稀疏角度域同步平均法用于分离轴箱加速度中的振动分量:在钢轨波纹存在条件下进行车轮多边形磨损检测的应用

《Journal of Sound and Vibration》:Sparse angle domain synchronous averaging for separating vibration components in axle box acceleration: an application to wheel polygon detection in the presence of rail corrugation

【字体: 大 中 小 】 时间:2026年09月27日 来源:Journal of Sound and Vibration 5.8

编辑推荐:

   # 分离与旋转同步和轨道固定的ABA振动分量 - 分离与旋转同步及轨道固定的轴箱加速度(ABA)振动分量。 - SADSA方法结合同步平均、随机采样和稀疏重建。 - 车轮多边形粗糙度估计误差从8.09降至2.91 dB。 ## 引言 车轮和钢轨是铁路系统中安全关键性最高

  

# 分离与旋转同步和轨道固定的ABA振动分量

- 分离与旋转同步及轨道固定的轴箱加速度(ABA)振动分量。
- SADSA方法结合同步平均、随机采样和稀疏重建。
- 车轮多边形粗糙度估计误差从8.09降至2.91 dB。

## 引言

车轮和钢轨是铁路系统中安全关键性最高且维护工作量最大的部件之一。在长期的轮轨循环滚动接触以及车辆与轨道之间的动态相互作用过程中,不可避免地会导致车轮和钢轨踏面的磨损、塑性变形和表面缺陷[1]。在各种表面退化形式中,车轮多边形和钢轨波磨是两种具有代表性的短波长周期性不规则缺陷,自其早期被识别和记录以来,便在铁路工程、振动及噪声领域持续受到关注[2,3]。

车轮多边形具有特定谐波阶数的周向半径变化特征。它是一种附着于车轮的旋转粗糙度源,因此产生的响应与车轮旋转保持同步。而钢轨波磨则表现为钢轨踏面上的纵向周期性磨损图案,其固定于空间之中,当轮对沿轨道移动时激发车轨系统。尽管从几何意义上说,这两种缺陷均可被描述为周期性粗糙度,但它们与移动车辆之间的运动学关系却存在根本差异。这一区别至关重要,因为它为在实测响应中分离二者的振动贡献提供了物理基础。大量研究表明,车轮多边形和钢轨波磨会显著恶化铁路系统的动态性能[[4], [5], [6], [7]]。其后果包括轮轨冲击力的增加、车辆和轨道部件疲劳损伤的加速、乘坐舒适性的下降、滚动噪声的升高,以及在严重情况下运营安全风险的加大。因此,准确且及时地检测此类缺陷对于基于状态的维护、有针对性的车轮踏面修整、钢轨打磨以及全寿命周期成本降低至关重要。

传统的车轮和钢轨表面状态诊断仍然严重依赖于由经过培训的人员操作定期人工检查和专用测量设备。根据检查结果,对存在缺陷的车轮和钢轨进行车轮踏面修整或钢轨打磨,直至需要进行更换[8]。尽管这一策略从安全角度来看是有效的,但由于实际退化状态无法持续获取,往往导致保守且有时过度的维护行为。在现代铁路运营中,更高的运输密度、更短的维护窗口以及可持续的资产管理需求,使得对可靠、经济且兼容常规运营服务的监测方法存在迫切需求。

尽管车轮多边形和钢轨波磨是铁路系统中特有的退化现象,但本研究解决的信号处理挑战却代表了一个更普遍的振动问题。在移动测量系统中,传感器可能同时记录由定义在不同运动学参考系中的激励源所引起的响应。车轮多边形固定于旋转的车轮上,产生的响应与车轮的角位置保持相干。而钢轨波磨则固定于轨道坐标系中,随着轮对移动依次被经过。因此,实测的轴箱加速度同时包含与旋转同步的空间固定激励分量和轨道固定激励分量。这些分量在时域和频域中可能重叠,因速度变化而产生畸变,甚至可能在有限的观测窗口内于角度域中呈现准周期性。值得注意的是,此类分量的分离不仅仅是一个铁路诊断问题,而是移动系统中具有多个周期性参考的振动或噪声源分离的代表性案例。这一视角具有重要意义,因为许多工程系统都涉及类似的混合激励。例如,在不均匀空间支撑上运行的旋转机械、涉及轮胎不均匀性和路面纹理的车辆-道路相互作用,以及旋转缺陷与静止结构不规则性共存的滚动体系统。因此,一种能够根据运动学相干性区分响应的方法,可能比此处所考虑的具体轮轨粗糙度监测任务具有更广泛的适用性。

