《Intelligent Transportation Infrastructure》:A data-fusion approach for rail corrugation identification using time-frequency normalized superposition method
编辑推荐:
为解决传统钢轨波磨识别方法因传感器频率传递特性导致能量比失衡的问题,研究人员开展了基于时频归一化叠加法(TFNSM)的多源数据融合识别研究。通过里程对准算法融合轴箱加速度(ABA)、轮轨力(WRF)和车内噪声(VIN)数据,实验表明该方法能准确定位波磨位置(波长估计值101.5mm/126.5mm与实测值102.7mm/124.7mm吻合),为高速铁路钢轨维护提供可靠技术支撑。
随着高铁列车轴重和运行速度的不断提升,轮轨相互作用日益剧烈,钢轨疲劳损伤问题频发。其中钢轨波磨作为典型的轮轨接触疲劳损伤,会激发高频高能量振动,导致车辆与轨道部件疲劳损伤,并伴随刺耳的轮轨噪声。这类波长小于3米的短波不平顺会引发400-2000Hz范围的振动,显著增大轮轨动态接触力,进而加速钢轨表面裂纹扩展甚至断裂。虽然采用弦测系统或惯性传感器的波磨检测小车能实现微米级精度测量,但其检测效率难以覆盖大规模铁路网络。目前基于单一数据源(如轴箱加速度ABA或轮轨力WRF)的波磨识别方法,易受传感器故障或环境干扰影响,存在漏报误报风险。
为解决上述问题,中国铁道科学研究院基础设施检测研究所的科研团队在《Intelligent Transportation Infrastructure》发表研究,提出了一种基于时频归一化叠加法(Time-Frequency Normalized Superposition Method, TFNSM)的多源数据融合识别方法。该方法通过融合高速综合检测车(High-speed Comprehensive Inspection Train, HCIT)采集的高精度ABA、WRF数据与便携式车载设备采集的车内噪声(Vehicle Interior Noise, VIN)数据,显著提升了钢轨波磨识别的准确性与可靠性。
研究团队首先攻克了多源数据融合的关键前提——里程对准技术。针对便携式车载设备无法直接获取里程信息的问题,创新性地采用导数动态时间规整(Derivative Dynamic Time Warping, DDTW)算法,通过对比车身横摆角速度与线路超高数据的局部形态特征,将VIN数据的里程偏差从最大1.8公里修正至20米以内,实现了与HCIT数据的高精度对齐。
在数据融合阶段,团队开发了TFNSM核心算法:对里程对齐后的多源数据分别进行连续小波变换,获得里程-频率二维矩阵M(s,f),随后按列归一化并叠加生成融合矩阵M
*multi。通过将频率维度幅值投影叠加,提取周期性特征频率成分,最终计算特征频带能量与总能量之比作为综合诊断指标。
关键技术方法包括:基于惯性导航原理的初始速度/里程估算、结合线路超高数据的DDTW里程偏差校正、多源时频矩阵的归一化融合处理,以及基于特征频带能量比的波磨识别阈值设定。实验数据来源于高速综合检测车与便携式车载设备同步采集的现场检测数据。
4.1 单源数据诊断对比
通过对比ABA、WRF和VIN数据的功率谱密度发现,三者频率能量分布存在显著差异:VIN数据对低频成分(主频约8.67Hz)检测精度高,而ABA系统更擅长捕捉波磨激发的高频成分。单独计算各数据源的特征能量比显示,仅WRF数据的能量比指标能有效反映钢轨表面状态变化,证明多源数据融合的必要性。
4.2 多源数据融合诊断
采用200米移动窗口对K124+560~K125+140区段进行时频分析显示,ABA和WRF数据中存在明显高频周期性成分,而VIN数据中未呈现。经TFNSM融合后,这些特征成分得以保留,且在620.6Hz附近出现显著波峰,证实该方法能有效整合多源数据特征。
4.3 波磨测量验证
通过设定特征频带[400,750]Hz和能量比阈值0.3,成功识别出K112+800、K124+800等4处疑似波磨区段。使用波磨检测小车对K124+800(缓曲线段,车速222km/h)和K128+600(直线段,车速287km/h)进行实地验证,功率谱分析显示波长分别为102.7mm和124.7mm,与TFNSM算法估算值101.5mm和126.5mm高度吻合。
本研究通过DDTW算法实现了VIN数据与HCIT数据的毫米级里程对准,开创性地提出TFNSM多源数据融合算法,使特征频率能量比指标在频域分布更均衡。实验证明该方法能准确识别钢轨波磨位置(定位误差<20m)并精确估算波长(误差<2mm),为高速铁路钢轨状态评估提供了新型技术手段。该研究提出的能量比阈值0.3可作为现场应用的参考标准,其多源融合思路为复杂工程系统中的故障诊断提供了新范式。