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

摘要

本发明公开了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。首先在高速道岔的岔尖、岔中和岔尾三处安装振动加速度传感器采集振动信号，对三个测点的振动信号分别进行CEEMD自适应分解得到有限个IMF分量；然后利用相关性分析筛选出主IMF分量，并计算主IMF分量的奇异熵特征值；接下来将多个测点振动信号的奇异熵特征值融合成特征向量，并将该特征向量输入LSSVM进行训练与测试，实现道岔的工作状态和伤损类型的判断。本发明方法能有效区分道岔不同裂纹伤损，具有良好的实时性和抗噪性，为道岔故障智能诊断提供了新的技术手段。

权利要求

1.一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，包括如下步骤：(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；

(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；

(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IMF，记为cj(i)，j＝1,2,…,M；

(4)计算IMF分量cj(i)与原振动信号x(i)的相关系数其中， 和 分别表示x(i)和cj(i)的平均值；

(5)选取ηj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(6)计算主IMF分量 的奇异熵Ek并将这m个奇异熵Ek作为岔尖测点的道岔伤损特征值，记为H1＝{E1,E2,…Em}；

(7)对岔中、岔尾测点采集的振动信号分别执行步骤(3)—步骤(6)，得到岔中和岔尾测点处的道岔伤损特征值H2、H3；然后对H1、H2、H3进行扩维特征融合，形成3m维的道岔伤损特征向量H＝{H1、H2、H3}；

(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；

所述步骤(5)中的阈值T＝0.1；

所述步骤(6)的主IMF分量 的奇异熵Ek计算步骤如下：(6.1)对 进行相空间重构；将 嵌入到(N-n+1)×n维相空间内，得到重构吸引子轨道矩阵X其中n为嵌入维数，N为信号采样点数；

对X进行奇异值分解，即

X＝UΛVT                (3)其中， 和 为正交矩阵， 为

对角矩阵，且q满足q＝min(N-n+1,n)；λj称为矩阵X的奇异值，j＝1,2,…,q；

(6.2)计算 的奇异熵Ek；从λj中选取前v个最大奇异值，且v满足则奇异熵Ek为

其中， 为第j个奇异值在整个奇异值中的权重。

说明书

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Roadmaster2000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] 公开号为CN102175768A的“一种基于振动信号的高铁钢轨伤损探测方法及装置”专利申请，利用EMD分解振动信号后计算第一个IMF分量的功率谱，并以该功率谱作为钢轨伤损的区分特征进行伤损检测。理论上，EMD的模态混叠问题影响信号局部特征的分析与提取。从技术角度而言，该专利申请仅从一个拾振点采集信号进行伤损检测，并不能检测伤损发生的位置(沿着铁轨线路方向)，也不知道离拾振点多远的伤损能够检测出来。由于轨道线路太长，要进行伤损位置检测，需要沿线铺设数量巨大的传感器并组建传感器网络(参见该专利申请说明书第26段)，这样做的后果，一是数据量太大难于处理；二是振动信号经钢轨的刚性传播后对多个传感器均有影响，即伤损信息在多个传感器的振动信号的功率谱特征上均会体现，导致功率谱特征区分方法将难以识别伤损。图8的实测结果也验证了该功率谱特征无法判断出道岔工作状态及伤损类型。

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cj(i),j＝1,2,…,M。

[0010] (4)计算IMF分量cj(i)与原振动信号x(i)的相关系数

[0011]

[0012] 其中，和 分别表示x(i)和cj(i)的平均值。

[0013] (5)选取ηj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 k＝1,2,…,m。

[0014] (6)计算主IMF分量 的奇异熵Ek并将这m个奇异熵Ek(k＝1,2,…,m)作为岔尖测点的道岔伤损特征值，记为H1＝{E1,E2,…Em}。

[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(3)—步骤(6)，得到岔中和岔尾测点处的道岔伤损特征值H2、H3。然后对H1、H2、H3进行扩维特征融合，形成3m维的道岔伤损特征向量H＝{H1、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IMF分量 的奇异熵Ek计算步骤如下：

[0019] (6.1)对 进行相空间重构。将 嵌入到(N-n+1)×n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＝UΛVT       (3)

[0024] 其中， 和 为正交矩阵，为对角矩阵，且q满足q＝min(N-n+1,n)。λj(j＝1,2,…,q)称为矩阵X的奇异值。

[0025] (6.2)计算 的奇异熵Ek。从λj(j＝1,2,…,q)中选取前v个最大奇异值，且v满足  则奇异熵Ek为

[0026]

[0027] 其中， 为第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γ∈[e-5,e5]，核函数参数σ∈[e-5,e5]，网格大小取10×10，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(γ,σ)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δ。

[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(γ,σ)的预测误差

[0033] (8.5)改变参数集合(γ,σ2)，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1.5cm；

[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IMF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IMF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(IMF)，记为cj(i),j＝1,2,…,M。

[0053] (4)计算IMF分量cj(i)与原振动信号的相关系数

[0054]

[0055] 其中 和 分别表示x(i)和cj(i)的平均值。选取ηj大于阈值T＝0.1的IMF分量作为主IMF。

[0056] (5)计算主IMF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＝{E1,E2,…Em}。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)×n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＝UΛVT       (7)

