技术领域
[0001] 本
发明属于智能轨道交通领域，具体涉及一种基于光纤感测时频图处理的列车运行状态参数估计方法。
背景技术
[0002] 在
铁路运输中，基于列车实时运行状态的调度指挥肩负着客、货运输组织，保障重点运输及其生产安全，提高运输服务
质量的重大责任。合理的列车调度、正确的指挥是保障行车安全的重要途径，而列车运行状态的实时在线监测，是实现合理调度、正确指挥的前提。目前，比较主流的方法是基于全球卫星
定位系统GNSS融合多类
传感器数据来进行列车定位和实时状态监控。如Federico利用GNSS及轨道
电子地图信息，提出了基于粒子滤波方法实现了列车的运行状态准确估计。这种方法可以获得列车行驶速度、当前
位置等信息，并对列车完整性进行监测，测得的列车运行状态信息较全面，但需要较多
信号发射、接收和通信装置，系统较复杂，而且受环境影响较大。目前还有基于光纤光栅传感器采集列车行驶过程中在轨道上产生的振动信号，通过振动分析进行轨道健康监测。这种方法采用光纤传感技术，抗
电磁干扰能
力强，但由于局部监测，监测点数有限。而铁路运输以距离长、运输量大为主要特点，分布式光纤振动传感系统安装维护比传统以电类传感器为主的列车运行状态
感知方法简单方便，特别适用于这种长距离大范围
时空连续在线监测的应用场景。基于分布式光纤振动传感信号的分析，能感知到列车的实时位置信息，但由于现场环境复杂，获得的时空信号
信噪比较低，较难进一步挖掘得到列车实时运行的其他状态参数，如行驶速度、位置、列车长度、车厢个数及列车类型等，以及对列车、轨道的
健康状态和运行状况进行诊断。
[0003] 因此本发明提供一种基于光纤感测时频图处理的列车运行状态参数估计方法。
硬件上利用沿轨道铺设的通信光缆一根空余纤芯，通过接入线性解调的相敏光时域反射仪，实时采集得到轨道沿线列车行驶过程的时空振动信号；
信号处理方法上基于获得的时空信号
抽取得到各个空间位置处列车经过时一段观测
时间窗口信号，进行短时傅里叶变换分别得到各个位置处的时频图；对时频图进行非线性去噪即非局部均值(NLM)去噪及OTSU自适应二值化预处理，在复杂强噪声背景下仍能准确提取列车经过时产生的时频轮廓及边界参数，以此计算得到列车行驶速度、位置、列车长度、车厢个数及列车类型等多个有用信息。基于本发明提取的时频图信息及正常、异常时频图的对比分析，结合智能信号处理方法还可以实现列车轨道及轮轴的故障早期诊断。
发明内容
[0004] 本发明的目的在于：解决目前列车运行状态的实时在线监测方法系统较复杂，受环境影响较大和局部点式监测，监测点数有限，不能及时、有效、准确地对距离长、运输量大的铁路列车运行状态进行实时监测的问题，提出能够很好适应铁路距离长、运输量大的特点，安装维护比传统以电类传感器为主的列车运行状态感知方法简单方便，能够实现长距离、大范围、强噪声环境下列车运行状态连续时空在线监测与参数估计。
[0005] 本发明采用的技术方案如下：
[0006] 基于光纤感测时频图处理的列车运行状态参数估计方法，步骤包括：
[0007] 步骤(1)、通过沿火车轨道埋地铺设的光纤进行信号实时采集，得到轨道沿线列车行驶过程的时空振动信号；
[0008] 步骤(2)、基于采集的时空振动信号，得到各个空间位置列车经过时一段观测时间窗口信号，进行短时傅里叶变换，分别得到各空间点的列车行驶过程的时频图；
[0009] 步骤(3)、对时频图进行去噪预处理得到去噪的时频图；
[0010] 步骤(4)、对去噪的时频图进行
图像处理，得到列
车轮廓图；
[0011] 步骤(5)、基于列车轮廓图提取列车的基本轮廓及边界参数，并根据不同位置处得到的列车基本轮廓及边界参数，计算得到列车运行状态参数。
[0012] 进一步，所述步骤(1)中通过
相位敏感光时域反射仪，该仪器与沿火车轨道埋地铺设的纤芯连接，进行沿线信号的实时采集。
[0013] 进一步，所述步骤(1)中采集轨道沿线列车行驶过程的时空振动信号具体方法步骤为：
[0014] 步骤(1.1)、以周期触发脉冲作为一个信号采集单元，触发
