基于经验模态分解和多尺度熵的车轮扁疤故障检测方法技术

本发明专利技术公开了一种基于经验模态分解和多尺度熵的车轮扁疤故障检测方法。方法为：在轨道单侧安装4个振动加速度传感器，采集列车经过时的钢轨振动信号；对采集到的钢轨振动信号进行滤波处理，保留与车轮振动有关的信号；对滤波后的信号进行经验模态分解，提取信号的前三个固有模态分量；计算前三个固有模态分量和的多尺度熵值，得到每个传感器的多尺度熵值；计算每个传感器的平均多尺度熵值，通过对比同一列车正常车轮的多尺度熵值曲线，判断车轮是否存在扁疤故障。本发明专利技术利用振动加速度传感器采集到的钢轨振动信号，通过对振动信号进行小波包能量熵分析，实现对钢轨波浪型磨损的检测，具有实时性好、检测方便且速度快、适用范围广的优点。

【技术实现步骤摘要】
基于经验模态分解和多尺度熵的车轮扁疤故障检测方法
本专利技术涉及城轨车辆车轮扁疤检测
，特别是一种基于经验模态分解和多尺度熵的车轮扁疤故障检测方法。
技术介绍
随着城市化进程的加快，城市人口数量的增加，城市轨道交通的站台距离越来越短，发车频率越来越密集，载客量越来越多，导致车辆运行安全问题也变得越来越突出。轮对作为机车运行的关键部件，不仅承载着车辆重量，还承载着轮轨间的各种冲击力。当车轮踏面存在车轮磨耗和扁疤损伤时，会对车轮、轮轴引起额外的冲击载荷。随着扁疤程度的加深和车辆速度的增加，带来的冲击载荷会达到车轮承受静载荷的几倍，并且由于车轮周期性旋转，扁疤周期性冲击轨道，会造成轨道波磨等故障，进而加剧了轨道的损伤情况。若不能及时发现车轮扁疤故障，对车轮进行检修更换，轻则使得车辆震动加剧，影响列车运营稳定性、降低乘客乘坐舒适性，重则造成轮轴断，车辆翻车、脱轨等严重事故。目前，大多数车轮扁疤故障是在对车辆的定期维修检查过程中发现的。由于车检部门的车检人员通过铁路专用量具检测，检测劳动强度大且效率低下，存在不能及时发现车轮扁疤故障造成漏检的可能性，且人工检测具有较强的经验性、不能够实时跟踪、不便于信息化管理等缺点。
技术实现思路
本专利技术的目的在于提供一种实时性好、检测方便且速度快、适用范围广的基于经验模态分解和多尺度熵的车轮扁疤故障检测方法。实现本专利技术目的的技术解决方案为：一种基于经验模态分解和多尺度熵的车轮扁疤故障检测方法，包括以下步骤：步骤1，在轨道单侧安装4个振动加速度传感器，采集列车经过时的钢轨振动信号；步骤2，采用低通滤波器对采集到的垂向振动加速度信号进行滤波处理，去除高频噪声干扰；步骤3，对滤波处理后的垂向振动加速度信号进行经验模态分解，提取前三个固有模态分量，并计算其和值；步骤4，对步骤3中的和值进行多尺度熵分析，得到每个传感器的多尺度熵值；步骤5，计算每个传感器的平均多尺度熵值；步骤6，将每个传感器的平均多尺度熵值与正常车轮的平均多尺度熵值进行对比，若采集到的每个传感器的平均多尺度熵曲线在正常车轮的平均多尺度熵曲线上方，则判断车轮存在扁疤故障，反之则不存在扁疤故障。进一步地，步骤2中所述的低通滤波器，具体为切比雪夫带通滤波器，导通频率为[80Hz,700Hz]。进一步地，步骤3所述的对滤波处理后的垂向振动加速度信号进行经验模态分解，提取前三个固有模态分量，并计算其和值，具体如下：Xi＝IMF1+IMF2+IMF3(1)式中，Xi为第i个传感器的前三项固有模态分量的和值，i＝1,2,3,4，IMF1、IMF2、IMF3为第i个传感器的前三项固有模态分量。进一步地，步骤4中所述的对步骤3中的和值进行多尺度熵分析，得到每个传感器的多尺度熵值，具体如下：对第i个传感器的前三项固有模态分量的和值Xi进行多尺度熵分析，得到多尺度熵曲线MSEi，i＝1,2,3,4。进一步地，步骤5所述的计算每个传感器的平均多尺度熵值，具体如下：其中，MSEavg为传感器的平均多尺度熵值。本专利技术与现有技术相比，其显著优点是：(1)检测方式基于运营车辆的在线检测，实时性好、检测方便、成本低；(2)振动传感器安装简单方便，且能适应现场恶劣的工作环境；(3)具有检测速度快、适用范围广的优点，对于地铁检修部门及时、高效、准确地检测扁疤故障，保障列车运营安全、提升乘客舒适性，具有非常重要的意义。附图说明图1为本专利技术基于经验模态分解和多尺度熵的车轮扁疤故障检测方法的流程图。图2为本专利技术中切比雪夫带通滤波器通带曲线图。图3为本专利技术实施例中采集到的垂向振动信号图。图4为本专利技术实施例中降频后的垂向振动信号图。图5为本专利技术实施例中平均多尺度熵曲线图。图6为本专利技术实施例中现场车轮扁疤图。具体实施方式下面结合附图及具体实施例对本专利技术作进一步详细说明。结合图1，本专利技术中的基于经验模态分解和多尺度熵的车轮扁疤故障检测方法，包括以下步骤：步骤1，在轨道单侧安装4个振动加速度传感器，采集列车经过时的钢轨振动信号。步骤2，采用低通滤波器对采集的振动信号进行滤波处理，保留与轨道表面凹陷有关的信息，去除高频噪声干扰。由车体本身、扁疤等引起的振动频率范围为[50Hz,500Hz]，而城轨列车的运行速度不超过80km/h，因此带通滤波器的通带区间设为[80Hz,700Hz],如图2所示。步骤3，对4个传感器的信号分别进行经验模态分解，提取前三个固有模态分量，并计算其和值，分别得到四个传感器的固有模态函数和值，具体如下：Xi＝IMF1+IMF2+IMF3(1)式中Xi为第i(i＝1,2,3,4)个传感器的前三项固有模态函数和值，IMF1、IMF2、IMF3为第i个传感器的前三个固有模态函数。步骤4，对Xi进行多尺度熵分析，得到多尺度熵曲线MSEi(i＝1,2,3,4)。步骤5，计算每个传感器的平均多尺度熵值，具体为：步骤6，将每个传感器的平均多尺度熵值与正常车轮的平均多尺度熵值进行对比，若采集到的每个传感器的平均多尺度熵曲线在正常车轮的平均多尺度熵曲线上方，则判断车轮存在扁疤故障，反之则不存在扁疤故障。下面结合具体实施例，对本专利技术作进一步详细说明。实施例1本实施例采用采集到的某地铁公司的某型列车经过某线路时的钢轨振动信号，运行时速为40km/h，其中一号传感器采集振动信号如图3所示。为方便说明，以其中一个传感器的数据做计算说明。首先采用切比雪夫低通滤波器对该段振动信号进行滤波处理，滤除无用的杂波信息。滤波处理后的振动信号如图4所示。由于该车为6节编组，共有12个转向架。对该传感器采集到实测信号按照车厢分段。由图4可知，在4-8s的位置振动加速度值出现了较为明显的幅值跃变，因此该处最有可能出现扁疤故障。将车辆前端命名为1端，后端命名为2端，选取图中的奇数车号的B车和C车进行分析，将B车和C车转向架分别记做1B、2B、1C、2C。对B1转向架的vbs1振动传感器信号进行经验模态分解，并求得相应的IMF1+IMF2+IMF3值，将该固有模态函数和值作为2B转向架的特征信号，对该特征信号进行多尺度熵分析；重复以上步骤，分别求得其余三个的多尺度熵曲线，求出多尺度熵的平均值，得到1B、2B、1C、2C的平均多尺度熵曲线如图5所示。由图5可知，转向架2C对应的振动时间序列复杂度最大，故判定该段数据中包含故障信息，即在转向架2C上存在扁疤故障。为检验算法正确性，检测结束后在车辆段对该车车轮进行了检查，发现在奇数车号C车后端6号轮有剥离现象，现场实际情况如图6所示，测量该位置发现该扁疤长度约4cm宽2cm深0.3mm，这和分析结果基本吻合，从而验证了所述方法能较好实现车轮扁疤故障的识别以及故障位置的定位。本文档来自技高网...