[0062] 其中， 和 为正交矩阵，为对角矩阵，且q满足q＝min(N-n+1,n)。λj(j＝1,2,…,q)称为矩阵X的奇异值。

[0063] (5.3)计算 的奇异熵Ek。从λj(j＝1,2,…,q)中选取前v个最大奇异值，且v满足  则奇异熵Ek为

[0064]

[0065] 其中， 为第j个奇异值在整个奇异值中的权重。

[0066] (6)类似地，对岔中、岔尾测点采集的振动信号分别执行步骤(3)—步骤(5)，得到岔中和岔尾测点处的道岔伤损特征值H2、H3。然后对H1、H2、H3进行扩维特征融合，形成3m维的道岔伤损特征向量H＝{H1、H2、H3}。

[0067] (7)将伤损特征向量H输入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。参数寻优步骤如下：

[0068] (7.1)初始化惩罚因子γ∈[e-5,e5]，核函数参数σ∈[e-5,e5]，网格大小取10×10，共 得到100组参数对。

[0069] (7.2)将训练样本数据均分为10组，对网格中每一组参数对(γ,σ)执行以下操作：

[0070] (7.3)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δ。

[0071] (7.4)重复步骤(c)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(γ,σ)的预测误差

[0072] (7.5)改变参数集合(γ,σ2)，重复执行步骤(7.3)和(7.4)，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。

[0073] 以下对本发明效果进行验证。

[0074] (1)通过振动传感器采集道岔不同测点处的振动信号。传感器安装位置如图2所示，其中测点1位于道岔尖端，测点2位于道岔中部，测点3位于道岔尾端。图3为岔尖不同工况的时域波形。采用CEEMD对信号进行分解，正常道岔振动信号的分解结果如图4所示。可以看出，CEEMD将原始信号分解为若干个IMF，每个IMF包含了信号不同的特征信息。

[0075] (2)计算道岔不同测点处各IMF分量与原振动信号的相关系数，如图5所示，前5个IMF分量与原信号的相关性较大，表征了原信号主要伤损特征，而其它高阶IMF与原信号的相关性均在0.1以下，可视之为虚假分量进行丢弃。故选取前5个IMF分量作为奇异熵计算的数据源。

[0076] (3)计算步骤(2)获取的主IMF分量的奇异熵。部分奇异熵分布如图6A、图6B所示。可以看出，正常和裂纹伤损两种工况在同一测点其奇异熵分布不同，不同裂纹伤损程度的奇异熵分布相似，但大小存在差异。道岔不同测点由于振动传导路径及对裂纹伤损的敏感程度不同，同一工况在不同位置其奇异熵分布也存在差异，即不同位置所包含的伤损信息不同。因此，可将不同测点的奇异熵特征进行扩维融合形成伤损特征向量。以上分析表明奇异熵可以较好地表征道岔不同位置不同工况的伤损特征。

[0077] (4)分别采集道岔不同工况振动信号道共172组样本数据，其中，正常工况60组，裂纹0.5cm和裂纹1.5cm各56组。按照步骤(1)～(3))获取各自的伤损特征向量并输入LSSVM训练与测试。采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，得到γ＝1.63，σ＝7.31。网格搜索和交叉验证参数寻优结果如图7所示。

[0078] 单个测点和三点融合的测试结果如表1所示，可以看出，基于多测点振动信号的综合分析，具有充分利用多传感器信息冗余性和互补性的优点，单个测点的特征向量经过3点融合处理后，测试样本的裂纹伤损识别率达到91.25％。表明本方法可有效用于道岔伤损检测。此外，计算本发明方法的伤损识别时间为6.49s，实时性较好。

[0079] 表1单个测点和三点融合的测试结果

[0080]

[0081] 作为对比，采用专利号为CN102175768A所述方法对上述采集的道岔振动信号进行实验分析，结果如图8所示。可以看出，道岔不同工况的IMF功率谱分布复杂，没有明显的区分特征，按照该专利文件所述方法难以实现道岔工况及伤损类型的辨识。

[0082] 噪声测试：

[0083] 由于实际道岔振动信号在采集过程中受环境噪声影响，为评估本发明方法的抗噪性能，在原始振动信号的基础上分别添加不同信噪比的高斯白噪声、高斯色噪声、脉冲噪声，并进行仿真实验。其中高斯色噪声由方差为1的高斯白噪声通过一个四阶带通滤波器获取。脉冲噪声由公式n'(k)＝B(k)G(k)产生，其中G(k)为均值为0，方差为1的高斯白噪声；B(k)为伯努利过程。

[0084] 不同信噪比下本发明方法的测试结果如图9所示，可以看出，本发明方法的伤损识别率随加入噪声强度的增大而减小，在信噪比高于20dB时，该方法受三种噪声影响小，稳定性好；当信噪比低于20dB时，噪声对信号的干扰较大，识别率随信噪比减小下降较快。但即使在信噪比为5dB的情况下，识别率仍能达到68％左右，表明本发明方法具有良好的抗噪性。现场实验表明，列车经过道岔时采集的振动信号的信噪比一般高于20dB。因此，本发明能够在铁路现场实现道岔裂纹伤损的自动检测。