CN108731953B - 一种列车轮对的多边形故障在线检测方法 - Google Patents

Abstract

本发明公开了一种列车轮对的多边形故障在线检测方法，包括步骤：A判断车轮是否存在多边形故障，若是，进入下一步；B判定车轮存在的多边形故障的阶次；C判定该阶次多边形的不圆程度。步骤A中：根据特征向量TZ_vector计算时域特征值TZ_dB，若TZ_dB≥Threshold_1，则车轮存在多边形故障；步骤B中：统计特征向量TZ_vector包络中大于Threshold_2的峰值个数η，η即为多边形故障的阶次；步骤C中：利用所述特征向量TZ_vector计算圈内振动加速度包络的最值TZ_n，以该最值TZ_n定量表征η阶多边形的不圆程度。本发明将振动加速度的时间序列转换为空间序列，更容易实现轮对多边形不圆阶次识别，极大程度地降低了检测难度，较传统表征方法有效性更高。

Description

一种列车轮对的多边形故障在线检测方法

技术领域

本发明属于轨道交通装备与车辆技术领域，具体涉及一种列车轮对的多边形故障在线检测方法。

背景技术

研究车轮多边形化特征，能够准确并实时地检测出车轮对多边形化状况异常情况，以便及时采取有效措施消除安全隐患，是轨道交通车辆安全监测中必要环节。目前，国内外列车车轮运行状态检测主要分为两大类：人工检测和设备实时在线监测。现在我国大部分列车检修工务段车轮状态检测还主要以人工为主。人工检测需要车辆在工务段例行检查维修时拆卸下来后依靠工人肉眼、键敲、耳听等方式或者使用各类人工卡尺工具等检查。设备实时监测方法主要包括涡流法、超声遥测法、振动加速度法、激光传感器法以及图像法等。设备实时监测方法主要分为车载监测系统与轨旁监测系统。

振动加速度监测方法不但能够反映缺陷，还能够反映缺陷的危害程度，且监测安装的造价低。该方法的优点是安装方便，性能稳定，监测比较准确，可以监测中高速列车(大于100km/h)。但该方法在监测时，由于轮轨接触的激振源多种多样，所以数据处理技术极其关键。本专利正是针对这一难点问题，给出了算法解决方案。

同时，现有技术还存在以下缺点：人工方法检查使列车周转时间过长，且人工检测受到人为原因、作业条件等因素影响，从而导致检测速度慢、不准确以及劳动强度大，且此方法只对车轮扁疮故障有效，对车轮多边形化故障则更是无能为力；目前所有的设备实时监测方法对车轮有无多边形故障识别较好，但对多边形车轮阶次的识别还具有一定的局限性。

发明内容

为了解决现有技术存在的上述问题，本发明目的在于提供一种列车轮对的多边形故障在线检测方法，其基于圈内积分的方法将振动加速度的时间序列转换为空间序列，更容易实现轮对多边形不圆阶次识别，极大程度地降低了检测难度；联系历史数据表征列车车轮多边形故障，该表征方法是依赖于历史数据的无量纲dB值表征，较传统表征方法有效性更高。

本发明所采用的技术方案为：一种列车轮对的多边形故障在线检测方法，包括以下过程：

A、判断车轮是否存在多边形故障，若是，进入下一步；

B、判定车轮存在的多边形故障的阶次；

C、判定该阶次多边形的不圆程度。

进一步地，所述步骤A包括以下过程：

A1、根据圈内积分法计算一圈内振动加速度的特征向量TZ_vector；

A2、计算时域特征值TZ_dB，

A3、若TZ_dB≥Threshold_1，则车轮存在多边形故障；

其中，0.01g为无故障数据的有效值，0.01为经验值，g为重力加速度；Threshold_1为判断有无多边形的时域特征值阈值。

进一步地，所述步骤B具体包括以下步骤：

B1、计算特征向量TZ_vector包络；

B2、统计包络中大于Threshold_2的峰值个数η，η即为多边形故障的阶次，其中，Threshold_2为判断有多少阶多边形的阈值。

进一步地，所述步骤C具体包括：

C1、判断η阶多边形是否明显：若4≤η≤40，则进入下一步；

C2、定量表征η阶多边形的不圆程度。

进一步地，所述步骤C2具体包括以下过程：利用所述特征向量TZ_vector计算圈内振动加速度包络的最值TZ_n，以该最值TZ_n定量表征η阶多边形的不圆程度，其中：