【技术保护点】
1.一种基于经验模态分解和多尺度熵的车轮扁疤故障检测方法，其特征在于，包括以下步骤：步骤1，在轨道单侧安装4个振动加速度传感器，采集列车经过时的钢轨振动信号；步骤2，采用低通滤波器对采集到的垂向振动加速度信号进行滤波处理，去除高频噪声干扰；步骤3，对滤波处理后的垂向振动加速度信号进行经验模态分解，提取前三个固有模态分量，并计算其和值；步骤4，对步骤3中的和值进行多尺度熵分析，得到每个传感器的多尺度熵值；步骤5，计算每个传感器的平均多尺度熵值；步骤6，将每个传感器的平均多尺度熵值与正常车轮的平均多尺度熵值进行对比，若采集到的每个传感器的平均多尺度熵曲线在正常车轮的平均多尺度熵曲线上方，则判断车轮存在扁疤故障，反之则不存在扁疤故障。

【技术特征摘要】
1.一种基于经验模态分解和多尺度熵的车轮扁疤故障检测方法，其特征在于，包括以下步骤：步骤1，在轨道单侧安装4个振动加速度传感器，采集列车经过时的钢轨振动信号；步骤2，采用低通滤波器对采集到的垂向振动加速度信号进行滤波处理，去除高频噪声干扰；步骤3，对滤波处理后的垂向振动加速度信号进行经验模态分解，提取前三个固有模态分量，并计算其和值；步骤4，对步骤3中的和值进行多尺度熵分析，得到每个传感器的多尺度熵值；步骤5，计算每个传感器的平均多尺度熵值；步骤6，将每个传感器的平均多尺度熵值与正常车轮的平均多尺度熵值进行对比，若采集到的每个传感器的平均多尺度熵曲线在正常车轮的平均多尺度熵曲线上方，则判断车轮存在扁疤故障，反之则不存在扁疤故障。2.根据权利要求1所述的基于经验模态分解和多尺度熵的车轮扁疤故障检测方法，其特征在于，步骤2中所述的低通滤波器，具体为切比雪夫带通滤波器，导通频率为[80Hz,700Hz]。3.根据权利...

【专利技术属性】
技术研发人员：张永，邢宗义，李世博，黄成，董伟，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32