关键词:
轮轨表面缺陷
经验模态分解
广义固有模态函数
能量熵
极限学习机
摘要:
随着轨道交通现代化发展,传统的运输系统将面临许多新难题。行车速度越高,安全问题愈显突出。列车行驶过程中,既要保证车辆不脱轨,使其安全运行,又要保证运行的平稳性和舒适性。车辆运行速度越快,车辆与轨道之间的微小不平顺、表面缺陷等均会使车辆在运行过程中产生的各种振动越大。车辆-轨道耦合系统是一个非线性动力系统,各种微小的振动将耦合成较强振动,最终影响旅客乘坐的舒适性和装运货物的完整性。因此车辆、轨道之间表面缺陷的检测具有重要的现实意义。虽然轮轨缺陷的检测方法种类繁多,例如无损探伤、机器视觉、振动技术等,但在保证检测速度的快速性、设备安装的便捷性方面,振动技术是最常用的方法。振动信号的分析与特征提取是对车辆系统影响最小、安装设备方便、受环境影响最小的在役车载状态监测方法。由于车辆-轨道耦合系统的非线性以及轮轨表面缺陷的不连续冲击,导致车辆系统的振动具有非线性、非平稳的特性。由于希尔伯特-黄变换(Hilbert-Huang Transfrom,HHT)方法适用于非线性、非平稳信号,目前被应用广泛。HHT方法包含经验模态分解(Empirical Mode Decomposition,EMD)和瞬时频率(Instantaneous Frequency,IF)的计算。本文采用EMD方法进行车辆系统振动信号分解,目的在于研究EMD方法用于车辆-轨道耦合系统的轮轨表面缺陷的检测。以EMD方法为基础,对车辆-轨道耦合系统的轮轨表面缺陷检测的自适应解调方法展开如下研究。(1)建立了客车车辆-有砟轨道的轮轨伤损仿真模型,并采用新型显式积分法求解,获得了不同工况下,车辆系统各部件的振动信号,用于分析不同伤损激励下车辆-轨道耦合系统振动响应的特性。(2)针对实际工况中振动冲击的非连续性,提出了广义固有模态函数。在此基础上,采用基于广义固有模态函数的EMD方法(EMD Based on Generalized Intrinsic Mode Function,EMD-GIMF)分解含车轮扁疤(单扁疤、双扁疤)的构架垂向加速度信号,并与Hilbert解调结合以获得其包络谱。经验证,广义固有模态函数能有效解决EMD方法在分析车辆-轨道耦合系统中瞬时冲击引起的振动信号的不连续,EMD-GIMF方法能有效地提取出扁疤故障的特征频率,以识别车辆系统的车轮扁疤缺陷。(3)提出了基于二进时间尺度的EMD(EMD based on Binary Time Scale,EMD-BTS)方法,能有效解决多轮轨表面缺陷检测中的模态混叠现象。运用该方法对同时含有车轮扁疤和轨道谐波不平顺、车轮扁疤和钢轨波磨的振动数据进行分解,采用互协方差方法去除伪IMF分量,最后根据IMF的能量熵筛选出敏感分量。对得到的敏感分量利用能量算子谱进行解调,能同时识别两类轮轨表面故障特征频率。(4)为了能自动识别单一轮轨表面缺陷、多轮轨表面缺陷,采用本文提出的EMD-BTS方法分解振动信号,并除去由于过度分解产生的伪IMF分量后,筛选出敏感分量。对敏感分量建立AR模型,选择AR模型的自回归系数、残差方差构造特征向量,并采用极限学习机(Extreme Learning Machine,ELM)进行故障模式识别。研究结果表明,该方法能自动识别轮轨表面缺陷,并具有较高精度及实用价值。