高速列車運行狀態監測與故障診斷

陳興劼+王瑜琳+龍訊+廖化容+何友全

摘要：本文采用光纖分布式振動測試方法對感應光纜獲取的鋼軌振動和列車運行狀態信號進行采集和特征分析，從而檢測出通過該區段列車的運行狀態和安全性能，做到實時監測并預警，為列車的安全運行和維護提供技術保障。

Abstract： In this paper， optical fiber distributed vibration test method is used to collect and characterize the rail vibration and the train running status signal obtained by the sensing optical fiber cable， so as to detect the running status and safety performance of the train passing through the section， thus realizing real-time monitoring and warning， so as to provide technical support for the safe operation and maintenance of trains.

關健詞：列車故障診斷；振動波形分析；小波分解；分形原理

Key words： train fault diagnosis；vibration waveform analysis；wavelet decomposition；fractal principle

中圖分類號：TP277 文獻標識碼：A 文章編號：1006-4311（2018）02-0134-03

0 引言

高速鐵路的發展始于上個世紀50年代，日本、法國、德國、意大利、西班牙、比利時、荷蘭、瑞典、英國都加入高鐵建設及運營中，亞洲的韓國、中國臺灣地區及我國大陸于本世紀初開始高鐵的建設。直至2015年底我國已建成的高速軌道交通專線約23600km，我國高速軌道線路總長度已超過世界其它各國高速專線線路之總和。隨著高速鐵路的不斷發展，列車事故也在所難免，對高速列車的運行狀態進行實時檢測與故障診斷顯得尤為重要。高速鐵路故障檢測一般分為在線檢測和離線檢測[1-8]，如輪軌紅外探傷，軌道超聲波探傷、軌道檢測車對鋼軌的磨耗自動測量等等。本系統采用分布式光纖感應技術，在鋼軌側面沿線連續分布振動傳感器，通過光纜建立鋼軌振動和列車運行噪聲的檢測區段，對經過該檢測區段的運行列車進行連續的鋼軌振動和列車運行噪聲檢測分析。

1 系統組成及軟件功能

1.1 傳感器布置與檢測內容

對鋼軌兩側軌腰進行簡單的打磨拋光，在鋼軌兩側打磨處分別布置四個箔式應變片，四應變片分兩組成內45度角，牢固粘貼在鋼軌上，并實現搭橋。將連接完畢的應變片連接至動態放大儀并通過USB接口連接至電腦，使用專用軟件進行數據采集及存儲。通過USB接口實時傳輸數據，利用數據存儲及采集系統對應變片測得的應力信號進行采集及存儲，進行記錄。車輛通過時自動對該段信號進行編號，同時需記錄應變片對應的粘貼點。監測內容包括通過車輛車型、軸重的識別以及對車輛速度、鋼軌振動的測試。

1.1.1 振動測試

通過布置粘貼在鋼軌外側軌腰上的光纖，利用分布式振動測試儀對車輛經過時引起的鋼軌振動信號進行采集及存儲，由已完成的感應光纖標定實驗獲得的標定系數進行簡單即可得到鋼軌振動信號的加速度。

1.1.2 軸重識別

通過貼在鋼軌兩側軌腰的應變片測量車輛通過時軌道所受到的垂向應力，由應力大小判斷軸重。在軌道兩側處分別布置四個應變片，垂向力測試采用對稱彎應變法，分別將軌腰兩側的4片箔式應變片組成全橋，距中性軸上下各20mm處，如圖1所示。

1.1.3 車速測量

在鋼軌給定距離兩端布置應變片，該給定距離除以列車同一輪對通過兩應變片的時間即可得到車速。

1.1.4 車型識別

不同車型車輛如客車與貨車，同一車型車輛在不同載重如空車和重車工況下，在行駛時其車輛的撓度不同，可用地板面距離鋼軌面距離作為參考，利用安裝布置在鋼軌外側的超聲波位移傳感器可確定通過車輛地板面距軌面高度，即可識別通過車輛的車型及載重情況。

1.2 系統軟件功能

《列車運行監測與故障診斷》主要功能是使人與數據分離，通過主程序GUI操作界面，自動檢測、圖形化顯示、智能分析、診斷目標數據源，使系統自動化與智能化。

軟件模塊及功能分為數據處理與故障診斷兩部分。數據處理部分包含最小二乘法、滑動平均法、IIR濾波器濾波、頻域帶通濾波、自相關/互相關函數分析、ZOOM-FFT、三分之一倍頻程譜處理、倒頻譜分析、反應譜分析[9]。

1.2.1 最小二乘法

對于振動信號數據，由于放大器隨溫度變化產生的零點漂移、傳感器頻率范圍外低頻性能的不穩定以及傳感器周圍的環境干擾，往往會編離基線，甚至偏離基線的大小還會隨時間變化。偏離基線隨時間變化的過程被稱為信號的趨勢項。趨勢項直接影響信號的正確性，應該將其去除。用最小二乘法消去多項式趨勢項。

1.2.2 滑動平均法

包括五點滑動平均法平滑處理、五點三次法平滑處理。屬于數據預處理，由于所采集的數據因測量方法不當、測量儀器誤差等因素，可能含有部分局部突變的噪聲信號，因此故障分析前必須做數據預處理。平滑處理是比較好的消除方法。

