[发明专利]基于轨道位移的车轮多边形磨耗检测方法及数据采集设备

说明书

本发明公开一种基于轨道位移的车轮多边形磨耗检测方法及数据采集设备，应用于轨道交通领域，为了解决现有的车轮多边形磨耗检测存在的检测效率低下的问题，本发明通过将激光位移传感器安装于相邻两个轨枕之间道床的中心位置，以采集钢轨垂向振动位移信号，并结合铁路运营部门的该条线路的车辆运营信息，将钢轨垂向振动位移信号与具体的车辆对应起来，实现了采集运营线路某一点的少量数据，就能分析该线路上行使的所有车辆车轮的多边形化磨耗状况信息的效果；本发明的非接触式的测量方法不仅满足铁路旅客运输的高安全性要求，并且提高了车轮多边形磨耗检测效率。

技术领域

本发明属于轨道交通领域，特别涉及一种车轮损伤监测技术及设备。

背景技术

基于钢轮钢轨的轨道交通模式由于其高能量利用率的优势，在能源紧缺的现代得到了飞速的发展。钢轮钢轨在提供较小滚动摩擦阻力的同时也带来了局部应力集中，轮轨受力条件恶劣的问题，由此引发了诸如轮轨接触疲劳，踏面材料剥离，车轮多边形化等车轮损伤问题。其中车轮多边形问题在近年来尤为突出，因为车轮多边形异常磨耗引起的车辆轨道部件损坏情况时常发生。在车辆实际运营中，维护部门会根据车辆运行公里数对车轮进行璇修作业。这样的璇修通过车削能使车轮踏面重新恢复设计形状从而提高稳定性和消除踏面损伤，但是以运行公里数为标准的做法比较粗糙。例如有的车轮在运行到指定公里数时状态依然良好，此时璇轮无疑是巨大的浪费。而有的车轮在远未达到指定运营公里数时便已经发生了多边形磨耗，此时如果不对其采取修复措施，将会对车辆和轨道结果部件产生严重的危害。有研究表明幅值较小的车轮多边形磨耗如果未得到及时处理会在短时间内快速发展。因此如何准确而快速地对车轮多边形磨耗进行尽早的识别对车辆运营的经济性和公共安全的保障有着重要意义。由于车轮多边形磨耗肉眼难以发现，再加上在服役的车轮数量极其庞大，车轮多边形的自动探测问题面临着巨大的挑战。

发明内容

为解决上述技术问题，本发明提出一种基于轨道位移的车轮多边形磨耗检测方法及检测设备，通过测试少量的钢轨位移数据就能分析经过该条线路的所有车的车轮缺陷情况，极大的提高了检测效率。

本发明采用的方案之一为：一种基于轨道位移的车轮多边形磨耗检测方法，包括：

S1、分别建立多边形车轮和正常车轮引起的钢轨垂向振动位移信号建立数据库；所述钢轨垂向振动位移信号测量过程为：

A1、通过激光位移传感器测量钢轨垂向振动位移信号；

A2、将一维的钢轨垂向振动位移信号转化成二维的图像信号；

S2、分别采用步骤S1中的两个数据库对深度卷积神经网络进行训练，得到多边形车轮信号识别的模型与正常车轮信号识别的模型；

S3、向经步骤S2训练后的深度卷积神经网络输入当前采集的钢轨垂向振动位移信号，该深度卷积神经网络输出识别结果，所述识别结果为多边形车轮或正常车轮。

进一步地，步骤S3之后还包括：将识别结果与车辆对应，具体为：结合铁路运营部门的该条线路的车辆运营信息，将识别结果与具体的车辆对应起来。

进一步地，步骤A1所述激光位移传感器安装于相邻两个轨枕之间道床的中心位置。

进一步地，所述步骤A2之前还包括：对步骤A1的钢轨垂向振动位移信号提取冲击振动成分处理。

更进一步地，所述提取冲击成分的实现过程为：采用多层移动平均法求出步骤A1所采集钢轨垂向振动位移信号的车辆重力作用波形，然后由步骤A1所采集钢轨垂向振动位移信号减去对应的车辆重力作用波形得到冲击振动成分。

进一步地，步骤A2采用格兰姆角场矩阵将一维的钢轨垂向振动位移信号转化成二维的图像信号。

进一步地，步骤S2所述深度卷积神经网络为改进的AlexNet，具体为将AlexNet的最后一层的输出数量参数改为2。