阅读说明：本技术 基于轴箱加速信号的轨道缺陷监测方法及监测设备 (Track defect monitoring method and monitoring equipment based on axle box acceleration signal ) 是由 汪群生 朱彬 曾京 邬平波 戴焕云 于 2019-11-11 设计创作，主要内容包括：本发明公开一种基于轴箱加速信号的轨道缺陷监测方法及监测设备,应用于轨道交通领域,为了解决现有的轨道健康状态监测存在的监测效率低下的问题,本发明采用测量车辆轴箱垂向振动加速度来检测轨道故障和缺陷的方式,并结合GPS信号与车速积分对轨道进行定位,实现了山区多隧道路段的缺陷精确定位,本发明通过使用小波变换求不同轨道缺陷引起的轴箱振动加速度在频域上的分布特点,能兼顾时域与频域的精度,得到高分辨率的时频图,同时卷积神经网络模型能对时频图进行快速精准地识别分类,当神经网络训练好后只需要输入车辆运行全程轴箱垂向加速度信号和与之同步的GPS信号,本发明的方法及设备能自动地识别该条线路上的轨道缺陷类型以及GPS位置。(The invention discloses a track defect monitoring method and monitoring equipment based on axle box acceleration signals, which are applied to the field of track traffic and aim to solve the problem of low monitoring efficiency of the existing track health state monitoring, the invention adopts a mode of measuring the vertical vibration acceleration of a vehicle axle box to detect track faults and defects and combines GPS signals and vehicle speed integral to position a track, thereby realizing the accurate positioning of the defects of a multi-tunnel road section in a mountainous area, the invention can obtain the distribution characteristics of the axle box vibration acceleration caused by different track defects on a frequency domain by using wavelet transformation, can give consideration to the precision of a time domain and the frequency domain to obtain a high-resolution time-frequency diagram, simultaneously a convolutional neural network model can quickly and accurately identify and classify the time-frequency diagram, and only needs to input the axle box vertical acceleration signals and the GPS signals synchronous with the axle box vertical acceleration signals in the whole course of the running of a vehicle after the neural, the method and apparatus of the present invention can automatically identify the type of track defect and the GPS location on the line.)

基于轴箱加速信号的轨道缺陷监测方法及监测设备

技术领域

本发明属于轨道交通领域，特别涉及一种轨道健康状态监测技术及设备。

背景技术

人们的生产生活方式终将由粗放模式向集约化发展，从污染向环保发展。在交通运输 领域，电气化的轨道交通由于其高能量利用率，零排放的优势在近年来得到了飞速的发展。 轨道交通高能量利用率的最主要原因是钢轮钢轨较大的接触刚度带来的较小滚动摩擦力， 从而减少因为克服摩擦而损失的能量。然而，大接触刚度在带来小摩擦力的同时也大大恶 化了车轮与钢轨的受力环境。因此在实际应用中钢轨发生结构缺陷的案例时有出现，如钢 轨波磨，钢轨肺叶状缺损(squats)，甚至疲劳断裂。较大的钢轨故障往往是由较小的缺陷 发展而来，这就需要在运营中对轨道缺陷及时发现并及时处理。因此钢轨的健康状态监测 与维护是铁路系统安全运营必不可少的重要保障。

在过去的数十年年来，我国已经建成了规模非常庞大的铁路运输网络，包括普速铁路， 高速铁路，地铁以及新兴的城市有轨电车。随着线路的日趋饱和，我国的轨道交通基础建 设重心将会从新建转向维护与改造。巨大的轨道保有量带来的是对轨道状态监测的巨大挑 战。传统的轨道维护作业需要轨道工人视觉检视，重点路段用专门的仪器进行现场测量。 这样的做法效率极低，浪费了大量的人力与物力资源，而且人为的不确定因素对检测效果 的影响也难以控制。因此高效的，精准的，自动化的轨道健康状态监测系统有着巨大的市 场需求和重要的经济与安全意义。然而，轨道状态自动监测存在着诸多的难点。其一是庞 大的数据量，轨道缺陷的尺寸可能小到厘米级别(10^-2)，而一条主干铁路线路的长度可 达数千公里(10^6)，如此该线路需要分析的样本数量级在10^8级别，要靠人工检视这无疑 是一个艰难的任务。其二是判断标准，即如何通过测量到的信号(图像，激光传感器，加 速度)判断测量的数据有无缺陷以及何种类型多大程度的缺陷。由于缺陷表现出来的不规 则性，人们主观判断起来非常容易，但如何找到一种程式化的数学判别规则来自动监测却 是一个很大的挑战。