频率为f，触发周期为τ＝1/f，该时间单元τ内采集的信号是全部有效距离的信号，触发该采集脉冲周期，周期性地采集刷新随空间分布的光信息，第k个采集脉冲周期内接收的散射相干光沿光纤线路的光强分布信号Xk，即OTDR轨迹，如式(1)所示，某一时刻采集的信号是一个随空间变化的行向量：
[0015] Xk＝{Xki(i＝1，2，...，N)}＝[Xk1，Xk2...XkN] (1)
[0016] 其中i表示横向空间
采样点序号，N为根据监测距离设置的横向空间上的
数据采集长度；
[0017] 步骤(1.2)、随着光脉冲周期触发，沿着时间轴将每个光脉冲触发周期内采集的OTDR轨迹进行累积，连续累积的M条OTDR轨迹构建得到一个空间N维、时间M维的振动信号时空响应信号，如式(2)，即列车振动时空响应图：
[0018] {XX＝xki(k＝1，2，...，M；i＝1，2，...，N)} (2)。
[0019] 进一步，所述步骤(2)具体步骤为：对在某一空间位置i获得的列车振动时间序列信号，即列车振动时空响应图中抽取的时空信号列向量X：，i＝[X1i，X2i...Xki]做短时傅里叶变换，得到以时间为横坐标，以频率为纵坐标的时频图。
[0020] 进一步，所述步骤(3)具体方法步骤为：
[0021] 步骤(3.1)、截取时频图中低频部分得到低频时频图；
[0022] 步骤(3.2)、将低频时频图转换为灰度图；
[0023] 步骤(3.3)、将灰度图进行NLM非局域均值滤波，在保持时频图信号基本结构特性的同时，提高信噪比，得到去噪时频图。
[0024] 进一步，所述步骤(3.3)的具体方法步骤如下：
[0025] 步骤(3.3.1)、设列车行驶经过时某一空间点的时间信号进行时频转换得到的灰度图为v＝{v(i)|i∈I}，I是图像区域，
选定其中的一个
像素点i，v(i)为该像素点的灰度值，以其为中心选取大小为w*w的图像
块Ni，再以图像块Ni各像素点j为中心选取同样大小的图像块Nj；
[0026] 步骤(3.3.2)、使用高斯加权欧式距离度量图像块Ni和Nj之间i和j的相似性，公式如下：
[0027]
[0028]
[0029] 其中： 为以像素i为中心的灰度图v(i)去噪后的结果；I表示以像素i为中心的搜索区域，I的大小既可以是图像的部分区域也可以是整幅图像；ω(i，j)为加权平均时像素j对应的权系数；Z(i)为归一化系数，为加权系数ω(i，j)总和；α为高斯核函数的标准差；h为控制平滑程度的滤波参数； α表示两图像块之间的加权欧氏距离，Ni和Nj间的距离越小，像素i和j越相似，累加恢复时像素j赋予的权值就越大；
[0030] 步骤(3.3.3)、依次以含噪时频图中的每个像素为中心选取图像块，并计算图像块中各元素与中心像素相对应的权重系数，按照步骤(3.3.2)计算得到NLM滤波后的像素值，得到去噪时频图。
[0031] 进一步，所述步骤(4)的具体方法步骤如下：
[0032] 步骤(4.1)、基于自适应OTSU
阈值对去噪的时频图进行二值化处理，得到二值化时频图；
[0033] 步骤(4.2)、对二值化时频图进行垂直投影和
水平投影获取列车边界，垂直投影得到左边界I与右边界r，水平投影得到上边界u与下边界d，以此列车边界对去噪的时频图进行分割，得到列车轮廓图。
[0034] 进一步，所述步骤(5)的具体方法步骤为：
[0035] 步骤(5.1)、对列车轮廓图进行二值化处理并反转，得到二值化的列车轮廓图；
[0036] 步骤(5.2)、依次求取二值化的列车轮廓图中列车车厢连接处的中心横坐标，建立与列车轮廓图长度相同的数组，累积数组中各坐标成为中心横坐标的次数number，通过数组坐标和列车的时频图提取列车基本轮廓参数；
[0037] 步骤(5.3)、根据得到的列车基本轮廓参数，结合时空信息及不同位置的时频图对比，计算列车运行状态参数和判断车型，并根据以上信息综合评估列车及轨道的健康状态与运行状况。
