[发明专利]一种列车轮对踏面形貌在线监测方法及系统

权利要求书

1.一种列车轮对踏面形貌在线监测方法，其特征在于，其包括如下步骤：

步骤1：在列车车轮的车轴上设置两个位移传感器，两个位移传感器呈90°间隔设置在所述车轴外周面上，所述位移传感器用于检测车轴偏心的位移信号s；

步骤2：在列车的轴箱、齿轮箱上设置振动检测传感器，检测轴箱振动加速度信号y(t)和齿轮箱振动加速度信号z(t)；

步骤3：对轴箱振动加速度信号y(t)和齿轮箱振动加速度信号z(t)进行数据变换，将轴箱振动加速度信号y(t)转换为位移信号y，将齿轮箱振动加速度信号z(t)转换为位移信号z，并将位移信号s、y、z对应到同一时间轴上；

其中轴箱振动加速度信号y(t)、齿轮箱振动加速度信号z(t)进行数据变换具体算法为：

用x(t)代表y(t)、z(t)其中的一组信号，每组信号转换方式为：在时间T内采集N个时域信号x(t)，形成离散数据x(n)，将x(n)经离散傅里叶变换后得到加速度信号频域信号X(k)，对加速度频域信号X(k)进行二次积分获得位移频域信号，二次积分计算公式为：

其中

式中：fd和fu分别为下限截止频率和上限截止频率；X(k)为x(n)的傅里叶变换；△f为频率分辨率；H(k)为带通滤波器的频率响应函数，最后将获得的频域信号y(r)通过傅里叶逆变换转换回到时域获得位移的时域信号；

步骤4：建立神经网络模型，先通过准备好的训练样本对神经网络模型进行训练，再通过测试样本对神经网络模型进行测试；

步骤5：将位移信号s、y、z输入到训练好的神经网络模型中进行深度学习，通过神经网络模型分析位移信号s、y、z的时频特性和计算特征值；

步骤6：根据神经网络模型输出时频特性分析和特征值计算结果进行阈值判断，识别列车轮对踏面形貌缺陷。

2.根据权利要求1所述的列车轮对踏面形貌在线监测方法，其特征在于，在步骤3中进行数据变化之前先对采集到的对轴箱振动加速度信号y(t)、齿轮箱振动加速度信号z(t)进行滤波、调制解调。

3.一种列车轮对踏面形貌在线监测检测系统，其特征在于，其包括：

两个位移传感器，两个位移传感器沿列车轮对车轴的外周面呈90°间隔分布，所述位移传感器用于检测所述车轴偏心位移信号s；

轴箱振动检测传感器，所述轴箱振动检测传感器设置在列车的轴箱上，所述轴箱振动检测传感器用于检测所述轴箱的轴箱振动加速度信号y(t)；

齿轮箱振动检测传感器，所述齿轮箱振动检测传感器设置在列车的齿轮箱上，所述齿轮箱振动检测传感器用于检测所述齿轮箱的齿轮箱振动加速度信号z(t)；

数据转换模块，所述数据转换模块用于对轴箱振动加速度信号y(t)和齿轮箱振动加速度信号z(t)进行数据变换，将轴箱振动加速度信号y(t)转换为位移信号y、齿轮箱振动加速度信号z(t)转换为位移信号z，并将位移信号s、y、z对应到同一时间轴上；其中轴箱振动加速度信号y(t)、齿轮箱振动加速度信号z(t)进行数据变换具体算法为：

用x(t)代表y(t)、z(t)其中的一组信号，每组信号转换方式为：在时间T内采集N个时域信号x(t)，形成离散数据x(n)，将x(n)经离散傅里叶变换后得到加速度信号频域信号X(k)，对加速度频域信号X(k)进行二次积分获得位移频域信号，二次积分计算公式为：

其中

式中：fd和fu分别为下限截止频率和上限截止频率；X(k)为x(n)的傅里叶变换；△f为频率分辨率；H(k)为带通滤波器的频率响应函数，最后将获得的频域信号y(r)通过傅里叶逆变换转换回到时域获得位移的时域信号；

神经网络模块，所述神经网络模块用于对位移信号s、y、z进行深度学习，通过神经网络模型分析位移信号s、y、z的时频特性和计算特征值；

阈值判断模块，所述阈值判断模块用于将神经网络模型输出时频特性分析和特征值计算结果进行阈值判断，并识别列车轮对踏面形貌缺陷。