被動式鋼軌打磨砂輪裂槽故障識別方法研究

摘要：被動式鋼軌打磨是利用列車拖拽打磨砂輪使其被動旋轉產生切削力，從而對鋼軌進行磨削，打磨砂輪在作業時一旦發生裂槽故障，會影響打磨效果。為識別出被動式打磨砂輪的裂槽故障，對其振動信號進行分析。通過被動式打磨試驗臺獲取裂槽故障砂輪打磨作業時的振動信號，利用局部均值分解方法將振動信號分解到多個分量，計算分量的模糊熵對信號特征進行量化，選取部分分量模糊熵構建特征向量訓練SVM模型，對打磨砂輪的裂槽故障進行識別。研究表明：LMD將被動式打磨砂輪振動信號分解為5個PF分量，分量的模糊熵依次降低；正常、一處裂槽和兩處裂槽三種運行狀態的打磨砂輪在其振動信號PF2和PF3分量的模糊熵中存在差異；利用砂輪的該故障特征信息訓練診斷模型，SVM模型有99.47%的砂輪裂槽故障識別準確率。

關鍵詞：鋼軌被動式打磨；打磨砂輪；局部均值分解；模糊熵；支持向量機

中圖分類號：U273"""""""""""""""""""""""""""""""""""" 文獻標志碼：A"""""""""""""""""""""""" doi：10.3969/j.issn.1006-0316.2025.02.001

文章編號：1006-0316 （2025） 02-0001-07

Research on Fault Identification Method of Crack Groove of Passive Rail Grinding Wheel

BAI Xiang1，WEN Haoyu2，LIU Xiaolong3，JIANG Xiaoguang4，ZHAO Xinjiang1，WANG Hengyu1

（ 1. State Key Laboratory of Traction Power， Southwest Jiaotong University， Chengdu 610031， China;

2. Hohai-Lille College， Hohai University， Changzhou 210098， China;

3. China Railway Chengdu Group Co.， Ltd.， Chengdu 610082， China;

4. Sichuan SWJTU Railway Development Co.， Ltd.， Chengdu 610091， China ）

Abstract：Passive rail grinding is to grind the rail by dragging the grinding wheel and making it rotate passively to produce cutting force， once the grinding wheel cracks during operation， it will affect the grinding effect. The vibration signal is analyzed to identify the crack groove fault of passive grinding wheel. The vibration signal of grinding wheel with crack groove fault is obtained by passive grinding test bench， and decomposed into multiple components by local mean decomposition method. Then calculate the fuzzy entropy of components to quantify the signal features， and selects part of the fuzzy entropy to construct the eigenvector and train SVM model， and identify the crack groove fault of grinding wheel. Research shows that： LMD decompose the vibration signal of passive grinding wheel into 5 PF components， and the fuzzy entropy of components decrease successively. There are differences in the fuzzy entropy of PF2 and PF3 components of the vibration signals of grinding wheels in normal， crack groove and two crack grooves operating states. And this fault characteristics of grinding wheel were used to train the diagnosis model. SVM model has 99.47% accurate recognition rate of grinding wheel crack groove fault.

Key words：passive rail grinding；grinding wheel；local mean decomposition method；fuzzy entropy；support vector machine

鐵路在促進社會發展、服務經濟建設中發揮著重要作用[1]。伴隨著鐵路運量和運行速度的提升，鋼軌在服役過程中會出現波磨、裂紋、擦傷、肥邊等各類傷損和病害問題[2]。鋼軌打磨是最普遍的鋼軌維護處理方法，能有效消除鋼軌表面損傷和缺陷、改善輪軌接觸關系[3]。被動式鋼軌打磨是近年來發展的一種鋼軌打磨方式，原理如圖1所示，利用列車高速拖動打磨砂輪使其被動旋轉，從而產生切削力對鋼軌進行打磨[4-5]。由于鋼軌表面不確定激勵的沖擊，打磨砂輪可能產生裂槽故障，如圖2所示。