先进传感器技术与自适应信号处理算法的融合已成为车辆和轨道部件状态监测的一种有前景的方法。在列车正常运行过程中产生的力、声音、振动、声发射和应变等信号包含了关于轮轨相互作用和表面状态的有价值信息。根据传感器位置,现有方法可大致分为轨旁监测方案和车载监测方案。这两类方案互为补充:轨旁系统在固定位置提供对多列列车的重复观测,而车载系统则允许对较长的轨道段和仪器化车辆本身进行持续监测。除这些铁路专用监测技术外,更广泛的机械信号处理领域的进展,特别是在多源分离、弱特征增强和瞬态干扰抑制方面,也与本研究解决的问题高度相关。以下各小节将逐一回顾这些领域的研究现状,并批判性地审视促使本研究的局限性。

### 轨旁检测

轨旁检测方法涉及在特定轨道段附近或沿线安装传感器,以捕获和分析列车通过时产生的各种信号[9]。Ye等[10]综述了铁路轮对故障诊断技术,并将轨旁检测系统分为基于声学的方法和基于力学的方法。Li等[11]提供了与[10]中定义相一致的轨道不平顺检测方法并行分类方式。Nagy等[12]的早期工作利用麦克风记录的空气声学特征证明了自动化车轮缺陷检查的可行性。Bruzelius[13]和Thakkar等[14]的后续研究探索了基于声发射的钢轨损伤评估技术。随着高频传感系统的改进,Bollas等[15]表明声发射传感器可以捕获与表面缺陷相关的瞬态事件,从而增强实时车轮和钢轨故障诊断能力。基于力学响应的方法也得到了广泛研究。Meixedo等[16]开发了一种集成诊断系统,利用钢轨安装的应变计监测动态载荷,将车轮冲击检测、列车称重和轴数计数相结合。Liu等[17]进一步引入了光纤布拉格光栅传感器阵列,用于检测高速列车车轮上的微缺陷。近年来,基于加速度计的轨旁监测变得越来越流行,因为加速度计相对于电磁干扰、温度变化和安装约束具有较好的鲁棒性。Sun等[18]、Schalkwyk等[19]、Mosleh等[20]和Jorge等[21]研究了利用轨旁振动测量检测车轮多边形和钢轨波磨的传感器配置、信号处理策略和特征解释。

尽管轨旁系统因其相对简单的部署方式和能够在固定位置监测多列通过列车而具有吸引力,但其存在两个固有局限性。首先,其诊断性能对当地轨道条件、传感器放置位置、车轮直径变化、轨枕间距动态和瞬态轮轨接触状态敏感[22]。这意味着为某一区段校准的轨旁安装可能无法很好地推广到具有不同轨道特性的其他区段。其次,轨旁系统仅提供仪器化区段的信息,无法直接支持整个网络的持续监测。在现代铁路运营中,基于状态的维护需要持续且空间全面的信息,这种空间稀疏性构成了根本性约束。这些局限性促使了车载监测方法的发展,该方法可以在车辆沿轨道移动时提供连续覆盖。

### 车载检测

车载检测方法涉及在车辆部件如轴箱、转向架构架和车体上安装传感器,以采集与车轮和钢轨相关的故障信号[23]。在不同位置采集的各种信号中,轴箱加速度(ABA)被最广泛用于检测车轮多边形和钢轨波磨,因为它能有效捕捉短波长不规则性的中高频响应,且不受一系和二系悬挂系统的影响[24]。轮轨缺陷与ABA之间的关系已通过理论建模、动力仿真和现场测量进行了研究[[25], [26], [27]]。基于这些研究,基于ABA的诊断方法越来越多地被应用于实际铁路监测中。Li等[28]开创了利用ABA谱分析在荷兰铁路网络中进行钢轨波磨自动化识别的先例,并建立了基线检测阈值。Salvador等[29]通过瓦伦西亚地铁系统中的受控测试,研究了基于ABA的钢轨波磨监测中的采样频率、滤波频率和传感器放置位置。Louren?o等[30]提出了利用ABA在葡萄牙进行车轮多边形在线监测的方案,结合非平稳信号处理和分类模型以支持轮对维护优先级排序。Shaikh等[31]报道了一种利用ABA信号进行铁路车轮缺陷检测的混合学习框架,并在仿真数据上展示了较高的分类准确率。Tanaka等[32]分析了日本铁路系统中基于ABA的钢轨波磨监测的评估精度和应用条件。Baasch等[33]将倒谱分析应用于奥地利车载ABA数据,并展示了用于车轮磨损状态监测的鲁棒特征提取。Carrigan等[34]开发了一种频域随机逆技术,结合英国西米德兰兹地铁线的车辆-轨道仿真和实测ABA数据来估计钢轨波磨波长和粗糙度。本文作者也研究了基于ABA的轮轨粗糙度监测方法,相继提出了一种一维卷积神经网络、一种数据驱动的检测系统以及一种改进的频域积分算法,用于定量估计钢轨波磨和车轮多边形的深度和粗糙度等级[[35], [36], [37], [38], [39]]。

