首页 / 专利库 / 信号处理 / 采样 / 一种高速列车轨边运动参数自适应识别方法

一种高速列车轨边运动参数自适应识别方法

阅读:910发布:2024-02-16

专利汇可以提供一种高速列车轨边运动参数自适应识别方法专利检索,专利查询,专利分析的服务。并且本 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STFTx(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fk(t)构造符合多普勒时频变化规律多普勒窗wγ(t,f);(5)令x0(t)=wγ(t,f)*STFTx(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Emax,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。,下面是一种高速列车轨边运动参数自适应识别方法专利的具体信息内容。

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:
步骤(1-1)、轨边声学信号多普勒畸变中心频率fk0(t)构建;
其中,所述步骤(1-1)中,畸变中心频率fk0(t)构建的步骤如下:
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:
s=vT
步骤(2-2)声源运动模型函数为:
v,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fk(t)中的fk是运动参数集γ中的f0的一组参数,M是赫数,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;
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,
这里v/c就是前面提到的马赫数M,fk是运动参数集γ中的f0的一组参数,定义为f0={f1…fk,k=1…Z}
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wγ(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:
wγ(t,f)=fk(t)±aΔf(k=1...Z,t=1...N/Fs)
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,Fs为声源信号的采样频率;
所述步骤(1-2)中,多普勒窗的构建步骤如下:
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:
v={v1...vi,i=1...L}
r={r1...rj,j=1...M}
f0={f1…fk,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fk(t)为多普勒畸变中心频率的多普勒畸变曲线;
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:
boundary=fk(t)±aΔf(k=1...Z,t=1...N/Fs)
由这组边界可以构造时频多普勒窗wγ(t,f);
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fk+aΔf,多普勒窗的下边界是fk-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;
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Emax;将与之对应的γ{v,r,f0}作为列车运动参数识别结果;
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:
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:
这里x1(t)可以表示为:
x1(t)=x(t)·S′(t,f)
x1(t)表示的是被多普勒窗选取的局部频段的信号;
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:
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;
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,E(i,j,k)=max(max(max(E(i,j,k))))
那么,最优的声源运动参数vopt,ropt,fopt为:
vopt=vi
ropt=rj
fopt=fk。

说明书全文

一种高速列车轨边运动参数自适应识别方法

技术领域

[0001] 本发明涉及高速列车轮轴承轨边声学故障诊断的技术领域,具体涉及一种高速列车轨边运动参数自适应识别方法。

背景技术

[0002] 列车在高速运行时轮对轴承发出的声音信号中蕴含了与其健康状况密切相关的信息,在轨边安装麦克采集声音信号并通过信号处理手段能够对轮对轴承进行有效的故障诊断,具有非接触式监测、成本低和能发现早期故障的优点。然而,由于列车的高速行驶,采集到的道旁声学信号会发生严重的多普勒时频畸变,这会严重干扰后续的故障信息提取,所以必须对畸变信号进行矫正,而畸变矫正的前提是列车运动参数的获取。目前大多数的列车运动参数提取的算法大多存在自适应程度不够,过度依赖人为干预的问题。
[0003] 本发明旨在提高算法的自适应程度,实现不依赖人为干预来自适应的识别参数。本发明提供的方法可以实现基于信号本身的列车运动参数估计,无需依赖额外的测距、测速传感器