因此，自动的，高效的，准确的轨道健康状态监测方法是本发明解决的重要技术问题。

发明内容

为解决上述技术问题，本发明提出一种基于轴箱加速信号的轨道缺陷监测方法及监测 设备，通过测量车辆轴箱垂向振动加速度来检测轨道故障和缺陷，减少了需要处理的数据 量。

本发明采用的技术方案之一为：一种基于轴箱加速信号的轨道缺陷监测方法，包括：

S1、建立轨道状态与时频信号相对应的数据库；包括以下分步骤：

A1、采集车辆轴箱垂向振动加速度信号；

A2、采用小波变换提取步骤A1所采集车辆轴箱垂向振动加速度信号在频域上的分布 特征；

A3、调查获得每一个车辆轴箱垂向振动加速度信号所对应的轨道状态，从而建立轨道 状态与时频信号相对应的数据库；

S2、采用步骤S1中的数据库对深度卷积神经网络进行训练；

S3、向经步骤S2训练后的深度卷积神经网络输入当前采集的车辆轴箱垂向振动加速 度信号，该深度卷积神经网络输出对应的轨道状态。

进一步地，步骤S3还包括对当前采集的车辆轴箱垂向振动加速度信号进行定位。

更进一步地，所述定位方式为：在GPS信号良好的时候基于GPS定位，当GPS中断时，定位过程为：

B1、采用最近的一次GPS信号进行粗略定位；

B2、通过计算车辆运行距离结合步骤B1的粗定位进行精细定位。

进一步地，步骤B2所述的精细定位具体为：首先，采集车辆轴箱垂向振动加速度信号的同时采集车轮的旋转角速度；然后，车轮旋转角速度再乘以车轮滚动圆半径获得车速；最后根据最近的一次GPS定位对车速积分得到车辆运行距离，获得精确定位。

进一步地，所述深度卷积神经网络为改进的AlexNet，具体为：将其第23层的FullyConnectedLayer和输出层中的输出参数数量改为8种类型，所述8种类型分别为1： 压溃，凹陷；2：波浪型磨耗；3：钢轨表面剥离；4：擦伤碰伤等外伤；5：钢轨接头；6： 道岔；7：焊缝；8：正常钢轨。

本发明采用的技术方案之二为：一种基于轴箱加速信号的轨道缺陷监测设备，包括： 单向压电加速度传感器、旋转脉冲测速传感器、GPS接收器、A/D模数转换电路、数字信号采集器、电源组件、工控机、无线网络组件以及远程工作站，所述单向压电加速度传感 器采集车辆轴箱垂向振动加速度信号，所述旋转脉冲测速传感器采集车轮滚动一圈产生一次脉冲的信号，GPS接收器用于获取实时的GPS定位信号，所述单向压电加速度传感器、 旋转脉冲测速传感器分别与A/D模数转换电路相连，所述A/D模数转换电路与数字信号采 集器相连，所述数字信号采集器与工控机相连，所述工控机荣光无线网络组件与远程工作 站相连，所述电源组件为GPS接收器、数字信号采集器、工控机进行供电。

进一步地，所述远程工作站至少包括辅助定位模块，用于当GPS中断时，根据最后的 GPS位置信号结合旋转脉冲测速传感器所采集数据来辅助定位。

进一步地，所述单向压电加速度传感器安装于车辆轴箱垂向上。

进一步地，所述旋转脉冲测速传感器安装于车辆轴箱内。

本发明的有益效果：本发明采用测量车辆轴箱垂向振动加速度来检测轨道故障和缺陷 的方式，减少了需要处理的数据量；并且采用速度积分辅助GPS定位的方式，兼顾了大空 间范围与局部抗干扰的优势，能实现轨道缺陷复杂路况的精确定位；本发明使用小波分析 求加速度的时频图，能兼顾时域与频域的精度，得到高分辨率的时频图；同时卷积神经网 络模型能对时频图进行快速精准地识别分类，当神经网络训练好后只需要输入车辆运行全 程轴箱垂向加速度信号和与之同步的GPS信号，该系统就能自动地识别该条线路上的轨道 缺陷类型以及GPS位置；本发明采用远程控制，操作简单，需要的人工成本低，适合长期 大范围应用。