[0038] 进一步，所述步骤5.2提取的列车轮廓参数包括列车中心位置和边界参数，具体为：在数组中取次数大于最值Max_number一半的中心横坐标X1，X2...，它们即为部分车厢连接处对应时频图的中心横坐标，对这些横坐标进行相邻依次作差，差值的中位数为单节车厢对应的时频图长度l，提取整个列车对应的时频图长度L，得到车厢节数N＝L/l.由提取的中心横坐标X1，X2...、单节车厢l和整列火车对应的时频图长度L确定各节车厢在时
频谱中对应的中心横坐标n1、n2...。
[0039] 进一步，所述步骤5.3中计算列车运行状态参数和判断车型具体过程为：
[0040] 计算列车平均运行速度v：先由同一节车厢在两个不同位置s1、s2的时频谱中的横坐标上对应的时间t1、t2和这两个位置间的位移差计算该节车厢在两个位置间的行驶速度vn：
[0041]
[0042] 其中，若vn＞0，则行驶方向与采集位置信息的正方向一致，行驶方向记为“+”，火车由位置1驶向位置2；若vn＜0，则行驶方向与采集位置信息的正方向相反，行驶方向记为“-”，火车由位置2驶向位置1，据此，依次得到各节车厢在这两个位置间的行驶速度v1、v2...vn，计算整列火车在这s1、s2间的平均行驶速度
[0043]
[0044] 计算列车长度并判断车型：提取列车通过某点的时长T，即整列列车在时频图上的长度，根据列车运行的速度 计算整列列车的长度：
[0045] 列车及轨道的健康状态及运行状况评估：根据以上
算法得到的列车车厢
节点中心位置与正常得到的参数的变化情况，判断列车的完整性及车厢的异常。
[0046] 综上所述，由于采用了上述技术方案，本发明的有益效果是：
[0047] 1、本发明中，采用线性解调的相敏光时域反射仪实时在线监测列车行驶过程在各个位置处产生的振动信号，将其转化为时频图，对其进行非线性去噪等增强后，提取时频图中的列车行驶的轮廓及边界参数，从而转化为列车运行的速度、位置、列车长度、类型等信息，基于本发明得到的时频图正常、异常情况分析对比，结合智能信号处理方法可以进行列车轨道及轮轴的故障早期诊断，能够很好适应铁路距离长、运输量大的特点，比传统以电类传感器为主的列车运行状态感知方法简单方便，实现长距离、大范围、强噪声背景下列车运行状态的时空连续在线检测与估计；
[0048] 2、本发明中对列车行驶过程振动信号的时频图进行非局域均值滤波及OTSU自适应阈值二值化等预处理方法，使得时频图中列车轮廓相对于噪声更加明显、突出，参数计算更加准确。
附图说明
[0049] 图1为本发明方法基于相敏光时域反射仪的火车轨道安全在线监测系统结构及感知原理图；
[0050] 图2为本发明方法基于相敏光时域反射仪的各节车厢行驶状况在线参数估计方法
流程图；
[0051] 图3为本发明方法光时域反射仪在某一位置某段时间内采集信号的时频谱；
[0052] 图4为本发明方法对截取的时频谱转为灰度图后进行NLM滤波的结果；
[0053] 图5为本发明方法用最大类间方差法对NLM滤波结果进行二值化并反转的结果；
[0054] 图6为本发明方法将图5沿垂直方向投影的结果；
[0055] 图7为本发明方法在图5中截取整列火车对应振动谱左右边界内的部分；
[0056] 图8为本发明方法将图7沿水平方向投影的结果；
[0057] 图9为本发明方法NLM滤波后包含各节车厢对应振动谱节点的关键部分；
[0058] 图10为本发明方法对图9进行灰度直方图统计并归一化的结果；
[0059] 图11为本发明方法对NLM滤波后的振动谱关键部分取阈值二值化并反转的结果；
[0060] 图12为本发明方法在一定范围内取阈值二值化并反转，各节点区域块中心横坐标在同一坐标轴上的累积次数；
[0061] 图13为本发明方法在某一位置的时频谱中各节车厢对应的节点位置标记后的效果图；
[0062] 图14为本发明方法同一节车厢在两个不同位置s1、s2的时频谱中的横坐标上对应的时间t1、t2和这两个位置间的位移差示意图。
具体实施方式