发明内容

[0004] 本发明要解决的技术问题为:克服现有技术不足,通过时频分析、瞬时频率提取、多普勒窗构建和函数拟合法,可以实现基于采集到的轨边声学信号自适应的获取参数,可运用于畸变矫正。本发明提出的多普勒窗的构建还可以达到可变频带的滤波效果,这样可以消除一些与主频成分信号频率接近的强背景噪声,最终改善轨边声学信号故障信息提取的效果,提高实用性。
[0005] 本发明解决上述技术问题采用的技术方案为:一种高速列车轨边运动参数自适应识别方法,使用安装在轨两侧的麦克风采集列车高速通过时轮对轴承发出的故障声音信号,作为检测信号X(t),对该检测信号的处理步骤为:
[0006] 步骤(1-1)、道旁声学信号多普勒畸变中心频率fk(t)构建;
[0007] 步骤(1-2)、基于上述参数集合运动模型构造符合多普勒畸变规律的窗wγ(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。
[0008] 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Emax,能量最大值对应的一组参数就是最优参数。
[0009] 所述步骤(1-1)中,中心频率fk(t)构建的步骤如下:
[0010] 步骤(2-1)这里声源运动参数集参数集γ(v,r,f0)中没有包括声源运动模型的横向距离。这对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,只要计算出信号的时长T,就可以定义运动模型的横向距离s为:
[0011] s=vT/2
[0012] 步骤(2-2)对声源信号的运动模型进行演化得到新的运动模型函数。
[0013]
[0014] 这里c/v就是前面提到的赫数M,fk是运动参数集γ中的f0的一组参数。可以定义为fk={f1...fk,k=1...Z}。
[0015] 所述步骤(1-2)中,多普勒窗的构建步骤如下:
[0016] 步骤(3-1)结合运动参数集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:
[0017] v={v1...vi,i=1...L}
[0018] r={r1...rj,j=1...M}
[0019] f={f1...fk,k=1...Z}
[0020] 这里L,M和Z是这三种运动的参数的拟合范围长度,所以本算法的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个多普勒畸变曲线。
[0021] 步骤(3-2)然后根据这条构造出来的多普勒畸变曲线再设定一个在时频矩阵中的上下移动的区间aΔf。这样每一组多普勒窗可以表示为:
[0022] boundary=fk(t)±aΔf(k=1...Z,t=1...N/Fs)
[0023] 由这组边界可以构造一个时频多普勒窗wγ(t,f)。这里Δf定义为频率迁移的分辨率,这样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到信号分布。
[0024] 所述步骤(1-3)中,局部信号能量最大值搜索和最优参数识别的步骤如下:
[0025] 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信号,局部信号选取的原理可以归纳为:
[0026]
[0027] 这里x1(t)可以表示为:
[0028] x1(t)=x(t)·S′(t,f)
[0029] x1(t)是被多普勒窗选取的局部信号,这个局部信号的能量值可以在整个时频矩阵中进行计算。
[0030] 步骤(4-2)将局部信号x1(t)的每一个元素点进行累加就可以得到x1(t)的能量和,如下所示,
[0031]
[0032] 这样所构造的多普勒窗中包含的信号能量越大,计算得到的能量值就越大。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值是最大的。
[0033] 步骤(4-3)在时频分布中参数寻优,越亮的区域表示信号能量越高,所以越准确的声源运动参数构造的多普勒窗所在的区域越集中于信号能量高的区域。所以这里根据所有计算得到的信号能量值进行寻优就可以得到最优的声源运动参数。该寻优过程表示为:
[0034] E(i,j,k)=max(max(max(E(i,j,k))))
[0035] v=vi
[0036] r=rj
[0037] f=fk
[0038] 本发明与现有技术相比的优点在于:使用构建多普勒自适应拟合轨边列车声学信号的运动参数的方法,能够实现监测系统自适应的识别参数,而不依赖于额外的传感器检测。这样不仅使得检测系统的安装更加简便,也减低了系统的成本,且识别的参数包含运动几何参数和频率参数;多普勒窗的构建,与传统方法相比实现了带内消噪,相当于是一种可变频带的带通滤波器;这种逐次构建多普勒窗去计算局部信号能量极值的方法在保证参数精度的情况下,大大的提高了算法的自适应程度,使得算法具备了良好的实用性。附图说明
[0039] 图1为声源运动参数自适应识别算法的程序流程图
[0040] 图2为列车声源运动模型示意图;
[0041] 图3为多普勒窗构造原理及窗内信号能量示意图,其中,图3(a)为多普勒窗构造示意图,图3(b)为窗内能量示意图,图3(c)为时频矩阵中窗分布情况示意图;
[0042] 图4为内圈局部信号寻优示意图,其中,图4(a)为欠优构造窗区域示意图,图4(b)为最优构造窗区域示意图,图4(c)为过优构造窗区域示意图;
[0043] 图5为内圈信号窗内能量随声源运动参数分布图,其中,图5(a)为纵向距离r寻优结果示意图,图5(b)为速度v寻优结果示意图;
[0044] 图6为内圈信号处理结果示意图,其中,图6(a)为矫正信号时频图,图6(b)为矫正信号时域幅值谱,图6(c)为矫正信号频谱,图6(d)为矫正信号包络谱。