1.2.3 IIR濾波器濾波

本方法屬于數字濾波的時域處理方法，是對信號離散數據進行差分方程數學運算來達到濾波的目的。無限長沖激響應IIR數字濾波器，其特征是具有無限持續時間的沖激響應，使用遞歸模型來實現。只考慮幅度指標，未考慮相位指標。endprint

1.2.4 頻域帶通濾波

數字濾波的頻域方法是利用FFT快速算法對輸入信號采樣數據進行離散傅里葉變換，分析其頻譜，根據濾波要求，將需要濾除的頻率部分直接設置成零或加漸變過渡頻帶后再設置成零，例如在通帶和阻帶之間加設一段余弦類窗函數的過渡帶，然后利用IFFT快速算法對濾波處理后數據進行離散傅里葉逆變換恢復出時域信號。

1.2.5 自相關/互相關函數分析

自相關函數曲線的收斂快慢在一定程度上反映信號中所含各頻率分量的多少，反映波形的平緩和陡峭程度。自相關函數可用來檢測隨機振動信號中是否包含有周期振動成分，這是因為隨機分量的自相關函數總是隨時間坐標移動值趨于無窮大而趨近于零或某一常數值，而周期分量的自相關函數則保持原來的周期性而不衰減，并可以定性地反映振動信號所含頻率成分的多少?；ハ嚓P函數則反映兩條隨機振動信號波形隨時間坐標移動時相互關系緊密性的一種函數。

1.2.6 故障診斷

此模塊也是整個系統的核心模塊，其作用是對數據波形進行分析診斷，判斷是否含有故障信號，并提取故障特征值。本系統根據故障的特征和類型分別對故障信號分析采取了三種技術手段：小波分析、諧波提取、分形原理。

對于有明顯沖擊特征的，一般來說波形中含有明顯波峰或凹坑，或者波形密度與正常信號明顯不一樣，含有明顯干擾信號。此類故障分析采用小波變換。對于幅值變化不明顯，信號中含有某一頻率的干擾信號，采用諧波分析。對于幅值變化不明顯，波形形狀特征明顯，可以根據波形的形狀特征，采用差分原理、諧波提取、小波分析來分析。

諧波提?。悍謩e提取了0次諧波-5次諧波，如果正常數據信號中含有故障信號，其各次主要諧波含量是不一樣的。0次諧波表示直流分量，第4、6個數就是3次和5次諧波的幅值。

圖3是空車故障文件，選取第1列數據分析，表示空車故障橫向加速度測試數據，圖3中共有4個子窗口圖表，子窗口1顯示54400行數據，子圖2選取其中的4000-10000行數據進行波形分析，子圖3是經過小波分解后的低頻系數波形圖，子圖4是經過小波分解后的高頻系數波形圖，紅色柱形標注低頻、高頻分解系數的特征值，表示相應的故障信號點。為了分析、比較同一車輛分別在兩種狀態（正常與故障）下相對應波形分析數據，在各子圖中分別設定同一幅值范圍，子圖1設置為-3～3，子圖2、子圖3、子圖4設置為-1～1。

另外在軟件的開發過程中，采用了軟件容錯技術，確保軟件運行平穩安全，不會因為用戶的操作不當和輸入錯誤而使系統陷入崩潰。

2 結論

通過檢測列車運行的振動波形，來間接判斷列車的性能與狀態，在離線檢測方法的創新。本方采用了小波分解、分形原理等技術，實現了列車運行的自動檢測與故障斷診。系統數據量大，采用計算機全自動化處理技術，自動導入數據、自動分析、自動存儲，對于個別有疑問的故障信號，可以與人工處理技術相結合，在軟件平臺上單獨分析處理，從而進一步確認故障信號類型。

參考文獻：

[1]Jonguk L， Heesu C， Daihee P， et al. Fault Detection and Diagnosis of Railway Point Machines by Sound Analysis：[J]. Sensors， 2016， 16（4）.

[2]Yao D， Yang J， Li X， et al. A hybrid approach for fault diagnosis of railway rolling bearings using STWD-EMD-GA-LSSVM[J]. Mathematical Problems in Engineering， 2016， 2016（10）：1-7.

[3]衛曉娟，丁旺才，李寧洲，等.基于引力搜索RBF神經網絡的機車齒輪箱故障診斷[J].鐵道學報，2016（2）：19-26.

Daigle M J， Bregon A， Koutsoukos X， et al. A qualitative event-based approach to multiple fault diagnosis in continuous systems using structural model decomposition[J]. Engineering Applications of Artificial Intelligence， 2016， 53：190-206.

[4]江麗，郭順生.基于半監督拉普拉斯特征映射的故障診斷[J].中國機械工程，2016，27（14）.

[5]張前圖，房立清.基于圖像形狀特征和LLTSA 的故障診斷方法[J].振動與沖擊，2016，35（9）.

[6]臧懷剛，劉子豪，李玉奎.基于形態濾波和Laplace小波的軸承故障診斷[J].中國機械工程，2016，27（9）.

[7]Peng K， Zhang K， You B， et al. A Quality-Based Nonlinear Fault Diagnosis Framework Focusing on Industrial Multimode Batch Processes[J]. IEEE Transactions on Industrial Electronics， 2016， 63（4）：2615-2624.

[8]徐曉濱，張鎮，李世寶，等.基于診斷證據靜態融合與動態更新的故障診斷方法[J].自動化學報，2016（1）：107-121.

[9] 王濟，胡曉.MATLAB在振動信號處理中的應用[M].中國水利水電出版社，2006.endprint