高速道岔振动信号端点检测与失真识别研究

摘要

高速道岔是铁路线路中的薄弱环节，在长期使用过程中，易产生结构疲劳和裂纹等损伤，严重影响铁路的安全运营，因此对道岔进行伤损监测具有重要意义。在道岔伤损识别技术中，由传感器采集的振动加速度信号数据量大，若直接将全部数据用于伤损检测，必将给系统造成运行速度慢、实时性不高等问题，为提高系统实时性和伤损识别准确性，对采集的信号进行端点检测并提取出有效的振动信号是信号预处理的重要一步。另外，由于传感器工作于较恶劣的环境，常出现各种故障，导致采集的道岔振动信号存在失真，影响后续道岔的伤损识别，因此，对采集的高速道岔振动信号进行失真识别具有重要意义。
　　本文对此展开研究，所做工作如下所述:
　　(1)在高速道岔振动信号端点检测部分，针对道岔振动信号的非平稳特性，采用了基于Hilbert-Huang变换的特征能量作为区别有效振动信号和噪声的特征，并对该特征进行顺序统计滤波处理，增强了有效振动信号和噪声的辨识度，然后应用模糊C均值聚类对特征能量进行自适应的阈值估计。最后将本文方法与基于短时能量、子带谱熵方法的仿真结果进行对比，对比结果证明了本文方法的可行性和优越性;并用实验验证了利用端点检测提取出的有效振动信号参与道岔伤损识别，一定程度上可提高伤损识别率，并减少道岔伤损识别所用的时间。
　　(2)在道岔振动信号失真识别部分，首先在实测正常道岔振动信号基础上，对传感器漂移故障失真信号、传感器卡死故障失真信号和传感器冲击干扰失真信号进行模拟仿真;然后根据四种信号的非平稳性，提取基于EMD的三种特征:固有模态能量熵、特征能量和残差能量;最后研究道岔振动信号失真识别，分别采用基于FCM-减法聚类的最近邻算法、基于FCM-FCM的最近邻算法和基于BP神经网络方法进行实验分析。实验结果表明，本文方法比基于FCM-FCM的最近邻算法和基于BP神经网络方法的结果更准确。
　　最后对本文所做工作进行总结，并对未来进一步的工作进行展望。

目录

声明

摘要

第1章 绪论

1．1 课题来源

1．2 课题背景及意义

1．3 国内外研究现状

1．3．1 信号端点检测的研究现状

1．3．2 信号失真识别的研究现状

1．4 本文主要工作与论文结构

第2章 基本原理

2．1 Hilbert-Huang变换

2．1．1 特征尺度参数

2．1．2 固有模态函数

2．1．3 EMD方法

2．1．4 Hilbert谱与Hilbert边际谱

2．1．5 HHT法的仿真实例

2．2 模糊聚类原理

2．2．1 聚类分析的数学模型

2．2．2 聚类目标函数

2．2．3 模糊C均值聚类

2．2．4 减法聚类

2．2．5 模糊模式识别

2．3 本章小结

第3章 基于HHT和OSF的道岔振动信号端点检测

3．1 常见的语音信号端点检测方法介绍

3．2 基于HHT和顺序统计滤波的道岔振动信号特征能量提取

3．2．1 基于HHT的道岔振动信号特征能量提取

3．2．2 顺序统计滤波算法及分析

3．3 基于模糊C均值聚类的特征能量阈值估计

3．3．1 道岔振动信号特征能量的模糊C均值聚类分析

3．3．2 阈值估计

3．4 道岔振动信号端点检测的步骤

3．5 实验分析

3．5．1 高速道岔振动信号的采集

3．5．2 不同特征检测性能的比较

3．5．3 有效振动信号检测率的测试、分析

3．5．4 端点检测对道岔伤损识别的影响分析

3．5．5 识别效率分析

3．6 本章小结

第4章 基于EMD与减法聚类的道岔振动信号失真识别

4．1 道岔振动信号失真类型的模拟方法

4．1．1 加速度传感器常见故障类型分析

4．1．2 加速度传感器常见故障的模拟方法

4．1．3 道岔振动信号的失真类型模拟

4．2 基于EMD的失真道岔振动信号特征提取

4．2．1 固有模态能量熵提取及分析

4．2．2 特征能量提取及分析

4．2．3 残差能量提取及分析

4．3 仿真分析

4．3．1 特征的FCM-减法聚类与分析

4．3．2 不同方法失真识别分析

4．4 本章小结

总结与展望

致谢

参考文献

攻读硕士期间发表的论文及参与的科研项目