一種基于振動信號融合的高速道岔裂紋傷損智能檢測方法
【技術領域】
[0001] 本發明涉及一種基于振動信號的高速道岔裂紋傷損智能檢測方法，屬于鐵路道岔 檢測與維護技術領域。
【背景技術】
[0002] 道岔作為鐵路軌道的重要組成部分，是高速鐵路不可或缺的線路設備，同時也是 線路上的薄弱環節，與列車運行速度和安全性能密切相關。在列車經過道岔轉換線路時，由 于車輪對軌道的強大沖擊力作用，可能導致道岔出現接觸疲勞、磨損、裂紋甚至軌道變形等 傷損類型。如果未及時對道岔傷損進行檢測、處理，隨著時間的推移，道岔傷損進一步惡化， 可能會引發列車脫軌等重大事故，這對列車的安全運行構成了嚴重威脅。因此，研究道岔傷 損識別，實時獲取道岔工作狀態信息，對保障列車高效、安全運行具有重要意義。
[0003] 針對道岔傷損監測問題，各國都進行了深入的研究并研發出相應的道岔監測 系統，如法國道岔采用的Track and Turnout monitoring監測系統，德國道岔采用的 RoadmasterfOOO監測系統等，以上系統能夠實現對道岔通訊設備、電流、電壓、軌道電路及 轉轍機狀態、各牽引點的轉換力等的監控，為道岔工作狀態信息的實時監測提供了強有力 的手段。但這些系統也存在不足之處，比如缺少對道岔磨耗、裂紋、接觸疲勞等傷損的檢 測。目前，我國的道岔傷損檢測主要以傳統的大型探傷車和小型探傷儀相結合的探傷機制 為主，這種探傷方法雖然一定程度上可以檢測出道岔傷損，但存在檢測效率低、檢測范圍有 限、占道檢查影響列車運行效率等問題，難以滿足我國高速鐵路快速發展的需求。
[0004]

【發明內容】

[0005] 本發明的目的是針對現有檢測技術的不足，提供一種基于振動信號的高速道岔裂 紋傷損智能檢測方法。
[0006] 本發明所采用的技術方案具體實施步驟如下：
[0007] (1)根據道岔的單跨簡支梁模態振型的變化規律，在高速道岔的岔尖、岔中和岔尾 三個測點處安裝振動加速度傳感器；
[0008] (2)列車經過道岔時，分別采集三個測點處的道岔振動信號。不失一般性，記岔尖 測點處的振動信號為x(i)，i = 1，…，N，N為采樣點數。
[0009] (3)采用CEEMD對x(i)進行自適應分解，得到包含道岔傷損信息的M個本征模態 分量（IMF),記為c j⑴，j = 1，2,…，M。
[0010] ⑷計算MF分量cJi)與原振動信號x(i)的相關系數
[0011]
[0012] 其中，#和丨弓分別表示X(i)和C]⑴的平均值。
[0013](5)選取n_j大于閾值T的m個IMF分量作為該測點振動信號的主IMF分量，記為 ci(0，.k= 1，2,…，m〇
[0014] (6)計算主頂F分量<(/)的奇異熵Ek并將這m個奇異熵E k (k = 1，2,…，m)作為 岔尖測點的道岔傷損特征值，記為氏={E u E2，…EJ。
[0015] (7)類似地，對岔中、岔尾測點采集的振動信號分別執行步驟⑶一步驟（6)，得到 岔中和岔尾測點處的道岔傷損特征值H 2、H3。然后對氏、H2、H3進行擴維特征融合，形成3m 維的道岔傷損特征向量H = {氏、H2、H3}。
[0016] (8)將傷損特征向量H輸入最小二乘支持矢量機（LSSVM)模型，選取徑向基函數作 為核函數，利用網格搜索和交叉驗證對LSSVM懲罰因子和徑向基函數參數進行尋優，進而 實現道岔工作狀態和傷損類型的判斷。
[0017] 在上述的一種基于振動信號的高速道岔裂紋傷損智能檢測方法，其特征在于，所 述步驟（5)中的閾值T = 0? 1。
[0018] 在實際實施中，所述步驟（6)的主頂F分量<(/)的奇異熵E k計算步驟如下：
[0019] (6. 1)對<(〇進行相空間重構。將q(/)嵌入到（N-n+1) Xn維相空間內，得到重構 吸引子軌道矩陣X
[0020]
[0021] 其中n為嵌入維數，N為信號采樣點數。
[0022] 對X進行奇異值分解，即
[0023] X = U A VT (3)
[0024] 其中，r￡賀(#，+丨_-《.+.1.):和廠^識劃為正交矩陣，.Ag.diag(A t，％，…為 為對角矩陣，且q滿足q = min (N-n+1，n)。入j (j = 1，2,…，q)稱為矩陣X的奇異值。
[0025] (6. 2)計算c((/)的奇異熵Ek。從入」(j = 1，2,…，q)中選取前v個最大奇異值， 且V滿足X AZX > 85%，.貝崎異熵EkS j=i j-i
[0026] (4)
[0027] 其中
I第j個奇異值在整個奇異值中的權重。