这些研究显著推进了基于ABA的车轮和钢轨缺陷监测。然而,大多数现有方法隐含地假设实测响应由单一缺陷源主导,或其他源可被视为背景噪声。这一假设在实际轮轨系统中往往不成立。车轮多边形和钢轨波磨均为窄带激励,且其特征波长可能相似。因此,传统谱指标、阶次分析、倒谱特征或数据驱动分类器可能检测到异常振动,但无法始终将响应归因于正确的物理源。这一局限性对于定量粗糙度估计尤为重要,因为源误归因将直接导致幅度重建偏差。因此,在进行定量诊断之前,需要一种具有物理解释能力的源分离程序。

### 相关信号处理技术的进展

本文解决的源分离和特征增强挑战在更广泛的机械故障诊断领域也得到了广泛研究。三个研究方向尤为相关。首先,基于联合时频表示的多源振动分离方法已被开发以解决共存周期分量之间的混叠问题。混合Walsh-频域中的动态层次特征追踪方法[40]和多源联合表示方法[41]是具有代表性的近期贡献。其次,基于反卷积的技术已被证明在弱周期特征增强方面有效。特别是振动加权最大相关峭度反卷积方法[42],提高了在强背景振动下提取潜在循环模式的灵敏度。第三,自适应瞬态干扰抑制受到了越来越多的关注。用于瞬态偏移识别的自适应信号体制方法[43]和用于瞬态噪声下非平稳轴承信号的干扰抑制策略[44]等方法,增强了诊断算法在非高斯和脉冲环境中的鲁棒性。尽管取得了这些进展,现有方法仍存在一个共同局限性:它们主要基于信号的统计或变换域特性进行操作,并未显式利用旋转激励源与静止激励源之间的运动学差异。在轮轨系统中,车轮多边形和钢轨波磨定义在根本不同的参考系中:前者在角度域中呈周期性,后者在空间域中呈周期性。这一运动学差异为源分离提供了物理基础。本研究通过将问题表述为移动测量系统中的振动源分离任务来应对这一点,并引入了稀疏角度域同步平均(SADSA)方法。所提出的框架旨在保留稀疏的车轮相关阶次分量,同时抑制由钢轨波磨引起的非车轮同步相干性,从而在钢轨诱导干扰存在的情况下提高车轮多边形检测的可靠性。

上述讨论表明,基于ABA的车载监测是持续评估轮轨表面状态的一种有前景的工具。然而,解释ABA是复杂的,因为实测信号是动态响应而非直接的粗糙度测量值。特别是,当车轮多边形磨损和钢轨波磨共存时,ABA响应包含两个具有不同运动学起源的周期激励源的贡献。