具体实施方式

[0045] 下面结合附图以及具体实施案例进一步说明本发明。
[0046] 这里采用真实的轮对轴承的内圈单点故障信号进行验证,轴承的型号为我国现役货车使用的圆柱体滚动轴承NJ(P)3226X1。将采集到的轴承试验机的振动信号进行轨边实验,再由麦克风采集轴承的轨边声学信号,声源实验信号的运动模型如图2所示。实验信号采样频率50kHz,降采样为10kHz。轴承声源信号时域波形如图3所示,谐波信号中心频率为1800Hz,图4位基于本实验的内圈信号进行时频域的局部信号寻优,在图5中得到声源的最优运动参数,最后在图6中的时频分布中可以看出信号的时频畸变得到矫正而且在包络谱中提取出了微弱的故障信息。
[0047] 具体步骤如下:
[0048] 步骤(1-1)、基于时频分布对信号X(t)进行均值滤波得到去背景噪声的信号x(t);
[0049] 步骤(1-2)、道旁声学信号多普勒畸变中心频率fk(t)构建;
[0050] 步骤(1-3)、基于上述参数集合运动模型构造符合多普勒畸变规律的窗wγ(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,具体过程参见图3(a)和图3(c)所示;
[0051] 步骤(1-4)、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Emax,能量最大值对应的一组参数就是最优参数,如图3(b)所示;
[0052] 步骤(1-5)根据识别的最优声源运动参数,矫正畸变信号,识别故障特征信息。
[0053] 所述步骤(1-1)基于时频分布对信号X(t)进行均值滤波的步骤如下:
[0054] 步骤(2-1)首先通过短时傅里叶变换STFT分析信号的时频分布:
[0055]
[0056] 这里选择STFT进行信号时频分析的原因是轨边声学信号是一种非线性畸变信号,信号的频率随着时间的推移会发生频移。STFT能够时域和频域都保持良好的分辨率,并且观察到信号频率随时间畸变的规律。
[0057] 步骤(2-2)在上述时频分布中使用图像处理中的均值滤波方法对时频图进行全局的阈值处理。
[0058] S'(t,f)=S(t,f)≥δ
[0059] 其中,S(t,f)表示信号的时频分布,S’(t,f)表示均值滤波之后的信号时频分布,δ定义为时频图像的能量阈值,可以定义为:
[0060]
[0061] 其中,K是一个权值,根据经验值设定为15。i是时频矩阵的时间向量的长度,j是频率向量的长度;
[0062] 所述步骤(1-2)中,畸变中心频率fk(t)构建的步骤如下:
[0063] 步骤(2-1)在声源运动参数集参数集γ(v,r,f0)中,声源运动速度v是根据实际情况进行预设的,参数区间为从10m/s到60m/s,区间间隔为0.5m/s。纵向距离r根据实验装置按照情况进行设定,区间从1.9m到2.1m,间隔为0.1m。频率f0设置区间为1000Hz到2000Hz,区间间隔为50Hz。这里运动模型的横向距离s是根据运动速度和信号的时长T定义的。
[0064] s=vT/2
[0065] 步骤(2-2)对声源信号的运动模型进行演化得到新的运动模型函数。
[0066]
[0067] 这里c/v就是前面提到的马赫数M,fk是运动参数集γ中的f0的一组参数。可以定义为fk={f1...fk,k=1...Z},t=[1/Fs...N/Fs],对应每个时刻。
[0068] 所述步骤(1-3)中,多普勒窗的构建步骤如下:
[0069] 步骤(3-1)结合运动参数集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:
[0070] v={v1...vi,i=1...L}
[0071] r={r1...rj,j=1...M}
[0072] f={f1...fk,k=1...Z}
[0073] 这里L,M和Z分别为100,10和20,所以本算法的总共的匹配识别次数为20000。每一组运动参数可以构造一个多普勒畸变曲线。
[0074] 步骤(3-2)然后根据这条构造出来的多普勒畸变曲线再设定一个在时频矩阵中的上下移动的区间Δf。这样每一组多普勒窗可以表示为:
[0075] boundary=fk(t)±aΔf(k=1...Z,t=1...N/Fs)
[0076] 这里Δf定义为频率迁移的分辨率,每一组构造出的多普勒窗的宽度由Δf决定,这里需要注意的是Δf必须要比频率区间间隔小,本次实验设置为10Hz。这里考虑到算法调试的便利性设置一个尺度a为3。本步骤多普勒窗的构建过程可以参数图3所示的示意图。
[0077] 所述步骤(1-4)中,局部信号能量最大值搜索和最优参数识别的步骤如下:
[0078] 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信号,局部信号选取的原理可以归纳为:
[0079]
[0080] 这里x1(t)可以表示为:
[0081] x1(t)=x(t)·S′(t,f)
[0082] 一般在整个时频分布上计算信号的能量可以表示为E=sum(S(t,f))。
[0083] 步骤(4-2)将局部信号x1(t)的每一个元素点进行累加就可以得到x1(t)的能量和,如下所示,
[0084]
[0085] 这样所构造的多普勒窗中包含的信号能量越大,计算得到的能量值就越大。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值是最大的。
[0086] 步骤(4-3)在时频分布中参数寻优,如图4所示,越亮的区域表示信号能量越高,所以越准确的声源运动参数构造的多普勒窗所在的区域越集中于信号能量高的区域。图4a),(b)和(c)中计算的结果分别是384.75,321.51和406.00。这里根据所有计算得到的信号能量值进行寻优就可以得到最优的声源运动参数。该寻优过程表示为:
[0087] E(i,j,k)=max(max(max(E(i,j,k))))
[0088] v=vi
[0089] r=rj
[0090] f=fk
[0091] 所述步骤(1-5)中,矫正畸变信号和识别故障特征信息的步骤如下:
[0092] 步骤(5-1)根据运动关系推导出插值时间序列{tr(i),1,2,…,N0},N0是重采样之前的信号长度为13333。
[0093] 步骤(5-2)计算出幅值解调序列{xd(i),1,2,…,N0},利用{xd(i)}可以将幅值被调制的信息进行解调。再用{tr(i),1,2,…,N0}对解调信号进行时域插值消除时域的畸变。
[0094] 步骤(5-3)对矫正之后的信号进行包络谱分析,提取故障信息,如图6所示的包络谱中可以看出在195Hz处有内圈故障信号的故障频率。
[0095] 提供上述实施例仅仅是为了描述本发明的目的,并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