TZ_n＝max(envelope(TZ_vector))。

进一步地，所述步骤A1中根据圈内积分法计算一圈内振动加速度的特征向量TZ_vector具体包括以下步骤：

A11、读取一个速度数据speed和该速度数据speed采样间隔时间对应的N1个轴箱振动加速度数据Acc；

A12、计算速度数据speed对时间变量T_speed的一次离散积分得到单位时间的里程Li；

A13、振动加速度数据Acc向前步进；

A14、判断里程数Li是否大于车轮周长c，若否，进入步骤A11，否则，进入下一步；

A15、里程数清零，轮对滚动圈数加1，得到轮对圆周方向上的空间序列Acc_Circle,圈内数据中间量circle清零；

A16、轮对滚动圈数是否达到N2，若否，进入步骤A11，否则，进入下一步；

A17、通过求由N2个圈内振动数据组成的矩阵Acc_Circle行或列(依赖于样本数据是列向量还是行向量)的均值得到一圈内振动加速度的特征向量TZ_vector；

其中速度数据speed是列车的速度数据；N1是振动加速度采样频率与速度采样频率的比值；N2是圈内判别步长，即取多少圈作为判别周期。

本发明的有益效果为：

(1)圈内积分可以将振动加速度的时间序列转换到空间域，更容易实现轮对多边形不圆阶次识别，极大程度地降低了检测难度；

(2)本发明提出了一种联系历史数据的列车车轮多边形故障表征方法，该表征方法是依赖于历史数据的无量纲dB值表征，较传统表征方法有效性更高；

(3)该表征方法基于学习，因此可实现对不同类型的轨道交通车辆的多边形故障表征，适用范围广；

(4)本发明提供的列车轮对的多边形故障在线检测方法，较传统算法更为简单，计算量小，计算量满足现阶段硬件水平下的实时计算；

(5)本发明提供的列车轮对的多边形故障在线检测方法，基于等时采样的振动加速度传感器采集数据，该类传感器安装方便，性能稳定，可监测高速运行的车辆。

附图说明

图1是列车轮对的多边形故障在线检测方法的流程图。

图2是利用圈内积分法计算一圈内振动加速度的特征向量的流程图。

具体实施方式

下面结合附图及具体实施例对本发明做进一步阐释。

实施例

如图1所示，一种列车轮对的多边形故障在线检测方法，包括以下过程：

A、判断车轮是否存在多边形故障，若是，进入下一步；

B、判定车轮存在的多边形故障的阶次；

C、判定该阶次多边形的不圆程度。

在另一个实施例中，所述步骤A包括以下过程：

A1、根据圈内积分法计算一圈内振动加速度的特征向量TZ_vector；

A2、计算时域特征值TZ_dB，

A3、若TZ_dB≥Threshold_1，则车轮存在多边形故障；

其中，0.01g为无故障数据的有效值，0.01为经验值，g为重力加速度；Threshold_1为判断有无多边形的时域特征值阈值。

在另一个实施例中，所述步骤B具体包括以下步骤：

B1、计算特征向量TZ_vector包络；

B2、统计包络中大于Threshold_2的峰值个数η，η即为多边形故障的阶次，其中，Threshold_2为判断有多少阶多边形的阈值。

在另一个实施例中，所述步骤C具体包括：

C1、判断η阶多边形是否明显：若4≤η≤40，则进入下一步；

C2、定量表征η阶多边形的不圆程度。

在另一个实施例中，所述步骤C2具体包括以下过程：利用所述特征向量TZ_vector计算圈内振动加速度包络的最值TZ_n，以该最值TZ_n定量表征η阶多边形的不圆程度，其中：

