论文部分内容阅读
近年来钢轨波磨问题普遍在高速铁路、重载线路、地铁等线路上泛滥,严重影响着高速列车行驶的安全。因此,及时检测出钢轨波磨对保障列车运行安全和制定相应的维修方案具有重要意义。目前波磨的检测方法效率较低、智能化程度不高,因此,本文提出了一种基于车辆振动信号的检测算法。本文研究内容主要包括建立波磨作用下的车辆-轨道垂向耦合模型、信号处理分析、提取波磨特征参数、支持向量机预测和分类、优化算法五个部分。首先在加入轨道不平顺因素的情况下建立了车辆-轨道垂向耦合模型,利用新型预测-校正积分法求解在钢轨波磨作用下的车辆动态响应,接着分析在不同波磨波长、不同波磨波深、不同列车运行速度、不同车辆型号下,钢轨波磨对车辆动态响应的影响。然后,根据分析的结果采用不同的信号处理算法提取特征参数,再利用支持向量机和粒子群算法实现波磨的识别和波深分类。最后,通过比较不同信号处理算法的识别和分类结果,提出了结合小波包和双谱分析的优化算法,该算法利用小波包变换方法计算小波包归一化能量值和能量熵,利用双谱分析的方法从对角切片中提取出双谱熵、对角切片峰值和归一化频率,并结合车速作为特征参数。为了验证本文算法的优越性,本文对比了利用希尔伯特黄变换(HHT)、经验模式分解(EMD)、小波包变换(WPT)和双谱方法对钢轨波磨进行识别和波深等级分类的结果,结果表明,HHT只能用于定性检测波磨,而本文提出的基于小波包和双谱提取特征的算法能够准确有效地识别出正常钢轨和波磨,正确率为100%;按波深将 Omm、0.01mm～0.03mm、0.04mm～0.07mm 以及 0.08mm～0.1mm的工况分为4类,能够达到95%的波深分类正确率,分类效果优于经验模式分解、小波包或者双谱。为了验证本文算法的鲁棒性,利用本文提出的算法提取不同波长、不同波深、不同车速、不同车型和不同轨道不平顺下特征参数,将其输入PSO-SVM模型中进行训练,识别和分类的结果证明了本文提出算法在复杂情况下的适用性,为实现车辆对地面的检测提供了一种新的解决思路。