[0063] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及
实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0064] 实施例一
[0065] 作为实施例一，采用相敏光时域反射仪进行时空振动信号采集。如图1所示，沿火车轨道埋地铺设的普通通信光缆其中一根空余纤芯一端接入相敏光时域反射仪(Φ-OTDR)，该系统由探测光缆、
光信号解调设备和信号处理主机三部分组成。探测光缆为普通通信用单模光纤，该光缆一般沿城区轨道埋地铺设，与轨道平行或成任意夹
角均可(90°除外)，感知轨道上过往火车引起的地面振动，实现光缆附近火车轨道安全的在线监测。光信号解调设备是该系统的核心，其内部组成器件主要包括光学器件和电学器件两类，由超窄线宽
激光器产生一路连续相干光信号，经声光
调制器调制成光脉冲信号，由掺铒光纤
放大器(EDFA)集中放大，经隔离器、环形器1-2端口注入探测光缆；光脉冲沿光缆传输过程产生瑞利散射，其后向瑞利散射光信号沿光缆返回，由环形器2-3端口接收，经光学
滤波器滤除噪声信号，由光电探测器进行光电转换形成模拟的光时域反射信号即OTDR轨迹，转换的模拟OTDR轨迹经
模数转换器(ADC)转换生成数字
电信号；数字电信号通过网络等形式
接口实时传输给信号处理主机。另外，还有一个任意
波形发生卡，产生周期的脉冲信号，作为声光调制器的驱动信号来调制超窄线宽激光器输出的连续光形成光脉冲，并作为模数转换器(ADC)的采集触发信号对光时域反射信号进行周期同步采集。此外，根据距离需要可增加分布式放大器件，根据监测距离进行选用，如分布式拉曼放大器等。
[0066] 实施例二
[0067] 作为实施例二，基于光纤感测时频图处理的列车运行状态参数估计方法，通过探测不同时刻后向瑞利散射光干涉条纹即光时域反射轨迹(OTDR轨迹)变化，解调脉冲光相位的变化，由此感知和定位由火车行驶引起的振动，由其振动时空响应图得到各位置的时频谱，实时估计产生振动信号的列车其行驶速度、方向及位置等运行状态参数信息。方法流程图如图2所示，方法步骤为：
[0068] 步骤(1)、通过沿火车轨道埋地铺设的光纤进行信号实时采集，得到轨道沿线列车行驶过程的时空振动信号；
[0069] 所述步骤(1)中采集轨道沿线列车行驶过程的时空振动信号具体方法步骤为：
[0070] 步骤(1.1)、以周期触发脉冲作为一个信号采集单元，触发频率为f，触发周期为τ＝1/f，该时间单元τ内采集的信号是全部有效距离的信号，映射了监测距离内光信号在所有空间点的分布信息。触发采集脉冲周期，周期性地采集刷新随空间分布的光信息，第k个采集脉冲周期内接收的散射相干光沿光纤线路的光强分布信号Xk，即OTDR轨迹，如式(1)所示，某一时刻采集的信号是一个随空间变化的行向量：
[0071] Xk＝{Xki(i＝1，2，...，N)}＝[Xk1，Xk2...XkN] (1)
[0072] 其中i表示横向空间采样点序号，N为根据监测距离设置的横向空间上的数据采集长度。
[0073] 步骤(1.2)、随着光脉冲周期触发，沿着时间轴将每个光脉冲触发周期内采集的OTDR轨迹进行累积，连续累积的M条OTDR轨迹构建得到一个空间N维、时间M维的振动信号时空响应信号，如式(2)，即列车振动时空响应图，如图2所示：
[0074] {XX＝xki(k＝1，2，...，M；i＝1，2，...，N)} (2)。
[0075] 步骤(2)、基于采集的时空振动信号，得到各个空间位置列车经过时一段观测时间窗口信号，进行短时傅里叶变换，分别得到各空间点的列车行驶过程的时频图；
[0076] 所述步骤(2)具体步骤为：对在某一空间位置i获得的列车振动时间序列信号，即图2的列车振动时空响应图时空信号抽取的列向量X：，i＝[X1i，X2i...Xki]做短时傅里叶变换得到以时间为横坐标，以频率为纵坐标的时频图，如图3所示。由于列车振动信号时频图在频率1400Hz附近有固定高频干扰，在0HZ附近有固定低频干扰，在0～200Hz是实际因列车运行而产生的振动谱，因此本发明处理对象为列车在该空间位置对应0～200Hz的低频部分时频图，它包含主要的列车运行状态信息。
