[发明专利]一种高速列车轨边运动参数自适应识别方法

摘要

本发明公开了一种高速列车轨边运动参数自适应识别方法，包括：(1)对轨边麦克风采集信号X(t)进行降采样、滤波得到x(t)；(2)对x(t)进行短时傅里叶变换(STFT)得到时频分布STFT_x(t,f)；(3)初始化轨边模型参数集γ{v,r,f₀}；(4)基于步骤(3)中的参数和轨边信号的频移公式f_k(t)构造符合多普勒时频变化规律多普勒窗w^γ(t,f)；(5)令x₀(t)＝w^γ(t,f)*STFT_x(t,f)；(6)在整个时频域中从低频到高频依次计算所构造出来的多普勒窗区域在不同频段对应的信号能量值E；7)重复步骤(3)～(6)直至得到能量最大值E_max，将与之对应的γ{,v,r,f₀}作为列车运动参数识别结果。本发明抗噪能力和参数估计自适应程度得到了提高，可用于列车轴承声学信号故障检测。

主权项

1.一种高速列车轨边运动参数自适应识别方法，其特征在于，实现步骤如下：/n步骤(1-1)、轨边声学信号多普勒畸变中心频率f_k0(t)构建；/n其中，所述步骤(1-1)中，畸变中心频率f_k0(t)构建的步骤如下：/n步骤(2-1)初始化列车运动参数集γ(v,r,f₀)，γ中没有包括列车的运动模型的横向距离s，这对提高算法的高效性和稳定性都是十分有利的，在算法实际匹配的过程中，只要计算出采集到的轨边声学信号的时长T₁，就可以定义列车的运动模型的横向距离s，这里用T表示所采集信号的时长的一半，即T＝T₁/2，则横向距离s为：/ns＝vT/n步骤(2-2)声源运动模型函数为：/n /nv,r,f₀是列车运动参数集γ{v,r,f₀}里的参数，分别表示列车的运动模型的列车运行速度，纵向距离，和信号的中心频率，公式f_k(t)中的f_k是运动参数集γ中的f₀的一组参数，M是马赫数，定义为列车运行速度与理论声速的比值，即M＝v/c，s是运动模型的横向距离；/n将公式M＝v/c及s＝vT代入原来的声源运动模型函数中对原来的声源运动模型函数进行演化得到变量个数减少的新的声源运动模型函数，/n /n这里v/c就是前面提到的马赫数M，f_k是运动参数集γ中的f₀的一组参数，定义为/nf₀＝{f₁…f_k，k＝1…Z}/n步骤(1-2)、基于列车运动参数集和声源的运动模型构造符合多普勒畸变规律的窗w^γ(t,f)，且将每一组参数构造出来的多普勒窗的中心频率f在信号时频分布中从低频到高频依次移动，这样每移动一个Δf就又会产生一个新的多普勒窗，多普勒窗的构造如下：/nw^γ(t,f)＝f_k(t)±aΔf(k＝1...Z,t＝1...N/F_s)/n其中，Z为声源运动参数f₀的拟合范围长度，N为采集信号的长度，F_s为声源信号的采样频率；/n所述步骤(1-2)中，多普勒窗的构建步骤如下：/n步骤(3-1)结合列车运动参数集γ(v,r,f₀)和声源运动模型函数构建符合列车声音信号畸变规律的多普勒窗：/nv＝{v₁...v_i,i＝1...L}/nr＝{r₁...r_j,j＝1...M}/nf₀＝{f₁…f_k，k＝1…Z}这里L，M和Z是这三种运动的参数的拟合范围长度，总共的匹配识别次数为L*M*Z，每一组运动参数可以构造一条以f_k(t)为多普勒畸变中心频率的多普勒畸变曲线；/n步骤(3-2)设定多普勒窗频率轴宽度为2aΔf，这样每一组多普勒窗的上下边界为：/nboundary＝f_k(t)±aΔf(k＝1...Z,t＝1...N/F_s)/n由这组边界可以构造时频多普勒窗w^γ(t,f)；/n这里Δf定义为频移间距，每一组构造出的多普勒窗的宽度由Δf决定，多普勒窗的上边界是f_k+aΔf，多普勒窗的下边界是f_k-aΔf，所以每一组构造出来的多普勒窗的宽度为2aΔf，然后每一组被构造出来的多普勒窗会从时频矩阵的低频处向高频处移动，根据这个原理，会有许多多普勒窗分布在信号的整个时频域中，每一个多普勒窗会在信号的时频分布中选取对应的信号分布，这里之所以在频移间距Δf前面设置乘数因子a，是为了算法调试的便利性设计；/n步骤(1-3)、依次计算所有多普勒窗所在区域的局部信号能量值E，寻找最大能量值E_max；将与之对应的γ{v,r,f₀}作为列车运动参数识别结果；/n所述步骤(1-3)中，寻找最大能量值和列车运动参数识别的步骤如下：/n步骤(4-1)将整个时频矩阵的每个像素点的能量累加起来表示信号的总能量，这里用x₁(t)表示被多普勒窗选中的局部频段的信号，局部频段的信号选取的原理可以归纳为：/n /n这里x₁(t)可以表示为：/nx₁(t)＝x(t)·S′(t,f)/nx₁(t)表示的是被多普勒窗选取的局部频段的信号；/n步骤(4-2)将局部频段的信号x₁(t)的每一个像素点对应的信号能量值进行累加就可以得到x₁(t)的能量和，如下所示：/n /n其中，W和Y分别为所构建的多普勒窗包含的局部频段的信号的所有像素点所在的总的行数和列数；这样所构造的多普勒窗中包含的信号能量越大，计算得到的能量和就越大，根据声源的运动模型可以得出，只有最优的参数所构造的多普勒窗内的信号的能量和是最大的；/n步骤(4-3)在时频分布中参数寻优，时频图上越亮的区域表示信号能量越高，越准确的声源运动参数构造出来的多普勒窗内包含的信号能量和越大，所以这里根据所有计算得到的信号能量和进行寻优就可以得到最优的声源运动参数，该寻优过程如下所示，如果，/nE_(i,j,k)＝max(max(max(E_(i,j,k))))/n那么，最优的声源运动参数v_opt，r_opt，f_opt为：/nv_opt＝v_i/nr_opt＝r_j/nf_opt＝f_k。/n