[发明专利]基于经验模态分解和多尺度熵的车轮扁疤故障检测方法

说明书

本发明公开了一种基于经验模态分解和多尺度熵的车轮扁疤故障检测方法。方法为：在轨道单侧安装4个振动加速度传感器，采集列车经过时的钢轨振动信号；对采集到的钢轨振动信号进行滤波处理，保留与车轮振动有关的信号；对滤波后的信号进行经验模态分解，提取信号的前三个固有模态分量；计算前三个固有模态分量和的多尺度熵值，得到每个传感器的多尺度熵值；计算每个传感器的平均多尺度熵值，通过对比同一列车正常车轮的多尺度熵值曲线，判断车轮是否存在扁疤故障。本发明利用振动加速度传感器采集到的钢轨振动信号，通过对振动信号进行小波包能量熵分析，实现对钢轨波浪型磨损的检测，具有实时性好、检测方便且速度快、适用范围广的优点。

技术领域

本发明涉及城轨车辆车轮扁疤检测技术领域，特别是一种基于经验模态分解和多尺度熵的车轮扁疤故障检测方法。

背景技术

随着城市化进程的加快，城市人口数量的增加，城市轨道交通的站台距离越来越短，发车频率越来越密集，载客量越来越多，导致车辆运行安全问题也变得越来越突出。轮对作为机车运行的关键部件，不仅承载着车辆重量，还承载着轮轨间的各种冲击力。当车轮踏面存在车轮磨耗和扁疤损伤时，会对车轮、轮轴引起额外的冲击载荷。随着扁疤程度的加深和车辆速度的增加，带来的冲击载荷会达到车轮承受静载荷的几倍，并且由于车轮周期性旋转，扁疤周期性冲击轨道，会造成轨道波磨等故障，进而加剧了轨道的损伤情况。若不能及时发现车轮扁疤故障，对车轮进行检修更换，轻则使得车辆震动加剧，影响列车运营稳定性、降低乘客乘坐舒适性，重则造成轮轴断，车辆翻车、脱轨等严重事故。

目前，大多数车轮扁疤故障是在对车辆的定期维修检查过程中发现的。由于车检部门的车检人员通过铁路专用量具检测，检测劳动强度大且效率低下，存在不能及时发现车轮扁疤故障造成漏检的可能性，且人工检测具有较强的经验性、不能够实时跟踪、不便于信息化管理等缺点。

发明内容

本发明的目的在于提供一种实时性好、检测方便且速度快、适用范围广的基于经验模态分解和多尺度熵的车轮扁疤故障检测方法。

实现本发明目的的技术解决方案为：一种基于经验模态分解和多尺度熵的车轮扁疤故障检测方法，包括以下步骤：

步骤1，在轨道单侧安装4个振动加速度传感器，采集列车经过时的钢轨振动信号；

步骤2，采用低通滤波器对采集到的垂向振动加速度信号进行滤波处理，去除高频噪声干扰；

步骤3，对滤波处理后的垂向振动加速度信号进行经验模态分解，提取前三个固有模态分量，并计算其和值；

步骤4，对步骤3中的和值进行多尺度熵分析，得到每个传感器的多尺度熵值；

步骤5，计算每个传感器的平均多尺度熵值；

步骤6，将每个传感器的平均多尺度熵值与正常车轮的平均多尺度熵值进行对比，若采集到的每个传感器的平均多尺度熵曲线在正常车轮的平均多尺度熵曲线上方，则判断车轮存在扁疤故障，反之则不存在扁疤故障。

进一步地，步骤2中所述的低通滤波器，具体为切比雪夫带通滤波器，导通频率为[80Hz,700Hz]。

进一步地，步骤3所述的对滤波处理后的垂向振动加速度信号进行经验模态分解，提取前三个固有模态分量，并计算其和值，具体如下：

X_i＝IMF₁+IMF₂+IMF₃ (1)

式中，X_i为第i个传感器的前三项固有模态分量的和值，i＝1,2,3,4，IMF₁、IMF₂、IMF₃为第i个传感器的前三项固有模态分量。

进一步地，步骤4中所述的对步骤3中的和值进行多尺度熵分析，得到每个传感器的多尺度熵值，具体如下：