裂槽故障會使砂輪打磨效果變差，無法達到目標鋼軌廓形以及粗糙度等要求，甚至會造成鋼軌劃傷，影響列車運行安全。因此需準確識別出被動式鋼軌打磨砂輪的裂槽故障。

被動式打磨作為新型鋼軌打磨方式，由于技術保密等原因，未見打磨砂輪故障診斷相關的研究與報道。對于同為旋轉磨具的磨床砂輪，不少學者對其磨損狀態和磨削故障進行了研究。Xu等[6]建立了一種面向視覺的開放式數控系統，利用圖像處理與運動控制相融合的技術進行砂輪磨損的原位精密檢測。趙雷等[7]通過提取磨削過程中聲發射信號的FFT（Fast Fourier Transform，快速傅里葉變換）峰值等特征值，建立神經網絡，實現對顫振、砂輪鈍化等磨削故障的在線監測。尹國強等[8]利用聲發射信號和磨削力信號來對砂輪的磨損狀態進行共同監測，證明砂輪的磨損程度與兩者均相關。被動式打磨砂輪的打磨作業具有高速、高溫、高載和干磨削的特點，利用攝像機獲取砂輪形貌和傳感器采集砂輪的聲發射信號存在一定的限制，因此通過分析打磨砂輪的振動信號以獲取裂槽故障特征和實現裂槽故障識別。

本文建立被動式鋼軌打磨砂輪裂槽的識別方法，采用局部均值分解方法將被動式鋼軌打磨砂輪的振動信號分解為信號分量，提取部分信號分量的模糊熵信息構成特征向量，最后利用支持向量機對打磨砂輪的運行狀態進行模式識別。通過分析被動式鋼軌打磨砂輪故障模擬試驗所采集到的砂輪振動信號，實現對被動式鋼軌打磨砂輪裂槽故障的識別，為安全、高效的鋼軌打磨作業提供理論支持。

1 被動式鋼軌打磨砂輪裂槽識別方法

如圖3所示，首先獲取正常與裂槽故障打磨砂輪作業時的振動加速度信號；然后利用局部均值分解方法對振動信號進行分解得到多個分量；再通過計算分量的模糊熵對信號特征進行量化，實現特征提取；最后利用模糊熵構成的特征向量對支持向量機進行訓練，得到的診斷模型能夠實現對被動式鋼軌打磨砂輪的裂槽故障識別。

1.1 局部均值分解方法

LMD（Local Mean Decomposition，局部均值分解方法）能自適應選擇原始振動信號的不同頻帶，并將其分解出來，保證不同頻帶內的分辨率和提取有效信息的準確性，分解過程更加優化合理[9]。LMD可視為一個多重循環迭代的信號分解過程，首先通過循環迭代得到一個純調頻信號，在此基礎上循環迭代得到第一個PF（Product Function，乘積函數）分量，直至得到所有PF分量和一個剩余的單調信號，即：

（1）

式中：為待分解信號；為第i個PF分量；k為PF分量總數；為單調信號。

LMD是將一個多分量的調頻調幅信號分解為多個單分量信號的解調過程，能夠有效抑制EMD（Empirical Mode Decomposition，經驗模態分解）存在的端點效應、模態混疊等問題，且計算過程簡單、迭代次數少，能夠保留信號的完整性[10]。

1.2 模糊熵

熵的物理意義是度量時間序列的復雜性，能夠描述序列產生新模式的概率。序列的模糊熵值越大，則代表其復雜性越高，越容易產生新的模式[11]。

模糊熵是近似熵和樣本熵的改進算法，對重構相空間的維數和相似容限等參數的依賴性和敏感性較低，在測度值的連續性和對序列長度的一致性方面有較好表現[12]。重構相空間的維數m反映相空間中信號的動態演變過程，通常選取m＝2或m＝3；相似容限r反映原始序列中噪聲的敏感程度，通常選取r＝（0.2～0.3）SSD，其中SSD為原始信息序列的標準差。

1.3 支持向量機

SVM（Support Vector Machine，支持向量機）是一種是建立在統計學VC（Vapnik- Chervonenkis）維理論和結構風險最小化原理基礎上用來解決二分類問題的學習算法[13]。

SVM模型思路如圖4所示，圓形和方形為兩種線性可分的數據類型，一類為正類，一類為負類，在該特征空間內建一個最大間隔超平面H將數據分為兩類，各類點到面H的距離最遠，平面H的兩側分別建立與其平行的超平面H1與H2，決定超平面H1與H2的數據點稱為支持向量，能決定分類器的所有信息[14]。

