最重要的部件之一，其不仅承受车身和旅客或货物的全部重量，而且负责传导轮对与钢轨间的相互作用力，尤其当车轮经过钢轨上方时会产生轨道上的垂向振动加速度。轮对组需要承担较多负荷，其中包括较大的静载荷和动载荷，组装应力和制动片、闸片制动时产生的热应力以及通过曲线时的离心力等。

随着城轨车辆的速度提升与旅客数量的急剧增长，轮对和轨道之间的相互作用力逐步增强，从而导致轮对与钢轨接触面非圆化现象日益增多，其中包括车轮踏面扁疤这种最常见的损伤形式，该损伤形式会对车辆和轨道各部件造成伤害，并引起安全性和乘坐舒适度降低的问题。现有车轮检测技术，不能够准确并实时地检测出车轮扁疤故障，无法及时采取有效措施消除安全隐患，是城轨交通发展中的监测难题。

技术实现要素：

本发明的目的在于提供一种准确性高、实时性好的车轮扁疤故障检测方法，从而及时采取有效措施消除安全隐患。

实现本发明目的的技术解决方案是：一种车轮扁疤故障检测方法，包括以下步骤：

步骤1，现场采集信号，对振动信号进行经验模态分解；

步骤2，对经过经验模态分解的信号进行筛选，选出有效的imf分量；

步骤3，对单个imf分量进行多尺度熵分析；

步骤4，对步骤2选出的所有有效的imf分量的和值进行多尺度熵分析，判断扁疤故障。

进一步地，步骤1所述的现场采集信号，对振动信号进行经验模态分解，具体如下：

将振动信号表示为n个固有模态函数和残余分量的和，即：

式中，x(t)为原始信号，imfi为固有模态函数，rn(t)为残余分量。

进一步地，步骤2所述的对经过经验模态分解的信号进行筛选，选出有效的imf分量，具体如下：

原始信号经过emd分解后的固有模态函数包含了原始信号从低频到高频的不同成分，经过emd分解之后，选出有效的imf分量。

进一步地，步骤3所述的对单个imf分量进行多尺度熵分析，具体如下：

给定长度为n的信号序列{x1,x2,....xn}，对该时间序列进行粗粒化：

式中，yτ(j)为粗粒向量样本熵值，j为粗粒向量序列号，[n/τ]为向下取整，τ为正整数，当τ＝1时，粗粒向量为原时间序列；

计算每个粗粒序列的样本熵，将得到的τ个粗粒向量的样本熵值表示成τ的函数；设时间尺度最大值为τmax，计算不同尺度下的粗粒向量样本熵值对应的样本熵值，即得到原始时间序列的多尺度熵：

其中，mse为多尺度熵，为粗粒向量样本熵值对应的样本熵值。

进一步地，步骤4所述的对步骤2选出的所有有效的imf分量的和值进行多尺度熵分析，判断扁疤故障，具体如下：

对步骤2选出的所有有效的imf分量的和值进行多尺度熵分析，与步骤3所得出的分析结果进行比较，选出差别最明显的分析结果，判断扁疤故障。

本发明与现有技术相比，其显著优点是：(1)经验模态分解能够处理任何信号，将信号中不同尺度的波动和趋势分解出来；(2)多尺度熵具有数据量要求不高的优点，同时在描述时间序列在不同时间尺度上的无规则和复杂程度上包含更多的信息，既反映了时间序列本身的复杂性尺度，又包含了序列在多个尺度上的信息；(3)检测结果明显，适用性强。

附图说明

图1为本发明车轮扁疤故障检测方法的流程示意图。

图2为本发明实施例中正常车轮仿真信号时域信号图。

图3为本发明实施例中扁疤车轮仿真信号时域信号图。

图4为本发明实施例中经验模态分解结果图。

图5为本发明实施例中imf1的多尺度熵曲线图。

图6为本发明实施例中imf1+imf2+imf3的多尺度熵曲线图。

具体实施方式

下面结合附图对本发明作进一步的说明分析。

结合图1，本发明车轮扁疤故障检测方法，基于经验模态分解和多尺度熵方法，首先采集现场信号，对振动信号进行经验模态分解；然后对经过经验模态分解的信号进行筛选，选出最有效和最本质的imf分量；对筛选出来的单个imf分量进行多尺度熵分析；对选出的所有imf分量的和值进行多尺度熵分析，判断扁疤故障，具体步骤为：