TZ_n＝max(envelope(TZ_vector))。

如图2所示，所述步骤A1中根据圈内积分法计算一圈内振动加速度的特征向量TZ_vector具体包括以下步骤：

A11、读取一个速度数据speed和该速度数据speed采样间隔时间对应的N1个轴箱振动加速度数据Acc；

A12、计算速度数据speed对时间变量T_speed的一次离散积分得到单位时间的里程数Li：Li＝speed(i)×T_speed+Li；

A13、振动加速度数据Acc向前步进：circle＝(circle,Acc)；

A14、判断里程数Li是否大于轮周长c，若否，进入步骤A11，否则，进入下一步；

A15、里程数Li清零，轮对滚动圈数N_circle加1，得到轮对圆周方向上的空间序列Acc_Circle,圈内数据中间量circle清零：

Li＝0；N_Circle＝N_Circle+1；

Acc_Circle(:,N_Circle)＝Circle；

Circle＝NULL；

A16、轮对滚动圈数N_circle是否达到N2，若否，进入步骤A11，否则，进入下一步；

A17、通过求由N2个圈内振动数据组成的矩阵Acc_Circle行或列(依赖于样本数据是列向量还是行向量)的均值得到一圈内振动加速度的特征向量TZ_vector：

TZ_vector＝mean(Acc_circle’)；

其中速度数据speed是列车的速度数据；N1是振动加速度采样频率与速度采样频率的比值；N2是圈内判别步长，即取多少圈作为判别周期；Acc_Circle’是矩阵Acc_Circle的转置。

本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。

Claims (5)

1.一种列车轮对的多边形故障在线检测方法，其特征在于，包括以下过程：

A、判断车轮是否存在多边形故障，若是，进入下一步；

B、判定车轮存在的多边形故障的阶次；

C、判定该阶次多边形的不圆程度；

所述步骤A包括以下过程：

A1、根据圈内积分法计算一圈内振动加速度的特征向量TZ_vector；

A2、计算时域特征值TZ_dB，

A3、若TZ_dB≥Threshold_1，则车轮存在多边形故障；

其中，0.01g为无故障数据的有效值，0.01为经验值，g为重力加速度；Threshold_1为判断有无多边形的时域特征值阈值。

2.根据权利要求1所述的列车轮对的多边形故障在线检测方法，其特征在于，所述步骤B具体包括以下步骤：

B1、计算特征向量TZ_vector包络；

B2、统计包络中大于Threshold_2的峰值个数η，η即为多边形故障的阶次，其中，Threshold_2为判断有多少阶多边形的阈值。

3.根据权利要求2所述的列车轮对的多边形故障在线检测方法，其特征在于，所述步骤C具体包括：

C1、判断η阶多边形是否明显：若4≤η≤40，则进入下一步；

C2、定量表征η阶多边形的不圆程度。

4.根据权利要求3所述的列车轮对的多边形故障在线检测方法，其特征在于，所述步骤C2具体包括以下过程：利用所述特征向量TZ_vector计算圈内振动加速度包络的最值TZ_n，以该最值TZ_n定量表征η阶多边形的不圆程度，其中：

TZ_n＝max(envelope(TZ_vector))。

5.根据权利要求1-4任一项所述的列车轮对的多边形故障在线检测方法，其特征在于，所述步骤A1中根据圈内积分法计算一圈内振动加速度的特征向量TZ_vector具体包括以下步骤：

A11、读取一个速度数据speed和该速度数据speed采样间隔时间对应的N1个轴箱振动加速度数据Acc；

A12、计算速度数据speed对时间变量T_speed的一次离散积分得到单位时间的里程Li；

A13、振动加速度数据Acc向前步进；

A14、判断里程数Li是否大于车轮周长c，若否，进入步骤A11，否则，进入下一步；

A15、里程数清零，轮对滚动圈数加1，得到轮对圆周方向上的空间序列Acc_Circle,圈内数据中间量circle清零；

A16、轮对滚动圈数是否达到N2，若否，进入步骤A11，否则，进入下一步；

A17、通过求由N2个圈内振动数据组成的矩阵Acc_Circle行或列的均值得到一圈内振动加速度的特征向量TZ_vector；

其中速度数据speed是列车的速度数据；N1是振动加速度采样频率与速度采样频率的比值；N2是圈内判别步长，即取多少圈作为判别周期。

Images