[0028] 在實際實施中，所述步驟（8)的參數尋優步驟如下：
[0029] (8. 1)初始化懲罰因子Y e [e5,e5]，核函數參數〇 e [e5,e5]，網格大小取 10X10,共得到100組參數對。
[0030] (8. 2)將訓練樣本數據均分為10組，對網格中每一組參數對（Y，0 )執行以下操 作：
[0031] (8. 3)選擇其中一組樣本數據作為測試集，其余9組作為訓練集，得到LSSVM的預 測誤差S。
[0032] (8. 4)重復步驟（8. 3)執行10次，每次均選擇不同子集作為訓練集，并將10次實 驗得到的預測誤差求平均值，得到該組（Y，〇)的預測誤差冢。
[0033] (8. 5)改變參數集合（Y，〇 2)，重復執行步驟（8. 3)和（8. 4)，依次得到不同組合 參數下LSSVM的預測誤差#.，將預測誤差均值最小的一組參數作為網格內的最優模型參數 組合。
[0034] 與現有技術相比，本發明的有益效果是：
[0035] 1)本發明基于振動信號對道岔進行傷損檢測，該方法的信號采集簡單，且信號蘊 含了豐富的道岔狀態信息，能夠實現道岔工況的實時檢測而無須大量占用軌道設備。
[0036] 2) CEEMD方法有效抑制了 EMD存在的模態混疊問題及EEMD的噪聲殘余問題，適合 于處理非線性、非平穩的道岔振動信號，而奇異熵具有奇異值分解挖掘矩陣模態特征的功 能及信息熵描述信號序列復雜性的特點，提取出的IMF奇異熵能夠較好反映道岔的傷損特 征。
[0037] 3)本發明采用LSSVM作為分類器，無須人為設定判決閾值，可實現道岔傷損類型 自動判別。同時，采用網格搜索和交叉驗證對LSSVM參數進行尋優，減小了參數選擇的盲目 性，提高了傷損檢測的準確率。
【附圖說明】
[0038] 圖1為本發明流程圖；
[0039] 圖2為道岔振動傳感器安裝示意圖；
[0040]圖3為道岔尖端不同工況的時域波形，其中：(a)正常道岔，（b)裂紋0. 5cm，（c)裂 紋 L 5cm;
[0041] 圖4為正常道岔振動信號CEEMD分解結果；
[0042] 圖5為不同工況道岔振動信號各頂F與原信號的相關系數，其中：(a)道岔尖端， (b)道岔中部，（c)道岔尾端；
[0043] 圖6A為道岔尖端不同工況的奇異熵分布圖；
[0044] 圖6B為裂紋1. 5cm不同位置的奇異熵分布圖；
[0045] 圖7為網格搜索和交叉驗證參數尋優結果；
[0046] 圖8為道岔尖端不同工況下第一階頂F的功率譜密度，其中：（a)正常道岔，（b) 裂紋 0? 5cm, (c)裂紋 1. 5cm ;
[0047] 圖9為不同噪聲對傷損識別結果的影響。
【具體實施方式】
[0048] 下面結合附圖和實施例對本發明進行詳細說明。
[0049] 如圖1所示，本發明的【具體實施方式】是，一種基于振動信號的高速道岔裂紋傷損 智能檢測方法，其步驟是：
[0050] (1)根據道岔的單跨簡支梁模態振型的變化規律，在高速道岔的岔尖、岔中和岔尾 三個測點處安裝振動加速度傳感器；
[0051] (2)列車經過道岔時，分別采集三個測點處的道岔振動信號。不失一般性，記岔尖 測點處的振動信號為x(i), i = 1，…，N，N為采樣點數。
[0052] (3)采用完備集合經驗模態分解（CEEMD)對x(i)進行自適應分解，得到包含道岔 傷損信息的M個本征模態分量（頂巧，記為 Cj (i)，j = 1，2,…，M。
[0053] (4)計算頂F分量C]⑴與原振動信號的相關系數
[0054]
[0055] 其中無和巧分別表示x⑴和cj⑴的平均值。選取n」大于閾值T = 0? 1的頂F 分量作為主頂F。
[0056] (5)計算主頂F分量的奇異熵Ek，并將這m個奇異熵Ek (k = 1，2,…，m)作為岔尖 測點采集的道岔傷損特征值，記為H1= {Ei，E2，…EJ。奇異熵具體計算步驟如下：
[0057] (5. 1)對<(/)進行相空間重構。將<(/)嵌入到（N-n+1) Xn維相空間內，得到重構 吸引子軌道矩陣X
[0058]
[0059] 其中n為嵌入維數，N為信號采樣點數。
[0060] (5. 2)對X進行奇異值分解，即
[0061] X = U A VT (7)
[0062] 其中，礦參她托本-《+i).和e 為正父矩陣，入.￡.di:ag(為，:為廣-) 為對角矩陣，且q滿足q = min (N-n+1，n)。入j (j = 1，2,…，q)稱為矩陣X的奇異值。
[0063](5. 3)計算的奇異熵Ek。從入」(j = 1，2,…，q)中選取前v個