步骤1，现场采集信号，对振动信号进行经验模态分解，具体如下：

将振动信号表示为固有模态函数和残余分量的和，即：

式中，x(t)为原始信号，imfi为固有模态函数，rn(t)为残余分量；

经验模态分解算法是首先拟合出原始信号的极大极小值包络线并得到均值包络线，然后使用原始信号减去均值得到符合要求的分解信号，如此重复，直至不能分解，具体的算法如下：

(1.1)提取原始信号x(t)的局部极值点，利用三次样条插值法求得原始信号极大值、极小值的的上下包络线e+(t)和e-(t)，并求得包络线平均值m1(t)；

用原始信号减去包络线平均值，即：

h1(t)＝x(t)-m1(t)

(1.2)判断h1(t)是否符合imf的两个条件，若h1(t)满足，则为信号在局部时刻频率最高的成分；若不满足，则将h1(t)作为原始数据，m11(t)作为平均包络值，重复前一个步骤，即：

h11(t)＝h1(t)-m11(t)

直至第k次时满足满足imf的要求，将h1k(t)记为c1(t)；

(1.3)在原始信号中剔除c1(t)，即:

r1(t)＝x(t)-c1(t)

将r1(t)作为原始数据，重复步骤1.1到步骤1.3,得到第二个固有模态函数c2(t)；重复以上步骤，直至rn(t)被分解成单调函数或者足够小时，停止以上过程，则原始信号被分解成：

步骤2，对经过经验模态分解的信号进行筛选，选出有效的imf分量，具体如下：

原始信号经过emd分解后的固有模态函数包含了原始信号从低频到高频的不同成分，经过emd分解之后，选择前几个imf分量，做为有效的imf分量。

步骤3，对单个imf分量进行多尺度熵分析，具体如下：

给定长度为n的时间序列{x1,x2,....xn}，对该时间序列进行粗粒化：

式中，yτ(j)为粗粒向量样本熵值，j为粗粒向量序列号，[nτ]为向下取整，τ为正整数，当τ＝1时，粗粒向量为原时间序列；

计算每个粗粒序列的样本熵，将得到的τ个粗粒向量的样本熵值表示成τ的函数；设时间尺度最大值为τmax，计算不同尺度下的粗粒向量样本熵值对应的样本熵值，即可得到原始时间序列的多尺度熵：

其中，mse为多尺度熵，为粗粒向量样本熵值对应的样本熵值。

步骤4，对步骤2选出的所有有效的imf分量的和值进行多尺度熵分析，判断扁疤故障，具体如下：

对步骤2选出的所有有效的imf分量的和值进行多尺度熵分析，与步骤3所得出的分析结果进行比较，选出差别最明显的分析结果，判断扁疤故障。

实施例1

采用本发明的车轮扁疤故障检测方法，并利用由simpack建立的计算机仿真模型所得的仿真数据进行实验：选用时速为60公里每小时的单节车厢转向架无故障车轮的仿真信号，其时域图如图2所示；时速60公里每小时的单节车厢一号转向架单轮扁疤的仿真信号进行处理，其时域图如图3所示。

对原始振动信号进行经验模态分解后，可得出如图4所示的结果图。

对经验模态分解结果图观察，可看出imf1、imf2、imf3分量为有效的imf分量。

对imf1分量进行多尺度熵分析，其多尺度熵结果图如图5所示，可看出对不同程度扁疤区分效果不佳，40mm、50mm、60mm扁疤在低尺度上仍然有重叠。

通过对imf2、imf3分量进行处理后，发现效果均不佳。原始信号经过经验模态分解分解得到的固有模态函数从高频到低频，如得到的imf2是原始信号减去imf1后再进行经验模态分解分解得到的，因此单独分析某一个imf分量，不能很好的代表原始信号作为特征进行多尺度熵分析，选择能代表原始振动信号的imf分量对提高故障诊断的适用性和正确性十分重要，所以将imf1、imf2、imf3的和值作为原始信号的特征信号，对imf1+imf2+imf3进行多尺度熵分析。

结合图6的imf1+imf2+imf3的多尺度熵曲线图，可以看出五种状态的多尺度熵曲线可以明显区分，不同状态下的多尺度熵值之间差值相比计算单一imf分量的多尺度熵曲线更加明显，可直观判断出不同程度的扁疤故障。