附图说明

图1是轴箱垂向加速度信号，GPS信号，旋转脉冲测速传感器信号远程采集传输系统 示意图；

其中，1为车轮，2为单向压电晶体加速度传感器，3为转向架构架，4为轴箱，5为 旋转脉冲测速传感；

图2是同一轴箱相同速度在不同路段的垂向振动加速度时域信号；

其中，图2(a)为轨面擦伤凹陷，图2(b)为轨道波磨；

图3是图2相应加速度信号的小波变换；

其中，图3(a)为图2(a)的小波变换时频图，图3(b)为图2(b)的小波变换时 频图；

图4是轨道缺陷自动检测方法流程示意图。

具体实施方式

为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐 释。

不论轨道缺陷尺寸大小，其都会引起车轮1在滚过其之后的短时间内振动。换句话说， 车轮1虽然已经滚过了轨道缺陷，但是由于能量衰减需要时间，车轮1任将继续振动。如此 以来通过监测振动加速度来间接监测轨道缺陷，其在时域上的影响范围就被放大，相比与 直接监测空间上的缺陷几何本身所需要的采样频率要求就会降低，如此以来监测效率得到 了提升；因此本发明通过测量车辆轴箱垂向振动加速度来检测轨道故障和缺陷，减少了需 要处理的数据量。

这里涉及到对具体轨道进行定位的问题，GPS信号因为其可以到达全球范围米级的精 度且成本低廉的优势适用于大区域跨度的定位。在开阔的平原地带，GPS信号可以保持连 续不断的记录。但是当车辆运行于多山地区时，由于山体等障碍干扰，GPS信号难以保持 持续不断，这样一来多山地区的轨道缺陷难以单纯地通过GPS定位。为了解决这一问题，本发明采用解决方案如下：

通过安装于轴箱4内的转速脉冲测速传感器记录了车轮滚动一圈产生一次脉冲的信号， 通过测量每个脉冲信号的间隔时间来测量车轮的旋转角速度，车轮旋转角速度再乘以车轮 滚动圆半径就等于车速；通过对车速积分就能得到车辆运行距离。

考虑到速度积分求位移的每一步都会产生微小的误差，当距离过长时，这样的累积误 差是不可忽视的，单纯采用速度积分的车辆定位方法不适用与大范围地定位，因此，本发 明采用GPS信号定位与车速积分定位辅助的定位方法；在GPS信号良好的时候基于GPS定 位，当GPS中断时，依据最后的GPS位置信号累加车速传感器的积分来辅助定位。这样结合了两种定位方式的优点，可以实现山区多隧道路段的缺陷精确定位。

本发明采用如图1所示的监测设备采集轴箱垂向加速度信号、GPS信号、旋转脉冲测速 传感器信号；所述监测设备包括：单向压电加速度传感器2，旋转脉冲测速传感器5，传感 器配套信号线，GPS接收器，A/D模数转换电路，数字信号采集器，供电设备及配套，工 控机，无线网络连接组件；如图1所示，将四个单向压电晶体加速度传感器安装在转向架3 四个轴箱4垂向位置。同一轮对左右两端安装传感器可以采集两根轨道的数据，同一侧前 后两个轴箱安装传感器可以增加微小轨道缺陷的被检测几率。同时在任一轴箱内安装一个脉冲旋转测速传感器采集车轮转速信号；电源和工控机模块随时保持启动状态，当需要采集数据时，远程工作站通过无线网络控制工控机，由工控机控制数字信号采集器开始采集数据。轴箱垂向加速度信号，转速信号通过A/D模数电路转换成数字信号后与GPS信号一 起传递到数字信号采集器上储存。当采集过程结束后，测试人员通过无线网路控制工控机 向数采下达停止采集命令。实验数据先从数采的储存卡通过数据线上传到工控机的磁盘。 然后再由工控机通过无线网络上传到远程控制工作站。这样以来，实验数据便实现了远程 操作，远程传输。实验人员可以在实验室内采集到列车运行时的轴箱振动以及车辆位置的 数据。