2 被動式鋼軌打磨砂輪裂槽故障模擬試驗

在被動式鋼軌打磨車進行打磨作業時，打磨砂輪極少發生裂槽故障，且收集到的故障砂輪振動數據幾乎沒有，因此利用被動式鋼軌打磨試驗臺和裂槽故障模擬打磨砂輪進行打磨作業，以獲取裂槽故障砂輪作業時的振動信息。

2.1 被動式鋼軌打磨試驗臺

如圖5所示，被動式鋼軌打磨試驗臺由鋼軌轉盤、驅動電機、打磨砂輪、加載機構等部分組成[15]。

打磨試驗臺利用氣缸作用的加載機構提供給打磨砂輪所需的垂向載荷，打磨砂輪與鋼軌轉盤接觸，利用電機驅動由鋼軌軌頭彎曲加工成的鋼軌轉盤旋轉來模擬列車拖拽打磨砂輪運行的狀態，實現對鋼軌的被動式打磨。打磨砂輪安裝處裝有振動加速度傳感器，可記錄打磨砂輪作業時的振動加速度信息。

w為鋼軌轉盤的轉速。

2.2 被動式鋼軌打磨砂輪裂槽故障模擬

為模擬出被動式鋼軌打磨砂輪出現裂槽故障的情況，對正常砂輪進行破壞處理，使得打磨砂輪出現不同類型的裂槽故障。正常與裂槽故障模擬打磨砂輪如圖6所示。正常打磨砂輪其表面磨粒未發生明顯的脫落或者出現裂槽故障；一處裂槽故障砂輪是在砂輪表面打磨出一條溝槽，模擬砂輪出現裂紋后周邊磨料脫落以至產生裂槽的故障情況；兩處裂槽故障砂輪是在砂輪上打磨出兩條沿軸向分布的溝槽。

利用被動式鋼軌打磨試驗臺分別進行正常、一處裂槽與兩處裂槽砂輪的打磨試驗，打磨線速度和打磨壓力相同，振動加速度傳感器以5 kHz的采樣頻率獲取打磨砂輪安裝處的振動信號。打磨作業時，打磨砂輪與鋼軌相互摩擦，產生大量花火與灰塵。

3 試驗數據分析

分析打磨砂輪的振動信號時，選取打磨壓力達到設定值和打磨速度趨于穩定后的振動數據，并截取其多個1 s時長的數據作為樣本信號。利用LMD方法分解樣本信號后提取分量模糊熵特征信息，對打磨砂輪的裂槽故障類型進行模式識別。正常、一處裂槽與兩處裂槽三種不同運行狀態的打磨砂輪樣本信號振動加速度數據如圖7所示。

利用LMD方法對正常砂輪振動加速度的樣本信號進行分解，得到PF分量如圖8所示，高頻率信息體現在先分解得到的PF分量中，可以清晰看出PF1、PF2分量所包含的就是樣本信號中頻率較高的成分，而PF4、PF5分量中所體現的頻率信息是低頻段。

計算每個PF分量的模糊熵，利用熵值量化分量信號的特征信息，取重構相空間維數m＝2，相似容限r＝0.2，正常、一處裂槽與兩處裂槽三種不同運行狀態打磨砂輪的樣本信號分量模糊熵計算結果如圖9所示，對于不同運行狀態砂輪的振動信號，隨著信號被分解，PF1～PF5信號分量模糊熵依次降低，說明系統在高頻段區間最易產生新的振動模式，而在低頻段具有穩定性。所采集到的振動信號中包含大量高頻噪聲，在PF1信號分量所代表的高頻段中；而PF4和PF5信號分量模糊熵較小，不同運行狀態砂輪在其所代表的頻率段中均不易產生新振動模式。

在PF2和PF3信號分量代表的頻率區段內，正常砂輪模糊熵最大，其振動信號具有較強的隨機性，易受到干擾產生新的振動模式；對于振動模式明顯的兩處裂槽故障砂輪，模糊熵最小，系統隨機性最小；一處裂槽故障砂輪的模糊熵則處于正常和兩處裂槽故障砂輪之間。因此能夠利用振動信號PF2和PF3分量的模糊熵特征信息來區分被動式鋼軌打磨砂輪裂槽故障類型。

正常、一處裂槽與兩處裂槽打磨砂輪屬于三種不同的運行狀態，采用支持向量機“一對多”的多分類方法對被動式鋼軌打磨砂輪裂槽故障類型進行識別。根據砂輪的三種運行狀態，構建由3個SVM分類器組成的打磨砂輪裂槽識別模型，如圖10所示，運行狀態類型標簽分別為1～3，SVM1將正常砂輪與一處和兩處裂槽砂輪區分開，即正常砂輪的識別結果標簽為+1。綜合3個SVM的分類結果，得到該樣本信號的最終識別結果。