[0077] 步骤(3)、对时频图进行去噪预处理得到去噪的时频图。
[0078] 所述步骤(3)的具体方法步骤如下：
[0079] 步骤(3.1)、截取时频图中低频部分得到低频时频图；
[0080] 步骤(3.2)、将低频时频图转换为灰度图，作为后面信号处理的对象v＝{v(i)|i∈I}，I为以i为中心的搜索区域，i为空间点的索引，v(i)为i点处的灰度值，表示该时间段不同位置处获得的时频灰度图；
[0081] 步骤(3.3)、将灰度图进行非局域均值滤波(NLM)，在保持时频图信号基本结构特性的同时，提高信噪比，得到去噪时频图。
[0082] 所述步骤(3.3)的具体方法步骤如下：
[0083] 步骤(3.3.1)、假设列车行驶经过时某一空间点的时空信号进行时频转换得到的含噪图像灰度图为v＝{v(i)|i∈I}，其中，I表示以像素i为中心的搜索区域，我们要对其中一个像素i进行去噪，首先以i为中心选取大小为w*w的图像块Ni，再以图像块Ni内各像素点j为中心选取相同大小的图像块Nj。使用图像块Ni和Nj之间的高斯加权欧式距离来衡量i和j之间的相互影响力，Ni和Nj间的距离愈小，说明像素i和j关系愈密切，则像素j对应的系数就愈大。
[0084] 步骤(3.3.2)、使用高斯加权欧式距离度量图像块Ni和Nj之间i和j的相似性，设像素i去噪后为 则 的表达式为：
[0085]
[0086]
[0087] 其中， 为以像素i为中心的灰度图v(i)去噪后的结果；I表示以像素i为中心的搜索区域，I的大小既可以是图像的部分区域也可以是整幅图像；ω(i，j)为加权平均时像素j对应的权系数；Z(i)为归一化系数，为加权系数ω(i，j)总和；α为高斯核函数的标准差；h为控制平滑程度的滤波参数； α表示两图像块之间的加权欧氏距离；Ni和Nj间的距离越小，像素i和j越相似，累加恢复时像素j赋予的权值就越大；
[0088] 步骤(3.3.3)、依次以含噪时频图中的每个元素为中心选取图像块，计算图像块中各像素与中心像素相对应的权重系数，按照步骤(3.3.2)计算得到NLM滤波后的像素值，得到去噪时频图，如图4所示。
[0089] 步骤(4)、对去噪的时频图进行处理，得到列车轮廓图。
[0090] 所述步骤(4)的具体方法步骤如下：
[0091] 步骤(4.1)、基于自适应OTSU阈值即最大类间方差方法，对去噪的时频图进行二值化处理，得到二值化时频图，采用自适应OTSU阈值将图4的去噪时频图二值化后得到二值化时频图，如图5所示。具体为：自适应OTSU阈值方法采用最大类间方差计算处理图像的二值化阈值。设去噪时频图最佳阈值为M，现任意选取一个灰度值t，则将该图的分成前后两个部分，分别为A和B，对应的就是前景色和背景色。这两部分的平均值分别为MA和MB，A部分里的像素数占总像素数的比例记作PA，B部分里的像素数占总像素数的比例记作PB。OTSU给出的2 2
类间方差定义为：ICV＝PA*(MA-M)+PB*(MB-M) ，那么这个最佳阈值t就是使得ICV最大的那个值。采用OTSU方法将去噪时频图二值化后得到二值化时频图，列车经过引起的振动响应较强，为二值图中的前景色1，系统噪声引起的振动响应较弱，为二值图中的背景色0，这样使列车目标轮廓十分突出。
[0092] 步骤(4.2)、对二值化时频图进行垂直投影和水平投影获取列车边界，得到列车轮廓图。
[0093] 如图6所示，对二值化时频图垂直投影可得到左边界I与右边界r，其中左边界对应着列车运行到该位置时的起始时刻，而右边界对应着终止时刻，左边界与右边界之间对应的长度对应着整列火车彻底经过该位置时所用的时间，在图5中截取整列火车对应振动谱左右边界内的部分如图7所示；如图8所示，进行水平投影可得到上边界u与下边界d。以此列车边界参数对去噪的时频图进行分割，得到列车轮廓图，如图9所示，包含了NLM滤波后包含各节车厢对应振动谱节点的关键部分。