图1中①为测试信号数据，②为供电路径，③为控制信号。

如图4所示，本发明的轨道状态监测主要分为两个过程：

过程一，卷积神经网络模型的训练。该步骤需要大量的轨道缺陷和相对应的轴箱振动 加速度响应数据来训练得到能用于轨道监测的卷积神经网络模型。具体实施方法为，在车 辆轴箱安装加速度传感器，采集轴箱垂向加速度信号。如图2所示，不同的轨道缺陷形式 有不同的轴箱振动响应，在时域上只能看到某一时刻振动加速度幅值的大小，如图2(a)所示表现为局部冲击形式，如图2(b)所示主要表现为整体较大幅值振动加上局部冲击； 加速度信号在时域上是一维的数据序列，从时域上很难定性分析这两种冲击是否是同一种缺陷，也难以确定图2(b)的整体大幅值振动的原因；因此需要对时域的加速度信号做进 一步处理；本发明采用的处理方式为：使用小波变换求不同轨道缺陷引起的轴箱振动加速 度在频域上的分布特点，如图3所示为对图2的时域信号做基于Complex Morlet小波的小 波变换后得到这1秒内的振动加速度的时频特性。Complex Morlet小波的带宽参数及中心 频率均为3；可以发现图3(a)中的信号在冲击点处的频域分布范围较广，并且能量主要 集中在300Hz附近；而图3(b)的信号在整体范围都有550Hz附近的集中能量的振动成 分在，该成分在冲击位置尤为明显；可以发现图3(a)和图3(b)的冲击能量在频域中分 布有明显差异。

即，过程一还包括：将加速度信号以一秒为单位截断成若干片段，对每一个加速度信 号片段做小波分析，得到该片段的小波变换时频图。调查每一个信号片段所对应的轨道状 态，即正常轨道，擦伤，凹坑，波磨，轨头接缝，道岔，扣件失效，路基缺陷等。以调查 的轨道状体为加速度时频信号制作分类标签，建立轨道状态与时频信号相对应的数据库。 然后用该数据库来训练卷积神经网络模型。

过程二，使用训练好的卷积神经网络模型自动识别轨道健康状态。将加速度传感器安 装在测试车俩的轴箱垂向上，同时将GPS接收器同步安装在车上。采集轴箱的加速度信号 和与之同步的GPS信号。将加速度信号分割为一秒长的片段，并对每一个片段做小波分析。 用上一步骤训练好的卷积神经网络模型判断每个时间片段的信号所反映的轨道状态，判断 有无缺陷以及何种缺陷。筛选出有轨道缺陷得时间片段并输出其缺陷类型和该时刻的GPS 信息。如此以来，实现轨道缺陷的自动识别与位置确定。

本发明采用的深度卷积神经网络为AlexNet，并对其进行改进，将其中第23层的FullyConnectedLayer(全连接层)和输出层中的输出参数数量改为8种类型。分别为1：压溃，凹陷；2：波浪型磨耗；3：钢轨表面剥离；4：擦伤碰伤等外伤；5：钢轨接头；6： 道岔；7：焊缝；8：正常钢轨；采用这八种钢轨状态标记的轴箱振动视频图建立深度学习 数据库。然后使用该数据库训练修改后的AlexNet卷积神经网络模型；基于训练好的 AlexNet卷积神经网络模型对时频片段进行分类；然后如果视频图分类为第1至第7类， 输出其具体类型和对应的时间信息。通过该时间信息查找GPS位置信息，如果该时刻的 GPS信号正常，则输出GPS位置信息；如果GPS信号缺失，则寻找与该时间最近一处的 GPS信号，然后通过脉冲旋转测速传感器的速度信号积分来求其与该最近GPS位置的距离， 从而计算得到该轨道缺陷的具***置。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的 原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的 技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任 何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。