每種運行狀態的打磨砂輪振動信號選取250個樣本，其中187個構成訓練集，63個構成測試集。利用訓練集樣本PF2和PF3分量的模糊熵構成特征向量，對打磨砂輪裂槽識別模型進行訓練。完成訓練后將測試集樣本信號的特征向量輸入到模型中，得到識別結果如圖11所示。

可以看出，除一個正常樣本被錯誤識別為兩處裂槽故障外，其余樣本均被準確識別出，SVM模型識別準確率為99.47%，具有良好的打磨砂輪裂槽故障識別效果。

4 結論

本文建立了基于LMD、模糊熵和支持向量機的被動式鋼軌打磨砂輪裂槽故障識別方法，分析裂槽故障模擬試驗所獲得的打磨砂輪作業時振動信號，得出以下結論：

（1）將打磨砂輪的振動信號用LMD分解得到5個PF分量，PF1～PF5分量所包含的信號頻率信息依次降低，分量的模糊熵同樣依次降低。

（2）不同運行狀態的打磨砂輪在其振動信號的PF2和PF3分量中存在差異，正常砂輪的模糊熵最大，最易產生新的振動模式；一處裂槽和兩處裂槽砂輪的模糊熵依次降低，系統的隨機性降低。

（3）對于打磨砂輪正常、一處裂槽和兩處裂槽的三種運行狀態，構建由3個SVM組成的砂輪裂槽識別模型，該模型準確識別出99.47%的樣本，證明了該被動式鋼軌打磨砂輪裂槽故障識別方法的有效性。

參考文獻：

[1]金學松，杜星，郭俊，等. 鋼軌打磨技術研究進展[J]. 西南交通大學學報，2010，45（1）：1-11.

[2]周揚. 基于鋼軌打磨的車輛動力學性能研究[D]. 成都：西南交通大學，2019.

[3]焦彬洋，王軍平，蔣俊，等. 鋼軌打磨對軌面疲勞裂紋擴展的影響[J]. 中國鐵路，2022（4）：86-91.

[4]樊文剛，劉月明，李建勇. 高速鐵路鋼軌打磨技術的發展現狀與展望[J]. 機械工程學報，2018，54（22）：184-193.

[5]李俊，張合吉，陳帥，等. 鋼軌打磨小車振動特性及其對打磨質量影響的研究[J]. 機械，2020，47（8）：44-51.

[6]XU L M，FAN F，ZHANG Z，et al. Methodology and implementation of a vision-oriented open CNC system for profile grinding[J]. International journal of advanced manufacturing technology，2019，100（5-8）：2123-2131.

[7]趙雷. 基于自架構神經網絡模型的磨削故障在線監測方法研究[J]. 機床與液壓，2007，35（6）：223-225.

[8]尹國強，王東，關云勻，等. 基于聲發射監測的砂輪磨損實驗[J]. 東北大學學報（自然科學版），2022，43（8）：1127-1133.

[9]武哲. 旋轉機械故障診斷與預測方法及其應用研究[D]. 北京：北京交通大學，2016.

[10]程軍圣，張亢，楊宇，等. 局部均值分解與經驗模式分解的對比研究[J]. 振動與沖擊，2009，28（5）：13-16.

[11]魏禹. 基于熵值的齒輪箱故障特征提取與早期故障診斷方法研究[D]. 哈爾濱：哈爾濱工業大學，2019.

[12]秦娜，金煒東，黃進，等. 高速列車轉向架故障信號的聚合經驗模態分解和模糊熵特征分析[J]. 控制理論與應用，2014，31（9）：1245-1251.

[13]于德介，陳淼峰，程軍圣，等. 基于AR模型和支持向量機的轉子系統故障診斷方法[J]. 系統工程理論與實踐，2007，27（5）：152-157.

[14]韓露，程珩，勵文艷，等. VMD模糊熵和SVM在柱塞泵故障診斷中的應用[J]. 機械設計與制造，2023，389（7）：110-115.

[15]許孝堂. 鋼軌高速打磨機理研究[D]. 成都：西南交通大學，2016.