[0094] 步骤(5)、基于列车轮廓图提取列车的基本轮廓及边界参数，并根据不同位置处列车的基本轮廓及边界参数，计算得到列车运行状态参数。
[0095] 所述步骤(5)的具体方法步骤如下：
[0096] 步骤(5.1)、对列车轮廓图进行二值化并反转操作，得到二值化的列车轮廓图。对图9进行归一化的灰度直方图统计，如图10所示，可得到波峰起点对应的像素值PX1和波峰的一半对应的像素值PX2。在[PX1，PX2]之间，按步长为1依次取阈值。再对NLM滤波后的振动谱节点的关键部分取阈值二值化并反转，得到二值化列车轮廓图，如图11所示，(a)像素阈值为60时对关键部分二值化并反转结果；(b)像素阈值为65时对关键部分二值化并反转结果；(c)像素阈值为70时对关键部分二值化并反转结果。
[0097] 步骤(5.2)、依次求取二值化的列车轮廓图中列车车厢连接处的中心横坐标，建立与列车轮廓图长度相同的数组，累积数组中各坐标成为中心横坐标的次数number，通过数组坐标和列车的时频图提取列车基本轮廓参数。具体为：依次对图11求取这些二值化列车轮廓图中白色区域块(列车车厢连接处)的中心横坐标，建立一个与列车轮廓图长度相同的数组，用来累积各坐标成为中心横坐标的次数number，如图12所示。取次数大于最值Max_number一半的中心横坐标X1，X2...，它们即为部分车厢连接处对应时频图的中心横坐标。让这些相邻的横坐标依次作差，这些差值的中位数即单节车厢对应的时频图长度l；用整列火车对应的时频图长度L除以单节车厢对应的时频图长度l，便得到车厢节数N；由已知的中心横坐标X1，X2...、单节车厢l和整列火车对应的时频图长度L便可确定各节车厢在时频谱中对应的中心横坐标n1、n2...。将各节车厢在滤波前时频谱中对应的节点位置标出，结果如图13所示。
[0098] 步骤(5.3)、根据得到的列车基本参数，结合时空信息及不同位置的时频图对比，计算列车运行状态参数和判断车型，并根据以上信息综合评估列车及轨道的健康状态与运行状况。具体如下：
[0099] 计算列车的平均运行速度：
[0100] 由同一节车厢在两个不同位置s1、s2的时频谱中的横坐标上对应的时间t1、t2和这两个位置间的位移差便可计算该节车厢在两个位置间的行驶速度vn，如图14所示：
[0101]
[0102] 其中，若vn＞0，则行驶方向与采集位置信息的正方向一致，行驶方向记为“+”，火车由位置1驶向位置2；若vn＜0，则行驶方向与采集位置信息的正方向相反，行驶方向记为“-”，火车由位置2驶向位置1。据此，依次得到各节车厢在这两个位置间的行驶速度v1、v2...vn，计算整列火车在这s1、s2间的平均行驶速度
[0103]
[0104] 计算列车长度并判断车型：
[0105] 整列列车在时频图上的长度对应着列车轮廓图长度，即列车通过某点的时长T，根据已经得到的列车运行的速度 可以计算整列列车的长度：
[0106] 根据该列车长度与估计的车厢个数，以此判断车型。
[0107] 列车及轨道的健康状态及运行状况评估：
[0108] 根据以上算法得到的列车车厢节点中心位置与正常得到的参数的变化情况，判断列车的完整性及车厢的异常；
[0109] 根据以上算法得到的行驶过程中获得的正常与异常时频图对比，根据变化情况判断轨道自身的健康状态是否恶化，并结合智能信号处理方法实现轨道及列车轮轴故障的早期诊断和预警。通过异常时频图局部位置对问题轨道位置进行实时定位。以此及时准确、有针对性地对轨道进行连续时空在线检测，也可及时地对列车
机体进行检修，
预防危险的发生。
[0110] 根据以上算法得到的列车边界信息及运行参数(速度及位置等)与正常情况下参数对比，根据其变化情况评估列车运行状况，以此进行实时调度和预警。
[0111] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何
修改、等同替换和改进等，均应包含在本发明的保护范围之内。