车轮多边形附着于旋转车轮,在车轮角度域中天然具有周期性;而钢轨波纹附着于轨道,在轨道坐标系中具有空间周期性。在车辆运动过程中,这两种激励源均通过瞬时车速映射到时间域,这可能导致频率分量重叠和阶次域特征模糊。这种激励源歧义有两个重要后果。首先,由钢轨波纹引起的响应可能被误判为车轮多边形引起的振动,尤其是在钢轨波纹波长接近多边形波长或激发了强烈的轮轨共振时。其次,由于ABA通常作为逆粗糙度估计模型的输入,激励源污染不仅影响定性的故障识别,还会直接导致重构粗糙度幅值的偏差。因此,分离车轮同步分量和钢轨激励分量对于可靠的定量监测至关重要。同步平均(SA)为此分离提供了自然的物理基础,因为它保留与车轮旋转相干的响应,同时抑制非同步分量。Pallas等人[45]评估了从ABA信号中分离车轮和钢轨粗糙度分量的几种技术。他们的分析表明,SA可以利用ABA响应中车轮粗糙度的周期性与钢轨粗糙度的非同步特性,为粗糙度分离提供有效的基础。Carrigan等人[46,47]和Pieringer等人[48]进一步验证了在存在车轮多边形时,基于SA的方法用于钢轨波纹监测的可行性。然而,当轨道固定激励在平均窗口内产生强烈的准周期响应,或当车速变化和随机轨道不规则性干扰角度域相干性时,传统SA可能失效。在这种情况下,同步分量与非同步分量之间的界限变得模糊。基于这一观察,一个自然的方法是将压缩感知引入角度域同步平均。随机降采样可以削弱非同步和随机分量的表观相干性,而稀疏重构可以保留集中在阶次域中的物理上有意义的周期分量。为了解决这一局限性,本研究提出了一种稀疏角度域同步平均方法,记为SADSA。该方法将同步平均理论与压缩感知框架内的随机降采样和稀疏重构相结合。其核心思想是:车轮多边形响应与车轮角度参考相干且在阶次域中稀疏,而钢轨引起的和随机分量在随机测量和平均后相干性降低。分离出的车轮同步响应随后通过改进的频率域积分模型用于车轮多边形的定量检测。本研究的主要贡献如下:(1)引入了稀疏角度域同步平均(SADSA)方法,将角度域同步平均与随机降采样和稀疏重构相结合。与传统SA相比,SADSA在保留稀疏车轮同步分量的同时,改善了非车轮同步和随机分量的抑制效果。(2)揭示了传统基于ABA的监测中激励源误判的机制。车辆-轨道耦合动力学仿真表明,钢轨波纹可被传统SA保留并错误地转换到与车轮相关的加速度分量中,尤其是在钢轨引起的响应强烈或在车轮角度域中呈准周期性时。(3)通过仿真和现场测量验证了该方法在定量粗糙度估计中的应用。分离出的车轮同步响应作为输入用于改进的频率域积分模型进行车轮多边形粗糙度估计。现场数据表明,与传统角度域同步平均相比,SADSA大幅降低了估计误差。(4)所提出的框架对移动系统振动分析具有广泛的适用性。尽管通过存在钢轨波纹时的车轮多边形检测进行了验证,该方法也适用于旋转缺陷和空间固定不规则性共存且由随结构运动的传感器测量的其他系统。本文其余部分组织如下:第2节介绍了在钢轨波纹存在下基于ABA的车轮多边形检测框架,包括SADSA模型和改进的频率域积分方法。第3节通过车辆-轨道耦合动力学仿真验证该方法。第4节利用某商业地铁线路的现场测量数据演示其实际性能。第5节总结主要结论并讨论未来工作。基于ABA的车轮多边形检测流程(在钢轨波纹存在下)本节描述了在存在钢轨波纹时使用ABA进行定量车轮多边形检测的所提框架。该问题被视为一个振动激励源分离任务,其中车轮引起的分量与旋转同步,而钢轨引起的分量通常相对于车轮圆周呈非同步。如图1所示,该框架由两个模块组成。首先,将测量的ABA信号分离为与车轮相关的分量。仿真模型所提方法首先使用仿真数据进行了评估。本研究建立了一个考虑轮对和轨道柔性的动力学模型。该模型基于车辆-轨道耦合动力学理论,以运营中的地铁车辆为研究对象。它由三个子模型组成:车辆、轨道和轮轨接触。车辆模型包括一个车体、两个转向架和四个柔性轮对。轨道模型设计为板式轨道,钢轨。现场试验为评估所提方法的实际性能,在中国某商业地铁线路上进行了现场试验。测量数据包括车速、ABA、车轮粗糙度和钢轨粗糙度,如图9所示。ABA通过安装在轴箱上的加速度计测量。车速和车轮角度位置由转速脉冲信号获得。车轮不圆度使用BST设备测量,钢轨波纹使用CAT设备测量。结论主要结论如下:1. 车轮多边形与钢轨波纹的共存应被视为涉及不同运动学参考系的振动激励源分离问题。车轮多边形因固定于车轮圆周而与旋转同步,而钢轨波纹因分布在钢轨上而与轨道固定。它们的响应可能在时间和频率域中重叠,这解释了为什么基于原始ABA信号的车轮-钢轨粗糙度。利益冲突声明作者声明没有已知的竞争性财务利益或个人关系可能影响本文所报告的工作。CRediT作者贡献声明谢青林:撰写——初稿,方法论,资金获取,数据整理,概念化。陶公全:验证,资源,资金获取。张涛:资金获取,形式分析。吴跃:资源,调查,资金获取。温泽峰:监督,资源,项目管理,资金获取。谢青林|陶公全|张涛|吴跃|温泽峰
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号